7 Messung von Webkennzahlen mit der unscharfen Logik | Web Analytics

7 Messung von Webkennzahlen mit der unscharfen Logik

Abbildung 6: a) scharfe und b) unscharfe Klassifikation von Onlinekunden

 

 

 

 

 

 

 

 

 

 

 

 


Abbildung 6: a) scharfe und b) unscharfe Klassifikation von Onlinekunden

Die Abbildung 6a zeigt eine scharfe Kundenklassifikation anhand der beiden Kennzahlen Online-Umsatz und Treue. Die Treue wird hier gemessen anhand der Kauffrequenz der Kunden. Die beiden Kennzahlen werden in Äquivalenzklassen unterteilt: Beim Umsatz wird der Wertebereich von 0 bis 1000 Euro halbiert und zwei Klassen gebildet, entsprechend auch zwei Treueklassen.

Im Kundenbeziehungsmanagement ist es üblich, die Kunden anhand ihres vergangenen Kaufverhaltens oder anhand anderer Kriterien der Markt- und Kundensegmentierung zu bewerten. Sollen die Kunden entsprechend ihrem Markt- und Ressourcenpotenzial behandelt werden [Edvinsson & Malone 1997], so müssen sie klassifiziert werden, um beispielsweise je nach Klasse definierte Kundenansprachen oder Kundenbindungsprogramme zu ermöglichen.

Bei scharfen Kundensegmenten wie in Abbildung 6a werden alle Kunden in einer Klasse gleich behandelt. Dies führt zu Konflikten: So besitzen z.B. Becker & Huber einen ähnlichen Umsatz und zeigen ein ähnliches Treueverhalten. Trotzdem werden sie in einer scharfen Segmentierung unterschiedlich klassifiziert, denn Becker gehört zur Premiumklasse C1 und Huber zur Verliererklasse C4.

Zusätzlich wird der topgesetzte Schweizer gleich behandelt wie Becker, da beide zur gleichen Klasse C1 gehören. Schweizer ist der profitabelste Kunde mit ausgezeichnetem Ruf, wird aber vom Unternehmen nicht entsprechend seinem Kundenwert wahrgenommen. Die hier exemplarisch aufgezeigten Konfliktsituationen im Web Controlling können entschärft oder eliminiert werden, falls unscharfe Kundenklassen gebildet werden.

Die Abbildung 6b illustriert eine unscharfe Kundenklassifikation, wobei für die Webkennzahl Umsatz die beiden Zugehörigkeitsfunktionen μ groß für einen Umsatz zwischen 500 und 1000 Euro und μ klein für einen Umsatz unter 500 Euro gewählt wurden. Analog werden die beiden Zugehörigkeitsfunktionen μ positiv und μ negativ für eine Treue top oder gut, respektive schwach oder schlecht eingeführt.

Während in einer scharfen Klassifikation ein Kunde nur genau einer Klasse angehören kann (in Abbildungen 6a z.B. Huber 100% zu C4), kann er in einer unscharfen Klassifikation mehreren Klassen gleichzeitig angehören (z.B. Huber: 35% zu C4, 32% zu C2, 17% zu C3 und zu 16% zu C1 in Abbildung 6b). Die Prozentanteile errechnen sich anhand der Zugehörigkeitsfunktionen und des Gamma-Operators [Zumstein & Hugi 2010, S. 52]. Die Berechnung der Zugehörigkeiten erfolgt automatisiert mit dem Toolkit fCQL (fuzzy Classification Query Language) oder mit einem Tabellenkalkulationsprogramm und wird direkt übernommen.

Die Definition unscharfer Kundenklassen erlaubt, der Individualisierung des elektronischen Massenmarktes, dem Mass Customization besser gerecht zu werden. Zudem ermöglicht dies dem Kundenbeziehungsmanagement Differenzierungen vorzunehmen, die den individuellen Kundenwert berücksichtigen, aber gleichzeitig standardisiert sind.


Fazit

Jede Analyse und Bewertung von Webdaten, Kennzahlen und KPIs im Web Analytics geht mit deren Klassifikation einher (zum Beispiel "viele Seitenzugriffe", "hohe Konversionsraten" oder "hoher Online-Umsatz"). Bisher wurden solche Klassifikationen und Segmentierungen immer mit trennscharfen Klassen durchgeführt, was jedoch das Risiko ungenauer Einschätzungen oder Fehlklassifikationen in sich birgt. Dank der unscharfen Klassifikation können diese Probleme entschärft und die Metriken exakt anhand ihrer Werte bewertet werden. Die Komplexität und die Datenflut in Web-Analytics-Systemen kann ohne Informationsverlust reduziert werden, wobei die Abfragen mit Begriffen der natürlichen Sprache erfolgen können.