Marketing Analytics

Kaum eine Entwicklung hat das Marketing in den letzten Jahren so verändert wie die Tendenz, Angebots- und Nachfrageentscheidungen datenbasiert zu treffen. Die mittlerweile verfügbare Masse an Daten unterschiedlicher Qualität, die potenziell relevant sein könnte, wird stetig größer, jedoch ist nur eine kleine Teilmenge davon tatsächlich geeignet, Erkenntnisfortschritte für das Marketing zu liefern. Zudem halten Unternehmensprozesse und -strukturen nur selten Schritt mit den Analysemöglichkeiten, sodass Erfolgspotenziale (noch) verschenkt werden. Dabei sind die Anwendungsfelder für Marketing Analytics vielfältig, denn sowohl in der Produkt- als auch in der Preis-, Kommunikations- und Vertriebspolitik ermöglichen datenbasierte Entscheidungen bessere Wirtschaftlichkeit und höhere Akzeptanz.

Der Beitrag zeigt anhand einer Fallstudie auf, wie in einer Hilfsorganisation (NGO), ausgehend von einer Reihe von Fragestellungen aus dem Bereich Marketing Analytics, eine umfassende Datenstrategie entwickelt wurde. Als Grundlage für den Strategieprozess dienten das Datenstrategie-Referenzmodell von STAT-UP und das Data Literacy Framework des Hochschulforums Digitalisierung. Das Projekt wurde in Form von co-kreativen Workshops durchgeführt. Dabei erarbeiteten die Teilnehmer aus verschiedenen Hierarchieebenen und Bereichen nicht nur eine Roadmap mit konkreten Maßnahmen, sondern erlebten bereits während dieses Prozesses das unmittelbare Arbeiten mit Daten anhand von prototypisch umgesetzten Anwendungsfällen. In der Anwendung selbst wurde vermittelt, welche Aspekte Datenkompetenz in der täglichen Arbeit umfassen kann, wo bereits Kompetenzen vorhanden und wo diese zukünftig auszubauen sind. Die Fallstudie orientiert sich an einem tatsächlich durchgeführten Projekt. Details wurden verändert, um keine Rückschlüsse auf den Auftraggeber, seine internen Prozesse und Planungen zuzulassen.

Data Literacy ist eine Schlüsselkompetenz des 21. Jahrhunderts, die in der Aus- und Weiterbildung systematisch vermittelt werden muss. Hierfür bedarf es eines Kompetenzrahmens, d. h. eines Modells zur strukturierten Beschreibung von effektivem Verhalten in einem gegebenen Aufgabenkontext. Hierzu hat das Hochschulforum Digitalisierung (HFD) – eine gemeinsame Initiative des Stifterverbandes mit dem CHE Centrum für Hochschulentwicklung und der Hochschulrektorenkonferenz, gefördert vom Bundesministerium für Bildung und Forschung – eine umfangreiche Studie beauftragt. Dieser Beitrag basiert auf der Studie „Future Skills: Ein Framework für Data Literacy“ (Arbeitspapier 47), die unter einer Creative-Commons-Lizenz veröffentlicht wurde. Ergänzend fließen Erfahrungen aus der Umsetzung des Kompetenzrahmens in der Erwachsenenbildung ein: Die BMBF-geförderte App „Stadt | Land | DatenFluss“ der Volkshochschulen vermittelt auf spielerische Weise Data Literacy unter anderem im Anwendungsfeld „Arbeit“ und wird ergänzt durch einen frei zugänglichen Online-Kurs auf dem KI-Campus des Stifterverbands.

Die Aufregung um den 25. Mai 2018, als die DSGVO nach zweijähriger Übergangsfrist angewandt wurde, war groß. Tatsächlich bringt die Vereinheitlichung des europäischen Datenschutzrechts für Unternehmen einige Änderungen mit sich. Diese haben teils erhebliche Auswirkungen für die Unternehmen – und das gilt auch und gerade in Hinblick auf Marketing Analytics. Studien zufolge ist einer Mehrheit der Europäer der Schutz ihrer personenbezogenen Daten wichtig und sie wollen Gebrauch von den ihnen zugesprochenen Rechten machen. Hält ein Unternehmen Datenschutzgesetze ein, könnte es somit vor allem bei Kunden und Partnern, die auf ein hohes Datenschutzniveau Wert legen, Vertrauen und somit Kaufanreize wecken. Der vorliegende Beitrag gibt eine kompakte Übersicht zum Datenschutzrecht bzw. zur DSGVO für Unternehmen. Besondere Konstellationen (z. B. Kinder, Beschäftigte oder besondere Kategorien personenbezogener Daten) werden aufgrund des begrenzten Umfangs nicht betrachtet.

