Kundenzufriedenheit ist ein wichtiger Erfolgsfaktor für Unternehmen. CRM-Systeme sammeln bereits viele Daten und damit Wissen über Kundenbeziehungen. Allerdings kümmert es Kunden nicht wie viel man weiß, sondern um das Wissen, dass man sich um sie kümmert. Alexander erforscht in seiner Master-Thesis welche Einflussfaktoren – bezogen auf Kundenzufriedenheit – im CRM-System existieren, bzw. wie Machine Learning Verfahren dazu beitragen können die Kundenzufriedenheit zu steigern.
Loyalität ist ein besserer Messwert für den Wert eines Unternehmens als Profit. Daher ist ein Ziel von Unternehmen Kunden lange zu binden. Forschungen haben ergeben, dass Kundentreue und Kundenzufriedenheit signifikant korrelieren. Zur Bestimmung können Datenanalysen auf bestehenden Unternehmensdaten (z.B.in CRM-Systemen) angewandt werden. Es gibt eine Vielzahl an Arbeiten, die sich mit dem Thema Data Mining im Bereich Customer-Relationship-Management beschäftigen. Dabei liegt der Fokus vieler wissenschaftlicher Arbeiten auf der Vorhersage der Kundenabwanderung, oder auch Churn Rate, als auch der Kundensegmentierung. In der Master-Thesis soll der monetäre Fokus auf die Kundenzufriedenheit verlegt und ein Versuch aus Marktsegmenten Handlungsempfehlungen zu gewinnen durchgeführt werden.
Zielsetzung
Die Ziele der Arbeit sind zweiteilig. Erstens die Erstellung eines Klassifikators zur Bestimmung der Kundenzufriedenheit und daraus abgeleitet der wichtigsten zugrundeliegenden Faktoren. Zweitens die Wahl und Durchführung einer geeigneten Clusteranalysemethode. Mithilfe der Clusteranalyse soll eine Überprüfung der Umsetzbarkeit der Erzeugung von Handlungsempfehlungen stattfinden.
Daten
Die Daten entstammen dem CRM-System der CAS Software AG. Sie enthalten eine Vielzahl verschiedener Unternehmen und Geschäftsfelder. Zugriff erfolgt per Python Datencrawler über einen Applikationsserver, der die dahinterliegende SQL-Datenbank abfragt und die Ergebnisse in eine MariaDB-Datenbank überträgt. Strukturell sind die Daten in verschiedenen Tabellen gespeichert und untereinander stark verknüpft.
Methoden und Vorgehensweise
Es werden sowohl ein Klassifikator als auch eine Clusteranalyse erstellt. Die Durchführung der Data Mining Projekte orientiert sich am CRISP-DM-Vorgehen. Zur Evaluation werden interne und externe Gütemaße verwendet und Interviews mit einer erlesenen Anzahl an Fachexperten durchgeführt.
Wissenschaftlicher Beitrag
Fokus des wissenschaftlichen Beitrags der Masterarbeit sind die beiden Forschungsfragen und deren Beantwortung. Wie wirken sich einzelne Faktoren (Kontaktpunkte, Support-Prozesse, Dauer der Geschäftsbeziehung) auf die Kundenzufriedenheit aus und wie lassen sich diese messen?
Die Frage legt den Fokus primär auf die Kundenzufriedenheit, welche in ähnlichen Arbeiten nur als Teilfaktor betrachtet wurde. Die erhaltenen Faktoren könnten in zukünftigen Arbeiten genauer betrachtet werden und auch im CRM-System anders dargestellt werden. Der Gesamtprozess zur Beantwortung kann als beispielhafter Vorgang für die Klassifikation von CRM Daten dienen und mögliche Lücken offenbaren. Wie lassen sich die Daten aufbereiten und für Experten lesbar darlegen?
Die Arbeit erforscht eine Möglichkeit des Clustering nach Kundenzufriedenheit um Handlungsempfehlungen für Kundengruppen ableiten zu können. Währenddessen wird ein Kundenzufriedenheits-Modell erstellt, welches als Erweiterung und Anpassung existierender Modelle betrachtet werden kann.