Data-driven Marketing: Insights aus Wissenschaft und Praxis

• State-of-the-art Wissen zum Data-driven Marketing aus Forschung und Praxis
• Fokussiert auf die entscheidenden Aspekte für ein erfolgreiches datengetriebenes Marketing
• Autoren sind Top-Experten aus der Praxis und der Wissenschaft

Dieses Buch adressiert die entscheidenden Aspekte für ein erfolgreiches, datengetriebenes Marketing: Datenqualität, Datenanalyse, kreative, aber datenschutzkonforme und ethisch vertretbare Datennutzung. Die Herausgeberinnen haben dazu das aktuelle Know-how aus Wissenschaft und Praxis für die strategische und operative Marketingarbeit zusammengetragen. So ist ein wertvoller Impulsgeber und Leitfaden für Marketing-Professionals entstanden, die Ihre Marketingarbeit konsequent datenzentriert und kundenindividuell gestalten wollen. Dabei bleiben auch spezielle Aspekte wie eine visuelle Präsentation von Datenanalyse, der Einfluss der Tonalität einer Website auf die Werbewirksamkeit von Display Advertising und Prinzipien des digitalen Vertrauensaufbaus beim Einsatz von digitalen Kanälen nicht außen vor.
Aus dem Inhalt

• Strategischer Einsatz von Daten im Marketing 
• Datenmanagement als Grundlage für Marketingentscheidungen
• Smarte Insights fürs Marketing (psychografisches Targeting, Programmatic Advertising, Uplift von Werbemaßnahmen, A/B-Testing)
• Data-driven Marketing in der realen Welt (Geointelligenz Im Outernet, digitale Komponenten bei Messen, Privacy Concerns in the Carsharing Economy)
• Datenschutz und die ethischen Grenzen der Datennutzung im Data-driven Marketing 

Mit Beiträgen von Prof. Dr. Silvia Boßow-Thies +++ Prof. Dr. Annette Corves +++  Prof. Dr. Nicole Fabisch +++ Prof. Dr. Lars-Gunnar Frahm +++ Dr. Björn Goerke +++ Prof. Dr. Goetz Greve +++ Prof. Dr. Susanne Hensel-Börner +++ Prof. Dr. Christina Hofmann-Stölting +++  Prof. Dr. Gregor Hopf +++ Luise Jacobs +++ Prof. Dr. Heike Jochims +++ Dr. Gwen Kaufmann +++ Carsten Köster +++ Terence Lutz +++ Prof. Dr. Doreén Pick +++ Dr. Dennis Proppe +++ Mareike Scheibe +++ Prof. Dr. Eva Schön +++ Prof. Dr. Manuel Stegemann +++ Prof. Dr. Thorsten Suwelack +++ Prof. Dr. Kai-Marcus Thäsler +++ Christian Westerkamp +++ Dr. Heike M. Wolters

• Sprache: Deutsch
• Herausgeber: Springer Gabler
• Erscheinungsdatum: 21. Aug. 2020
• ISBN: 9783658299958

Buchvorschau

Hrsg.

Silvia Boßow-Thies, Christina Hofmann-Stölting und Heike Jochims

Data-driven Marketing

Insights aus Wissenschaft und Praxis

1. Aufl. 2020

../images/479291_1_De_BookFrontmatter_Figa_HTML.png

Hrsg.

Silvia Boßow-Thies

FOM Hochschule, Hamburg, Deutschland

Christina Hofmann-Stölting

HAW Hamburg, Hamburg, Deutschland

Heike Jochims

HAW Hamburg, Hamburg, Deutschland

ISBN 978-3-658-29994-1e-ISBN 978-3-658-29995-8

https://doi.org/10.1007/978-3-658-29995-8

Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über http://​dnb.​d-nb.​de abrufbar.

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020

Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung, die nicht ausdrücklich vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung des Verlags. Das gilt insbesondere für Vervielfältigungen, Bearbeitungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen.

Die Wiedergabe von allgemein beschreibenden Bezeichnungen, Marken, Unternehmensnamen etc. in diesem Werk bedeutet nicht, dass diese frei durch jedermann benutzt werden dürfen. Die Berechtigung zur Benutzung unterliegt, auch ohne gesonderten Hinweis hierzu, den Regeln des Markenrechts. Die Rechte des jeweiligen Zeicheninhabers sind zu beachten.

