Learning Systems Methods for intelligent SCRM

Kaum ein anderes Gebiet unterliegt solch einer Dynamik wie die Entwicklung von Beziehungsnetzwerken, gerade im Internet. 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.

„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. Primär 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 jetzt über Bernd Ina kennenlernen. 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 Fußballspielen 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):

• 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 zeitpunktbezogen 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 mithilfe von Learning Systems und Mustern zur Selbstoptimierung dynamisches menschliches Verhaltens in Integration mit der IT-technischen Umsetzung gelingen kann.

Learning Systems Method for iSCRM

Die „Learning Systems Method for iSCRM“ basiert auf dem Konzept der Wirkmuster zur Selbstoptimierung [3, 4] und integriert diese in die Inter­aktion des menschlichen Verhaltens mit der IT-technischen Umsetzung. Insgesamt wird ein lernendes System entwickelt (Bild 3), das sich auf der Basis von Wirkmustern über die Zeit selbst optimiert und so dynamisch Beziehungsnetzwerke erweitert und verbessert.

Kern des Systems ist ein Knowledge Management System, das Beziehungsnetzwerke durch Fak­ten- und Regelwissen abbildet. Dies ermöglicht die Spezifikation eines expliziten Wissensmodells über die SCRM-Welt des Unternehmens auch in grafischer Repräsentation durch z. B. eine Ontologie. So wird die Bezie­hung zwischen Bernd und Ina durch das Faktum „verheiratet (Bernd, Ina)“ spezifiziert. Regeln ermöglichen eine intelligente Auswertung der Wissens­basis. So kann die Beziehung „kennen“ sich auch aus der Ableitung ergeben, dass zwei Menschen miteinander ver­heiratet oder Freunde sind. Des Wei­teren kann sich eine Erweiterung der „kennen“-Beziehung in einer Regel zur Netzwerkexpansion widerspiegeln. Wenn Person A Person B kennt und Person B kennt Person C, dann könnte auch Person A Person C kennenler­nen. Die Methodenintelligenz, die be­reits oben diskutiert wurde, leitet nun neues Wissen aus Big-Data-Quellen ab.

Wie bereits erläutert, bieten die klassi­schen Methoden der Analytical-CRM-Domäne keine Handlungsmuster zur Selbstoptimierung des Wissensmo­dells an. Diese Lücke wird im Konzept der lsm4iscrm durch eine neue Kom­ponente zur Abbildung der Process Intelligence geschlossen.
Die Process Intelligence wird dabei im lsm4iscrm-Konzept durch vier Ka­tegorien intelligenter Handlungsmus­ter modelliert – den so genannten „Wirkmustern zur Selbstoptimierung“ („Working Patterns for Self-Optimiza­tion“) (Bild 4).

• Exploitation: Bestehendes Wissen in Fakten und Regeln über Menschen und deren Beziehungen werden aus­genutzt, um das iSCRM zu optimieren. Beispiel: Ina kann den Kuchen backen, weil sie Thorsten kennt und Thorsten wiederum ein Rezept für den Kuchen hat.
• Interaktion: Neues Wissen wird durch Interaktion mit anderen Menschen in das eigene Wissensmodell übertra­gen. Beispiel: Max lernt Bernd kennen. Durch diese neue Interaktion kann Max nun auf den Wissensbestand von Bernd zugreifen.
• Exploration: Neues Wissen wird durch das „Entdecken“ respekti­ve Analysieren eines bestehenden Netzwerkes abgeleitet. Beispiel: Max hat Bernd kennengelernt. Jetzt könnte Max den Wissensbestand von Bernd explorieren und so entdecken, dass er den gewünschten Kuchen von Ina er­halten oder mit Thorsten zusammen Fußball spielen könnte.
• Reflexion: Der Einsatz oben genann­ter Wirkmuster wird hinsichtlich sei­ner Zielerfüllung bewertet. Dadurch wird die lsm4iscrm über die Zeit im­mer besser – gut bewertetes Wissen und Handlungen werden verstärkt, schlecht bewertetes Wissen oder Handlungen werden abgeschwächt. Beispiel: Max hat nun den Kuchen von Ina für seine Geburtstagsfeier verwendet. Der Kuchen hat allen bes­tens geschmeckt, sodass Max auch in Zukunft Ina immer wieder gerne für Kuchen ansprechen wird.

