dc.description.abstract
Ziel dieser Diplomarbeit ist es, vorhandene Ansätze zu Kundenbeziehungsmanagement-Techniken und ihre Unterstützung mit Fuzzy-Logik-basierten Techniken zu analysieren. Um zu demonstrieren, wie dieser Ansatz in der Praxis funktionieren kann, wurde ein kleiner Prototyp implementiert.<br />Eine primäre Herausforderung der sich Firmen stellen müssen, ist heute, wie sie ihre Kundendatenbanken zu einem Wettbewerbsvorteil machen, indem sie Massen vorhandener Daten in nützliche Information umwandeln. Als eine der führenden Geschäftsstrategien der heutigen Firmen strebt Kundenbeziehungsmanagement (CRM) an, auf rentable Kunden zu zielen, um die Firmenerträge zu erhöhen. Technologisch gesehen, orientiert sich CRM hauptsächlich an verschiedenen Analysetechniken zur Identifizierung rentabler Kunden durch die Verwendung ihrer historischen Daten. Die schnelle Entwicklung von Data Mining-Methoden und -Techniken ermöglicht unter Verwendung großer Mengen von Kundendaten, das Wissen aus den Daten zu extrahieren. Das aus diesen Daten extrahierte Wissen kann zur Unterstützung des Marketing-Entscheidungsprozesses verwendet werden. Daher haben viele Firmen bereits Data Mining als ein wichtiges Verfahren erkannt, das eine Auswirkung auf ihre Leistung hat. Data Mining kann als der Prozess der nicht trivialen Extraktion von impliziten, vorher unbekannter und potentiell nützlicher Information, wie Wissensrichtlinien, -begrenzungen und -regelmäßigkeiten aus in Repositories gespeicherten Kundendaten unter Verwendung von Mustererkennungstechnologien sowie von statistischen und mathematischen Techniken angesehen werden.<br />Segmentierung ist eine der Hauptfunktionen von Data Mining. Das ist der Grund, warum sich die Diplomarbeit auf die Clusteranalyse konzentriert, welche vermutlich die am meisten angewandte Methodologie für Kundenanalyse in CRM ist. Sie wird verwendet, um verschiedene Typen von Kunden in verschiedenen Segmenten zu identifizieren. Dementsprechend versuchen Firmen, ihre Kunden zu segmentieren, indem sie Gruppen von Kunden mit unterschiedlichen Strukturen und Eigenschaften identifizieren, die so homogen wie möglich innerhalb jeder Gruppe und erheblich heterogen zwischen Gruppen sind. Diese Gruppen können dann mit einer besonders entworfenen Marketingstrategie angesprochen werden. Es ist essentiell, präzise Marketingstrategien für die Kunden zu entwickeln, die auf ihren verschiedenen Eigenschaften basieren.<br />Infolgedessen ist das Ziel dieser Arbeit, die Fuzzy-Theorie als eine methodologische Annäherung für Data Mining im Kundenbeziehungsmanagement zu untersuchen. Der Hauptvorteil der Fuzzy-Theorie ist, dass die Ungewissheit, die aus der Komplexität der Daten resultiert, mit ihr effizienter als mit traditionellen Data Mining-Techniken behandelt werden kann. Weiterhin untersucht die Arbeit, ob das Fuzzy-Clustering zur Kundensegmentierung für analytisches Kundenbeziehungsmanagement effektiv angewendet werden kann. Das Fuzzy-Clustering basiert auf "Fuzzy Set Theory", die zuerst 1965 von Lotfi A. Zadeh vorgestellt wurde. Es kann als eine Verallgemeinerung der klassischen Mengenlehre und als eine Verallgemeinerung der Dual-Logik angesehen werden. Die Kernfrage des Clustering ist, die Muster oder Strukturen, die innerhalb der Gruppen von Daten enthalten sind, zu finden. Diese Strukturen sind normalerweise Klassen, denen Objekte eines Datensatzes zugewiesen werden. Klassische Segmentierungstechniken weisen jedes Datenobjekt genau einer Klasse zu, während in Fuzzy-Segmentierung den Datenobjekten verschiedene Grade der Zugehörigkeit zu verschiedenen Klassen zugewiesen werden können. Diese graduelle Zugehörigkeit eines Objektes zu den verschiedenen Klassen macht es möglich, verständliche und sinnvolle Resultate in der Clusteranalyse zu erzielen. Außerdem liefert Fuzzy-Clustering im Vergleich zu herkömmlichen Clustering-Techniken in zahlreichen Fällen viele nützliche Vorteile, und trägt kritisch zur Datenanalyse und zur Klassifikation bei.<br />Diese Diplomarbeit wurde in zwei Hauptteile, in einen theoretischen und praktischen Teil untergeteilt. Der erste Teil gibt einen Einblick in die Aspekte von CRM, Wissensmanagement, Data Mining und besonders Fuzzy-Logik, und stellt die Basis des praktischen Teils her. Der zweite Teil, welcher den eigenen Hauptbeitrag des Autors zur Diplomarbeit enthält, beinhaltet die Implementierung und die Demonstration eines Prototyps, der den Fuzzy-C-Means-Algorithmus implementiert, welcher für die Kundensegmentierung in der Fallstudie gewählt wurde. Das Fuzzy-Clustering und sein Nutzen für die Kundenanalyse wurden in einer Anwendung anhand einer Fallstudie für ein fiktives Retail-Unternehmen gezeigt. Die fallspezifische Interpretation der identifizierten Kundensegmente als das Ergebnis der Fuzzy-Analyse wurde auch in diesem Teil der Arbeit dargestellt. Die Diplomarbeit endet mit Kapitel 8, das einige Schlussfolgerungen über das Fuzzy-Clustering und seine Bedeutung für das Kundenbeziehungsmanagement enthält.<br />
de