Der Verlag, die Autoren und die Herausgeber gehen davon aus, dass die Angaben und Informationen in diesem Werk zum Zeitpunkt der Veröffentlichung vollständig und korrekt sind. Weder der Verlag, noch die Autoren oder die Herausgeber übernehmen, ausdrücklich oder implizit, Gewähr für den Inhalt des Werkes, etwaige Fehler oder Äußerungen. Der Verlag bleibt im Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröffentlichten Karten und Institutionsadressen neutral.

Planung/Lektorat: Rolf-Günther Hobbeling

Springer Gabler ist ein Imprint der eingetragenen Gesellschaft Springer Fachmedien Wiesbaden GmbH und ist ein Teil von Springer Nature.

Die Anschrift der Gesellschaft ist: Abraham-Lincoln-Str. 46, 65189 Wiesbaden, Germany

Geleitwort

Noch nie standen den Menschen so viele Daten so einfach zur Verfügung wie heute. eCommerce-Unternehmen tracken heutzutage alle Aktivitäten (Click-Verhalten) von potenziellen Käufern im Internet. Werden verschiedene Webseiten aufgerufen, können daraus bereits pro Besuch Hunderte von Einzelinformationen entstehen. Werbetreibende können aus Informationen in Social Media wie z. B. Facebook herausfiltern, welche Personen sich für bestimmte Produkte interessieren könnten und diese dann mit Werbe-Banner oder anderen Werbeformen bewerben. Handelsunternehmen können über Sensorik das Verhalten von Personen in ihren Läden erfassen, was wiederum zu Zigtausenden von Datenpunkten führt. Das Datenvolumen betrug 2018 insgesamt 33 Zettabyte (10²¹) und 137 Gigabyte pro stationärem Festnetzanschluss in Deutschland. Entsprechend dieser Bedeutung sind im Gebiet der Daten-Analytik viele neue Methoden entstanden, mit denen man besser vorhersagen kann, welche Personen am ehesten auf Werbung reagieren und schließlich auch kaufen werden. Auf der anderen Seite wird der Konsument immer gläserner, wodurch die Probleme der Privatsphäre und des Datenschutzes immer wichtiger werden.

Bei einem solchen Trend-Thema ist es nicht weiter verwunderlich, dass es dazu schon viele Beiträge gibt. Allerdings sind diese entweder aus einer rein wissenschaftlichen oder praktischen Sicht geschrieben worden. Ich finde es deshalb reizvoll, dass in diesem Buch versucht wird, ausgewählte Themen des Data-driven Marketing gleichzeitig sowohl von der Wissenschaftsseite als auch aus Praxissicht näher und kritisch zu beleuchten. Das heißt, in den Beiträgen wird exemplarisch gezeigt, wie man wissenschaftlich anspruchsvolle Lösungen implementieren kann, die gleichzeitig pragmatisch bei der Datensammlung und Aufbereitung vorgehen, so dass ein gutes Verhältnis zwischen praktischem Ertrag und Aufwand herauskommt.

Das Buch umfasst eine Sammlung von Artikeln, die von der Datensammlung, der Datenvisualisierung bis hin zur Analyse und der Ableitung von Handlungsempfehlungen geht, und schließlich auch die Probleme des Datenschutzes anspricht. Es wird herausgegeben von Wissenschaftlerinnen angewandter Forschung mit den Schwerpunkten Quantitatives Marketing und Digitales Marketing. Alle drei haben nicht nur jahrelange praktische Erfahrungen in diesen Bereichen, sondern sind auch an meinem damaligen Lehrstuhl für Innovation, Neue Medien und Marketing ausgebildet worden, der sich schon frühzeitig mit dem Marketing im Internet beschäftigt hat. Damit ist ein Buch mit attraktiven Inhalten entstanden, das ich einer an praktischem Nutzen interessierten Leserschaft wärmstens empfehlen kann.

