BI und Customer Relationship Management

Aus Winfwiki

Fallstudienarbeit
Hochschule:	Hochschule für Oekonomie & Management
Standort:	Düsseldorf
Studiengang:	Bachelor Wirtschaftsinformatik
Veranstaltung:	Fallstudie / Wissenschaftliches Arbeiten
Betreuer:	Prof._Dr._Uwe_Kern
Typ:	Fallstudienarbeit
Themengebiet:	Business Intelligence
Autor(en):	Thomas Kneffel, Martin Senger, Michael Jungschläger, Daniel Schüllner
Studienzeitmodell:	Tagesstudium
Semesterbezeichnung:	WS11
Studiensemester:	2
Bearbeitungsstatus:	vergeben
Prüfungstermin:
Abgabetermin:

Name der Autoren:	Thomas Kneffel, Martin Senger, Michael Jungschläger, Daniel Schüllner
Titel der Arbeit:	"BI und Customer Relationship Management"
Hochschule und Studienort:	FOM Düsseldorf

Inhaltsverzeichnis 1 Einleitung 1.1 Problemstellung 1.2 Zielsetzung 1.3 Vorgehensweise 2 Grundlagen 2.1 Business Intelligence 2.1.1 Definition 2.1.2 Aufgaben & Ziele 2.1.3 Data Warehouse 2.1.4 Reporting 2.2 Customer Relationship Management 2.2.1 Definition 2.2.2 Aufgaben & Ziele 2.2.3 CRM - Komponenten 2.2.4 Einsatzbereiche des CRM 2.2.4.1 Operatives CRM 2.2.4.2 Kommunikatives CRM 2.2.4.3 Analytisches CRM (aCRM) 3 CRM und BI 3.1 Grundlagen 3.1.1 Strategische Ziele 3.1.2 Zielgruppendefinition 3.1.3 Datenerhebung 3.1.4 Datenqualität 3.1.5 ETL-Prozess 3.2 Analytisches CRM 3.2.1 Einsatzgebiete 3.2.2 Datenkreislauf 3.3 Analyseinstrumente 3.3.1 OLAP 3.3.2 Data-Mining 3.4 Anwendungsfelder 3.4.1 Marktpotenzialanalysen 3.4.1.1 Datenquellen 3.4.1.2 Auswertungen 3.4.1.3 Bewertung 3.4.1.3.1 Chancen 3.4.1.3.2 Risiken 3.4.1.4 Praxisbeispiele 3.4.2 Kundensegmentierung 3.4.2.1 Datenquellen 3.4.2.2 Auswertungen 3.4.2.3 Bewertung 3.4.2.3.1 Chancen 3.4.2.3.2 Risiken 3.4.2.4 Praxisbeispiele 3.4.3 Vertriebskanalnutzung 3.4.3.1 Auswertungen 3.4.3.2 Bewertung 3.4.3.2.1 Chancen 3.4.3.2.2 Risiken 3.4.3.3 Praxisbeispiele 3.5 Kampagnenmanagement 4 Fazit 5 Ausblick 5.1 Marktentwicklung 5.2 Technologietrend 6 Fußnoten 7 Literatur- und Quellenverzeichnis 8 Abkürzungsverzeichnis 9 Abbildungsverzeichnis 10 Tabellenverzeichnis

1 Einleitung

1.1 Problemstellung

In der heutigen Informationsgesellschaft stehen dem Kunden unterschiedliche Wege zur Kontaktaufnahme mit einem Unternehmen offen. Dieser Kommunikationsaustausch erstreckt sich über die Kundenakquise und dauert bis zur Kundenrückgewinnung an. Damit ein Unternehmen die dabei entstehenden komplexen und vielfältigen Kundenbeziehungen managen kann, werden Customer Relationship Management Systeme eingesetzt. Im klassischen Sinne lassen sich im CRM alle operativen Aufgaben des Kontaktmanagement abbilden. Um die Kundenbeziehung optimal gestalten zu können, sollten die Kundendaten analysiert werden. Für die Analyse kommen BI-Systeme zum Einsatz, die im Bereich von analytischem CRM zum Einsatz kommen.

1.2 Zielsetzung

Zielsetzung dieser Fallstudie zum Thema BI und Customer Relationship Management soll das Zusammenspiel der beiden Technologien aufzeigen, das auch als analytisches CRM beschrieben wird. Des Weiteren soll ein Überblick über den aktuellen Stand von Anwendungsgebieten und ein Ausblick auf zukünftige Entwicklungen gegeben werden.

1.3 Vorgehensweise

Die Fallstudie betrachtet Business Intelligence und Customer Relationship Management in ihren Grundzügen, um ein Verständnis für diese "Technologien" zu bekommen. Bevor das Zusammenspiel genauer betrachtet werden kann, müssen im Vorfeld des analytischen CRM, strategische Ziele, Zielgruppendefinitionen, Datenerhebung, sowie die Datenqualität genauer betrachtet werden. Der ETL-Prozess ist im Rahmen des analytischem CRM besonders zu betrachten. Als wichtigster Bestandteil dieser Fallstudie steht das analytische CRM im Vordergrund. Darin werden grundlegende Sachen, wie die Einsatzgebiete, den Datenkreislauf oder aber Analyseinstrumente, geklärt. Aus den gewonnen Informationen können die Anwendungsfelder im Umfeld vom analytischem CRM näher betrachtet werden. Da es eine Vielzahl von Anwendungsfelder gibt, betrachtet die Fallstudie die Marktpotenzialanalyse, die Kundensegmentierung und die Vertriebskanalnutzung. Das Kampagnenmanagement stellt einen kurzen Einblick über die Möglichkeiten des Closed Loop Prozesses im analytischen CRM dar. Als abschließende Punkte wird ein Fazit gezogen und mögliche Marktentwicklungen, sowie Technologietrends in Ausblick gestellt.

2 Grundlagen

2.1 Business Intelligence

Im Folgenden wird der Begriff Business Intelligence (BI) in seiner Definition und seinen Aufgaben, sowie den zu verfolgenden Zielen näher erläutert. Hierbei wird zudem der Begriff Data Warehouse eingeführt. Data Warehouse und BI lassen sich nur schwer bis gar nicht voneinander trennen, da in der Praxis im Regelfall ein Data Warehouse als Datengrundlage verwendet wird. Auf Basis dieser Daten werden entsprechende Berichte als Entscheidungsgrundlage oder zur Steuerung von Geschäftsprozessen angefertigt.

2.1.1 Definition

Obwohl für Business Intelligence keine allgemeine anerkannte Definition existiert, besteht in der Fachliteratur Einigkeit darüber, dass es sich um einen analytischen Prozess handelt, der sich auf vorher aufbereiteten operativen Daten und der darauf basierenden Entscheidungsgrundlage stützt.^[1] Eine entsprechende Definition des Gabler Wirtschaftslexikon lautet:
„Sammelbegriff für den IT-gestützten Zugriff auf Informationen, sowie die IT-gestützte Analyse und Aufbereitung dieser Informationen. Ziel dieses Prozesses ist es, aus dem im Unternehmen vorhandenen Wissen, neues Wissen zu generieren. Bei diesem neu gewonnen Wissen soll es sich um relevantes, handlungsorientiertes Wissen handeln, welches Managemententscheidungen zur Steuerung des Unternehmens unterstützt“.^[2]

2.1.2 Aufgaben & Ziele

Durch steigende Komplexität der ständig wachsenden Informationsflut, wird es den Unternehmen erschwert die vorhandenen Daten effektiv verwenden zu können. Business Intelligence ist als Technologie einzuordnen, um die bestehenden Informationen dem Anwender komfortabel zur Verfügung zu stellen. Mit den entsprechenden Werkzeugangeboten soll aus den vorhandenen Daten Wissen zur Entscheidungsgrundlage gewonnen werden.^[3] Hieraus lässt sich die Motivation der Unternehmen zur Einführung von Business Intelligence ableiten, da bei aktueller Marktlage ein Verdrängungswettbewerb in nahezu jedem größeren etablierten Marktsegment vorherrscht. Aus diesem Grund ist es unabdingbar schnell auf wechselnde oder neue Marktverhältnisse reagieren zu können.

Um diese Voraussetzungen zu schaffen, müssen im Vorfeld die erforderlichen Informationen und die benötigte Datenbasis beschafft werden. Die zentrale Aufgabe von Business Intelligence Lösungen liegt demzufolge darin die in operativen Systemen vorhandenen Informationen zu konsolidieren und für Analysezwecke bereitzustellen. Oftmals sind die Daten im Quellsystem, wie beispielsweise einem klassischen Bestands- oder ERP-System, in einem schlechten Zustand, sodass diese zunächst aufbereitet und in einem neuen Datenmodell abgelegt werden müssen. Diese neue Datenbasis, die eine transparente Sicht auf die Unternehmensdaten abbildet, wird als Data Warehouse bezeichnet. Auf dieser einheitlichen Datenbasis können die einzelnen Fachabteilungen Berichte entwickeln, um unternehmensbedrohende Kennzahlenindikatoren offen zu legen oder neue Strategien festzulegen. Der allgemeine Zugriff auf die Daten erfolgt meist über komfortable BI Portale, die dem Anwender unter anderem über Single-Sign-On Anmeldungen und personalisierten Benutzeroberflächen ein angenehmes Arbeiten ermöglichen.^[4] Die erklärten Ziele durch den Einsatz von Business Intelligence Technologien sind somit ^[5]

• Verbesserungen an den Prozessabläufen
• Etablierung von Frühwarnsystemen
• Verbesserung der Unternehmenssteuerung
• Schnelle und flexible Reaktionen auf Marktveränderungen
• Erkennen und Fördern von neuen bzw. bestehenden Unternehmensfeldern

Ein weiterer Vorteil ist das Erkennen von neuen, bislang noch nicht betrachteten Zusammenhängen zwischen den vorhandenen Datenbeständen und den daraus neu generierten Informationen. Dieses Modell wird im Business Intelligence Umfeld als Data-Mining bezeichnet.^[6] Um diese Ziele zur Erreichen gibt es eine breit aufgestellte Palette von Business Intelligence und Data Warehouse Produkten. Der Markt ist von etablierten Softwareherstellern umkämpft. Es werden verschiedenste Softwareprodukte von SAP, IBM, Microsoft oder Oracle angeboten.

2.1.3 Data Warehouse

In der Literatur wird ein Data Warehouse als umfassendes Konzept zur Entscheidungsunterstützung von Anwendern durch alle Unternehmensebenen hinweg bezeichnet. Die Bereitstellung der gewünschten Informationen kann unter anderem zu einer besseren Kundenbetreuung, oder einer langanhaltenden Kundenbindung genutzt werden. Die erforderlichen Daten sind bereits in verschiedenen Systemen im Unternehmen verfügbar. Die Aufgabe besteht darin diese Informationen zusammenzutragen und transparent darzustellen. Diese können zusätzlich durch weitere externe Quellen angereichert werden.^[7]
Die elementaren Ziele an denen ein Data Warehouse gemessen wird lassen sich somit wie folgt zusammen fassen:

• Informationen im Data Warehouse müssen dem Fachanwender einfach zugänglich gemacht werden
• Daten müssen konsistent vorliegen
• Daten in einem Data Warehouse müssen permanent und unveränderlich sein
• Daten müssen vor unbefugtem Zugriff geschützt sein
• Data Warehouse muss die Grundlage einer Entscheidungsfindung sein
• Akzeptanz der Anwender an das Data Warehouse muss gewährleistet sein

Das Grundkonzept besteht darin, dass jeder Anwender im Unternehmen in der Lage ist, auf die erforderlichen Informationen zuzugreifen und nicht über spezielle IT-Kenntnisse verfügen muss. Da die bereitgestellten Daten in einem Data Warehouse aus einer Vielzahl von Datenquellen mit unterschiedlicher Qualität und Granularität zusammengefügt werden, ist es von großer Bedeutung, dass das erstellte Ergebnis auf einen konsistenten Datenbestand zurückzuführen ist. Diese Qualitätssicherung muss im Data Warehouse erfolgen. Der Zugriff auf die Daten eines Data Warehouse erfolgt ausschließlich lesend. Einmal geladene Kennzahlinformationen werden nicht mehr verändert und bilden somit eine unveränderliche Sicht auf die Daten. Da in einem Data Warehouse auch sensible Daten, wie beispielsweise Kundeninformationen einzusehen sind, muss gewährleistet sein, dass diese vor unbefugtem Zugriff geschützt sind. Ein entsprechendes Rechtekonzept ist somit unabdingbar. Damit das Data Warehouse als Entscheidungsgrundlage dienen kann, müssen die Informationen für den jeweiligen Anwendungsfall entsprechend aufbereitet zur Verfügung gestellt werden. Auch wenn die Datenbasis Unternehmensweit identisch ist, hat jede Fachabteilung einen speziellen Auswertebedarf. Nur wenn dieser auch gewährleistet ist, ist die Akzeptanz des Data Warehouse durchsetzbar.^[8]
Durch die beschriebenen Anforderungen an ein Data Warehouse wird dieses in der Regel der analytischen dispositiven Kategorie zugeordnet. Wo hingegen die typischen Quellen eines Data Warehouse, wie klassische Bestands- und ERP-Systeme, den transaktionalen Systemen zugeordnet werden. Um eine Abgrenzung der beiden Systeme zu verdeutlichen werden diese in drei Bereiche klassifiziert und gegenübergestellt. Zunächst werden die Anfragecharakteristika von transaktionalen und analytischen Anwendungen gegenüber gestellt.

Anfragen	transaktional	analytisch
Fokus	Lesen, Schreiben, Modifizieren, Löschen	Lesen, periodisches Hinzufügen
Transaktionsdauer und -typ	kurze Lese-/Schreibtransaktionen	lange Lesetransaktionen
Anfragestruktur	einfach strukturiert	komplex
Datenvolumen einer Anfrage	wenige Datensätze	viele Datensätze
Datenmodell	anfrageflexibles Datenmodell	analysebezogenes Datenmodell

Tabelle 1: Gegenüberstellung von Anfragecharakteristika von transaktionalen und analytischen Anwendungen^[9]
Anschließend die Datencharaktaristika von transaktionalen und analytischen Anwendungen.

Daten	transaktional	analytisch
Datenquellen	meist eine	mehrere
Eigenschaften	nicht abgeleitet, zeitaktuell, autonom, dynamisch	abgeleitet, konsolidiert, historisiert, integriert, stabil
Datenvolumen	Megabyte - Gigabyte	Gigabyte - Terabyte
Zugriffe	Einzeltupelzugriff	Bereichsanfragen

Tabelle 2: Gegenüberstellung von Datencharakteristika von transaktionalen und analytischen Anwendungen^[10]
Und zuletzt die Anwendercharakteristika von transaktionalen und analytischen Anwendungen.

Anwender	transaktional	analytisch
Anwendertyp	Ein-/Ausgabe durch Sachbearbeiter	Auswertungen durch Manager, Controller, Analysten
Anwenderzahl	sehr viele	wenige (bis einige Hundert)
Antwortzeit	ms - s	s - min

Tabelle 3: Gegenüberstellung von Anwendercharakteristika von transaktionalen und analytischen Anwendungen^[10]
Die Unterschiede die durch die Gegenüberstellungen in den drei vorherigen Tabellen offen gelegt wurden, verdeutlichen den Bedarf eines Data Warehouse um analytische Abfragen durchführen zu können. Ein weiterer Vorteil durch die Bereitstellung der Daten in einem analytischen System ist, dass das operative System nicht durch zusätzliche Anwenderabfragen belastet wird.

