Analytisches CRM im Bereich der Online-Medien · Abstract Especially during economically troubled times it becomes more and more import-ant for companies to pay attention to their

EIGENSTÄNDIGKEITSERKLÄRUNG

Hiermit versichere ich, dass ich die vorliegende Arbeit selbständig und ohne an-dere als die angegebenen Quellen und Hilfsmittel verfasst habe. Die aus fremdenQuellen direkt oder indirekt übernommenen Gedanken sind als solche gekenn-zeichnet.

Karlsruhe, den 29. Januar 2009

Kurzzusammenfassung

Insbesondere in wirtschaftlich unsicheren Zeiten wird es für Unternehmen zuneh-mend wichtiger, sich um ihre Bestandskunden zu kümmern. Mit kompetenter Be-treuung steigert man ihre Zufriedenheit und senkt das Kündigungsrisiko. DiesesPrinzip ist gleichzeitig auch die Kernaussage eines jeden Customer RelationshipManagements (CRM). Immer mehr Unternehmen haben erkannt, dass nur zufrie-dene Kunden langfristig den Unternehmenserfolg sichern und deshalb im Zentrumaller Aktivitäten stehen müssen.

Der Huber Verlag hat im Oktober 2008 ein operatives CRM-System nebst der zu-gehörigen CRM-Strategie eingeführt. Zunächst galt es, eine einheitliche und kon-sistente Sicht auf den Kunden zu schaffen, da sich die Informationen bis zu diesemZeitpunkt über die einzelnen Portale verteilten. Doch noch sind einige Informatio-nen zu Kunden, deren Aktivitäten und Werten für das Unternehmen in anderenSystemen gespeichert und nicht direkt zugänglich. Die Einführung eines Business-Intelligence-Systems soll Abhilfe schaffen und neben bestimmten Kennzahlen auchdie Möglichkeit liefern, Kunden und Kundenaktivitäten zu analysieren, um auf Ba-sis der Ergebnisse nötige Entscheidungen treffen zu können.

Nach der kurzen Vorstellung des Huber Verlags sowie den theoretischen Betrach-tungen von Customer Relationship Management und Business Intelligence (BI),geht es in dieser Diplomarbeit um die Analyse der aktuellen Situation und dar-auf aufbauend um die Anforderungen an eine BI-Lösung. Anschließend werdenpotentielle Systeme anhand beispielhafter Anforderungen direkt verglichen. Die-se Evaluation soll dem Huber Verlag als Grundlage dienen, um später die richtigeEntscheidung über die BI-Strategie und -Software treffen zu können.

Abstract

Especially during economically troubled times it becomes more and more import-ant for companies to pay attention to their existing customers. Cancellation risksare reduced by satisfying the costumers’ needs, which is the principle of customerrelationship management (CRM), too. More and more companies realized that onlysatisfied customers could assure the economical success of the company and there-fore all activities have a background on customers’ needs.

The Huber Verlag has strategically established CRM in october 2008 in order toachieve a consistent view of all the information that are stored in different databasesand systems, which means that there are many information about the customers’activities and their values for the company that aren’t still directly available. Theintroduction of a business intelligence software should provide significant key datato analyse the customers and their activities. These results are promptly necessaryto make the right decisions.

Therefore an introduction of Huber Verlag is presented as well as some appliedtheory about CRM and business intelligence (BI). After the analysis of the currentsituation and the specific requirements some different applications are evaluatedand directly compared based on some sample needs. This evaluation is intended tohelp the company to make a decision about its business intelligence strategy andsoftware solution.

Inhaltsverzeichnis

1 Huber Verlag für Neue Medien GmbH 11

1.1 Die wichtigsten Portale des Huber Verlags . . . . . . . . . . . . . . . 11

2 Customer Relationship Management 13

2.1 Geschichte des CRM . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142.1.1 Konkurrenz belebt den Markt . . . . . . . . . . . . . . . . . . . 142.1.2 Selektive CRM-Systeme als Vorreiter . . . . . . . . . . . . . . . 152.1.3 Der Gedanke des integrativen CRM . . . . . . . . . . . . . . . 16

2.2 Rahmenbedingungen für CRM . . . . . . . . . . . . . . . . . . . . . . 162.2.1 Kundeninformation . . . . . . . . . . . . . . . . . . . . . . . . 172.2.2 Strategie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182.2.3 Organisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192.2.4 Mitarbeiter und Kultur . . . . . . . . . . . . . . . . . . . . . . . 192.2.5 Technik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.3 Ziele und strategischer Kontext von CRM . . . . . . . . . . . . . . . . 212.3.1 Entwicklung von Kundenbeziehungen . . . . . . . . . . . . . 222.3.2 Aufrechterhaltung von Kundenbeziehungen . . . . . . . . . . 232.3.3 Business-to-Business vs. Business-to-Consumer . . . . . . . . 23

2.4 Kosten und Nutzen einer CRM-Einführung . . . . . . . . . . . . . . . 242.5 Komponenten von CRM-Systemen . . . . . . . . . . . . . . . . . . . . 25

2.5.1 Operatives CRM . . . . . . . . . . . . . . . . . . . . . . . . . . 252.5.2 Analytisches CRM . . . . . . . . . . . . . . . . . . . . . . . . . 272.5.3 Kollaboratives CRM . . . . . . . . . . . . . . . . . . . . . . . . 27

2.6 Iterative Weiterentwicklung des CRM . . . . . . . . . . . . . . . . . . 282.6.1 Closed Loop . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2.7 Zukunft von CRM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

5

Inhaltsverzeichnis 6

3 Business Intelligence im analytischen CRM 32

3.1 Komponenten eines BI-Systems . . . . . . . . . . . . . . . . . . . . . . 333.2 Metadatenverwaltung . . . . . . . . . . . . . . . . . . . . . . . . . . . 353.3 Datenschnittstelle zu den Quellen . . . . . . . . . . . . . . . . . . . . 353.4 Datenintegration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

3.4.1 ETL-Prozess . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 373.5 Das Data Warehouse . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

3.5.1 Datenschemata . . . . . . . . . . . . . . . . . . . . . . . . . . . 413.6 On-Line Analytical Processing (OLAP) und Data Mining . . . . . . . 43

3.6.1 Datenanalyse mit OLAP . . . . . . . . . . . . . . . . . . . . . . 433.6.2 Vom Single-Cube zum Multi-Cube . . . . . . . . . . . . . . . . 483.6.3 Muster und Trends erkennen mit Data Mining . . . . . . . . . 49

3.7 Benutzeroberfläche und Präsentation . . . . . . . . . . . . . . . . . . . 50

4 Analyse der aktuellen Situation 52

4.1 Status quo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 524.1.1 CRM-Datenmodell . . . . . . . . . . . . . . . . . . . . . . . . . 544.1.2 Change-Requests . . . . . . . . . . . . . . . . . . . . . . . . . . 55

4.2 Inkrementelle Weiterentwicklung . . . . . . . . . . . . . . . . . . . . . 57

5 Anforderungsanalyse 59

5.1 Anforderungen im Bereich Vertrieb . . . . . . . . . . . . . . . . . . . . 605.2 Anforderungen im Bereich Finanzen und Controlling . . . . . . . . . 615.3 Beispielszenarien zur Umsetzung . . . . . . . . . . . . . . . . . . . . . 62

5.3.1 Kundenclustering . . . . . . . . . . . . . . . . . . . . . . . . . . 635.3.2 Unternehmens-Dashboard . . . . . . . . . . . . . . . . . . . . 63

6 Evaluation potentieller BI-Systeme 64

6.1 Cubeware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 656.1.1 Systemintegration . . . . . . . . . . . . . . . . . . . . . . . . . 656.1.2 Design des ETL-Prozesses . . . . . . . . . . . . . . . . . . . . . 666.1.3 Bereitsstellung der Datenwürfel und Rechteverwaltung . . . 706.1.4 Erstellung der Berichte und Datenanalysen . . . . . . . . . . . 716.1.5 Verteilung und Export der Berichte . . . . . . . . . . . . . . . . 72

6.2 Jedox/Palo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

Inhaltsverzeichnis 7

6.2.1 Systemintegration . . . . . . . . . . . . . . . . . . . . . . . . . 746.2.2 ETL-Prozess mit IMP:Palo . . . . . . . . . . . . . . . . . . . . . 756.2.3 ETL-Prozess mit dem Palo ETL Server . . . . . . . . . . . . . . 756.2.4 Datenzugriff mit dem Palo Client . . . . . . . . . . . . . . . . . 786.2.5 Datenzugriff über den Palo Web Client . . . . . . . . . . . . . 796.2.6 Datenzugriff per Plugin für Excel oder OpenOffice.org . . . . 81

6.3 Talend mit Cognos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 826.3.1 ETL-Prozess mit dem Talend Open Studio . . . . . . . . . . . 826.3.2 Datenvisualisierung mit Cognos . . . . . . . . . . . . . . . . . 85

6.4 Bewertung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89

7 Fazit und Bewertung 91

7.1 Die weitere BI-Strategie des Huber Verlags . . . . . . . . . . . . . . . 92

A Codebeispiel zum Palo ETL Server 93

Literaturverzeichnis 96

Abbildungsverzeichnis

2.1 Informationspyramide . . . . . . . . . . . . . . . . . . . . . . . . . . . 172.2 Ziele von CRM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222.3 Monetärer Nutzen langfristiger Kundenbeziehungen . . . . . . . . . 252.4 Die drei Grundsäulen des CRM . . . . . . . . . . . . . . . . . . . . . . 262.5 Schematische Darstellung des Closed-Loop-Marketing . . . . . . . . 292.6 Von der Produktorientierung zur Kundenorientierung . . . . . . . . 30

3.1 Business-Intelligence-Kreislauf . . . . . . . . . . . . . . . . . . . . . . 333.2 Referenzarchitektur nach Bauer und Günzel . . . . . . . . . . . . . . 343.3 Prozesse und Teilbereiche innerhalb eines BI-Systems . . . . . . . . . 363.4 Der ETL-Prozess: Die Daten werden aus den operativen Quellen ex-

trahiert, transformiert und ins Data Warehouse geladen . . . . . . . . 373.5 Star-Schema und Snowflake-Schema im direkten Vergleich . . . . . . 423.6 n-dimensionaler Hyperwürfel . . . . . . . . . . . . . . . . . . . . . . . 443.7 RollUp und Drill-Down - Aggregierung und Aufschlüsselung der

Daten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 453.8 Slicing und Dicing in einem multidimensionalen Datenwürfel . . . . 453.9 Durch Pivotierung lässt sich die Perspektive auf Datenwürfel verän-

dern . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 463.10 Der Multi-Cube setzt sich aus den Inhalten der Single-Cubes zusam-

men . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

4.1 Das operative CRM-System als zentrale und konsistente Datenbasisfür die Kunden-Stammdaten . . . . . . . . . . . . . . . . . . . . . . . 53

4.2 Der Portalkontakt als portalspezifische Darstellung eines Kontakt-Datensatzes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

8

Abbildungsverzeichnis 9

6.1 Die Bundesländer aller PresseBox-Kunden werden per Mapping er-stellt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

6.2 Alle Jahre mit Umsätzen im seminarSPIEGEL werden in der Dimen-sion „Umsatz“ angelegt . . . . . . . . . . . . . . . . . . . . . . . . . . 68

6.3 Der Datenwürfel für das Kundenclustering wird mit den LifePR-Daten erzeugt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

6.4 Der Datenwürfel für das Dashboard generiert sich aus den IMS-Daten 706.5 Die Dimensionen werden zu Filtern für den Bericht . . . . . . . . . . 716.6 Auswahlliste zur Selektion des Portals . . . . . . . . . . . . . . . . . . 726.7 Die zwei mit dem Cubeware Cockpit erstellten Berichte . . . . . . . . 736.8 Die Architektur mit dem Palo OLAP-Server im Mittelpunkt . . . . . 746.9 Der Palo ETL Client als Frontend für den Palo ETL Server . . . . . . 776.10 Der Palo Client ermöglich den einfachen Datenzugriff . . . . . . . . . 796.11 Der Palo Web Client stellt die Funktionalität des Palo Clients im Web-

browser zur Verfügung . . . . . . . . . . . . . . . . . . . . . . . . . . . 806.12 Über ein Plugin wird Excel zum Frontend für den Datenwürfel und

bietet schnelle grafische Auswertungsmöglichkeiten . . . . . . . . . . 816.13 Die Dimension „Bundesland“ wird in einem Mapping gefüllt . . . . 836.14 Die tMap-Komponente filtert und verändert Daten von mehreren Da-

tenquellen auf ihrem Weg zu den Ausgabeströmen . . . . . . . . . . 846.15 Datenvisualisierung in Power Play bei der Analyse eines Datenwürfels 866.16 Berichtsdesign im Report Studio (Hintergrund) und der fertige Be-

richt im Cognos Viewer (Vordergrund) im . . . . . . . . . . . . . . . . 87

Tabellenverzeichnis

3.1 Gegenüberstellung der Charakteristika von transaktionalen und ana-lytischen Anwendungen . . . . . . . . . . . . . . . . . . . . . . . . . . 41

10

Kapitel 1

Huber Verlag für Neue Medien GmbH

Die im Jahre 2000 gegründete Huber Verlag für Neue Medien GmbH1 mit Sitz inKarlsruhe ist einer der größten Anbieter für Direkt-Informationsdienste und Pres-sedienstleistungen in Deutschland. Das erklärte Ziel ist es, Firmen bestmöglich beideren Pressearbeit zu unterstützen und für die aktive Verbreitung der Meldungenund Angebote zu sorgen, damit Anbieter und Interessenten respektive Entscheiderzusammen gebracht werden. Um diesem Anspruch branchenübergreifend gerechtzu werden, fokussieren die diversen Portale jeweils unterschiedliche Zielgruppen,was die spezifische Ansprache als einen wichtigen Erfolgsfaktor ermöglicht.

