Titelaufnahme

Titel
Fuzzy-Logik für Data Mining im CRM / von Cenk Kurter
VerfasserKurter, Cenk
Begutachter / BegutachterinQuirchmayr, Gerald
Erschienen2008
Umfang309 S. : 2 CD-ROM ; graph. Darst.
HochschulschriftWien, Techn. Univ. u. Univ., Dipl.-Arb., 2008
Anmerkung
Zsfassung in engl. Sprache
SpracheDeutsch
DokumenttypDiplomarbeit
Schlagwörter (DE)Fuzzy-Logik/Unschärfe Logik/Data Mining/Kundenbeziehungsmanagement/Klassifikation/Kundensegmentierung/Clusteranalyse/Kundenanalyse/Marketing/Datenanalyse
Schlagwörter (EN)fuzzy/fuzzy logic/clustering/fuzzy clustering/data mining/customer relationship management/classification/customer segmentation/CRM/customer analysis
URNurn:nbn:at:at-ubtuw:1-27132 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Fuzzy-Logik für Data Mining im CRM [3.35 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

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.

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.

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.

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.

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.

Zusammenfassung (Englisch)

The goal of this thesis is to analyze existing approaches to customer relationship management techniques and their support with Fuzzy Logic based techniques. To demonstrate how this approach can work in practice, a small prototype was implemented.

Today, a primary challenge of companies is how to turn their customer databases into a competitive business advantage by converting masses of existing data into useful information. How this challenge is met is critical, because companies are increasingly relying on an effective analysis of customer data to remain competitive. As the leading competitive business strategy of today's companies, Customer Relationship Management (CRM) aims at targeting profitable customers to increase the revenue to the company. Technologically, it primarily depends on various analytics to identify profitable customers using their historic data. The rapid development of data mining methods and techniques enables using large amounts of customer data to extract the knowledge. The extracted knowledge from data could be used for supporting the marketing decision process. Therefore, many companies have already recognized data mining as an important procedure that will have an impact on their performance. Data mining could be defined as the process of nontrivial extraction of implicit, previously unknown and potentially useful information such as knowledge rules, constraints, and regularities from customer data stored in repositories using pattern recognition technologies as well as statistical and mathematical techniques. Clustering is one of the major data mining functions. That is why master thesis focuses on cluster analysis, which is probably the most applied methodology for customer analysis in CRM. It is used to identify various types of customers in different segments. Accordingly, companies try to segment their customers by identifying groups of customers with different structures and properties that are as homogeneous as possible within each group and significantly heterogeneous between groups. These groups can then be addressed with a specially designed marketing strategy. It is essential to build refined marketing strategies for customers based on their different characteristics.

Consequently, the aim of this thesis is to examine fuzzy theory as a methodological approach for data mining in Customer Relationship Management. The main advantage of fuzzy theory is that uncertainty resulting from the complexity of the data could be more efficiently handled than with traditional data mining techniques. Further on, the thesis investigates whether fuzzy clustering could be effectively applied to customer segmentation for analytical Customer Relationship Management (aCRM). Fuzzy clustering is based on "Fuzzy Set Theory", which was first introduced in 1965 by Lotfi A. Zadeh. It may be regarded as both, a generalization of classical set theory and a generalization of dual logic. The main issue of clustering is to find patterns or structures contained within groups of data. These structures are usually classes to which objects from the data set are assigned. Classical clustering techniques assign each data object to exactly one class, whereas in fuzzy clustering the data objects could be assigned different degrees of membership to the different classes. This gradual membership of an object to different classes makes it possible to achieve comprehensible and meaningful results in cluster analysis. Furthermore, it provides many useful advantages compared to conventional clustering techniques in numerous instances, and contributes critically to the data analysis and classification. The master thesis is structured into two main parts, a theoretical and a practical one. The first part gives an insight into the aspects of CRM, Knowledge Management, Data Mining and especially Fuzzy Logic, and establishes the basis of the practical part. The second part, which contains the author's own major contribution to the diploma thesis, contains the implementation and demonstration of a program, which implements the Fuzzy C-means Algorithm chosen for the customer segmentation in the case study. Fuzzy clustering and its benefits for the customer analysis are shown in an application using a case study on a retail company. The case-specific interpretation of identified customer segments as the result of fuzzy analysis is also given there.

The thesis ends with chapter eight making some conclusions about fuzzy clustering and its significance for customer relationship management.