Um die Komponenten eines Data Warehouse besser beschreiben zu können, dient die nebenstehende Grafik "DWH_Referenzarchitektur" als Referenzmodell. Es ist wichtig zu beachten, dass es sich hierbei um ein Modell handelt, dass einen Mangel an Anschaulichkeit überwinden soll. Da keine eindeutige und allgemein gültige Referenzarchitektur existiert, dient das Modell zur Beschreibung der nachfolgenden Komponenten eines Data Warehouse.
Obwohl die Datenquellen nicht direkt zum Data Warehouse gehören, sind sie aus datenflussorientierter Betrachtung Bestandteil des Data Warehouse Systems. An die Datenquellen werden bestimmte Ansprüche, unter anderem in Form von geeigneter Beschaffenheit, Zuverlässigkeit, oder auch Datenqualität gestellt. Ohne diese Anforderung besitzen die Datenquellen keine Data Warehouse Reife und können nicht als Analysegrundlage dienen. Hierbei wird nicht nach interner oder externer Datenquelle unterschieden. Als interne Datenquellen werden die reinen Anwendungssysteme bezeichnet. Die Anwendungen können auf Großrechnern oder auf File- bzw. Datenbankservern betrieben werden. Es können die verschiedensten Technologien als Quellen verwendet werden. Beispielsweise können externe Quellen als XML oder Exceldokument an ein Data Warehouse angebunden werden. Selbst Web Services können verwendet werden, um Daten aus öffentlichen Datenbanken zu beziehen. Die Quelldaten gelangen über den ETL-Prozess ins Zielschema des Data Warehouse. Der ETL-Prozess setzt sich aus den Extraktions-, Transformations- und Ladekomponenten zusammen.
Das Data Warehouse beinhaltet nicht nur die aktuell gültigen Daten, sondern historisiert ältere Datenbestände. Auf diese Art und Weise sind ältere Zeitperioden mit den aktuellen Daten gemeinsam auswertbar. Durch die Kombination von historischen und aktuellen Daten können Trend- und Zukunftsprognosen erstellt werden. Je nach Architektur und Aufbau des Data Warehouse dient ein großes Datenmodell vielen verschiedenen Fachanwendern aus unterschiedlichsten Abteilungen für Analysezwecke. In der Praxis ist dieses Ziel zwar erstrebenswert, kann aber aufgrund des enormen Aufwands- und Kostenfaktor nur selten realisiert werden. Vielmehr wird versucht den einzelnen Anwendern eine anforderungsgerechte Analysebasis zur Verfügung zu stellen. Solch speziell für einen Anwendungsfall erstellte Datenbasis wird Data Mart genannt. Auf Basis diesen Data Mart können die gewünschten Berichte erstellt werden. In der Regel wird ein Data Mart jeweils für eine Abteilung im Unternehmen erstellt. Beispielsweise hat die Abteilung Vertriebscontrolling besondere Auswertebedürfnisse für die speziell aufbereitete Daten benötigt werden. Die Inhalte der Data Marts können jedoch durch den Fachanwender kombiniert werden, um übergreifende Analysen zu erstellen.^[11] Die Daten eines Data Warehouse werden in einer oder mehreren physikalischen Datenbanken gespeichert. Die Datenhaltung erfolgt in relationalen oder multidimensionalen Tabellenstrukturen. Da in dispositiven Systemen schnelle Reaktionszeiten von bis zu wenigen Minuten erwartet werden, steht die Performance im Vordergrund. Um möglichst wenige Datenbankzugriffe zur gewährleisten, ist es üblich, dass die Daten denormalisiert und in einigen Attributen redundant vorgehalten werden. Der erhöhte Speicherbedarf wird zugunsten der Performance in Kauf genommen. Ein Data Warehouse besteht auf Tabellenebene aus Fakten- und Dimensionstabellen. Die Faktentabelle enthält ausschließlich aggregierbaren Kennzahlen und Referenzen auf die zugehörigen Dimensionstabellen. Die beschreibenden Attribute des Data Mart bzw. des Data Warehouse werden in Dimensionstabellen vorgehalten. Ein in der Praxis oft angewandtes Architekturmodell ist das Star-Schema. In diesem Modell positionieren sich eine oder mehrere Faktentabellen in der Mitte und referenzieren über eindeutige Schlüssel auf die entsprechenden Dimensionen für die beschreibenden Attribute.

2.1.4 Reporting

Reporting bezeichnet das Bereitstellen von Berichten, welche auch Reports genannt werden. Sie dienen zur Entscheidungsgrundlage und Steuerung von Prozessabläufen. Ein Report ist eine Darstellung von analytischen Ergebnissen, welche für den Druck aufbereitet ist. Es werden logisch gruppierte Felder in Kombination mit aggregierbaren Kennzahlen abgebildet. Typische Elemente eines Reports sind unter anderem Gruppenwechsel, Sortierungen, Formatierungen durch einen Reportkopf und Reportfuß, sowie Seiteninformationen.^[12] Im Business Intelligence Umfeld werden die Berichte auf Basis eines Data Warehouse erstellt und gegebenenfalls durch weitere externe Quellen, wie Excel Dokumente ergänzt. Da die Daten in einem relationalen oder multidimensionalen Modell abgelegt werden, müssen für Auswertungen Kenntnisse über das Datenmodell oder Abfragesprache vorhanden sein. Damit Fachanwender ohne besondere IT Kenntnisse Zugriff auf die Daten erhalten, wird zwischen dem Endanwender und der Datenbank eine zusätzliche semantische Schicht eingeführt. In dieser semantischen Schicht werden Informationen über das Datenmodell, wie Verbindungen zwischen den Tabellen abgebildet. In dieser Schicht wird zusätzlich die Semantik des Fachbereichs den entsprechenden Datenbankattributen zugeordnet. Der Endanwender bemerkt das zugrundeliegende Datenmodell nicht. Aus dieser semantischen Schicht werden automatisiert Datenbankabfragen erstellt. Das Ergebnis wird dem Fachanwender als Datenbasis in der entsprechenden Semantik zur Verfügung gestellt. Auf dieser Basis können problemlos ohne tiefgreifende IT Kenntnisse Analysen ausgeführt werden.^[13]
Die zwei größten Reportingbereiche sind das Ad-Hoc- und das Standardreporting. Das Ad-Hoc Reporting wird eingesetzt, um Datenanalyse zu betreiben. Hierbei handelt es sich um manuell ausgeführte Abfragen der Endanwender. Hierbei wird in der Regel auf hochformatierte Berichte verzichtet, es steht vielmehr eine schnelle Antwortzeit des Systems im Vordergrund. Ad-Hoc Reporting wird unter anderem für detaillierte Analysen zu bestimmten Sachverhalten angewendet. Hingegen wird Standardreporting für meist hochformatierte Berichte eingesetzt, die in einem fest definierten Intervall immer auf die gleiche Art und Weise erstellt werden. Diese Berichte können über eine Plattform, dem sogenannten BI-Portal, zeitgesteuert verarbeitet werden. Nach der Aktualisierung im Data Warehouse werden die Berichte automatisiert erstellt und an den gewünschten Empfängerkreis versendet. Art und Aufbau des Berichts werden durch das verwendete Berichtstool vorgegeben.^[14] Als Sonderform des Reporting werden auch häufig Dashboards verwendet. Diese zeigen auf hoch aggregierter Ebene die wichtigsten Kennzahlen auf einem Blick. Mit Hilfe von Dashboards lassen sich auch „Was wäre wenn“ Analysen erstellen. Zum Beispiel: "Wie ändert sich mein Umsatz, wenn ich den Beitrag meiner Produkte um 15€ erhöhe?". Diese analysierten Daten stehen dem Management visuell komprimiert zur Verfügung. Auf deren Grundlage können wichtige Unternehmensentscheidungen getroffen werden.

2.2 Customer Relationship Management

Das Customer Relationship (CRM) hat sich in den letzten Jahren in der Unternehmenswelt fest etabliert. Gedanken und Ideen der Kundenbetreuung und des Marketings sind dabei in das Konzept des CRM eingeflossen.^[15] Aufgrund der großen, positiven Resonanz in der Praxis ist das CRM mit der kundenorientierten Ausrichtung der Vertriebs- und Marketingprozesse, sowie seinen flexiblen Schnittstellen insbesondere zu BI-Lösungen und zu Standardsoftware wie ERP-Systemen, nicht mehr aus dem Unternehmensumfeld wegzudenken.

2.2.1 Definition

Eine einheitliche Begriffsdefinition des CRM konnte sich in der Managementpraxis noch nicht durchsetzen. Das CRM-Forum des Deutschen Direktmarketing Verbandes (DDV) definierte das Customer Relationship Management als eine ganzheitliche, abteilungsübergreifende, kundenorientierte Unternehmensphilosophie. Auf der Grundlage eines definierten Verkaufsprozesses, einer Datenbank und Software zur Marktbearbeitung, stellt das CRM eine Integration und Optimierung kundenbezogener Prozesse in Vertrieb, Marketing und Kundendienst dar.^[16] Der Begriff CRM wird in der Fachliteratur oft auf die Technologie begrenzt, obwohl das Kundenbeziehungsmanagement schon vor der Erscheinung der Informationstechnologie thematisiert wurde. In "Tante-Emma-Läden" und kleinen Geschäften, wie Bäckereien konnten die Stammkunden persönlich und individuell betreut werden.^[17]

2.2.2 Aufgaben & Ziele

Unabhängig von ihrem Einsatzgebiet verfügen alle CRM-Systeme über zahlreiche Funktionalitäten, die sich in vier Hauptziele aufteilen lassen. Auf folgende Ziele soll ein CRM fokussieren bzw. sie vereinen:

• Individuelle Abstimmung innovativer Produkte und Dienstleistungen auf den Kunden

• Optimierung der Geschäftsprozesse im Kundenmanagement

• Verbesserung der Analyse von Kundendaten

• Integration neuer Instrumente für Marketing und Vertrieb^[18]

Die Aufgaben des CRM teilen sich grundsätzlich in zwei Bereiche auf:

1. Alle Informationen (Stamm- und Bewegungsdaten) zu jedem Kunden müssen vollständig abgebildet werden können(One Face of the Customer). Um eine individuelle Kundenansprache(One-to-One-Marketing) zu ermöglichen, werden alle kundenbezogenen Informationen in einem integrierten Informationssystem zusammengetragen. Die Kundenkommunikation und das Marketing darauf abgestimmt.

2. Es muss sichergestellt werden, dass der Kunde eine zentrale Rolle in allen Geschäftsprozessen einnimmt.^[19] Bei der Implementierung des CRM als ganzheitliche Unternehmensstrategie, soll sich an den vier grundlegenden Zieldimensionen Nachhaltigkeit, Differenzierung, Integration und Profitabilität orientiert werden.

Nachhaltigkeit
Durch langfristige Kundenbeziehungen wird eine starke Kundenbindung erreicht. Diese wird meist mit einem ökonomischen Erfolg verbunden.^{[20] [21]} Ein umfangreiches CRM ist ein wichtiges Tool Vertrieb und Marketing eines Unternehmens. Um eine nachhaltigen Nutzen der Software zu ermöglichen, werden Schnittstellen zu verschiedenen Datenbanken, sowie Standardsoftware wie ERP-Systeme und Office Lösungen bereitgestellt. Weiterhin sollten folgende Kriterien zur Beurteilung der Nachhaltigkeit der Software beachtet werden:

• Längerfristige Verfügbarkeit von Support sowie aktuellen Softwarereleases und Anpassungen
• Keine Beschränkungen durch Skalierbarkeit der Anwendung(z.B. max. Benutzer oder Datensätze)
• Backupsystem sowie Schutz der kritischen Kundendaten (Datenschutz)^[22]

Differenzierung
Standardlösungen sind durch die steigende Individualität der Kundenbedürfnisse nicht mehr durchsetzungsfähig. Das bedeutet, dass jedes Produkt, jede Dienstleistung sowie die Kommunikation individuell auf den Kunden abgestimmt werden muss. Die Kosten, die der zusätzliche Aufwand in Anspruch nimmt, müssen mit der Profitabilität des Kunden verglichen werden.^[19] Eine Differenzierung wird auch nach der Art der Kunden(normale Kunden, besonders wertvolle Kunden), bei der Wahl des Vertriebs- und Marketingkanals sowie Art der Sales Promotion(Rabatte, Serienbriefe) unternommen.

Integration
Den Mitarbeitern, die im Kontakt mit dem Kunden stehen und individuelle Leistungen anbieten, müssen alle relevanten Kundendaten allumfassend zur Verfügung stehen. Die gesammelten Daten aus Marketing, Vertrieb, Service und Kundendienst werden dazu gesammelt, geordnet und ausgewertet in einer integrierten Datenbank gespeichert. Von dort aus können die Daten formatiert dem Kundendienstleister respektive Vertriebsmitarbeiter zur Verfügung gestellt werden. ^{[21] [20]} Viele Kundeninformationen sind in Datenbanken von Anwendungen aus Marketing, Vertrieb, Service oder E-Commerce in den Unternehmen enthalten. Diese "Insellösungen" stehen in keinem oder schlechtem Kontakt miteinander. Das CRM wurde geschaffen, um diese "Insellösungen" zu einem großen Datenbestand zusammenzuführen und betriebliche Standardsoftware wie ERP-Systeme zu integrieren.^[19]

Profitabilität
Ein zentrales Ziel des CRM ist u.a. besonders gewinnversprechende Kunden zu gewinnen und langfristig zu sichern. Vor allem die Sicherung der Stammkunden ist dabei ökonomisch wertvoll. ^[19] Durch eine erhöhte Einsatzbereitschaft zur Kommunikation mit dem Kunden, sowie Verschärfungen von Wechselbarrieren wird unmittelbar die Kundenzufriedenheit gestärkt und eine langfristige Profitabilität gesichert. Je länger eine Geschäftsbeziehung besteht, desto höher steigt die Profitabilität des Kunden, da operative Kosten (z.B. Kommunikationskosten) sinken und die Umsätze durch Wiederholungskäufe steigen.^[23]

2.2.3 CRM - Komponenten

Um die Kundenbeziehungen zu stärken und Erfolgspotentiale freizusetzen, verbindet das CRM unterschiedlichste Komponenten. Diese reichen von zentralen Kundendatenbanken über die Vertriebsautomation, bis hin zu Data-Mining Werkzeugen zur Sammlung neuer Erkenntnisse zum Kundenverhalten. Die vielfältigen Komponenten lassen sich in drei Einsatzbereiche aufteilen, welche nachfolgend dargestellt werden.

2.2.4 Einsatzbereiche des CRM

2.2.4.1 Operatives CRM

Alle Anwendungen, die das Front Office, also den direkten Kontakt mit dem Kunden fördern, werden dem operativen CRM zugeordnet und sollen dem Unternehmen den Dialog mit dem Kunden vereinfachen und zu optimieren. CRM Back Office Prozesse wie das Nachbearbeiten von Neukundenakquisen liefern zahlreiche Informationen für die Kundendienstmitarbeiter. Eine große Hilfe versprechen leistungsfähige Schnittstellen zwischen dem CRM und der Standardsoftware (ERP/Warenwirtschaft) des Unternehmens, da aus beiden Systemen vollständige und aktuelle Kundendatenbestände generiert und abgerufen werden können.^[18]

2.2.4.2 Kommunikatives CRM

Die gesamte Steuerung und Synchronisation der Kommunikationsschnittstellen zum Kunden werden als Kommunikatives-CRM bezeichnet. Darunter fallen standardisierte Telekommunikationsdienste wie Telefon, Internet, E-Mail sowie personenbezogene Kommunikationsinstrumente wie dem Außendienst. Eine effiziente und effektive Kundenkommunikation kann nur durch eine zielgerichtete prozessoptimierte Nutzung dieser Kommunikationsschnittstellen erreicht werden.^[18]

2.2.4.3 Analytisches CRM (aCRM)

Im Verlauf der Studie wird das Analytische CRM näher erläutert.

