Lektion 6.3 Flashcards

Question

Wie erfolgt die Berichterstellung und Abfrage bei OLAP?

Answer 1

Vordefinierte Berichte und Analysen können auf Knopfdruck abgerufen werden.

Answer 2

Betriebliche Informationen in Zahlenform.

Answer 3

* **Einzelzahlen** (z. B. Kundenumsatz, Anzahl von Transaktionen) * **Summen oder Aggregationen** (z. B. Gesamtumsatz einer Filiale oder Produktgruppe) * **Differenzen oder Mittelwerte** (z. B. Gewinn = Umsatz - Kosten oder Durchschnittlicher Warenkorbwert)

Answer 4

**Relevante Untersuchungsgegenstände** wie Kunden, Touchpoints, Marketingaktionen oder Vertriebskanäle, → **Mehrere in Beziehung zueinanderstehende Bezugsobjekte** können dabei eine **Dimension** bilden, z. B. Kunden- oder Produktgruppen. Entlang der Dimensionen können die Kennzahlen weiter heruntergebrochen (drill down) oder zusammengefasst werden (roll up). So lassen sich unterschiedliche Scheiben des Datenwürfels betrachten. 1. **Entscheidungsträger bekommt Fakten** (Verknüpfungen von Bezugsobjekten oder Dimensionen) geliefert. Fakten = Paare von Kennzahlen und kombinierten Bezugsobjekten → Bsp.: Gewinn oder Umsatz einer Produktgruppe A in der Kundengruppe B 2. **Entsprechendes Management bekommt genau definierte Kombination von Fakten** (z.B. in Form von Dashboards - relevante Fakten auf einen Blick) 3. Nach fachlicher Konzeption und Modellierung **unterschiedlicher Fakten für die jeweiligen Abteilungen** wird informationstechnisches Konzept entwickelt, implementiert und das Data Warehouse betrieben

Answer 5

• OLAP: Liefert nur **deskriptive** (beschreibende), aber **keine explikativen** (erklärenden) Daten, z. B. „Wie viele Produkte vom Typ A wurden in Land C in den Monaten Januar bis März abgesetzt?" Verborgene Beziehungen hinter den Daten lassen sich nicht sichtbar machen → ist Aufgabe des Data Mining. • Data Mining: Geht tiefer und sucht automatisch nach verborgenen Datenmustern, z. B. „Welches Profil haben die Käufer von Produkt A in Land C des Zeitraums Januar bis März?"

Answer 6

Es sucht meist automatisch nach möglichen Zusammenhängen zwischen Kundenverhalten und Geschäftsprozessen.

Answer 7

Cross industry standard process for data mining Ist ein **standardisierter Prozess zur Durchführung von Data Mining**. Er besteht aus sechs Phasen von dem Verstehen des Anwendungsfalls bis zur Operationalisierung des Datenprodukts. > rund 60% des Zeitaufwands für Bearbeitung auf Auswahl und Aufbereitung relevanter Datenbestände entfallen > 20% auf die Aufgabenstellung entfallen > je 10% auf Auswahl der Methodik sowie Bewertungen und Anwendung der Ergebnisse entfallen Folglich: Datamining bezieht sich auf die statistische Musterextraktion mit entsprechenden Softwareinstrumenten, aber nicht auf den Data Mining Prozess.

Answer 8

1. **Aufgabenstellung definieren**: Zielsetzung festlegen. 2. **Datenauswahl**: Relevante Datenbestände identifizieren. 3. **Datenaufbereitung**: Daten bereinigen und aufbereiten (60 % des Zeitaufwand). 4. **Modell Auswahl**: Passende Analysemethoden bestimmen. 5. **Bewertung**: Ergebnisse interpretieren. 6. **Anwendung**: Erkenntnisse in Geschäftsprozesse integrieren.

Answer 9

1. **Klassifikation und Prognose**. > Ziel: Kunden anhand ihrer Merkmalsausprägungen vorgegebenen Klassen zuordnen. • Klassifizierung erfolgt anhand von Daten, die unterschiedliche unabhängige Kundenmerkmale (Alter, Customer Touch Point, Produktgruppe) und eine abhängige Zielgröße (Kündiger) enthalten. > Nutzen: Prognosen über zukünftiges Verhalten wie Kündigungen > eingesetzte statistische Verfahren: Regression und Entscheidungsbaum > Beispiel: Kündigungsanalyse zur Identifikation gefährdeter Kunden. 2. **Segmentierung**. > ziel: Kundengruppen mit ähnlichen Bedürfnissen und Verhaltensweisen erkennen. > mit datentechnischer Segmentierung wird versucht, bis dahin unbekannte homogene Gruppen zu identifizieren > Nutzen: Effektive Zielgruppenansprache und personalisierte Maßnahmen > Methode: Clustersnalyse, um homogene Gruppen zu identifizieren. • Objekte, die sich in ihrer Eigenschaftsausprägung am ähnlichsten sind, werden miteinander gruppiert. • Gruppierung gilt nur zum Beobachtungszeitpunkt —> die Eigenschaften können sich in Zeitverlauf ändern. • Kundengruppen Zugehörigkeit wird in Datenbasis übernommen. Darauf aufbauend werden weitere Analysen durchgeführt. > Beispiel: Zielgruppensegmentierung, basierend auf Kaufverhalten oder Soziodemografie. 3. **Abhängigkeitsentdeckung**. > Ziel: Entdeckung von Abhängigkeiten einzelner Merkmale sowie untereinander. > Beispiel: Warenkorbanalyse • welche Produkte werden oft zusammen gekauft? Milch oft mit Joghurt oder Käse. > Methoden: • Assoziationsanalyse: zur Ermittlung von Abhängigkeiten im großen großen Datenmengen. - Abhängigkeiten werden in Wenn-Dann-Regeln ausgedrückt. - Beispiel: „ wenn Website A besucht wird, dann wird Produkt B gekauft.“ • Sequenzanalyse: betrachte zusätzlich die zeitliche Abfolge. - Kann festgestellt werden, ob oben genannte Transaction in der zeitlichen Reihenfolge mit anderen Transaktionen kombinierbar wird. > Kennzahlen: • Support: Häufigkeit der festgestellten Regeln, Z. B. „2% für Website A und Kauf Produkt B“ • Confidence: stärke des Zusammenhangs, Z. B. „10% für Website A und Kauf Produkt B“ • zusammengefasste Interpretation: „in 10% Der Fälle, in denen die Website A angeklickt wird, wird das Produkt B gekauft.“ Diese Kombi kommt in 2% aller Transaktionen vor.

Answer 10

Finden sich **in allen Prozessschritten der Erfolgkette des CRMs**. - **Kundengewinnung**: Segmentierungen helfen, Zielgruppen gezielt anzusprechen. Klassifikationen zeigen erfolgreiche Akquisitionsmaßnahmen. - **Kundenwertanalyse**: Klassifikationen helfen bei der Zuordnung zu unterschiedlich wertvollen Kunden. - **Beschwerdemanagement**: Abhängigkeitsentdeckungen wichtig beim Beschwerdemanagement, wenn nicht ausreichend befriedigte Leistungsbedürfnisse zu Beschwerden und Kündigungen führen.

Answer 11

Methode, mit der Unternehmen **Abwanderungsrate von Kunden messen** und die Gründe für Kündigungen oder Inaktivität verstehen, um präventive Maßnahmen zu ergreifen.