Nach einem starken Wachstum in den vergangenen Jahren beschäftigt der HuberVerlag ín der Karlsruher Lorenzstraße momentan knapp 60 Mitarbeiter, davon achtim Bereich Technik, Forschung und Entwicklung.

1.1 Die wichtigsten Portale des Huber Verlags

PresseBox Mit durchschnittlich über 300 neuen Pressemitteilungen am Tag ist diePresseBox® (http://www.pressebox.de) das deutschlandweit führende Pres-seportal für die Bereiche ITK und Industrie. Firmen bietet die PresseBox® dieaktive Verbreitung ihrer Pressemitteilung an über 9.000 (Fach-)Journalistenvon über 4.500 Medien, was durch die klare Fokussierung sehr effektiv funk-tioniert. Die PresseBox® verfügt damit über eine hohe Reichweite, Pressemit-teilungen bleiben im Pressefach einer Firma dauerhaft gespeichert und sind

1http://www.huberverlag.de

11

http://www.pressebox.de

Kapitel 1 Huber Verlag für Neue Medien GmbH 12

auch für Suchmaschinen gut auffindbar. Die Journalisten erhalten nach ih-rer Registrierung kostenlos Zugang zu den vorgefilterten und speziell fürihr Arbeitsgebiet relevanten Informationen. Durch die Verfügbarkeit des Por-tals auch in englischer Sprache wird seit einigen Jahren auch der zunehmen-den Globalisierung Rechnung getragen. Erfolgreiche Pressearbeit muss auchsprach- und ländergrenzenübergreifend betrieben werden.

LifePR Seit Mitte 2007 ist mit der LifePR2 das „Schwesterportal“ der PresseBox®

online. Auf der gleichen technischen Basis und mit dem selben Anspruch, be-dient die LifePR mit dem Lifestyle-Sektor aber eine andere Zielgruppe undfokussiert insbesondere Pressemitteílungen aus den Bereichen Wellness, Mo-de, Reise, Sport und Entertainment.

seminarSPIEGEL Der seminarSPIEGEL3 ist eine Plattform für Anbieter von Semi-naren und Weiterbildungsangeboten. Aktuelle Meldungen sowie Profile vonAnbietern, Instituten und Trainern vervollständigen das Angebot, um die In-teressenten bei der Suche nach Weiterbildungsangeboten zu unterstützen.

Initiative Mittelstand und Aktiv-Verzeichnis Die Initiative Mittelstand4 ver-öffentlicht Meldungen und Produktneuheiten für den Mittelstand und sorgtmit dem Newsletter Brennpunkt Mittelstand auch für deren aktive Verbrei-tung an über 50.000 Empfänger. Im Aktiv-Verzeichnis5 präsentieren sich diezugehörigen Firmen mit ihrem Firmenprofil, ihren Produkten und Meldun-gen. Seit 2004 zeichnet die Initiative mit dem INNOVATIONSPREIS-IT® aufder CeBIT Innovationen mit Mittelstandseignung aus der IT-Branche aus, seit2006 gibt es mit dem INDUSTRIEPREIS auch ein Pendant für den Industrie-Sektor. Der INNOVATIONSPREIS-IT® steht im Jahre 2009 erstmals unter derSchirmherrschaft des Bundesministeriums für Wirtschaft und Technologie.

2http://www.lifepr.de3http://www.seminarspiegel.de4http://www.imittelstand.de5http://www.aktiv-verzeichnis.de

Kapitel 2

Customer Relationship Management

Gleich zu Beginn soll mit einem weit verbreiteten Irrtum aufgeräumt werden: Cu-stomer Relationship Mangement (CRM) ist keine Software, sondern „eine kun-denorientierte Unternehmensstrategie, die mit Hilfe moderner Informations- undKommunikationstechnologie versucht, auf lange Sicht profitable Kundenbeziehun-gen durch ganzheitliche und individuelle Marketing-, Vertriebs- und Servicekon-zepte aufzubauen und zu festigen“ [HW06, Seite 6]. Die eingesetzte CRM-Softwareist dabei lediglich „die DV-technologische Unterstützung“ [DUH02, Seite 5]. Auchwenn die Software einen sehr zentralen Punkt einnimmt, wäre es fatal zu glauben,dass allein ihre Einführung Wunder bewirkt. Kein Programm kann Probleme wiemangelnde Kundenbindung beheben, es kann dabei lediglich unterstützen.

Häufig führen „unzureichendes CRM-Verständnis sowie daraus resultierendeüberzogene Erwartungen“ [NK05, Seite 36] zu Problemen oder schlimmstenfallszum Scheitern des CRM-Projekts. Es muss deshalb für alle Beteiligten obligato-risch sein, den Grundgedanken hinter CRM zu verinnerlichen sowie sich dessenGesamtheit und Komplexität bewusst zu werden. „Über 50 % der CRM-Imple-mentierungsprojekte scheitern nach einer Studie der META-Group daran, dass die[...] Anwender den Nutzen einer CRM-Implementierung nicht erkennen“ [SL05,Seite 345]. Dabei ist es auch essentiell, die CRM-Einführung unternehmensweitund über Abteilungsgrenzen hinweg durchzuführen. Zahlreiche bereits gescheiter-te CRM-Projekte müssen dabei ein mahnendes Beispiel sein, CRM realistisch ein-zuschätzen und vor der Einführung die nötigen Rahmenbedingungen (siehe Kapi-tel 2.2) zu schaffen. Nur wenn alle Voraussetzungen gegeben sind, kann CRM „zueiner Erhöhung der Profitabilität der Kundenbeziehung und damit zu einer Opti-mierung des Kundenportfolios beitragen“ [HS08, Seite 503].

14

Kapitel 2 Customer Relationship Management 15

2.1 Geschichte des CRM

Customer Relationship Management kann als das Resultat des kontinuierlichenWandels und des immer härter werdenden Wettbewerbs in der Wirtschaft gese-hen werden. Schon 1960 stellte Theodore Levitt in seinem in der Harvard BusinessReview erschienenen Artikel „Marketing Myopia“ [Lev60] die Forderung nach ei-nem „durch und durch kundenorientierten Management“ auf. Da zu dieser Zeitaber noch Verkäufermärkte die Gesellschaft bestimmten und die Nachfrage weithöher war als das Angebot, sahen sich die Unternehmen nicht gezwungen, Gedan-ken, Kosten und Mühen in die Pflege von Kundenbeziehungen zu investieren.

2.1.1 Konkurrenz belebt den Markt

Erst das Aufkommen von immer neuen Konkurrenten und Alternativen sowie derdamit verbundene Wandel vom Verkäufer- zum Käufermarkt zwang die Unterneh-men zum Umdenken. So setzte sich spätestens Anfang der 90er-Jahre die Erkennt-nis durch, dass der Kunde im Zentrum aller Tätigkeiten stehen muss. Damit warder Grundgedanke von CRM geboren, der besagt, „dass sich das allgemeine For-malziel der Wirtschaftlichkeit des unternehmerischen Handelns duch den Aufbauund die Gestaltung von profitablen Kundenbeziehungen erreichen lässt“ [NK05,Seite 6]. Der „Verkauf eines Produkts [war fortan der] Beginn einer längerfristigenBeziehung zum Kunden“ [NK05, Seite 5] und es ist essentiell zu wissen, welchen(direkten und indirekten) Wert ein Kunde für die Firma hat. Wenn in der Folge voneinem Produkt die Rede ist, dann meint dies der Einfachheit halber sowohl die pro-duzierte Ware als auch die erbrachte Dienstleistung.

Um den Kundenwert, die Kundenzufriedenheit sowie die im weiteren Sinne dar-aus resultierende Loyalität beurteilen zu können, benötigt es viele Daten über denKunden und seine Aktivitäten. Die Zufriedenheit ist dabei ebenso wichtig wie dieUnzufriedenheit, denn durch Unmutsäußerungen und negative Mundpropagan-da kann schon ein einzelner Kunde dem Unternehmen großen finanziellen Scha-den zufügen. Trends im Internet wie das Bloggen verstärken diesen Effekt zusätz-lich. Abgesehen von einigen Monopolen können Kunden einer Firma heutzutage


schnell den Rücken kehren. Diese sieht sich dann mit dem Problem konfrontiert,einen Neukunden akquirieren zu müssen, was bekanntlich sehr viel teuer kommtals einen Bestandskunden zu halten. Allerdings kennt das CRM auch den Fall, sichbewusst von einem Kunden zu trennen, wenn dies wirtschaftlicher ist.

Neben dem Wandel in der Denkweise gab es auch auf technischer Ebene Weiter-entwicklungen. So wurden 1998 auf der weltweit größten Computermesse CeBITin Hannover die ersten Produkte vorgestellt, die man aus heutiger Sicht als CRM-Systeme bezeichnen kann. Die Aussteller wie Clarity, Siebel oder Oracle gehörenmittlerweile zu den Großen der Branche oder sind inzwischen von Letzteren auf-gekauft worden.

2.1.2 Selektive CRM-Systeme als Vorreiter

Im Laufe der Jahre hatten sich zahlreiche Insellösungen wie Kiosksysteme, elektro-nische Produktkataloge, Angebotssysteme oder Help-Desks für Vertrieb und Ser-vice angesammelt. Zudem gab es mit dem Database Marketing die ersten Ansätze„der Führung individueller Kundenkontakte auf Basis umfangreicher Kundenda-ten“ [SM04, Seite 130] um Analysen zur Unterstützung des Vertriebs auszufüh-ren. Computer-Aided-Selling (CAS) und Sales-Force-Automation (SFA) etabliertensich als assistive Systeme für Vertriebsmitarbeiter, die den Benutzer „in den Be-reichen der Kundanalysen, Termin- und Tourenplanung, Gesprächsvorbereitung,Produktkonfiguration, Angebotserstellung, Auftragserfassung sowie Nachbearbei-tung und Auswertung von Kundenkontakten, bis hin zu Erfolgskontrollen und Be-richtserstellung“ [SM04, Seite 131] unterstützen.

Da alle diese Systeme bereits Teilaufgaben eines CRM-Systems abdecken, sprichtman hierbei von selektiven CRM-Systemen. Allen Software-Lösungen ist gemein,dass sie eine große Menge an Daten sammeln und in Datenbanken ablegen. Da je-weils eigene Datenmodelle und -formate Verwendung fanden, war beim Parallelbe-trieb mehrerer Systeme ein Datenaustauschen zwischen den dezentralen Datenba-sen kaum möglich. Die Folgen waren redundante Daten, unweigerlich auftretendeDateninkonsistenzen sowie der fehlende Gesamtüberblick über einen Kunden.


2.1.3 Der Gedanke des integrativen CRM

Um mit diesen Problemen aufzuräumen setzt das Customer Relationship Mana-gement auf den integrativen Ansatz um „relevante Daten aus allen Interaktionenund Kanälen zu sammeln, zusammenzuführen und zu speichern, um sie bei Bedarfverfügbar zu haben. Nur so lässt sich möglichst umfassendes Wissen über den Kun-den und dessen Bedürfnisse [...] an jedem Interaktionspunkt bereitstellen“ [NK05,Seite 26]. Insbesondere im Multi-Channel-Management sollen Erfahrungen aus bis-herigen Kundenkontakten auch darüber hinaus bekannt sind.

Es ist in gewisser Weise die Rückkehr zur hinlänglich zitierten Tante-Emma-Laden-Tradition, wo das Wissen über den Kunden noch aus dem persönlichenKontakt kam. So war es möglich eine „intensive Kundenbindung mit [einer] be-grenzten und überschaubaren Anzahl von Kunden“ [Ger08, Seite 455] aufzubauen.In Zeiten von Großunternehmungen speichern nun Datenbanken diese Informatio-nen und sorgen dafür, dass der Mitarbeiter im Kundenkontakt optimal unterstütztwird und er seinerseits den Kunden optimal beraten kann. Auch ist das Wissen da-mit nicht mehr an einen speziellen Mitarbeiter gebunden, sondern verbleibt nachdessen Ausscheiden im Unternehmen. Diesen Gesichtspunkt kommt bei der mitt-lerweile hohen Fluktuation auch eine große Bedeutung zu.

2.2 Rahmenbedingungen für CRM

Nicht nur Götz/Krafft schlussfolgern, „dass die Umsetzung von CRM-Strategieneine substantielle Wirkung auf den Unternehmenserfolg ausübt“ [GK08, Seite 556].Zahlreiche erfolgreiche CRM-Projekte zeigen, dass CRM zu einer deutlichen Steige-rung des Unternehmenserfolgs beitragen kann. Damit eine CRM-Einführung abererfolgreich verläuft, müssen neben dem grundsätzlichen Verständnis des Ansatzesauch noch einige weitere Rahmenbedingung erfüllt sein.

Homburg/Sieben warnen eindringlich vor „IT-getriebenem Aktivismus“ [HS08,Seite 501]. „Der sehr technische Fokus bei der Umsetzung von CRM [kann] zu ei-nem Scheitern“ [HS08, Seite 520] führen und ist deshalb erst zum Ende der Konzep-tionsphase von Bedeutung. Außerdem lassen sich durch eine gute Planung auch


die Kosten gering halten, weil nachträgliche kostspielige Anpassungen in Folgenicht beachteter Anforderungen unnötig werden.