3 CRM und BI

3.1 Grundlagen

3.1.1 Strategische Ziele

„Die Kundenbeziehung ist das zentrale Handlungsobjekt des Customer Relationship Management.“^[24] Mit diesem Grundverständnis verfügt CRM als primäre Zielsetzung den Aufbau profitabler Kundenbeziehungen.

In einem ersten Schritt muss demzufolge – entsprechend den strategischen Zielsetzungen des Unternehmens – eine CRM-Strategie erarbeitet werden.^[25] Hierbei wird z.B. festgelegt, welche Kundengruppen über welche Interaktionskanäle mit welchem Instrumentarium bearbeitet werden sollen.^[26] Darüber hinaus gilt es, die organisatorischen und personellen Rahmenbedingungen sowie die zur Kundenbearbeitung erforderlichen Geschäftsprozesse zu definieren. Auf der Basis dieser konzeptionellen Eckpfeiler gilt es im zweiten Schritt ein CRM-System auszuwählen und zu implementieren, das den unternehmensspezifischen Anforderungen und Prozessen am besten entspricht.

3.1.2 Zielgruppendefinition

„Als wesentliche Grundlage für den effizienten Umgang mit potenziellen, aktuellen oder verlorenen Kunden gilt das umfassende Wissen über Struktur, Verhalten und Bedürfnisse dieser Kunden. Die Organisation dieses Wissen - d.h. dessen Bewahrung, Bereitstellung und Analyse - obliegt im CRM-Konzept dem analytischen CRM (aCRM).^[27]"

Analytisches CRM versucht Antworten z.B. auf folgende Fragestellungen zu geben^[28]:

• Weisen meine Kunden spezifische Verhaltensmuster bezüglich des Kaufverhaltens auf?
• Welche Kundensegmente lassen sich innerhalb des Unternehmens identifizieren?
• Welche Abwanderungstendenzen sind erkennbar?
• Durch welche Maßnahmen können Abwanderungen verhindert werden?
• Welches sind die profitabelsten Kunden und durch welches Kaufverhalten zeichnen sie sich aus?
• Welche Leistung bzw. welchen Service bietet man welchem Kunden an?

Diese Fragen zeigen nur einen groben, aber einen realitätsnahen Ausschnitt aus den Aufgaben des analytischen CRM auf. Aufgrund dieser und anderer Fragen kann ein Unternehmen auf die Bedürfnisse der Kunden eingehen und dementsprechend reagieren. Das Wissen über das Verhalten der Kunden kann daraufhin gezielt bei der Kommunikation und Kundenansprache im operativen CRM eingesetzt werden, z. B. im Kampagnenmanagement. Auf das Kampagnenmanagement wird im Laufe der Fallstudie näher eingegangen.

3.1.3 Datenerhebung

• Sekundärforschung

Von Sekundärforschung wird gesprochen, wenn das Datenmaterial bereits im Betrieb verfügbar ist, dieses jedoch für andere Zwecke ausgewertet wird. So kann zum Beispiel die Kundendatenbank auf Anhaltspunkte zu unterschiedlichen Zielgruppen hin untersucht werden. Der Vorteil bei dieser Erhebung liegt darin, dass kein zusätzlicher Aufwand zur Datenerhebung neuer Daten betrieben werden muss, da diese im Unternehmen verfügbar sind. Der große Nachteil bei der Sekundärforschung liegt darin, dass die Daten für andere Zwecke erhoben wurden und diese nicht hundertprozentig auf die Analyse angewendet werden können. Dieser Nachteil kann mit der Primärforschung umgangen werden.

• Primärforschung

Von Primärforschung wird gesprochen, wenn kein passendes Datenmaterial zur Verfügung steht und diese Daten erst erhoben werden müssen. Dabei handelt es sich grundsätzlich um die Gewinnung neuer, originärer Daten. Für die Datenerhebung können unterschiedlichste Methoden gewählt werden. In der nachfolgenden Tabelle sehen wir einen Auszug von möglichen Befragungsarten.

Kriterien	Befragungsart
	Schriftlich	Telefonisch	Mündlich	Computer-integriert	E-Mail
Rücklaufquote	Eher Gering	Hoch	Hoch	Hoch	Hoch
Beeinflussung durch Dritte	Möglich	Nicht möglich	Kaum möglich	Nicht möglich	möglich
Umfang der Befragung	Mittelgroß	Klein	Groß	Mittelgroß	Mittelgroß
Intervieweinfluss	Nicht möglich	Relativ groß	Groß	Nicht möglich	Nicht möglich
Genauigkeit	Gering	Unterschiedlich	Hoch	Unterschiedlich	Unterschiedlich
Zuverlässigkeit	Unterschiedlich	Relativ hoch	Hoch	Relativ hoch	Relativ hoch
Geschwindigkeit der Durchführung	Relativ gering	Hoch	Niedrig	Relativ hoch	Sehr hoch
Kosten	Niedrig	Relativ niedrig	Hoch	Unterschiedlich	Niedrig
Repräsentanz	Relativ niedrig	Gering	Relativ hoch	Unterschiedlich	Gering
Erklärung der Fragen	Nicht möglich	Möglich	Möglich	Möglich	Möglich

Tabelle 4: In Anlehnung an Uebel, Vorlesung Corporate Management, S.24: Befragungsarten ^[29]

Beide Erhebungsmethoden, Primär- und Sekundärforschung, können Daten aus internen sowie externen Quellen zum Gegenstand haben.

3.1.4 Datenqualität

Die Datenqualität ist von besonderer Bedeutung im Rahmen von CRM Lösungen. Inkorrekte, redundante, unvollständige und veraltete Daten in einem CRM, führen im analytischen CRM zu Fehlinterpretationen und -entscheidungen. Weitere Fehler können bei der Datenübertragung und -integration entstehen. Des Weiteren muss der Datenbestand ständig gepflegt und überprüft werden, damit die Kundendaten im vollen Umfang zur Verfügung stehen.

Bei der Kundenneuerfassung sollten Erfassungsvorgaben für das Front Office definiert werden:

• Fehlerfrei (Wie wird gespeichert?)
• Relevant (Was wird gespeichert?)
• Aktuell (z.B. Adressdaten?)
• Vollständig (Alle Details vorhanden?)

Die Datenqualität gilt neben Systemarchitektur, Prozessen und organisatorischer Einbettung als wesentlicher Erfolgsfaktor von CRM Projekten.^[30]

3.1.5 ETL-Prozess

Damit das Data-Warehouse regelmäßig mit Daten aktualisiert wird, müssen diese aus den Quelldaten extrahiert, angepasst und in die Datenbank eingelesen werden. Dieser Vorgang wird als ETL-Prozess bezeichnet. Für ein Data Warehouse mit qualitativ hochwertigen Daten ist dies ein wesentlicher aber auch sehr aufwendiger Prozess.^[31]

Extraktion

In dem ersten Schritt werden die Daten aus den unterschiedlichen Quellen selektiert und für den nächsten Schritt bereitgestellt. Die Schwierigkeit hierbei sind die oftmals großen Datenvolumina und die Datenbasis auf denen die Daten zur Verfügung gestellt werden. Im besten Fall kann auf Datenbanken zugegriffen werden, oftmals sind aber auch nur Textdateien verfügbar. Mit eingesetzten ETL-Tools werden dann per Schnittstelle die Daten extrahiert. Hierbei können unterschiedliche Verfahren für die Extraktion verwendet werden. Daten können aus einem Bestandsystem über eine Delta Ermittlung geladen werden. Auf diese Weise werden nur Daten die sich nach der letzten Beladung geändert haben, oder neu angelegt wurden ins Data Warehouse geladen. Anderenfalls ist es möglich, dass das Operative System zu einem festdefinierten Zeitpunkt alle relevanten Informationen in einer Datei dem Data Warehouse zur Verfügung stellt und diese komplett geladen wird. In der Regel findet eine Extraktion, mit anschließendem Laden ins Data Warehouse in fest definierten Zyklen statt. Andere Möglichkeiten könnten durch ereignisgesteuerte Extraktionen nach Ablauf einer Batchverarbeitung im Quellsystem erfolgen. Der aktuelle Trend geht zur Real Time Verarbeitung über, d.h. bei jeder Änderung an der Quelle wird eine sofortige Extraktion der Daten ins Data Warehouse gestartet. Nach der Extraktion werden die Daten in einem Arbeitsbereich gespeichert. In diesem Bereich werden die Daten in der Regel nur temporär Vorgehalten und bei jeder neuen Verarbeitung überschrieben.^[31]

Transformation

Auf den Rohdaten werden zusätzliche Transformationen zur Qualitätssicherung oder Datenaufbereitung durchgeführt. Da eine Vielzahl von Quellen an ein Data Warehouse gebunden ist, müssen die heterogenen Quellen in ein einheitliches Format überführt werden, damit diese vergleichbar sind. Folgende Transformationen sind hierfür häufig erforderlich:

• Datentypanpassungen
• Vereinheitlichung von Zeichenketten
• Vereinheitlichung von Datumsangaben
• Umrechnung von Maßeinheiten oder Kennzahlen
• Kombination bzw. Separierung von Attributwerten

Zusätzlich zu diesen Transformationen werden mit Hilfe von Plausibilitätsprüfungen veraltete und verunreinigte Daten herausgefiltert. Auf diese Weise wird eine hohe Datenqualität für die späteren Analysen gewährleistet. Die qualitätsgesicherten Daten werden durch die Ladekomponente ins Data Warehouse überführt. Alle Aktivitäten die zur Umwandlung von operativen in betriebswirtschaftlich analysierbare Daten dienen, werden als Transformationsprozess bezeichnet. Dieser Prozess setzt sich aus mehreren Teilprozessen wie der

• Filterung
• Harmonisierung
• Aggregation
• Anreicherung

zusammen. In diesen Teilprozessen werden die geladenen Daten um syntaktische oder inhaltliche Fehler bereinigt. Zusätzlich werden die verschiedenen Datenquellen zusammen geführt. Die externe Daten von einem Marktforschungsinstitut müssen transformiert werden, so dass interne Daten mit diesen Informationen angereichert werden können. Nur auf einer einheitlichen und granularitätsidentischen Basis können Analysen effektiv auf den Datenbestand ausgeführt werden.^[32] Die notwendigen Transformationen, um die gewünschten Ergebnisse aus den angebundenen Datenquellen zu erlangen, sind abhängig von der Qualität der Quelldaten. Folgende Qualitätsanforderungen werden an die Quelldaten einen Data Warehouse gestellt:

• Konsistenz
• Korrektheit
• Vollständigkeit
• Genauigkeit und Granularität
• Zuverlässigkeit und Glaubwürdigkeit
• Verständlichkeit
• Verwendbarkeit und Relevanz

Bei der Vielzahl von internen, oder auch externen Datenquellen ist es von großer Notwendigkeit, dass im Data Warehouse die Konsistenz der Daten gewährleistet wird. Die verschiedenen Quellen müssen untereinander Widerspruchsfrei sein. Ansonsten würde je nach Aufbau der Auswertung ein anderes Ergebnis erzielt werden. Um dies zu gewährleisten ist es notwendig, dass die verwendeten Daten so vollständig vorliegen, dass sie über eindeutige Schlüsselfelder zuordbar und abgleichbar sind. Auf diese Weise kann eine Qualitätssicherung zwischen den Datenquellen vollzogen werden. Die Eindeutigkeit der verwendeten Begriffe muss ebenfalls sichergestellt und gegebenenfalls transformiert werden. Die Frage die beantwortet werden muss ist folgende: "Verbirgt sich hinter der Begriffsbezeichnung A vom Lieferanten B, dasselbe Attribut wie die Begriffsbezeichnung C vom Lieferanten D und ist diese identisch mit intern verwendeten Attributen?". Auch wenn die Datenlieferungen Deckungsgleich sind, muss zusätzlich die Zuverlässigkeit und Glaubwürdigkeit des Lieferanten gewährleistet sein. Falsche Quellinformationen über aktuelle und prognostizierte Marktentwicklungen, führen zu einem fehlerhaften Datenbestand und ziehen falsche Schlüsse nach sich. Aus technischer Sicht, ist das Format der Datenquelle ein zusätzlicher Gesichtspunkt. Sollte die Form des Mediums einen hohen transformationsaufwand verursachen, oder stehen die Daten gar nicht erst elektronisch zur Verfügung müssen zusätzliche Transformationsschritte etabliert werden.^[10]

Eine zusätzliche Aufgabe der Transformation ist das Data Cleansing (Datenbereinigung). Dabei werden fehlende Werte ergänzt, Korrekturen durchgeführt und korrupte Daten erkannt und gelöscht.^[33]

Programme für das Data Cleansing verfügen über weitere Funktionen:

• Adressanalyse und Adressformatierung
• Postalische Adressprüfung
• Doublettenabgleich
• Bankdaten-Check
• Telefonnummern-Prüfung und -Zuordnung

Erst nach dem Prozess der Transformation können die Daten die das Data-Warehouse eingelesen werden.

Laden

Der letzte Teilprozess ist die Integration der Daten in das Data Warehouse. Dabei werden die Daten physisch in die Datenbank verschoben und im zweiten Schritt muss der darauf aufbauende Datenwürfel mit den dazugehörigen Aggregationen aktualisiert werden. Während des Ladevorgangs kann möglicherweise nicht auf das Data Warehouse zu gegriffen werden. Um dies zu vermeiden wird dieser Vorgang meist in die Nacht gelegt werden. Weiterhin werden bei der Aktualisierung nicht die kompletten Daten geladen, sondern nur die veränderten und neu hinzu gekommenen Daten.^[31]

3.2 Analytisches CRM

Die Hauptaufgabe des klassischen CRM liegt im operativen Bereich. Die Kombination aus CRM und BI wird heute als analytisches CRM bezeichnet. Im analytischen CRM werden Kundendaten, Kundenkontakte und Kundenreaktionen systematisch gesammelt, aufbereitet, analysiert und zur kontinuierlichen Optimierung der kundenbezogenen Geschäftsprozesse ausgewertet. CRM wird so zu einem lernenden System, in dem Kundenreaktionen systematisch genutzt werden, um die Abstimmung von Kundenkommunikation, Produkten und Dienstleistungen auf die Kundenbedürfnisse individuell anpassen zu können.^[34]

Wichtige Anwendungen können dabei sein:

• Kundenstrukturanalysen
• Kundenzufriedenheitsanalysen
• Kundenmigrationsstudien
• Auswertungen und Modelle zum Kundenschwund
• Verkaufsförderung
• Kreditrisiken oder Lifetime Value^[35]

Mit Hilfe von Business Intelligence Werkzeugen lassen sich die gespeicherten Daten im analytischen CRM analysieren und daraus wertvolle Informationen gewinnen. Diese Werkzeuge teilen sich üblicherweise in drei Bereich auf:

• On Line Analytical Processing (OLAP)
• Data-Mining Anwendungen
• Statische Anwendungen^[36]

Im weiteren Verlauf dieser Arbeit wird im speziellen auf OLAP und Data-Mining eingegangen.

Business Intelligence wird im Bereich des analytischen CRM eingesetzt, um Daten aus dem operativen CRM-System analysieren und auswerten zu können. Dadurch wird das CRM zu einem lernenden System, welche Kundenreaktionen gezielt nutzt, um die Kundenkommunikation, Produkte und Dienstleistungen auf fein differenzierte Kundenbedürfnisse abzustimmen und kontinuierlich zu verbessern.^[37] Auf den Datenkreislauf (Closed Loop Architektur), wird im weiteren Verlauf eingegangen.

