Grundlagen Customer Relationship Management, Teil 2

Analytisches CRM: Methoden und Fallbeispiele

Das CRM Data Warehouse

Um aus den riesigen Datenmengen, die aus den Business-Prozessen über große Zeiträume hinweg anfallen, exakte Kundenprofile und Verhaltensprognosen herzuleiten, greift man beim professionellen CRM auf eine Data Warehouse Architektur zurück.

Ein Data Warehouse basiert auf Datenbank-Technologie und erfasst und speichert alle relevanten Daten systematisch über einen längeren Zeitraum. Die Informationen stammen direkt aus den Kundenprozessen im Front-End oder von Back-Office-Lösungen wie einem ERP-System. Konkret können das etwa Daten aus den Call Centern sein, aus Telefonkampagnen oder neuerdings auch aus elektronischen Handels-Plattformen wie Shop-Systemen.

Hinzu kommen noch Produktinformationen und externe Quellen wie soziodemografische Daten oder Daten von Mitbewerbern. Und schließlich werden in dem Daten-Pool auch Fakturierungs-, Versand- und Logistikdaten gespeichert sowie je nach Unternehmensausrichtung weitere Informationen.

In ihrer Rohform können diese Daten allerdings nicht als Ausgangsplattform für Analysen genutzt werden. Da sie von unterschiedlichen Nutzergruppen gepflegt werden, verteilten Datenbanken entstammen und untereinander nicht verknüpft sind, liegen die Rohdaten fehlerhaft, unvollständig und inkonsistent vor.

Vor der Auswertung müssen die inhomogenen Datenbestände deshalb bereinigt und in eine fehlerfreie, konsistente Datenbasis überführt werden. Diese Aktion wird in drei Schritten als so genannter ETL-Prozess vollzogen – Extract, Transform, Load. Das Vorgehen ist ausführlich in dem TecChannel-Beitrag „Datenaufbereitung durch den ETL-Prozess“ beschrieben.

Der ETL-Prozess: Die Rohdaten werden aus den verteilten Datenquellen extrahiert, bereinigt und in das Data Warehouse geladen.
Der ETL-Prozess: Die Rohdaten werden aus den verteilten Datenquellen extrahiert, bereinigt und in das Data Warehouse geladen.

Der ETL-Prozess übernimmt die Bereinigung und Transformation der operativen Daten und stellt sie im Data Warehouse für weitergehende Analysen bereit. Neben dieser Aufbereitung umfasst der Warehouse-Prozess die Datenhaltung, die Bereitstellung in kleineren, abteilungsbezogenen Einheiten, so genannten Data Marts, und schließlich auch Auswertungsmöglichkeiten wie OLAP-basierte Frontends. Über Data Warehouses informiert Sie im Detail ein eigener Artikel.