Seminararbeit im Rahmen des Wahlfaches Electronic Customer Relationship Management

Unscharfe Kundensegmentierung

vorgelegt am

Department of Informatics

Information Systems Research Group

Prof. Dr. Andreas Meier

Universität Fribourg

Frühlingssemester 2008

Vorgelegt von: Lukas Gerber

02-218-766 Steinbühlallee 114b CH-4123 Allschwil Tel.: 0041(0)797579033 lukas.gerber2@unifr.ch

Abgabedatum: 25.04.2008

I

Abstract

Eine der wichtigsten aktuellen Herausforderungen für Unternehmen ist das

Management von Kundenbeziehungen. Diese Arbeit stellt die unscharfe Klassifikation,

insbesondere die unscharfe Kundensegmentierung, als mögliches Mittel zur Analyse

und Kontrolle von Kundenbeziehungen vor. Theoretisch bringt diese Methode im

Vergleich zu einer scharfen Methode viele Vorteile mit sich. Die Anwendung einer

unscharfen Logik auf bestehende Management-Instrumente (wie z.B. die ABC-Analyse

oder die Portofolio-Analyse) ermöglicht eine bessere und gerechtere Klassifikation und

Segmentierung der Kunden eines Unternehmens. Damit wird die Qualität des

Kundenbeziehungsmanagements erhöht. Um eine unscharfe Kundensegmentierung in

der Praxis optimal umzusetzen, sind jedoch einige wesentliche Aspekte zu

berücksichtigen.

II

Inhaltsverzeichnis

Seite

ABSTRACT ................................................................................................................ I

INHALTSVERZEICHNIS ........................................................................................ II

ABBILDUNGSVERZEICHNIS ...............................................................................III

ABKÜRZUNGSVERZEICHNIS .............................................................................IV

1. EINLEITUNG......................................................................................................... 1

1.1 PROBLEMSTELLUNG ............................................................................................. 1

1.2 ZIELSETZUNGEN DER UNTERSUCHUNG.................................................................. 1

1.3 VORGEHENSWEISE ............................................................................................... 2

2 KONZEPTIONELLE GRUNDLAGEN DER UNTERSUCHUNG....................... 3

2.1 RELATIONALE DATENBANKEN.............................................................................. 3

2.2 KUNDENSEGMENTIERUNG .................................................................................... 4

2.3 KUNDENWERT...................................................................................................... 6

3 UNSCHARFE LOGIK ............................................................................................ 7

3.1 UNSCHARFE KLASSIFIKATION............................................................................... 7

3.1.1 Theoretische Grundlagen des Modells .......................................................... 7

3.1.2 Unscharfe vs. scharfe Klassifikation ............................................................. 9

3.1.3 Fuzzy Classifisation Query Language (fCQL)............................................. 11

3.1.4 Hierarchical Fuzzy Classification............................................................... 12

3.1.5 Einsatzbereiche im Management................................................................. 13

3.2 UNSCHARFE KUNDENSEGMENTIERUNG ............................................................... 13

3.2.1 Definition ................................................................................................... 13

3.2.2 Unscharfe Clusteranalyse ........................................................................... 14

3.2.3 Methoden der unscharfen Kundensegmentierung........................................ 15

3.2.4 Beispiel: Unscharfe Kundensegmentierung von Online Customers ............. 17

3.3 ERKENNTNISSE AUS EINER WIRTSCHAFTLICHEN PERSPEKTIVE ............................. 19

4 ZUSAMMENFASSUNG UND AUSBLICK ......................................................... 20

LITERATURVERZEICHNIS..................................................................................III

III

Abbildungsverzeichnis ABBILDUNG 1: KONZEPT DER LINGUISTISCHEN VARIABLE ............................................................................. 9 ABBILDUNG 2: UNSCHARFE KLASSIFIKATION MIT „TURNOVER“ UND „PAYMENT BEHAVIOUR“ .................... 9 ABBILDUNG 3: SCHARFE (RECHTS) UND UNSCHARFE (LINKS) ABC-ANALYSE ............................................. 16 ABBILDUNG 4: SCHARFE (A) UND UNSCHARFE (B) PORTOFOLIO-ANALYSE .................................................. 17

IV

Abkürzungsverzeichnis

CLV Customer Lifetime Value

CRM Customer Relationship Management

eCRM electronic Customer Relationship Management

fCQL fuzzy Classification Query Language

IT Information Technology

KDD Knowledge Discovery in Databases

SQL Structured Query Language

1

1. Einleitung

1.1 Problemstellung

In den letzen Jahren haben die Kundenbeziehungen in fast allen Branchen eine immer

wichtigere Rolle eingenommen und es ist zu erwarten, dass sich diese Entwicklung auch

in Zukunft fortsetzen wird. Aus diesem Grund ist das Thema Customer Relationship

Management (CRM) für die meisten Unternehmen zu einem Schlüsselbegriff geworden.

Diese Entwicklung spiegelt sich unter anderem in den Umsatzzahlen der CRM-

Hersteller wieder. Eine Analyse von Forrester Research beziffert das weltweite

Volumen des CRM-Geschäftes im Jahre 2006 mit 8,4 Milliarden Dollar und es wird bis

zum Jahr 2010 eine jährliche Wachstumsrate von rund 7 % erwartet [vgl. Pichler 2007,

S. 27]. Die wesentlichen Ziele des CRMs sind die Pflege dauerhafter und profitabler

Kundenbeziehungen und die Steigerung des Kundenwertes für das Unternehmen.

Das Electronic Customer Relationship Management, das sich mit der Umsetzung des

CRM mit Hilfe elektronischer Medien befasst, ist dabei besonders in den Vordergrund

geraten. Dies ist auf die Entfaltung der aktuellen Informationsgesellschaft und deren

umfangreiche Datenbestände zurückzuführen. In diesem Bereich wurden verschiedene

Methoden und Techniken zur Verwirklichung der Ziele des Kundenbeziehungs-

managements entwickelt. Eine der Methoden besteht in der Kundensegmentierung.

Diese bezweckt eine Aufteilung sämtlicher Kunden des Unternehmens in Untergruppen,

um die spezifischen Bedürfnisse der Gruppen entsprechend befriedigen zu können.

Diese Arbeit stellt das Konzept der unscharfen Klassifikation, insbesondere der

unscharfen Kundensegmentierung, vor. Dieses Konzept bietet sich als ein mögliches

Instrument zur Kundensegmentierung im Rahmen des CRM an.

1.2 Zielsetzungen der Untersuchung

In dieser Arbeit soll überprüft werden, ob das Konzept der unscharfen

Kundensegmentierung als mögliches Instrument des CRM einen Zusatznutzen für

2

Unternehmen generieren kann. Dabei ist die Frage nach dem Nutzen-Aufwand-

Verhältnis von besonderem Interesse.