3.2.1 Einsatzgebiete

Die Einsatzgebiete des analytischem CRM erstrecken sich im Unternehmen über alle Personalebenen. Angefangen beim Sacharbeiter, über den Gruppenleiter, bis hin in die Managementebene und der Geschäftsführung. Das Customer Relationship Management soll dem Vertrieb, Marketing, der Kundenbetreuung und dem Verkauf die optimale Grundlage liefern, die Kundenprozesse transparenter und effektiver zu gestalten. Business Intelligence stellt dem Management und der Geschäftsführung Informationen zur Verfügung, auf denen wichtige strategische Entscheidungen zu treffen sind. Die dafür benötigten Daten befinden sich im CRM-System des Unternehmens.

3.2.2 Datenkreislauf

„Zum Verständnis des analytischen CRM ist es wichtig, den Datenkreislauf zu verstehen. Daten und Prozesse durchlaufen funktionell und IT-technisch drei Bereiche. Im Front- Office findet der Dialog mit den Kunden über Medien wie Call Center, Internet oder Außendienst statt. Dort fallen auch die operativen Daten an, die sich bei der Interaktion mit den Kunden ergeben: Kundendaten ( Name, Adresse, Alter, Interessen, etc.), Transaktionen und Produkte.

Die im Front Office generierten Daten und die damit verknüpften Geschäftsprozesse werden im Back Office über ERP-Systeme automatisiert ausgeführt. Dort findet beispielweise die Buchführung oder die Zollabwicklung statt. Zwischen Front Office und Back Office liegt der dritte Bereich, das analytisch-strategische Segment. In diesem Teil wird aus den Geschäftsprozessdaten das Wissen über die Kunden mit den Analyseverfahren OLAP und Data-Mining extrahiert und für Aktivitäten wie Kampagnenmanagement bereitgestellt. Die so analysierten Daten werden anschließend als Entscheidungsgrundlage wieder über unterschiedliche operative Tools dem Front Office – und den dortigen Mitarbeitern – zur Verfügung gestellt und zur Ausführung gebracht. Auf diese Weise entsteht ein Kreislauf, der als „Closed-Loop“ bezeichnet wird.

Ein Closed Loop ist also eine Schleife, in der die operativen Daten des Front Office gesammelt, analysiert und schließlich als Marketing- oder Vertriebskampagne wieder für das operative CRM eingespeist werden. Durch diese Architektur entsteht ein lernendes CRM-System, in dem die CRM-Prozesse durch Integration aktueller Daten immer wieder an neue Marktlagen adaptiert werden".^[38]

Dieses Zusammenspiel kann durch ein Beispiel verdeutlicht werden. Peter Winkelmann betrachtet den Prozess einer Kundenbeschwerde:

1. Im Data Warehouse laufen die Kundeninformationen aus allen Vertriebskanälen zusammen. Egal, über welchen Kanal der Kunde sich meldet (Telefonat, Mail, Brief, Fax), alle Eingänge müssen mit der gleichen Qualität erfasst werden und einen Prozess anstoßen können.
2. Im Bereich des analytischen CRM, wird der Vorgang gegen das bestehende Kundenprofil gespiegelt. Ein Beschwerde ist unterschiedlich zu bewerten. Es gilt in der Analyse, bestehendes Kundenwissen zu verfeinern und die Zielgruppenzuordnung der Kunden ständig zu überprüfen. Nehmen wir an, ein guter Kunde würde sich zum ersten Mal beschweren, dann gibt das analytische CRM besondere Warnsignale.
3. Die Warnsignale werden anhand festgelegter Entscheidungsregeln beurteilt und es wird darauf reagiert. Der Closed Loop spielt die Aktionsempfehlung dann dem operativen Ressort zu. Dort wird die Aktion ausgeführt.
4. Der Vorgang wird in Absprache mit dem Kunden in der Kunden- und der Beschwerdehistorie vermerkt. Die Aktions- und Reaktionsdaten stehen im CRM-Kreislauf zur Verfügung. Bereits jetzt ist eine Wiedervorlage gesetzt, zu der der Kunde anzusprechen und seine Zufriedenheit zu erfragen ist.^[39]

3.3 Analyseinstrumente

3.3.1 OLAP

OLAP ist ein Akronym für On-Line Analytical Processing und bezeichnet „Ad hoc (on-line) - Auswertungen mit komplexem (analytical) Charakter“^[40]. Der Begriff OLAP steht für eine multidimensionale Analysemethode mit deren Hilfe Informationen konsolidiert, analysiert und dargestellt werden können,^[41] um Führungskräfte, Manager und Analysten einen schnellen Zugriff darauf zu ermöglichen.^[42] Diese Methode ermöglicht es dem Endbenutzer flexible Auswertungen zu generieren, ohne komplexe vordefinierte Abfragen programmieren zu lassen.^[43]

OLAP grenzt sich gegenüber OLTP (Online Transaction Processing) daher ab, dass OLTP-Systeme Quelldaten liefern, während OLAP-Systeme dabei helfen die Daten zu analysieren. Der Schwerpunkt bei OLTP liegt daher auf der schnellen Verarbeitung von Abfragen und Transaktionen.^[44] Zu Grunde liegt das relationale Datenbankmodell, mit dessen Hilfe geringe Redundanz und hohe Performanz bei Schreibvorgängen gewährleistet werden kann. Die Daten werden immer wieder überschrieben und aktualisiert. Daher ist OLTP für wiederkehrende Aufgaben und statische Auswertungen geeignet.^[45] Die Anlage von Kundenaufträgen im Warenwirtschaftssystem und zugehörige Abfragen nach Auftragsbeständen und Lagerbeständen sind Beispiele für Prozesse in OLTP-Systemen.

Bei OLAP-Systemen hingegen können Daten aus unterschiedlichen Datenbeständen und -quellen analysiert und historische Daten ausgewertet werden. Damit können diese „Unternehmensdaten aus verschiedenen Sichtweisen multidimensional zu ‚Was-wäre-Wenn‘-Szenarien dargestellt“^[46] werden. Die Daten werden innerhalb dieser multidimensionalen Datenbank als mehrdimensionaler Datenwürfel abgelegt. Es ist möglich komplexe, mehrschichtige Abfragen zu beantworten, um damit wiederrum multidimensionale Sichtweisen zu ermöglichen.^[46] Daraus ergibt sich, dass die Daten innerhalb eines OLAP-Systems in „sogenannten Dimensionen (Produkte, Kunden, Regionen, Zeit, …) dargestellt werden“.^[47] Damit können Abfragen zu der Dimension Auftragsbestand mit den Hierarchieebenen Kunde, Ort, Land und Region erfolgen und zusätzlich die Dimension Zeit mit den Ebenen Tag, Monat, Quartal und Jahr aggregiert werden. Dieser Sachverhalt wird in der nebenstehenden Abbildung Datenwürfel dargestellt.

	OLTP	OLAP
Funktion	Datenverarbeitung, Day-to-Day Business Operations	Unterstützung des Prozesses der Entscheidungsfindung
Entworfen für	Update-Operationen	multidimensionale Analysen, Simulationen und Prognosen
Verwendung durch Anwender	sehr häufig	zu Analysezwecke
Daten	operativ, aktuell, flüchtig, detailliert	analytisch verdichtet
Datenquelle	originale Datenquellen	Daten kommen aus verschiedenen OLTP-Datenbanken
Organisation der Daten	hierarchisch	anhand vorab definierter Dimensionen und Kennzahlen, multidimensionales semantisches Datenmodell
DB-Schema	normalisiert	multidimensional
Verarbeitungsgeschwindigkeit	in der Regel sehr schnell	abhängig von der Datenmenge; Batchläufe für komplexe Abfragen können mehrere Stunden dauern

Tabelle 5: Vergleich von OLTP-System und OLAP-System^[48]

Mit Hilfe von verschiedenen Analysetechniken kann der Benutzer innerhalb des Datenbestandes über mehrere Dimensionen hinweg navigieren und die Ergebnisse weiter spezifizieren oder konsolidieren. Durch Drill-Down können diese Ergebnisse in Teilergebnisse zergliedert werden um damit den Ursachen von Daten auf den Grund zu gehen. Es besteht des Weiteren die Möglichkeit Daten auf denselben Hierarchieebenen gegenüberzustellen, um diese dann miteinander vergleichen zu können.^[49] Technisch werden OLAP-Systeme anhand ihrer Architektur unterschieden, genauer inwiefern die Konzepte die Daten innerhalb des Systems speichern. Wenn alle multidimensionale Daten in dem Datenwürfel gespeichert werden, wird dies als MOLAP (multidimensionales OLAP) bezeichnet. Werden die Daten dagegen in einer relationalen Datenbank aufgrund von Speicherplatzgründen ausgelagert, entspricht dies dem ROLAP (relationalen OLAP). Eine Mischform von beiden Techniken ist das HOLAP (hybride OLAP).^[50] Ein viertes Konzept ist eine spezielle Form des MOLAP, das Desktop OLAP (DOLAP), bei dem die Daten nicht auf dem Server sondern auf dem lokalen Client gespeichert werden.^[51]

An Grenzen stößt OLAP bei Fragestellungen die mit Prognosen verknüpft sind. Beispielsweise die Frage nach dem Cross-Selling-Potential für Produkte.^[52] Weiterhelfen kann an dieser Stelle die Analysetechnik Data-Mining, die im nächsten Unterkapitel vorgestellt wird.

3.3.2 Data-Mining

In Anlehnung an das historische Gold schürfen oder graben kann der Begriff Data-Mining, mit dem Graben nach Wissen erläutert werden. Genauer dem Aufdecken und Identifizieren von Mustern und Zusammenhängen innerhalb von großen Datenbeständen.^[53] Laut Bensberg und Grob stammt der Begriff Data-Mining aus der Statistik und bezeichnet dort „die selektive Methodenanwendung zur Bestätigung vorformulierter Hypothesen“.^[54]

Data-Mining ist eng verknüpft mit dem Prozess des Knowledge Discovery in Databases (KDD). Nach Fayyad ist dies ein Prozess zur Wissensgewinnung aus Rohdaten und daraus resultierenden Aussagen und Zusammenhängen.^[55] Dabei wird die Vorgehensweise von der Auswahl der Daten, die Analyse und die zugehörigen Auswertung mehrfach wiederholt, um gültige Muster aufzufinden. Die benötigte Analyse innerhalb dieses Prozesses wird dem Data-Mining zugeschrieben und damit ist das Data-Mining ein Teilprozess im KDD.

Dabei wird nach verschiedenen Analysetypen unterschieden. Die Assoziationsanalyse beinhaltet die Suche nach signifikanten Abhängigkeiten innerhalb der vorliegenden Datenbestände. Der klassische Anwendungsbereich für die Assoziationsanalyse ist die Warenkorbanalyse. Dabei werden Abhängigkeiten von gekauften Produkten genutzt um Verbundeffekte zu ermitteln. So können beispielsweise Zusammenhänge beim Einkauf von Grillkohle und Fleisch hergestellt werden, damit diese Informationen im Marketingbereich gezielt für Werbemaßnahmen genutzt werden.^[54]

Eine weitere Analysemethode ist die Klassifikation, bei der die verschiedenen Daten nach Merkmalen zu Klassen zusammengefasst werden. In einem weiteren Schritt können aus diesen zusammengefassten Daten mit einem Klassifikationsmodell neue Klassenzugehörigkeiten vorhergesagt werden. Anwendung findet diese Methode unter anderem bei der Beurteilung von Kreditwürdigkeiten.^[56]

Die Abweichungsanalyse ermittelt Daten, welche sich keinem Muster zuordnen lassen. Somit lassen sich fehlerhafte Daten innerhalb des Datenbestandes identifizieren, um diese zu bereinigen. Wenn kein Fehler vorliegt handelt es sich um einen Ausreißer, dessen abweichende Merkmale weiter analysiert und die Ursachen aufgedeckt werden können.^[54]

OLAP	Data-Mining
interaktiv	möglichst automatisierte Suche
Benutzer muss von Beginn an wissen wonach er sucht	Benutzer muss nicht von Beginn an wissen wonach er sucht
nur Aggregation	sucht versteckte Muster
Hilfswerkzeug zur Analyseunterstützung	komplizierte Analyse-Tools

Tabelle 6: Vergleich zwischen OLAP und Data-Mining ^[57]

3.4 Anwendungsfelder

3.4.1 Marktpotenzialanalysen

Das Marktpotenzial steht für die Aufnahmefähigkeit eines Marktes. Es bildet die Gesamtheit der möglichen Absatzmenge eines Marktes für ein bestimmtes Produkt oder eine Produktkategorie. Das Marktpotenzial bildet somit die obere Grenze für das Marktvolumen.^[58]

Die Marktpotenzialanalyse ist somit die Methodik zur Überprüfung, ob und in welchem Umfang für eine Dienstleistung oder ein Produkt ein Absatzmarkt existiert. Es wird die Anzahl der potenziell absetzbaren Produkte und möglichen Kunden, sowie der von den Zielgruppen akzeptierte Preisrahmen für Produkte oder auch Dienstleistungen ermittelt. Zusätzlich wird in der Marktpotenzialanalyse geklärt, ob der Markt noch für neue Produkte oder Dienstleistungen aufnahmefähig ist oder das Marktpotenzial bereits von vorhandenen Wettbewerbern ausgeschöpft ist.
Zusammengefasst untersucht die Marktpotenzialanalyse folgende Fragen:

• Finden Produkte oder Dienstleistungen Abnehmer auf dem Zielmarkt? - Marktreife
• Wie viele Konsumenten würden das Produkt oder die Dienstleistung zu welchem Preis kaufen? - Potenzialanalyse
• Wie hoch wird das Marktvolumen sein? - Marktposition^[59]

Das Marktpotenzial ist eine fiktive und nicht berechenbare Größe. Sie wird durch die Zahl der möglichen Verbraucher, die Intensität des Bedarfs, durch die Markttransparenz und die marketingpolitischen Maßnahmen der Anbieter bestimmt.^[60] Zur Bestimmung des Marktpotenzials sind viele verschiedene Informationen und Gegebenheiten zu betrachten. Um das genaue Potenzial ermitteln zu können muss der Markt entsprechend segmentiert werden. Die Segmentierung kann auf verschiedene Arten erfolgen. Eine geografische Segmentierung des Marktes nach Regionen, aber auch nach Altersstrukturen wäre denkbar. Eine der wichtigsten Faktoren zur Bestimmung des Marktpotenzials ist die Kaufkraft.^[61] Die Kaufkraft der Konsumenten grenzt den in Frage kommenden Kundenstamm weiter ein. Beispielsweise würde bei einem global operierenden Smartphone Hersteller die Segmentierung des Marktes durch das Einkommen weiter unterteilt. Nach der Segmentierung des betroffenen Marktes, muss die Marktposition im entsprechenden Segment betrachtet werden. Sollte das Marktsegment bereits gesättigt oder von mehreren Konkurrenten umkämpft sein, ist eine Produkteinführung mit hohen Kosten verbunden.

