Big Data Analytics im Marketing

Von Bastian Finkel und Dr. Marcus Dill

Ohne technische Hilfsmittel ist die Erkennung komplexer Zusammenhänge in großen Datenmengen nicht möglich, erst recht nicht in Echtzeit. Es verwundert daher auch nicht, wenn aus Sicht vieler Marketingleiter die Analyse von “Big Data” eine der zentralen Herausforderung der kommenden Jahre ist.

Marketing hat sich in den letzten beiden Jahrzehnten deutlich gewandelt. Wo es früher geprägt war vom Einsatz von Massenmedien und Massenmailings, um breite Käuferschichten von den Vorteilen eines Produkts zu überzeugen, da steht heute mehr und mehr der einzelne Kunde im Zentrum der Betrachtung. Ihn, sein Verhalten und seine Bedürfnisse zu verstehen – die viel zitierte 360°-Sicht auf den Kunden -, ist die Grundlage der Entscheidung, welches Produkt und welche Dienstleistung er über welchen der immer mehr verfügbaren Kanäle zu welchen Konditionen angeboten bekommt. Je präziser die Segmentierung von Kunden und die Prognose ihres Verhaltens, desto höher sind Kontakt- und Antwortraten und damit letztlich auch Abschlussquoten und Umsatz. Aber auch die Zufriedenheit und Loyalität steigt aufgrund geringerer „Dissonanzen“ durch „falsche“ Kundenansprache. Durch den fokussierten und erfolgreicheren Einsatz von Budgets und Ressourcen wird das Marketing zum wesentlichen Treiber für steigende Profitabilität.

Was sich so einfach liest, stellt jedoch in Wirklichkeit hohe Ansprüche an die Leistungsfähigkeit von IT-Systemen und an die Qualität von Datenanalysen. Trotz technologischer und organisatorischer Fortschritte sind die Herausforderungen nicht geringer geworden. Das Internet und die mittlerweile allgegenwärtigen mobilen Endgeräte wälzen sowohl den Konsumentenmarkt als auch die Systeme und Prozesse aller Firmen massiv um. Soziale Medien geben dem schon länger beobachtbaren Wandel der Machtverlagerung vom Produzenten zum Konsumenten neuen Schub und kehren das Verhältnis sogar endgültig um. Kunden stellen ganz neue Anforderungen an Produkte und Dienstleistungen eines Unternehmens. Sie erwarten aber auch intelligente, auf die eigenen Belange passende und zeitnahe Kommunikation.

Die Beschleunigung von Prozessen und ganzen Märkten erreicht ständig neue Dimensionen. Menge und Vielfalt von Daten, die für Analysen zur Verfügung stehen, ebenfalls. „Big Data“ zu analysieren, erfordert für viele Unternehmen einen Paradigmenwechsel, erst recht, wenn dies in Echtzeit erfolgen muss. Aber Big Data birgt eben auch Chancen. Nie gab es so viele wertvolle Informationen über Kunden und Märkte. Vorhersagen werden präziser, und Unternehmen können viel feinere, aber signifikante Zusammenhänge identifizieren und nutzen, Kundensegmente gezielter und schneller ansprechen. Produkte und Services lassen sich passgenau dem Bedarf von Kunden anpassen (Design to Value) und so deren Zufriedenheit deutlich steigern.

Customer Analytics – chancenlos ohne intelligente Computerprogramme

Menge, Vielfalt und Komplexität der heute verfügbaren Daten machen es menschlichen Analysten schon lange praktisch unmöglich, darin enthaltene Zusammenhänge zu identifizieren. Durch Betrachtung von Daten wirklich neue Erkenntnisse zu gewinnen, ist selbst dann äußerst unwahrscheinlich, wenn Muster vergleichsweise einfach sind. Es lassen sich bestenfalls Annahmen und Vermutungen gezielt überprüfen. Aber schon solche einfache hypothesengetriebene, konfirmative Analysen erfordern Werkzeuge, die die über Millionen Datensätze verteilte Information verwalten, sinnvoll aggregieren (Mittelwerte, Summen) und visualisieren (siehe Abb. 1). Dem Wachstum an Daten sind viele Werkzeuge für deskriptive Statistik und OLAP nicht mehr gewachsen.

Dies gilt auch zunehmend für die relationalen Datenbankenmanagementsysteme, die über die Jahrzehnte zum Rückgrat der IT aller größeren Unternehmen geworden waren, deren Grenzen jedoch für viele Zwecke, etwa im Kampagnenmanagement, erreicht scheinen. Viele Firmen gehen mittlerweile andere Wege, wenn sie beispielsweise trotz großer Datenmengen den Überblick über Verlauf und Erfolg ihrer Marketingaktionen behalten wollen.
Wenn in den Datenbergen dann auch noch bisher unbekannte Muster gesucht werden sollen (explorative Analysen), ist man ohne technische Hilfsmittel verloren. Selbst relativ einfache Zusammenhänge lassen sich durch einfaches Datenbrowsen nur zufällig finden. Werden die Muster komplexer, sind sie selbst für intelligenteste menschliche Analytiker und bei bester Softwareunterstützung zur Aggregation und Visualisierung der Daten praktisch unsichtbar.

Spätestens hier kommt das sogenannte Data Mining ins Spiel. Hinter dieser Gruppe von Analyseverfahren verbergen sich eine Vielzahl von Algorithmen und Methoden, die weitgehend autonom und automatisiert signifikante Zusammenhänge in großen Datenmengen aufspüren, aus denen sicher wiederum Prognosen für zukünftige Ereignisse ableiten lassen (Predictive Analytics). Moderne Verfahren sind durchaus in der Lage, auch Effekte zu erkennen, die sich aus dem Zusammenspiel von Dutzenden von Einflussfaktoren zusammensetzen. Und sie finden diese Muster in Grundgesamtheiten mit Zehntausenden von Variablen zu Millionen und Abermillionen von Datensätzen.

Dass die auf diese Weise gewonnenen Vorhersagemodelle nicht nur theoretischen Wert haben, weiß man im Marketing schon seit vielen Jahren, wo vielfältige Anwendungen für Data Mining existieren. Die im Database Marketing praxisüblichen Modelle zeigen oft eine erstaunliche Fähigkeit, das Verhalten von Kunden oder Märkten oder den Erfolg von Produkt- oder Dienstleistungsangeboten mit hoher Wahrscheinlichkeit vorherzusagen.

Big Data Analytics – mehr als ein Hype