Ziele der Untersuchung:

• Erläuterung der Begriffe „Relationale Datenbanken“, „Kundensegmentierung“ und

„Kundenwert“ und deren Verknüpfung zum CRM .

• Veranschaulichung der wesentlichen Konzepte der unscharfen Klassifikation,

insbesondere der unscharfen Kundensegmentierung.

• Analyse der Vor- und Nachteile für das Unternehmen bei der Anwendung eines

unscharfen Klassifikationsmodells und Zusammenfassung der daraus resultierenden

Erkenntnisse.

1.3 Vorgehensweise

Um die oben genannten Ziele zu erreichen, wird die Arbeit wie folgt strukturiert:

Im nachfolgenden Kapitel zwei werden die konzeptionellen Grundlagen der

Untersuchung dargelegt. Der Leser wird dabei mit den grundlegenden Begriffen dieser

Arbeit konfrontiert um darauf aufbauend diese Begriffe in einem bestimmten

Zusammenhang zu beurteilen. In Abschnitt 2.1 werden die relationalen Datenbanken

vorgestellt und ihre Bedeutung im Bereich des CRM veranschaulicht. Danach zeigt

Abschnitt 2.2 die Idee der Kundensegmentierung auf, bevor in Abschnitt 2.3 der Begriff

Kundenwert diskutiert wird.

Kapitel drei bildet den Schwerpunkt dieser Arbeit. Abschnitt 3.1 stellt die Idee der

unscharfen Klassifikation vor. Dabei werden die theoretischen Grundlagen dieser

Klassifikationsart erklärt, die Vor- und Nachteile gegenüber einer scharfen

Klassifikation analysiert, die Konzepte „Fuzzy Classification Query Language“ und

„Hierarchical Fuzzy Classification“ besprochen, sowie deren mögliche Einsatzbereiche

im Management aufgezeigt. Anschliessend wird in Abschnitt 3.2 das Konzept der

unscharfen Kundensegmentierung tiefgründig besprochen. Zunächst wird dieses

3

Konzept genau definiert, anschliessend werden die unscharfe Cluster-Analyse und die

Methoden der Kundensegmentierung vorgestellt, bevor ein einfaches Beispiel den

praxisorientierten Standpunkt der Arbeit aufzeigt. Abschliessend werden die

Erkenntnisse zur unscharfen Logik in Abschnitt 3.3 aus einer wirtschaftlichen

Perspektive zusammengefasst.

Kapitel vier bildet mit der Zusammenfassung der Untersuchung und dem Ausblick den

Abschluss dieser Arbeit.

2 Konzeptionelle Grundlagen der Untersuchung

2.1 Relationale Datenbanken

In der aktuellen Informationsgesellschaft weisen die meisten betrieblichen

Informationssysteme umfassende Datenbestände auf. Diese werden vorwiegend in

relationalen Datenbanken verwaltet. Unternehmen und Organisationen sind an

Instrumenten interessiert, welche bedeutsame Informationen aus ihren Datenbanken

extrahieren können. Aus diesem Grund zählen Datenbanksysteme mit ihren Sprach- und

Auswertungsfunktionen neben der Kommunikationsinfrastruktur zu den

Schlüsseltechnologien unserer Gesellschaft [vgl. Meier 2007, S. IX]. Der Prozess des

Knowledge Discovery in Databases (KDD) ist in dieser Hinsicht von besonderem

Interesse. Das eigentliche Ziel eines solchen KDD-Prozesses ist „die Reduktion der

Komplexität der Daten resp. das Erkennen von Mustern in grossen Datenbeständen“

[Meier et al. 2003, S. 1].

Im Rahmen des KDD-Prozesses nimmt die Phase des Data Mining eine zentrale Rolle

ein. In dieser Modellierungsphase wendet man Modellierungs- und

Entdeckungstechniken auf bereits verarbeitete Daten an [vgl. Timm 2002, S. 2]. Falls

Instrumente des Data Mining (wie beispielsweise Klassifikationsmethoden) verwendet

werden, verwandelt sich die mehrdimensionale Datenbank in eine Wissensbank [vgl.

Meier 2007, S. 177].

4

In den letzten Jahren werden Erkenntnisse aus dem Gebiet der unscharfen Logik auf

Datenbanken und Datenmodellierung angewendet [vgl. Meier et al. 2003, S. 2].

Dadurch existieren neben den scharfen relationalen Datenbankabfragesprachen wie z.B.

SQL (Structured Query Language) nun auch unscharfe Abfragesprachen wie z.B. fCQL

(fuzzy Classification Query Language). Letztere wird in Abschnitt 3.1.3 vertieft

behandelt.

Die Identifikation von Kunden- oder Marktsegmenten verlangt aussagekräftige Daten

über aktuelle und zukünftige Kunden und deren Kaufgewohnheiten. Die Theorie besagt,

dass eine grosse Anzahl von Daten zu einem besseren Einblick verhilft. In der Praxis

produzieren jedoch „operativ betriebliche Informationssysteme umfangreiche

Datenbestände“ [Schindler 1998, S. 1], die vorwiegend in relationalen Datenbanken

verwaltet werden. Diese Flut an Informationen erschwert das Auffinden von sinnvollen

Informationen und Wissen für das Unternehmen. Deswegen spielen im Bereich der

Kundensegmentierung die Technologie der Datenbanken eine wichtige Rolle [vgl.

Simha/Iyengar 2005, S. 324].

2.2 Kundensegmentierung

Jedes Unternehmen hat eine andere Art von Kunden. Kunden haben unterschiedliche

Bedürfnisse und Erwartungen bezüglich der Produkte und Dienstleistungen, ungleiche

Kauf- und Gebrauchsgewohnheiten der gekauften Produkte und ein unterschiedliches

Informations- und Kommunikationsverhalten [vgl. Peppers and Rogers 1997, S. 31].

Aus diesem Grund ist eine Unterteilung der Kunden in Gruppen mit ähnlichen

Charakteristiken sinnvoll. Oftmals wird die Segmentierung von Kunden als

Ausgangspunkt eines systematischen Kundenmanagements gesehen. Unter

Kundensegmentierung wird die „Aufteilung sämtlicher potenzieller und aktueller

Kunden in bezüglich ihrer Marktreaktion intern homogene, untereinander heterogene

Untergruppen (Kundensegmente) sowie die Bearbeitung eines oder mehrerer dieser

Kundensegmente“ [Bruhn 2001, S. 95], verstanden. Jedoch besteht die Kernfrage der

Segmentierung vielmehr darin, welches der Kundengruppen bzw. Segmente dem

Unternehmen den eigentlichen Geschäftserfolg ermöglichen können. Viele

5

Kundengruppen im Markt sind zwar an einem Produkt interessiert, verfügen jedoch

über keine Zahlungsbereitschaft [vgl. Albiez et al. 2008, S. 848].

