Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Prof. Dr. Andreas [email protected]
http://wiid.wiwi.tu-dresden.de01062 Dresden
Telefon +49 351 463-32359Telefax +49 351 463-32736
Rico LudwigChris ReichePatrick Schwabe
Ausgewählte Aspekte der BI:Projektseminar
Abschlusspräsentation
Mat. Nr.: 3111685Mat. Nr.: 3206958Mat. Nr.: 3235860
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Abschlusspräsentation
Die Linusbank Allgemeine Marktübersicht Unternehmenssicht
ProblembeschreibungProjektplanData UnderstandingData PreparationModelingKampagnen-ManagementFazit
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 3
Die LinusbankAllgemeine Marktübersicht
• Höhere Preissensitivität
• Häufig 2 bis 4 Bankverbindungen
• Entwicklung kostenloser Girokonten:– 2000: gesamt: 6 %
– 2005: gesamt: 10 % - 2 % Onlinekonten
– 2010: gesamt: 20 % - 19 % Onlinekonten
• Allgemeine Demografie am Markt:– 21 % jünger als 30
– 15 % älter als 70 Jahre
– 19 % zwischen 40 und 49
– Andere Altersgruppen jeweils ca. 15 %
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 4
Die LinusbankUnternehmenssicht
• Mittelgroße Filialbank mit 500.000 Kunden
• 5 Produkte:
• Umfangreiches Data Warehouse mit historisierter Datenbasis
• Sowohl Online- als auch Filialgeschäft
Abbildung 1.1: Produktübersicht
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Abschlusspräsentation
Die LinusbankProblembeschreibung
Was der Kunde sagt
Was der Kunde will
ProjektplanData UnderstandingData PreparationModeling…
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 6
ProblembeschreibungWas der Kunde sagt
„Wir wollen den Produktbesitz und die Produktnutzung unserer Bestandskunden intensivieren, um dem Wettbewerbsdruck zu begegnen. Allerdings sind die Kosten unserer jeweils produktbezogenen Cross- und Up-Selling-Kampangen hoch, und zu häufig sollten die Kunden auch nicht angesprochen werden. Deshalb wollen wir mit unseren Kampagnen vorranging die wertvollsten Kunden adressieren. Leider können wir den Erfolg von Kampagnen nur schwer beurteilen. Anhand von Vergangenheitsdaten wissen wir, dass sich unsere Kunden hinsichtlich ihres Produktbesitzes, ihrer Produktnutzung sowie ihrer Reaktion auf Kampagnen zum Teil deutlich unterscheiden.“
„Wir wollen den Produktbesitz und die Produktnutzung unserer Bestandskunden intensivieren, um dem Wettbewerbsdruck zu begegnen. Allerdings sind die Kosten unserer jeweils produktbezogenen Cross- und Up-Selling-Kampangen hoch, und zu häufig sollten die Kunden auch nicht angesprochen werden. Deshalb wollen wir mit unseren Kampagnen vorranging die wertvollsten Kunden adressieren. Leider können wir den Erfolg von Kampagnen nur schwer beurteilen. Anhand von Vergangenheitsdaten wissen wir, dass sich unsere Kunden hinsichtlich ihres Produktbesitzes, ihrer Produktnutzung sowie ihrer Reaktion auf Kampagnen zum Teil deutlich unterscheiden.“
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 7
ProblembeschreibungWas der Kunde will
• Kosten für Kampagnen sehr hoch
• Kunden nutzen wenige Produkte
• Keine Erfolgsmessung der Kampagnen
• Wertvolle Kunden unbekannt
• Ziele:– Kundenzufriedenheit und Bindung erhöhen
– Wertvolle Kunden identifizieren
– Kosten reduzieren
– Erfolgsmessung für Marketingkampagnen einführen
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Abschlusspräsentation
Die LinusbankProblembeschreibungProjektplan
ProjektablaufKoordination der Projektarbeit
Data UnderstandingData PreparationModelingKampagnenauswertung…
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 9
ProjektplanProjektablauf
• Orientierung des Projektablaufes an den Phasen des CRISP-DM
• Einarbeitung in Bankgeschäft und Daten der Linusbank
• Festlegen der Teilziele für Projektablauf
• Erarbeiten von Kennzahlen auf Basis der vorhandenen Daten
• Evaluation der erstellten Modelle und ableiten von Handlungsempfehlungen
Abbildung 3.1: Projektplan
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 10
ProjektplanKooperation der Projektarbeit
Abbildung 3.2: http://altranprojektseminar.wikispaces.com
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Abschlusspräsentation
…ProjektplanData Understanding
Übersicht über vorhandene DatenProduktverteilungProdukterträgeKundenanalyseKundenwertkonzept
Data Preparation…
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 12
Deskriptive AnalyseÜbersicht über vorhandene Daten
Abbildung 4.1: Datenübersicht
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 13
Deskriptive AnalyseProduktverteilung (Gesamt)
• Girokonto hat größten Produktanteil
• Kredit nur vergleichsweise geringer Anteil
• Anteil für Riester und Sparen minimal
Abbildung 4.2: Produktverteilung gesamt
