Marketing Analytics – Daten analysieren, Kunden gewinnen

0

Marketing-Analytics_DashboardDaten sind das neue Öl. Sie helfen Unternehmen, im Markt erfolgreich zu sein. Als Nutzer verschiedener IT-Anwendungen erzeugen wir permanent Daten: Jeder Einkauf in einem Online-Shop, jeder Klick in einem Online-Game, jede Aktivität in sozialen Netzwerken erzeugt neue Daten. Man spricht hier von Big Data: Die traditionellen IT-Systeme geraten an ihre Grenzen oder haben Schwierigkeiten, die stark wachsenden Datenberge zu speichern und zu verarbeiten.

Bedeutung von Big Data für Business Intelligence
Mehr Informationen über Kunden resultieren in einer besseren, maßgeschneiderten Kundenansprache sowie in effizienten und effektiven Marketingmaßnahmen. Durch die Analyse der verfügbaren, marketingbezogenen Daten ist es beispielweise möglich, die Zielgruppen von Kampagnen leichter zu identifizieren. Ein wesentlicher Vorteil von Big Data-Technologien für Marketingentscheider ist die hohe Verfügbarkeit auswertbarer Daten: Onlinehops, Websites, soziale Medien und natürlich CRM-Systeme liefern eine Fülle an Informationen, aus denen sich wichtige Erkenntnisse ziehen lassen. Basierend auf diesen Datenquellen kann man beispielsweise Click- und Conversion-Raten zur Optimierung des eigenen Webcontents ableiten.

Marketing-Dashboard (Quelle: Webdetails)

Abbildung 1: Marketing-Dashboard (Quelle: Webdetails)

Auch Muster des Käuferverhaltens sind so erkennbar. Analysiert man zum Beispiel, wie Kunden sich vor einer Kündigung verhalten, lassen sich daraus Handlungsempfehlungen ableiten, die die Abwanderung attraktiver Kunden verhindern. Abbildung 1 zeigt, wie die Analyse verschiedener Marketingkampagnen aussehen kann.

Business Intelligence im Marketing
Dem Management und den Fachbereichen liefern Business Intelligence-Systeme wichtige Analysewerkzeuge und Kennzahlen für Entscheidungsprozesse. Gegenüber Excel-basierten Datenauswertungen bieten BI-Anwendungen, neben ihren analytischen Funktionalitäten, mehrere Vorteile bezüglich Datenqualität, Skalierbarkeit und nutzergerechter Aufbereitung:

  • Integration von Daten aus unterschiedlichen Quellen;
  • Automatisierte Anreicherung und Verdichtung von Daten zu Kennzahlen;
  • Einfache Erweiterbarkeit und hohe Abfragegeschwindigkeiten bei großen Datenmengen;
  • Definition umfangreicher Zugriffsrechte- und Rollennutzungskonzepte;
  • Verschiedene Frontends, die unterschiedliche Anwendergruppen zielgerichtet mit Informationen versorgen.
Abbildung 2: Architektur eines Business Intelligence-Systems (Quelle: eigene Darstellung)

Abbildung 2: Architektur eines Business Intelligence-Systems (Quelle: eigene Darstellung)

Abbildung 2 zeigt die Architektur eines typischen Business Intelligence-Systems mit seinen Schichten. Folgt man dem Datenverarbeitungsprozess von links nach rechts, werden im ersten Schritt die Daten aus den operativen Systemen extrahiert. Im Marketing-Bereich kann das ein CRM-System sein. Über so genannte Extraktions-, Transformations- und Ladeprozesse (ETL) werden die Daten automatisiert zu einem definierten Zeitpunkt aus den Datenbanken geladen und verarbeitet. Währenddessen werden die Daten miteinander verknüpft, aggregiert – oder es werden Kennzahlen berechnet.