Für die Aufteilung der Kunden in Untergruppen, die hinsichtlich ihrer Reaktion auf

Aktivitäten des Unternehmens Ähnlichkeiten aufweisen, sind Segmentierungskriterien

zu bestimmen. Diese sollten die nachfolgenden Anforderungen erfüllen [vgl. Bruhn

2001, S. 96; Homburg/Sieben 2008, S. 506f.]:

• Messbarkeit und Operationalisierbarkeit: Die Kriterien sollten mit gängigen

Marktforschungsmethoden ermittelbar sein.

• Wirtschaftlichkeit: Bei der Erhebung der Kriterien sollte der

Segmentierungsnutzen die hierfür anfallenden Kosten überkompensieren

• Zugänglichkeit: Die Kriterien sollten so gewählt werden, dass das Kundensegment

gezielt erreichbar und isolierbar ist.

• Kaufverhaltensrelevanz: Als Kriterien sind Indikatoren zu wählen, die einen

Bezug zum Käuferverhalten aufweisen.

• Zeitliche Stabilität: Die Segmentierungskriterien sollten über den Planungs-

zeitraum weitgehend stabil sein.

Im Rahmen des CRM ist es von grosser Bedeutung, eine intelligente und am

Kaufverhalten ausgerichtete Segmentierung der Kunden durchzuführen

[Homburg/Sieben 2008, S. 507]. Dabei spielt die Art der Segmentierungskriterien eine

entscheidende Rolle. Es existiert ein Vielzahl von Kriterien zur Kundensegmentierung

(auch Customer Performance Indicators genannt), welche in endogene und exogene

Kriterien unterteilt werden können. Im Rahmen des CRM liegt der Schwerpunkt auf den

endogenen Kriterien, welche vom Unternehmen steuerbar sind. Es lassen sich folgende

Gruppen von endogenen Segmentierungskriterien differenzieren [vgl. Bruhn 2001, S.

97f.]:

• Ökonomische Kriterien (Kundendeckungsbeitrag, Customer Lifetime Value,

Kundenwert, Kundenumsatz, …)

• Psychologische Kriterien (Kundenzufriedenheit, Beziehungsqualität, Kundentreue,

Kundennutzen,…)

6

• Verhaltensbezogene Kriterien (Kundenbindung, Mund-zu-Mund-Kommunikation,

Zahlungsverhalten, Wiederkaufsverhalten…)

2.3 Kundenwert

Bei der Frage nach dem Kundenwert muss zwischen zwei möglichen Perspektiven

unterschieden werden. Aus der Perspektive des Kunden ist der Kundenwert der Nutzen,

den die Leistung eines Unternehmens beim Kunden stiftet (Kundennutzen). Aus der

Sicht des Unternehmens ist der Kundenwert der ökonomische Beitrag, den der Kunde

dem Unternehmen stiftet [vgl. Albiez el al. 2008, S. 854]. Im Rahmen dieser Arbeit

wird ausschliesslich näher auf die letztgenannte Perspektive eingegangen.

Zur Bestimmung des Kundenwertes können verschiedene Analyseverfahren eingesetzt

werden. Grundlegend lässt sich zwischen statischen und dynamischen Analyseverfahren

unterscheiden. Beim statischen Verfahren der Kundenwertanalyse beträgt der

Betrachtungszeitraum in der Regel ein Jahr. Dabei werden anhand der Daten des

Rechnungswesens die im Unternehmen anfallenden Kosten den jeweiligen Kunden

zugeordnet. Demgegenüber verfolgt das dynamische Verfahren der Kundenwertanalyse

das Ziel, die gesamte Lebenszeit des Kunden über seinen Kundenbeziehungslebens-

zyklus abzubilden. In diesem Zusammenhang spricht man von der Methodik des

Customer Lifetime Value (CLV) [vgl. Homburg/Sieben 2008, S. 510].

Das Customer Relationship Management verfolgt die Optimierung des Kundenwertes in

einer Organisation mit Hilfe der Datenanalyse als Ziel. Deshalb erfüllt die

Kundenwertanalyse eine wichtige Aufgabe innerhalb des CRM. Durch diese Analyse

soll der Wert der verschiedenen Kundensegmente identifiziert werden [vgl.

Simha/Iyengar 2005, S. 324].

7

3 Unscharfe Logik

Die unscharfe Logik (Fuzzy Logic) wurde 1965 von Lofti A. Zadeh mit dem

Zeitschriftenartikel „Fuzzy Sets“ eingeführt. Darin begründet Zadeh den Gebrauch von

unscharfen Mengen mit der Problematik, dass Gegenstände der physischen Welt und

des Denkens nicht immer eindeutig einer Klasse, das heisst einem Oberbegriff,

zuzuordnen sind [vgl. Zadeh 1965, S. 338 ff.; Cromme 2005, S. 133]. Seit einiger Zeit

werden die Erkenntnisse aus diesem Bereich der unscharfen Logik auf Datenbanken

und Datenmodellierung angewendet [vgl. Meier 2007, S. 178].

3.1 Unscharfe Klassifikation

3.1.1 Theoretische Grundlagen des Modells

Objekte einer relationalen Datenbank können durch ein scharfes oder unscharfes

Verfahren klassifiziert werden. Die scharfe Klassifikation (sharp classification) nimmt

eine dichtochome Zuweisung der Datenbankobjekte zur Klasse vor, d.h. die

Mengenzugehörigkeitsfunktion des Objekts zur Klasse beträgt 0 (für nicht einhalten)

oder 1 (für einhalten). Anders sieht es bei der unscharfen Klassifikation (fuzzy

classification) aus. Dieses Verfahren lässt für die Mengenzugehörigkeitsfunktion Werte

zwischen 0 und 1 zu. Dadurch wird eine differenzierte Interpretation der

Klassenzugehörigkeit ermöglicht [vgl. Meier et al. 2003, S. 3].

Im fuzzy-relationalen Datenmodell mit Kontexten (Kontextmodell) ist jedem Attribut

Aj, definiert auf einem Wertebereich D(Aj), ein Kontext zugeordnet. Ein Kontext K(Aj)

ist eine Partition von D(Aj) in Äquivalenzklassen. Ein rationales Datenbankschema mit

Kontexten R(A,K) besteht daher aus einer Menge von Attributen A=(A1,…,An) und

einer Menge assoziierter Kontexte K=(K1(A1),…,Kn(An)) [vgl. Werro/Stormer/Meier

2006, S. 257].

