Elemente des Data-Driven MarketingsPredictive Analytics im Marketing 3: Volume.Velocity.Variety



Share on FacebookShare on Google+Tweet about this on TwitterShare on LinkedInEmail this to someonePrint this page

Big Data ist zum Buzzword geworden, und meinte ursprünglich mit „Big“ drei Dimensionen: Volume (Umfang, Datenvolumen), Velocity (Geschwindigkeit, mit der die Datenmengen generiert und transferiert werden) sowie Variety (Bandbreite der Datentypen und -quellen). Im letzten Abschnitt unserer kleinen Postserie geht es vor allem um die Variety, denn diese hat in den letzten Jahren enorm zugenommen. Datentypen, die es in dieser Form und Vielfalt früher nicht gab oder die gar nicht in den Fokus von analytischen Bestrebungen rückten: Freitexte (z.B.: Webseiteninhalte), Bilder, Videos, Audiodaten und – im Zeitalter mobiler Endgeräte und RFID-Technologie – zunehmend auch Geopositioningdaten von Menschen und Objekten, Feedbackdaten von Kunden z.B. auf Basis von Bewertungssystemen.

Also sind im Falle von Predictive Analytics mindestens folgende Aspekte zu berücksichtigen:

  • die Vielfalt und Andersartigkeit der heutigen und zukünftigen Datenquellen im Vergleich zu denen der Vergangenheit.
  • der heutige und zukünftige Bedarf an schnellen und angemessenen Aktionen und Reaktionen im Kundenkontakt ( = Notwendigkeit von automatisierten Entscheidungen auf der Basis von intelligenten Algorithmen).
  • grundlegende Strategien durch Data Mining untermauern, UND auf immer detaillierterer Ebene Prozesse optimieren, wodurch auch die Analysen immer stärker ins Detail der Daten, sogar in einzelne Transaktionen vordringen, wodurch die reine Aggregationen bedeutungslos wird.

Während das klassische „Database Marketing“ zumeist mit strukturierten Daten innerhalb von relationalen Datenbanken oder Flat Files arbeitet, brachten um die Jahrtausendwende herum zunächst CRM-Systeme neue Datenquellen mit sich: weitgehend technische „Logs“ aus Call Centern, Webshop, Analytics, und anderer Statistictools. Diese Informationen waren und sind für das Marketing Brot- und Butterdaten, da sie in Verbindung mit den Stamm- und Transaktionsdaten einen erheblichen Nutzen für das Verständnis von Kundenverhalten und die Erfolgskontrolle von Marketingaktionen (KPI) beinhalteten.

Das soziale Internet mit seinen Plattformen wie Facebook und Co. aber auch das produktbezogene Blogging und Influencermarketing bringen auch reine Textinformationen aus Blogs, Foren und sozialen Netzwerken. Das Besondere: diese Daten sind in der Regel nicht von unternehmenseigenen Systemen abhängig, sondern liegen frei im Internet, wo sie weitgehend uneingeschränkt für Analysen verfügbar sind.

Basis für jegliche Kampagnen mit dem Ziel von Cross oder Up Selling, Kündigerprävention, Neukundengewinnung oder Kundenrückgewinnung sind Modelle, die im Wesentlichen aus Kundenverhaltensdaten, Kundenattributen modelliert werden. Bei Kundenattributen handelt es sich im weitesten Sinn um soziodemografische Daten wie Adressinformationen, Alter, Status, etc., die um Segmentzuordnungen ergänzt werden.

So standen beim Kundenverhalten meist allein die konkreten Umsatzdaten im Vordergrund,  gruppiert nach Angeboten. Retouren, Rabatte, Bewertungen und andere auftragsbezogene Informationen ergänzten dieses verhaltensbasierte Profil.

Mit der Einführung von CRM-Systemen spielten vermehrt Daten zum Verlauf der Kundenbeziehung eine entscheidende Rolle: Art und Verlauf von Kundenkontakten über alle Kommunikationskanäle hinweg wurden interessant. Diese aus dem CRM Zusammenhang stammenden Daten spielten als erste Form von „Big Data“ eine immer wichtiger werdenden Rolle. Anfangs jedoch gab es nur wenige systematische Auswertungsansätze. Um Kommunikations-, Transaktions- und Stammdaten zu matchen, mussten also vielfach individuelle Lösungen gefunden werden.