2.2.1 Kundeninformation

Damit CRM funktionieren und die eingesetzte Software dem Benutzer die benö-tigten Informationen liefern kann, müssen diese in geeigneter Form verfügbar sein.Wichtig hierbei ist die Datenqualität, „Kundeninformationen sollten demnach voll-ständig und zweckmäßig sein“ [GK08, Seite 560].

Abb. 2.1: Informationspyramide [SM04, Seite 195]

Das Vorhandensein von Informationen impliziert auch die technischen Möglich-keiten sowie die entsprechenden Fachkenntnisse, diese erfassen und verarbeitenzu können. Daten können im Extremfall eine Folge von Nullen und Einsen sein,erst „durch Aggregation und Interpretation in einem Kontext [...] können Daten zuInformationen werden“ [SM04, Seite 194]. Aus diesen Infomationen gilt es dannRückschlüsse zu ziehen, um entscheidungsanleitendes Wissen zu erhalten. „Au-thentische kunden-, produkt- und dienstleistungsbezogene Informationen umge-hend zu erfassen, zu verarbeiten und bereitzustellen, um so die Kundenreaktio-nen zu verbessern und schnellere Entscheidungen [...] zu ermöglichen“ [GK08, Sei-te 561] kann gegenüber Konkurrenten einen entscheidenden Vorteil im stetig wach-senden Wettbewerb bedeuten.


Die zentrale Datenbasis und die ständige und ortsunabhängige Verfügbarkeitqualitätsgesicherter und relevanter Daten führen gleich in zweifacher Hinsicht zueiner Effizienzsteigerung. Zum Einen verkürzt sich die Bearbeitungszeit und es er-höht sich die Reaktionszeit, da keine Daten und Informationen von Kunden mehrabgefragt werden müssen, die schon bekannt sind. Der Mitarbeiter kann somit ingleicher Zeit eine höhere Anzahl Kunden bedienen. Zum Anderen helfen die vor-liegenden Informationen auch, dem Kunden individuellere und auf sein bisherigesVerhalten abgestimmte Angebote zu unterbreiten und damit die Abschlusswahr-scheinlichkeit von Geschäften zu erhöhen. Was zunächst einmal für einen zufrie-denen Kunden sorgt kommt auch dem Unternehmen zugute. Denn „eine erhöhteKundenzufriedenheit [führt] zu einer stärkeren Kundenbindung, die ihrerseits denUnternehmenswert positiv beeinflusst“ [DUH02, Seite 5].

2.2.2 Strategie

Am Beginn aller CRM-Pläne müssen Überlegungen zur Zielsetzung stehen, die dieKundenorientierung in den Mittelpunkt stellen. Denn „die kundorientierte Unter-nehmensstrategie legt die Basis für die Integration einer CRM-Strategie und stelltdamit eine zentrale Erfolgsvoraussetzung für eine CRM-Implementierung dar“[HS08, Seite 522]. Das klassische Massenmarketing kann nicht im Sinne eineseffizienten Ressourceneinsatzes sein. Stattdessen gilt es sich davon zu verabschie-den und durch eine „aussagekräftige Segmentierung der Kunden [...] eine differen-tierte und selektive Kundenbearbeitung“ [HS08, Seite 506] zu ermöglichen und da-durch Streuverluste zu reduzieren. Statt wie im klassischen Direktmarketing „einenKunden für das jeweilige Produkt zu finden“ [HS08, Seite 520] soll nun mit Hilfedes CRM und der zur Verfügung stehenden Daten das passende Produkt für einenKunden gefunden werden.

Da das Unternehmen bei allen Aktivitäten seine Wirtschaftlichkeitsorientierungnicht vergessen darf, muss es auch klare Regeln geben, wie mit unrentablen Kun-den zu verfahren ist. Der Kundenwert ist hierfür die maßgebliche Kennzahl undzeigt an, welche Kosten maximal investiert werden dürfen um einen Kunden zuhalten. An dieser Stelle soll auch „hervorgehoben werden, dass eine konsequenteUmsetzung des CRM-Konzepts auch bedeuten kann, dass unattraktive Geschäfts-


beziehungen systematisch und bewusst beendet werden oder [für einzelne Kundendas] Service- und Leistungniveau [...] aufgrund der Wertorientierung des CRM re-duziert wird“ [GK08, Seite 555].

Am Ende der Strategiefindung muss die „strategische Stoßrichtung der Kunden-bearbeitung“ [HS08, Seite 515] eindeutig definiert sein und damit auch die desi-gnierte Zielgruppe, die Art und die Kanäle des Kundenkontakts sowie die einge-setzten Methoden der Kundenansprache.

2.2.3 Organisation

„Die eigentliche Herausforderung des CRM [liegt] darin, geeignete Strategien undProzesse für einzelne Kunden und Kundensegmente erfolgreich zu implementie-ren“ [GK08, Seite 551]. CRM muss fest in der Unternehmensorganisation verankertwerden, was zuweilen auch nicht unerheblichen Einfluss auf die bisherigen Struk-turen im Unternehmen haben kann. So haben sich insbesondere in den USA schonviele Firmen komplett von der funktionalen Organisation verabschiedet, weil siemit den bisherigen Strukturen an Grenzen gestoßen sind. Diese organisatorischenHerausforderungen werden bei CRM-Einführungen oft unterschätzt.

Für CRM gibt es keine Abteilungsgrenzen, es muss stattdessen dafür gesorgtwerden, dass es an diesen Schnittstellen zu keinen Verzögerungen oder Reibungs-verlusten kommt. Der Zugriff auf die jeweils relevanten Daten unabhängig ihrerHerkunft muss für jeden Mitarbeiter egal welcher Abteilung gewährleistet sein.Mit dem „Verschwimmen“ von Abteilungsgrenzen steigen auch die Unklarheitenbezüglich der Verantwortlichkeiten. Um bei Problemen schnell und kundenorien-tiert handeln zu können, muss zu jedem Zeitpunkt klar sein, wer der nächst höhereVerantwortliche mit Entscheidungsbefugnis ist.

2.2.4 Mitarbeiter und Kultur

Damit CRM erfolgreich sein kann, hat sich die „Formulierung entsprechenderGrundsätze, Ziele und Visionen, sowie deren Einbindung in Unternehmenskul-tur und -leitlinien“ [SM04, Seite 20] als zwingend erforderlich herausgestellt. Die


Evolution einer Unternehmenskultur setzt auch die Vorbildfuntion der Geschäfts-leitung und des Managements voraus und „manifestiert sich [...] in den Verhaltens-weisen der einzelnen Mitarbeiter“ [HS08, Seite 522].

Jeder Mitarbeiter muss bei der täglichen Arbeit das Primärziel der Kundenori-entierung vor Augen haben. In vielen Bereichen erfordert dies ein Umdenken oderauch Änderungen in der persönlichen Einstellung. Von den Mitarbeitern muss dieBereitschaft eingefordert werden, „bisher proprietäres Wissen über den Kundenim Unternehmen zu teilen“ [HS08, Seite 520]. Informationen aus Kundenkontak-ten müssen erfasst und abgespeichert werden. Das Vorhandensein qualitativ hoch-wertiger Daten ist wichtig, da dies „nicht nur auf den Erfolg von Neuproduktent-wicklungen einen Einfluss hat, sondern auch die erfolgreiche Intensivierung derGeschäftsbeziehungen zu bestehenden Kunden fördert“ [GK08, Seite 557].

Hat sich eine innovative Kultur mit dem Kunden im Zentrum allen Interesses ersteinmal etabliert, führt dies zu einem einheitlichen und konsistenten Auftreten desUnternehmens in der Öffentlichkeit und einer Verbesserung des Unternehmens-images. Kunden fühlen sich unabhängig vom aktuellen Sachbearbeiter gut betreut,was in weiterer Konsequenz den Unternehmenserfolg steigert.

2.2.5 Technik

Bewusst zuletzt muss auch das Thema der IT-Infrastruktur, also die Hard- und Soft-ware im Hintergrund, bedacht werden. Die „IT-Lösungen [können] nur dann wirk-lich ihre Leistungskraft entfallten [...], wenn die Rahmenbedingungen ensprechendausgestaltet sind“ [HS08, Seite 503]. Wenn die Rahmenbedingungen erfüllt sind,kann die Evaluation potentieller CRM-Software angegangen werden. Wichtig hier-bei ist, dass die Anforderungen bereits festgelegt wurden und auf dieser Basis nachder passenden Software gesucht wird. Diese sollte dann auch noch möglichst ein-fach und intuitiv bedienbar sein und sich ohne großen Aufwand in die vorhandeneIT-Umgebung integrieren lassen. Die Erfahrung zeigt, dass es aber oft genau andersherum ist und sich Prozesse und Workflows den Funktionen der Software anpas-sen müssen.


Auch die Kostenfrage stellt bei der Wahl der IT-Lösung für das CRM eine wichtigeKomponente dar. Je größer die Investitionen, desto größer später auch der Druckdiese schnell wieder ausgleichen zu müssen. Wie in Kapitel 2.4 noch zu sehen seinwird, dauert es eine gewisse Zeit bis sich die Akquisitionskosten wieder egalisierthaben. Neben den Lizenzkosten für das Software-Produkt an sich – unabhängigob einmalige oder periodische Kosten – sind auch die finanziellen Aufwände beider Individualisierung und Anpassung zu bedenken. Ebenso fallen im Rahmen derständigen Weiterentwicklung des CRM (siehe Kapitel 2.6) aperiodische Kosten an,die es zu beachten gilt.

2.3 Ziele und strategischer Kontext von CRM

CRM verfolgt im Wesentlichen drei Ziele:

1. Kundenneugewinnung (engl. Recruitment) – Welche Zielgruppe soll ange-sprochen werden und wie sieht die optimale Ansprache aus?

2. Kundenbindung und -entwicklung (Retention) – Umsatzsteigerung durchCross- oder Up-Selling aber auch Down-Selling

3. Kundenrückgewinnung (Recovery) – Reduzierung der Churn-Rate 1

Schnauffer/Jung reduzieren die Ziele von CRM hingegen sehr kapitalistisch aufdie beiden Punkte „Kostensenkung und Umsatzsteigerung“ [SJ04, Seite 7] und so-mit auf die Steigerung des Unternehmenswertes. Da der Unternehmenswert maß-geblich durch den Kundenwert geprägt wird, müssen das kundenorierntierte Den-ken aller Mitarbeiter geschärft und auch alle Unternehmensbereiche und Geschäfts-prozesse in die CRM-Strategie einbezogen werden. Die Kundenbeziehungen müs-sen ständig gepflegt und kontinuierlich verbessert werden um den Kunden an dasUnternehmen zu binden. Denn „dauerhafte Kundenbeziehungen stellen [...] einensignifikanten Teil des Unternehmenswertes dar“ [NK05, Seite 19].

1 Die Churn-Rate ist die Kennzahl im sog. Churn-Management (Kunstwort aus den Begriffen„change“ und „turn“) und stellt den Prozentsatz der wechselwilligen Kunden dar.


2.3.1 Entwicklung von Kundenbeziehungen

Unternehmen machen nicht nur „bis 70 % [ihres Umsatzes] mit Stammkunden“[SM04, Seite 23], die Stammkunden sind es auch, die in der Öffentlichkeit für dasUnternehmensimage sorgen. Auch sind diese bereit, kleinere Fehler zu verzeihen,wenn sie über einen längeren Zeitraum hinweg gute Erfahrungen gemacht haben.Allerdings sind viele Schritte für das Unternehmen nötig bis ein Kunde tatsächlichals Stammkunde gelten kann (Abbildung 2.2).

Abb. 2.2: Ziele von CRM [SM04, Seite 26]

Für Unternehmen geht es darum, „die Erwartungen und Bedürfnisse ihrer Kun-den zu identifizieren“ [SM04, Seite 27], was einen gewissen Grad an Kundennä-he voraussetzt. Nur so können Kunden integriert werden und ihre Ideen und ihrFeedback zur Weiterentwicklung und Verbesserung eines Produkts einbringen. Fürdas Unternehmen ist es an diesem Punkt wichtig, Meinungsäußerungen ernst zunehmen und in geeigneter Form darauf zu reagieren. Alles Andere würde gewissnicht zu steigender Kundenzufriedenheit beitragen, die wiederum Grundlage da-für ist, dass ein Kunde Treue und Bindung aufbauen kann. Auch wenn Kundenbin-dung und Kundentreue oft synonym verwendet werden, steht Ersteres für die blo-ße Wiederkaufsabsicht eines Produkt während Letzteres die Wiederkaufshandlungmit einschließt. So kann schließlich ein Kunde, der immer wieder bei der selben Fir-ma kauft, als Stammkunde bezeichnet werden. Das CRM begleitet diesen Prozessder Entwicklung einer Kundenbeziehung über den gesamten Zeitraum hinweg.


2.3.2 Aufrechterhaltung von Kundenbeziehungen

Für die Pflege von Kundenbeziehungen muss das Unternehmen die Kundenzu-friedenheit einschätzen können, was aber nicht trivial ist. Zum Einen gibt es kei-ne Einheit um die Kundenzufriedenheit zu messen, zum Anderen kann sich diegeschätzte Zufriedenheit von der tatsächlichen Kundenzufriedenheit sehr unter-scheiden. Die Firma kann sich zur Bestimmung nur auf gesammelte Daten wie Ver-kaufszahlen und Reklamationen sowie das Feedback der Kunden stützen. Dabeigibt es aber immer auch eine hohe Dunkelziffer an Kunden, die sich nur im Stillenüber ein Produkt ärgern, aber das Unternehmen ihre Unzufriedenheit nicht spürenlassen. Beim Kunden gibt es zusätzlich noch sehr viele Umwelteinflüsse, die seineZufriedenheit beeinflussen können. So spielen vor allem Konkurrenzprodukte einesignifikante Rolle. Dies kann auch dazu führen, dass ein Kunde schon allein deswe-gen unzufrieden ist, da er von einer vermeintlich besseren Alternative erfahren hat.

