Zusammenfassung
Dieses Kapitel setzt sich mit Customer Analytics auseinander. Unter Customer Analytics verstehe ich eine auf der Analyse von Kundendaten basierende Vorgehensweise, die auf die Gewinnung von Customer Insights abzielt. Bevor ich jedoch auf Customer Analytics eingehe, zeige ich mit dem von mir entwickelten Datenzyklus einen Rahmen auf, in den ein Unternehmen Customer Analytics einbetten kann (Abschn. 5.1). Der Datenzyklus beschreibt im Kern den Prozess der Datengewinnung, -verarbeitung sowie der Nutzbarmachung von Daten. In dem folgenden Abschnitt gehe ich auf die für das Verständnis notwendigen Grundlagen ein (Abschn. 5.2). Dies sind zum einen die datenbezogenen Grundlagen (Welche Daten stehen uns zur Verfügung?), wobei ich den Schwerpunkt auf Big Data lege, und zum anderen lege ich die Grundlagen zum Themenfeld KI, die eine wesentliche Voraussetzung für fortgeschrittene Analysemethoden in Zusammenhang mit Customer Analytics darstellt. Den Hauptteil dieses Kapitels bilden die vier unterschiedlichen, aufeinander aufbauenden Varianten von Customer Analytics (Abschn. 5.3).
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Anzumerken ist an dieser Stelle, dass der Bravais-Pearson-Korrelationskoeffizient nur für lineare Zusammenhänge Verwendung finden darf. Bei nicht linearen Zusammenhängen können die Ergebnisse irreführend sein. In diesem Fall sind andere Korrelationskoeffizienten wie beispielsweise der Spearman-Korrelationskoeffizient zu verwenden.
- 2.
Der Datensatz und erste Hinweise zur Umsetzung stammen von Kaggle (https://www.kaggle.com/code/ksarafrazi/linear-regression-e-commerce-customers?utm_source=pocket_saves).
- 3.
Anhang des Dokuments.
- 4.
Anhang des Dokuments.
- 5.
Anhang des Dokuments.
Literatur
Al-Mekhlal, M., & Ali Khwaja, A. (2019). A synthesis of big data definition and characteristics. In 2019 IEEE international conference on Computational Science and Engineering (CSE) and ieee international conference on Embedded and Ubiquitous Computing (EUC) (S. 314–322). IEEE. https://doi.org/10.1109/CSE/EUC.2019.00067
Amann, K., Petzold, J., & Westerkamp, M. (2020). Management und Controlling: Instrumente – Organisation – Ziele – Digitalisierung (3. Aufl.). Springer Gabler. https://doi.org/10.1007/978-3-658-28795-5
Apt, W., & Priesack, K. (2019). KI und Arbeit – Chance und Risiko zugleich. In V. Wittpahl (Hrsg.), Künstliche Intelligenz (S. 221–238). Springer Vieweg. https://doi.org/10.1007/978-3-662-58042-4_14
assono GmbH. (2022). Chatbot-Training: Was ist Overfitting und wie kann es vermieden werden? – Assonos Blog. https://www.assono.de/blog/overfitting. Zugegriffen am 05.09.2023.
Aunkofer, B. (2017). Maschinelles Lernen mit Entscheidungsbaumverfahren – Artikelserie. https://data-science-blog.com/blog/2017/02/13/entscheidungsbaumverfahren-artikelserie/. Zugegriffen am 05.09.2023.
Backhaus, K., Erichson, B., Gensler, S., Weiber, R., & Weiber, T. (2023). Multivariate Analysemethoden: Eine anwendungsorientierte Einführung (17. Aufl.). Springer Gabler. https://doi.org/10.1007/978-3-658-40465-9
Barbey, R. (2023). ChatGTP – Die Geschichte einer Künstlichen Intelligenz. o. O.: o.V. https://books.google.de/books?id=OEOwEAAAQBAJ. Zugegriffen am 01.10.2023.
