die linusbank problembeschreibung projektplan data understanding data preparation modeling
Post on 06-Jan-2016
23 Views
Preview:
DESCRIPTION
TRANSCRIPT
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Prof. Dr. Andreas Hilberthilbert@wiid.wiwi.tu-dresden.de
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
Endpräsentation
Mat. Nr.: 3111685Mat. Nr.: 3206958Mat. Nr.: 3235860
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Endpräsentation
Die LinusbankProblembeschreibungProjektplanData UnderstandingData PreparationModelingKampagnen-ManagementFazitLiteratur
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– 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 Zwischenpräsentation– Seite 4
Die LinusbankUnternehmenssicht
• Mittelgroße Filialbank mit 500.000 Kunden
• 5 Produkte :
• Umfangreiches Data Warehouse mit historisierter Datenbasis
• Sowohl Online- als auch Filialgeschäft
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Endpräsentation
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 Zwischenpräsentation– 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 Zwischenpräsentation– 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
Endpräsentation
Die LinusbankProblembeschreibungProjektplan
ProjektablaufKoordination der Projektarbeit
Data UnderstandingData PreparationModelingKampagnenauswertung…
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– 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
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 10
ProjektplanKooperation der Projektarbeit
• http://altranprojektseminar.wikispaces.com
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Endpräsentation
…ProjektplanData Understanding
Übersicht über vorhandene DatenProduktverteilungProdukterträgeKundenanalyseKundenwertkonzept
Data Preparation…
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 12
Deskriptive AnalyseÜbersicht über vorhandene Daten
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 13
Deskriptive AnalyseProduktverteilung (Gesamt)
• Girokonto hat größten Produktanteil
• Kredit nur vergleichsweise geringer Anteil
• Anteil für Riester und Sparen minimal
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 14
Deskriptive AnalyseProduktverteilung (im Monat Juni)
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 15
Deskriptive AnalyseProduktverteilung (im Monat Dezember)
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– 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 Zwischenpräsentation– 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
KreditProdukt Jahresertrag Laufzeitertrag
Riester 530 € 1970 €
Zins 140 € 290 €
Giro 40 € 260 €
Depot 25 € 90 €
Kredit 450 € 570 €
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Endpräsentation
…ProjektplanData Understanding
Übersicht über vorhandene DatenProduktverteilungProdukterträgeKundenanalyseKundenwertkonzept
Data Preparation…
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 19
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 Zwischenpräsentation– Seite 20
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 Zwischenpräsentation– Seite 21
Deskriptive AnalyseKundenanalyse 3/4
• Übersicht über das Volumen von Kreditkunden abhängig von der Kreditwürdigkeit
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 22
Deskriptive AnalyseKundenanalyse 4/4
• Mehr Filial- als Onlinekunden
• Kaum Unterschiede in der Altersstruktur im Vergleich Online/ Offline
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 23
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
Quelle: http://www.mapone.de/images/abcanalyse.jpg
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 24
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 Zwischenpräsentation– Seite 25
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 X ist die Menge an Produkten, welche einen besonders hohen Anteil am
Umsatz/Gewinn der Linusbank haben
• Dauer_X Gewichtungsfaktor für die wichtigsten X Produkte der Linusbank
• Anzahl_X Gewichtungsfaktor für die wichtigsten X Produkte der Linusbank
• Volumen_X Gewichtungsfaktor für die wichtigsten X Produkte der Linusbank
• Kreditwürdigkeit Risikominimierung
• Vermögensausprägung viel Vermögen bedeutet viel Kapital für die Linusbank
• Beziehungsdauer Zeichen für Loyalität
• Cross-Selling_Potenzial_X Möglichkeit der Aufwertung des Kunden durch Kampagnen
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Endpräsentation
…Data UnderstandingData PreparationModelingKampagnen-ManagementFazitLiteratur
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 27
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
– 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 Zwischenpräsentation– Seite 28
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, Kreditkarte, Sparkarte,
Baufinanzierung
• 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 Zwischenpräsentation– Seite 29
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, Sparkarte)
Nutzen der Produkte wurde binär kodiert
• Kunde nutz Produkt 1
• Kunde nutz 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 Zwischenpräsentation– Seite 30
Data PreparationKundenwert
• 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 Zwischenpräsentation– Seite 31
Data PreparationKundenwert
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?
Hier: Steigerung der Produktdurchdringung und erhöhen des
Umsatzes
(Cross Selling)
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 32
Data PreparationKundenwert
Dazu: Ermittlung passender Kennzahlen notwendig.