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 14
Deskriptive AnalyseProduktverteilung (im Monat Juni)
Abbildung 4.3: Anzhal Produktverteilung Juni
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 15
Deskriptive AnalyseProduktverteilung (im Monat Dezember)
Abbildung 4.4: Anzahl Produktverteilung Dezember
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 16
Deskriptive AnalyseProduktverteilung
• Deutliche Unterschiede in der Produktverteilung zwischen den
Monaten Juni und Dezember erkennbar
• Zurückzuführen auf wirksame Marketingkampagnen
• Alle Informationen über erstes Halbjahr im Datensatz für Juni
enthalten
• Juni-Datensatz stellt Basis unserer Annahmen und Berechnungen dar
• Später: Vergleich und Güteanalyse mit Daten des Dezembers
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 17
Deskriptive AnalyseProdukterträge
• Riester und Kredit haben die höchsten Anteile an den Erträgen
• Zins, Giro und Depot vergleichsweise niedriger Ertragsanteil
Jahresertrag Laufzeitertrag
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Riester
Zins
Giro
Depot
Kredit Produkt Jahresertrag Laufzeitertrag
Riester 530 € 1970 €
Zins 140 € 290 €
Giro 40 € 260 €
Depot 25 € 90 €
Kredit 450 € 570 €
Abbildung 4.5: Produkterträge
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 18
Deskriptive AnalyseKundenanalyse 1/4
Die absolute Zahl der Kunden, die 1, 2, 3, 4 oder 5 und mehr Produkte besitzen
Die relativen Änderungen der Kunden mit einer bestimmten Anzahl an Produkten
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 19
Deskriptive AnalyseKundenanalyse 2/4
Umsatzanalyse nach Monaten sowie Zahl der Kunden, die einen Vertrag abgeschlossen haben und Zahl der abgeschlossenen Verträge.
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 20
Deskriptive AnalyseKundenanalyse 3/4
• Übersicht über das Volumen von Kreditkunden abhängig von der Kreditwürdigkeit
Abbildung 4.6: Kreditvolumen
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 21
Deskriptive AnalyseKundenanalyse 4/4
• Mehr Filial- als Onlinekunden
• Kaum Unterschiede in der Altersstruktur im Vergleich Online/ Offline
Abbildung 4.7: Vertriebskanal
Abbildung 4.8: Demographie
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 22
Deskriptive AnalyseKundenwertkonzept 1/3
Motivation:• Banken besitzen nur beschränkte Ressourcen für Aktivitäten der Kundenbindung
• Ziel ist es Kundensegmente zu identifizieren, die den Einsatz dieser Ressourcen
rechtfertigen
• Ermöglichung einer spezifischen Art der Betreuung von Bestandkunden und potenziellen
Neukunden
• Ausschöpfung von Cross- & Up-Selling-Potenzialen
Mögliche Verfahren• Qualitative Segmentierung
• ABC-Analysen
• Kundendeckungsbeitragsrechnung
• Kunden-Scoring-Modelle
• Kunden-Portfolio-Analyse
• Customer-Lifetime-Value
Abbildung 4.9: ABC AnalyseQuelle: http://www.mapone.de/images/abcanalyse.jpg
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 23
Deskriptive AnalyseKundenwertkonzept 2/3
Kundenwert lässt sich über viele Faktoren bestimmen:• Beziehungsdauer
• Kreditwürdigkeit
• Transaktionsvolumen
• Erwartete Kaufwahrscheinlichkeit für die Zukunft
• Generierter Umsatz
• Hohes Einkommen
Durch welche Daten lassen sich solche Kunden erkennen?• Kreditvolumen
• Kreditwürdigkeit
• Einlagen-Netto-Volumen
• Einlagenvolumen
• Saldo Girokonto
• Beziehungsdauer
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 24
Deskriptive AnalyseKundenwertkonzept 3/3
Versuchsansatz:
Kunden unterteilen in A, B und C Kunden
• A Kunden sind wertvoll
• B Kunden haben keinen besonderen Wert, schädigen die Linusbank aber nicht
• C Kunden schädigen die Linusbank
Mögliche einflussreiche Größen für Kundenwertbestimmung:
• Produktnutzung X ist die Menge an Produkten, welche einen besonders hohen Anteil am
Umsatz/Gewinn der Linusbank haben
• Dauer Gewichtungsfaktor für die wichtigsten Produkte der Linusbank
• Anzahl Gewichtungsfaktor für die wichtigsten Produkte der Linusbank
• Volumen Gewichtungsfaktor für die wichtigsten Produkte der Linusbank
• Kreditwürdigkeit Risikominimierung
• Vermögensausprägung viel Vermögen bedeutet viel Kapital für die Linusbank
• Beziehungsdauer Zeichen für Loyalität
• Cross-Selling_Potenzial Möglichkeit der Aufwertung des Kunden durch Kampagnen
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Abschlusspräsentation
…Data UnderstandingData Preparation
Datenbereinigung
Ausschluss von Datenmaterial Transformierung von Datensätzen KundenwertVorgehen zur KundenwertbestimmungHilfsmittel: ABC-Analyse
Modeling…
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 26
Data PreparationDatenbereinigung
• Ausschluss von „toten“ Kunden, um eine saubere Datenbasis für die Folgemodelle
zu erzeugen?
