Für neue Kunden:
Für bereits registrierte Kunden:
Masterarbeit, 2012
60 Seiten, Note: 1,3
Literaturverzeichnis
Abkürzungsverzeichnis
A. Vorwort
B. Grundlagen des Kundenmanagement
I. Scoring
II. Kundendaten
III. Profiling
IV. Data-Mining
V. Kundendatenbank, Datawarehouse, CRM-Systeme
C. Möglichkeiten der Datengewinnung
I. Kundendialog
II. Internet
III. Kundenbindungs- und Rabattprogramme
IV. Primär- und Sekundärforschung
D. Ausgewählte Scoringverfahren der Kreditwirtschaft
I. Scoring durch Kreditinstitute
II. HaSpa - ein extremes Beispiel für Scoring
E. Kundenwertorientierte Scoringverfahren in der Versicherungswirtschaft
I. Scoring mittels Customer Lifetime Value (CLV)
II. Scoring mittels Kundensegmentierung
F. Abgrenzung zu weiteren Scoringverfahren in der Versicherungswirtschaft
I. Tarifierung
II. Hinweis- und Informationssystem - HIS
G. Scoring unter datenschutzrechtlichen Aspekten
I. Schutzbereich des Bundesdatenschutzgesetzes
1. Adressat
2. Datenverarbeitung
a. Erhebung
b. Verarbeiten
3. Personenbezogenes Datum
a. Anonymisierung
b. Pseudonymisierung
c. Besondere Arten von personenbezogenen Daten
II. Legitimation aufgrund Einwilligung nach § 4a BDSG
III. Legitimation nach § 28b BDSG
IV. Legitimation nach § 28 BDSG
1. Anwendungsbereich
2. Bestimmter Verwendungszweck
3. Erhebung beim Betroffenen
4. Voraussetzungen nach § 28 Abs. 1 S. 1 BDSG
a. Vertragsverhältnis nach § 28 Abs. 1 S. 1 Nr. 1
b. Interessenabwägung nach § 28 Abs. 1 S. 1 Nr. 2 BDSG
c. Interessenabwägung nach § 28 Abs. 1 S. 1 Nr. 3 BDSG
5. Zulässigkeit nach § 28 Abs. 2 BDSG
6. Weitere Einschränkungen
V. Legitimation nach §§ 28a und 29 BDSG
1. Datenübermittlung an HIS
2. Datenerhebung und -verarbeitung durch HIS
3. Erhebung der Scoredaten bei HIS
4. Zusammenfassung
VI. Verbot der automatisierten Einzelentscheidung nach § 6a BDSG
1. Schutzbereich
2. Bewertungsmerkmale
3. Rechtsfolge
4. Auskunftsrecht
H. Resümee
I. Aktuelle Gefahren des Scoring
II. Notwendiger Wandel im Verständnis des Datenschutzes .
Abbildung in dieser Leseprobe nicht enthalten
Abbildung in dieser Leseprobe nicht enthalten
Der Begriff „Scoring“ wird nicht nur in der Versicherungswirtschaft sehr weit gefasst. In Teil eins dieser Arbeit werden verschiedene in der Praxis eingesetzte Scoringverfahren näher erläutert und die in diesem Zusammenhang verwendeten betriebswirtschaftlichen Begriffe erklärt.
Schwerpunkt dieser Arbeit ist das Scoring von Kunden, deren einzelne Daten zu Kundenprofilen und Kundenwertanalysen verdichtet werden. Die Arbeit zeigt auf, welche Methoden die Unternehmen für Kundenscoring einsetzen und wie die Unternehmen an die dafür erforderlichen Daten kommen. Anhand von Beispielen wird veranschaulicht, wie Scoring in der täglichen Praxis funktioniert und angewendet wird und wie künftiges Scoring nach Wünschen der Unternehmen in Zukunft ausschauen wird.
Im zweiten Teil dieser Arbeit werden die Methoden des Kundenscoring im Hinblick auf das derzeit gültige Datenschutzrecht rechtlich überprüft und es wird diskutiert inwieweit Data Mining und Scoring-Verfahren der Unternehmen durch das geltende Datenschutzrecht erfasst sind.
Der Begriff "Scoring" stammt aus dem Englischen und bedeutet rechnen, einstufen, zählen, "Punkte machen". Der Begriff wird daher auch oft für Punktbewertungsverfahren verwendet. Als Scoring werden häufig systematische Verfahren bezeichnet, mit denen Wahrscheinlichkeiten für künftige Ereignisse berechnet und Entscheidungen objektiv unterstützt werden können. Solche Verfahren spielen heutzutage in vielen alltäglichen Bereichen wie der Medizin, bei Versicherungen, bei Wetterprognosen, bei InternetSuchmaschinen und im Kreditgeschäft eine Rolle.
