Abstrakt

1

Úvod

1.1	Vymezení zkoumané oblasti

1.2	Vymezení cíle práce

1.3	Metodika dosažení vytyčeného cíle

1.4	Struktura disertační práce

Část I. Úvod do personalizace

2	Koncepce personalizace

2.1	Definice a přirozenost

2.2

Geneze

2.3	Cíl, prostředky a předpoklady

2.4	Vztah ke customizaci

2.5

B2C a B2B

2.6

Mód

2.7	Vliv na životní cyklus zákazníka

2.8	Současný stav a zaměření

2.9	Techniky a nástroje

2.10	Aplikace v CRM procesech

2.10.1

Marketing

2.10.2

Prodej

2.10.3

Zákaznické služby

2.11

Profil

2.12	Omezení a výzvy

Část II. Personalizace prizmatem MDIS

3	Datová dimenze - práce s daty o cílových subjektech

3.1	Základní východiska

3.1.1

Plné vědomí cílového subjektu

3.1.2

Plná kontrola cílovým subjektem

3.1.3

Vyváženost a přidaná hodnota

3.2	Metody získávání dat

3.3

Druhy dat

4	Ochrana osobních údajů a soukromí - legislativní dimenze

4.1	Americký rámec ochrany soukromí

4.2	Rámec ochrany soukromí a osobních údajů v České republice

4.3	Nelegislativní nástroje - zájmová sdružení a standardy

5	SW dimenze

5.1	Komponenty personalizačního IS/IT

5.1.1

Zákaznická rozhraní

5.1.2

Integrovaný datový sklad a zákaznické profily

5.1.3

Business intelligence

5.1.4

Personalizační stroj

5.1.5

Content Management

5.2	Příklady specifických architektur

5.2.1

Podniková architektura IS/IT v sektoru baleného zboží

5.2.2

B2C automatizovaná personalizace na www založená na data miningu

5.2.3

P3P a architektura zabezpečující automatickou ochranu soukromí

5.3	Získání a provozování personalizačního IS/IT

5.3.1

Vlastní vývoj

5.3.2

Nákup

5.3.3

Outsourcing/ASP

5.4	E-business metriky spjaté s personalizací

5.4.1

Reklamní metriky

Náklady oslovení
Náklady akvizice
Náklady konverze
Čistý přínos
Míra připojení

5.4.2

Metriky životního cyklu zákazníků

Tvar trychtýře životního cyklu zákazníků

5.4.3

Personalizační vyspělost zákaznického rozhraní

Personalizační index
Personalizační kvocient

5.4.4

Další metriky

6	Manažerská a psychologická dimenze

6.1	Styl práce s informacemi - individuální úroveň

6.1.1

Vývoj

6.1.2

Přístup zaměřený na kognitivní styl

Nároky na integrovaný model

6.1.3

Přístup zaměřený na učení

Leitmotiv
Preference
Model
Ideál

6.1.4

Přístup zaměřený na osobnost - MBTI

Historie
Model MBTI

6.1.5

Celostní model stylu práce s informacemi

Východiska a ideologie
Stupeň vývoje ega

6.1.6

Metadimenze

6.1.7

Styl versus schopnost

6.1.8

Styl versus strategie

6.1.9

Nástroje měření

6.1.10

Interakce mezi styly

6.1.11

Styl, tvořivost a inovace

6.1.12

Omezení využití

6.2	Organizační úroveň

6.2.1

Organizační učení

6.2.2

Konkurenceschopnost a inovace

6.2.3

Styl a organizační klima

6.3	Národní úroveň

7	Realizace personalizačních potenciálů na paletě zákaznických rozhraních

7.1

Web

7.1.1

New York Times

7.1.2

FedEx

7.1.3

Další projekty

7.2	Mobilní zařízení

7.3

Telefon

7.4

IVR

7.5	Elektronická pošta

7.6	Tištěné materiály

7.6.1

Studie International School of Management, Dortmund

7.6.2

Projekt Union Gospel Mission of Seattle

7.6.3

Studie Rochester Institute of Technology

7.6.4

Studie negativního efektu personalizace na míru odezvy

7.6.5

Další projekty

7.7	Interaktivní televize

Část III. Závěry a shrnutí vědeckých a praktických přínosů

8	Závěry a shrnutí vědeckých a praktických přínosů

8.1	Proces vývoje modelu automatizované personalizace

8.2	Zacílení personalizace v B2C

8.2.1

Horizontální zacílení

8.2.2

Vertikální zacílení

Motivace
Styl práce s informacemi
Demografie
Lokace
Prostředek

8.2.3

Výsledné zacílení

8.3	Implikace pro zaměření stylu práce s informacemi

8.4	Aplikace metrik v oblasti personalizace

8.4.1

Základní reportovací systém

8.4.2

Sofistikovaný stupeň

8.4.3

Integrace

8.5	Příklad pilotního projektu v oblasti personalizace

8.5.1

Postup

8.5.2

Získávání informací

8.5.3

Měření úspěšnosti

Definice pojmů
Literatura a seznamy
Literatura
Seznam obrázků
Seznam tabulek

"3 Datová dimenze - práce s daty o cílových subjektech
Získávání a práce s daty o cílových subjektech je jedna z oblastí, kde se střetávají na straně uživatelů požadavky na ochranu osobních údajů a soukromí a na straně poskytovatelů služeb touha po co nejbohatším datovém profilu zákazníků a po možnosti s ním neomezeně operovat. I když by se její převážná část měla týkat legislativního rámce či dobrých obchodních mravů, v této části pojednáme o této oblasti obecně bez zřetele na specifika jednotlivých legislativních rámců, která budou předmětem následující kapitoly.
