FORSCHUNGSLEUCHTTURM
Responsive Media Experience (REMEX)
Prof. Dr. Arno Hitzges
FORSCHUNGSPROJEKT
Titel: AI4CRM
Data Analytics und AI basierte Optimierungen im Customer-Relationship-Management
Projektbeschreibung (Forschungsfragen, Vorgehen, erwartete Ergebnisse):
Die digitale Transformation führt fortlaufend zur Veränderungen einer Vielzahl von Technologien, Unternehmensprozessen und Nutzerverhalten. Basis dieser Transformation sind digitale Technologien wie soziale Netzwerke, kollaborative Arbeitsumgebungen und Trends die Geschäftsprozesse disruptiv verändern wie die Veränderung des Verkaufsprozesses eines Produktes hin zum allumfassenden Service. Ein User bzw. ein Kunde wird ein immer wichtiger Baustein eines Unternehmens. Er ist nicht mehr nur der reine Konsument, sondern auch Ideengeber, Produkttester und Qualitätssicherer [Penkert et al. 2010]. Die Stimme des Kunden ist wichtiger denn je und hat einen immer größeren Einfluss auf Unternehmen und deren interne Prozesse [Brown 1991; Wardman et al. 2013; Zhao et al. 2016; Qin et al. 2013].
Durch Social-Media-Kanäle, die große Verbreitung von Web-Analytics und die Kopplung dieser Daten mit modernen Customer-Relationship-Managementsystemen zu sogenannten Digital-Experience-Plattformen sowie die hohe Verbreitung verschiedener IoT-fähiger Endgeräte stehen heute mehr Daten denn je zu Verfügung. Im Zeitalter von Big Data gilt es für Unternehmen, die Informationen, die User online hinterlassen, zu sammeln und gezielt in ihrer Kommunikation und Ihren Businessprozessen zu nutzen.
Zahlreiche Tools und Plattformen für Business-Analytics und Artificial Intelligence basierte Modellbildungen sind im Markt verfügbar. Die Technologien sind ausgereift und die Daten sind inzwischen verfügbar. Diese Entwicklung hat Auswirkungen auf diverse Unternehmensprozess vom Marketing über die Produktentwicklung bis hin zum Kundenservice.
Ziel des Vorhabens ist die Entwicklung einer umfassenden Anwendungs-Methodik und eines durchgängigen technologischen Frameworks für den Einsatz und die Nutzung von Data Analytics und AI-Verfahren im Umfeld der wesentlichen CRM-Prozesse (Marketing, Vertrieb, Service) (AI4CRM).
Im Rahmen des Projektes AI4CRM zu bearbeitende Fragestellungen können in verschiedenen Teilprojekte gebündelt werden.:
Teilprojekt: Data Driven Marketing & Sales – Intelligente Optimierung der User Experience bei der Customer Journey
- Wie können mittelständische Unternehmen mit vertretbarem Aufwand zukünftig die Customer Journey steuern?
- Welche KPIs sollte eine Referenz-Scorecard zur optimalen Steuerung und zur Erfolgsmessung der Marketingmaßnahmen/Mittel entlang der Customer Journey für die Nutzung der Kanäle: Email-Mailings, Ads, Pressearbeit, Printmailings, Social Media bereitstellen?
- Welche Rolle können AI-basierte Kundenwertermittlungen dabei spielen?
- Inwiefern können Unternehmen zur Markensteuerung die Verfahren SEO und Social Listening nutzen?
- Wie ist der Status Quo der Forschung vs. dem Reifegrad bei Anwenderunternehmen
Teilprojekt: Data Diven Produktmanagement
- Welche Rolle spielen zukünftig Produktreviews- und Social-Media Statements für das Produktmanagement von mittelständischen Unternehmen?
- Welche Methoden existieren, mit deren Hilfe Kunden, Händler und Hersteller Fake-Reviews erkennen und filtern können und wie effektiv sind diese Methoden im praktischen Test?
- Wie kann eine systematische Sammlung, Analyse und Verwertung von produktbezogenem Content im WWW für das Produktmanagement von mittelständischen Unternehmen genutzt werden?