Um aus scharfen Kontexten unscharfe Klassen herzuleiten, werden den

Äquivalenzklassen vorerst verbale Begriffe zugeordnet. Dadurch verbindet sich eine

8

Vorstellung über die zur Äquivalenzklasse gehörenden Elementen mit unscharfer

Zuordnung. Mit Hilfe dieser linguistischen Variabeln können die Äquivalenzklassen der

Attribute auf eine instinktivere Art beschrieben werden. Ausserdem wird jeder Term

durch eine unscharfe Menge repräsentiert, die durch eine Zugehörigkeitsfunktion µ auf

den Wertebereichen der Attribute definiert ist [vgl. Meier et al. 2003, S. 5].

Das folgende einfache Beispiel soll die theoretischen Grundlagen der unscharfen

Klassifikation veranschaulichen:

Kunden werden ausschliesslich anhand von zwei Attributen beurteilt, nämlich

„turnover“ (Umsatz) und „payment behaviour“ (Zahlungsverhalten). Die beiden

qualifizierenden Attribute werden je in zwei Äquivalenzklassen zerlegt. Die

entsprechenden Attribute und Kontexte für das CRM lauten [vgl. Meier 2007, S. 178 ff.;

Werro/Stormer/Meier 2006, S. 257]:

• Turnover in CHF pro Monat: Der Wertebereich für den Umsatz in CHF soll durch

[0..1000] definiert sein. Zudem werden die beiden Äquivalenzklassen [0..499] für

low turnover und [500..1000] für high turnover gebildet.

• Payment behaviour der Kunden: Der Werteberreich [in advance, on time, behind

time, too late] gilt für das Attribut des Zahlungsverhaltens. Der Werteberreich wird

in den beiden Äquivalenzklassen [in advance, on time] für „attractive payment

behaviour“ und [behind time, too late] für „non attractive payment behaviour“.

Die Beschreibung der vagen Terme „high turnover“ und „low turnover“ mit den

Zugehörigkeitsfunktionen µ high turnover und µ low turnover bewirkt, dass der Wertebereich

D(turnover) unscharf partitioniert wird. Analog wird auch der Werteberreich D(payment

behaviour) durch die Terme „attractive“ und „non attractive“ unterteilt. Dadurch

entstehen im Kontextmodell Klassen mit kontinuierlichen Übergängen, d.h. unscharfe

Klassen. Dies führt zur essentiellen Erkenntnis der unscharfen Klassifikation: „A

customer can belong to more than one class at the same time. This leads to

differentiated marketing concepts and helps to improve customer equity” [Meier et al.

2005, S. 1090].

9

In Abbildung 1 ist die Definition des Merkmals “turnover” als linguistische Variable

gegeben. Diese Variable hat die Termmenge T(turnover)=[low,high] mit den verbalen

Begriffen „low“ und „high“ zur Beschreibung der beiden Äquivalenzklassen [0..499]

resp. [500..1000].

Abbildung 1: Konzept der linguistischen Variable

(Quelle: [Werro/Stormer/Meier 2006, S. 257]

Wie in Abbildung 2 dargestellt, führt die Definition der Äquivalenzklassen der Attribute

„turnover“ und „payment behaviour“ zu einem zweidimensionalen Klassifikationsraum.

Die resultierenden Klassen C1 bis C4 können beispielsweise durch Marketingstrategien

wie „Commit Customer“ (C1), „Improve Loyalty“ (C2), “Augment Turnover“ (C3)

oder “Don’t Invest“ (C4) charakterisiert werden.

Abbildung 2: Unscharfe Klassifikation mit „turnover“ und „payment behaviour“

(Quelle: [Werro/Stormer/Meier 2006, S. 257]

3.1.2 Unscharfe vs. scharfe Klassifikation

Nachdem die theoretischen Grundlagen der unscharfen Klassifikation gelegt wurden,

soll diese Methode nun mit dem klassischen Konzept der scharfen Klassifikation

verglichen werden. Der Gebrauch von unscharfen Klassifikationen im Rahmen des

10

CRM bringt einige Vorteile für das Unternehmen mit sich [vgl. Meier/Werro 2006, S.

502 ff.]:

• Der wesentliche Vorteil besteht darin, dass ein Kunde nicht nur zu einer einzigen,

sondern zu mehreren Klassen gleichzeitig gehören kann. Dadurch widerspiegeln die

unscharfen Kundensegmente die Realität besser und ermöglichen es dem

Unternehmen, Kunden nach ihrem wirklichen Wert zu behandeln. Eine solche

individuelle Behandlung ermöglicht es den Managern das Marketingbudget genauer

zu berechnen und möglicherweise Kosten einzusparen.

• Die unscharfe Klassifikation ermöglicht, im Gegensatz zur scharfen Klassifikation,

den Gebrauch von nicht-numerischen Attributen. Mit Hilfe dieser linguistischen

Variablen und Terme können Äquivalenzklassen instinktiver beschrieben werden

und eine sprachliche Formulierung der Datenbankabfragen wird ermöglicht.

• Ein weiterer Vorteil für das Kundenbeziehungsmanagement ist das Potential für

„mass customization“ (individualisierte Massenfertigung), denn unscharfe

Klassifikationen führen zu Transparenz und gerechteren Entscheidungen bzgl. der

Kundensegmentierung.

• Die Durchführung einer Marketingaktion ist sehr kostenaufwendig. Aus diesem

Grund muss das richtige Kundensegment ausgewählt werden. Die unscharfe

Klassifikation bietet wesentliche Vorteile bei der Planung und Selektion von

Kundenuntergruppen.

Es existiert jedoch ein erheblicher Nachteil bei der Methode der unscharfen

Klassifikation. Die Definition der Attribute, der Äquivalenzklassen und der

Zugehörigkeitsfunktionen stellt eine anspruchsvolle Aufgabe dar. Um diese Aufgabe

ordnungsgemäß zu bewältigen ist die Zusammenarbeit von Marketing-Spezialisten,

Data-Architects und eventuell auch von Webshop-Administratoren unabdingbar.

„Beyond this, a methodology is needed fort he entire planning, designing, and testing

process” [Meier et al. 2005, S. 1093].

11

3.1.3 Fuzzy Classifisation Query Language (fCQL)

Fuzzy Classification Query Language ist ein Instrument des Data Mining in

Informationssystemen, welches die relationalen Datenbanken mit der unscharfen Logik

verbindet. Mit dieser Klassifikationssprache können unscharfe Klassen definiert und

abgefragt werden. Die Struktur von fCQL basiert auf der Idee von SQL (Structured

Query Language), der Standardsprache im Umgang mit Datenbanken [vgl. Werro et al.