Im Zuge des sogenannten Churn-Managements ist das Ziel die Kunden-Abwan-derungsquote (Churn-Rate) zu senken indem die Gründe für Kundenverluste ana-lysiert und Gegenmaßnahmen erarbeitet werden. Studien zeigen, dass die Senkungder Churn-Rate den Unternehmensgewinn wesentlich steigern kann. Neben demKundenwert sind hier inbesondere die Abwanderungswahrscheinlichkeiten wich-tig. Aus der Kombination dieser beiden Faktoren ermittelt sich dann, in welchemUmfang Anstrengungen unternommen werden, um den Kunden zu halten, oder obes sich um einen unrentablen Kunden handelt, bei dem die Beendigung der Kun-denbeziehung die bessere Alternative darstellt.

2.3.3 Business-to-Business vs. Business-to-Consumer

Auch wenn die Ziele sowohl im Geschäfts- als auch im Privatkundengheschäftgrundsätzlich identisch sind, stellen beide Bereiche unterschiedliche Anforderun-gen an das CRM im Allgemeinen und die Software-Lösung im Speziellen. Im B2C-Bereich unterhalten die Unternehmen oft sehr umfangreiche Kundendatenbankenund der persönliche Kontakt ist eher die Ausnahme. Die Kommunikation mit Kun-den bis hin zum Zustandekommen eines Vertrags erfolgt im Wesentlichen auf elek-


tronischem Wege per E-Mail, über den Internetauftritt oder auch telefonisch. DerUnternehmensgewinn summiert sich schließlich über viele kleine Aufträge.

Dem gegenüber stehen Aufträge mit hohem finanziellen Volumen im B2B-Be-reich. Der Kundenkreis ist überschaubarer und die Kommunikationsmethoden desPrivatkundengeschäfts kommen im Geschäftsbereich eher zur Vorbereitung vonVertragsabschlüssen zum Einsatz. Die eigentliche Vertragsunterzeichnungen erfol-gen dann oft im persönlichen Kontakt mit dem Kunden. Klar ist, dass diese unter-schiedlichen Anforderungen Einfluss auf die Gestaltung der Geschäftsprozesse ha-ben und unterschiedliche Methoden der Kundenakquise und -bindung erfordern.

2.4 Kosten und Nutzen einer CRM-Einführung

Die bisherigen Erläuterungen des integrativen CRM-Ansatzes haben dessen wirt-schaftliche Bedeutung bereits deutlich werden lassen. Trotzdem wird man immernoch viele selektive CRM-Systeme und Insellösungen vorfinden, was vor allem fi-nanzielle Gründe hat. Die bekannten Nachteile (vgl. Kapitel 2.1.2) werden dabei inKauf genommen.

Die Einführung einer integrativen Lösung erfordert einen erheblichen Mehrauf-wand an konzeptioneller Vorarbeit und die Verbreitung des CRM-Gedankens. Häu-fig lassen sich erst durch die Betrachtung des monetären Nutzens langfristiger Kun-denbeziehungen (siehe Abb. 2.3) die anfänglichen Investitionskosten rechtfertigen.

Nicht einfach gestaltet sich die Messung des Nutzens von CRM. Am ehesteneignen sich Vergleiche mit Zeiträumen vor der CRM-Einführung, wobei sich so-wohl eine gesteigerte Effektivität – vollständige und qualitativ hochwertigere Da-ten verkürzen bei gleichem Ergebnis den Kundenkontakt – als auch höhere Gewin-ne durch individuellere und damit erfolgsversprechendere Angebote beobachtenlassen sollten. Da den Mitarbeitern immer alle relevanten Daten zur Verfügung ste-hen, erübrig sich der Anruf in der Nachbarabteilung. Auch enthält die Kunden-datenbank weniger Dubletten und fehlerbehaftete Einträge, was die Fehlerquotesenkt und die Betreuung von mehr Kunden in der selben Zeit ermöglicht.


Abb. 2.3: Monetärer Nutzen langfristiger Kundenbeziehungen

2.5 Komponenten von CRM-Systemen

Bisher ist CRM immer nur als Ganzes genannt worden, tatsächlich jedoch lässt essich in drei Bereiche aufteilen. So wird unterschieden zwischen dem operativen,dem analytischen und dem kollaborativen CRM (Abbildung 2.4).

2.5.1 Operatives CRM

„Das operative CRM umfasst alle CRM-Funktionalitäten, die den di-rekten Kundenkontakt unterstützen und somit im Front-Office-Bereichangesiedelt sind.“ [Ger08, Seite 451]

Der operative Bereich dient demnach im Wesentlichen der Automatisierung undUnterstützung von Vertriebsaktivitäten und sorgt dafür, dass alle Prozesse nach ei-


Abb. 2.4: Die drei Grundsäulen des CRM [Ilt08]

nem einheitlichen Workflow ablaufen. Ziel ist die optimale Unterstützung des Mit-arbeiters im Kundenkontakt, der von Routineaufgaben befreit wird und zusätzlicheInformationen und Argumentationshilfen erhält, um ein Kundengespräch optimalbeginnen und zu einem möglichst erfolgreichen Abschluss führen zu können.

Die gespeicherten Daten dienen darüber hinaus dem Kampagnenmanagement, da-mit zur richtigen Zeit die richtigen Kunden mit den richtigen Angeboten versorgtwerden. Für den Kunden müssen immer neue Anreize geschaffen werden, denn„der Nutzen- und Belohnungsansatz besagt, dass nur durch entsprechende Berück-sichtigung der Ziele, Bedürfnisse, Erwartungen und Erfahrungen von Kunden dieerhoffte Bindungswirkung“ [SJ04, Seite 19] erzielt werden kann. Aber auch das Be-schwerdemanagement im Servicebereich kann durch das CRM unterstützt werden.Für den Kunden zählt dabei primär die Optimierung und Beschleunigung der Be-arbeitung seiner Reklamationen. Außerdem fallen in diesem Zuge auch Daten an,die das Unternehmen für Prozessoptimierung oder Produkt(weiter)entwicklungennutzen kann.


2.5.2 Analytisches CRM

„Der gegenüber der Basisversion des operativen CRM erweiterte An-satz verknüpft verschiedene Datenerfassungs- und Datenauswertungs-elemente des modernen Informationsmanagements“ [SJ04, Seite 21]

Das analytische CRM beinhaltet somit Werkzeuge und Funktionen zur Analyseund Auswertung der Kundendaten. Um dieser Aufgabe nachkommen zu können,wird es vom operativen CRM und anderen Quellen mit Daten versorgt. An dieserStelle werden im Wesentlichen Business-Intelligence-Systeme und Data-Mining-Tools eingesetzt, die in den Stamm- und Transaktionsdaten Trends, Muster sowieZusammenhänge aufdecken und wichtige Kennzahlen zurückliefern sollen.

Im Zentrum eines analytischen CRM-Systems steht ein Data Warehouse, das überdie Funktion eines Datenbankmanagementsystems (DBMS) deutlich hinausgeht.Seine „Aufgabe ist es, Informationen derart bereitzustellen, dass sie als Grundlagevon Entscheidungen verwendet werden können“ [SM04, Seite 201]. Die genauenStrukturen eines solchen Systems und die nach außen hin transparent ablaufendenProzesse vom Laden der Daten bis zur Bereitstellung der Ergebnisse werden in Ka-pitel 3 detailliert erläutert. Für den Augenblick soll es genügen, sich der Wichtigkeitdes analytischen CRM innerhalb der unternehmensweiten CRM-Strategie bewusstzu sein, denn auf Basis der zurückgelieferten Ergebnisse müssen teilweise wichtigestrategische und wirtschaftliche Entscheidungen getroffen werden.

2.5.3 Kollaboratives CRM

Die dritte und letzte Komponente stellt das kollaborative CRM dar. Dieser Begrifffindet allerdings immer weniger Verwendung. Grund dafür dürfte sicherlich auchsein, dass es keine allgemeingültige Definition, sondern stattdessen zwei antony-me Auslegungen gibt. Das Wort kommt aus dem Lateinischen und setzt sich ausco- (dt. zusammen) und laborare (arbeiten) zusammen. Die Frage, die sich nun stelltund auf die sich die unterschiedlichen Definitionen begründen, ist, ob die Zusam-menarbeit mit Kunden oder externen Partnern und Lieferanten gemeint ist.


Die Abbildung 2.4 sieht den Inhalt der kollaborativen CRMs in der „Synchro-nisation der Kommunikationskanäle“ und damit im Multi-Channel-Management.Es kann in diesem Fall auch als „kommunikatives CRM“ bezeichnet werden. DieIntention an dieser Stelle ist, alle Kundenkontakte unabhängig des Kommunikati-onsmediums zu bündeln und zentral verfügbar zu machen, damit beim Kunden-kontakt alle Informationen zur Verfügung stehen. Das Problem an dieser Definitionist die Abgrenzung zum operativen CRM, denn ähnliche Anforderungen wurdenauch dort schon deutlich. Es existiert demnach ein unscharfer Übergang zwischenoperativem und kollaborativem CRM.

Das zweite Verständnis vertritt den Standpunkt, dass „das kollaborative CRM[...] den Aktionsradius von Kundenbindungsmanagement über die unmittelbarkundenbezogenen Bereiche Marketing, Vertrieb und Service hinaus [erweitert] und[...] die übrigen Funktionsbereiche der Organisation“ [SJ04, Seite 27] mit einbeziehtund damit über Organisations- und sogar Unternehmensgrenzen hinausgeht. Sowerden Zulieferer und Partner eingebunden, um dem Kunden schneller Rückmel-dungen geben zu können. Damit sind entlang der gesamten WertschöpfungsketteOptimierungen und Einsparungen möglich. Alle den Kunden betreffenden Aktio-nen werden hier klar im Verantwortlichkeitsbereich des operativen CRM gesehen.

2.6 Iterative Weiterentwicklung des CRM

Nach der Einführung eines CRM dürfen die Hände nicht in den Schoß gelegt wer-den, um auf die positiven Auswirkungen zu warten. Schon die österreichischeSchriftstellerin Marie von Ebner-Eschenbach wusste:

„Wer aufhört, besser werden zu wollen, hört auf, gut zu sein.“

Dieser Grundsatz ist auch in der Wirtschaft und für alle Unternehmen überle-bensnotwendig. Das CRM im Unternehmen muss sich kontinuierlich weiterentwi-ckeln, denn „eine erfolgreiche CRM-Strategie ist dadurch gekennzeichnet, dass siesich den geänderten Umweltbedingungen anpasst“ [NK05, Seite 35]. Dazu zählenÄnderungen des Kundenverhaltens ebenso wie das Erkennen neuer Trends oderdie Raktion auf das Auftreten neuer Wettbewerber.


2.6.1 Closed Loop

Die operative und analytische Komponente des CRM stellen im Idealfall einengeschlossenen Regelkreislauf (engl. closed-loop) dar. Die gesammelten Daten ausdem operativen CRM werden zur Auswertung an das analytische CRM weiterge-reicht, das wiederum seine Ergebnisse zurückliefert. Die Ergebnisse der Datenana-lyse sind wiedrum die Grundlage für Kontrolle, Optimierung und Korrektur derCRM-Strategie in der nächsten Iteration. Damit hilft der Kreislauf aus Datenerhe-bung und -analyse dem Unternehmen sich kontinuierlich zu verbessern und dieBedürfnisse der Kunden immer besser zu erfüllen. Der Unternehmenserfolg mussständig mit möglichst aussagekräftigen Kennzahlen geprüft werden. InsbesondereEinflüsse von Anpassungen und Änderungen der Strategie sind zu kontrollieren.

Abb. 2.5: Schematische Darstellung des Closed-Loop-Marketing [Wik08]

Durch die iterative Anpassung des CRMs fließen neben Erkenntnissen der Da-tenanalyse auch immer neue technische Möglichkeiten kontrolliert ein und sorgenin jeder Hinsicht für eine kontuinuierliche Verbesserung.

2.7 Zukunft von CRM

Der CRM-Expertenrat2 beschäftigte sich in seinem Jahresgutachten 2007 mit derFrage: „Braucht man eigentlich CRM, um kundenorientiert zu arbeiten?“. Mit dem

2 Der CRM-Expertenrat ist ein Kollegium aus vier führenden CRM-Experten, die sich mit Fragenund Ausichten zum CRM-Sektor auseinandersetzen.


neuerlichen Hinweis auf die allseits bekannte Tante Emma, stellte man fest, dass„Kundenorientierung [...] prinzipiell auch ohne CRM“ funktioniert, aber „bei ei-ner großen Anzahl von Kundenkontakten und parallelen Prozessen in den un-terschiedlichen Kommunikations- und Verkaufskanälen ist ein kundenorientiertesVorgehen ohne CRM heute nicht mehr möglich“. In dieser Einschätzung spiegeltsich die Bedeutung wider, die CRM mittlerweile erlangt hat, Tendenz steigend.

Bleibt zum Abschluss noch der Blick in die Zukunft. Dieser „Blick in die Kris-tallkugel“ beinhaltet natürlich sehr viele vage Vorstellungen und auch kein Exper-te wird bei der Schnelllebigkeit der Entwicklung, des ständigen Auftretens neuerTrends und technischen Möglichkeiten eine sichere Voraussage treffen können.