Das Prinzip des Scorings ist nicht neu. Die Wurzeln liegen in den USA und gehen bis in die Zeit vor dem Ersten Weltkrieg zurück. Ende der 50er Jahre wurde das erste elektronische Scoring-System entwickelt. In Europa hat das Thema Scoring bereits in den Siebziger Jahren Einzug gehalten.
Eine häufige Anwendung ist das so genannte Kreditscoring. Dieses Verfahren wird eingesetzt, um das Verhalten von Kunden und damit verbundene Chancen und Risiken bei jeder Art von Kreditgeschäften bereits im Vorfeld einschätzen zu können und schnell und unkompliziert abzuschließen.1
Die Idee, die allen Scoring-Verfahren zugrunde liegt, lässt sich wie folgt beschreiben:2
Personen werden mit einer Reihe von Kriterien bzw. Merkmalen beschrieben Diesen Merkmalsausprägungen werden numerische Werte zugeordnet Anschließend erfolgt eine vorher festgelegte Gewichtung der Merkmalswerte Die Summe der Merkmalswerte wird berechnet Das Ergebnis daraus ist der Score-Wert Der Begriff „Scoring“ wird allerdings nicht nur in der Versicherungswirtschaft sehr weit gefasst. Eine einheitliche Beschreibung für den Begriff „Scoring“ ist nur schwer zu finden. Häufig werden auch die Begriffe „Profiling“ oder „Data-Mining“ mit „Scoring“ gleichgesetzt. In den folgenden Kapiteln werden diese beiden Begriffe jedoch davon abgegrenzt.
Für jedes dieser Verfahren werden Kundendaten verarbeitet.
Kundendaten bilden die spezifischen Merkmale von Kunden ab. Aus den Kundendaten entstehen Kundeninformationen, sobald diese in einen Kontext gebracht werden. Werden die Kundeninformationen mit einem Kundendatenmanagement verbunden, entsteht Kundenwissen.3Im Kundendatenmanagement wird dieses Wissen erhoben, verarbeitet und genutzt.
In der betriebswirtschaftlichen Literatur werden die unterschiedlichen Daten häufig in Identifikationsdaten, Deskriptionsdaten, Daten der Kaufhistorie und Daten der Kommunikationshistorie eingeteilt.4 Identifikationsdaten sind Namens-, Adress- und Kontaktdaten. Es sind produktunabhängige Daten, die durch operative Geschäftsprozesse nicht verändert werden.
Bereits mit diesen Daten sind erste Analysen möglich. So können beispielsweise Analysen über die Vornamen auf das Geschlecht, das ungefähre Alter und die Nationalität schließen. Eine Analyse der Postleitzahl kann Erkenntnisse über das Wohnumfeld und damit über den sozialen Status des Kunden und sein Kaufverhalten bringen. Dazu zählen auch Haushalts- und Gebäudestrukturdaten (z. B. Haushaltsart, Gebäudetyp, Gebäudegröße) und Daten zur Mikrogeographie (z. B. Bildungsniveau, Alters- und Berufsstruktur).
Deskriptionsdaten beschreiben den Kunden (z.B. Alter, Geschlecht, Familienstand, soziale Schicht, Kaufkraft). Im Kontakt mit dem Kunden entstehen weitere Daten. Daten der Kontakthistorie sind sämtliche kauf- und kommunikationsspezifischen Aktions- und Reaktionsdaten. Daten der Kaufhistorie bilden das Transaktionsverhalten des Kunden ab (z.B. Zahlungsgewohnheiten, Beanstandungen).
Werden Kundendaten in einem Profil zusammengefasst, kann man umfangreiche Aussagen über den Kunden treffen.