Web 3.0 als Plattform

In der Umsetzung des Learning-Systems-Ansatzes verbleiben jetzt fol­gende Herausforderungen: Welche Datenquellen beinhalten interessante Informationen über Beziehungsnetz­werke? Wie können diese Datenquel­len mithilfe des vorgestellten Ansat­zes ausgewertet werden?

Wesentliche Informationen über Beziehungen und Netzwerke befin­den sich im World Wide Web, z. B. in sozialen Netzwerken wie Facebook, die Beziehungswissen be­reits explizit dargestellt haben. Aber auch aus der Masse der übrigen In­ternetinhalte lassen sich Beziehungen und Wissen darüber ableiten.

Aktuell befindet sich das Internet in einer wesentlichen Umgestaltung hin zum Web 3.0 [5], auch „Intelligent Web“ oder „Semantic Web“ genannt. Dabei geht es darum, die bereits vor­handenen Daten, Informationen und Texte durch Meta-Informationen an­zureichern. Diese Meta-Informationen drücken eine tiefere Bedeutung (Se­mantik) über die einfachen Texte aus, z. B. dass eine „Bank“ entweder ein „Ding zum Sitzen“ oder ein „Ding für Geldgeschäfte“ ist. Des Weiteren kön­nen Beziehungen zwischen „Dingen“ mithilfe von Ontologien spezifiziert werden. Sobald die Internetinhalte derart spezifiziert sind, können nun automatisierte Programme (auch: Ro­bots oder Agents) die Inhalte analy­sieren.

Die Umsetzung der „lsm4iscrm“ entspricht somit einem intelligenten Multi-Agentensystem, wie es in Bild 5 gezeigt wird. Jeder einzelne Agent implementiert eines der spezifizierten Wirkmuster zur Selbstoptimierung. Die Kollaboration der Agenten untereinander spiegelt die Auswahl und den Einsatz spezifischer Wirkmuster für eine gegebene Analyse-Aufgaben­stellung wider. Das Multi-Agentensys­tem analysiert den semantisch ange­reicherten Inhalt des Webs.

Zukunftssichere Kundenbeziehungen durch intelligente Selbstoptimierung

Durch den Einsatz der „Learning Systems Method for iSCRM“ können Unternehmen den dynamischen Wandel in Beziehungsnetzwerken analysieren. Damit gelingt es Ihnen, sich ergebene Chancen schnell zu erkennen und vor ihren Marktbeglei­tern zu verwerten. Diese innovative Methodik kombiniert fortschrittliche Datenanalyse mit intelligenten Handlungsmustern zur Selbstoptimierung, was zu einer flexiblen und adaptiven CRM-Strategie führt. In einer sich ständig verändernden Geschäftsumgebung ermöglicht dies nicht nur eine effektivere Kundenbindung, sondern auch die nachhaltige Stärkung der Wettbewerbsfähigkeit. So können Unternehmen ihre Kundenbeziehungen kontinuierlich verbessern und dabei sowohl kurzfristige als auch langfristige Vorteile realisieren.

Das könnte Sie auch interessieren

Kundenbewertungen als Grundlage gelebter Kundenzentrierung Wie Unternehmen Transparenz, Konsequenz und Effizienz schaffen durch ERP-Integration

Viele Unternehmen halten sich für kundenzentriert – die Kunden sehen das oft jedoch ganz anders. Ursachen liegen mitunter in fragmentierten Daten, organisatorischen Silos und fehlender Systemintegration. Wie können Kundenbewertungen direkt mit ERP-Systemen verknüpft werden, um Prozesse besser zu steuern und Entscheidungen datenbasiert abzusichern?