Prof. Dr. Dr. h. c.Sönke Albers

Inhaltsverzeichnis

Teil I Data-driven Marketing im Überblick

1 Das Öl des 21.​ Jahrhunderts – Strategischer Einsatz von Daten im Marketing 3

Silvia Boßow-Thies, Christina Hofmann-Stölting und Heike Jochims

Teil II Datenmanagement als Grundlage für Marketingentscheidungen

2 Qualität von Kundendaten – Ansätze zur Analyse und Verbesserung als Basis für effiziente Marketingentsche​idungen 29

Heike M. Wolters

3 Die Kraft effektiver Daten-Visualisierung – CLEAR(I):​ Ein Leitfaden zur wirkungsvollen Dashboard-Gestaltung 43

Luise Jacobs und Susanne Hensel-Börner

Teil III Smarte Insights fürs Marketing

4 Psychografisches​ Targeting – Wirkung und Funktionsweise als eine besondere Form des Micro-Targetings in den sozialen Medien 79

Gregor Hopf

5 Programmatic Advertising – Möglichkeiten und Grenzen bei Display-Advertising am Beispiel hedonistischer und utilitaristische​r Produkte 105

Goetz Greve und Mareike Scheibe

6 Uplift von Werbemaßnahmen – Case-Study zur Marketing-Optimierung 135

Björn Goerke und Dennis Proppe

7 A/​B-Testing – Verfahren zur Optimierung der digitalen Interaktion zwischen Konsumenten und Unternehmen 159

Manuel Stegemann und Thomas Suwelack

Teil IV Data-driven Marketing in der realen Welt

8 Data-driven Marketing im Outernet – Geointelligenz als Basis für ort-, zeitspezifische und psychografische Zielgruppenanspr​ache 179

Carsten Köster, Terence Lutz und Kai-Marcus Thäsler

9 Live goes digital – wie digitale Komponenten Messen bereichern 199

Gwen Kaufmann und Lars-Gunnar Frahm

10 Data-driven Marketing in the Carsharing Economy – Focus on Privacy Concerns 213

Doreén Pick

Teil V Datenschutz und Ethik im Data-driven Marketing

11 Datenschutz gemäß DSGVO im datengetriebenen​ Marketing – ein Überblick 237

Christian Westerkamp

12 Digital Trust für KI-basierte Mensch-Maschine-Schnittstellen 257

Annette Corves und Eva-Maria Schön

13 Ethische Grenzen der Datennutzung im Marketing 283

Nicole Fabisch

Abbildungsverzeichnis

Abb. 1.1 Eine Minute im Internet 20199

Abb. 1.2 Ausgewählte Datenquellen für Big Data10

Abb. 1.3 Reifemodell für Data Analytics12

Abb. 1.4 Data-driven Marketing entlang der Customer Journey inklusive beispielhafter Touchpoints15

Abb. 1.5 Digitalisierungsgrad (in Prozent) von Industrieunternehmen und unternehmensnahen Dienstleistern in Deutschland (Befragung von 1304 Unternehmen)19

Abb. 3.1 Die Visualisierung stellt den letzten und besonders für die Praxis relevanten Schritt der Datenanalyse dar45

Abb. 3.2 Zu verstehen, welche Auswirkungen inhaltliche und visuelle Komponenten haben, kann die Effektivität und Effizienz der Informationsübermittlung erhöhen46

Abb. 3.3 Am Wahrnehmungsprozess sind das visuelle und kognitive System gleichermaßen beteiligt49

Abb. 3.4 Illustration präattentiver Wahrnehmung am Beispiel des Attributs Farbe 50

Abb. 3.5 Eine Datenreihe kann auf unterschiedliche Weise visualisiert werden51

Abb. 3.6 Abgeschnittene y-Achsen täuschen die Wahrnehmung und verfälschen den Inhalt52

Abb. 3.7 Die Faktoren des Dashboard-Designs lassen sich in drei Gestaltungsebenen unterteilen55

Abb. 3.8 Inhaltliche und visuelle Klarheit sind von zentraler Bedeutung aus Nutzersicht57

Abb. 3.9 Der © CLEAR(I) Leitfaden unterstützt bei der Gestaltung wirkungsvoller Dashboards hinsichtlich inhaltlicher und visueller Aspekte62

Abb. 3.10 Bereits mithilfe weniger Diagrammtypen lassen sich Informationen effektiv darstellen65

Abb. 3.11 Indem non-data pixel reduziert und wichtige Informationen hervorgehoben werden, wird die inhaltliche Aussage verstärkt69

Abb. 4.1 Nutzerzentrierte Targeting-Möglichkeiten ausgewählter, in Europa und Nordamerika beliebter Social-Media-Kanäle80