Viele verfügbare Analysetools sind nicht wirklich effektiv. Denn sie sind entstanden, als die Welt in strukturierten Daten und Geschäftsprozessen funktionierte. Datenbankschemata wurden nicht dynamisch sondern statisch definiert. Dieser strukturierte technische Ansatz bot naturgemäß keine Zugriffsmöglichkeiten auf unstrukturierte Daten.

Insbesondere der analytische Zugang zu den semantischen Feinheiten, die in Blog- und Foreneinträgen eine Rolle spielen,  erfordert spezielle Tools, um Datenquellen zu erschließen.

Suchmaschinentechnologien sind Grundlage von BI-Lösungen geworden. Es steht zu erwarten, dass in den nächsten Jahren auch vermehrt Module aus Bildverarbeitung, Stimm- und Spracherkennung und vielen anderen Bereichen Eingang in Analyseinfrastrukturen finden werden. Mit dem Anspruch Daten quasi in Echtzeit zu analysieren und Ergebnisse ebenfalls „sofort“ bereitzustellen, werden noch sehr neue Ansätze des Datenstreamings relevant – ein interessantes Tool ist hier z.B.: Apache Flink

Andere dieser neuen Technologien beruhen auf parallel und verteilt ausgerichteten Architekturen wie etwa das sehr bekannte Apache – Hadoop. Optimierte Appliances – zumeist parallelprozessierende Hardware mit hoher Arbeitsspeicherkapazität – sinf erforderlich, um die Big Data Analytics Tools einzusetzen. Im OpenSource und StartUp Umfeld ist ein grandioses Biotop entstanden, was hochspezialisierte Big Data/Predictive Data/Data Mining Lösungen bietet, die sich individuell anpassen lassen. Dieser Markt ist derzeit extrem volatil, Unternehmen kommen und gehen, werden verkauft, gekauft und fusionieren – eine Landkarte zeigt die Vielfalt dieser Ansätze für das Jahr 2014

The Big Data Open Source Tools Landscape. https://datafloq.com/big-data-open-source-tools/os-home/

Auch im B2B-Geschäft sind Foren und Netzwerke wesentlicher Bestandteil von PR und Leadgenerierung einerseits, und Support- und Serviceangeboten andererseits geworden. Die verschiedenen Spielarten bieten vor allem ungeahnte neue Möglichkeiten der Gewinnung von Wissen über Kunden, die diese Informationen oft bereitwillig im Austausch für relevante Services preisgeben. Bei allen – teils noch nicht abschließend geklärten – kritischen Datenschutzaspekten liegen hier fraglos eine Unmenge Chancen zum Nutzen von Unternehmen wie Kunden. Zusammengefasst lässt sich also sagen, dass rein quantitative Daten wie z.B. Kundenumsätze immer noch eine Rolle spielen, aber ergänzt werden müssen um qualitative Daten, die sich aus dem Kunden Beziehungsmanagement ergeben. Um im Bilde zu bleiben, wären also folgende Fragen wichtig: Warum bringt der Kunde eigentlich diesen spezifischen Umsatz, gibt es andere Kunden bei denen es ähnlich ist? Wie genau interagieren die Kunden im Zusammenhang mit dem Unternehmen und den Produkten? Wo tauchen Beziehungen unter Kunden auf, die relevant sind für die weitere Qualifizierung verschiedener Kunden? Was wird der Kunde als nächstes unternehmen und wie können wir diesen Prozess umsatzorientiert flankieren?

