nach oben

Erschienen in:

2024 | OriginalPaper | Buchkapitel

5. Customer Analytics

verfasst von : Jonas Rashedi

Erschienen in: Customer Insights

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Zusammenfassung

Dieses Kapitel setzt sich mit Customer Analytics auseinander. Unter Customer Analytics verstehe ich eine auf der Analyse von Kundendaten basierende Vorgehensweise, die auf die Gewinnung von Customer Insights abzielt. Bevor ich jedoch auf Customer Analytics eingehe, zeige ich mit dem von mir entwickelten Datenzyklus einen Rahmen auf, in den ein Unternehmen Customer Analytics einbetten kann (Abschn. 5.1). Der Datenzyklus beschreibt im Kern den Prozess der Datengewinnung, -verarbeitung sowie der Nutzbarmachung von Daten. In dem folgenden Abschnitt gehe ich auf die für das Verständnis notwendigen Grundlagen ein (Abschn. 5.2). Dies sind zum einen die datenbezogenen Grundlagen (Welche Daten stehen uns zur Verfügung?), wobei ich den Schwerpunkt auf Big Data lege, und zum anderen lege ich die Grundlagen zum Themenfeld KI, die eine wesentliche Voraussetzung für fortgeschrittene Analysemethoden in Zusammenhang mit Customer Analytics darstellt. Den Hauptteil dieses Kapitels bilden die vier unterschiedlichen, aufeinander aufbauenden Varianten von Customer Analytics (Abschn. 5.3).

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Kundensegmentierung

Nächstes Kapitel Soziale Netzwerkanalyse mit Fokus auf Konsum

Anzumerken ist an dieser Stelle, dass der Bravais-Pearson-Korrelationskoeffizient nur für lineare Zusammenhänge Verwendung finden darf. Bei nicht linearen Zusammenhängen können die Ergebnisse irreführend sein. In diesem Fall sind andere Korrelationskoeffizienten wie beispielsweise der Spearman-Korrelationskoeffizient zu verwenden.

Der Datensatz und erste Hinweise zur Umsetzung stammen von Kaggle (https://www.kaggle.com/code/ksarafrazi/linear-regression-e-commerce-customers?utm_source=pocket_saves).

Anhang des Dokuments.

Al-Mekhlal, M., & Ali Khwaja, A. (2019). A synthesis of big data definition and characteristics. In 2019 IEEE international conference on Computational Science and Engineering (CSE) and ieee international conference on Embedded and Ubiquitous Computing (EUC) (S. 314–322). IEEE. https://doi.org/10.1109/CSE/EUC.2019.00067CrossRef

Amann, K., Petzold, J., & Westerkamp, M. (2020). Management und Controlling: Instrumente – Organisation – Ziele – Digitalisierung (3. Aufl.). Springer Gabler. https://doi.org/10.1007/978-3-658-28795-5CrossRef

Apt, W., & Priesack, K. (2019). KI und Arbeit – Chance und Risiko zugleich. In V. Wittpahl (Hrsg.), Künstliche Intelligenz (S. 221–238). Springer Vieweg. https://doi.org/10.1007/978-3-662-58042-4_14CrossRef

assono GmbH. (2022). Chatbot-Training: Was ist Overfitting und wie kann es vermieden werden? – Assonos Blog. https://www.assono.de/blog/overfitting. Zugegriffen am 05.09.2023.

Aunkofer, B. (2017). Maschinelles Lernen mit Entscheidungsbaumverfahren – Artikelserie. https://data-science-blog.com/blog/2017/02/13/entscheidungsbaumverfahren-artikelserie/. Zugegriffen am 05.09.2023.

Backhaus, K., Erichson, B., Gensler, S., Weiber, R., & Weiber, T. (2023). Multivariate Analysemethoden: Eine anwendungsorientierte Einführung (17. Aufl.). Springer Gabler. https://doi.org/10.1007/978-3-658-40465-9CrossRef

Barbey, R. (2023). ChatGTP – Die Geschichte einer Künstlichen Intelligenz. o. O.: o.V. https://books.google.de/books?id=OEOwEAAAQBAJ. Zugegriffen am 01.10.2023.