Abb. 5.1 Programmatic-Advertising-System109

Abb. 6.1 Unterschiedliche Kundensegmente in Abhängigkeit von ihrem Potenzial für Uplift141

Abb. 6.2 Ableitung der Zielvariable für die Modellierung nach dem „Flip the target"-Ansatz145

Abb. 6.3 Klassische Zielbildung in Response-Modellen145

Abb. 6.4 Auswertung der Werbeaffinität über zehn Kundenlebenswert-Klassen155

Abb. 7.1 A/B Varianten durch unterschiedliche Positionierung des Kaufbuttons auf einer Website161

Abb. 7.2 Typischer Prozess des A/B-Testing und des multivariaten Testings163

Abb. 7.3 Elemente eines A/B Tests169

Abb. 7.4 Möglicher Conversion-Funnel am Beispiel einer Website174

Abb. 8.1 Prozess Zielgruppen-Mapping, Geointelligenz und (werbliche) Kommunikation181

Abb. 8.2 Innerstädtische Verdichtung der Zielgruppe „City Life"187

Abb. 8.3 Tagesverlauf der Zielgruppe (ZG) „City Life"188

Abb. 8.4 Mapping nach Psychografien189

Abb. 8.5 Ausspielung einer klassischen, algorithmusbasierten Kampagnensteuerung in ausgewählten Metropolen191

Abb. 8.6 Ausspielung durch geointelligente Kampagnensteuerung in ausgewählten Metropolen191

Abb. 8.7 Heatmaps der Zielgruppen-Lokalisierung194

Abb. 8.8 Entwicklung der Reichweite im Kampagnenverlauf195

Abb. 9.1 Zusätzliche Informationsebene durch Augmented Reality Titel204

Abb. 9.2 Verbesserung der Besucheranalyse205

Abb. 9.3 Der humanoide Roboter „Pepper" von Softbank Robotics208

Abb. 9.4 Positive Reaktionen beim Messe-Einsatz von Pepper210

Fig. 10.1 Research model226

Abb. 12.1 Trust-Journey mit Vertrauensankern270

Abb. 12.2 KI-Trust-Journey270

Abb. 12.3 Humane Vertrauensanker für digitales Vertrauen273

Abb. 13.1 Spannungsfeld technische Machbarkeit, wirtschaftliches Interesse, Ethik und Compliance288

Abb. 13.2 5 V-Modell der Big Data und Typen der Datenanalyse290

Abb. 13.3 Verantwortungspyramide von Compliance zu Corporate Social Responsibility297

Tabellenverzeichnis

Tab. 2.1 Dimensionen der Datenqualität31

Tab. 2.2 Beispiele für Data-Profiling-Metriken34

Tab. 4.1 Ausgewählte Studien zur Persönlichkeitsvorhersage auf Basis unterschiedlicher Verhaltenssignale in den sozialen Medien 86

Tab. 6.1 Beispielhafte Ermittlung von Uplift im 2-Modell-Ansatz143

Tab. 6.2 Exemplarische Berechnung des Werbeaffinitätskennzeichens für vier Kunden155

Tab. 7.1 Typische Anwendungsfelder für A/B Tests im Überblick162

Tab. 7.2 Eine Auswahl typischer Erfolgskennzahlen (KPIs) im Online-Marketing164

Table 10.1 Definitions of privacy concerns218

Table 10.2 Overview of selected carsharing firms in Germany221

Table 10.3 Collected and saved data by carsharing firms in Germany222

Table 10.4 Reasons and objectives for data collection by carsharing firms in Germany224

Table 10.5 Means of privacy concerns across socio-demographics226

Table 10.6 Linear regression results for loyalty intention227

Table 10.7 Linear regression results for loyalty intention between age groups228

Tab. 11.1 Überblick zu einzelnen verhängten Bußgeldern239

Tab. 12.1 KI-Einsatzgebiete an Mensch-Maschine-Schnittstellen262

Teil IData-driven Marketing im Überblick

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020

S. Boßow-Thies et al. (Hrsg.)Data-driven Marketinghttps://doi.org/10.1007/978-3-658-29995-8_1

1. Das Öl des 21. Jahrhunderts – Strategischer Einsatz von Daten im Marketing

Silvia Boßow-Thies¹  , Christina Hofmann-Stölting²   und Heike Jochims²  

(1)