Kleine Literaturauswahl:

  • Anderson, J.Q./Rainie, L. (2012): Big Data: Experts say new forms of information analysis
    will help people be more nimble and adaptive, but worry over humans’ capacity to
    understand and use these new tools well, online verfügbar:
    http://www.pewinternet.org/files/old-media/Files/Reports/2012/PIP_Future_of_Internet_2012_Big_Data.pdf, Washington DC.
  • Ariker, M. (2012): What you need to make Big Data work: The Pencil, in:
    McKinsey&Company (Hrsg.): Big Data, Analytics, and the future of Marketing & Sales,
    New York.
  • Armstrong, T./Barton, D./Claure, R.M./Rothkopf, D.J. (2012): Big Data: Before
    you start restricting it, be aware of all opportunities, The Wall Street Journal,
    online verfügbar: http://online.wsj.com/article/SB1000142412788732355
    1004578121142661609474.html
  • Arthur, L. (2013): Big Data Marketing: Engage your customers more effectively
    and drive value, Hoboken.
  • Bachmann, R./Kemper, G./Gerzer, T. (2014): Big Data – Fluch oder Segen?: Unternehmen
    im Spiegel gesellschaftlichen Wandels, Heidelberg u.a.
  • Bange, C./Grosser, T./Janoscheck, N. (2013): Big Data Survey Europe, online verfügbar:
    http://whitepaper.computerwoche.de/uploads/files/6d3831fe319ce6402e91659be
    255097c2ce8db59.pdf,  BARC-Institut, Würzburg.
  • Bitkom (2012): Big Data im Praxiseinsatz – Szenarien, Beispiele, Effekte,
    online verfügbar: https://www.bitkom.org/noindex/Publikationen/2012/Leitfaden/
    Leitfaden-Big-Data-im-Praxiseinsatz-Szenarien-Beispiele-Effekte/BITKOM-LF-big-data-2012-online1.pdf,
    Bundesverband Informationswirtschaft, Telekommunikation und neue Medien e.V.
  • Bloching, B./Luck, L./Ramge, T. (2012): Data Unser: Wie Kundendaten die Wirtschaft
    revolutionieren, München.
  • Bothun, D./Lieberman, M./Tipton, G. (2012): The speed of life: Consumer intelligence
    Series, online verfügbar: http://www.pwc.com/sg/en/tice/assets/ticenews201208/
    consumerintelligence201208.pdf, PricewaterhouseCoopers.
  • Boyd, D./Crawford, K. (2011): Six Provocations for Big Data, in: A Decade in Internet
    Time: Symposium on the Dynamics of the Internet and Society, online verfügbar:
    http://papers.ssrn.com/sol3/Papers.cfm?abstract_id=1926431, Oxford.
  • Brown, B./Chui, M./Manyika, J. (2011): Are you ready for the era of ‘big data’?, online
    verfügbar: http://www.mckinsey.com/insights/strategy/are_you_ready_for_
    the_era_of_big_data, McKinsey Global Institute.
  • Duffner, A./Henn, H. (2001): CRM: Verstehen, Nutzen, Anwenden! – Ein Leitfaden für
    Kundenorientierte Unternehmen, Würzburg.
  • Eaton, C./Deutsch, T./Deroos, D./Lapis, G./Zikopoulos, P. (2012): Understanding Big Data:
    Analytics for Enterprise Class Hadoop and Streaming Data, New York u.a.
  • Forbes insights (2013): The big potential of Big Data: A field guide for CMOS,
    online verfügbar: http://www.forbes.com/forbesinsights/big_data/
  • Franks, D./Ghatpande, S./Gupta, V./Ballou, S./Lesser, E./Nordman, C./Wing, M. (2012):
    Outperforming in a data-rich, hyper-connected world, Armonk.
  • Fraunhofer (2012): Big Data – Vorsprung durch Wissen: Innovationspotenzialanalyse,
    online verfügbar: https://www.iais.fraunhofer.de/(…)
  • George, G./Haas, M./Pentland, A. (2014): Big Data and Management, in: Academy of
    Management Journal, Nr. 57(2), S. 321-326, online verfügbar:
    http://dx.doi.org/10.5465/amj.2014.4002
  • Greenwald, G. (2013): NSA collecting phone records of millions of Verizon customers daily,
    The Guardian, online verfügbar: http://www.theguardian.com/world/2013/
    jun/06/nsa-phone-records-verizon-court-order
  • Hartmann, M./Zaki, M./Feldmann, N./Neely, A. (2014): Big Data for Big Business? A
