Möglichkeiten mit Analytischem CRM

Dieser gegenüber der Basisversion des operativen CRM erweiterte Ansatz verknüpft verschiedene Datenerfassungs- und Datenauswertungselemente des modernen Informationsmanagement. Dafür sprechen zahlreiche Argumente:

• Daten- und Kommunikationstechnologien bilden aufgrund ihres Querschnittcharakters ein wesentliches integratives Element in Unternehmen (Intranet) selbst und zwischen diesen und deren Markt- und Umfeldpartnern (Internet).
• Die mit diesen Technologien erzeugten, gespeicherten und weitergegebenen Daten gewinnen als Wettbewerbsfaktor im betriebswirtschaftlichen Kontext zunehmend an Bedeutung. Das heisst, dass das Unternehmen, welches etwa im Rahmen des Beziehungsmanagement die intelligenteste Datenbeschaffungsstrategie entwickelt, komparative Vorteile gegenüber Mitbewerbern gewinnt.
• Die Veredelung von Daten zu entscheidungsrelevanten Informationen, die ihrerseits wiederum - z.B. im Rahmen des Organisational Learning - zu Management Know-how weiterentwickelt werden müssen, wird damit zu einem zentralen, sich selbst verstärkenden Schlüsselprozess im Unternehmen.

Erfahrungen in der betrieblichen Praxis zeigen, dass die Analyseinstrumente (z.B. Kundenportfolio), Marktforschungsmethoden bzw. Informationsmanagementkonzepte entweder nicht ausreichend aufeinander abgestimmt oder an den Anforderungen des CRM ausgerichtet sind.

Data Warehouse

Im analytischen CRM werden alle relevanten Daten in einem Date Warehouse systematisch erfasst und schliesslich durch Online Analytical Processing (OLAP) und Data Mining zur Unterstützung und Optimierung der CRM-Prozesse abgefragt und analysiert. Die Daten stammen direkt aus den Kundenprozessen oder aus einer Anbindung über Schnittstellen an bestehende Back-Office-Lösungen, wie z.B. einem Enterprise Ressource Planung System. Durch eine Closed Lob Architecture (ein geschlossenes System innerhalb eines Unternehmens) entsteht ein lernendes CRM-System, in dem die CRM-Prozesse durch Einbeziehung aktueller Daten immer wieder an neue Gegebenheiten angepasst werden.

Als Data Warehouse wird eine geordnete, funktions- und unternehmensübergreifende, an Geschäftsobjekten orientierte Datensammlung über einen Zeithorizont von mehreren Jahren verstanden. Diese Datensammlung bildet die Grundlage für Anwendungssysteme zur Informationsgewinnung und Entscheidungsvorbereitung. Hinzuweisen ist hier etwa auf Möglichkeiten zur Integration von unternehmensinternen und externen Daten, die eine sehr viel differenziertere Verarbeitung von Informationen über Unternehmenspotentiale, Kundenverhaltensmuster oder Marktbedingungen ermöglichen. Voraussetzung hierfür ist allerdings, dass sowohl Data Warehouse-Konzepte als auch Data Mining-Tools nicht zum Selbstzweck avancieren, sondern streng in eine fundierte inhaltliche Auseinandersetzung und mithin in eine intelligente Problemlösungsorientierung integriert bleiben. Dabei gilt es, insbesondere den Kunden im Rahmen der Überlegungen mit einzubeziehen, sei es als Quelle, insbesondere aber auch als Nutzer der unternehmensspezifische Informationen. Die Idee des Data Warehouse-Konzepts ist aus der Notwendigkeit heraus entstanden, die zumeist - aufgrund der inflexiblen, hierarchischen Struktur gewachsener Datenbanksysteme - zu extrahieren und in ein entscheidungsorientiertes Datenmodell zu überführen.

Das Data Warehouse basiert auf einer Datenbanktechnologie, welche die Normalisierung der Daten und damit deren aufgabenorientierte Selektion, Aggregation bzw. Verknüpfung ermöglicht. Bisherige Informationssysteme im Marketing, Vertrieb und Service weisen, insbesondere aufgrund der veralteten Datenbanktechnologie bzw. der Grenzen etwa abteilungsspezfisch verteilter Datenbasen, erhebliche Defizite im Bereich der informationstechnologischen Schnittstellen auf. Dass ein Data Warehouse hingegen in der Lage ist, die informationstechnologische Basis für ein intelligentes CRM zu liefern, gilt heute in Fachkreisen als anerkannt:

• Neben informationstechnologischen Schnittstellen lassen sich im Rahmen eines Data Warehouse-Ansatzes zudem inhaltliche Schnittstellen zur Integration unternehmensinterner und -externer Daten schaffen. Mit Hilfe entscheidungsorientierter Indikatoren einerseits sowie neue Methoden andererseits ist es möglich, die Informationseffizienz und -effektivität im Rahmen des Customer Relationship Management deutlich zu steigern.
• Das entscheidungsorientierte Data Warehouse umfasst Daten, Informationen und Wissen über Zielkunden nicht nur in zeitpunktspezifischer, sondern hält diese auch in zeitraumbezogener Form bereit (z.B. Kundenhistorie, Kundenpotential-Projektion).
• Die Qualität der Daten, Informationen und des Wissens ist durch vertiefende Aktivitäten bzw. Studien auf den Prüfstand zu stellen und zu validieren (z.B. Re-Qualifizierung der Informationen, Data Clearing).
• Darüber hinaus lässt sich im Rahmen der vertiefenden Studien feststellen, inwieweit neue Beobachtungsfelder (z.B. Frühindikatoren) künftig in das entscheidungsorientierte Data Warehouse zu übernehmen sind.

Zur Auswertung der Daten im Data Warehouse wurde das Online Analytical Processing entwickelt. Dabei werden betriebswirtschaftliche Größen, wie z.B. Umsätze, Kosten und Marktanteile in einem multidimensionalen Datenwürfel dargestellt, welcher als Dimensionen verschiedene Gliederungskriterien wie Kundengruppen, Verkaufsgebiete, Vertriebskanäle oder Sparten aufweist. Die Maßzahlen im Würfel können nun wahlweise je nach Fragestellung aufgebrochen (Drill Down) oder auch zu einem Wert aggregiert werden (Roll Up). Des weiteren besteht die Möglichkeit einzelne Scheiben des Würfels, d.h. eine Übersicht über die Maßzahlen einer bestimmten Kombination der Gliederungskriterien, zu betrachten.

(Vergleiche “CRM-Entscheidungen richtig treffen” von Rainer Schnauffer und Hans-Hermann Jung, Seite 21ff)