Bundesministerium für Wirtschaft und Energie. (2019). Perspektiven der künstlichen Intelligenz für den Einzelhandel in Deutschland. https://www.bmwk.de/Redaktion/DE/Publikationen/Studien/perspektiven-kuenstliche-intelligenz-fuer-einzelhandel.html. Zugegriffen am 05.09.2023.
Bünte, C. (2018). Künstliche Intelligenz – die Zukunft des Marketing: Ein praktischer Leitfaden für Marketing-Manager. Springer Gabler. https://doi.org/10.1007/978-3-658-23319-8
Chang, H. (2019). Nicholas cage – Spurious pool savior? https://towardsdatascience.com/nicholas-cage-pool-saviour-9c13feafff6f. Zugegriffen am 14.09.2023.
Cisek, G. (2021). Machtwechsel der Intelligenzen: Wie sich unser Miteinander durch künstliche Intelligenz verändert. Springer Vieweg. https://doi.org/10.1007/978-3-658-31863-5
Cociancig, C. (o.J.). Künstliche neuronale Netze – Aufbau & Funktionsweise. JUST ADD AI GmbH. https://www.jaai.de/post/kuenstliche-neuronale-netze-aufbau-funktion. Zugegriffen am 07.09.2023.
ComputerWeekly. (o.J.). Prescriptive analytics. https://www.computerweekly.com/de/definition/Prescriptive-Analytics. Zugegriffen am 05.09.2023.
Cote, C. (2021). 4 types of data analytics to improve decision-making. Business Insights. https://online.hbs.edu/blog/post/types-of-data-analysis. Zugegriffen am 06.09.2023.
DataScientest. (2023a). Scala: Was ist diese Programmiersprache und wieso ist Python besser? https://datascientest.com/de/scala-was-ist-diese-programmiersprache-und-wieso-ist-python-besser. Zugegriffen am 05.09.2023.
DataScientest. (2023b). Python lernen: Werfen wir einen Blick auf diese beliebte Programmiersprache. https://datascientest.com/de/python. Zugegriffen am 05.09.2023.
De Florio-Hansen, I. (2020). Digitalisierung, Künstliche Intelligenz und Robotik: Eine Einführung für Schule und Unterricht. Waxmann.
Deobald, S. (2023). R – Programmiersprache & Umgebung. Compamind. https://compamind.de/knowhow/r-programmiersprache-umgebung/. Zugegriffen am 05.09.2023.
Edwards, J. (2021). Was ist Predictive Analytics? Computerwoche. https://www.computerwoche.de/a/was-ist-predictive-analytics,3549893. Zugegriffen am 05.09.2023.
Engelhardt, J.-F., & Magerhans, A. (2019). eCommerce klipp & klar. Springer Gabler. https://doi.org/10.1007/978-3-658-26504-5
Ertel, W. (2021). Grundkurs Künstliche Intelligenz: Eine praxisorientierte Einführung (5. Aufl.). Springer Vieweg. https://doi.org/10.1007/978-3-658-32075-1
Gartner. (o.J.). What is data and analytics: Everything you need to know. https://www.gartner.com/en/topics/data-and-analytics. Zugegriffen am 07.09.2023.
Hellbrück, R. (2016). Angewandte Statistik mit R (3. Aufl.). Springer Gabler. https://doi.org/10.1007/978-3-658-12862-3
IBM. (o.J.-a). Was ist der „k-nearest neighbors algorithm“? https://www.ibm.com/de-de/topics/knn. Zugegriffen am 05.09.2023.
IBM. (o.J.-b). Was ist logistische Regression? https://www.ibm.com/de-de/topics/logistic-regression. Zugegriffen am 05.09.2023.
Kronthaler, F. (2021). Statistik angewandt mit dem R Commander: Datenanalyse ist (k)eine Kunst (2. Aufl.). Springer Spektrum. https://doi.org/10.1007/978-3-662-63604-6
Kruse Brandão, T., & Wolfram, G. (2018). Digital Connection: Die bessere Customer Journey mit smarten Technologien – Strategie und Praxisbeispiele. Springer Gabler. https://doi.org/10.1007/978-3-658-18759-0
Lämmel, U., & Cleve, J. (2020). Künstliche Intelligenz: Wissensverarbeitung – neuronale Netze (5. Aufl.). Hanser.