3.1 Základní východiska
Bez ohledu na specifický kontext ochrany soukromí a osobních údajů by se IS/IT systém a nad ním běžící obchodní model měl vypořádat se třemi základními východisky (vedle dalších, jako je např. ochrana fyzických dat). Jsou jimi transparence, kontrola a přidaná hodnota.
3.1.1 Plné vědomí cílového subjektu
Správná ochrana osobních údajů cílových subjektů zní: neshromažďovat žádné takové údaje bez explicitního souhlasu cílového subjektu. Na zatím legislativou či standardy nesvázaných trzích je možné slyšet o depersonalizačních prostředcích majících za cíl “ochránit” cílové subjekty před nevyžádanou personalizací, například skrze algoritmus zanechávající za sebou na internetu těžko dekódovatelný průběh skutečné transakce [Nash00]. Kdokoliv by chtěl personalizovat zkušenost cílového subjektu, který o ní nestojí, by si měl vzpomenout na ty okamžiky ve svém životě, kdy se s ním chtěl někdo nesympatický seznámit bez ohledu na odmítavé reakce. Tyto situace jsou v jistém ohledu totožné. “That kind of unsolicited personalization generates bad karma on at least two fronts: First, it increases customers' privacy concerns, and, second, it decreases customer trust“ [Nash00].
3.1.2 Plná kontrola cílovým subjektem
Musí být explicitně řečeno, které údaje budou shromažďovány a jak s nimi bude zacházeno (použití sdílení atd.). Rozumná personalizace se implementuje postupně přes volitelné doplňky (může se začít rozesíláním na míru šitého informačního bulletinu či customizací webové stránky) a vždy se kontrola předává do rukou cílového subjektu, který je za data odpovědný a který má všechna přístupová práva k údajům o své osobě, stejně tak jako o případných transferech k jiným subjektům.
3.1.3 Vyváženost a přidaná hodnota
Jak se však k údajům o cílovém subjektu dostat? Jde o to motivovat cílový subjekt, aby on sám měl důvod data poskytnout či poskytovat, nebo dát souhlas k jejich implicitní tvorbě a udržovat je v aktuální podobě. A jak navázat vztah z něhož bude plynout prospěch jak pro podnik tak pro cílový subjekt? V tomto ohledu je řešením poskytnout za data protislužbu, která vyřeší nějaký zákazníkův problém, poskytne výhodu či mu ušetří čas a energii.
3.2 Metody získávání dat
Pro zjišťování informací o zákaznících lze v zásadě použít tři způsoby:
 Explicitní dotaz (dotazník pro bankovní úvěr atd.),
 informační prostředník,
 implicitní přístup, např. vyvození závěrů z uložených dat o interakcích.
Vedle přímého dotazování v případě explicitní metody lze využít i skrytější formy, jakou je projekce na další objekt, který pak může sloužit jako uživatelův profil. Jeden z hezkých příkladů projekce je konfekce Land’s End (www.landsend.com), na jejichž webových stránkách si uživatel může vyzkoušet požadovaný model na figuríně, na niž projektuje své vlastní míry [Nash00] a tím tvoří nenásilně svůj profil.
Použitím metody vyvození závěrů z uložených dat o interakcích z logu, tedy z implicitně získaných dat, lze dosáhnout následujících výhod:
1) Cílový subjekt není nutno ohledně jeho dat kontaktovat,
2) data k profilaci jsou přitom objektivní (odpadá problém stylizace atd.),
3) a vždy aktuální.
Vedle využívání datové bohatosti logu jsou dalšími používanými automatickými metodami výše zmíněná výměna informací s internetovým prohlížečem, cookies, síťoví reklamní agenti jako DoubleClick aj.
3.3 Druhy dat
V samotné datové oblasti lze rozlišit celou škálu druhů dat sahajících od dat osobních, které jsou s to jednoznačně identifikovat cílový subjekt až po data anonymní, jež mají obecnou vypovídací schopnost. Konkrétní instance personalizačního modelu by v sobě měla zahrnout i informační význam jednotlivých druhů dat a uspořádat je do relevantního, dostatečně vypovídajícího datového schématu včetně označení jeho hranic. To je zapotřebí například i z legislativního hlediska, kdy pro různé druhy dat je nutné implementovat různé procedury pro zacházení s nimi a práce s některými daty může být i zapovězena (např. tzv. citlivé údaje v českém legislativním kontextu)."

Skvěle zpracovaná práce, která je doplněna i obrázky, grafy a tabulky.