Vorlesung
Semester: | Summer Term 2020 |
Lecturer: | Prof. Dr. Andreas Geyer-Schulz; |
Appointment: | Dienstag 15:45 - 17:15 |
Location: | 05.20 1C-01 |
SWS: | 2 |
Linked to: | Übung Analytisches CRM (Übung) Summer Term 2020 |
Participate
Content
Wichtige Hinweise
Entsprechend der Ankündigung von Herrn Prof. Alexander Wanner, Vizepräsident für Lehre und akademische Angelegenheiten des KIT, wird der Studienbetrieb am 20.04.2020 wieder starten, pünktlich zum geplanten Vorlesungsbeginn des Sommersemesters. Bis auf Weiteres wird es aber ausschließlich digitale Lehrangebote geben. Liebe Studierende, kommen Sie daher nicht zu Lehrveranstaltungen oder zum Lernen auf den Campus!Die KIT-Fakultäten und die zentralen Einrichtungen und Dienstleistungseinheiten und nicht zuletzt die Lehrenden tun momentan alles dafür, dass möglichst viele Lehrveranstaltungen im Sommersemester teilweise oder ganz online durchgeführt werden können.
Details zum Ablauf der Vorlesung und Übung (während der Corona-Maßnahmen):
- Alle Live-Sitzungen werden über Zoom abgehalten und über Ilias angekündigt. Details zum Zoom-Meeting werden in diesem Kurs bei der jeweiligen Sitzung (siehe Reiter "Inhalt") bekannt gegeben.
- Die Vorlesungseinheiten werden als Video aufgezeichnet und regelmäßig über Ilias bereitgestellt. Wir bieten regelmäßige Live-Fragestunden zu den Inhalten der letzten Wochen an. Diese Fragestunden finden zu den regulären Vorlesungszeiten statt (Dienstags, 15:45 Uhr). Die erste solche Live-Sitzung findet bereits nächste Woche statt um organisatorische Fragen zu klären.
- Die Übungen finden als Live-Sitzungen statt. Alle Termine finden zur regulären Zeit statt (Mittwochs, 11:30 - 13:00 Uhr). Die erste Übung findet am 29. April statt.
Alle Inhalte und aktuellen Informationen erhalten Sie im Ilias Kurs, begleitende Literatur hier auf der Webseite (Spalte "Literatur").
Übersicht
In der Vorlesung Analytisches CRM werden Analysemethoden und -techniken behandelt, die zur Verwaltung und Verbesserung von Kundenbeziehungen verwendet werden können. Wissen über Kunden wird auf aggregierter Ebene für betriebliche Entscheidungen (z.B. Sortimentsplanung, Kundenloyalität, ...) nutzbar gemacht. Voraussetzung dafür ist die Überführung der in den operativen Systemen erzeugten Daten in ein einheitliches Datawarehouse, das der Sammlung aller für Analysezwecke wichtigen Daten dient. Die nötigen Modellierungsschritte und Prozesse zur Erstellung und Verwaltung eines Datawarehouse werden behandelt (u.a. ETL-Prozesse, Datenqualität und Monitoring). Die Generierung von kundenorientierten, flexiblen Reports für verschiedene betriebswirtschaftliche Zwecke wird behandelt. Zwei Analyseverfahren der multivariaten Statistik bilden die methodische Basis, auf der zahlreiche Anwendungen des analystischen CRM aufbauen:- Clusteranalyse. Clusteranalyseverfahren werden zur Segmentierung von Märkten und Kunden eingesetzt und bilden die Grundlage für Personalisierung. Die Ergebnisse dienen einerseits als empirische Grundlage strategischer Marketingentscheidungen und andererseits für operative Zwecke im Rahmen der Vertriebssteuerung bzw. für innovative Kunden/Produktberatungsdienste.
- Regressionsanalyse. Regressionsmodelle werden häufig als Prognosemodelle eingesetzt. Prognosen reichen dabei von Umsatzprognosen oder Kundenwertprognosen bis zur Prognose von Kundenrisiken. Solche Prognosemodelle werden häufig zur Entscheidungsunterstützung bzw. -automation herangezogen.
Lernziele
Der Student ...- ... wendet die wesentlichen im analytischen CRM eingesetzten wissenschaftlichen Methoden (Statistik, Informatik) und ihre Anwendung auf betriebliche Entscheidungsprobleme verstehen und selbständig auf Standardfälle an.
- ... hat einen Überblick über die Erstellung und Verwaltung eines Datawarehouse aus operativen Systemen, versteht die dabei notwendigen Prozesse und Schritte und wendet diese auf ein einfaches Beispiel an.
- ... führt mit seinen Kenntnissen eine Standard CRM-Analyse für ein betriebliches Entscheidungsproblem mit betrieblichen Daten durch und leitet eine entsprechende Handlungsempfehlung begründet daraus ab.
- ... versteht den Modellbildungsprozess und setzt diesen mit Hilfe eines Statistikpaketes (z.B. R) zur Lösung von Anwendungsproblemen ein.
Weiteres
Möglicherweise nehmen Ihnen Download-Programme wie die Firefox Erweiterung DownThemAll Arbeit beim Herunterladen der Dateien ab.
Course material
Content | Author |
---|---|
Analytisches CRM: Einführung | Geyer-Schulz, Andreas |
Planung und Durchfuehrung einer Erhebung | Geyer-Schulz, Andreas |
Datenerhebungen mit Fragebögen | Geyer-Schulz, Andreas |
Fallstudie: Messung der Kundenzufriedenheit in der Produktentwicklung mit dem Kano-Modell | Geyer-Schulz, Andreas |
Analytisches CRM: Einführung Ökonometrie: Modellbildung | Geyer-Schulz, Andreas |
Das lineare Regressionsmodell: OLS und ML Schätzung | Geyer-Schulz, Andreas |
Das lineare Regressionsmodell: Testen, testen, testen! (TTT) | Geyer-Schulz, Andreas |
Das lineare Regressionsmodell: Modellanpassung und Wechselwirkungen: Multipler und partieller Regressionskoeffizent, inkrementeller Beitrag von Variablen | Geyer-Schulz, Andreas |
Marktsegmentierung | Geyer-Schulz, Andreas |
Clustering | Geyer-Schulz, Andreas |
Data Warehouse: Überblick und Konzepte | Geyer-Schulz, Andreas |
Data Warehouse: Anforderungsanalyse | Geyer-Schulz, Andreas |
Data Warehouse Modellierung | Geyer-Schulz, Andreas |
Data Warehouse ETL Prozess | Geyer-Schulz, Andreas |
Data Warehouse OLAP | Geyer-Schulz, Andreas |
Data Warehouse physikalische Optimierung | Geyer-Schulz, Andreas |
Analytisches CRM: Regression. Eine Karte für Modelle. GLM | Geyer-Schulz, Andreas |
Das lineare Regressionsmodell: Modellselektion und Information. | Geyer-Schulz, Andreas |
Kundenwert: Customer Life Time Value | Geyer-Schulz, Andreas |
R-Manuals, Tutorials und Beispielsammlung | Geyer-Schulz, Andreas |