Learning Systems Methods for intelligent SCRM

Andreas Schmidt und Julius Hoyer

Kaum ein anderes Gebiet unterliegt solch einer Dynamik wie die Entwicklung von Beziehungsnetzwerken gerade im Internet, siehe Facebook, Twitter und Co. Es ergeben sich aber auch Chancen für die intelligente Auswertung von Beziehungsnetzwerken und Ableitung von Handlungsmustern zur Optimierung des eigenen Geschäfts. Dieser Beitrag legt dar, dass klassische Methoden des Analytical CRM keine ausreichenden Antworten zur Ableitung von Handlungsmustern bieten. Daher wurde das Konzept der „Learning Systems Method for iSCRM“ entwickelt. Wirkmuster zur Selbstoptimierung werden als Handlungsmuster zur Optimierung von Beziehungsnetzwerken im SCRM spezifiziert. Es wird gezeigt, wie sich durch deren Einsatz explizite Wissensmodelle über Beziehungen und deren Akteure verbessern lassen. Schließlich wird ein Ausblick auf eine IT-technische Umsetzung auf der Basis des Web 3.0 gegeben. Durch den Einsatz der vorgestellten Methode, werden Unternehmen in die Lage versetzt, sich ergebene Chancen schnell zu erkennen und vor ihren Marktbegleitern zu verwerten.

Social CRM
„Nichts ist so beständig wie der Wandel.“ (Heraklit von Ephesus, etwa 540 - 480 v. Chr.) Und der Wandel eröffnet Chancen frei dem etwas abgeänderten Motto: „Wandel bringt Handel“. Je schneller Unternehmen den Wandel erkennen – insbesondere gegenüber Ihren Marktbegleitern – desto besser können sie die Chancen für sich verwerten. In der aktuellen Diskussion über die Optimierung des Kundenbeziehungsmanagements werden gerade dem Analytical CRM und Social CRM [2] große Zukunftspotenziale beigemessen.
Bild 1 soll den Wandel in Beziehungsnetzwerken beispielhaft zeigen. Zu einem Zeitpunkt t0 stehen unterschiedliche Objekte (Personen = Bernd, Ina, Thorsten, Max; Dokumente = Rezept; Ernährung = Kuchen; Sport = Fußball), in verschiedenen Arten von Beziehungen (verheiratet, kennt, interessiert an, spielt, hat) zueinander. Insbesondere interessiert sich Max für einen Kuchen zu seinem Geburtstag, Thorsten hat ein Rezept dafür und Ina könnte den Kuchen backen. Allerdings kennt Max weder Ina noch Thorsten. Nun lernt Max Bernd kennen. Dieser Wandel kann vielfältige Änderungen im System der Beziehungen zu einem späteren Zeitpunkt t1 bewirken. Max könnte nun über Bernd Ina kennen lernen. Ina könnte für Max den Kuchen backen. Da sie dazu das Rezept von Thorsten holen würde, würde Thorsten vielleicht auch von der Vorliebe von Max für das Fußball spielen erfahren. So könnten sich beide miteinander vernetzen und in Zukunft gemeinsam Fußball spielen. Diese Chancen oder besser „Opportunities“ sollten sich die Beteiligten nicht entgehen lassen.
Bieten heutige Methoden und Verfahren denn bereits Lösungen für die Chancenverwertung an? Im Analytical CRM kennen wir unterschiedliche Verfahren, um große Datenmengen (Big Data) zu analysieren (Bild 2):

Bild 2: Methoden des Analytical CRM.
  • Assoziationsanalyse: Welche Produkte werden zusammen mit welchen anderen Produkten gekauft, um z.B. das Shop-Layout im Einzelhandel aufzuwerten (das klassische „Pampers-und-Bier Szenario“).
  • Clusteranalyse: gleichartige, homogene Gruppen in großen Datenmengen finden, z.B. können aus der Menge aller Urlauber folgende Interessengruppen ermittelt werden: Sport, Wellness, Kultur
  • Klassifikation: bei gegebenen Klassen, ein Objekt einer (oder mehrere) Klassen zuordnen, z.B. die Zuordnung eines neuen Kunden zu den Klassen {kreditwürdig, nicht kreditwürdig}
  • Regression: Prognosen für den zeitlichen Verlauf in der Zukunft erstellen, z.B. basierend auf der Entwicklung des DAX-Kurses in den vergangenen 10 Jahren eine Prognose für das nächste Jahr.

Diese mathematischen Verfahren helfen allerdings nur bedingt bei den Herausforderungen des schnellen Wandels in oben skizzierten Beziehungssystemen:

  • Sie beziehen sich ausschließlich auf die mathematisch-/IT-technische Auswertung von Datenmengen. Eine Berücksichtigung der Optimierung menschlichen Verhaltens bzw. der Management-Sicht ist kein Bestandteil.
  • Sie sind in den meisten Fällen zeitpunkt-bezogen und können die Dynamik in (sozialen) Beziehungsnetzwerken nicht abbilden.
  • Sie bauen kein umfassendes bzw. explizites Wissensmodell über die Beziehungen zwischen allen Objekten auf (Personen, Dokumente, Daten, IT-Systeme etc.)
  • Sie stellen keine Handlungsmuster zur Optimierung des eigenen Verhaltens auf.

Die Learning Systems Methods for intelligent SCRM (lsm4iscrm) Methodik soll nun einen Weg aufzeigen, wie mit Hilfe von Learning Systems und Mustern zur Selbstoptimierung dynamisches menschliches Verhaltens in Integration mit der IT-technischen Umsetzung gelingen kann.

[ Weiter zum Content Shop]