– Nur bedingt sinnvoll, da diese Kunden durch die Kampagnen reaktiviert werden können
– Denkbarer Nutzen etwa bei Assoziationsanalyse für den Warenkorb, wobei Konten-
Tabelle nur Kunden enthält, die mindestens ein Produkt besitzen
• Modelle arbeiten fehlerhaft, aber der gezielte Ausschluss (klar definierter) wertloser
Kunden ist fehlerfrei, sodass das Endmodell eine höhere Güte aufweisen müsste
• Normierung der Datensätze erforderlich, da Daten sowohl metrisch skaliert
vorliegen
(z. B. Kredithöhe oder Beziehungsdauer) oder nominal bzw. ordinal (z. B.
Geschlecht, Familienstand, Kreditwürdigkeit)
• Verbindung der Datensätze über die Kundennummer möglich (jeder Kunde hat
eine eindeutige Kundennummer)
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 27
Data PreparationAusschluss von Datenmaterial
• Produktnutzung_Giro und Dauer_Giro beinhalten die gleichen
Fakten
• Wenn die Produktnutzung = 0 ist auch die Dauer_Giro = 0
• Daraus folgt, dass Dauer_Giro überflüssig ist
• Ebenso bei Zins, Kredit, Riester, Depot
• Ausschluss von Kreditkarte, Baufinanzierung und Termingeld,
Sparkarte laut Aufgabenstellung (keine adäquaten Daten)
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 28
Data PreparationTransformierung von Datensätzen
Tabelle Konten und Kunden• Verknüpfung der beiden Tabellen für
jeden Monat mit den Informationen:– Beziehungsdauer
– Alter
– Vertriebskanal
– Produktnutzungsdauer (Giro, Zins, Kredit, Riester, Depot)
Nutzen der Produkte wurde binär kodiert
• Kunde nutzt Produkt 1
• Kunde nutzt Produkt nicht 0
Alter:
bis 17: Minderjährig wird ausgeschlossen
18-2930-3940-4950-59ab 60
Beziehungsdauer:
0-3: Neukunde3-12: 1 Jahr13-24: 2 Jahre25-60: 3-5 Jahre51-120: 6-10 Jahreab 121: mehr als 10 Jahre
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 29
Data PreparationKundenwert 1/3
• Für eine erste Analyse genügt ein relativ einfacher
Initialkundenwert, der auf Basis des Laufzeitertrags ermittelt wird.
In weiteren Schritt kann anhand von den verschiedenen
Prognosemodellen ein Score für jeden Kunden erzeugt werden, der
in einen präziseren und feiner abgestimmten Kundenwert einfließt
• Für die aktuelle Aufgabe genügt der Initialkundenwert
• Kunden haben zu einem bestimmten Zeitpunkt ein eine Menge an
Produkten mit unterschiedlichem Ertrag erworben
• Je nach Ertrag erzeugen diese Kunden einen höheren oder niedrigeren
Umsatz
• Kunden werden anhand dieses Umsatzes in verschiedene Werte-
Klassen eingeteilt
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 30
Data PreparationKundenwert 2/3
Ermittlung des Kundenwertes abhängig von der Zielstellung, wobei
Ziele nicht klar voneinander trennbar sind:
• Erhöhung der Kundenbindung?
• Steigerung der Produktdurchdringung je Kunde?
• Steigerung des durchschnittlichen Umsatzes?
• Verbesserung der Kundenzufriedenheit?
In diesem Fall:
• Steigerung der Produktdurchdringung
• Erhöhen des Umsatzes z. B. durch Cross Selling
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 31
Data PreparationKundenwert 3/3
Dazu:
• Ermittlung passender Kennzahlen notwendig
Möglich sind:
• Einlagenvolumen
• Kreditwürdigkeit
• Produktumsatz
• Beziehungsdauer
ABER:
Modell soll möglichst einfach gestaltet werden, dass so viele
Eigenschaften wie
notwendig und so wenige wie möglich verwendet werden.
Dafür bieten sich der Produktumsatz (Laufzeiterträge) und das
erwartete Cross-Selling-Potential an (ermittelt anhand der
Prognosemodelle)
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 32
Data PreparationVorgehen zur Kundenwertbestimmung 1/2
Zweistufiges Vorgehen:
• Schritt 1:
- Initialkundenwert besteht lediglich aus Produktumsatz, da Potential
noch nicht bekannt ist
- Dieser Kundenwert fließt in Prognose-Modell ein
• Schritt 2:
- tatsächlicher Kundenwert erzeugt durch neuen Kundenwert aus Ergebnis
des
Prognose-Modells von Schritt 1
- Berechnung anhand der Scores für die einzelnen
Kaufwahrscheinlichkeiten der Produkte
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 33
Data PreparationVorgehen zur Kundenwertbestimmung 2/2
Berechnung Initialkundenwert:
•Summe der Laufzeiterträge der Kunden und Einteilung in Klassen A bis E
Berechnung des tatsächlichen Kundenwertes:
• Summe der Einzelscores für die Kaufwahrscheinlichkeiten für
die 5 Produkte
(maximal erreichbarer Wert: 5 Punkte)
• Beinhaltet durch Berücksichtigung des Initialkundenwertes
bereits die jeweiligen Umsätze
• erneute Einteilung der Kunden in Klassen A bis E anhand der
Höhe des
Gesamtscores.