Möglich sind:
• Einlagenvolumen
• Kreditwürdigkeit
• Produktumsatz
• Beziehungsdauer
ABER:
Modell soll möglichst einfach gestaltet werden, sodass 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 Zwischenpräsentation– Seite 33
Data PreparationKundenwert
Vorgehen zur Kundenwertbestimmung
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
- Berechnung anhand der Scores für die einzelnen
Kaufwahrscheinlichkeiten der Produkte
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 34
Data PreparationKundenwert
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 Zwischenpräsentation– Seite 35
Data PreparationKundenwert
Hilfsmittel: 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
Endpräsentation…Data UnderstandingData PreperationModeling
AssoziationsanalyseClusteranalysePrognosemodelle
…
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 37
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 Zwischenpräsentation– Seite 38
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
– Kanal (Online, Filiale) binär
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 39
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:
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 40
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.
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 41
Assoziationsanalyse Ergebnis 2/2
• Überblick über alle erzeugten Regeln:
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 42
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.
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Endpräsentation…Data UnderstandingData PreperationModeling
AssoziationsanalyseClusteranalysePrognosemodelle
Kampagnen-ManagementFazitLiteratur
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 44
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 Zwischenpräsentation– Seite 45
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
– Kanal (Online, Filiale) binär
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 46
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.
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 47
ClusteranalyseErgebnis 1/5
• Ergebnis der Clusteranalyse
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 48
ClusteranalyseErgebnis 2/5
• Das Ergebnis der Analyse mit dem ermittelten Distanzgraphen.
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 49
ClusteranalyseErgebnis 3/5
• Das Alter wurde nicht in die Cluster-Unterscheidung einbezogen.
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 50
ClusteranalyseErgebnis 4/5
• Die Verteilung der Produkte auf die verschiedenen Cluster
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 51
ClusteranalyseErgebnis 5/5
• Während Vermögensausprägung durchaus einen Einfluss hat, ist die Kreditwürdigkeit in allen Clustern gleich verteilt.
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 52
ClusteranalyseFazit
Es zeigen sich drei 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
Endpräsentation…Modeling
AssoziationsanalyseClusteranalysePrognosemodelle
StandardprognosemodelleGiroKreditRiesterZinsDepotScores
Fazit…
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 54
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 Zwischenpräsentation– Seite 55
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 Zwischenpräsentation– Seite 56
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
- FZA sollte möglichst klein sein, da er potentiellen Kunden angibt, die nicht
angesprochen werden
• 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 Zwischenpräsentation– Seite 57
Erstellung von StandardprognosemodellenVorgehen 2/2
• Anlegen zwei paralleler
Datenstränge für je Trainings- bzw.
Validierungsdaten aus
Kundendaten_200806 und Testdaten
aus Kundendaten_200812
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 58
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:
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 59
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
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 60
Erstellung von StandardprognosemodellenEinstellungen 3/3
• Datenstränge für Training, Validierung und Test aufteilen:
• Standardmodelle des Künstlichen Neuronalen Netzes, der Regresion und des Entscheidungsbaums erstellen:
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 61
Erstellung von StandardprognosemodellenVergleich
• Standardmodelle im Assesment-Node vergleichen• Besonders geeignetes Modell auswählen, welches weiter zu optimieren
ist
• Auswahl anhand von Missclassifcation für Test
• Erkärung:
- Test: Vergleich des Modells mit Dezember
- Validation: Zur Optimierung Trainingsmodelle
• Bevorzugte Auswahl für Entscheidungsbaum, sofern er nicht wesentlich
schlechter ist
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 62
Optimierungen EntscheidungsbaumEinstellungen
• Wichtigstes Bewertungskriterium ist die Missclassifiation 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
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 63
Optimierungen Neuronales NetzEinstellungen
• Modelauswahl Kriterium auf Misclassification Rate ändern
• Versteckte Neuronen erhöhen, direkte Verbindungen zulassen
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 64
Optimierungen RegressionEinstellungen
• Methode auf Backward ändern
• Validation Misclassification als Kriterium wählen
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Endpräsentation…Modeling
AssoziationsanalyseClusteranalysePrognosemodelle
StandardprognosemodelleGiroKreditRiesterZinsDepotScores
Kampagnen-Management
Fazit…
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 66
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 Optimierungen nicht entsprechend verbessert werden
Neuronales Netz wird als Prognosemodell für Grio genommen
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 67
PrognosemodelleGiro
• Fehler zweiter Art von 4,7 %
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 68
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
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 69
PrognosemodelleKredit
• Sehr geringer Fehler zweiter Art von nur 0,8 %
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 70
PrognosemodelleKredit
• Entscheidungsregeln im optimierten Entscheidungsbaum
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 71
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
• Optimierungen 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
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 72
PrognosemodelleRiester
• extrem hoher Fehler zweiter Art von 47 %
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 73
PrognosemodelleRiester
• Entscheidungsregeln im optimierten Entscheidungsbaum
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 74
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
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 75
PrognosemodelleZins
• extrem hoher Fehler zweiter Art von 44 %
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 76
PrognosemodelleZins
• Entscheidungsregeln im optimierten Entscheidungsbaum
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 77
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
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 78
PrognosemodelleDepot
• 6,9 % Fehler zweiter Art
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 79
PrognosemodelleDepot
• Entscheidungsregeln im optimierten Entscheidungsbaum
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 80
PrognosemodelleScores
• Extraktion der Scores:
– Entscheidungsregeln der Modelle werden extrahiert und über einen
SAS-Code in Prognosewahrscheinlichkeiten für Kunden zu dem
jeweiligen Produkt gespeichert.