Bundesministerium für Wirtschaft und Energie. (2019). Perspektiven der künstlichen Intelligenz für den Einzelhandel in Deutschland. https://www.bmwk.de/Redaktion/DE/Publikationen/Studien/perspektiven-kuenstliche-intelligenz-fuer-einzelhandel.html. Zugegriffen am 05.09.2023.

Bünte, C. (2018). Künstliche Intelligenz – die Zukunft des Marketing: Ein praktischer Leitfaden für Marketing-Manager. Springer Gabler. https://doi.org/10.1007/978-3-658-23319-8CrossRef

Chang, H. (2019). Nicholas cage – Spurious pool savior? https://towardsdatascience.com/nicholas-cage-pool-saviour-9c13feafff6f. Zugegriffen am 14.09.2023.

Cisek, G. (2021). Machtwechsel der Intelligenzen: Wie sich unser Miteinander durch künstliche Intelligenz verändert. Springer Vieweg. https://doi.org/10.1007/978-3-658-31863-5CrossRef

Cociancig, C. (o.J.). Künstliche neuronale Netze – Aufbau & Funktionsweise. JUST ADD AI GmbH. https://www.jaai.de/post/kuenstliche-neuronale-netze-aufbau-funktion. Zugegriffen am 07.09.2023.

ComputerWeekly. (o.J.). Prescriptive analytics. https://www.computerweekly.com/de/definition/Prescriptive-Analytics. Zugegriffen am 05.09.2023.

Cote, C. (2021). 4 types of data analytics to improve decision-making. Business Insights. https://online.hbs.edu/blog/post/types-of-data-analysis. Zugegriffen am 06.09.2023.

DataScientest. (2023a). Scala: Was ist diese Programmiersprache und wieso ist Python besser? https://datascientest.com/de/scala-was-ist-diese-programmiersprache-und-wieso-ist-python-besser. Zugegriffen am 05.09.2023.

DataScientest. (2023b). Python lernen: Werfen wir einen Blick auf diese beliebte Programmiersprache. https://datascientest.com/de/python. Zugegriffen am 05.09.2023.

De Florio-Hansen, I. (2020). Digitalisierung, Künstliche Intelligenz und Robotik: Eine Einführung für Schule und Unterricht. Waxmann.CrossRef

Deobald, S. (2023). R – Programmiersprache & Umgebung. Compamind. https://compamind.de/knowhow/r-programmiersprache-umgebung/. Zugegriffen am 05.09.2023.

Edwards, J. (2021). Was ist Predictive Analytics? Computerwoche. https://www.computerwoche.de/a/was-ist-predictive-analytics,3549893. Zugegriffen am 05.09.2023.

Engelhardt, J.-F., & Magerhans, A. (2019). eCommerce klipp & klar. Springer Gabler. https://doi.org/10.1007/978-3-658-26504-5CrossRef

Ertel, W. (2021). Grundkurs Künstliche Intelligenz: Eine praxisorientierte Einführung (5. Aufl.). Springer Vieweg. https://doi.org/10.1007/978-3-658-32075-1CrossRef

Gartner. (o.J.). What is data and analytics: Everything you need to know. https://www.gartner.com/en/topics/data-and-analytics. Zugegriffen am 07.09.2023.

Hellbrück, R. (2016). Angewandte Statistik mit R (3. Aufl.). Springer Gabler. https://doi.org/10.1007/978-3-658-12862-3CrossRef

IBM. (o.J.-a). Was ist der „k-nearest neighbors algorithm“? https://www.ibm.com/de-de/topics/knn. Zugegriffen am 05.09.2023.

IBM. (o.J.-b). Was ist logistische Regression? https://www.ibm.com/de-de/topics/logistic-regression. Zugegriffen am 05.09.2023.