Abb. 2.6: Von der Produktorientierung zur Kundenorientierung [Hol04, Seite 6]

Seit jeher ist CRM durch den Trend weg von der Produktorientierung und hin zurKundenorientierung (Abbildung 2.6) gekennzeichnet. Die Marktforscher sind sichsicher, dass „das Wachstum [...] auch in den kommenden Jahren nicht abflauen“[Bay08] wird. Speziell aus dem Mittelstand gibt es einen spürbaren Nachfragean-stieg, der beim Thema CRM-On-Demand nochmals überproportial höher ausfällt.Damit hat auch das Thema Software-as-a-Service (SaaS) den CRM-Sektor erreicht.Insbesondere SAP AG hat mit ihrem CRM-Mietmodell einen großen Schritt in Rich-tung des Mittelstands gemacht, um auch dort das Thema CRM schmackhaft underschwinglich zu machen und auch diesem Weg neue Kundensegmente für sich zu


erschließen. Tatsächlich könnten solche Mietmodelle erfolgreich sein, mindern siedoch die finanziellen Risiken einer CRM-Einführung.

Auch wird der Service-Level eines Unternehmens zunehmend wichtiger, wes-halb „die Kundenbindung der Kundenakquise den Rang ablaufen“ [zTe08] wird.Der Kunde wird zukünftig noch mehr im Mittelpunkt stehen müssen und Produkt-Entscheidungen oder den Produkt-Mix nicht nur leicht beeinflussen, sondern teil-weise sogar mitentscheiden. „Innovative Ansätze wie der Wandel vom bisher be-kannten CRM [...] zum CMR (Customer Managed Relationship) bieten eine einzig-artige Chance, eine absolute Kundenorientierung zu erreichen und schaffen eineWin-Win-Situation für Kunden und Unternehmen“ [Ham08].

Speziell E-Commerce und E-Business werden mit zunehmender Selbstverständ-lichkeit des immer und überall verfügbaren Internets immer wichtiger und habenauch den Begriff des eCRM geprägt. Dieser steht für die Verbindung des CRM-Ansatzes mit dem elektronischen Handel. Über personalisierte Internetseiten kannso eine individuelle Kundenansprache erfolgen. Bestes Beispiel hierfür ist sicher-lich der Online-Shop von Amazon.de, der dem Kunden anhand seines bisherigenVerhaltens Produktvorschläge unterbreitet. Dieses Beispiel zeigt deutlich, dass dasInternet „wie geschaffen zur direkten und individuellen Kommunikation [ist], ob-wohl es [...] eigentlich ein Massenmedium darstellt“ [Gen02, Seite 115]. Da der Mit-bewerber nur noch den sprichwörtlichen Mausklick entfernt ist, müssen die Firmendie anfallenden Informationen bestmöglich nutzen. Zudem „schafft das Internet ei-ne ganz neue Markttransparenz mit zahlreichen Vergleichsmöglichkeiten“ [Gen02,Seite 113] sowohl der Preise als auch der Meinungen über ein Unternehmen. Emp-fehlungen oder Berichte über guten Kundenservice können höhere Preise rechtfer-tigen. Aber auch Negativinformationen verbreiten sich deutlich schneller.

Letztendlich kann nur die strikte Einhaltung und Weiterentwicklung des Custo-mer Relationship Managements in einem Unternehmen, die schnelle Nutzung deranfallenden Daten, deren zielorientierte Analyse und die Umsetzung der Ergeb-nisse langfristig den Unternehmenserfolg positiv beeinflussen. Neben dem wirt-schaftlichen Erfolg verbessern sich gleichzeitig auch, ganz im Sinne des Ansatzes,die Kundenbeziehungen und das Unternehmensimage in der Öffentlichkeit.

Kapitel 3

Business Intelligence im analytischen CRM

Das vorherige Kapitel zeigte schon die Einbettung der analytischen Komponen-te innerhalb des CRM und hob ihre Bedeutung hervor. Zur Ermittlung wichtigerKennzahlen und zur Bereitstellung von entscheidungsanleitenden Informationenfür das Management kommen Spezialwerkzeuge zum Einsatz, die unter den Be-griff „Business Intelligence“ (BI) zusammengefasst werden. Obwohl dieser Begriffgeläufig ist, ist dessen Verständnis sehr unterschiedlich. Um sich der inhaltlichenBestandteile von BI bewusst zu werden, eignet sich die Definition nach Schrödl:„Business Intelligence ist die entscheidungsorientierte Sammlung, Aufbereitungund Darstellung geschäftsrelevanter Informationen“ [Sch06, Seite 12]. Es geht al-so im Grunde darum, auf Basis vorhandener Daten Auswertungen durchzuführenund mit Hilfe der Ergebnisse das CRM kontinuierlich weiterzuentwickeln (vgl. Ka-pitel 2.6). Insbesondere Geschäftsleitung und Management sollen auf diese WeiseZugang zu entscheidungsrelevanten Kennzahlen und Fakten erhalten, um schnelldie nötigen Entscheidungen treffen zu können.

Was die Kundenorientierung im CRM ist, ist die Entscheidungsorientierung beimThema BI. Die Ergebnisse der Analysen müssen auch die getroffenen Entschei-dungen legitimieren. Neben qualitätsgesicherten Daten ist auch eine gewisse Da-tenmenge nötig, um nützliche Ergebnisse zu erhalten und den Einfluss einzelnerAusreißer zu reduzieren. Da die „Datenmenge oft im Widerspruch zur Datenqua-lität steht“ [Sch06, Seite 17] muss zunächst in die Verbesserung der Qualität in-vestiert werden. Um noch eine weitere Parallele zum CRM zu ziehen, bevor imersten Abschnitt zunächst einmal der Begriff des BI-Systems und die zugehörigenKomponenten erläutert werden sollen, finden wir auch bei BI mit dem Business-Intelligence-Zyklus einen geschlossenen Regelkreislauf (Abbildung 3.1).

33

Kapitel 3 Business Intelligence im analytischen CRM 34

Abb. 3.1: Business-Intelligence-Kreislauf (Quelle: [Sch06, Seite 15])

Business Intelligence ist demnach ein iterativer Prozess aus Analyse, Anpassungund Kontrolle mit dem Ziel der kontinuierlichen Weiterentwicklung und Verbesse-rung. Jedes Unternehmen muss bestrebt sein, sich ständig zu verbessern und damitden Unternehmenserfolg zu steigern.

3.1 Komponenten eines BI-Systems

Ebenso uneindeutig wie die Definition des Begriffs „Business Intelligence“ ist auchdas Verständnis der zu einem Business-Intelligence-System gehörenden Kompo-nenten und dessen Abgrenzung nach außen. Während teilweise ein sehr enges BI-Verständnis verankert ist, das lediglich „wenige Kernapplikationen [meint], die ei-ne Entscheidungsfindung unmittelbar unterstützen“ [KMU06, Seite 3], schließt dasweite BI-Verständnis auch alle „indirekt für die Entscheidungsunterstützung ein-gesetzten Anwendungen“ [KMU06, Seite 4] mit ein.

Schwierig gestaltet sich die Abgrenzung des Business-Intelligence-Systems zuden mehr oder weniger geläufigen Begriffen Data-Warehouse-System (DWHS) und


Data Warehousing, da es auch hier an einer allgemein anerkannten Definition fehlt.Alle drei Begriffe werden oft nahezu synonym verwendet und stehen für den Ge-samtprozess aus Datenbeschaffung, -verwaltung und -auswertung.

Im weiteren Verlauf soll nun zwischem einem Business-Intelligence-System (BI-System) und einem Data-Warehouse-System (DWHS) unterschieden werden. DasBI-System setzt sich zusammen aus den heterogenen Datenquellen, dem DWHSsowie der Benutzeroberfläche zur Anzeige der Analyseegebnisse. Innerhalb desDWHS ist das Data Warehouse (siehe Kapitel 3.5) die zentrale „Datenbank [...], dieaus der technischen Sicht Daten aus verschiedenen Datenquellen integriert und ausder betriebswirtschaftlichen Sicht dem Anwender diese Daten zu Analysezweckenzur Verfügung stellt“ [BG04, Seite 5]. Bliebe nur noch die Frage, welche Kompo-nenten zu einem Data-Warehouse-System gehören.

Abb. 3.2: Referenzarchitektur nach Bauer und Günzel [BG04]

Andreas Bauer und Holger Günzel starteten in [BG04] den Versuch, eine all-gemeingültige und anerkannte Referenzarchitektur für Data-Warehouse-Systemeaufzustellen. Die Abbildung 3.2 macht die Komplexität eines solchen Systems deut-lich und führt sowohl die obligatorischen als auch die optionalen Komponentenauf. In der Praxis unterscheiden sich Data-Warehouse-Systeme mehr oder weniger


von dieser Referenzarchitektur, da einzelne Elemente fehlen können. So erfolgt dasLaden nach dem ETL-Prozess häufig direkt in das Data Warehouse und ohne dieZwischenstation „Basis-Datenbank“.

3.2 Metadatenverwaltung

Einen zentralen Punkt innerhalb des BI-Systems nimmt die Metadatenverwaltungein. Sie ist die „Architektur-Komponente, die als Mittler zwischen der Anwen-dung und den Daten fungiert“ [Muk06, Seite 138] und „alle nötigen Informatio-nen zur Steuerung der Transformationsprozesse aus den diversen Datenquellensowie der Distributionsprozesse zu den weiterverarbeitenden Informationssyste-men“ [Muk06, Seite 138] zur Verfügung stellt. Darunter fallen Informationen zumAufbau und zur Struktur von Datenquellen und Data Warehouse ebenso wie An-gaben zu physischen Speicherorten oder Prozessinformationen.

Die Metadatenverwaltung ist für alle Prozesse und Komponenten die zentraleAnlaufstelle wenn Informationen zur Durchführung einer Aktion benötigt werden.Sie ist auch speziell für das Data Warehouse das zentrale Dokumentations- undSteuerungssystem (vgl. [KF06, Seite 127]) und gibt Antworten auf Fragen zur kor-rekten Interpretation und zum Zustandekommen generierter Kennzahlen sowie zuden innerhalb des ETL-Prozesses (siehe Kapitel 3.4.1) nötigen Transformationen.Damit hat die Metadatenverwaltung Einfluss auf alle Schritte und Teilbereiche ei-nes BI-Systems, die sich wie in Abbildung 3.3 unterteilen lassen.

3.3 Datenschnittstelle zu den Quellen

Datenquellen können sowohl intern als auch extern sein. Es macht keinen Unter-schied, ob die Daten aus dem operativen CRM, einer anderen internen Datenbankoder von einem externen Dienstleister kommen. Auch das Datenformat oder dif-ferierende (Namens-)Konventionen stellen keine Hürde dar, da hier im Rahmendes ETL-Prozesses (Extract, Transform, Load) die nötigen Transformationen vor-genommen werden. Die nötigen Informationen für diese Anpassungen liefert dieMetadatenverwaltung (vgl. Kapitel 3.2).


Abb. 3.3: Prozesse und Teilbereiche innerhalb eines BI-Systems [Ban06, Seite 91]

3.4 Datenintegration

Die Datenintegration ist für die „Überführung von Daten zwischen den verschiede-nen Vorsystemen und den Datenhaltungskomponenten der analytischen Infoma-tionssysteme“ [Ban06, Seite 92] verantwortlich. Diesem Prozess kommt innerhalbdes BI-Systems eine große Bedeutung zu, da hier die letzte Möglichkeit besteht,die eingehenden Daten zu überprüfen (Data Profiling), zu bereinigen (Data Clean-sing) oder mit anderen Informationen anzureichern, bevor sie ohne die Möglichkeitnachträglicher Änderungen im Data Warehouse gespeichert werden. Die Datenin-tegration ist demnach eine Art Qualitätssicherung und nimmt „regelmäßig 50 - 80%des Aufwandes eines Business-Intelligence-Projekts“ [Ban06, Seite 92] in Anspruch.Hierfür kommen in der Regel spezielle ETL-Werkzeuge zum Einsatz.


3.4.1 ETL-Prozess

Der ETL-Prozess ist der eigentliche Vorgang, „der die Quelldaten ausliest, die Be-reinigung und Integration dieser Daten durchführt und sie in ihre Zielstrukturenüberführt“ [SD06, Seite 80]. Damit dies gelingen kann, werden die Metadaten be-nötigt, die Aufschluss zu Quell- und Zielformat sowie den Bedeutungen der ein-gesetzten Kodierungen und Konventionen liefern. Damit lassen sich dann die re-levanten Daten selektieren, wobei man zunächst noch „auf ein sehr hohes Maß anHeterogenität [trifft], da die Ausgangsdaten in unterschiedlichen Datenverarbei-tungssystemen erzeugt werden“ [EFS+05, Seite 174].

Abb. 3.4: Der ETL-Prozess: Die Daten werden aus den operativen Quellen extrahiert,transformiert und ins Data Warehouse geladen (Quelle: SAP via [Man08b])

Extraktion

Zunächst gilt es, die relevanten Daten aus unterschiedlichen Quellen und damit inunterschiedlichen Formaten und Kodierungen zu extrahieren. Abhängig vom je-weiligen Szenario und der Datenmenge kann die Extraktion periodisch oder durchdas Auftreten externer Ereignisse gestartet werden. Da die umfangreichen Lese-Zugriffe bei der Extraktion die operativen Systeme nicht behindern dürfen, werden


solche lastintensiven Arbeiten oft auf die Nacht verlegt, insofern keine Aktualitäts-anforderungen dagegen sprechen.