– Aus dem Prognosewahrscheinlichkeiten und dem alten Kundenwert wird
anschließend der neue Kundenwert berechnet
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Endpräsentation…Modeling
AssoziationsanalyseClusteranalysePrognosemodelle
StandardprognosemodelleGiroKreditRiesterZinsDepotScores
Kampangen - Management
Fazit…
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 82
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 Zwischenpräsentation– Seite 83
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 (also die
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.
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 84
Kampagnen-Management Kreditmailing-Vergleich
Ermitteln der Anzahl der angeschriebenen Kunden für die Kampagne:
• Alle Kunden in Wirkgruppe=1 mit Kampagnename = Kreditmailing sind die
Wirkgruppe (32.680 Kunden)
• Alle Kunden in Wirkgruppe=0 mit Kampagnename = 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 32183 Kunden. Die Kontrollgruppe bleibt gleich.
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 85
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
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 86
Kampagnen-ManagementErgebnis im Vergleich zur Kontrollgruppe 1/2
Kontrollgruppe (Zeitraum 6 bis 8):
Umsatz Kredit 6 bis 8: 376.270 EUR
Durchschntl. Umsatz: 34,743 EUR
Einbezogene Kunden über 3 Monate: 10.830
Kampagnen-Ergebnisse im Vergleich zu Kontrollgruppe
Lift der Kampagne mit Brutto- und Netto-Ergebnissen
39,866 EUR / 34,743 EUR = 14,75 %
39,466 EUR / 34,743 EUR = 13,59 %
Lift der prognostizierten Kampagne mit Brutto- und Netto-
Ergebnissen
39,482 EUR / 34,743 EUR = 13,64 %
39,082 EUR / 34,743 EUR = 12,48 %
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 87
Kampagnen-ManagementErgebnis im Vergleich zur Kontrollgruppe 2/2
Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research
Endpräsentation…Modeling
AssoziationsanalyseClusteranalysePrognosemodelle
Kampangen - Management
FazitLiteratur
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 89
FAZIT 1/2
• Assoziation– Analyse zeigt guten Ersteindruck über das Kaufverhalten der Kunden
– Bietet hilfreiche Ergebnisse mit geringem Aufwand
– Bietet im Gegensatz zu teureren Kampagnen-Aktionen eine günstige Cross-Selling-Grundlage im direkten Verkaufsgespräch
• Clustering– Ermöglichte Identifikation wesentlicher Kundengruppen in bestehender
Kundenbasis
– Bietet guten Ansatz um Kampagnen speziell auf diese Kundengruppen wie Kreditkunden oder Sparkunden auszurichten
– Alternativ können auch neue Kampagnen entwickelt werden, um neue Kundengruppen abhängig von der Firmenstrategie aufzubauen
• Prognose für Produkte– Prognose für Kredit, Depot und Giro liefert gute Ergebnisse
– Bei Zins und Riester verursacht der hohe Fehler zweiter Art hohe Opportunitätskosten, da Anteil positiver Kunden sehr gering ist
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 90
FAZIT 2/2
• 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
• 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
TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research
Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 91
Literatur
• H. Hippner et: „Handbuch Data Mining im Marketing“
• Randall Matignon: „Data Mining Using SAS Enterprise Miner“ (2007)
• ????
top related