Kronthaler, F. (2021). Statistik angewandt mit dem R Commander: Datenanalyse ist (k)eine Kunst (2. Aufl.). Springer Spektrum. https://doi.org/10.1007/978-3-662-63604-6CrossRef

Kruse Brandão, T., & Wolfram, G. (2018). Digital Connection: Die bessere Customer Journey mit smarten Technologien – Strategie und Praxisbeispiele. Springer Gabler. https://doi.org/10.1007/978-3-658-18759-0CrossRef

Lämmel, U., & Cleve, J. (2020). Künstliche Intelligenz: Wissensverarbeitung – neuronale Netze (5. Aufl.). Hanser.CrossRef

Luber, S., & Litzel, N. (2019). Was ist eine Support Vector Machine? https://www.bigdata-insider.de/was-ist-eine-support-vector-machine-a-880134/. Zugegriffen am 05.09.2023.

Müller, A. C., & Guido, S. (2017). Einführung in Machine Learning mit Python: Praxiswissen Data Science. O’Reilly.

Nguyen, C. N., & Zeigermann, O. (2021). Machine Learning – Kurz & gut (2. Aufl., 1., korrigierter Nachdruck). O’Reilly.

OpenAI. (2023). GPT-4 technical report. https://cdn.openai.com/papers/gpt-4.pdf. Zugegriffen am 05.09.2023.

Peuker, A., & Barton, T. (2021). Empfehlungssysteme und der Einsatz maschineller Lernverfahren. In T. Barton & C. Müller (Hrsg.), Data Science anwenden (S. 85–100). Springer Vieweg. https://doi.org/10.1007/978-3-658-33813-8_6CrossRef

Rashedi, J. (2020). Datengetriebenes Marketing: Wie Unternehmen Daten zur Skalierung ihres Geschäfts nutzen können. Springer Gabler. https://doi.org/10.1007/978-3-658-30842-1CrossRef

Sibbertsen, P., & Lehne, H. (2021). Statistik: Einführung für Wirtschafts- und Sozialwissenschaftler (3. Aufl.). Springer Gabler. https://doi.org/10.1007/978-3-662-62696-2CrossRef

Siebertz, K., Van Bebber, D., & Hochkirchen, T. (2017). Statistische Versuchsplanung (2. Aufl.). Springer Vieweg. https://doi.org/10.1007/978-3-662-55743-3CrossRef

Simon, H. (2022). Die Inflation schlagen: Agil, konkret, effektiv. Campus.

statista. (2023). Volumen der jährlich generierten/replizierten digitalen Datenmenge weltweit von 2010 bis 2022 und Prognose bis 2027. https://de.statista.com/statistik/daten/studie/267974/umfrage/prognose-zum-weltweit-generierten-datenvolumen/. Zugegriffen am 07.09.2023.

Steinwendner, J., & Schwaiger, R. (2023). Neuronale Netze programmieren mit Python (2. Aufl., 2., korrigierter Nachdruck). Rheinwerk.

Stolzenberger, M. (2009). Empfehlungssysteme: Transparente Visualisierung im mobilen Umfeld. Diplomica.

Strecker, S. (1997). Künstliche Neuronale Netze: Aufbau und Funktionsweise. http://geb.uni-giessen.de/geb/volltexte/2004/1697/pdf/Apap_WI_1997_10.pdf. Zugegriffen am 01.09.2023.

Von Der Hude, M. (2020). Predictive Analytics und Data Mining: Eine Einführung mit R. Springer Vieweg. https://doi.org/10.1007/978-3-658-30153-8CrossRef

Wierse, A., & Riedel, T. (2017). Smart Data Analytics: Mit Hilfe von Big Data Zusammenhänge erkennen und Potentiale nutzen. De Gruyter. https://doi.org/10.1515/9783110463958CrossRef

Wilker, H. (2018). Statistische Hypothesentests in der Praxis (Bd. 1, 2. Aufl.). BoD, Books on Demand.

Wuttke, L. (o.J.). Predictive Analytics: Definition und Anwendungsbeispiele. Datasolut GmbH. https://datasolut.com/was-ist-predictive-analytics/. Zugegriffen am 06.09.2023.

Titel: Customer Analytics
verfasst von: Jonas Rashedi
Verlag: Springer Fachmedien Wiesbaden
Buch: Customer Insights
Print ISBN: 978-3-658-43391-8

Electronic ISBN: 978-3-658-43392-5

Copyright-Jahr: 2024
DOI: https://doi.org/10.1007/978-3-658-43392-5_5