Ein Kundenprofil entsteht, wenn über die Zusammenführung von einzelnen Kundendaten hinaus auch weitere Erkenntnisse, z. B. aus zusätzlichen Quellen, über den Kunden erhoben und zu einem Abbild seiner Persönlichkeit zusammengeführt werden. Es kommt auf eine Sammlung von Daten und auf eine eindeutige Zuordnung von diesen zu einem Individuum an. Unternehmen nutzen Kundenprofile als Ausgestaltungsgrundlage für den Einsatz von Marketinginstrumenten. Die Bildung und Nutzbarmachung von Kundenprofilen wird als Profiling bezeichnet.5
Im Rahmen der Profilbildung wird versucht über die Summe der Einzeldaten hinaus neue und weitergehende Informationen über die betroffene Person zu erhalten. Die ursprünglichen Daten werden nicht nur gesammelt, sondern auf ein bestimmtes Ziel hin inhaltlich verknüpft und ausgewertet. So können die Persönlichkeit eines Menschen, sein Verhalten, seine Interessen und Gewohnheiten vorhersehbar gemacht werden.6
Ein Kundenprofil entsteht beispielsweise, wenn die Kunden mit den Nicht-Kunden eines Unternehmens verglichen werden und dann mithilfe von statistischen Verfahren diejenigen Merkmale identifiziert werden, die beide Gruppen voneinander trennen. Es wird auch dann von Profiling gesprochen, wenn einzelne Kunden basierend auf ihrem Kundenprofil in unterschiedliche Gruppen eingeordnet werden. Bestimmte Kriterien, die den einen Kunden charakterisieren, werden dabei zur Identifikation anderer Kunden mit ähnlichen Präferenzen als ausreichend betrachtet.7
Der englische Begriff Data-Mining bedeutet wörtlich „aus einem Datenberg etwas Wertvolles extrahieren“.
Unter Data-Mining versteht man die systematische Anwendung von meist statistisch-mathematischen Methoden um bestimme Muster zu erkennen. Oft werden sehr große Datenbestände untersucht, die nicht mehr manuell verarbeitet werden könnten. Hierfür sind edvunterstützte Methoden notwendig.
In der Praxis, vor allem im deutschen Sprachgebrauch, etablierte sich der angelsächsische Begriff „Data-Mining“ für den gesamten Prozess der so genannten Knowledge Discovery in Databases („Wissensentdeckung in Datenbanken“), der auch Schritte wie die Vorverarbeitung beinhaltet, während Data-Mining eigentlich nur den Analyseschritt des Prozesses bezeichnet.
Sämtliche Kundendaten, die ein Unternehmen besitzt, werden regelmäßig in einer Kundendatenbank gesammelt und verwaltet. Die Kundendatenbank ist eine elektronische Sammlung von Kundendatensätzen, die in einem logischen Zusammenhang stehen. Damit kann das Unternehmen eine Kundendatenanalyse betreiben und so die operativen Geschäftsprozesse unterstützen. Kundendatenbanken werden in transaktionsorientierte und analyseorientierte Kundendatenbanken eingeteilt.8Die transaktionsorientierte Kundendatenbank soll Mitarbeitern im Kundenkontakt helfen, möglichst individuell auf den Kunden zuzugehen. Eine analyseorientierte Kundendatenbank soll eine ganzheitliche Betrachtung des Kunden ermöglichen. Hierfür werden alle Kundendaten aus den unterschiedlichen transaktionsorientierten Kundendatenbanken des Unternehmens und aus weiteren Quellen in eine gemeinsame Datenbank zusammengeführt. Bei dieser Datenbank spricht man vom sogenannten Data Warehouse.
Die Customer-Relationship-Management-Systeme, kurz CRM- Systeme, sind vom Data Warehouse zu unterscheiden. Mit einem CRM-System sollen allen bestehenden Kundendatenbanken abgelöst werden, die evtl. parallel in Marketing, Vertrieb und Service vorhanden sind. In beiden Ansätzen geht es um die Zusammenführung aller Kundendaten und der Ablösung von Insellösungen. Dem Data Warehouse liegt jedoch eine strategische Sichtweise zu Grunde, dem CRM-System eine operative Sichtweise. Durch ein CRM-System soll eine Datenbasis geschaffen werden, auf die alle Unternehmensbereiche zugreifen können. Hierdurch soll eine ganzheitliche Sicht des Kunden entstehen und eine differenzierte Kundenansprache ermöglicht werden.9
Kundendaten fallen, wie schon erwähnt, bereits während der normalen Geschäftstätigkeit jedes Versicherungsunternehmens an, im Dialog mit dem Kunden.
Insbesondere Außendienst- und Vertriebsmitarbeiter erhalten umfassende Einblicke in den Kunden und sein Umfeld. Im Versicherungsbereich werden bereits vor dem Abschluss des Versicherungsvertrages umfassende Daten erhoben, die für die Einschätzung des Risikos und die Tarifierung des Versicherungsvertrages notwendig sind. Kunden müssen, insbesondere in der Personenversicherung, umfangreiche Daten von sich preis geben, etwa den Gesundheitszustand.
Aber auch jegliche Reaktion auf die Marketing-Aktivitäten des Unternehmens enthalten Kundendaten. Die Unternehmen erfahren durch die Reaktion des Kunden, ob er sich für bestimmte Themen interessiert oder nicht.