3.4.1.1 Datenquellen

Um eine erfolgreiche und möglichst genaue Marktpotenzialanalyse durchführen zu können, müssen viele verschiedene Datenquellen abgefragt werden. Die Konsolidierung der Daten erfolgt typischer Weise in einem Data Warehouse. Zunächst müssen die internen Quellen lokalisiert werden. Als Beispiel möchte ein etablierter Multimedia- /Mobilfunkhersteller eine Produktvariation am Markt platzieren, so steht diesem bereits ein potenzieller Kundenstamm für neue Produkteinführung zur Verfügung. Sollten die internen Daten bereits im Data Warehouse vorliegen, können auf deren Basis Schlüsse auf das vergangene Kaufverhalten der Kunden geschlossen werden. Zusätzlich können schon über vorhandene Vertriebs- und Marketingkanäle weitere Kundenbefragungen vorgenommen werden. Um eine Gesamtbetrachtung des Marktpotenzials zu erlangen, müssen noch weitere externe Quellen angebunden werden. Diese können von offen zugänglichen Datenbanken, Informationen aus dem Internet oder auch Marktforschungsunternehmen erworben werden. Hierbei ist die Aktualität und Qualität der Datenquelle zu beachten. In einem schnelllebigen Zielmarkt können ausschließlich aktuelle Informationen über beispielsweise die Marktsituation verwendet werden. Technologietrends, sowie Marketing und Kampagnenoffensiven der Konkurrenz sollen mit als Datengrundlage herangezogen werden. Bei Einführung einer Produktvariation können in der Regel Daten aus Sekundärforschungen genutzt werden. Auf die Durchführung einer Primärforschung zur Erhebung neuer Informationen aus gegebenenfalls anderen Gesichtspunkten kann aus Kostengründen oftmals verzichtet werden. In der Grafik "Aufbau eines Marketing und Vertriebsinformationssystem" ist ein solcher Informationskreislauf eines funktionierenden Marketing- und Vertriebssystem abgebildet. Die beschriebenen Datenquellen, aus denen Wissen für eine Marktpotenzialanalyse generiert werden kann, werden immer mit aktuellen Marktinformationen versorgt und angereichert. Je nach Zustand der jeweiligen Datenquelle erhöht sich der Aufwand der jeweiligen Transformationen um die gewünschten Anforderungen im Data Warehouse auswertbar zur Verfügung zu stellen.^[62]

3.4.1.2 Auswertungen

Anhand der Auswertungen soll bestimmt werden, ob es aus Sicht des Unternehmens rentabel ist ein neues Produkt bzw. Produktdiversifikation am Zielmarkt zu platzieren. Hierfür muss ein geeigneter Kundenstamm selektiert und durch Marketing beworben werden.

Durch die Vielzahl an Datenquellen die der Marktpotenzialanalyse zugrunde liegen, kann im Data Warehouse die aktuelle Marktsituation in Kombination mit historischen Werten verglichen werden. Anhand dieser Daten kann die vergangene Marktentwicklung beobachtet werden. Durch das Hinzufügen der aktuellen Verkaufs- und Forecastzahlen können entsprechende Hochrechnungen getroffen werden. Hieraus lassen sich Marktprognosen ableiten. Auswertungen, die hierfür durchgeführt werden, sind aufgrund der unterschiedlichsten Datenquellen und einer Vielzahl an zu beachtenden Kennzahlen sehr komplex. Die Schwierigkeit besteht darin, dass kaum messbare Kennzahlen für Auswertungen zur Verfügung stehen. Es gibt aktuelle Marktindikatoren, aus denen mit Hilfe von Business Intelligence Werkzeugen, Prognosen und mögliche Zukunftsszenarien erstellt werden können. Die Auswertungen müssen daher präzise und aussagekräftig sein, damit Fehlinterpretationen vermieden werden. Fehlentscheidungen können zu hohen Folgekosten führen. Sollte beispielsweise die Kaufbereitschaft des ausgewählten Kundensegments überschätzt worden oder der Zielmarkt gesättigt sein, würde eine neue Produkteinführung nicht den gewünschten Erfolg erzielen.

Der Berichtsempfängerkreis ist breit verteilt. Die Auswertungen werden zunächst dem Management zur Verfügung gestellt, auf deren Basis die Entscheidung getroffen werden muss, ob der Markt für eine neue Produkteinführung geeignet ist. Die Kennzahlen werden auf hoch aggregierter Ebene bewertet. Ein weiterer Empfängerkreis ist der Vertrieb. Die Berichtsinformationen sind dementsprechend granular und werden an die zugeordneten Vertriebsbereiche verteilt.

3.4.1.3 Bewertung

3.4.1.3.1 Chancen

• Produktportfolio ausweiten
• Erschließen neuer Marktsegmente
• Verbesserung der Vertriebssteuerung
• Unrentable Produkteinführung kann vermieden werden
• Neue Kundenbedürfnisse erkennen
• Trendentwicklungen erkennen
• Unternehmen neu ausrichten

3.4.1.3.2 Risiken

• Fehlinterpretation der Kennzahlen
• Aus fehlerhaften Quelldaten entstehen falsche Schlussfolgerungen
• Hoher Transformationsaufwand durch unterschiedliche Datenquellen
• Gut ausgebildete Know-How Träger im Fachbereich erforderlich
• Hohe Kosten (Beschaffung der Datenquellen, Erhalten der Infrastruktur, etc.)
• Trendentwicklungen ohne Wettbewerb nur kurzlebig

3.4.1.4 Praxisbeispiele

Aus Sicht eines Smartphone Herstellers ist eine permanente Marktpotenzialanalyse unverzichtbar. Es herrscht ein Verdrängungsmarkt zwischen den etablierten Herstellern. Für neue Hersteller ist es schwierig in die Riege der Top Seller aufzusteigen. Eine entsprechende Marktpotenzialanalyse würde hierbei nicht auf das Marktsegment beziehen, da der Absatzmarkt mit einem breiten Kundenstamm bereits vorhanden ist. Vielmehr würden die speziellen Kundenbedürfnisse in den Vordergrund gestellt, um einen Vorteil gegenüber der Konkurrenz zu erlangen. Neue Anforderungen können hierbei sowohl auf Software- als auch auf Hardwareebene zum Tragen kommen. Ein leistungsstärkeres Betriebssystem oder ein größerer Display sind denkenswerte Kundenwünsche.
In einem so hart umkämpften Wettbewerb müssen entsprechende Marketingkampagnen gestartet werden. Es gilt hierbei den Kunden von dem neuen Produkt zu überzeugen und genau auf die Nische der unbefriedigten Kundenwünsche abzuzielen. Der Vertrieb rückt in eine zentrale Rolle und wird kontinuierlich durch den Closed-Loop mit aktuellen Informationen versorgt. Marketingmethoden müssen aufeinander abgestimmt werden, um den gewünschten Erfolg verzeichnen zu können.
Auch nach einer Produkteinführung wird die Marktsituation dauerhaft überwacht. Ansonsten kann der Wettbewerbsvorteil schnell eingebüßt werden und der Marktanteil wird aufgrund der hohen Konkurrenz rapide sinken.
Nokia hatte als führender Mobilfunkhersteller, aufgrund von nicht beachteten Kundenwünschen und Trendentwicklungen, den Übergang in die Smartphone Technologie verpasst. Sinkende Marktanteile sind seit Jahren die daraus folgende Konsequenz. Die Kombination von Hard- und Software entspricht nicht den Kundenanforderungen auf höchster Ebene und somit bleiben Verkaufseinbußen nicht aus.

3.4.2 Kundensegmentierung

Die Kundensegmentierung beschreibt die „Aufteilung des Kundenstamms in homogene Käufersegmente“.^[63] Die ermittelten Kundengruppen sollen identische Bedürfnisse haben, um auf Produkt-, Preis- und Werbestrategien der Unternehmen ähnlich zu reagieren. Ziel ist es die Kunden zu identifizieren, zu selektieren und zu fördern, um ein zielgruppenspezifisches Produkt-/Service-Angebot zu entwickeln.^[64] So können durch die Aufteilung die Wünsche und Bedürfnisse der verschiedenen Kunden gezielter erfüllt werden. Durch die Möglichkeit die Kunden gezielter anzusprechen, ermöglicht die Segmentierung die Kunden stärker an das Unternehmen bzw. dessen Produkte zu binden. Weiterhin lassen sich vom Unternehmen speziell zugeschnittene Marketing-Programme entwickeln, die jedes Segment ansprechen. Mit Hilfe von Nischenprodukten können neue Zielgruppen erreicht werden.^[65] Damit beinhaltet die Kundensegmentierung ein breites Aufgabengebiet für die Konzentration auf die wichtigen Kunden. Die Ziele lassen sich durch folgende Stichpunkte zusammenfassen:

• Bessere Erfüllung der Kundenwünsche
• Kundenbindung
• Gezielte Kommunikation
• Wachstum
• Verbesserung der Rentabilität

Die Segmentierung kann nach verschiedenen Kriterien durchgeführt werden. Die Abbildung Segmentierungskriterien zeigt verschiedene Kriterien, die es ermöglichen die Kunden in verschiedene Gruppen zusammenzufassen.

Die geographische Segmentierung berücksichtigt die unterschiedlichen Bedürfnisse verschiedener Kontinente, Länder und Regionen. Andere Sprachen, Kulturen und Religionen bestimmen auch die Konsumeigenschaften der Kunden. Die Aufteilung nach Geschlecht, Alter, Beruf, Einkommen und Bildung umfasst die Gruppe der soziodemographischen Kriterien. Dieser Einteilung liegt zugrunde, dass man im Laufe des Lebens verschiedene Entwicklungsstadien durchlebt und somit auch unterschiedliche Bedürfnisse in Abhängigkeit vom Alter entwickelt. Lebensstile und Persönlichkeitsmerkmale werden mit dem psychographischen Segmentierungskriterium festgehalten. Der Lebensstil kann nach dem sogenannten AIO-Ansatz ermittelt werden. Dabei werden folgende Punkte berücksichtigt:

• Activities
• Interests
• Opinions^[66]

Zu diesen Punkten werden die Kunden befragt und können dann bestimmten Käufertypen zugeordnet werden. Eine ähnliche Kategorisierung ist die Einteilung der Kunden nach ihrem Kaufverhalten. Dies kann untergliedert werden nach Kaufvolumen, Treue oder Kaufmotiv. Der Kundenwert für das Unternehmen kann anhand der Attraktivität jedes einzelnen Kunden unterschieden werden. Ziel hierbei ist das sich die Fokussierung und Spezialisierung auf die einzelnen Käufergruppen in Erfolgsmessungen darstellt. Dabei spiegelt der Kundenwert den „wahrgenommenen, ökonomischen Beitrag eines Kunden zur Erreichung der monetären und nicht-monetären Ziele des Anbieters wider“.^[67]

Dafür können verschiedene Verfahrensweisen angewendet werden, um den Kundenwert zu ermitteln. Mit Hilfe der ABC-Analyse können die Kunden nach der Höhe ihres Umsatzes in eine der drei Gruppen unterteilt werden. Die mit den höchsten Umsätzen sind die A-Kunden, die mit den niedrigsten die C-Kunden. Dabei besagt das Paretoprinzip, das 20% der Kunden 80% des Umsatzes erzielen. Auf die A-Kunden sollen die Ziele und die Strategien des Unternehmens ausgerichtet sein.

Die Kundenportfolio-Analyse stellt das Verhältnis zwischen Kundenattraktivität und Wettbewerbsposition dar. So lassen sich die Kunden in verschiedene Gruppen darstellen. Die Stars sind sehr attraktive Kunden, die einen hohen Kaufanteil besitzen. Hierbei soll die Kundenbindung weiter ausgebaut werden. Die Question Marks sind attraktiv für das Unternehmen, aber nicht erreichbar durch die eigene schwache Wettbewerbsposition. Hierbei muss das Unternehmen prüfen, ob die Kundenbeziehung und damit die Wettbewerbsposition weiter ausgebaut wird, um Question Marks als Stars zu gewinnen. Aus Sicht der Kundensegmentierung haben die Cash Cows eine recht geringe Attraktivität, da bei ihnen die Wettbewerbsposition der Konkurrenz schwach ist. Das Unternehmen muss keine besonderen Anstrengungen investieren um diese Kunden zu halten, da sie stetige Umsätze generieren. Die letzte Gruppe sind die Poor Dogs, bei denen sowohl der Lieferanteil, als auch die Attraktivität gering ist. Die Beziehung zu diesen Kunden sollte beendet werden.^[68][69]

Für die Segmentierungskriterien ergeben sich bestimmte Erfordernisse, damit diese effektiv eingesetzt werden können. Die Kriterien müssen messbar sein, um effektive Maßnahmen ergreifen zu können. Weitere Anforderungen sind die Trennbarkeit der Kriterien, welche sich nicht über einen längeren Zeitraum ändern sollten. Die Ziele sollen mit Hilfe von Marketinginstrumenten erreichbar sein.^[70]

3.4.2.1 Datenquellen

Die Voraussetzung für die Kundensegmentierung sind geeignete Daten, anhand derer die Analysen vorgenommen werden können. Die Daten können aus verschiedenen Quellen stammen. Die am schnellsten zu erreichende Datenquelle ist das eigene CRM-System bzw. ähnliche IT-Systeme der Unternehmen. Durch den eigenen Vertrieb bzw. dem Kundenservice und Beschwerdemanagement, können Zusatzinformationen der Kunden ermittelt werden. Kundenkarten und Informationen aus Gewinnspielen fließen in das CRM-System mit ein.

Doch die IT-Systeme enthalten wenige Daten über das Verhalten des Kunden und dessen Lebensstil. Dafür können Daten aus Primärerhebungen wie Befragungen oder Beobachtungen ermittelt werden.^[71]

Mit Hilfe der Marktforschung können Analysen wie Kundenbarometer und Zufriedenheitsindizes erstellt werden. Für Auskünfte über die Bonität der Kunden stehen sowohl eigene Abrechnungsinformationen, als auch verschiedene Wirtschaftsauskunftsdateien zur Verfügung. Zu weiteren Informationsdiensten, die Daten liefern können, zählen Studien und Branchenanalysen. Benchmarks von Verbänden und Beratern stellen Information über aktuelle als auch potentielle Kunden zur Verfügung. Aus allen unterschiedlichen Datenquellen können die Informationen mit Hilfe von OLAP- und Data-Mining – Analysen selektiert und ausgewertet werden.

3.4.2.2 Auswertungen

Der Einsatz des analytischen CRM vereinfacht die Kundensegmentierung stark. Da die Daten nicht nur in Rohform vorliegen, sondern zu aggregierten Analysen zusammengefasst sind, können entsprechende Auswertungen erstellt werden. Mit dem Analyseinstrumenten OLAP und Data-Mining besteht die Möglichkeit die verschiedenen Zusammenhänge innerhalb der Kundengruppen zu analysieren. Dadurch erhält das Management eines Unternehmens einen präzisen aggregierten Überblick über die zugehörigen Kennzahlen. Die Mitarbeiter nutzen die aus den Analysen ermittelten Ergebnisse um weitere Marketingmaßnahmen und Kundenansprachen durchzuführen.

3.4.2.3 Bewertung

3.4.2.3.1 Chancen

Der erfolgreiche Einsatz der Kundensegmentierung führt zu einer guten Informationslage im Unternehmen. Die Wünsche und Bedürfnisse der Kunden sind bekannt und auf diese kann gezielt eingegangen werden. Des Weiteren kann der Preisspielraum durch die Erkenntnisse der Segmentierung entsprechend angepasst werden und damit besteht für die Unternehmen die Möglichkeit erfolgreich die Preispolitik zu beeinflussen. Die Unternehmen können lenkend eingreifen. Weiterhin kann genauso erfolgreich mit den angebotenen Waren und Dienstleistungen, sowie dem Service und der Produktgüte konkurriert werden. Die Unternehmen können erfolgreich den Qualitätswettbewerb bestehen.

3.4.2.3.2 Risiken

Gefahren wiederrum liegen bei den hohen Anforderungen an dem eingesetzten Marketing-Mix, um die nach der Segmentierung entwickelten Marketingstrategien zu erfüllen. Dies kann zu erhöhten Kosten im Marketing führen, welche durch die entwickelte Strategie nach der Segmentierung eingespart werden kann. Weiter besteht das Risiko den hohen Informationsbedarf nicht erfüllen zu können. Die Segmentierung benötigt viele und im Idealfall detaillierte Informationen der Kunden. Ungenügende Anzahl an Informationen ermöglichen keine erfolgreiche Segmentierung. Fehlinformationen im CRM-System führen zu hohen Kosten.