2005a, S. 4]). Im Vergleich zu anderen unscharfen Klassifikationsmethoden besteht der

Hauptvorteil dieses Systems darin, dass keine Modifikation der Funktionalität der

bestehenden relationalen Datenbank nötig ist. Des Weiteren operieren

Klassifikationsabfragen mit der Sprache fCQL auf einer linguistischen Ebene mit vagen

Kontexten. Dadurch müssen den Anwendern weder die scharfen Zielwerte noch die

Kontexte, sondern lediglich der Spaltenname des objektidentifizierenden Merkmals und

die Tabelle oder Sicht, in der die Merkmalswerte enthalten sind, bekannt sein. Der

Anwender kann eine Klasse spezifizieren oder Merkmale mit einer verbalen

Beschreibung ihrer Ausprägungen angeben [vgl. Meier et al. 2003, S. 4]. Die Strukturen

der Klassifikationssprachen SQL und fCQL sehen folgendermassen aus [vgl. Schindler

1998a]):

SQL: select Merkmale

from Tabellen

where Selektionsbedingung mit Kontextbezeichnung

fCQL: classify Objekt

from Tabelle

with Klassifikationsbedingung

Im Unterschied zu SQL wird die Projektionsliste bei der select-Klausel durch den

Spaltennamen des zu klassifizierenden Objektes ersetzt. Ausserdem wird anstatt der

where-Klausel (Selektionsbedingung) des SQL eine with-Klausel (Klassifikations-

bedingung) benutzt [vgl. Meier et al. 2001, S. 6].

12

Eine Datenbankabfrage mit fCQL im Bereich Customer Relationship Management

könnte beispielsweise folgendermassen aussehen:

classify Customer

from CustomerRelation

with Turnover is large and

Payment behaviour is attractive

Diese Abfrage besteht aus dem Bezeichnen des zu klassifizierenden Objekts

(Customer), dem Namen der Grundtabelle (CustomerRelation), den kritischen

Merkmalsnamen (Turnover resp. Payment behaviour) sowie aus den Namen der

vordefinierten Äquivalenzklassen (large resp. attractive). Diese Klassifikationsabfrage

würde die Klasse C1, definiert als Aggregation von den Termen „large“ und

„attractive“, als Antwort haben (siehe Abbildung 2, Abschnitt 3.1.1).

3.1.4 Hierarchical Fuzzy Classification

In echten Applikationen kann das Datenbankschema einer unscharfen Klassifikation

eine Vielzahl von Attributen, linguistischen Variablen und Termen besitzen. Dies führt

zu einem mehrdimensionalen Klassifikationsraum mit einer grossen Anzahl von

Klassen. Durch die Kombination aller Attribute kann das Extrahieren von

Informationen der resultierenden Klassen unübersichtlich werden. Dieses Problem, das

auch bei scharfen Klassifikationen präsent ist, wird teilweise durch den Gebrauch von

unscharfen Klassen gelöst. Indem ein kontinuierlicher Übergang zwischen den Klassen

vorliegt, sind weniger Äquivalenzklassen erforderlich. Das Problem der Komplexität

besteht jedoch weiterhin, wenn die Anzahl linguistischer Variablen exponentiell mit der

Anzahl Klassen wächst. Um die Übersicht beizubehalten, kann ein mehrdimensionaler

unscharfer Klassifikationsraum in eine Hierarchie von unscharfen Klassifikationsebenen

zerlegt werden. Dadurch wird es möglich, aussagekräftige Definitionen für jede der

Klassen zu erzielen. Die Zerlegung eines mehrdimensionalen unscharfen

Klassifikationsraumes reduziert auch die Komplexität und erlaubt somit die

Optimierung in der Modellierungsphase [vgl. Meier/Werro 2007, S. 180].

13

3.1.5 Einsatzbereiche im Management

Der Ansatz der unscharfen Klassifikation und das Instrument des fCQL sind mehr als

ein neues Konzept oder Teil einer Software. Die unscharfe Klassifikation kann als

Managementmethode und das fCQL als ein mächtiges Instrument zur Analyse und

Kontrolle eines Unternehmens betrachtet werden. Wenn geeignete Informationen in

einer Datenbank verfügbar sind, kann die Leistung eines Unternehmens anhand der

unscharfen Klassifikation erfolgreich gemessen werden. Diese Analyse und Kontrolle

von qualitativen und quantitativen Leistungsindikatoren kann in folgenden Bereichen

erfolgen: Strategic Management, Supply Chain Management, Total Quality

Management, Risk Management und Customer Relationship Management. Im Rahmen

dieser Arbeit nimmt der Einsatzbereich des CRM eine zentrale Rolle ein [vgl.

Meier/Schindler/Werro 2007, S. 22].

3.2 Unscharfe Kundensegmentierung

3.2.1 Definition

Auf den endogenen Kundensegmentierungskriterien (siehe Abschnitt 2.2) wie

beispielsweise „zufrieden“ und „unzufrieden“ oder „treu“ und „untreu“ aufbauend

können Kunden voneinander getrennt werden. Aufgrund der Vorteile, die eine

unscharfe Klassifikation gegenüber einer scharfen mit sich bringt, sollte die

Segmentierung und Evaluation von Kunden ebenfalls auf einer unscharfen Art und

Weise erfolgen.

Die unscharfe Kundensegmentierung wird als „fuzzy classification of the company’s

current customers into similar, fuzzy segments, using different customer performance

indicators” definiert [Zumstein 2007, S. 63].

Unter den Kriterien der Kundensegmentierung (customer performance indicators)

werden die ökonomischen, psychologischen und verhaltensbezogenen endogenen

Kriterien verstanden.

14

3.2.2 Unscharfe Clusteranalyse

Jede Klasse oder Kombination von Klassen einer ein-, zwei- oder mehrdimensionalen

unscharfen Klassifikation kann als unscharfes Segment definiert werden. Es wurde

angenommen, dass die Klassen, in denen die Daten klassifiziert wurden, bekannt und

fix sind. In der Realität passen die Daten jedoch meistens nicht in die gegebenen

Klassen. Klassen sollten sich den Daten anpassen und nicht umgekehrt. Bei solchen

Identifikationsprozeduren der Klassen kann die Methode der Clusteranalyse verwendet

werden [vgl. Zumstein 2007, S.64].

Die Clusteranalyse selbst ist ein Teilgebiet der Datenanalyse und beschäftigt sich mit

dem Auffinden von Gruppen und Gruppierungen. Dabei sollen Daten oder Ziele mit

gleichen oder ähnlichen Merkmalen gefunden und einer Klasse (Cluster) zugeordnet

werden. Eine Methode zur Nutzung der Möglichkeiten der Fuzzy-Logik bei der

Datenanalyse ist die Fuzzy-Clusteranalyse [vgl. Grossmann 2002, S. 1]. Um unscharfe

Klassen von den Daten abzuleiten, können nicht-disjunktive Algorithmen gebraucht

werden. Die bekanntesten Algorithmen der Fuzzy-Clusteranlayse sind der „fuzzy-C-

Means-algorithm“ (FCM), der „Gustafson-Kessel-algorithm“, der „Gath-Geva-

algorithm“ und der „Fuzzy-Maximum-Likelihood-Estimation-algorithm“ (FMLE) [vgl.