    Taxonomy of Data-driven Business Models used by Start-up Firms, Cambridge Service Alliance.
  • Höcherl, A. (2014): Big Data im Dialog-Marketing: Hype oder Chance?, online verfügbar:
    http://www.sv-institut.de/dialogmarketing-studien/(…), Siegfried Vögele Institut.
  • Hoegg, R./Martignoni, R./Meckel, M./Stanoevska, K. (2005): Overview of business model
    for Web 2.0 communities, online verfügbar:
    https://www.alexandria.unisg.ch/publications/31411, abgerufen am 02.11.2014.
  • IDC (2012): Market Analysis : Worldwide Big Data Technology and Services 2012-2015
    Forecast, online verfügbar: http://www.idc.com/prodserv/FourPillars/bigData/index.jsp
  • Kiewell, D./Winkler, G. (2011): Getting to „the price is right“, in: McKinsey&Company
    (Hrsg.): Big Data, Analytics, and the future of Marketing & Sales, New York.
  • King, S. (2014): Big Data: Potential und Barrieren der Nutzung im Unternehmenskontext,
    Wiesbaden.
  • Kosinski, M./Stillwell, D./Graepel, T. (2013): Private traits and attributes are predictable from
    Digital records of human behavior, online verfügbar: http://www.pnas.org/content/110/15/5802.full
  • LaValle, S./Lesser, E./Shockley, R./Hopkins, M.S./Kruschwitz, N. (2011): Big Data,
    Analytics and the path from insights to value, in: MIT Sloan Management
    Review, Nr. 52, S.20-32, http://sloanreview.mit.edu/article/big-data-analytics-and-the-path-from-insights-to-value/
  • Leibowitz, J./Ungerman, K./Masri, M. (2012): Know your customers wherever they are,
    in: McKinsey&Company (Hrsg.): Big Data, Analytics, and the future of Marketing &
    Sales, New York.
  • Manyika, J./Chui, M./Brown, B./Bughin, J./Dobbs, R./Roxburgh, C./Byers, A.G. (2011):
    Big Data: The next frontier for innovation, competition, and productivity, online verfügbar: https://bigdatawg.nist.gov/pdf/MGI_big_data_full_report.pdf, McKinsey Global Institute.
  • Platt, J./Souza, R./Checa, E./Chabaldas, R. (2014): Seven ways to profit from Big Data as
    a business, online verfügbar: https://www.bcgperspectives.com/content/articles/information_technology_strategy_
    digital_economy_seven_ways_profit_big_data_business/,The Boston Consulting Group.
  • Sundsoy, P./Bjelland, J./Iqbal, A.M./Pentland, A./Montjoye Y.A. (2014): Big Data-Driven
    Marketing: How Machine Learning Outperforms Marketers’ Gut-Feeling, in:
    Social Computing, Behavioral-Cultural Modeling & Prediction Lecture Notes in
    Computer Science, Nr. 8393, S.367-374,
    http://link.springer.com/chapter/10.1007/978-3-319-05579-4_45
  • Turner, M./Barnola, J./Bäumer, U./Baumgartner, U./Boni, M./Ewald, K./Webber, M.
    (2012): The data gold rush: http://www.strategyand.pwc.com/reports/data-gold-rush
  • Walsh, G./Klee, A./Kilian, T. (2009): Marketing: Eine Einführung auf der Grundlage von Case
    Studies, Heidelberg u.a.
  • Weichert, T. (2013): Big Data. Eine Herausforderung für den Datenschutz, in:
    Geiselberger, H./Moorstedt, T. (Hrsg.): Big Data: Das neue Versprechen der
    Allwissenheit, Berlin
  • Zeus, Z. (2012): Welcome to the world of Big Data. New world problems, new world
    solutions:  http://www.bizcubed.com.au/wp-content/uploads/2012/07/bigdata_analytics_paper.pdf
Zusammenfassung
Elemente des Data-Driven Marketings
Titel
Elemente des Data-Driven Marketings
Abstract
Big Data ist zum Buzzword geworden, und meinte ursprünglich mit „Big“ drei Dimensionen: Volume (Umfang, Datenvolumen), Velocity (Geschwindigkeit, mit der die Datenmengen generiert und transferiert werden) sowie Variety (Bandbreite der Datentypen und -quellen). Im letzten Abschnitt unserer kleinen Postserie geht es vor allem um die Variety, denn diese hat in den letzten Jahren enorm zugeommen.
Autor
Kontext
GFU Cyrus AG
|