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 34
Data PreparationHilfsmittel: ABC-Analyse
• Klassische ABC-Analyse gruppiert Kunden prozentual in Klassen ein, die einen
bestimmten Umsatzanteil ausmachen
• Jedoch in SQL extrem komplex zu implementieren
• Abgewandelter Algorithmus sortiert Kunden absteigend nach Umsatz und ordnet
absolute Mengen in die Klassen ein, sodass die ersten 50.000 Kunden mit dem
höchsten Umsatz Klasse A darstellen, die nächsten Kunden Klasse B usw.
• Die Mengen wurden so definiert, dass ca. 20 % der Kunden (A und B) 80 % des
Umsatzes generieren
A: 0 - 50.000
B: 50.000 – 100.000
C: 100.000 – 150.000
D: 150.000 – 200.000
E Über 200.000
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Abschlusspräsentation…Data UnderstandingData PreperationModeling
AssoziationsanalyseClusteranalysePrognosemodelle
Kampagnen-ManagementFazit
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 36
Teil der Aufgabenstellung:
Entwickeln Sie jeweils ein Produktbezogenes Data-Mining-Modell zur Prognose von Cross-Selling-Abschlüssen auf die Produkte Linuskredit, Linusdepot, Linusgiro, Linuszins und Linusriester.
Ziel der AnalyseEindruck darüber gewinnen, welche Produkte häufig gemeinsam genutzt werden.
ModelingAssoziationsanalyse
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 37
Assoziationsanalyse Vorbereitung der Daten für Assoziationsanalyse
• Benötigter Datensatz: – Konten
• Enthaltene Daten:
– Kundennummer als ID
– Produktnutzung (Kredit, Depot, Giro, Zins, Riester) binär 0 oder 1
– Vermögensausprägung (negativ, ausgeglichen, positiv) nominal -1, 0
oder 1
– Alter (in 5 Stufen) nominal
– Kreditwürdigkeit (gut, schlecht, unbekannt) nominal
– Beziehungsdauer (5 Stufen) nominal
– Kanal (Online, Filiale) binär
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 38
AssoziationsanalyseEinstellungen
• Der Datenfluss im Diagramm:
• Reduzieren der Werte, da Transaktionen wie Kredit oder Riester im verhältnis zur Gesamtzahl der Transaktionen relativ selten auftreten. Sie sollen aber trotzdem in der Analyse erscheinen• Die Filtereinstellungen, um nicht zu berücksichtigende
Produkte auszuschließen:
Abbildung 6.1: Datenfluss
Abbildung 6.2: Einstellung General
Abbildung 6.3: Einstellung Class Variable
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 39
Assoziationsanalyse Ergebnis 1/2
• Das Ergebnis der Analyse mit dem ermittelten Warenkorb.
• Hier zu sehen sind nur die Regeln, die auf der rechten Seite genau ein Ergebnis erzeugen
Abbildung 6.4: Regel-Table
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 40
Assoziationsanalyse Ergebnis 2/2
• Überblick über alle erzeugten Regeln:
Abbildung 6.5: Regel-Table 2
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 41
Assoziationsanalyse Fazit
• Häufig zusammen gekauft werden Zins, Depot und Riester in allen möglichen Kombinationen
• Macht Sinn, da alle drei Produkte im Kern Sparprodukte darstellen
• Starken Lift erzeugen Riester-Produkte, die sowohl für Zins, als auch Zins Kombination mit Giro oder Depot häufig nachgefragt werden
• Diese Produkte werden jedoch vergleichsweise selten verkauft
Handlungsmöglichkeiten:
Kunden, die bereits ein oder mehrere Produkte besitzen, könnten
entsprechend interessiert sein an den ermittelten Kombinationen. So
bietet es sich an, Besitzer von Zins, die noch über kein Depot verfügen,
ein Produktangebot vorzubereiten bzw. Depot-Besitzern auch
Linuszins anzubieten.
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 42
Modeling Clusteranalyse
Teil der Aufgabenstellung:Entwickeln Sie jeweils ein Produktbezogenes Data-Mining-Modell zur Prognose von Cross-Selling-Abschlüssen auf die Produkte Linuskredit, Linusdepot, Linusgiro, Linuszins und Linusriester.
Ziel der AnalyseEindruck über die Kundenstruktur gewinnen. Gibt es typische Nutzergruppen, die ähnliche Eigenschaften aufweisen?