Transformation

Die Transformation hat die Aufgabe, die Quelldaten in die Struktur des Data Ware-house zu überführen und fasst „die für die betriebswirtschaftliche Interpretationder operativen Daten erforderlichen Prozesse“ [KF06, Seite 115] zusammen:

1. Filterung – Beseitigung syntaktischer und semantischer Fehler

2. Harmonisierung – Vereinheitlichung unterschiedlicher Repräsentationen desgleichen Sachverhalts

3. Aggregation – Verdichtung der gefilterten Daten und Herstellung des ge-wünschten Detailierungsgrads

4. Anreicherung – Hinzufügen von zusätzlichen Daten aus anderen Quellenund berechneten Werten

Zunächst geht es darum, die Daten im Zuge der Filterung von syntaktischen undinhaltlichen Fehlern zu bereinigen und mit Hilfe von „Plausibilitätskontrollen undWertebereichsüberprüfungen ungültige Datenfelder [zu] entdecken“ [Man08b].Dabei können nicht alle Fehler automatisch erkannt und auch nicht alle erkann-ten Fehler automatisch korrigiert werden. Wo die Theorie eine manuelle Kontrollevorsieht, muss in der Praxis zwischen Aufwand und Nutzen abgewogen werden,da bei großen Datenmengen eine manuelle Nachbearbeitung selten wirtschaftlichist.

Im nächsten Schritt geht es bei der Harmonisierung insbesondere um „die Ab-stimmung von Kodierungen, Synonymen und Homonymen1“ [KF06, Seite 122].So könnte in unterschiedlichen Datenquellen das Geschlecht teils als „m/w“ undteils als „male/female“ repräsentiert werden. Hier gilt es, unabhängig von der ur-sprünglichen Repräsentation eine einheitliche Darstellung zu erreichen.

1 Ein Homonym ist ein Wort, das bei gleicher Aussprache und gleicher Schreibweise unterschied-liche Bedeutungen hat.


„Ziel der Aggregation ist [es], auf Basis konsistenter DimensionsdefinitionenSummenstrukturen zu erzeugen, die dann aus Gründen der Performanceoptimie-rung vorberechnet im Data Warehouse gehalten werden können“ [KF06, Seite 124].Während diesem Schritt werden „betriebswirtschaftliche Kennzahlen gebildet, diefür eine Reihe von potentiellen Informationsnachfragern von Relevanz sind“ [KF06,Seite 126]. Dies widerspricht zunächst einmal „der applikationsneutralen Daten-modellierung der Normalformenlehre zugunsten einer stärker auf die antizipiertenAnwendungen ausgerichtete Datenhaltung“ [KF06, Seite 125]. Der Vorteil zeigt sichin der besseren Performance bei späteren Abfragen, da die aggregierten Kennzah-len direkt zur Verfügung stehen. Diese „verstärkte [...] Applikationsorientierungder Daten“ [KF06, Seite 125] hat aber auch zur Folge, dass bei neu eingefügten Da-ten alle davon abhängigen Kennzahlen neu berechnet werden müssen.

Zuletzt werden die verdichteten Daten noch mit externen Daten angereichert unddamit „die gefilterten, harmonisierten und teilweise aggregierten Daten um funk-tionale Aspekte erweitert“ [KF06, Seite 125].

Laden

Nachdem die extrahierten Daten angereichert in hoher Qualität sowie in der ge-wünschten Struktur vorliegen, werden sie entweder direkt in das Data Warehou-se geladen oder zunächst – je nach Architektur des BI-Systems – noch zwischen-gespeichert. Sobald die neuen Daten ins Data Warehouse geladen wurden, müs-sen die darauf aufsetzenden Systeme aktualisiert werden, um ab sofort die aktu-ellen Ergebnisse liefern zu können. Beim Laden ist besonders wichtig, dass diesschnell und ressourcenschonend vonstatten geht, da keine parallelen (Analyse-)Prozesse behindert werden dürfen. Es ist deshalb ein besonderes Merkmal einesData Warehouse, in kurzer Zeit große Datenmengen verarbeiten zu können.

3.5 Das Data Warehouse

„A data warehouse is a subject oriented, integrated, non-volatile, andtime variant collection of data in support of managements decisions.“[IH96, Seite 33]


Das Data-Warehouse-Konzept ist der Versuch, der nahezu unüberschaubaren undstetig steigenden Datenflut Herr zu werden und „die Qualität, die Integrität unddie Konsistenz des zugrunde liegenden Datenmaterials“ [Muk06, Seite 129] sicher-zustellen. „Der Fokus [...] liegt auf der effizienten Bereitstellung und Verarbeitunggroßer Datenmengen für die Durchführung von Auswertungen und Analysen inentscheidungsunterstützenden Prozessen“ [Muk06, Seite 130]. Im Data Warehou-se werden die vormals heterogenen und verteilten „Daten völlig unabhängig vonden operativen Geschäftsprozessen in neue, logische Zusammenhänge gebracht“[KF06, Seite 130]. Die Struktur der gespeicherten Daten orientiert sich dabei aus-schließlich am jeweiligen Analysezweck.

An dieser Stelle ist es zunächst wichtig, sich der Unterschiede und Einschränkun-gen eines Data Warehouse verglichen mit einem transaktionalen Datenbank-Mana-gement-System (DBMS) bewusst zu werden, aus dem es ursprünglich hervorge-gangen ist. Während Letzteres das Modifizieren und Löschen von Daten erlaubt,sind diese Operationen im Data Warehouse nicht vorgesehen. Die gespeichertenDaten sind stattdessen gemäß Definition stabil, nicht flüchtig und historisiert, wasAnalysen über die Zeit ermöglicht. Weitere von Bauer/Günzel in [BG04] zusam-mengestellte Unterschiede sind in Tabelle 3.1 auszugsweise aufgeführt.

Weil die Daten im Data Warehouse redundant zu den Daten in den Datenquellengehalten werden, fungiert es als „Zwischenschicht zur Entkopplung von operati-ven und analytischen Systemen“ [Win00, Seite 128]. Diese strikte Trennung sorgtdafür, dass analytische Operationen keinen Einfluss auf die Performance der ope-rativen Systeme und der Vorsysteme haben.

Bei der Festlegung der Datenstruktur des Data Warehouse muss verhindert wer-den, dass Informationen über die Herkunft der Daten verloren gehen und späternicht mehr nachvollziehbar sind. Zu jedem Zeitpunkt muss klar sein, wie wel-che Kennzahlen zustande kamen. Dies ist ein weiterer Faktor dafür, dass ein Da-ta Warehouse immense Größenordnungen erreichen kann. Bei einer so gewaltigenDatenmenge stellt sich schnell die Frage der angemessenen Granularität. An dieserStelle prallen unterschiedliche Bestrebungen aufeinander. Während aus betriebs-wirtschaftlicher Sicht für die Genauigkiet und Detailierung der Analysen eine hohe


transaktional analytischFokus Lesen, Schreiben,

Modifizieren, LöschenLesen, periodischesHinzufügen

Transaktionsdauerund -typ

kurze Lese- undSchreibtransaktionen

lange Lesetransaktionen

Anfragestruktur einfach strukturiert komplexDatenvolumen ei-ner Anfrage

wenige Datensätze viele Datensätze

Datenquellen meist eine mehrereEigenschaften nicht abgeleitet,

zeitaktuell, autonom,dynamisch

abgeleitet, konsolidiert,historisiert, integriert,stabil

Anwendertyp Ein-/Ausgabe durchSacharbeiter

Auswertungen durchManager, Controller,Analysten

Antwortzeit ms - s s - min

Tabelle 3.1: Gegenüberstellung der Charakteristika von transaktionalen und analyti-schen Anwendungen [BG04, Seite 7ff]

Granularität von Vorteil ist, bedeutet es für den IT-Bereich erhöhten Speicherbedarfbedeutet und auch die Performance massiv beeinträchten kann. Aus diesem Grundwird in der Praxis auch eine mehrstufige Granularität eingesetzt. Dabei liegen ak-tuelle Daten zunächst sehr detailliert vor und werden mit zunehmendem Alter im-mer stärker verdichtet und aggregiert.

Um Performanceproblemen entgegenzuwirken, gibt es beim Data Warehousedas Konzept der Partitionierung. Dabei wird die gesamte Datenbasis in „kleine,physisch selbstständige Partitionen mit redundanzfreien Datenbeständen“ [Muk06,Seite 132] aufgeteilt. Für jede Analyse wird somit ausschließlich die wirklich benö-tigte Datenmenge vorgehalten, wodurch die Berechnungen beschleunigt werden.

3.5.1 Datenschemata

Werden für die Datenspeicherung relationale Datenbanken eingesetzt (vgl. Kapitel3.6.1), so muss sich der Anwender respektive Administrator bei der Einrichtung


des Data Warehouse auch noch Gedanken über die Art der Speicherung machen.Mit dem Starschema und dem Snowflake-Schema gibt es zwei Schemata, die esgegeneinander abzuwägen gilt. Daneben existieren auch noch Erweiterungen undVersuche, die Vorteile beider Schemata zu vereinen. Jedes Szenario kann grund-sätzlich mit beiden Schemata modelliert werden, Unterschiede gibt es dann bei derAnzahl von Tabellen und Relationen sowie beim Speicherplatzbedarf. Bei der Spei-cherung in multidimensionalen Datenbanken werden keine Datenschemata benö-tigt, hier erfolgt die Speicherorganisation automatisch und nach außen transparent.

(a) Star-Schema (b) Snowflake-Schema

Abb. 3.5: Star-Schema und Snowflake-Schema im direkten Vergleich (Quelle:www.2cool4u.ch via [Man08d])

Beim Star-Schema gibt es mit Fakten- und Dimensionstabellen zwei verschiede-ne Arten. Die Faktentabelle enthält die Kennzahlen, während in den Dimensions-tabellen „die qualitativen Daten zur Visualisierung von Dimensionen und Dimen-sionshierarchien des Würfels“ [Len08, Seite 24] enthalten sind. Zur Abbildung derBeziehungen existieren zwischen der Dimensionstabelle und den FaktentabellenFremdschlüsselbeziehungen. Durch die Abbildung von Dimensionshierarchien in-nerhalb einer Dimensionstabelle ist die Tiefe von Relationen zur Faktentabelle im-mer genau 1, weshalb die bildliche Darstellung einem Stern ähnelt. Schwachpunktdes Star-Schemas sind mögliche Redundanzen und daraus auftretende Änderungs-anomalien.

Mit jeweils einer Tabelle pro Hierarchiestufe wartet das Snowflake-Schema auf.Die Hierarchien werden durch Fremdschlüsselbeziehungen dargestellt und pro


Hierarchiestufe benötigt es aus diesem Grund eine weitere Tabelle. Da das Snowflake-Schema damit der 3. Normalform nach Boyce-Codd entspricht, werden Redundan-zen auf Kosten einer deutlich höheren Anzahl an Verbundoperationen vermieden.Durch die vollständige Beseitigung von Redundanzen verringert sich im Vergleichzum Star-Schema bei gleicher Aussagekraft der Speicherbedarf.

3.6 On-Line Analytical Processing (OLAP) und

Data Mining

Nachdem die Daten in standardisierter Form vorliegen, können sie für Auswer-tungen und Analysen herangezogen werden. Hierbei sind OLAP und im weiterenSinne Data Mining von Bedeutung.

3.6.1 Datenanalyse mit OLAP

Wenn es einen Begriff gibt, der scheinbar untrennbar mit dem Thema BusinessIntelligence verbunden ist, so ist dies sicherlich das On-Line Analytical Proces-sing, kurz OLAP. „OLAP ist in gewisser Weise die BI-Rechenmaschine“ [Sch06,Seite 23] und wird den Ad-hoc-Auswertungssystemen zugeordnet. Das 1993 vomDatenbanktheoretiker Edgar F. Codd vorgestellte Verfahren wurde zwei Jahre spä-ter durch die FASMI-Definition konsolidiert. Diese stellt Anforderungen an OLAP-Datenbanken, damit „Nutzern mit OLAP-Systemen ein schneller (Fast) analyti-scher (Analysis) Zugriff im Mehrbenutzerbetrieb (Shared) aufkontextrelevante multidimensionale betriebliche Informationen (MultidimensionalInformation)“[Man08c] möglich ist.

1. Fast – einfache Anfragen müssen innerhalb von fünf Sekunden bearbeitetsein, komplexen Abfragen werden maximal 20 Sekunden zugestanden

2. Analysis – es muss für den Anwender einfach, intuitiv und ohne Program-mieraufwand möglich sein, komplexe Anfragen an das System zu stellen

3. Shared – das System erlaubt den parallelen Zugriff mehrerer Benutzer


4. Multidimensional – die Daten sind nach diversen Kriterien und Dimensionenfilter- und betrachtbar

5. Information – OLAP-Datenbanken können ohne Einschränkung des Daten-volumens oder der Dimensionalität aus Daten Informationen generieren, fürden Nutzer bleibt die Datenherkunft transparent

Im Vordergrund steht bei OLAP die Durchführung komplexer Analysevorhabenund die Berichterstellung, wobei die Auswertungen dabei trotzdem flexibel undintuitiv und vor allem auch für technisch nicht versierte Benutzer bedienbar sind.Heute ist OLAP ein „Synonym für die abfrageoptimierte Verarbeitung für multi-dimensionale Datenstrukturen“ [Sch06, Seite 23]. Um die Daten aus unterschiedli-chen Perspektiven betrachten zu können, werden „die Daten [...] aus den Daten-quellen in einem multidimensionalen Datenwürfel zusammengefasst und dann inBerichten mit Tabellen und Grafiken präsentiert“ [Man08a]. Jede Dimension desWürfels (engl. Cube) kann man sich dabei räumlich als eine Achse vorstellen, wasaber die menschliche Vorstellungskraft ab der vierten Dimension übersteigt. Tech-nologisch ist die Dimensionalität nicht beschränkt und so sind theoretisch auchKonstellationen bis hin zum n-dimensionalen Hyperwürfel möglich.