Kunden hinterlassen vielfältige Spuren im Internet. Auf unternehmenseigenen Seiten können Identifikationsdaten (z. B. über die Registrierung für einen Newsletter) wie auch Deskriptionsdaten (z. B. Verweildauer, Meinungsäußerungen) erfasst werden. Beim Zugang über mobile Endgeräte wird auch eine Erhebung von Standortdaten möglich, über die der Kunde lokalisiert werden kann.
Zu unterscheiden ist zwischen reaktiven und nicht-reaktiven Erhebungsverfahren. Beim reaktiven Erhebungsverfahren gibt der Kunde wissentlich seine Identifikations- und Deskriptionsdaten an. Der Kunde gibt diese in Kontaktformulare ein um damit bestimmte
Vorgänge zu erledigen. Bei nicht-reaktiven Erhebungsverfahren geht es um die technische Beobachtung der Kunden. Zu nennen sind hier insbesondere Logfiles und Cookies. Durch die ständige fortschreitende technologische Entwicklung entstehen laufend weitere nicht-reaktive Erhebungsverfahren.
Unter Logfiles sind die Protokolldateien eines Servers zu verstehen, in denen alle Zugriffe von Kunden auf die Internetseiten eines Unternehmens aufgezeichnet werden.10 Aus den Daten eines Logfiles können beispielsweise über die IP-Adresse die Nationalität des Nutzers oder aus den Daten über das Betriebssystem technische Angaben zu Programmen und Einstellungen des Nutzers gewonnen werden. Durch Logfiles ist es im Übrigen möglich, den Weg des Kunden beim Navigieren durch die Internetseiten eines Unternehmens nachzuvollziehen. Aus der Länge der Verweildauer und der Reihenfolge der Aufrufe können persönliche Interessen abgeleitet werden.11
Cookies sind Textdateien, die von einem Unternehmen auf dem Rechner des Kunden gespeichert und abgerufen werden können, um spätere Besuche auf der Internetseite des Unternehmens zu identifizieren.12
Aufgrund der zunehmenden Bedeutung und technologischen Entwicklung gelangt das Internet auch außerhalb des eigenen Internetauftritts als Quelle der Datenerhebung an Bedeutung. Für eine Erhebung von Kundendaten kommen vor allem Social bzw. Business Networks in Frage. Hier werden in den gängigen Seiten ca. 100 personenbezogene Daten preis gegeben.13 Es können z.B. Beziehungen zu anderen Nutzern, Fotos und Videos eingesehen werden.
[...]
1 http://www.scoring-wissen.de/de/wasistscoring/wasistscoring.jsp (zuletzt aufgerufen am 25.02.2012, 15:00 Uhr)
2Simitis -Ehmann, § 28b, Rn. 39.
3Vgl. Dous/Salomann/Kolbe/Brenner, S. 118-120.
4Vgl. Hipper/Leber/Wilde, absatzwirtschaft, S.20, Hipper/Leber/Wilde, IT-Systeme, S. 163-164.
5Walter, S. 16-17.
6Simitis -Scholz, § 6a, Rn. 22.
7Walter, S. 16-17.
8Bauer/Günzel, S. 8-11, Chamoni/Gluchowski, S. 13-15.
9Diller/Haas/Ivens, S. 53-58.
10Vgl. Buxel, S. 61-63, 91-92, Eifert, S. 138-141, Müller, S. 46-51.
11Engelbrecht, S. 128-129.
12Buxel, S. 72-76, Eifert, S. 142.
13Speck 2009, S. 30-35.
Bachelorarbeit, 106 Seiten
Diplomarbeit, 196 Seiten
Forschungsarbeit, 119 Seiten
Bachelorarbeit, 106 Seiten
Diplomarbeit, 196 Seiten
Forschungsarbeit, 119 Seiten
Der GRIN Verlag hat sich seit 1998 auf die Veröffentlichung akademischer eBooks und Bücher spezialisiert. Der GRIN Verlag steht damit als erstes Unternehmen für User Generated Quality Content. Die Verlagsseiten GRIN.com, Hausarbeiten.de und Diplomarbeiten24 bieten für Hochschullehrer, Absolventen und Studenten die ideale Plattform, wissenschaftliche Texte wie Hausarbeiten, Referate, Bachelorarbeiten, Masterarbeiten, Diplomarbeiten, Dissertationen und wissenschaftliche Aufsätze einem breiten Publikum zu präsentieren.
Kostenfreie Veröffentlichung: Hausarbeit, Bachelorarbeit, Diplomarbeit, Dissertation, Masterarbeit, Interpretation oder Referat jetzt veröffentlichen!
Kommentare