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 43
ClusteranalyseVorbereitung der Daten für Clusteranalyse
• Benötigter Datensatz: Kunden_binary200812
• Enthaltene Daten:
– Kundennummer als ID
– Produktnutzung (Kredit, Depot, Giro, Zins, Riester) binär 0 oder 1
– Vermögensausprägung (negativ, ausgeglichen, positiv) nominal -1, 0
oder 1
– Alter (in 5 Stufen) nominal
– Kreditwürdigkeit (gut, schlecht, unbekannt) nominal
– Beziehungsdauer (5 Stufen) nominal
– Kanal (Online, Filiale) binär
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 44
ClusteranalyseVorgehen
• Nachdem der Clusternode keine zufriedenstellenden Ergebnisse hervorbrachte, kam der SOM/Kohonen-Node zum Einsatz
Vorgehen:
• Sampling-Node mit Simple-Random (12345) als Starteinstellung und 4x6 Clustern
• Anschließend Beobachtung des Distance-Plots auf eine gleichmäßige Verteilung der Cluster und Prüfung der Clusterhäufigkeit in den Statistics
• Schrittweise Reduzierung der Clusterzahl brachte bei 2x3 Clustern das erste gute Ergebnis, bei dem die Cluster gut verteilt waren und keine Häufung mehr auftrat.
• Als wichtige Variablen zeigt sich stets die Beziehungsdauer, die Vermögensausprägung, Giro, Depot, Zins, Kredit.
Abbildung 6.6: Datenfluss
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 45
ClusteranalyseErgebnis 1/5
Abbildung 6.7: Übersicht Cluster
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 46
ClusteranalyseErgebnis 2/5
• ermittelten Distanzgraphen deutlich getrennt
Abbildung 6.8: Distanzgraph
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 47
ClusteranalyseErgebnis 3/5
• Das Alter wurde nicht in die Cluster-Unterscheidung einbezogen
Abbildung 6.9: Altersverteilung
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 48
ClusteranalyseErgebnis 4/5
• Schwerpunkt der Produkte auf verschiedene Klassen
Abbildung 6.10: Produktverteilung
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 49
ClusteranalyseErgebnis 5/5
• Während Vermögensausprägung durchaus einen Einfluss hat, ist die Kreditwürdigkeit in allen Clustern gleich verteilt
Abbildung 6.11: Verteilung von Kreditwürdigkeit und Vermögensausprägung
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 50
ClusteranalyseFazit
Es zeigen sich zwei auffällige Cluster-Gruppierungen:
• So gibt es stets ein Cluster Kreditkunden, das einen erheblichen Anteil an Kreditkunden beinhaltet, die eine stark negative Vermögensausprägung aufweisen und eine mittlere Beziehungsdauer ab 3 Jahren erreichen
• Die zweite Gruppe sind die Sparkunden mit positiver Vermögensausprägung, langer Bindungsdauer teils über 10 Jahre und allen drei Spar-Produkten Zins, Depot und Giro
• Die dritte Gruppe umfasst die verbleibenden Cluster mit vorrangig ausgeglichenem Vermögen und häufig einem Girokonto oder Depot
Handlungsmöglichkeiten:Es lässt sich erkennen, dass im Cluster der Sparkunden die klassischen Sparprodukte häufig nachgefragt werden. Ein Ansatz wäre, Kunden zu finden, die ebenfalls vermögend sind, aber noch nicht alle Produkte besitzen. Zusätzlich ist eine Aktion denkbar, bei der Kunden, die alle Produkte besitzen, aber nur geringe Einlagen aufweisen, zusätzliches Geld überweisen, weil sie mit hoher Wahrscheinlichkeit noch woanders über Konten mit Spareinlagen
verfügen.
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Abschlusspräsentation…Modeling
AssoziationsanalyseClusteranalysePrognosemodelle
StandardprognosemodelleGiroKreditRiesterZinsDepot
Kampagnen-Management…
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 52
Modeling Prognosemodelle
Teil der Aufgabenstellung:Entwickeln Sie jeweils ein produktbezogenes Data-Mining-Modell zur Prognose von Cross-Selling-Abschlüssen auf die Produkte linuskredit, linusdepot, linusgiro, linuszins und linusriester.
Ziel der ModelleKlassifikation von Kunden, um Wahrscheinlichkeiten für Produktabschlüssen zu prognostizieren.