(a) 3 Dimensionen (b) n-dimensionaler Hyper-würfel

Abb. 3.6: n-dimensionaler Hyperwürfel (Quelle: www.2cool4u.ch via [Man08d])

In komplexen, ressourcenhungrigen und langwierigen Aktionen werden die Da-tenwürfel in der Regel nachts befüllt, wobei an jedem Schnittpunkt der vorhan-denen Dimensionen ein direkter oder berechneter Wert eingefügt werden kann.


Das Ergebnis ist schließlich ein Datenwürfel, der sich mit Hilfe der von Report-Werkzeugen schnell durchsuchen lässt und insbesondere der Führungsebene Be-richte zur Verfügung stellt. Innerhalb des Datenwürfels kann beliebig recherchiertwerden, um die Datenmenge einzuschränken und zu strukturieren.

Abb. 3.7: RollUp und Drill-Down - Aggregierung und Aufschlüsselung der Daten (Quel-le: Lehrstuhl für Wirtschaftsinformatik, Universität Bamberg via [Man08c] )

Die meistgenutzten Funktionen sind das Aggregieren (Roll-Up) und Aufschlüs-seln (Drill-Down) der Daten und damit die Änderung der Aggregationsstufe. Da-durch lassen sich die Daten verdichten bzw. detaillierter darstellen. So lassen sichDaten in einer „Kosten“-Dimension bis hinunter zum Einzelbeleg aufschlüsseln.

Abb. 3.8: Slicing und Dicing in einem multidimensionalen Datenwürfel (Quelle: Lehr-stuhl für Wirtschaftsinformatik, Universität Bamberg via [Man08c] )

Um eine spezielle Sicht auf den Datenwürfel zu erhalten, gibt es das Slicing undDicing. Dabei werden Scheiben oder kleinere Datenwürfel aus dem gesamten Da-tenbestand herausgeschnitten, wie die Abbildung 3.8 veranschaulicht. Slicing ver-ringert dabei die Dimensionalität um 1, indem der Wert einer Dimension festgesetztwird. Weitere Einschränkungen gibt es in diesem Fall nicht. Beim Dicing hingegen


bleibt die ursprüngliche Dimensionalität erhalten, während die Datenmenge in-haltlich eingeschränkt wird, indem die Hierarchieobjekte verringert werden. Aufdiese Weise sind auch Berechtigungen abbildbar, wenn jeder Benutzer aussschließ-lich auf die für ihn relevanten Informationen Zugriff erhalten darf.

Abb. 3.9: Durch Pivotierung lässt sich die Perspektive auf Datenwürfel verändern (Quel-le: Lehrstuhl für Wirtschaftsinformatik, Universität Bamberg via [Man08c])

Darüber hinaus gibt es noch die Funktionen Pivotierung, Drill-Across und Drill-Through. Ersteres bezeichnet das Vertauschen der Dimensionen und damit die Ro-tation des Würfels, um eine andere Sicht auf die Daten zu erhalten. „Der ‚DrillAcross‘ erweitert die horizontalen Recherchemöglichkeiten, indem er den Wechselzwischen Hypercubes ermöglicht“ [Man08c], um beispielsweise Wertketten übermehrere Datenwürfel hinweg zu bilden. Voraussetzung hierfür ist die gleiche Gra-nularität der zu verbindenden Würfel. Zu guter Letzt lässt der Drill-Through denAbsprung in detailliertere Datenquellen zu. Dabei muss es sich nicht zwangsläufigum Datenwürfel handeln, auch der Absprung in Vorsysteme ist möglich.

In der Praxis gibt es Unterschiede bzgl. der Abbildung von Beziehungen inner-halb von OLAP-Datenwürfeln, wobei sich folgende Konzepte durchgesetzt haben:

Relationales OLAP (ROLAP)

ROLAP-Systeme benutzen traditionelle relationale Datenbanksysteme und zeich-nen sich auch bei großen Datenmengen und vielen parallelen Nutzern durch ihreStabilität aus. Relationale Datenbanken haben schon vielfach ihre Leistungsfähig-keit bewiesen und gezeigt, dass sie in hohem Maße skalierbar sind, wenn die An-forderungen wachsen. Durch Normalisierung sind Redundanzen und Anomalien


vermeidbar, womit schließlich auch der Speicherplatzbedarf klein gehalten wer-den kann. Je nach Szenario wirkt sich bei ROLAP nachteilig aus, dass sehr vieleVerbundoperationen nötig sind, um die gewünschten Daten zu erhalten, was zeit-und lastintensive Operationen zur Folge hat.

Multidimensionales OLAP (MOLAP)

MOLAP verwendet bereits multidimensionale Datenbanken für die Speicherung,wobei proprietäre Lösungen von Spezial-Anbietern zum Einsatz kommen. DieseArt der Speicherung bietet eine gute Performance beim Zugriff auf multidimen-sionale Datenstrukturen, welche sich direkt in der Datenbank ablegen und ebensoschnell auslesen lassen. Insbesondere Aggregationen lassen sich auf diese Weisesehr schnell berechnen, da die zusammenzufassenden Daten bereits in der benö-tigten Granularität vorliegen. Die Performance-Vorteile erkauft man sich aber miteinem wesentlich höheren Speicherbedarf als bei der relationalen Variante.

Hybrides OLAP (HOLAP)

Diese letzte gängige Variante versucht die Vorteile von ROLAP und MOLAP zuverbinden und je nach Datenstruktur automatisch oder vom Nutzer bestimmt diejeweils besser geeignete Speicherart zu wählen. Um allerdings die optimale undstabile Kombination beider Konzepte zu erreichen, benötigt es eine sehr aufwendi-ge und damit auch fehleranfällige Architektur.

Memory Based OLAP

Eine noch relativ junge und noch nicht allzu weit verbreitete Variante stellt das„Memory Based OLAP“ dar. Wie die Bezeichnung schon vermuten lässt, werdenalle Daten im Arbeitsspeicher gehalten. Auf ein persistentes Data Warehouse wirddabei verzichtet. Wo früher die hohen Speicherpreise eine Hürde darstellten oderdie 32-Bit-Architektur die maximale Speichergröße frühzeitig begrenzte, gibt es inZeiten von 64-Bit-Architekturen nahezu keine Limitierungen mehr. Im Hauptspei-cher sind auch bei umfangreichen Daten sehr schnelle Berechnungen möglich. AlleAggregationen, Kennzahlen und Werte können, aufgrund der um den Faktor 1000niedrigeren Zugriffszeit gegenüber einer Festplatte, wesentlich schneller berechnet


werden. Die Studie Worldwide Business Intelligence Tools 2005 Vendor Shares aus demJahre 2006 bescheinigte dieser OLAP-Variante ein überdurchschnittliches Wachs-tum verglichen mit dem BI-Gesamtmarkt.

3.6.2 Vom Single-Cube zum Multi-Cube

Unabhängig vom verwendeten OLAP-Konzept werden i. d. R. einzelne unabhängi-ge Datenwürfel (Single-Cubes) gebaut. Es ist problemlos möglich mehrere Daten-würfel nebeneinander zu erstellen und diese parallel zu betreiben. Aber insbeson-dere bei komplexen Abfragen kommt es vor, dass Daten unterschiedlicher Würfelmiteinander in Verbindung gesetzt werden müssen. Anstatt in diesem Fall einensehr großen Datenwürfel zu bauen, der alle Merkmale und Inhalte der Einzelwür-fel mit integriert, ist auch die Nutzung eines sog. Multi-Cubes möglich.

Abb. 3.10: Der Multi-Cube setzt sich aus den Inhalten der Single-Cubes zusammen

Ein Multicube ist ein übergeordneter Datenwürfel, der selbst keine Daten enthält,sondern die Daten von Single-Cubes zusammenführt. Nach außen hin kann dieser„virtuelle“ Multi-Cube in der gleichen Weise abgefragt werden wie gewöhnlicheDatenwürfel. Intern definiert der Multicube lediglich über Zuordnungsregeln, inwelcher Weise die einzelnen Single-Cubes in Beziehung stehen. Bei späteren Ana-lysem kann die Abfrage an den Multi-Cube dann in einzelne Abfragen für die un-tergeordneten Würfel aufgeteilt werden.


Dieses Prinzip bringt in der Praxis vor allem bei großen Datenvolumina erhebli-che Vorteile. Neben der Speicherplatz-Einsparung, weil der Multicube physikalischnahezu keinen Speicherplatz beansprucht, verbessert sich auch die Performance.Dies hängt damit zusammen, dass die Abfragen auf den Single-Cubes parallelisiertund auf einem geringeren Datenvolumen durchgeführt werden.

3.6.3 Muster und Trends erkennen mit Data Mining

Während bei OLAP die Antwort auf eine spezielle Fragestellung oder eine definier-te Kennzahl gesucht wird, ist Data Mining nicht hypothesengetrieben. Die Bezeich-nung, die auf die Goldschürfer im Wilden Westen zurückgeht, impliziert bereitseine Suche. So geht es beim Data Mining um die „Entdeckung bislang unbekann-ter Informationen (Muster) in großen Datenmengen“ [NK05, Seite 78], um so nachMöglichkeit Wettbewerbsvorteile zu erlangen. „Dieser Vorgang der Informations-generierung [wird] auch ‚Wissensgenerierung‘ genannt“ [Sch06, Seite 28]. Trotz-dem hängt alles vom designierten Einsatzzweck ab, denn „Data Mining ist [nur]einer von mehreren Ansätzen zur Datenanalyse, der jedoch nicht für alle Problem-stellungen gleichermaßen gut geeignet ist“ [NK05, Seite 77].

Data Mining funktioniert datengetrieben und möglichst ohne subjektive Einflüs-se des Nutzers, um aus den vorhandenen Daten Hypothesen abzuleiten oder bisherunbekannte Zusammenhänge aufzudecken. Daraus und aus den gefundenen Mus-tern lassen sich im Idealfall Cross-Selling-Potentiale ableiten. Ein spezielles Szena-rio ist die Erkennung von Anomalien oder Betrugsverhalten (engl. Fraud Detection),was sonst in der unüberschaubaren Datenmenge untergeht. Ergebnisse des DataMining können auch im Churn Management Hinweise für die Gründe ungewohnthoher Kündigungsraten geben und so frühzeitig die Möglichkeit des Gegensteu-erns eröffnen, um weiteren finanziellen Schaden abzuwenden.

Data-Mining-Methoden sind „Berechnungsmodelle, d.h. die mathematische For-mulierung des Weges, um aus den Eingangsinformationen ein Ergebnis zu erzie-len“ [Sch06, Seite 33]. Beispielsweise als „Warenkorbanalyse“ – eine spezielle Aus-prägung der Assoziationsanalyse – sind diese Methoden schon vielfach im Einsatz.Beispielhaft sollen an dieser Stelle einige Methoden aufgeführt werden:


Assoziationsanalyse – Ziel ist die Ermittlung von Assoziationsregeln zur Auf-deckung von Cross-Selling-Potentialen, die aussagen, dass das Auftreten ei-nes Faktums mit einer gewissen Wahrscheinlichkeit ein anderes impliziert.

Cluster-Analyse – Objekte werden aufgrund ähnlicher Eigenschaften zu Gruppenzusammengefasst, diese Gruppen werden als Cluster bezeichnet.

Entscheidungsbäume – In einer Baumstruktur werden Pfade dargestellt, die dieWahrscheinlichkeit der Wahl der möglichen Optionen anzeigen.

Neuronale Netze – Auch wenn es sich ein wenig nach künstlicher Intelligenz an-hört, geht es darum, „eine vernetzte Struktur [zu] entwickeln, die dann beineuen, bis dato unbekannten Eingangsinformationen ein Ergebnis ableitet,das dem Lernmuster entspricht“ [Sch06, Seite 31]. Auf Basis einer Lernmen-ge werden aus Ein- und Ausgangsinformationen Zusammenhänge und As-soziationen ermittelt, um später auch aus neue Informationen die richtigenRückschlüsse ziehen zu können.

Die schon hinreichend angesprochene Datenqualität ist natürlich speziell beimData Mining von erfolgskritischer Bedeutung. Nur bei ausreichender Datenquali-tät und -menge sind sinnvolle Ergebnisse möglich. Da jede Methode ein speziellesProblem adressiert, liegt es in der Verantwortung des Nutzers, diese auch richtigeinzusetzen. „Die einzusetzende Methode muss exakt auf die Fragestellung undauf die Art der Daten passen, um werthaltig zu sein und ein verlässliches Ergebniszu liefern“ [Sch06, Seite 51]. Data Mining ist beispielsweise nicht geeignet, um eine„Annahme, Vermutung oder Theorie anhand verfügbarer Daten [zu] verifizierenoder falsifizieren“ [NK05, Seite 79], für die Hypothesenverifikation ist beispiels-weise OLAP das Mittel der Wahl.

3.7 Benutzerober�äche und Präsentation

Während der Bau der Datenwürfel auf Basis der Analyseansprüche aufgrund derKomplexität gerechtfertigterweise eine Aufgabe der IT-Abteilung oder entsprechen-der Experten ist, muss der Zugriff auf die Auswertungen und Analysen für Ge-schäftsführung und Management ohne große Technik-Affinität möglich sein. Oft


gibt es eine Art „Cockpit“, das die Unternehmenskennzahlen übersichtlich anzeigt.Wichtig ist eine schnelle und einfache Bedienung. Einstellungen, Änderungen vonKriterien, Drill-Ups bzw. Drill-Downs müssen ohne großen Aufwand und auchmöglichst intuitiv vorgenommen werden können, nachdem die grundsätzlichenStrukturen vom Administrator angelegt wurden.