Höppner et al. 1999, S. 35 ff.]. Der Gebrauch solcher Algorithmen führt dazu, dass die

Grenzen zwischen den verschiedenen Segmente fliessend verlaufen. Unscharf

klassifizierte Elemente können dementsprechend mehreren Segmenten angehören.

Die Methode der unscharfen Segmentierung und die Definition von unscharfen

Segmenten ermöglicht eine genaure Darstellung der Position von Kunden. Die

Wahrscheinlichkeit von Fehlklassifikationen wird reduziert und Kundensegmente

können flexibler gemanagt werden [vgl. Zumstein 2007, S.65].

Da die Logik der unscharfen Segmentierung nicht von der genauen Form der Segmente

oder von der Segmentierung abhängt, wird die Methode der unscharfen Clusteranalyse

in den übrigen Abschnitten dieser Arbeit nicht angewendet.

15

3.2.3 Methoden der unscharfen Kundensegmentierung

Es existieren eindimensionale und mehrdimensionale Methoden der

Kundensegmentierung und –evaluation. Eine eindimensionale Kundensegmentierung

kann anhand bestimmter Kriterien oder z.B. durch die ABC-Methode durchgeführt

werden. Methoden der mehrdimensionalen Kundensegmentierung sind z.B. die

Portofolio-Analyse oder die Scoring-Methode. Eine weitere mehrdimensionale Methode

bildet die unscharfe Klassifikation. Diese Art der Klassifikation kann zusätzlich auf die

anderen (eindimensionalen und mehrdimensionalen) Methoden angewendet werden.

Dadurch wird die Logik der unscharfen Klassifikation auf die betroffenen Verfahren

angeknüpft.

Beispielhaft werden nachfolgend die eindimensionale ABC-Analyse und die

mehrdimensionale Portfolio-Analyse vertieft analysiert und sowohl als scharfe als auch

als unscharfe Methoden dargestellt.

Die ABC-Analyse ermöglicht den Vergleich von Umsatzkennzahlen zwischen

verschiedenen Kunden. Dabei werden die Kunden entsprechend ihres Umsatzes, den der

Anbieter mit ihnen macht, in eine Reihenfolge gebracht. Dies wird in einem

zweidimensionalen Diagramm mit den Achsen „kumulierter Anteil am Kundenbestand“

und „kumulierter Umatzanteil“ dargestellt. Auf der erstgenannten Achse werden die

jeweiligen Kunden abgetragen, wobei auf der linken Seite der Achse mit den

Umsatzstärksten begonnen wird. „ Häufig wird hierbei ersichtlich, dass ein relativ

kleiner Kundenanteil einen relativ grossen Umsatzanteil ausmacht“ [vgl. Bruhn 2001,

S.217]. In diesem Zusammenhang wird oft von der 20:80-Regel gesprochen. Anhand

der resultierenden Kurve lassen sich die Kunden in A-, B- und C-Kunden einteilen,

wobei am meisten in die A-Kunden investiert werden sollte.

Abbildung 4 zeigt auf der linken Seite die unscharfe ABC-Analyse mit den fliessenden

Grenzen zwischen A-, B- und C-Kunden und auf der rechten Seite die klassische

scharfe ABC-Analyse. Mit der scharfen Analyse werden möglicherweise Kunden mit

ähnlicher Umsatzstärke in unterschiedliche Kundensegmente eingeteilt (Ford-Smith

oder Brown-Miller) und Kunden mit relativ unterschiedlicher Umsatzstärke in das

16

gleiche Segment eingeteilt (Smith-Brown). Eine solche Verzerrung der Realität kann

durch die unscharfe ABC-Analyse vermieden werden.

Abbildung 3: Scharfe (rechts) und unscharfe (links) ABC-Analyse

(Quelle: Zumstein 2007, S. 36)

„Portfolioanalysen geben in einer zweidimensionalen Darstellung einen Überblick über

die Marktsituation von strategischen Geschäfteinheiten, Leistungen, Kunden,

Wettbewerbern oder anderen Analyseobjekten, um daraus Schlussfolgerungen für eine

strategische Neuorientierung dieser Analyseobjekte zu ziehen“ [Bruhn/Hadwich 2006,

S.137]. Die Portfolioanalyse lässt sich als zweidimensionales Diagramm darstellen, bei

der eine Achse eine interne, beeinflussbare Variable und die andere Achse eine externe,

vom Unternehmen kaum beeinflussbare Variable, verkörpert.

In Abbildung 5 wird eine kundenbezogene scharfe Portofolio-Analyse einer unscharfen

gegenübergestellt. Die Achsen stellen die Wettbewerbsposition (beeinflussbar) und die

Kundenattraktivität (kaum beeinflussbar) dar. Bei der Portofolioanalyse ist, wie bei den

meisten scharfen Klassifikationsmethoden, ebenfalls eine starke Gefahr von

Fehlklassifikationen der Kunden gegeben. Die unscharfe Portofolio-Analyse bietet eine

effektive Lösung, diese Gefahr zu umgehen.

17

Abbildung 4: Scharfe (a) und unscharfe (b) Portofolio-Analyse

(Quelle: Zumstein 2007, S. 26)

3.2.4 Beispiel: Unscharfe Kundensegmentierung von Online Customers

Der wesentliche Unterschied bei der Analyse von Online-Kunden im Vergleich zu

traditionellen Kunden besteht in der Vielfalt der Informationen, die automatisch in das

System der Unternehmung gelangen. Zur Analyse von Online-Kunden sind folgende

Informationen massgebend [vgl. Werro/Stormer/Meier 2003, S. 261]:

• Bestellungen: Können den Umsatz, die Gewinnmarge sowie die Kauffrequenz von

Kunden bestimmen. Zudem geben diese ebenfalls Hinweise auf das

Zahlungsverhalten und die Wiederkaufrate des Kunden.

• Clickstream: Liefert Informationen über die Besuchsfrequenz des Kunden.

• Produktbeurteilung: Gibt Aufschluss über die Involvement-Frequenz der Kunden.

Eine unscharfe Kundensegmentierungsmethode kann dazu verhelfen, potentielle

Kunden an das Unternehmen zu binden und ihren Kundenwert zu erhöhen [vgl.

Meier/Werro 2006, S. 502].

Das folgende Beispiel [vgl. Meier/Werro 2006, S. 504f., Werro et al. 2005b, S. 375 ff. ]

soll einen potentiellen Vorteil der unscharfen Kundensegmentierung aus einer

18

praxisbezogenen Perspektive illustrieren: Preisnachlässe werden mit Hilfe einer

unscharfen Klassifikation berechnet. Dies soll zeigen, dass unscharfe Kundensegmente

die Realität besser widerspiegeln und es dem Unternehmen ermöglichen, Kunden nach

ihrem wahren Wert zu behandeln. Der Kundenwert wird anhand der Variablen

„turnover“ und „loyalty“ analysiert.