Chancen	Risiken
hohe Bedarfsentsprechung	komplizierter Marketing-Mix
Preisspielraumerweiterung	Marketing-Kostennachteile
gute Lenkungsmöglichkeiten	hoher Informationsbedarf
Qualitätswettbewerb	fragliche Segmentstabilität

In Anlehnung an: Trommsdorff, V.: Vorlesung Strategisches Marketing

Tabelle 7: Chancen/Risiken der Segmentierung^[72]

3.4.2.4 Praxisbeispiele

Der Hersteller eines Smartphones möchte die verschiedenen Kunden und deren Bedürfnisse ermitteln, um bei der Markteinführung einen breiten Kundenkreis ansprechen zu können. Dazu sollen die unterschiedlichen Kundengruppen selektiert werden, um diese mit geeigneten Marketingmaßnahmen auf das Smartphone aufmerksam zu machen.

Dabei sollen nicht nur die Wünsche der Kunden für die Gerätespezifikationen ermittelt werden, sondern dem Kunden soll mit auf ihn zugeschnittenen Service-Angeboten (Vertragslaufzeiten, Rabatte, Gerätegarantien,…) angesprochen werden.

Dazu können die benötigten Informationen zur Ermittlung der Kundengruppen aus dem analytischen CRM gewonnen werden. Die klassischen Segmentierungskriterien (Alter, Geschlecht, Einkommen) können mit Softkriterien (Interessen, Meinungen, Persönlichkeitsmerkmale) kombiniert werden. Daraus gewonnen Kenntnisse können sowohl in die Entwicklung, als auch in die Vermarktung des Smartphone einfließen.

3.4.3 Vertriebskanalnutzung

Der Begriff Vertriebskanal wird in der Literatur häufig synonym mit Begriffen wie Absatzkanal, Distributionskanal und Marketingkanal verwendet.^[73] Nach Meffert wurde der synonyme Begriff Absatzkanal definiert als: "Die Absatzkanäle, beziehungsweise Absatzwege umfassen die rechtlichen, ökonomischen und kommunikativ-sozialen Beziehungen aller am Distributionsprozess beteiligten Personen beziehungsweise Institutionen."^[74] Jede vollständige Verbindung eines Herstellers mit einem Endverbraucher kann folglich als ein eigenständiger Vertriebskanal bezeichnet werden.^[73]

Konsumenten sind vor allem durch den Wandel der Informationsgesellschaft zu vagabundierenden Konsumenten^[75] geworden, die sich je nach individueller Bedürfnislage oder Interessen bei verschiedenen Marken und Produkten völlig gegensätzlich verhalten.^[76] Der Konsument wird meist von Angeboten und Informationen überflutet, welche ihm eine Vielzahl von Optionen zum Kauf bieten. Diese Multioptionalität des Kaufverhaltens spiegelt sich auch in der Wahl der Kommunikations- und Distributionskanälen wieder.

Die Vielzahl an neuen Vertriebskanälen führt nicht zur Vernachlässigung der etablierten Kanäle, sondern zu einer Parallelisierung bzw. Nacheinanderschaltung von Kanälen durch den Konsumenten. Erfahrungen die in einem Kanal des Anbieters gemacht wurden, werden vom Konsumenten auch auf andere Kanäle übertragen.^[73] Für Konsumenten ist es ebenso selbstverständlich, sich in einem Vertriebskanal des Anbieters Informationen über seine Produkte und Dienstleistungen einzuholen, und im Anderen das Produkt zu kaufen.^[73] So kann ein Konsument sich im Onlineshop oder über die Internetpräsenz des Herstellers über ein bestimmtes Produkt informieren um es anschließend im Einzelhandel zu kaufen. Teilweise werden dabei auch die höheren Preise im Einzelhandel für die Sicherheit eines direkten Ansprechpartners bei Service, Wartung und Zusatzprodukten in Kauf genommen.

Die Vertriebskanalnutzung wird generell in zwei Arten, die direkten und die indirekten Kanäle, unterschieden. Die direkten Kanäle stellen den direkten Kontakt in Kommunikation und Distribution her. Beispiele für direkte Vertriebskanäle sind unter anderem Telefon, Internet, eigene Geschäftsstellen und sonstige Direktmarketingkanäle (z.B. Kataloge). Indirekter Vertrieb erfolgt über Großhändler, Einzelhändler, Franchisenehmer und sonstige indirekte Kanäle. Direkte Vertriebskanäle werden dabei von Konsumenten präferiert (siehe dazu Abbildung Vertriebskanalnutzung). Mittlerweile hat sich die Multi-Channel-Strategie durchgesetzt. Dabei hat vor allem das Internet in den letzten Jahren an Bedeutung gewonnen. Zum einen wird das Internet als Informationsmedium genutzt, um dann schriftlich oder per Katalog den gewünschten Artikel zu bestellen. Zum anderen kann das Internet auch als direkter Vertriebskanal selbst fungieren, in dem das E-Commerce genutzt und ausgebaut wird.^[77] Im Business-to-Consumer-Bereich geht es beim E-Commerce um den Verkauf von Waren und Dienstleistungen durch elektronische Unterstützung, zwischen Distributor und Endkonsument.^[78]

Entscheidungskriterien zur Wahl der Vertriebsform

	Empfohlene Vertriebsform/Vertriebskanal
Produktbezogene Faktoren
Hoher Wert	Direkt, persönlich / Ladenlokal
Technisch-physikalische Eigenschaften/hohe Verderblichkeit	Direkt
Hoher Standardisierungsgrad	Indirekt / Kataloge, E-Commerce, TV, Telefon
Hohe Erklärungsbedürftigkeit	Persönlich, physisch / Ladenlokal, Telefon
Kundenbezogene Faktoren
Hohes wahrgenommenes Kaufrisiko	Persönlich, physisch
Kaufgewohnheiten	Direkt/Indirekt, persönlich, Telefon, E-Commerce /
Handelsbezogene Faktoren
Hohe Qualifikation des Verkaufspersonals	Indirekt, da hohe Kosten / Handelsvertreter, Vertriebspartner
Sortiment der Handelsbetriebe	Indirekt bei passendem Sortiment, sonst direkt
Wettbewerbsbezogene Faktoren
Vertriebsformen des Wettbewerbs	Abgrenzung oder Anlehnung an Wettbewerb möglich
Starke Marktstellung der Wettbewerber im Handel	Eher direkt, stärkere Beeinflussung des Konsumenten
Unternehmensbezogene Faktoren
Unternehmens- und Marketingziele	Schließen u. U. bestimmte Vertriebsformen aus
Hohe Finanzkraft	Direkter Vertrieb möglich
Sortimentsbreite	Eher indirekt, da zu hohe Personalkosten
Sonstige Faktoren
Gesetze	Beachtung der Vorschriften (z.B. kein Direktvertrieb verschreibungspflichtiger Medikamente)
Ökologische Aspekte	Direkt, persönliches Gespräch

Tabelle 8: Entscheidungskriterien zur Wahl der Vertriebsform ^[79]

Eine weitere entscheidende Rolle im Kontext der Wirtschaftlichkeit von CRM-bezogenen Aktivitäten ist die Effektivität der Vertriebskanalnutzung. Die Effektivität der Vertriebskanalnutzung setzt eine strukturierte Planung und Analyse der eigenen Ressourcen, sowie eine detaillierte Zielgruppenanalyse voraus. Nur durch eine durchdachte Verteilung der Vertriebskanäle auf die Anforderungen am Markt wird eine hohe Auslastung und ein dementsprechender ROI (Return on Invest) erreicht. Hier fällt vor allem die Berücksichtigung der Zielgruppe ins Gewicht.

3.4.3.1 Auswertungen

Jeder Vertriebskanal bietet Vor- und Nachteile. Um die die anvisierten Vertriebsziele zu erreichen, müssen nach Analysen des Kundenstamms aus dem Analytischen CRM, unterschiedliche Erfolgsfaktoren bei der Auswahl der Vertriebskanäle berücksichtigt werden.

Das Geschäftsmodell des Unternehmens, inklusive der spezifischen Besonderheiten, muss für die Auswahl der Vertriebskanäle in Betracht gezogen werden. Bei einem Unternehmen das kostengünstige Standardprodukte vertreibt, ist es selten erforderlich in einen Vertriebskanal mit umfassender Beratung zu investieren.

Die Rahmenbedingungen, die auf einem Markt herrschen, sind von großer Bedeutung für die erfolgreiche Nutzung eines Vertriebskanals. Für den Vertrieb von einfachen Produkten, die auf einen weiten Kundenkreis abgestimmt sind, bieten sich eher horizontale Marktplätze an.

Komplexe Produkte, die sich an einen begrenzten Kundenkreis richten, werden auf vertikalen Marktplätzen angeboten. Diese konzentrieren sich auf bestimmte Branchen, wie beispielsweise die Consumerelektronik.^[80]

Die Zielgruppe ist das wichtigste Erfolgskriterium für die Auswahl der Vertriebskanäle. Auf sie muss das vollständige Marketing und Vertriebskonzept abgestimmt werden.

Je nachdem, welche Kundengruppe nach der Segmentierung und einer systematischen Zielgruppenanalyse in den Fokus des Interesses gerät, können eine Vielzahl von Vertriebskanälen in Betracht gezogen werden. Bei dem Vertrieb eines Smartphones sollte überwiegend eine junge Konsumentengruppe berücksichtigt werden, die über moderne Vertriebskanäle wie dem Internet (Onlineshops, soziale Netzwerke) Informationen und Produkte beziehen.

Auch der Direktabsatz im Ladenlokal sollte nicht vernachlässigt werden, da Informationen durch Datenblätter oder Erfahrungen anderer Käufer meist nicht für eine endgültige Kaufentscheidung ausreichen. Vielen Konsumenten ist eine physische Erfahrung mit dem Produkt wichtig, z.B. durch haptische Analyse des Smartphones oder des Look & Feel.

Die Seriosität ist vor allem bei indirektem Vertrieb über Vertriebspartner von entscheidender Rolle. Hier wird auch die Zertifizierung der Partner oder der eigenen E-Commerce Systeme immer wichtiger um einem Imageschaden vorzubeugen.

Kosten sind ein wichtiger Faktor für die Vertriebskanalbeurteilung. Da Personal mit Abstand der größte Kostenfaktor einer Unternehmung ist, sind beim Direktvertrieb über Telefon, oder im Ladengeschäft mit den höchsten Kosten zu rechnen. Diese Kanäle setzen ein qualifiziertes und geschultes Personal voraus. Bei indirektem Vertrieb über den Großhandel oder Handelsvertreter fallen die Kosten geringer aus, es muss aber mit Vertriebskonflikten und Gewinnschmälerungen gerechnet werden.^[80]

3.4.3.2 Bewertung

3.4.3.2.1 Chancen

Bei einer effizienten Vertriebskanalnutzung ergeben sich Vorteile in der Interaktion zwischen Unternehmen und Kunde. Die auf den Kunden abgestimmte, individuelle Kommunikation fördert ein Alleinstellungsmerkmal im Verdrängungswettbewerb. Kunden reagieren auf die persönliche Ansprache mit einer Stärkung des Vertrauensverhältnis, das durch guten Service weiter ausgebaut und profitabel gestaltet werden kann.

3.4.3.2.2 Risiken

Eine Anpassung der Vertriebskanäle an den Kunden, anhand von Auswertungen aus dem OLAP bzw. Data-Mining Prozess, bietet nicht zu vernachlässigende Risiken. Auswertungsergebnisse einer Kundenstammanalyse, bei der eine junge Kundengruppe für ein Smartphone ausgewiesen wurde, könnte das anbietende Unternehmen verleiten, seinen Vertrieb auf einen Kanal zu konzentrieren. Dabei können Kunden die durch die Kundenstammanalyse aus dem Interessenfokus gelangen nicht mehr vollständig adressiert werden. Hier würde sich der Einsatz von Multi-Channel-Marketing lohnen, da so verschiedene Kundengruppen auf individuellen Kanälen angesprochen werden.

3.4.3.3 Praxisbeispiele

Um beispielsweise ein neues Smartphone zu kaufen, holt der Konsument sich zuerst Informationen sowie Inspiration über die verschiedenen Produkte per Katalog oder Bildergalerien im Internet. Unterwegs wird, nach Auswahl des geeigneten Artikels im Internet, per Smartphone oder Tablet zielgerichtet nach Zusatzinformationen und Erfahrungsberichten gesucht. Der Kauf des eigentlichen Artikels erfolgt danach meist im Ladenlokal. Lieferstatus werden von nun an per Anruf im Call-Center des Lieferanten oder bei Spediteuren angefragt. Viele Lieferanten (E-Commerce) und Spediteure bieten diesen Service bereits im Internet an, in dem die Versand-ID der Bestellung vom Lager des Lieferanten bis hin zum Konsumenten genau nachvollzogen werden kann. Bei Reklamationen erfolgen Beschwerden und Gewährleistungsanträge in der Filiale, da hier dem Konsument ein direkter, physisch zu erreichender Ansprechpartner zur Verfügung steht. Unmut, aber auch positive Erfahrungen mit dem Lieferanten bzw. des Kauf-/ Lieferungsprozesses, werden vielfach in sozialen Netzwerken oder Blogs anderen Nutzern und potentiellen Interessenten mitgeteilt. Wenn ein Konsument in einem Onlineshop eines Smartphoneherstellers eine schlechte Erfahrung macht, wird dieser auch das Mobilfunkgeschäft des Herstellers meiden.

Im Rahmen des After-Sales findet häufig nach Erhalt des Produktes eine kurze Nachfrage zum Prozessablauf, Kundenzufriedenheit oder Wahl des Vertriebskanals sowie eine Registrierung des Kunden im Newsletter statt. Aus den daraus gewonnenen Daten fließen dem unternehmenseigenen Data Warehouse zu, woraus sich wiederum wichtige Schlüsse für das Marketing, den Vertrieb und das Management ableiten lassen.

Das Beispiel zeigt, dass Kunden gleichzeitig auf mehreren Kanälen angesprochen werden sollen, um eine höhere Erreichbarkeit zu generieren, sowie eine größere Marktpräsenz zu zeigen. Zusatzleistungen wie besonderer Service oder Gewährleistungen sind dann ausschlaggebend für die Marktstellung.