Marketing Analytics zielt auf die Analyse der Wirksamkeit der Marketingmaßnahmen. Damit dies über alle Kontaktpunkte mit den Kunden und Interessenten in einer zunehmend digitalen Welt mit tausenden Marketinglösungen funktionieren kann, ist ein kundenzentrischer, datenbasierter Ansatz mit integrierten Marketinglösungen eine wichtige Voraussetzung. Unterschiedliche Technologien zur Datenerfassung vor allem im Bereich der digitalen Marketinganalyse stellen Marketingmanager vor große Herausforderungen. Je nach Verantwortungsbereich sind verschiedene Arten von Lösungen, Daten und Metriken im Einsatz. Neue technologische und rechtliche Rahmenbedingungen erschweren dabei den Technologieeinsatz und die Datenerfassung. Weitere Herausforderungen liegen im Bereich der Datenintegration und -konsolidierung. Für Marketing Analytics existiert zudem eine ständig wachsende Anzahl von Anbietern mit Lösungen, die sich unterschiedlichen Einsatzfeldern zuordnen lassen. Durch neue Lösungen kommt es mehr und mehr zur Konvergenz dieser Lösungen.

Jegliche Marketingaktivitäten fordern heutzutage ein starkes Datenmanagement, das durch verschiedenste Spielteilnehmer aufgebaut wird. Es ist zu raten, Regeln und Prozesse dieser Zusammenarbeit aufzusetzen, um von Beginn an eine größtmögliche Transparenz über kollaborative Aufgabenteilung und -verantwortung zu besitzen. Die Interaktion der Marketingexperten gegenüber verschiedensten Fachbereichen und die partnerschaftliche Arbeit im Verbund (mit Daten-Office, Datenstrategen, Datennutzern, Datenanalysten) nimmt zu, verändert den Alltag nachhaltig und fordert neue Fähigkeiten. Damit ist das Berufsbild der Marketingexperten einem ständigen Wandel ausgesetzt. Das Datenmanagement lebt durch die operative Tätigkeit innerhalb der Fachabteilung; den Datenrollen Data-Steward und -Owner kommt dabei eine wichtige Bedeutung zu. Diese umfangreiche operative Leistung muss jedoch durch strategischen Willen ergänzt werden, neue Prozesse, Strukturen und Kulturdimensionen innerhalb der Gesamtunternehmung einzuführen und zu finanzieren.

In einem ersten Kapitel werden die zentralen Grundlagen der Künstlichen Intelligenz präsentiert. Hierzu zählen die Klärung der relevanten Fachbegriffe, die Vorstellung der Lernkonzepte sowie die Kennzeichnung der Einsatzbereiche der Künstlichen Intelligenz insgesamt. Außerdem wird vermittelt, warum Explainable Artificial Intelligence so wichtig ist. Im zweiten Kapitel wird aufgezeigt, wie die Künstliche Intelligenz zur Steigerung der Text-Performance sowie zur Kundenansprache über Text und Voice beitragen kann.

Eine zentrale Aufgabe innerhalb von Marketing Analytics ist es, Erkenntnisse aus Daten zu gewinnen, um die Entscheidungsfindung zu unterstützen. Business Intelligence und Visualisierung sind hierbei zwei stark verwandte, unerlässliche Werkzeuge. Business Intelligence (BI) stellt einen Methodenbaukasten bereit, um Daten systemseitig so zu kombinieren, dass möglichst treffgenau jeweils diejenigen Daten vorliegen, die für eine Entscheidung benötigt werden. Um die Effizienz der Entscheidungsfindung zu steigern, helfen Visualisierungen oft beim schnellen Erfassen der Daten. Dabei ist es wichtig, eine nutzerzentrierte Sicht bei der Entwicklung von Visualisierungen einzunehmen. Durch die Nutzerzentrierung werden die kognitiven Hürden zur Erfassung der Daten sowie die Exploration und Interaktion mit den Daten zu zentralen Säulen der Entscheidungsfindung. Dieser Beitrag gibt einen Einblick in die Anforderungen und Aufgaben, die eine BI-Lösung erfüllen muss, sowie in theoretische und praktische Grundlagen effizienter Visualisierungen, um die Entscheidungsfindung im Kontext des Marketings zu unterstützen.