Luber, S., & Litzel, N. (2019). Was ist eine Support Vector Machine? https://www.bigdata-insider.de/was-ist-eine-support-vector-machine-a-880134/. Zugegriffen am 05.09.2023.
Müller, A. C., & Guido, S. (2017). Einführung in Machine Learning mit Python: Praxiswissen Data Science. O’Reilly.
Nguyen, C. N., & Zeigermann, O. (2021). Machine Learning – Kurz & gut (2. Aufl., 1., korrigierter Nachdruck). O’Reilly.
OpenAI. (2023). GPT-4 technical report. https://cdn.openai.com/papers/gpt-4.pdf. Zugegriffen am 05.09.2023.
Peuker, A., & Barton, T. (2021). Empfehlungssysteme und der Einsatz maschineller Lernverfahren. In T. Barton & C. Müller (Hrsg.), Data Science anwenden (S. 85–100). Springer Vieweg. https://doi.org/10.1007/978-3-658-33813-8_6
Rashedi, J. (2020). Datengetriebenes Marketing: Wie Unternehmen Daten zur Skalierung ihres Geschäfts nutzen können. Springer Gabler. https://doi.org/10.1007/978-3-658-30842-1
Sibbertsen, P., & Lehne, H. (2021). Statistik: Einführung für Wirtschafts- und Sozialwissenschaftler (3. Aufl.). Springer Gabler. https://doi.org/10.1007/978-3-662-62696-2
Siebertz, K., Van Bebber, D., & Hochkirchen, T. (2017). Statistische Versuchsplanung (2. Aufl.). Springer Vieweg. https://doi.org/10.1007/978-3-662-55743-3
Simon, H. (2022). Die Inflation schlagen: Agil, konkret, effektiv. Campus.
statista. (2023). Volumen der jährlich generierten/replizierten digitalen Datenmenge weltweit von 2010 bis 2022 und Prognose bis 2027. https://de.statista.com/statistik/daten/studie/267974/umfrage/prognose-zum-weltweit-generierten-datenvolumen/. Zugegriffen am 07.09.2023.
Steinwendner, J., & Schwaiger, R. (2023). Neuronale Netze programmieren mit Python (2. Aufl., 2., korrigierter Nachdruck). Rheinwerk.
Stolzenberger, M. (2009). Empfehlungssysteme: Transparente Visualisierung im mobilen Umfeld. Diplomica.
Strecker, S. (1997). Künstliche Neuronale Netze: Aufbau und Funktionsweise. http://geb.uni-giessen.de/geb/volltexte/2004/1697/pdf/Apap_WI_1997_10.pdf. Zugegriffen am 01.09.2023.
Von Der Hude, M. (2020). Predictive Analytics und Data Mining: Eine Einführung mit R. Springer Vieweg. https://doi.org/10.1007/978-3-658-30153-8
Wierse, A., & Riedel, T. (2017). Smart Data Analytics: Mit Hilfe von Big Data Zusammenhänge erkennen und Potentiale nutzen. De Gruyter. https://doi.org/10.1515/9783110463958
Wilker, H. (2018). Statistische Hypothesentests in der Praxis (Bd. 1, 2. Aufl.). BoD, Books on Demand.
Wuttke, L. (o.J.). Predictive Analytics: Definition und Anwendungsbeispiele. Datasolut GmbH. https://datasolut.com/was-ist-predictive-analytics/. Zugegriffen am 06.09.2023.
Author information
Authors and Affiliations
Rights and permissions
Copyright information
© 2024 Der/die Autor(en), exklusiv lizenziert an Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Rashedi, J. (2024). Customer Analytics. In: Customer Insights. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-43392-5_5
Download citation
DOI: https://doi.org/10.1007/978-3-658-43392-5_5
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-43391-8
Online ISBN: 978-3-658-43392-5
eBook Packages: Business and Economics (German Language)