3.5 Kampagnenmanagement

In Anlehnung an Leitzmann^[81] wird Kampagnenmanagement definiert als die Planung, Abwicklung und Steuerung aller Aktivitäten bei der Durchführung einer Kampagne. Eine Kampagne ist die zielgerichtete Kommunikationsansprache der vorher definierten Kundenzielgruppe. Die Kommunikation kann persönlich oder über Medien (Telefon, Email, Brief) erfolgen. Das Kampagnenmanagement verfolgt das Ziel, dem Kunden das richtige Produkt zum richtigen Zeitpunkt anzubieten. Dazu zählt:

• Vollständige Transparenz über die Aktivitäten mit dem Kunden
• Optimale Steuerung und Dosierung der Kundensprache, d.h. keine Überflutung mit Informationen
• Informationsgewinnung über potentielle Neukunden
• Bessere Ermittlung und Ausschöpfung bestehender Kundenpotenziale auf der Basis von Data-Mining und Response-Auswertung
• Erhöhung der Kundenzufriedenheit durch bedarfsorientierte Produktangebote und die Wahl des bevorzugten Vertriebsweges
• Entlastung des Vertriebs durch treffsichere und damit weniger umfangreiche Selektion
• Erhöhung des Absatzes
• Verbesserung der Cross-Selling-Quote
• Stärkung der Kundenbindung
• Verhinderung von Kundenverlusten durch Früherkennung abwanderungsgefährderter Kunden
• Imagegewinn durch zielgruppenorientierte Kundenansprache^[82]

Folgende drei Phasen durchläuft das Kampagnenmanagement:

• Planung
• Durchführung
• Analyse

Das Kampagnenmanagement kann als Bindeglied zwischen operativen und analytischem CRM angesehen werden. So lassen sich die drei Phasen auf den Closed-Loop-Prozess adaptieren. In der Analysephase werden Transaktions- und Kundendaten aus operativen CRM-Systemen extrahiert und aufbereitet. Die gewonnenen Informationen fließen in die Planungsphase des Kampagnenmanagement ein. Dort werden, durch Prognosemodelle und Optimierungsregeln, Entscheidungen über den Umfang der Kampagne und der anzusprechenden Kunden getroffen. Ist ein Start der Kampagne definiert, so folgt die Durchführungsphase der Kampagnenaktionen. In dieser Phase fließen die Reaktionen der Kunden in das operative CRM-System ein. Aufgrund der Reaktionen kann die Kampagnenaktion auf Effektivität und Effizienz überprüft werden. Eine CRM-Kampagne lässt sich an monetären Kennzahlen und nicht monetären Erfolgsgrößen messen. Wichtige monetäre Kennzahlen liefert das Rechnungswesen. Das Rechnungswesen kann durch die verursachungsgerechte Weiterverrechnung einer einzelnen Kampagnenaktion alle verbunden Kosten und Erlöse ermitteln. Weitere Ertragskennzahlen wie Umsatz- und Deckungsbeitragssteigerungsraten, die mit einer Aktion verbunden sind, besitzen wertvolle Hinweise einer Erfolgswirkung. Anhand einer Break-Even-Point Analyse lassen sich Erlös-, Kosten- und Mengenänderungen auf den Erfolg ableiten. Die nicht monetären Erfolgsgrößen können z.B. negative Kundenrückmeldungen zu der aktuellen Kampagne sein, welche durchaus als Korrektur identifiziert werden und diese in entsprechende Gegenmaßnahmen abgeleitet werden.

4 Fazit

Die Fallstudie zeigt, dass vor allem die Kombination von Business Intelligence und CRM für kundenorientierte Unternehmen unverzichtbar ist. Die Kundennähe eines Unternehmens ist maßgeblich ausschlaggebend für die Einführung einer BI- und CRM- Lösung. Je größer der Kunden- und Interessentenstamm, desto intensiver ist die Anwendung des analytischen CRM. Kleine Unternehmen sind aufgrund ihrer begrenzten Infrastruktur und Ressourcen tendenziell nicht in der Lage eine ökonomisch sinnvolle Integration von BI- und CRM-Systemen im Unternehmen durchzuführen. Für die Instandhaltung eines aktuellen und konsistenten Datenbestandes ist ein hoher, permanenter Pflegebedarf notwendig. In der aktuell schnelllebigen Marktsituation ist es notwendig flexibel auf Marktveränderungen reagieren zu können und die Unternehmensstrategie daraufhin auszurichten. Zusätzlich wurden in dieser Arbeit Techniken des Business Intelligence beschrieben, mit denen sich Komponenten des analytischen CRM umsetzen lassen. Durch das analytische CRM ergibt sich die Möglichkeit den Markt in verschiedene Gesichtspunkte zu strukturieren und diese zu analysieren. Darauf können die Vertriebs-, Verkaufs- und Marketingkanäle individuell auf den Kunden abgestimmt werden. Neue Märkte und Kundenkreise können durch den Einsatz von Business Intelligence und CRM Anwendungen entdeckt und erschlossen werden. Für eine effiziente Nutzung des analytischen CRM ist eine umfangreiche und qualitativ hochwertige Datenbasis erforderlich. Bei korrupten, inkonsistenten oder falschen Daten besteht die Gefahr, dass in Analysen falsche Rückschlüsse gezogen werden und infolge dessen hohe Kosten auf das Unternehmen zukommen. Um in der heutigen Zeit Kundenbeziehungen optimal pflegen zu können, ist den Unternehmen der Einsatz von analytischem CRM-Systemen zu empfehlen. Dies ermöglicht den Unternehmen einen Marktvorsprung, bei dem eine verbesserte Kundenbeziehung und eine langfristige Kundenbindung entsteht. Die Mitarbeiter können sich in kürzester Zeit mit den Informationen aus dem CRM auf den Kunden einstellen, um dem Ansatz Kunde ist König zu entsprechen.

5 Ausblick

5.1 Marktentwicklung

Da Business Intelligence zu einem fundamentalen Instrument für die Sicherstellung des Geschäftserfolges von Unternehmen herangereift ist, sind die Marktprognosen dementsprechend positiv. Laut einer Studie des Marktforschungsunternehmen Lünendonk, aus September 2011, wachsen die untersuchten Business Intelligence Anbieter um durchschnittlich 9,3%. Der Fokus dieser Studie lag auf Unternehmen mit Hauptsitz in Deutschland, sowie deutschen Tochtergesellschaften ausländischer Business Intelligence Standard Software Hersteller. Dazu gehören unter anderem Software für Datenintegration, Datenkonsolidierung, Reporting- und Dashboard-Anwendungen. Die Prognosen für die nächsten vier Geschäftsjahre belaufen sich auf ein durchschnittliches Wachstum um 21,5% pro Jahr. Vor allem dem Bereich für die Verbesserung der Datenintegrität und Datenqualität wird das größte Wachstumspotential prognostiziert.^[83] Die Marktentwicklung verdeutlicht, dass der positive Trend der letzten Jahre im Business Intelligence Umfeld weiter andauert. Die speziell auf den Kunden ausgerichtete Unternehmensstrategie verlangt in Zukunft noch komplexere Business Intelligence und CRM Lösungen, die es ermöglichen flexibler auf die wechselnde Marktbedingungen reagieren zu können. On Demand CRM Anwendungen, werden auch in Zukunft weiter an Bedeutung gewinnen. Ihre schnelle Inbetriebnahme und flexible Skalierbarkeit bieten vor allem Neukunden einen attraktiven Einstieg. Zukünftig werden Unternehmen verstärkt auf Informationen auf Social Media Quellen zurückgreifen. Diese bieten ein hohes Potential für neue Kundenkontakte und tiefergreifende Recherchen. Hingegen werden Open Source Anwendungen weiterhin keine große Akzeptanz der Unternehmen am Markt erlangen. Die bestehenden Integrationshürden und fehlende Verbindlichkeiten für Weiterentwicklungen stehen der Etablierung weiterhin im Wege.^[84]

5.2 Technologietrend

Um den stetig wachsenden Wunsch der Unternehmung, schnelle und flexiblere Reaktionsmöglichkeiten im Business Intelligence und CRM Umfeld nachzukommen, müssen vorhandene Technologien verbessert oder neue Ansätze verfolgt werden. Ein besonderer Schwerpunkt wird hierbei auf die Aktualität der Daten gelegt. Um sich bestmöglich an den Kunden zu orientieren, müssen die erforderlichen Daten so aktuell wie möglich sein. Da aber die Datenbasis in der Regel in einem fest definierten Zyklus aktualisiert wird, kann es vorkommen, dass der Vertrieb auf einen veralteten Datenbestand zurückgreift. Um diesem Problem zu entgegnen wird als Technologieansatz die Echtzeit (Real Time) Aktualisierung verwendet. Diese Aktualisierungsmethode wird auch als Real Time Data Warehousing bezeichnet. Im Vergleich zum herkömmlichen Pull-Prinzip, arbeitet das Real Time Verfahren nach dem Push-Prinzip. Dies bedeutet, dass bei jeder relevanten Aktualisierung der Quellinformationen die Daten automatisiert ins Data Warehouse geladen und aufbereitet werden. Somit stehen die Daten innerhalb einer minimalen Latenzzeit für Auswertungen zur Verfügung. Die Aktualisierung der Daten erfolgt über Web Services auf Basis von SOA (Serviceorientierte Architektur).^[85] Zusätzlich zu einer aktuellen Datenbasis, ist es von großer Bedeutung, dass die Daten schnell im System verarbeitet werden und die analytischen Abfragen innerhalb kürzester Zeit die gewünschten Ergebnisse zurückliefern. Die Problematik bei bislang verwendeten relationalen- oder multidimensionalen Datenbanken ist, dass bei steigendem Datenvolumen die Antwortzeiten des Systems zunehmend langsamer werden. Hierfür ist die In-Memory Technology ein Ansatz zur enormen Performancesteigerung. Beispielsweise hat SAP mit dem HANA Produkt die Möglichkeit geschaffen, die Datenhaltung komplett, oder zu einem großen Teil, im Arbeitsspeicher zu laden. Die Zugriffsgeschwindigkeiten auf die Daten werden bei der Beladung, ebenso wie bei Anwenderanalyse stark verbessert. Schnelle Auswertungsergebnisse haben schnellere Entscheidungs- und somit Umsetzungsmöglichkeiten zur Folge. Es können Datenmengen die vorher durch physikalische Grenzen nicht in Beziehung gebrachten werden konnten, gemeinsam ausgewertet werden. Somit können neue Gesichtspunkte und Unternehmensstrategien entwickelt werden.^[86] Das Reporting wird auch für den mobilen Bereich immer interessanter. So geht die Entwicklung immer stärker dahin, dass die neusten Unternehmenskennzahlen sofort auf die Mobilfunkgeräte oder Tablet PCs übertragen werden können. Sogar kleine Berichte können schon auf voraggregierten Daten direkt am Gerät erstellt werden. Die logische Konsequenz, dass mobile CRM Anwendungen immer interessanter werden, ist daher naheliegend. Die Zeit die die Vertriebsmitarbeiter direkt in Kundennähe verbringen wächst kontinuierlich an. Somit müssen diese vor Ort mit den neusten Kundeninformationen versorgt werden. Die Business Intelligence Anbieter haben angefangen ihr Anwendungsportfolio dahingehend auszubauen und werden den Trend noch die nächsten Jahre fortführen.^[87]

6 Fußnoten

1. ↑ Vgl. Grothe, Gentsch (2000) S. 18 f.
2. ↑ Vgl. wirtschaftslexikon.gabler.de
3. ↑ Vgl. Grothe, Gentsch (2000) S. 16 f.
4. ↑ Vgl. Kemper, Baar, Mehanna (2010) S. 10 ff.
5. ↑ Vgl. Schrödl (2009) S. 13 f.
6. ↑ Vgl. Grothe, Gentsch (2000) S. 178 f.
7. ↑ Vgl. Wieken S. 13
8. ↑ Vgl. Kimbal, Ross (2002) S. 13
9. ↑ Vgl. Bauer, Günzel (2001) S. 9
10. ↑ ^{10,0 10,1 10,2} Vgl. Bauer, Günzel (2001) S. 10
11. ↑ Vgl. Bauer, Günzel (2001) S. 31 ff.
12. ↑ Vgl. Wieken S. 40 ff.
13. ↑ Vgl. Kimball, Ross (2002) S. 10 ff.
14. ↑ Vgl. Wieken (1999) S. 57 ff.
15. ↑ Vgl. Hippner, Wilde (2008) S. 17
16. ↑ Vgl. Dittrich (2005) S. 5
17. ↑ Vgl. Andresen(2004) S. 5
18. ↑ ^{18,0 18,1 18,2} Vgl. Helmke, Uebel, Dangelmaier(Hrsg.) (2008) S. 11ff.
19. ↑ ^{19,0 19,1 19,2 19,3} Vgl. Baaken u.a.(2002) S. 14ff.
20. ↑ ^{20,0 20,1} Vgl. Frielitz, Hippner, Martin, Wilde(2001) S. 8ff.
21. ↑ ^{21,0 21,1} Vgl. Hettich, Hippner, Wilde (2000) S. 1346
22. ↑ Vgl. Nachhaltigkeit von CRM-Systemen
23. ↑ Vgl. Schulze (2002) S. 57, 58
24. ↑ Vgl. Eggert (2001), S.90
25. ↑ Vgl. Homburg, Sieben (2008), S.513 ff.
26. ↑ Vgl. Wehrmeister (2001), S.113 ff.
27. ↑ Vgl. Dangelmmaier, Uebel, Helmke (2002), S.3-16
28. ↑ Vgl. Matthias Dittmar (2000)
29. ↑
30. ↑ Vergl. Rennhak (2006), S.140
31. ↑ ^{31,0 31,1 31,2} Vgl. Messerschmidt, Schweinsberg (2003)
32. ↑ Vgl. Baar, Kemper, Mehanna (2010)
33. ↑ Vgl. Naumann (2003)
34. ↑ Vgl. Gawlik, Kellner, Seifert (2002), S.39
35. ↑ Vgl. Junge (2002), S.60
36. ↑ Vgl. Chamoni, Peter, Gluchowski Peter (2006)
37. ↑ Vgl. Clausen, Nils (1998)
38. ↑ Vgl. Manhart, Zimmermann (2002), S.105-106
39. ↑ Vgl. Winkelmann (2010), S.310 f.
40. ↑ Vgl. Grotheer, Hebben (1999)
41. ↑ Vgl. Codd E.F., Codd S.B., Salley (1993) S.4
42. ↑ Vgl. Forsman (1996)
43. ↑ Vgl. Thurnheer (2003) S. 3
44. ↑ Vgl. datawarehouse4u.info (2008)
45. ↑ Vgl. Pachernik (2001)
46. ↑ ^{46,0 46,1} Vgl. Applix GmbH (1999) S.4
47. ↑ Vgl. Konetzny (2004)
48. ↑ Vgl. Richter (2001) S. 197/198
49. ↑ Vgl. Inan (1997) S.19/20
50. ↑ Vgl. Azevedo et al. (2005) S.51/52
51. ↑ Vgl. ITwissen.info
52. ↑ Vgl. Ahlemeyer-Stubbe (2003) S. 4
53. ↑ Vgl. Alpar, Niedereichholz (2000) S.3
54. ↑ ^{54,0 54,1 54,2} Vgl. Bensberg, Grob (1999)
55. ↑ Vgl. Fayyad, et al. (2002)
56. ↑ Vgl. Dürr (2003)
57. ↑ Vgl. Tiwari (2002)
58. ↑ Vgl. http://wirtschaftslexikon.gabler.de
59. ↑ Vgl. skopos.de
60. ↑ Vgl. Jung (2006) S.560
61. ↑ Vgl. Vollerthun (2001)
62. ↑ Vgl. Bauer, Günzel (2001) S. 38 ff.
63. ↑ Vgl. Schulz (1995)
64. ↑ Vgl. Freter (2008) S. 375
65. ↑ Vgl. Pepels (2000)
66. ↑ Vgl. Haase (2004)
67. ↑ Vgl. Duderstadt (2006) S. 85
68. ↑ Vgl. Beyer (2005) S.10
69. ↑ Vgl. Strasser (2008)
70. ↑ Vgl. Business-Wissen (2008)
71. ↑ Vgl. Kleiner (2008)
72. ↑ Vgl. Trommsdorff (2010)
73. ↑ ^{73,0 73,1 73,2 73,3} Vgl. Wirtz (2008) S. 15
74. ↑ Vgl. Meffert (2000) S. 600
75. ↑ Vgl. Diller (2001)
76. ↑ Vgl. Schmalen (1999) S. 387
77. ↑ Vgl. Ahlert, Blut, Michaelis (2007) S. 292
78. ↑ Vgl. Hermanns, Sauter (Hrsg) (1999) S. 191- 207
79. ↑ Vgl. Teia (2009)
80. ↑ ^{80,0 80,1} Vgl. Vertrieb-Strategie.de
81. ↑ Vgl. Leitzmann (2002) S. 371
82. ↑ Vgl. Dold, Hoffmann, Neumann (2004), S. 17
83. ↑ Vgl. luenendonk.de (2011)
84. ↑ Vgl. salesbusiness.de
85. ↑ Vgl. Töpfer, Winter (2008) S. 234 f.
86. ↑ Vgl. sap.com/germany
87. ↑ Vgl. Bauer (2008) S. 75 ff.

