Skip to main content
main-content

27.11.2019 | Marketingstrategie | Im Fokus | Onlineartikel

Marketing Data Science – neue Goldgrube für Marketers

Autor:
Zachary Jarvinen
5 Min. Lesedauer

Unternehmen nutzen Künstliche Intelligenz (KI) in der Logistik oder in der Produktentwicklung. Das gilt natürlich auch im Marketing. Ein Gastbeitrag.

Ein Beispiel für den Einsatz von KI im Marketing ist der Chatbot, der Virtual Agent – ein Chatfenster, das sich direkt beim Aufrufen einer Website öffnet oder basierend auf dem Routing eines Chat Agents aufgerufen wird, um Kunden bei (kleineren) Anliegen sofort behilflich zu sein. Regelbasierte Bots arbeiten allerdings mit vorab definierten Regeln und liefern meist nur eine unzureichende User Experience. Diese Technologie stößt also relativ schnell an ihre Grenzen. Verwenden Nutzer etwa Formulierungen, die von den Entwicklern nicht antizipiert wurden, scheitert die Kommunikation.

Eine Alternative sind Chatbots auf Basis von KI, beziehungsweise maschinellem Lernen. Diese Chatbots lernen entweder aus den Anfragen von Nutzern dazu und können nach einiger Zeit selbst Probleme lösen. Oder sie werden durch Entwickler in Abstimmung mit Fachbereichen und Zielgruppen-Experten aufgesetzt und trainiert, um Dialoge und Fragestellungen von Nutzern verstehen zu können. Für Unternehmen gilt: Wer einen erfolgreichen Chatbot bauen möchte, muss seine Zielgruppe sehr gut kennen. Kunden sind in Bezug auf das Einkaufserlebnis anspruchsvoller geworden. Sie erwarten ein personalisiertes Shopping-Erlebnis. 

Empfehlung der Redaktion

2015 | OriginalPaper | Buchkapitel

Wirtschaft

Big Data wird aktuell als einer der Haupttrends der IT-Industrie diskutiert. Big Data d. h. auf Basis großer Mengen unterschiedlich strukturierter Daten die Entscheidungen in Echtzeit oder prognostisch zu treffen. Von hochleistungsfähigen, schnell ve

Es gibt einige Technologien auf dem Markt, die frei zugänglich für Marketingfachleute sind. Beispielsweise das Suchmaschinenmarketing (SEM). Dabei handelt es sich in der Regel um Plattformen, die bereits zur Verfügung stehen und in den vorhandenen Prozess eingebaut werden. Viele Unternehmen arbeiten auch mit Hochdruck daran, ihre eigenen Lösungen zu erstellen. Dies ist der Grund, warum immer mehr Unternehmen auf interne Data Scientists setzen – nicht nur in der Entwicklung, sondern eben auch im Marketing. Fehlendes Data-Science-Know-how ist aber auch hier der Grund für missglückte Anwendungen oder Projekte mit KI.

Wenn der Data Scientist auf den Marketer trifft

Data Scientists geht es vor allem um die Bedeutung und das Verständnis der Daten, sowie darum, ein für den jeweiligen Anwendungsfall positives Ergebnis des Algorithmus durch die Nutzung vorhandener Daten zu erzeugen. Gleichzeitig müssen aber die Bedürfnisse und Herausforderungen der Marketingspezialisten verstanden werden. Data Scientists arbeiten, wie der Name verrät, mit Daten. Ein Datenwissenschaftler muss also alle benötigten Informationen zur Verfügung gestellt bekommen. Häufig allerdings sitzen Data Scientists auf dem Trockenen, weil sie zu wenig oder keine verwertbaren Daten zur Verfügung gestellt bekommen. Auch mangelnde Datenqualität oder eine fehlende Datenstrategie führen dazu, dass Ziele verfehlt oder Vereinbarungen nicht eingehalten werden.

