Das Kontextmarketing im mobilen Customer Relationship Management

Zusammenfassung Mobile Telekommunikationstechnologien verändern den Alltag, ihre Benutzer und die Geschäftswelt. Im Zuge der Mobilität haben die Nutzer von mobilen Übertragungstechnologien ein hohes Kommunikationsbedürfnis in jeglicher Situation entwickelt: Sie wollen überall und jederzeit kommunizieren und informiert sein. Dies ist auch darauf zurückzuführen, dass ein Wandel der Individualisierung – von der Person zur Situation – stattgefunden hat. Im Rahmen der Untersuchung gehen wir auf diese entscheidenden Veränderung ein und analysieren die Potenziale des Kontextmarketing im mobilen Customer Relationship Management anhand der Erringung von Wettbewerbsvorteilen durch Situationsfaktoren. Daneben zeigen wir mögliche Geschäftsmodelle und Wertschöpfungsketten auf. Abgerundet wird die Arbeit durch die Darstellung möglicher personenbezogener, technischer und rechtlicher Restriktionen.

Der Markt für Paket- und Expressdienste

Die Paket- und Expressdienste, als Teil logistischer Distributionssysteme, sind bedeutende Bestandteile unseres Wirtschaftssystems geworden. Nach der erfolgreichen Einführungsphase der Express- und Paketdienstleistung auf dem westeuropäischen Markt, Mitte der 1980-er, entwickelte er sich rasant bis zum Ende der 1990-er, mit teilweise zweistelligen Wachstumsraten. Doch nach Jahren des Booms sind die Paket- und Expressdienstleister im neuen Jahrhundert in einen Zeitabschnitt mit gedämpften Wachstumssteigerungen übergegangen. Der Markt zeichnet sich aus, durch immer kürzer werdende Laufzeiten, bei permanent sinkenden Preisen. Viele Anzeichen deuten darauf hin, dass sich die KEP-Branche auf dem Weg zur Marktreife befindet. Aufgrund dieser Entwicklungen, sind die Anbieter von Paket- und Expressdienstleistungen zunehmend gefordert, ihre Produkte auf Kundenorientierung zu überprüfen, sowie ihre Bindung zum Kunden in den Fokus zu stellen. Darin liegt der Ansatz der Dissertation. Mittels einer empirischen Erhebung wurden Kundenzufriedenheit, Kundenerwartungen und die daraus entstandene Kundenbindung der Verlader, den Einschätzungen der Paket- und Expressdienstleister gegenübergestellt. Die Marktstudie war offen für alle Nutzer und Anbieter von Paket- und Expressdienstleistungen. Die Arbeit lässt sich in drei grössere Themenbereiche unterteilen. Im ersten Themenbereich werden zunächst Grundlagen der Themen Logistik, Kundenzufriedenheit und Kundenbindung geschaffen. Für die Ermittlung der Kundenbindung wurde die Kundenzufriedenheit als wesentliche Determinante gewählt. Der zweite Themenbereich geht auf die aktuellen Probleme der Paket- und Expressdienstleister ein und erläutert, warum sich die Anbieter von Paket- und Expressdienstleistung verstärkt auf den Kunden ausrichten müssen. Im dritten Teil erfolgt die Herleitung der Thesen sowie die Darstellung der empirischen Ergebnisse. Den Abschluss dieses Abschnitts stellt dann die Verifizierung der Thesen, sowie die Erarbeitung von Handlungsempfehlungen auf der Grundlage der gewonnenen Erkenntnisse dar. Mit der Arbeit sollten im Markt für Paket- und Expressdienstleistung folgende Erkenntnislücken geschlossen werden: Zunächst wurde geklärt, wie Anbieter auf die veränderten Produktanforderungen der Kunden reagiert haben und in welchem Umfang die Nachfrager diese bereits nutzen. Ein weiterer zentraler Bereich klärt, wie zufrieden die Kunden dieses Segments mit ihren Dienstleistern sind und wie zufrieden die Anbieter ihre Kunden einschätzen. Außerdem weist die Marktanalyse auf der Grundlage der ermittelten Kundenzufriedenheit auf, wie hoch die Kundenbindung in diesem Markt ist. Der abschliessende Teil der Arbeit zeigt dann auf, aus welchen Gründen sich Kunden für oder gegen einen Dienstleister entscheiden und wo Kunden und Anbieter die grössten Potentiale sehen, die Geschäftsbeziehungen langfristig vertiefend auszubauen.