Microsoft Dynamics 365 Copilot: Vorteile, Nachteile, Chancen Prozesse automatisieren – Qualität verbessern – Zeit gewinnen

Was sind die Vorteile, Hürden und Chancen des Microsoft Dynamics 365 Copilot? Dieser Beitrag zeigt, wie Unternehmen durch die Automatisierung von Prozessen in Marketing, Vertrieb und Kundenservice Zeit sparen und die Qualität ihrer Arbeit verbessern. Leser erfahren, wie die KI-Technologie genutzt wird, um Effizienz zu steigern und Abteilungen zu vernetzen, und erhalten Tipps zur Implementierung.

ERP-Autor des Jahres 2023

Mit herausragenden Fachbeiträgen, die im Jahr 2023 die Aufmerksamkeit der Leserschaft von ERP Management auf sich zogen, küren wir Jörg W. Fischer zum ERP-Autor des Jahres 2023. Sein zweiteiliger Beitrag „ERP, PLM, MES und CRM – eine neue Perspektive – ein neues Universum“ bietet einen tiefgreifenden Einblick in die transformierende Landschaft der Unternehmensinformatik und ist der in diesem Jahr am häufigsten gelesene Fachbeitrag.

ERP, PLM, MES und CRM – Ein Blick in die Zukunft Teil 2: Vom Verlust der Vorrangstellung

Ein viel diskutiertes Thema in der Industrie ist die Rolle von Manufacturing Execution Systemen (MES) im Verhältnis zu ERP und PLM. Bisher wird MES von ERP mit den nötigen Stammdaten versorgt, wobei die MBOM als Basis dient. Da zukünftige Stammdaten und MBOM in Lifecycle Management Systemen entstehen und entwickelt werden, stellt sich die Frage, warum MES nicht direkt aus diesen Systemen gespeist wird.

ERP, PLM, MES und CRM – neue Perspektive, neues Universum Teil 1: Transformation und Zusammenwirken der Systemklassen ERP, PLM, CRM, MES und CPQ

Durch die Digitalisierung und die Notwendigkeit für Unternehmen, agil und schnell auf Kundenanforderungen zu reagieren, verändert sich die Rolle von ERP-Systemen in Unternehmen. In diesem Artikel wird, ausgehend von der klassischen Rolle des ERP in Unternehmen, die Transformation zu seiner zukünftigen Rolle beleuchtet und dabei auch das Zusammenwirken der großen Systemklassen ERP, PLM, CRM, MES und CPQ aufgezeigt. Der Artikel ist in zwei Teile aufgesplittet.

Bereicherung kennt keine Grenzen Dr. ERPel über die Kunst des vierfachen Abkassierens

Neulich hatte sich Doktor ERPel in dieser Kolumne bereits über einen CRM-Anbieter aufgeregt, der nahezu jede zusätzliche Funktion seiner Software mit zusätzlichen Kosten belegt hat. Inzwischen hat sich der Softwaremarkt weiterhin sehr erfinderisch gezeigt. Insbesondere ein Anbieter hat neue Spitzenwerte im Abzocker-Ranking erreicht. Spitze beim Abzocken Das Lizenzmodell dieses Anbieters basiert auf Geschäftsvorfällen. Daran ist prinzipiell nichts auszusetzen. Allerdings scheint es der Anbieter ein wenig zu übertreiben, denn bei jedem Geschäftsvorfall ist folgendes lizenzpflichtig: der Umsatz, die dabei erzeugten Dokumente, die notwendigen Lagerbewegungen und – überraschenderweise – auch die genutzte Software. Viermal kassieren, einmal liefern? Sie lesen richtig: Der Softwareanbieter verdient an jedem einzelnen Geschäftsvorfall gleich vierfach. Wenn Ihnen das zu undeutlich ist, hier ein Beispiel: Wenn ein Händler sich entschließt, aus praktischen Gründen ...