Die Markt- und Kundensegmentierung ermöglicht es, eine Marketingstrategie optimiert nach der jeweiligen Zielgruppe auszurichten. Die Marktsegmentierung betrachtet dabei den Gesamtmarkt inkl. Wettbewerber nach bestimmten Kriterien aller potenzieller Käufergruppen, während die Kundensegmentierung dies nur für vorhandene Unternehmen und potenzielle Kunden eines Unternehmens vornimmt. Beide Segmentierungen bilden hinsichtlich ihres Kaufverhaltens oder kaufverhaltensrelevanter Merkmale homogene Gruppen, die sich voneinander unterscheiden. Dabei wird von unterschiedlichen Bedürfnissen und demografischen Eigenheiten beim Kaufverhalten der Verbraucher ausgegangen, die anhand von Modellen und Methoden sowie Werkzeugen der Datengewinnung und -analyse erklärt werden. Gerade in Zeiten von Big Data steigt die Menge der verfügbaren Informationen über Märkte und Kunden nahezu täglich. Dank moderner Analytics gilt es, diese Daten wertschöpfend zu nutzen, sodass die (statistisch) sichtbar werdenden Kundenpotenziale besser ausgeschöpft werden können. In der Praxis kann diese Herausforderung mit einer hybriden Anwendung aus Markt- und Kundensegmentierung über mikrogeografische Modelle gelöst werden. Mittels Verschneidung von Befragungsdaten und adressgenauen, flächendeckenden soziodemografischen Daten können Marktforschungsergebnisse sowohl in den Gesamtmarkt als auch ins CRM übertragen werden. Ein solches System ist z. B. das der Limbic®Types, welches Konsumverhalten durch Motivation und Emotion erklärt. Die resultierenden Cluster werden in einem Praxisbeispiel erstmals mikrogeografisch für alle deutschlandweiten 22 Mio. Adressen räumlich lokalisiert.

Das Potenzial von Big-Data-Analysen gilt es auch im Vertrieb zu entwickeln und auszubauen, um diesen von einer erfahrungsbasierten hin zu einer datenbasierten Einheit zu transformieren. Mit Data-Analytics-Methoden lässt sich der Vertrieb nicht nur besser steuern, sondern es ist auch möglich, eine genauere Planung vorzunehmen und die Aktivitäten besser auszurichten. Data Analytics wird also auch den Vertrieb maßgeblich verändern. Ein guter Vertriebler ist nicht ersetzbar, kann aber durch eine gute Datenunterstützung erfolgreicher und effizienter arbeiten. In diesem Beitrag wird der Fokus auf die Versicherungsbranche gelegt, vor allem auch in Beispielen, da die Autorin diese Projekte begleitet oder sogar geleitet hat. Erkenntnisse, Hürden und Handlungsempfehlungen lassen sich jedoch auf viele andere Branchen anwenden. Auch die Erfolgsfaktoren von Big Data Analytics lassen sich häufig auf andere Anwendungsfälle übertragen.

Potenzielle Kunden bereits dann zu entdecken, wenn sie gerade erst beginnen, sich mit Möglichkeiten der Bedarfsdeckung zu befassen, sie mit individuellen Kommunikationsmaßnahmen bis zur Kaufentscheidung zu begleiten und sie auf diesem Weg immer wieder zu überraschen und zu begeistern, gilt als Schlüsselfaktor des Marketings. Die Customer Journey ist das Instrument der Wahl hierzu, doch die gebräuchlichen Vorgehensweisen stoßen immer wieder an Grenzen. Unternehmen verfügen aber über eine Vielzahl von Daten, mit deren Hilfe sie wertvolle Einsichten in Mindset und Verhalten Ihrer potenziellen und aktuellen Kunden gewinnen, die Grenzen der CJ deutlich verschieben und so ihre Conversionrate steigern können. In diesem Beitrag zeigen die Autoren, wie sich (Big) Data Analytics und Customer Journey wertschaffend miteinander verbinden lassen, wie man methodisch am besten hierbei vorgeht, welche Instrumente zur Analyse eingesetzt werden und wie sich wesentliche Fallstricke und Risiken vermeiden lassen.