Die Business Community als CRM-Instrument unter besonderer Berücksichtigung von Business Intelligence Technologien

Das Management von Kundenbeziehungen hat sich in der klassischen Ökonomie unter dem Begriff »Customer Relationship Management« (kurz: CRM) etabliert und sich in den letzten Jahren als erfolgreicher Ansatz erwiesen. In der grundlegenden Zielsetzung, wertvolle, d.h. profitable und kreditwürdige Kunden an ein Unternehmen zu binden, kommen Business-Intelligence Technologien zur Generierung von Kundenwissen aus kundenbezogenen Daten zum Einsatz. Als technologische Plattform der Kommunikation und Interaktion gewähren Business Communities einen direkten Einblick in die Gedanken und Präferenzen der Kunden. Von Business-Communitybasiertem Wissen der Kunden und über Kunden können individuelle Kundenbedürfnisse, Verhaltensweisen und damit auch wertvolle (potenzielle, profilgleiche) Kunden abgeleitet werden, was eine differenziertere und selektivere Behandlung der Kunden möglich macht. Business Communities bieten ein umfassendes Datenpotenzial, welches jedoch bis dato für das CRM im Firmenkundengeschäft respektive die Profilbildung noch nicht genutzt wird. Synergiepotenziale von der Datenquelle "Business Community" und der Technologie "Business Intelligence" werden bislang vernachlässigt. An dieser Stelle setzt die Arbeit an. Das Ziel ist die sinnvolle Zusammenführung beider Ansätze zu einem erweiterten Ansatz für das Management der irmenkundenbeziehung. Dazu wird ein BIgestütztes CRM-Konzept für die Generierung, Analyse und Optimierung von Kundenwissen erarbeitet, welches speziell durch den Einsatz einer B2B-Community gewonnen und für eine Profilbildung genutzt wird. Es soll durch die Anbindung von Fremddatenbanken Optimierung finden: In den Prozess der Wissensgenerierung fließen zur Datenqualifizierung und -quantifizierung externe (Kunden-) Daten ein, die von Fremddatenbanken (wie z.B. Information Provider, Wirtschaftsauskunftsdienste) bereitgestellt werden. Der Kern dieser Zielsetzung liegt in der umfassenden Generierung und stetigen Optimierung von Wissen, das den Aufbau einer langfristigen, individuellen und wertvollen Kundenbeziehung unterstützen soll.

Statistical evaluation of texture analysis from the biocrystallization method

The consumers are becoming more concerned about food quality, especially regarding how, when and where the foods are produced (Haglund et al., 1999; Kahl et al., 2004; Alföldi, et al., 2006). Therefore, during recent years there has been a growing interest in the methods for food quality assessment, especially in the picture-development methods as a complement to traditional chemical analysis of single compounds (Kahl et al., 2006). The biocrystallization as one of the picture-developing method is based on the crystallographic phenomenon that when crystallizing aqueous solutions of dihydrate CuCl2 with adding of organic solutions, originating, e.g., from crop samples, biocrystallograms are generated with reproducible crystal patterns (Kleber & Steinike-Hartung, 1959). Its output is a crystal pattern on glass plates from which different variables (numbers) can be calculated by using image analysis. However, there is a lack of a standardized evaluation method to quantify the morphological features of the biocrystallogram image. Therefore, the main sakes of this research are (1) to optimize an existing statistical model in order to describe all the effects that contribute to the experiment, (2) to investigate the effect of image parameters on the texture analysis of the biocrystallogram images, i.e., region of interest (ROI), color transformation and histogram matching on samples from the project 020E170/F financed by the Federal Ministry of Food, Agriculture and Consumer Protection(BMELV).The samples are wheat and carrots from controlled field and farm trials, (3) to consider the strongest effect of texture parameter with the visual evaluation criteria that have been developed by a group of researcher (University of Kassel, Germany; Louis Bolk Institute (LBI), Netherlands and Biodynamic Research Association Denmark (BRAD), Denmark) in order to clarify how the relation of the texture parameter and visual characteristics on an image is. The refined statistical model was accomplished by using a lme model with repeated measurements via crossed effects, programmed in R (version 2.1.0). The validity of the F and P values is checked against the SAS program. While getting from the ANOVA the same F values, the P values are bigger in R because of the more conservative approach. The refined model is calculating more significant P values. The optimization of the image analysis is dealing with the following parameters: ROI(Region of Interest which is the area around the geometrical center), color transformation (calculation of the 1 dimensional gray level value out of the three dimensional color information of the scanned picture, which is necessary for the texture analysis), histogram matching (normalization of the histogram of the picture to enhance the contrast and to minimize the errors from lighting conditions). The samples were wheat from DOC trial with 4 field replicates for the years 2003 and 2005, “market samples”(organic and conventional neighbors with the same variety) for 2004 and 2005, carrot where the samples were obtained from the University of Kassel (2 varieties, 2 nitrogen treatments) for the years 2004, 2005, 2006 and “market samples” of carrot for the years 2004 and 2005. The criterion for the optimization was repeatability of the differentiation of the samples over the different harvest(years). For different samples different ROIs were found, which reflect the different pictures. The best color transformation that shows efficiently differentiation is relied on gray scale, i.e., equal color transformation. The second dimension of the color transformation only appeared in some years for the effect of color wavelength(hue) for carrot treated with different nitrate fertilizer levels. The best histogram matching is the Gaussian distribution. The approach was to find a connection between the variables from textural image analysis with the different visual criteria. The relation between the texture parameters and visual evaluation criteria was limited to the carrot samples, especially, as it could be well differentiated by the texture analysis. It was possible to connect groups of variables of the texture analysis with groups of criteria from the visual evaluation. These selected variables were able to differentiate the samples but not able to classify the samples according to the treatment. Contrarily, in case of visual criteria which describe the picture as a whole there is a classification in 80% of the sample cases possible. Herewith, it clearly can find the limits of the single variable approach of the image analysis (texture analysis).