Eine Preisnachlassrate kann mit jeder unscharfen Klasse (C1, C2, C3, C4) verknüpft

werden. Im folgenden Beispiel beträgt die Rate von C1 (Commit Customer) 10%, von

C2 (Improve Loyalty) 5%, von C3 (Augment Turnover) 3% und von C4 (Don’t Invest)

0%. Die Preisnachlassrate für einen Kunden wird anhand seines Zugehörigkeitsgrades

für jede einzelne Klasse berechnet. Es wird angenommen, dass Smith zu 100% zu C1,

Brown und Ford zu allen vier Klassen mit der Verteilung (C1:0.28, C2:0.25, C3:0.25,

C4:0.22) resp. (C1:0.22, C2:0.25, C3:0.25, C4:0.28) und Miller zu 100% zu C4

gehören. Damit können die Preisnachlassraten folgendermassen berechnet werden:

• Smith (C1: 1.0, C2: 0.0, C3: 0.0, C4: 0.0):

1.0*10% + 0.0*5% + 0.0*3% + 0.0*0% = 10%

• Brown (C1:0.28, C2:0.25, C3:0.25, C4:0.22):

0.28*10% + 0.25*5% + 0.25*3% + 0.22*0% = 4.8%

• Ford (C1:0.22, C2:0.25, C3:0.25, C4:0.28):

0.22*10% + 0.25*5% + 0.25*3% + 0.28*0% = 4.2%

• Miller (C1: 0.0, C2: 0.0, C3: 0.0, C4: 1.0):

0.0*10% + 0.0*5% + 0.0*3% + 1.0 * 0% = 0%

19

Dieses Beispiel zeigt, dass unscharfe Klassifikationen zu Transparenz und gerechten

Entscheidungen (bspw. betreffend Preisnachlassraten) führen. Zudem werden durch

diese individuellen Preisnachlässe das Kaufverhalten und die Treue der betroffenen

Kunden indirekt erhöht.

3.3 Erkenntnisse aus einer wirtschaftlichen Perspektive

„The advantage of using fuzzy theory in CRM is that the business analyst can gain in-

depth understanding into the data model” [Wong 2001, S. 6]. Dies ist eines der vielen

unanfechtbaren Vorteile der unscharfen Logik, insbesondere der unscharfen

Kundensegmentierung. Es steht ausser Frage, dass die Methoden der unscharfen

Kundensegmentierung das Management von Kundenbeziehungen nachhaltig

unterstützen können. Jedoch müssen, wie bei jeder Einführung von IT-Lösungen, die

Rahmenbedingungen entsprechend ausgestaltet sein. Nur dadurch kann sich die

Leistungskraft einer solchen Lösung auch entfalten [vgl. Reinartz et al. 2004, S. 302].

Insbesondere drei Aspekte sind hier von entscheidender Bedeutung [Homburg/Sieben

2008, S. 503]:

• Die unternehmensinternen Voraussetzungen in Bereichen wie Strategie,

Unternehmenskultur, Mitarbeiter und Organisation müssen gegeben sein.

• Die kundenbezogenen Informationen müssen in ausreichendem Umfang und in

ausreichender Qualität vorhanden sein.

• Es muss ein klares Konzept des Customer Relationship Management existieren.

Unter der Annahme, dass die ersten zwei Aspekte gegeben sind, spielt das Konzept des

CRM die entscheidende Rolle. Die Integration eines CRM-Konzeptes im Unternehmen

und insbesondere die Akzeptanz der Manager und Mitarbeiter sind ein Schlüsselfaktor

für den Erfolg des Kundenbeziehungsmanagement. Des Weiteren ist die

Zusammenarbeit von allen beteiligten Personen (Managern, Marketing-Spezialisten,

Data-Architects, Webshop-Administratoren,…) erforderlich, um eine verhältnismässig

optimale Wirtschaftlichkeit des Kundenbeziehungsmanagements zu gewährleisten.

20

4 Zusammenfassung und Ausblick

In diesem letzten Kapitel werden die wichtigsten Aspekte der Arbeit in ihren

Kernpunkten zusammengefasst, bevor ein Ausblick auf die zukünftige Entwicklung der

unscharfen Kundensegmentierung innerhalb des CRM gegeben wird.

Der Ansatz der unscharfen Klassifikation stellt ein neues Instrument des

Kundenbeziehungsmanagements dar. Im Vergleich zu den klassischen

Klassifikationsmethoden bestehen die wesentlichen Merkmale der unscharfen

Klassifikation darin, dass die Kunden gleichzeitig mehreren Klassen angehören können

und dass die Grenzen zwischen den verschiedenen Klassen fliessend verlaufen. Diese

Eigenheit bringt einige Vorteile mit sich. Zum einen erlaubt sie eine realitätsnähere

Einschätzung des Kundenwertes. Zum anderen kann das Potential für mass

customization durch eine erhöhte Transparenz und durch gerechtere Entscheidungen

ausgeschöpft werden und liefert wertvolle Informationen für die Planung und Selektion

von Marketingaktionen und der Reduktion von Gefahren der Fehlklassifikation. Diese

Vorteile begründen einen Einsatz in verschiedenen Bereichen des Managements,

insbesondere des CRM. In diesem Zusammenhang eröffnet die Methode der unscharfen

Kundensegmentierung, beispielsweise durch eine unscharfe ABC-Anlayse oder einer

unscharfen Portofolio-Analyse, neuwertige Möglichkeiten für das Management bei der

Analyse und Kontrolle von Kunden. Die unscharfe Klassifikation ist jedoch eine

komplexe Methode, die eine intensive Zusammenarbeit der beteiligten Personen

voraussetzt, damit sich die Leistungskraft einer solchen Lösung entfalten kann.

In Zukunft wird die Technologie der Datenbanken eine immer wichtigere Grundlage für

das Customer Relationship Management einnehmen [vgl. Meier et al. 2005, S. 1093].

Dadurch werden Lösungsansätze wie die unscharfe Kundensegmentierung in den

Vordergrund geraten. Auf der theoretischen Ebene hat sich die Methode der unscharfen

Kundensegmentierung mehrheitlich durchgesetzt. Die Frage ist nun, ob und inwieweit

sich diese Methode in der praktischen Anwendung verwirklichen wird.