7 Literatur- und Quellenverzeichnis

Ahlemeyer-Stubbe (2003)	Ahlemeyer-Stubbe, A.: Business Intelligence im CRM, 2003 http://www.data-mining-tutorial.de/document/art13.pdf (28.12.2011)
Ahlert, Blut, Michaelis (2007)	Ahlert, Blut, Michaelis: Erfolgsfaktoren des Multi-Channel-Marketings, 2007
Andresen (2004)	Marco Alexander Caiza Andresen: CRM als Marketing-Management-Konzept, 1. Auflage, 2004
Alpar, Niedereichholz (2000)	Alpar, P., Niedereichholz, J. (Hrsg.): Data Mining im praktischen Einsatz, 2000
Applix GmbH (1999)	Applix GmbH: OLAP-Leitfaden, 1999 http://www.klesse.de/files/Applix_OLAP_leitfaden.pdf (28.12.2011)
Azevedo et al. (2005)	Azevedo, P., Brosius, G., Dehnert, S., Neumann, B., Scheerer, B.: Business Intelligence und Reporting mit Microsoft SQL Server 2005, Microsoft Press Deutschland, 2006
Baar et al. (2010)	Baar, Kemper, Mehanna: Business Intelligence - Grundlagen und praktische Anwendungen, 3.Auflage, Vieweg+Teubner Verlag
Bauer (2008)	H. Bauer: Erfolgsfaktoren des Mobile Marketing, Springer Verlag
Bauer, Günzel (2001)	Bauer, Günzel: Data Warehouse Systeme - Architektur, Entwicklung, Anwendung, 1.Auflage, Dpunkt Verlag, 2001
Becker (2009)	Grundlagen des ziel-strategischen und operativen Marketing-Managements, 9. Auflage, 2009
Bensberg, Grob (1999)	Grob, H. L., Bensberg, F.: Das Data-Mining-Konzept, Arbeitsbericht Nr. 8, Münster, 1999
Beyer (2005)	Beyer, H.: Online Lehrbuch Marktprozesse, 2005 http://www.economics.phil.uni-erlangen.de/bwl/lehrbuch/kap2/mkterf/mkterf.PDF (15.01.2012)
Business-Wissen (2008)	Business-Wissen: Kriterien und Werkzeuge für die Marktsegmentierung, 2008 http://www.business-wissen.de/handbuch/marktsegmentierung/kriterien-und-werkzeuge-fuer-die-marktsegmentierung/ (15.01.2012)
Chamoni, Peter, Gluchowski Peter (2006)	Chamoni, Peter, Gluchowski Peter: Analytische Informationssysteme, Business Intelligence Technologien und -Anwendungen, 1. Auflage 2006
Clausen, Nils (1998)	Clausen, Nils : Multidimensionale Datenbanken: Produkte, Markt, Funktionsweise und Implementierung
Codd E.F., Codd S.B., Salley (1993)	Codd E.F., Codd S.B., Salley C.T.: Providing OLAP to User-Analysts: An IT Mandate, 2007 http://www.minet.uni-jena.de/dbis/lehre/ss2005/sem_dwh/lit/Cod93.pdf (28.12.2011)
Dangelmmaier, Uebel, Helmke (2002)	Dangelmmaier, Uebel, Helmke : Praxis des Customer Relationship Management, 1.Auflage 2002
datawarehouse4u.info (2008)	datawarehouse4u.info: OLTP vs. OLAP, 2008 http://datawarehouse4u.info/OLTP-vs-OLAP.html (28.12.2011)
Diller (2001)	Neue Befunde zum Einkaufsverhalten, 1. Auflage, 2001
Dittrich (2005)	Dittrich , Matthias: Customer Relationship Management(CRM)- Grundlagen, Systeme und Anwendungsgebiete, 1.Auflage, 2005
Dittmar (2000)	Dittmar : Profitabilität durch das Management von Kundentreue, 1.Auflage, 2000
Dold, Hoffmann, Neumann (2004)	Thomas Dold, Bernd Hoffmann, Jörg Neumann: Marketingkampagnen effizient managen, 1. Auflage, 2004
Duderstadt (2006)	Duderstadt, S.: Wertorientierte Vertriebssteuerung durch ganzheitliches Vertriebscontrolling, 2006
Dürr (2003)	Dürr, H.: Anwendungen des Data Mining in der Praxis, 2003, Seminar Data Mining, Universität Ulm http://www.mathematik.uni-ulm.de/sai/ws03/dm/arbeit/duerr.pdf (15.01.2012)
Eckert (2009)	Eckert: Basiswissen, SOA-BI-CRM-ECM, Grundlagen, Methoden, Praxis, 2009
Fayyad, et al. (2002)	Fayyad, Usama, Grinstein, George: Information Visualization in Data Mining and Knowledge Discovery in Databases, San Jose, 2002
Freter (2008)	Freter, H.: Markt- und Kundensegmentierung: Kundenorientierte Markterfassung und –bearbeitung, 2008
Forsman (1996)	Forsman, S.: OLAP Council White Paper, OLAP Council, San Rafael 1996 http://www.olapcouncil.org/research/whtpaply.htm (28.12.2011)
Grotheer, Hebben (1999)	Grotheer, M., Hebben H.: Schrittliste zum Aufbau einer OLAP-Datenbank, in: Controller Magazin, 1999, Ausgabe 03
Grotheer, Hebben (1999)	Grotheer, M., Hebben H.: Schrittliste zum Aufbau einer OLAP-Datenbank, in: Controller Magazin, 1999, Ausgabe 03
Grothe, Gentsch (2000)	Grothe, Gentsch : Business Intelligence - Aus Informationen Wettbewerbsvorteile gewinnen, 1.Auflage, Addison-Wesley Verlag
Helmke, Uebel, Dangelmaier (Hrsg.) (2008)	Instrumente - Einführungskonzepte - Organisation, 4. Auflage, 2008
Hippner, Wilde (2004)	Hajo Hippner, Klaus D.Wilde: Managagement von CRM Projekten, Handlungsempfehlungen und Branchenkonzepte, 1. Auflage 2004
Hippner, Wilde (2006)	Hippner, Wilde: Grundlagen des CRM, 2. Auflage, 2006
Inan (1997)	Inan, Y.: Diplomarbeit Semantische Modellierung komplexer OLAP-Anwendungen mit der Objekttypenmethode (OTM), 1997 http://kops.ub.uni-konstanz.de/bitstream/handle/urn:nbn:de:bsz:352-opus-1569/156_1.pdf (28.12.2011)
ITwissen.info	ITwissen.info http://www.itwissen.info/definition/lexikon/DOLAP-desktop-OLAP.html (28.12.2011)
Jung (2006)	Jung: Allgemeine Betriebswirtschaftslehre, 10. Auflage
Kimball, Ross (2002)	Kimball, Ross : The Data Warehouse Toolkit, 2. Auflage, Wiley Computer Publishing
Kleiner (2008)	Kleiner, T.: Ansätze zur Kundensegmentierung und zu deren Implementierung im Finanzdienstleistungssektor, Gabler Verlag, 2009
Kemper, Baar, Mehanna (2010)	Kemper, Baar, Mehanna: Business Intelligence - Grundlagen und praktische Anwendungen, 3.Auflage, Vieweg+Teubner Verlag
Konetzny (2004)	Konetzny, M.: OLAP, 2004 http://www.mkonetzny.de/aufsatz/olap.htm (28.12.2011)
Lincke/Zimmermann H., D., in Hermans, A./Sauter,F.(Hrsg) (1999)	Lincke/Zimmermann H., D., in Hermans, A./Sauter,F.(Hrsg): Management Handbuch E-Commerce, 1999
luenendonk.de (2011)	Luenendonk Marktforschungsunternehmen: Studie vom 13.09.2011, http://luenendonk.de/?p=2206 (15.01.2012)
Meffert (2000)	Meffert, H.: Marketing, 1. Auflage, 2000
Messerschmidt, Schweinsberg (2003)	Messerschmidt, H., Schweinsberg, K.: OLAP mit dem SQL-Server: Eine Einführung in Theorie und Praxis, 1. Auflage, Dpunkt Verlag, 2003
Müller (2004)	Bestimmungsgrößen, Ausprägungen und Erfolgsfaktoren, 1. Auflage, 2004
Naumann (2003)	Naumann, F.: Data Cleansing, 2003, http://www2.informatik.hu-berlin.de/mac/lehre/WS03/SE_DataCleansing_Einfuehrungsvortrag.pdf (29.12.2011)
Nachhaltigkeit von CRM-Systemen	http://www.visual4.de/blog/crm/nachhaltigkeit-von-crm-systemen/
Pachernik (2001)	Pachernik, M.: Seminararbeit DataWarehouse, 2001 http://www.ai.wu.ac.at/~koch/courses/wuw/archive/inf-sem-ss-01/pachernik/local.html (28.12.2011)
Pepels (2000)	Pepels, W.: Marktsegmentierung, Sauer Verlag, Heidelberg, 2000
Rennhak (2006)	Carsten Rennhak (Hrsg.): Herausforderung Kundenbindung, 2006, 1. Auflage
Richter (2001)	Richter, W.: Diplomarbeit Virtual Communities und Customer Relationship Management, 2001 http://www.iicm.tugraz.at/Teaching/theses/2001/_idb8c_/wrichter/thesis-final.pdf (28.12.2011)
salesbusiness.de	SalesBusiness: Nachrichtenportal zum Thema "Entwicklung des CRM-Marktes", http://www.salesbusiness.de/Nachrichten/172/15846/Entwicklung-des-CRM-Marktes.html (15.01.2012)
sap.com/germany	SAP Deutschland: In-Memory-Technologie http://www.sap.com/germany/plattform/in-memory-computing/in-memory-appliance/index.epx (15.01.2012)
Schmalen (1999)	Schmalen, H.:Grundlagen und Probleme der Betriebswirtschaft, 1. Auflage, 1999
Schulz (1995)	Schulz, B: Kundenpotentialanalyse im Kundenstamm von Unternehmen, 1995
Schulze (2002)	Schulze, Dr. J.: CRM erfolgreich einführen, 2002
skopos.de	SKOPOS internationales Marktforschungsinstitut , Stichwort: Marktpotenzialanalyse http://www.skopos.de/methoden/marktpotentialanalyse.html (15.01.2012)
Strasser (2008)	Strasser, M.: Was ist ein Kunde wert?, 2008
Schrödl (2009)	Schrödl: Business Intelligence mit Microsoft SQL Server 2008: BI-Projekte erfolgreich umsetzen, 2.Auflage, Carl Hanser Verlag
Tiwari (2002)	Tiwari, S.: OLAP-Technologie und mathematisch-statistische Verfahren des Data Mining, 2002 http://www.global-innovation.net/team/tiwari/PDF/data-mining.pdf (15.12.2012)
Thurnheer (2003)	Thurnheer, A.: Dissertation Temporale Auswertungsformen in OLAP, 2003 http://edoc.unibas.ch/54/1/DissB_6469.pdf (28.12.2011)
Töpfer (2008)	Armin Töpfer : Handbuch Kundenmanagement, Anforderungen, Prozesse, Zufriedenheit, Bindungen und Wert von Kunden, 3. Auflage
Töpfer, Winter (2008)	Töpfer, Winter : Winter Active Enterprise Intelligence: Unternehmensweite Informationslogistik als Basis einer wertorientierten Unternehmenssteuerung, Springer Verlag
Teia (2009)	Teia: Entscheidungskriterien der Wahl von Vertriebskanälen, 2009 http://www.teialehrbuch.de/Kostenlose-Kurse/Marketing/15338-Entscheidungskriterien-der-Wahl-von-Vertriebskanaelen.html (15.01.2012)
Vertrieb-Strategie.de	Vertrieb-Strategie.de: http://www.vertrieb-strategie.de/vertriebsstrategien/vertriebskanal/
Vollerthun (2001)	Vollerthun: Integration von Konzeptentwurf und Marketing
Wieken (1999)	Wieken : Der Weg zum Data Warehouse - Wettbewerbsvorteile durch strukturierte Unternehmensinformationen, Addison-Wesley Verlag, 1999
wirtschaftslexikon.gabler.de	Gabler Verlag (Herausgeber), Gabler Wirtschaftslexikon, Stichwort: Business Intelligence http://wirtschaftslexikon.gabler.de/Archiv/75968/business-intelligence-v6.html (15.01.2012)
wirtschaftslexikon.gabler.de	Gabler Verlag (Herausgeber), Gabler Wirtschaftslexikon, Stichwort: Marktpotenzial http://wirtschaftslexikon.gabler.de/Archiv/380/marktpotenzial-v5.html (15.01.2012)
Wirtz (2008)	Grundlagen - Instrumente - Prozesse, 1. Auflage, 2008
Winkelmann (2006)	Winkelmann: Marketing und Vertrieb, 5. Auflage, 2006
Winkelmann (2010)	Winkelmann: Marketing und Vertrieb, 7. Auflage, 2010

8 Abkürzungsverzeichnis

Abkürzung	Bezeichnung
aCRM	Analytisches CRM
AIO	Activities Interests Opinions
BI	Business Inteligence
CRM	Customer Relationship Management
DB	Datenbank
DDV	Deutscher Direktmarketing Verband
DOLAP	Desktop OLAP
DWH	Data Warehouse
ERP	Enterprise Resource Planning
ETL	Extraktion Transformation Laden
HOLAP	Hybrides OLAP
KDD	Knowledge Discovery in Databases
MOLAP	Multidimensionales OLAP
OLAP	Online Analytical Processing
ROI	Return On Invest
ROLAP	Relationales OLAP
SOA	Serviceorientierte Architektur

9 Abbildungsverzeichnis

1. ↑ BI_Ordnungsrahmen
2. ↑ DWH_Referenzarchitektur
3. ↑ Datenkreislauf
4. ↑ Datenwürfel
5. ↑ Data-Mining Prozess
6. ↑ Aufbau_Marketing_und_Vertriebsinformationssystem
7. ↑ Segmentierungskriterien
8. ↑ Kanalübergreifendes CRM http://www.posma.de/htdocs/know_how/posma_know_how_05.html http://www.antlia-design.de/sternenblog/wp-content/uploads/2011/08/iPhone-icon.png http://www.praxisdienst.de/src/img/netmed/katalog.jpg http://www.immoportal.de/images/j0433856_haus.png http://aux.iconpedia.net/uploads/16436842001281350547.png http://www.universam-mir.com/images/Deutsche-Post.png http://www.jfbw.de/_gfx/facebook-logo.png http://handcraftedwebsites.net/files/2011/08/internet.png
9. ↑ Vertriebskanalnutzung
10. ↑ Technologieverlauf Datenauswertung

10 Tabellenverzeichnis

Tabellen-Nr.	Bezeichnung
1	Gegenüberstellung von Anfragecharakteristika von transaktionalen und analytischen Anwendungen
2	Gegenüberstellung von Datencharakteristika von transaktionalen und analytischen Anwendungen
3	Gegenüberstellung von Anwendercharakteristika von transaktionalen und analytischen Anwendungen
4	Befragungsarten
5	Vergleich von OLTP-System und OLPA-System
6	Vergleich zwischen OLAP und Data-Mining
7	Chancen/Risiken der Segmentierung
8	Entscheidungskriterien zur Wahl der Vertriebform