Onlinehändler haben gegenüber anderen Unternehmen den Vorteil, dass sie auf ihren Online-Plattformen die technischen Voraussetzungen haben, um eine Fülle an Daten zu erheben, zu speichern und teils in Echtzeit zu analysieren. Dadurch können sie die User- bzw. Customer-Experience steigern. Dauerhaft werden nur diejenigen Händler erfolgreich sein, die kundenzentriert agieren und Daten nutzen, um den Kunden ein besonderes Einkaufserlebnis zu bieten. Zahlreiche Unternehmen haben damit begonnen, viele Daten zu sammeln. Alleine das Sammeln von Daten ist aber nicht die Lösung. Der idealtypische Prozess des datengetriebenen Marketings ist umfassender und beinhaltet die Schritte: Datensammlung, Datenvorbereitung (Datenspeicherung & -Bereinigung), Datenanalyse und Datenverwendung. Im vorliegenden Beitrag werden die Schritte für E-Commerce-Anwendungen vorgestellt.

In vielen Unternehmen zeigt sich das Pareto-Prinzip, nämlich dass 20 % der Kunden für 80 % der Umsätze verantwortlich sind. Auch wenn die Verteilung für Ihr Unternehmen eventuell anders aussieht, gibt es auch bei Ihnen Kunden, die im Lauf der Zeit mehr Umsätze bringen als andere. Die Rentabilität Ihres Unternehmens wird maßgeblich davon beeinflusst, ob es Ihnen gelingt, diese Kunden durch gezielten Einsatz der dem Unternehmen zur Verfügung stehenden Mittel (Marketing, Vertriebsaufwände, Zuwendungen, Rabatte) zu halten, aber auch gezielt zu akquirieren. Der sogenannte Customer Lifetime Value (die Kürzel CLV, LTV oder CLTV werden dafür im Englischen verwendet) ist daher für die meisten Unternehmen inzwischen eine strategische Unternehmenskennzahl. Mit dem CLV können Sie die zu erwartenden Umsätze mit bestehenden Kunden auf Basis der Kaufhistorie berechnen und die zukünftigen Umsätze neuer Kunden prognostizieren. Er kann aber auch als Kriterium verwendet werden, um zu entscheiden, welche Zielgruppen gezielt beworben werden, wie hoch die Werbeinvestitionen maximal sein dürfen oder wie man gezielt Kundenbeziehungen auf ein höheres Umsatzniveau bringt. Dieser Beitrag beschreibt im ersten Kapitel, warum die Customer-Lifetime-Value-Analyse für nachhaltiges Marketing Pflicht ist, wie man den Wert berechnet und wo hier die Schwierigkeiten bei der Datenerhebung und Analyse liegen. Im zweiten Kapitel geht es darum aufzuzeigen, welche Voraussetzungen für die Prognose notwendig sind. Abschließend wird der Frage nachgegangen, wie der Customer Lifetime Value für die (Echtzeit-)Optimierung der Kundenansprache gewinnbringend genutzt werden kann.

Das algorithmenbasierte Pricing ist auf dem Vormarsch – dank der Vielzahl an Daten zum Kundenverhalten, die vor allem online verfügbar sind. Algorithmen werden immer besser darin, auf Basis dieser Daten zum einen Preisbereitschaften abzuschätzen und zum anderen Preisentscheidungen vollautomatisiert durchzuführen. Dabei lässt sich Dynamic Pricing mit unterschiedlichen Preisen im Zeitablauf vom personalisierten Pricing mit seinen individuellen Preisen abgrenzen. Auf Kundenseite und aus verbraucherpolitischer Sicht ergeben sich neue Fragen und Anforderungen an algorithmische Preisentscheidungen. Vor diesem Hintergrund stellen sich zahlreiche Herausforderungen an das Pricing-Management, die vom zielführenden Einsatz dieser Methoden bis zur Sicherstellung der gesellschaftlichen Akzeptanz reichen.