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 53
Modeling Vorbereitung der Daten für die Prognosemodelle
• Benötigte Datensätze:– Kundendaten_200806
– Kundendaten_200812
• Transformationen:– Alter (nominal 5 Klassen)
– Vermögensausprägung (ordinal -1 0 und 1)
– Produktnutzung (binär für jedes Produkt)
– Beziehungsdauer (nominal 5 Klassen)
• Kundenwert (Initialwert):– Klasse (nominal A bis E)
– Umsatz (metrisch)
• Ausgangsdaten:– Kundennummer (id)
– Alter (nominal 5 Klassen)
– Kanal (binär)
– Kreditwürdigkeit (nominal 3 Klassen)
– Vermögensausprägung (ordinal -1 0 und 1)
– Giro (binär)
– Kredit (binär)
– Riester (binär)
– Zins (binär)
– Depot (binär)
– Beziehungsdauer (nominal 5 Klassen)
– Klasse (nominal 5 Klassen)
– Umsatz (interval 115-4365)
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 54
Erstellung von StandardprognosemodellenVorgehen 1/2
• Aufgrund der Daten in Kundendaten_200806 Modelle entwickeln, welche
Prognosen für Produktabschlüsse erstellen
• Prognosen werden mit den tatsächlichen Daten aus Kundendaten_200812
verglichen und anhand der Misclassification Rate und dem Fehler zweiter
Art bewertet
• Fehler zweiter Art sollte möglichst klein sein, da dieser potentielle Kunden
angibt, die nicht angesprochen werden entgangener Umsatz
• Um ein möglichst optimales Prognosemodell zu erhalten werden zunächst drei
Standardmodelle erstellt und davon das geeignetste weiter optimiert
• Bevorzugt wird nach Möglichkeit der Entscheidungsbaum, da er viele positive
Eigenschaften wie Verständlichkeit und hohe Performance besitzt
• Ausschluss von Kundendaten, welche bereits durch Kampagnen angesprochen
wurden, um die Ergebnisse nicht zu verfälschen
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 55
Erstellung von StandardprognosemodellenVorgehen 2/2
• Anlegen zweier paralleler
Datenstränge für je Trainings-
bzw. Validierungsdaten aus
Kundendaten_200806 und
Testdaten aus
Kundendaten_200812
Abbildung 6.12: Datenfluss
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 56
Erstellung von StandardprognosemodellenEinstellungen 1/3
• Umsatz aus Datensatz ausschließen, da indirekt im
Kundenwert enthalten:
• Anlegen von fünf Pfaden (mit je zwei Datensträngen) für jedes Produkt
• Jeweiliges Produkt als Target definieren:
Abbildung 6.13: Attribute ausschließen
Abbildung 6.14: Zielvariable definieren
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 57
Erstellung von StandardprognosemodellenEinstellungen 2/3
• Künstliches Angleichen der Verteilung in den Target-Variablen, um neutralen Trainingsdatensatz zu erhalten
• Gleichverteilung der Daten für Target, sodass keine Ausprägung der Variable dominiert
Abbildung 6.16: Angleichen
Abbildung 6.15: Verteilung
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 58
Erstellung von StandardprognosemodellenEinstellungen 3/3
• Datenstränge für Training, Validierung und Test aufteilen:
• Standardmodelle des Künstlichen Neuronalen Netzes, der Regresion und des Entscheidungsbaums erstellen:
Abbildung 6.17: Datensatzaufteilung
Abbildung 6.18: Standardmodelle
Abbildung 6.19: Output
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 59
Erstellung von StandardprognosemodellenVergleich
• Standardmodelle im Assesment-Node vergleichen• Besonders geeignetes Modell auswählen, welches weiter zu optimieren
ist
• Auswahl anhand von Missclassifcation für Test
• Erklärung:
- Test: Vergleich des Modells mit Dezember
- Validation: Zur Optimierung Trainingsmodelle
• Bevorzugte Auswahl für Entscheidungsbaum, sofern er nicht wesentlich
schlechter ist
Abbildung 6.20: Assesment
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 60
Optimierung EntscheidungsbaumEinstellungen
• Wichtigstes Bewertungskriterium ist die Misclassifiation Rate im Testdatensatz und der
prozentuale Fehler zweiter Art
• Wenn alle Standardmodelle auf ähnlichen Niveau sind wird der Entscheidungsbaum
versucht zu optimieren
• Wenn sich größere Abweichungen ergeben werden zusätzlich zum Entscheidungsbaum auch
andere Modelle optimiert
• Optimierung Entscheidungsbaum:
– Absenkung es
Signifikanzlevels im Chi-
Quadrat-Test
– Absenkung der minimalen
Beobachtungen je
Blattkonten
– Erhöhung der benötigten
Beobachtungen für jede
Split-Suche
Abbildung 6.21: Einstellung Entscheidungsbaum
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 61
Optimierung Neuronales NetzEinstellungen
• Modellauswahl Kriterium auf Misclassification Rate ändern
• Versteckte Neuronen erhöhen, direkte Verbindungen zulassen
Abbildung 6.22: Methode auswählen
Abbildung 6.23: Einstellung Neuronales Netz
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 62
Optimierung RegressionEinstellungen
• Methode auf Backward ändern
• Validation Misclassification als Kriterium wählen
Abbildung 6.24: Einstellung Regression
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 63