III

Literaturverzeichnis

[Albiez et al. 2008] Albiez, Peter; Danielsohn-Weil, Petra; Scholl, Michael: Dreistufige

Kundensegmentierung: Ein Ansatz zur potenzialorientierten Geschäfts-

Steuerung im Pharmamarkt. In: Bruhn, Manfred; Homburg, Christian (Hrsg.):

Handbuch Kundenbindungsmanagement – Strategien und Instrument für ein

erfolgreiches CRM. Gabler-Verlag, 6. Aufl., Wiesbaden 2008, S. 846-863.

[Bruhn 2001] Bruhn, Manfred: Relationship Marketing: Das Management von

Kundenbeziehungen. Vahlen-Verlag, München, 2001.

[Bruhn/Hadwich 2006] Bruhn, Manfred; Hadwich, Karsten: Produkt- und

Servicemanagement. Vahlen-Verlag, München, 2006.

[Cromme 2005] Cromme, Ludwig: Mathematische Beschreibung und Optimierung von

Akquiseprozessen im Marketing. Forum der Forschung, Jg. 9, Heft 18

(September 2005), S. 133-142.

[Grossmann 2002] Grossmann, Stefan: Fuzzy Clusteranalyse zur automatischen

Erzeugung von Fuzzy-Modellen in praktischer Anwendung, Nov. 2002, avaible:

http://www.i3a.fh-trier.de/service/download/publications/grossmann.pdf,

zugegriffen am 15. März 2008.

[Homburg/Sieben 2008] Homburg, Christian; Sieben, Frank G.: Customer Relationship

Management (CRM) - Strategische Ausrichtung statt IT-getriebenem

Aktivismus. In: Bruhn, Manfred; Homburg, Christian (Hrsg.): Handbuch

Kundenbindungsmanagement – Strategien und Instrument für ein erfolgreiches

CRM. Gabler-Verlag, 6. Aufl., Wiesbaden 2008, S. 502-528.

[Höppner et al. 1999] Höppner, Frank; Klawonn, Frank; Kruse, Rudolf; Runkler,

Thomas: Fuzzy Cluster Analysis – Methods for Classification, Data Analysis

and Image Recognition. Wiley, New York, 1999.

IV

[Meier el al. 2001] Meier, A.; Savary, C.; Schindler, G.; Veryha, Y.: Database Schema

with Fuzzy Classification and Classification Query Language. Internal working

paper no 01-07, Universität Fribourg, April 2001.

[Meier et al. 2003] Meier, A.; Mezger, C.; Werro, N.; Schindler, G.: Zur unscharfen

Klassifikation von Datenbanken mit fCQL. Proceedings of the GI-Workshop

LLWA, Karlsruhe, Oktober 2003.

[Meier et al. 2005] Meier, A.; Werro, N.; Albrecht, M.; Sarakinos, M.:Using a Fuzzy

Classification Query Language for Customer Relationship Management.

Proceedings of the 31st International Conference on Very Large Data Bases,

VLDB 2005, Trondheim, Norway, August 2005.

[Meier/Werro 2006] Meier, Andreas; Werro, Nicolas: Extending a Webshop with a

Fuzzy Classification Model for Online Customers, accepted at the IADIS

International Conference, e-Society 2006, Dublin, Ireland, Juli 2006.

[Meier 2007] Meier, Andreas: Relationale und postrelationale Datenbanken. Springer-

Verlag, 6. Aufl., Berlin 2007.

[Meier/Werro 2007] Meier, Andreas; Werro, Nicolas: A Fuzzy Classification Model for

Online Customers, Informatica - International Journal of Computing and

Informatics, Heft 31, 2007, S. 175-182.

[Meier/Schindler/Werro 2007] Meier, A.; Schindler, G.; Werro, N.: Extending

Relationaal Databases with Fuzzy Classification. Internal working paper no

07-05, Universität Fribourg, Februar 2007.

[Peppers and Rogers 1997] Peppers, D.; Rogers, M.: Enterprise One-to-one: Tools for

Building Unbreakable Customer Relationships in the Interactive Age. Piaktus

Books, London, 1997.

[Pichler 2007] Pichler, Karlheinz: Mit den Kunden auf Du und Du. ICT

Kommunikation, Jg. 25, Heft 6 (Juni 2007), S. 26-33.

V

[Reinartz et al. 2004] Reinartz, W.J.; Krafft, M.; Hoyer, W.D.: The Customer

Relationship Management Process: Its Measurement and Impact on

Performance. Journal of Marketing Research, Jg. 41, Heft 3, S. 293-305.

[Schindler 1998a] Schindler, Günter: Fuzzy Analyse durch Kontextbasierte

Datenbankabfragen. Deutscher Universitäts-Verlag, Wiesbaden, 1998.

[Schindler 1998b] Schindler, Günter: Unscharfe Klassifikation durch kontextbasierte

Datenbankabfragen. In Reihe A: Discussion Paper, Fachhochschule Solothurn,

März 1998.

[Simha/Iyengar 2005] Simha, Jay B.; Iyengar, S.S.: Customer Value Analysis with

Fuzzy Data Mining, available: http://www.studentprogress.com/appln/colleges/

cogrec/ Papers/ D_06.pdf, zugegriffen am 15. März 2008.

[Timm 2002] Timm, Heiko: Fuzzy-Clusteranalyse: Methoden zur Exploration von

Daten mit fehlenden Werten sowie klassifizierte Daten, Juni 2002, available:

http://diglib.uni-magdeburg.de/Dissertationen/2002/heitimm.pdf, zugegriffen

am 15. März 2008.

[Werro et al. 2005a] Werro, N.; Meier, A.; Mezger, C.; Schindler, G.: Concept and

Implementation of a Fuzzy Classification Query Language. Internal working

paper no 05-06, Universität Fribourg, April 2005.

[Werro et al. 2005b] Werro, N.; Stormer, H.; Meier, A.: Personalized discount - A fuzzy

logic approach. Proceedings of the 5th IFIP International Conference on

eBusiness, eCommerceand eGovernment, Poznan, Poland, S. 375-387.

[Werro/Stormer/Meier 2006] Werro, Nicolas; Stormer, Henrik; Meier, Andrea: A

Hierarchical Fuzzy Classification of Online Customers. Proceedings of the IEEE

International Conference on e-Business Engineering, ICEBE 2006, Shanghai,

China, Oktober 2006.

VI

[Wong 2001] Wong, K.W.: Data Mining Using Fuzzy Theory for Customer

Relationship Management. 4th Western Australian Workshop on Information

Systems Research (WAWISR), 2001.

[Zadeh 1965] Zadeh, Lofti A.: Fuzzy Sets. Information and Control, Jg. 8. (1965), S.

338-353.

[Zumstein 2007] Zumstein, Darius: Customer Performance Measurement: Analysis of

the Benefit of a Fuzzy Classification Approach in Customer Relationship

Management, März 2007, available: http://diuf.unifr.ch/is/studentprojects/pdf/

M-2007_Darius_Zumstein.pdf, zugegriffen am 15. März 2008.