Fragestellungen, Ziele und Methoden im Data Mining. (Quelle: Barc)
Reporting: Basisfunktion ist der Aufbau eines Berichtswesens, das anhand von Kennziffern regelmäßig oder adhoc Antworten auf Geschäftsfragen geben kann. Technologische Grundlage ist für neue Installationen eine Web-Architektur zur Erzeugung, Verteilung und Darstellung der Reports.
Analyse: Mehrdimensionale Sichtweisen auf den Kunden, zum Beispiel nach Absatzkanälen, Absatzgebieten oder nach demografischen oder regionalen Gruppen ermöglichen die detailliertere Auswertung der anfallenden Daten. Werkzeuge mit Olap-Funktionalität (Olap = Online Analytical Processing) erlauben das freie Navigieren in diesen Daten mit Möglichkeiten der Verdichtung und des Detaillierens - alles ohne manuelle Generierung von Anfragen an die Datenbank, sondern direkt am Bildschirm und einfach zu bedienen. Kennzahlen sind dabei nahezu in Echtzeit abrufbar oder können automatisiert überwacht werden, damit wesentliche Entwicklungen den Entscheidungsträgern auf deren Ausgabemedien (Handy, Pager, E-Mail) direkt übertragen werden. In Form von analytischen Applikationen werden Datenstrukturen, Datenbeschaffungsroutinen und typische Auswertungen bereits vorgedacht und als Vorlagen mitgeliefert. Auf diese Weise sollen sich schnellere Implementierungszeiten realisieren lassen,
da Applikationen nur noch angepasst und nicht mehr komplett neu aufgebaut werden müssen.
Planung: Neben der Planung von Kampagnen und anderer operativer CRM-Prozesse sollte die CRM-Software auch in die Vertriebsplanung mit einbezogen werden. Eine Zielplanung, beispielsweise für Umsatz oder Absatz, benötigt unter anderem Kopier-, Verteil- oder Aggregationsfunktionen für Daten. Ferner sollte der Planungsprozess von den Werkzeugen unterstützt werden, da er häufig verteilt und rollierend abgewickelt wird.
Data Mining: Ausgebildete Spezialisten können mit fortgeschrittenen Verfahren der Statistik und künstlichen Intelligenz interessante Muster in Datenbeständen extrahieren, die ganz neue Erkenntnisse über den Kunden generieren können. Pure Rechenleistung und ausgeklügelte Algorithmen erlauben es heute, sehr große Datenbestände maschinell nach Zusammenhängen zu durchforsten. So können "natürliche" Kundensegmente, Modelle zur Klassifizierung von Kunden oder auch Abhängigkeiten in Warenkörben automatisiert gefunden werden.