PrognosemodelleGiro
• Die Misclassifikation Rates im Testdatensatz stellen sich wie folgt
zusammen:
• Neuronal Network: 0,0586713728
- Optimiert: 0,0597251027
- Verschlechterung um 0,1 %
• Tree: 0,1738551315
- Optimiert: 0,1620013139
- Verbesserung um 1,2 %
• Regression: 0,2132549094
• Neuronales Netz ist bestes Modell, konnte aber nicht weiter optimiert werden
• Entscheidungsbaum konnte auch mit Optimierung nicht entsprechend verbessert werden
Neuronales Netz wird als Prognosemodell für Giro genommen
Abbildung 6.25: Assesment Giro
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 64
PrognosemodelleGiro
• Fehler zweiter Art von 4,7 %
Abbildung 6.26: Fehlerverteilung
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 65
PrognosemodelleKredit
• Die Misclassifikation Rates im Testdatensatz stellen sich wie folgt
zusammen:
• Neuronal Network: 0,0032127169
• Tree: 0,0019142331
- Optimiert: 0,0014273017
- Verbesserung um 0,05 %
• Regression: 0,003813008
• Alle Modelle liegen nah beieinander auf sehr hohem Niveau
• Der Entscheidungsbaum konnte somit auch nicht mehr nennenswert optimiert werden
Optimierter Entscheidungsbaum wird als Prognosemodell für Kredit genommen
Abbildung 6.27: Assesment Kredit
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 66
PrognosemodelleKredit
• Sehr geringer Fehler zweiter Art von nur 0,8 %
Abbildung 6.28: Fehlerverteilung
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 67
PrognosemodelleKredit
• Entscheidungsregeln im optimierten Entscheidungsbaum
Abbildung 6.29: Treeview
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 68
PrognosemodelleRiester
• Die Misclassifikation Rates im Testdatensatz stellen sich wie folgt
zusammen:
• Neuronal Network: 0,2605778768
- Optimiert: 0,2564376715
- Verbesserung von 0,4 %
• Tree: 0,3665022092
- Optimiert: 0,2368728181
- Verbesserung um 12,9 %
• Regression: 0,2132549094
• Entscheidungsbaum mit Abstand am schlechtesten
• Optimierung bei anderen Modellen versprach kein Erfolg
• Optimierung bei Entscheidungsbaum verbessern Ergebnis signifikant, sodass Ergebnis
vergleichbar wird mit anderen Modellen
Optimierter Entscheidungsbaum wird als Prognosemodell für
Riester genommen
Abbildung 6.30: Assesment Riester
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 69
PrognosemodelleRiester
• extrem hoher Fehler zweiter Art von 47 %
Abbildung 6.31: Fehlerverteilung
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 70
PrognosemodelleRiester
• Entscheidungsregeln im optimierten Entscheidungsbaum
Abbildung 6.32: Treeview
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 71
PrognosemodelleZins
• Die Misclassifikation Rates im Testdatensatz stellen sich wie folgt
zusammen:
• Neuronal Network: 0,1646240451
• Tree: 0,1215602417
- Optimiert: 0,1165543805
- Verbesserung um 0,5 %
• Regression: 0,1986989398
• Entscheidungsbaum ist per se schon sehr gut, konnte aber nicht signifikant optimiert werden
Optimierter Entscheidungsbaum wird als Prognosemodell für Zins genommen
Abbildung 6.33: Assesment Zins
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 72
PrognosemodelleZins
• extrem hoher Fehler zweiter Art von 44 %
Abbildung 6.34: Fehlerverteilung
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 73
PrognosemodelleZins
• Entscheidungsregeln im optimierten Entscheidungsbaum
Abbildung 6.35: Treeview
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 74
PrognosemodelleDepot
• Die Misclassification Rates im Testdatensatz stellen sich wie folgt
zusammen:
• Neuronal Network: 0,0889100723
- Optimiert: 0,0765976632
- Verschlechterung von 1,2 %
• Tree: 0,0921871981
- Optimiert: 0,0380347551
- Verbesserung von 5,4 %
• Regression: 0,1226526169
• Der Entscheidungsbaum ist ein guter Ausgangspunkt für das Modell und liefert optimiert, die besten Ergebnisse
optimierter Entscheidungsbaum wird als Prognosemodell für Depot genommen
Abbildung 6.36: Treeview
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 75
PrognosemodelleDepot
• 6,9 % Fehler zweiter Art
Abbildung 6.37: Fehlerverteilung
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 76
PrognosemodelleDepot
• Entscheidungsregeln im optimierten Entscheidungsbaum
Abbildung 6.38: Treeview
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Abschlusspräsentation…Modeling
AssoziationsanalyseClusteranalysePrognosemodelle
StandardprognosemodelleGiroKreditRiesterZinsDepot
Kampangen - ManagementFazit
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 78
Kampagnen-ManagementVorgehen 1/2
Grundsätzliche Arbeitsweise:
• Vergleich der durchschnittlichen Monatsumsätze für das
beworbene Produkt und die gesamte Abschlussmenge
• Kundenbasis:
• Wirkgruppe (nahm an Kampagne teil)
• Kontrollgruppe (nahm nicht an Kampagne teil)
Datenbasis:
• Kampagnen-Tabelle (Kundennummer, Name, Wirkgruppe, Abschluss)
