Was ist CRM Data Mining?
Unter Customer Relationship Management (CRM) Data Mining versteht man das Durchsuchen von Kundenbeziehungsdatenbanken und das Analysieren von Daten zum gesammelten Kundenverhalten. Diese Daten helfen Marketingfachleuten, ihre Kampagnen besser zu fokussieren, was zu einer höheren Kundenbindung und einem höheren Umsatz führt. CRM Data Mining wird auch als Datenexploration und Wissensermittlung bezeichnet. Beim Data Mining gibt es zwei Hauptkategorien: deskriptive Analyse und prädiktive Modellierung.
Bei der deskriptiven Analyse werden Segmentierung und Clustering verwendet, um ein festgelegtes Verhaltensmuster für eine bestimmte Kundengruppe besser analysieren zu können. Kunden können nach Geschlecht, Alter, Rasse und anderen Kategorien gruppiert werden. Das Hauptziel eines Segments ist es, dem Vermarkter eine Gruppe ähnlicher Kunden zur Verfügung zu stellen, um die Daten effektiver für nützliche Erkenntnisse zu nutzen.
Clustering aggregiert Segmentgruppen. Jeder Cluster schließt sich gegenseitig aus und zeichnet sich durch eine Reihe vorgegebener Eigenschaften aus. Ein Cluster könnte beispielsweise Frauen im Alter von 18 bis 25 Jahren umfassen, die in den letzten beiden Dezemberwochen 2010 einen bestimmten Nagellack gekauft haben. Dies ist ein Beispiel für eine qualitative Methode des CRM-Data-Mining.
In nicht ausschließenden Segmenten, einer anderen Form der deskriptiven Analyse, führt eine bestimmte Menge von Kundenverhalten zu einer völlig neuen Menge von Verhaltensweisen. Zum Beispiel könnte eine Gruppe von Kunden einen erheblichen Betrag für Wellnessleistungen ausgeben, aber nicht viel Geld für verwandte Dienstleistungen wie Haar- und Salonpflege. Diese Art des CRM Data Mining erfordert eine erweiterte statistische Analyse als die grundlegende Segmentierung.
Predictive Modeling ist die beliebteste der beiden CRM-Data-Mining-Kategorien. Es misst den Grad der Korrelation zwischen zwei Kundenverhaltensfaktoren und die statistische Zuverlässigkeit dieser Korrelation. Das Vorhersagemodell wird mithilfe einer Data Mining-Anwendung erstellt, die jedem Kunden Punkte zuweist und die Wahrscheinlichkeit angibt, mit der sich der Kunde in Zukunft gleich verhält. Das Modell kann beispielsweise einem Vermarkter helfen, die Wahrscheinlichkeit zu bestimmen, dass ein verheirateter männlicher Kunde im Alter zwischen 31 und 42 Jahren mit Kindern innerhalb der nächsten sechs Monate eine bestimmte Rasenmähermarke kauft.
Die Spezifität ist beim CRM-Data-Mining mithilfe von Vorhersagemodellen sehr wichtig. Es gibt verschiedene Arten von Methoden, die für diesen Zweck verwendet werden. Ein univariates Modell vergleicht eine einzelne Variable mit mehreren anderen Variablen, um die Beziehung mit der höchsten Korrelation zu bestimmen. Chi-Squared-Modelle für die automatische Interaktionserkennungsanalyse (CHAID) und Klassifizierungs- und Regressionsbäume (CART) zeigen Entscheidungsbäume an, in denen eine Variable die Instanz einer oder mehrerer Variablen verursacht. Ein multivariates Regressionsmodell testet mehrere Variablen gegeneinander, um mögliche Korrelationen zu bewerten.