Die Oberfläche für die Benutzer und insbesondere die Geschäftsleitung und dasManagement stellt zunächst einmal vorgefertigte Berichte zur Verfügung und er-lauben darüber hinaus deren tiefgehende Analyse und die Definition weiterer Fil-terkriterien oder Slicing und Dicing sowie Adhoc-Analysen. Alle Benutzeraktionenwerden transparent an das OLAP weitergereicht und schließlich die Ergebnisse an-gezeigt. Je nach gewählter Lösung bringt die Software eigene Frontends mit oderbenutzt auch Microsoft Excel für die Darstellung. Darüber hinaus müssen auch Ex-portmöglichkeiten bestehen, um die Kennzahlen und Auswertungen in Papierformoder als Bilder in Präsentationen mit in Besprechungen nehmen zu können.

Kapitel 7

Fazit und Bewertung

Diese Diplomarbeit hat die zahlreichen Schwächen der großen BI-Lösungen beimEinsatz in mittelständischen Unternehmen aufgedeckt und vor allem auch gezeigt,dass, ebenso wie auch schon bei der Einführung eines CRM, auch beim ThemaBusiness Intelligence die Gefahr besteht, die Software zu sehr in den Vordergrundzu stellen. Später müssten dann die Prozesse an die Software-Lösung anpasst wer-den, obwohl es eigentlich genau umgekehrt sein sollte. Diesem Idealansatz kommtlediglich die Kombination aus Talend und Cognos sehr nahe und weiß auch funk-tional zu überzeugen. Ob aber gerade in wirtschaftlich schweren Zeiten Investitio-nen in der Größenordnung von Cognos möglich sind, ist eine andere Fragestellung.Es erstaunte auf jeden Fall, wie ausgereift und umfangreich auch freie Software imBI-Bereich ist.

Zu unterscheiden ist an dieser Stelle ganz klar zwischen Großunternehmen unddem Mittelstand. In ersterem Fall ist es möglich, über einen längeren Zeitraumhinweg genaue Spezifikationen und Anforderungen zu erstellen, die dann bis zurendgültigen Nutzung in langer Programmierarbeit umgesetzt werden. Im HuberVerlag, aber auch in anderen Unternehmen des Mittelstands, ändern sich die Rah-menbedingungen und Ansprüche schneller, weshalb dieser ganzeinheitliche An-satz der Hersteller von BI-Lösungen und auch zahlreicher Dienstleister zunehmendals ungeeignet, zu unflexibel und zudem auch mit einem hohen finanziellen Risi-ko verbunden gesehen werden muss. Agilität und Flexibilität erlangen im HuberVerlag und mit Sicherheit auch in vielen anderen mittelständischen Unternehmeneine besondere Bedeutung. Die BI-Software muss anpassbar sein und sich mit demUnternehmen entwickeln.

92

Literaturverzeichnis

Ban06 Carsten Bange. Werkzeuge für analytische Informationssysteme. In: Pe-ter Chamoni / Peter Gluchowski (Hrsg.): Analytische Informationssysteme– Business-Intelligence-Technologien und -Anwendungen, S. 89–110. Springer-Verlag, Berlin, Heidelberg, 3. vollständig überarbeitete Auflage, 2006.

Bay08 Martin Bayer. Kunden-Management mit Branchenfunktionenund BI - Gartner: CRM-Geschäfte wachsen zweistellig. http:

//www.computerwoche.de/knowledge_center/office_tools/1862007,2008. Letzte Abfrage: 17. Oktober 2008.

BG04 Andreas Bauer / Holger Günzel. Data-Warehouse-Systeme – Architektur,Entwicklung, Anwendung. dpunkt.verlag, Heidelberg, 2. überarbeitete undaktualisierte Auflage, 2004.

DUH02 Wilhelm Dangelmaier / Matthias F. Uebel / Stefan Helmke. Grundrah-men des Customer-Relationship-Ansatzes. In: Matthias F. Uebel / Ste-fan Helmke / Wilhelm Dangelmaier (Hrsg.): Praxis des Customer Relati-onship Management: Branchenlösungen und Erfahrungsberichte, S. 3–16. Be-triebswirtschaftlicher Verlag Dr. Th. Gabler, Wiesbaden, 1. Auflage, 2002.

EFS+05 Norbert Egger / Jean-Marie R. Fiechter / Robert Salzmann / Ralf PatrickSawicki / Thomas Thielen. SAP BW Datenbeschaffung: Der ETL-Prozess mitStammdaten, Bewegungsdaten und Business Content in SAP BW 3.5. Grundla-gen. Galileo Press, Bonn, 1. Auflage, 2005.

Gen02 Peter Gentsch. Potentiale des CRM im Internet: eMarketing und Perso-nalisierung in der Praxis. In: Praxis des Customer Relationship Management:Branchenlösungen und Erfahrungsberichte, S. 111–134. Betriebswirtschaftli-cher Verlag Dr. Th. Gabler, Wiesbaden, 1. Auflage, 2002.

97

http://www.computerwoche.de/knowledge_center/office_tools/1862007

http://www.computerwoche.de/knowledge_center/office_tools/1862007


Ger08 Jürgen Gerdes. Kundenbindung durch Dialogmarketing. In: ManfredBruhn / Christian Homburg (Hrsg.): Handbuch Kundenbindungsmanage-ment, S. 445–463. Betriebswirtschaftlicher Verlag Dr. Th. Gabler, Wiesba-den, 2008.

GK08 Oliver Götz / Manfred Krafft. Erfolgreiche Implementierung von CRM-Strategien. In: Manfred Bruhn / Christian Homburg (Hrsg.): Hand-buch Kundenbindungsmanagement, S. 549–578. Betriebswirtschaftlicher Ver-lag Dr. Th. Gabler, Wiesbaden, 5. Auflage, 2008.

Ham08 Thomas Hamele. Die Zukunft von CRM - Aus CRM wird CMR“.http://www.crmmanager.de/magazin/artikel_1925-print_customer_

managed_relationships.html, 2008. Letzte Abfrage: 13. Oktober 2008.

Hol04 Heinrich Holland. CRM erfolgreich einsetzen - Warum Projekte scheitern undwie sie erfolgreiche werden. Businessvillage, Göttingen, 1. Auflage, 2004.

HS08 Christian Homburg / Frank G. Sieben. Customer Relatioship Mana-gement (CRM) - Strategische Ausrichtung statt IT-getriebenem Aktivis-mus. In: Manfred Bruhn / Christian Homburg (Hrsg.): Handbuch Kun-denbindungsmanagement, S. 501–528. Betriebswirtschaftlicher Verlag Dr. Th.Gabler, Wiesbaden, 5. Auflage, 2008.

HW06 Hajo Hippner / Klaus D. Wilde. Grundlagen des CRM - Konzepte und Gestal-tung. Betriebswirtschaftlicher Verlag Dr. Th. Gabler, Wiesbaden, 2. überar-beitete und erweiterte Auflage, 2006.

IH96 William H. Inmon / Richard D. Hackathorn. Using the Data Warehouse.John Wiley Sons, New York, 1. Auflage, 1996.

Ilt08 Iltis. Customer Relationship Management. http://www.4managers.de/

themen/customer-relationship-management, 2008. Letzte Abfrage: 10.Oktober 2008.

KF06 Hans-Georg Kemper / Ralf Finger. Transformation operativer Daten –Konzeptionelle Überlegungen zur Filterung, Harmonisierung, Aggrega-tion und Anreicherung im Data Warehouse. In: Peter Chamoni / Peter

http://www.crmmanager.de/magazin/artikel_1925-print_customer_managed_relationships.html

http://www.crmmanager.de/magazin/artikel_1925-print_customer_managed_relationships.html

http://www.4managers.de/themen/customer-relationship-management

http://www.4managers.de/themen/customer-relationship-management


Gluchowski (Hrsg.): Analytische Informationssysteme – Business-Intelligence-Technologien und -Anwendungen, S. 113–128. Springer-Verlag, Berlin, Hei-delberg, 3. vollständig überarbeitete Auflage, 2006.

KMU06 Hans-Georg Kemper / Walid Mehanna / Carsten Unger. Business Intel-ligence – Grundlagen und praktische Anwendung: Eine Einführung in die IT-basierte Managementunterstützung. Vieweg+Teubner, Wiesbaden, 2. ergänz-te Auflage, 2006.

Len08 Roland Lenz. Data Warehousing und Systeme. http://www.2cool4u.

ch/92_IT_Docs/2_business_it/6_datawarehouse/datawarehousing_

systeme_implementierung.pdf, 2008. Letzte Abfrage: 15. Oktober 2008.

Lev60 Theodore Levitt. Marketing Myopia. http://www.dallascap.com/pdfs/

MarketingMyopia.pdf, 1960. Letzte Abfrage: 20. Oktober 2008.

Man08a Klaus Manhart. Business Intelligence (Teil 4): BI-Analysemethoden OLAPData Mining. http://www.tecchannel.de/server/sql/1739309/, 2008.Letzte Abfrage: 27. Oktober 2008.

Man08b Klaus Manhart. Grundlagenserie Business Intelligence – BI-Datenmanagement (Teil 1): Datenaufbereitung durch den ETL-Prozess.http://www.tecchannel.de/server/sql/1746250/, 2008. Letzte Abfrage:14. Oktober 2008.

Man08c Klaus Manhart. Grundlagenserie Business Intelligence – BI-Methoden(Teil 1): Ad-hoc Analysen mit OLAP. http://www.tecchannel.de/

server/sql/1751285/, 2008. Letzte Abfrage: 27. Oktober 2008.

Man08d Klaus Manhart. Grundlagenserie Business Intelligence – Business Intel-ligence (Teil 3): Datenmodellierung Relationale und MultidimensionaleModelle. http://www.tecchannel.de/server/sql/1744994/, 2008. Letz-te Abfrage: 15. Oktober 2008.

Muk06 Harry Muksch. Das Data Warehouse als Datenbasis analytischer Informa-tionssysteme – Architektur und Komponenten. In: Peter Chamoni / Peter

http://www.2cool4u.ch/92_IT_Docs/2_business_it/6_datawarehouse/datawarehousing_systeme_implementierung.pdf



http://www.dallascap.com/pdfs/MarketingMyopia.pdf

http://www.dallascap.com/pdfs/MarketingMyopia.pdf

http://www.tecchannel.de/server/sql/1739309/






Gluchowski (Hrsg.): Analytische Informationssysteme – Business-Intelligence-Technologien und -Anwendungen, S. 129–142. Springer-Verlag, Berlin, Hei-delberg, 3. vollständig überarbeitete Auflage, 2006.

NK05 Peter Neckel / Bernd Knobloch. Customer Relationship Analytics.dpunkt.verlag, Heidelberg, 1. Auflage, 2005.

Sch06 Holger Schrödl. Business Intelligence mit Microsoft SQL Server 2005 – BI-Projekte erfolgreich umsetzen. Hanser Fachbuchverlag, München, 1. Auflage,2006.

SD06 Klaus-Dieter Schulze / Carsten Dittmar. Business Intelligence Reifegrad-modelle. In: Peter Chamoni / Peter Gluchowski (Hrsg.): Analytische In-formationssysteme – Business-Intelligence-Technologien und -Anwendungen, S.71–87. Springer-Verlag, Berlin, Heidelberg, 3. vollständig überarbeiteteAuflage, 2006.

SJ04 Rainer Schnauffer / Hans-Hermann Jung. CRM-Entscheidungen richtig tref-fen - Die unternehmensinterne Ausgestaltung der Anbieter-Kunden-Beziehung.Springer-Verlag, Berlin, Heidelberg, New York, 1. Auflage, 2004.

SL05 Kerstin Schaper-Lang. Customer Relationship Management (CRM) wirderfolgreich durch den Einsatz von Coaching. In: Ralph Berndt (Hrsg.): Er-folgsfaktor Innovation, S. 345–350. Springer-Verlag, Berlin, Heidelberg, NewYork, 1. Auflage, 2005.

SM04 Jörg Schumacher / Matthias Meyer. Customer Relationship Managementstrukturiert dargestellt - Prozesse, Systeme, Technologien. Springer-Verlag, Ber-lin, Heidelberg, New York, 1. Auflage, 2004.

Wik08 Wikipedia. Closed-Loop-Marketing – Wikipedia. http://de.wikipedia.org/wiki/Closed-Loop-Marketing, 2008. Letzte Abfrage: 10. Oktober2008.

Win00 Robert Winter. Zur positionierung und weiterentwicklung des data ware-housing in der betrieblichen applikationsarchitektur. In: Reinhard Jung /Robert Winter (Hrsg.): Data Warehousing Strategore – Erfahrungen, Method-ne, Visionen, S. 127–139. Springer Verlag, Berlin et al., 1. Auflage, 2000.

http://de.wikipedia.org/wiki/Closed-Loop-Marketing

http://de.wikipedia.org/wiki/Closed-Loop-Marketing


zTe08 zTeam. CRM: Analytisch oder operativ? http://www.zettwerk.com/

customer-relationship-management/crm-analytisch-oder-operativ,2008. Letzte Abfrage: 13. Oktober 2008.

http://www.zettwerk.com/customer-relationship-management/crm-analytisch-oder-operativ

http://www.zettwerk.com/customer-relationship-management/crm-analytisch-oder-operativ

Documents

Analytisches CRM im Bereich der Online-Medien · Abstract Especially during economically troubled times it becomes more and more import-ant for companies to pay attention to their