Eine fachübergreifende Zusammenarbeit ist notwendig, damit ein Projekt erfolgreich verläuft. Was bedeutet das in Bezug auf diese Thematik? Data Scientists haben Ihre eigene Sprache. Ausdrucksweise, Fachbegriffe und gängige Abkürzungen werden in der Regel nicht von der Allgemeinheit verstanden. Spricht ein Data Scientist "techy" und möchte einem Außenstehenden erklären, was ein Python-Code ist oder wie Apache Spark funktioniert, findet das in der Regel wenig Anklang beim Rest der Abteilung. Solche Missverständnisse können zum Scheitern eines Projekts führen. Wenn ein Marketer nicht versteht, was der Data Scientist gebaut hat, kann er auch nicht sagen, ob er genau das braucht.

Collaboration führt zu Implementierung

Es gibt einige Unternehmen, die hierauf reagieren und so genannte Dolmetscher einsetzen, die als Vermittler dienen. Auf Dauer gestaltet sich das jedoch als schwierig, denn eine Zusammenarbeit, bei der immer "übersetzt" werden muss, ist nach einiger Zeit zum Scheitern verurteilt. Eine längerfristige Lösung ist also der Kompromiss. Sowohl Marketers als auch Data Scientists müssen sich auf die andere Partei einlassen können. Zunächst muss verstanden werden, was mit dem Projekt erreicht werden soll. Aber auch Marketers müssen sich mit dem Gedanken anfreunden, in Zukunft datengesteuert zu arbeiten. Nur so lässt sich nämlich der Erfolg in bestimmten Kundenzielgruppen messen. Sind die Hürden überwunden, steht einem datenbasierten Marketing nichts mehr im Weg. Es gibt bereits bewährte datenwissenschaftliche Techniken, wie Text Mining oder Inhaltsanalysen, die es Data Scientists erlauben, Marketingspezialisten in die Lage des Kunden zu versetzten. Durch Machine Learning zusammen mit beispielsweise Social-Media-Daten können etwa Kundenkommentare analysiert werden. Hyper-Targeting ermöglicht es, durch verschiedene Machine-Learning-Modelle die richtigen Produktangebote genau zum richtigen Zeitpunkt dem Kunden vorzuschlagen. Solche Prozesse ergeben sich aber nicht über Nacht, sondern brauchen Zeit. Data Scientists wissen das und müssen es anderen Fachspezialisten verdeutlichen: Nur wenn Algorithmen Zeit haben, Daten zu sammeln und zu verarbeiten, kann ein zufriedenstellendes Ergebnis erzielt werden.

Der Schlüssel zum gemeinsamen Erfolg

Laut Forbes haben bereits 91 Prozent der Senior Marketers erklärt, Entscheidungen aufgrund von Kundendaten getroffen zu haben, die zuvor unbekannt waren. Unternehmen fangen schon heute damit an, "Director of Marketing Data" einzustellen, denn die produzierten Daten werden nicht weniger und die somit verbundenen Herausforderungen nicht leichter. Wenn Unternehmen die Relevanz von Daten im Marketing verstanden und sich mit dem Gedanken angefreundet haben, den Datenspezialisten die Verwaltung der Daten zu überlassen, steht einer erfolgreichen Zusammenarbeit nichts mehr im Wege. Denn so können 

  • die Effektivität von Marketingkampagnen maximiert, 
  • die digitale Erfahrung des Kunden verbessert und 
  • die allgemeinen Geschäftsergebnisse genauer gemessen werden.

Datenverknüpfungen und Mengen sind meist selbst für Experten massiv und komplex. Der erste Schritt ist es, die gewonnenen Erkenntnisse zu extrahieren. Das Entscheidende dabei ist, eine Möglichkeit zu finden, die Informationen zu kommunizieren und für alle zugänglich zu machen. Genau jetzt ist der richtige Zeitpunkt für Marketers, um sich mit Data Science auseinanderzusetzen. So ergibt sich die Gelegenheit, die neuen Fähigkeiten zu erlernen und mit der Analyse ungenutzter Daten zu beginnen, um aussagekräftige Angaben über Trends und Muster in den Marketingaktivitäten zu erlangen und darauf reagieren zu können.

Weiterführende Themen

Die Hintergründe zu diesem Inhalt

01.10.2019 | Titelthema | Ausgabe 3/2019

Chatbots — Digitale Helfer am Arbeitsplatz von morgen?

2019 | OriginalPaper | Buchkapitel

Data Scientists

Quelle:
Applied Data Science

01.10.2019 | Titelthema | Ausgabe 3/2019

Machine Learning