Customer Relationship Management bei Kreditinstituten

Bei der Bestimmung der Basisstrategie zur Implementierung von Customer Relationship Management geht es nicht darum den Prozess der strategischen Unternehmensführung, wie ihn beispielsweise Bea/Haas beschreiben1 umzugestalten, vielmehr sollen die wesentlichen strategischen Aspekte bei der Umsetzung von CRM beschrieben werden. Vor der Implementierung des Customer Relationship Managements muss sich das mit diesem Projekt betraute Management zuerst die Frage stellen, inwieweit der Aspekt der Kundenorientierung bereits in der Unternehmensstrategie verankert ist. Eine am Kunden ausgerichtete Unternehmensstrategie muss beinhalten, welche Ziele mit welchen Kundengruppen erreicht werden sollen, über welche Kanäle der Kundenkontakt stattfinden soll und wie Service im Customer Relationship Management konkret verankert wird.2 Kundensegment-, Multichannel- und Servicestrategie sind dabei nicht getrennt voneinander sondern als Dreiklang zu betrachten, eingebettet in die strategische Gesamtarchitektur des Kreditinstituts.3 Am Ende dieser strategischen Neuausrichtung steht eine kundenorientierte Basisstrategie. [...]

Das bedeutendste Beispiel für anwendergesteuerte Analysesysteme ist die Gruppe der sogenannten Online Analytical Processing-Tools (OLAP-Tools). Sie werden verwendet, um komplexe Datenbestände zu visualisieren und zu analysieren. Mittels OLAP ist es möglich permanent auf unterschiedlichste Datenbestände sowie Datenquellen eines Unternehmens zuzugreifen. Es schafft die Möglichkeit Informationen aus verschiedenen Sichtweisen multidimensional darzustellen. Durch OLAP können sämtliche Informationen auch nicht-technisch orientierten Benutzern zur Verfügung gestellt werden. Dabei beinhaltet das Online Analytical Processing eine Vielzahl von Methoden, mit Hilfe derer unterschiedlichsten Anwenderbedürfnissen Rechnung getragen wird. OLAP ermöglicht einen schnellen, komfortablen Zugriff auf Datenbestände auch für mehrere Benutzer gleichzeitig.3 Um diese Funktionalität anbieten zu können, werden die Daten aus dem Data Warehouse in logisch unabhängige Dimensionen unterteilt (z.B. Kunde, Produkt, Zeit). Auf diese Weise entsteht ein sogenannter Datenwürfel („Hypercube“)4. Diese Würfelstruktur lehnt sich an die Betrachtungsform von Kreuztabellen an, die beispielsweise auch in Tabellenkalkulationsprogrammen verwendet werden. Zur Anzeige und Navigation innerhalb des Würfels dient in der Regel ein solches Tabellenkalkulationsprogramm. Neben der reinen Darstellung von Daten können somit auf der Basis von OLAP Präsentationsgraphiken erstellt und Analysen durchgeführt werden. Durch den Einsatz von OLAP ist es beispielsweise möglich, den Erfolg einer Marketingkampagne aus den verschiedenen Gesichtspunkten Kunden, Distributionskanäle [...]

Proaktive Analysesysteme werden auch unter dem Begriff des Data Mining zusammengefasst. Große Datenmengen werden hierbei mit Hilfe meist statistischer Methoden analysiert. Ziel ist es unbekannte Zusammenhänge anhand von Datenmustern zu erkennen. „Data Mining liefert … Erkenntnisse und Zusammenhänge, die bisher verborgen blieben oder außer Acht gelassen worden sind, weil sie entweder für nicht entscheidungsrelevant oder für nicht analysierbar gehalten wurden.“2 Nach der Formulierung eines Untersuchungsziels können automatisierte Techniken der Datenanalyse eingesetzt werden (sog. gerichtete Verfahren). Beim ungerichteten Verfahren sucht das System selbständig nach Zusammenhängen, ohne dass von Seiten des Anwenders Vorgaben gemacht werden müssen. Der Anwender entscheidet im Anschluss über die Relevanz der Ergebnisse. Bei der Durchführung von komplexen Analysen können beide Verfahren kombiniert werden.3 Data Mining kann zu vielfältigen Analysen eingesetzt werden4: • • • • • • Prognosen zum Kundenwert, zum Kaufverhalten etc. Beschreibungen von spezifischen Merkmalen, Verhaltensweisen etc. Segmentierungen von Kreditnehmern Abweichungsanalysen zwischen Prognosen und tatsächlichen Ergebnissen Abhängigkeitsanalysen zwischen Kampagnen und Kaufverhalten etc. [...]