• Konten-Tabelle (Kundennummer, Abschluss, Produkt)
• Produkt-Tabelle (Name, Laufzeitertrag)
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 79
Kampagnen-ManagementVorgehen 2/2
• Für eine Bewertung der Kampagne wird nun untersucht, ob die
angeschriebenen Kunden im Verhältnis einen höheren Umsatz
erzeugt haben als die Kunden, die nicht angeschrieben wurden
(Kontrollgruppe)
• Dazu kann der Gesamtumsatz betrachtet werden. Zur besseren
Deckungsbeitragsbewertung ist jedoch die Betrachtung des
Umsatzes besser, der ausschließlich mit dem beworbenen Produkt
erzielt wurde
Abbildung 7.1: Datenfluss
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 80
Kampagnen-Management Kreditmailing-Vergleich
Ermitteln der Anzahl der angeschriebenen Kunden für die Kampagne:
• Alle Kunden in Wirkgruppe = 1 mit Kampagnenname = Kreditmailing sind die
Wirkgruppe (32.680 Kunden)
• Alle Kunden in Wirkgruppe = 0 mit Kampagnenname = Kreditmailing sind die
Kontrollgruppe (3.610 Kunden)
• Für die Bewertung des Prognosemodells wurde ein Modell für Kredit auf Basis der
Kundendaten mit Stand 200805 prognostiziert, wobei für das Training alle Kunden gefiltert
wurden, die an Kampagnen teilgenommen haben
• Die ermittelten Kunden mit einer Kreditkaufwahrscheinlichkeit werden anschließend nach
Wahrscheinlichkeit gescored
• Für eine Bewertung anhand der gemachten Kampagne wurden nur die Kunden
angeschrieben, die sowohl in der Kampagne Kreditmailing aufgeführt waren als auch
vom eigenen Prognosemodell als Kaufkunden bewertet wurden
• Daraus ergibt sich eine Wirkgruppe mit 32.183 Kunden - die Kontrollgruppe bleibt gleich
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 81
Kampagnen-ManagementKreditmailing-Vergleich
Umsatz Wirkgruppe (Zeitraum 6 bis 8):
• Kredit: 3.908.480 EURabzgl. Kosten 32.680 * 1,20 = 39.216 EURNettoumsatz 3.869.264 EUR
Durchschntl. Brutto-Umsatz: 39,87 EURDurchschntl. Netto-Umsatz: 39,47 EUR
Einbezogene Kunden über 3 Monate: 98.040
Umsatz Wirkgruppe (Zeitraum 6 bis 8):mit eigenem Prognose-Modell Kredit auf Basis von Mai für August
• Kredit: 3.811.950abzgl. Kosten 32183 * 1,20 = 38.619,6Nettoumsatz 3.775.800
Durchschntl. Brutto-Umsatz: 39,48 EURDurchschntl. Netto-Umsatz: 39,08 EUR
Einbezogene Kunden über 3 Monate: 90.375
Kontrollgruppe (Zeitraum 6 bis 8):
Umsatz Kredit 6 bis 8: 376.270 EUR
Durchschntl. Umsatz: 34,74 EUR
Einbezogene Kunden über 3 Monate:
10.830
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 82
Kampagnen-ManagementErgebnis im Vergleich zur Kontrollgruppe
Kampagnen-Ergebnisse im Vergleich zu Kontrollgruppe:
Lift der Kampagne mit Brutto- und Netto-Ergebnissen
39,86 EUR / 34,74 EUR = 14,75 %
39,46 EUR / 34,74 EUR = 13,59 %
Lift der prognostizierten Kampagne mit Brutto- und Netto-
Ergebnissen
39,48 EUR / 34,74 EUR = 13,64 %
39,08 EUR / 34,74 EUR = 12,48 %
Abbildung 7.2: Aufteilung der Vergleichsguppen
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Abschlusspräsentation…Modeling
AssoziationsanalyseClusteranalysePrognosemodelle
Kampangen - Management
Fazit
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 84
Fazit 1/3
Assoziation– Analyse zeigt guten Ersteindruck über das Kaufverhalten der Kunden
– Ermöglicht Ergebnisse mit geringem Aufwand
– Bietet im Gegensatz zu teureren Kampagnen-Aktionen eine günstige Cross-Selling-Grundlage im direkten Verkaufsgespräch
Clustering– Ermöglicht Identifikation wesentlicher Kundengruppen in bestehender
Kundenbasis
– Bietet guten Ansatz um Kampagnen speziell auf diese Kundengruppen wie Kreditkunden oder Sparkunden auszurichten
– Alternativ können neue Kampagnen entwickelt werden, um neue Kundengruppen in Abhängigkeit der Firmenstrategie aufzubauen
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 85
Fazit 2/3
Prognose für Produkte– liefert gute Ergebnisse für Kredit, Depot und Giro
– Bei Zins und Riester verursacht der hohe Fehler zweiter Art hohe Opportunitätskosten, da Anteil positiver Kunden sehr gering ist
Scoring
– Aufwändig zu ermitteln
– Nutzen des Scores und Umfang der einbezogenen Attribute extrem
abhängig vom Ziel der Kundenbewertung
– Für Produktprognose schon sehr einfacher Score auf Umsatzbasis
ausreichend, da Modelle bereits über hohe Aussagekraft verfügen
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 86
Fazit 3/3
Kampagnen-Management
– Kampagnen sehr nützlich für Umsatzsteigerung je Kunde im Vergleich
zur nicht angeschriebenen Kontrollgruppe
– Kampagnen-Ergebnisse mit Prognose-Modell erreichen vergleichbar gute
Werte trotz eingeschränkter Datenauswahl
Abbildung 8.1: Umsatzvergleich
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 87
Literatur
• Hippner, H. et al; (2001): Handbuch Data Mining im Marketing, Vieweg, Wiesbaden
• Matignon, R.; (2007): Data Mining Using SAS Enterprise Miner, Wiley, New Jersey