Grenzen klassischer BI-Systeme
Der weltweite Datenbestand ist in den letzten Jahren massiv angewachsen. Die gleiche Menge an Daten, die seit Beginn der Menschheit bis 2002 geschaffen wurde, ist laut Hochrechnungen 2014 in zehn Minuten entstanden. In den Datenspeichern der meisten Unternehmen liegen mittlerweile mehrere Terabytes bis hin zu Petabytes an Daten. Ein weiterer Punkt ist die Geschwindigkeit der Verarbeitung der Daten. Es gilt, die immer größer werdenden Mengen an strukturiert und unstrukturiert vorliegenden Daten performant verarbeiten und analysieren zu können. Man geht davon aus, dass bis zu 80 Prozent der Daten im Unternehmen unstrukturiert sind. Es handelt sich um Daten in Textform, aber auch um Bilder, Videos usw.

Skalierbarkeit
Business Intelligence-Technologien skalieren sehr oft vertikal durch die kostenintensive Aufrüstung des jeweiligen Servers. Big Data-Technologien hingegen ermöglichen eine horizontale Skalierung: Dem System werden einfach zusätzliche Server hinzugefügt. Durch die parallele Verarbeitung können die Systeme gut mit steigenden Datenmengen arbeiten. Ein weiterer Vorteil ist, dass sie die Speicherung unstrukturierter Daten ermöglichen – zu vergleichsweise geringen Kosten.

Datenzugriff
Business Intelligence-Systeme bieten einen sehr schnellen Datenzugriff. Sie sind durchweg auf hohe Abfragegeschwindigkeiten ausgelegt und liefern durch die Verwendung von SQL als Abfragesprache eine Vielzahl möglicher Frontends. Ihre gute Performance ermöglicht den Anwendern interaktive OLAP-Analysen. Dagegen bieten Big Data-Technologien oft nur eine unzureichende Unterstützung von SQL und stellenweise langsame Abfragegeschwindigkeiten.

Datenqualität
Im Data Warehouse liegen hoch veredelte Daten, während im Big Data-Umfeld zunächst einmal alles im Rohformat gespeichert wird. Dabei werden, wie auch beim Data Warehouse, die Daten zunächst aus ihren Quellen extrahiert. Im Gegensatz zu ETL sind im Big Data-Umfeld Extraktions-Lade-Transformations (ELT)-Prozesse zu finden. Das heißt, dass die Daten ohne Struktur in das Zielsystem geladen und erst bei Bedarf zum Zeitpunkt der Analyse umgewandelt werden.

Speichersysteme
Ein weiteres Zielsystem sind NoSQL-Datenbanken. Im Gegensatz zu relationalen Datenbanken, die für ein Data Warehouse zum Einsatz kommen, bietet diese Gattung dynamische Schemata und kann gut skalieren. NoSQL-Datenbanken sind beim Hinzufügen neuer Felder wesentlich flexibler. Diese Datenbanken skalieren horizontal und eignen sich somit für Einsatzszenarien mit vielen Nutzern und großen Datenmengen. Außerdem lassen sich auch unstrukturierte Daten speichern, womit sich NoSQL für den Einsatz in einer Big Data-Architektur geradezu anbietet.

Wie die Zusammenführung von Big Data-Technologien und BI-Systemen aussehen kann und welche Vorteile eine integrierte Systemlandschaft für das Marketing bereit hält, erklären wir im nächsten Beitrag.

Diese Artikel könnten Sie auch interessieren:

Tags: , , , , , ,

Stefan Müller - Director Business Intelligence & Big Data
Nach mehreren Jahren Tätigkeit im Bereich Governance & Controlling und Sourcing Management ist Stefan Müller bei it-novum gelandet, wo er den Bereich Business Intelligence aufgebaut hat. Stefans Herz schlägt für die Möglichkeiten, die die BI-Suiten von Pentaho und Jedox bieten. Er beschäftigt sich aber auch mit anderen Open Source BI-Lösungen. Seine Begeisterung für Business Open Source für Datenanalyse und -aufbereitung gibt Stefan regelmäßig in Fachartikeln, Statements und Vorträgen und als Experte der Computerwoche weiter.
Webprofile von Stefan: Twitter, XING, Google+

Kommentar schreiben

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.