- Wie sind die in den Unternehmen etablierten Systemwelten (ERP, PIM, CRM, CMS) dabei zu nutzen?
- Ist es möglich die Nutzung User generierter Daten für zur Vorhersage zukünftige Servicebedarfe und zur Optimierung von Produktwartungen (z.B. bei Predictive-Maintenance-Szenarien) wirtschaftlich zu organisieren?
- Welche Rolle spielen kollaborative Arbeitsmethoden bei diesen Prozessen?
Laufzeit:
Bis Ende 2022
Betreuer:
Prof. Dr. Arno Hitzges, E-Mail: hitzges@hdm-stuttgart.de
Jens Grambau, Sabine Meyer
Fachrichtung, Studiengänge:
Wirtschaftsingenieurwesen Medien, Medieninformatik, Druck-/Medientechnik, Wirtschaftsinformatik, Online-Medien-Management
Notwendiges Vorwissen:
Datenbanken, Datenanalytics, Contentmanagementsysteme, Webprogrammierung, Statistik,
Literatur / weiterführende Links:
[1] B. Liu, Sentiment Analysis and Opinion Mining, San Rafael: Morgan & Claypool Publishers, 2012.
[2] D. Bättig, Angewandte Datenanalyse, Berlin Heidelberg: Springer Spektrum, 2015.
[3] D. Maynard und A. Funk, Automatic detection of political opinions in Tweets, 2011.
[4] GitHub, „#Lexikonbasierte Stimmungsanalyse,“ 3 10 2016. [Online]. Available:
https://github.com/Azure/azure-content-dede/blob/master/articles/machine-learning/machine-learning-r-csharp-lexicon-based-sentiment-analysis.md (. [Zugriff am 16 01 2019].
[5] Heydari, A.; Tavakoli, M.; Salim, N.: Expert Systems with Application - Detection of Fake Opinions using time
Series, Elsevier, 2016
[6] Hitzges A. & Schütz J. Marketing Management Systeme – eine Marktübersicht. Books on Demand GmbH, S.13.15. 2016.
[7] M. Taboada, J. Brooke, M. Tofiloski, K. Voll und M. Stede, „Lexicon-Based Methods for Sentiment Analysis,“ Association for Computational Linguistics, Nr. Volume 37, pp. 268-307, 2011.
[8] Mukherjee, A.; Venkataraman, V.; Liu, B.; Glance, N.: Fake Review Detection: Classification and Analysis of Real and Pseudo Reviews, University of Illinois at Chicago & Google Inc, 2013.
[9] Neugebauer, T. (2018). Digital Experience Plattform: Was ist das eigentlich? Abgerufen am 07.07.2018 von https://t3n.de/news/digital-experience-plattform-1077797/2/.
[10] N. Jindal und B. Liu, „Identifying Comparative Sentences in Text Documents,“ in Proceedings of the 29th Annual International ACM SIGIR Conference on Research & Development on Information Retrieval (SIGIR-06), Seattle, 2006.
[11] o.V. Mehr “Hilfreich“-Klicks für ihre Rezensionen. https://www.produkttester-werden.info/2016/05/18 /mehr-hilfreich-klicks-f%C3%BCr-ihre-rezension/, 2016, Einsichtnahme: 1. Mai 2018
[12] Plewa W. (2017). So erstellen Sie gute User Stories. Abgerufen am 10.05.2018 von https://www.business-wissen.de/artikel/scrum-so-erstellen-sie-gute-user-stories/.
[13] R. Remus, U. Quasthoff und G. Heyer, SentiWS – a Publicly Available German-language Resource for Sentiment Analysis, Leipzig: University of Leipzig, Natural Language Processing Department,2010.
[14] U. Waltinger, „GermanPolarityClues: A Lexical Resource for German Sentiment Analysis,“ Text Technology, Bielefeld University, Bielefeld, Germany, 2010.
[15] W. Medhat, A. Hassan und H. Korashy, „Sentiment analysis algorithms and applications: A survey,“ Ain Shams Engineering Journal, Nr. 5, pp. 1093-1113, 2014.