FOM Hochschule, Hamburg, Deutschland

(2)

Department Wirtschaft, HAW Hamburg, Hamburg, Deutschland

Silvia Boßow-Thies

Email: [e-mail]

Christina Hofmann-Stölting

Email: [e-mail]

Heike Jochims (Korrespondenzautor)

Email: [e-mail]

1.1 Einleitung

1.2 Abgrenzung Data-driven Marketing

1.3 Datengrundlage für Data-driven Marketing

1.4 Von Big Data über Data Analytics zu Smart Data

1.5 Einsatzmöglichkeiten des Data-driven Marketings

1.6 Status quo und Herausforderung von Data-driven Marketing in der Praxis

1.7 Fazit

Literatur

Zusammenfassung

Die Digitalisierung wird bereits als die vierte industrielle Revolution und die entstehenden Daten als das Öl des 21. Jahrhunderts bezeichnet. Der Wert von Daten auch für das Marketing ist unumstritten: Durch die Digitalisierung liegen so viele Kundendaten vor wie nie zuvor, die neue Wege der individuellen Kundenansprache ermöglichen. Neben den klassischen Datenquellen aus Unternehmen und Marktforschung sind durch die Digitalisierung und Vernetzung, beispielsweise aus Social Media, zahlreiche neue Quellen hinzugekommen. Um Data-driven Marketing wertschöpfend einsetzen zu können, sind neue Methoden der Data Analytics notwendig. Die Möglichkeiten der Datenanalyse gehen heutzutage über das klassische Reporting hinaus, Methoden der Predictive Analytics und Künstlichen Intelligenz ermöglichen die maßgeschneiderte Kundenansprache entlang der gesamten Customer Journey. Doch viele Unternehmen schöpfen das Potential ihrer Daten aktuell noch nicht voll aus. Herausforderungen wie notwendige Investitionen in die IT-Infrastruktur, fehlendes Know-how und rechtliche Fragestellungen stehen dem Data-driven Marketing häufig noch im Weg.

Silvia Boßow-Thies

ist Professorin für Marketing an der FOM Hochschule in Hamburg. Dem Themengebiet Digitalisierung des Marketings ist sie auch nach der Promotion treu geblieben: Zum einen in ihrer anschließenden Beratungstätigkeit, zum anderen mit ihren gegenwärtigen Schwerpunkten in Lehre und Forschung.

Christina Hofmann-Stölting

ist Professorin für Quantitative Methoden an der HAW Hamburg. Ihr Lebenslauf – sowohl in der Wissenschaft als auch in der Praxis – ist geprägt von Stationen, wo aus Datenanalysen Erkenntnisse für das (digitale) Marketing gewonnen werden.

Heike Jochims

ist Professorin für Marketing an der HAW Hamburg. Sowohl in ihrer wissenschaftlichen Ausbildung als auch der beruflichen Laufbahn hat sie sich früh mit dem Einfluss der digitalen Medien im Marketing befasst und dort ihren Schwerpunkt in der Lehre und Forschung gelegt.

1.1 Einleitung

Durch die Digitalisierung hat sich das Kundenverhalten und somit auch die Kundenansprache grundlegend verändert. Wo früher postalische Werbung oder TV-Werbung dominierend war, tritt heute ein Kunde auf vielfältigste Weise in Interaktion mit Unternehmen, sei es über soziale Medien, per Handy oder über andere digitale, aber auch nicht-digitale Marketingkanäle. Deshalb gibt es auch kontinuierlich mehr und neue Möglichkeiten der Kundenansprache, die immer zielgerichteter und personalisierter ausgerichtet sind, und die immer häufiger auf Daten und ihrer Analyse basieren.

Ein viel zitiertes Beispiel für zielgerichtete Kundenansprache beschreibt eine junge Frau, die Gutscheine für werdende Mütter zugeschickt bekommen hatte, woraufhin der Vater die Tochter zur Rede stellte und in dem Zusammenhang von der Schwangerschaft seiner Tochter erfuhr. Der Vater beschwerte sich anschließend beim Supermarkt, warum dieser vor ihm von der Schwangerschaft gewusst hätte (Planet Wissen 2018). Nach welchen Gesichtspunkten auch immer der Supermarkt die Gutscheine für die Kunden tatsächlich auswählte, es wird zunehmend Realität, dass Unternehmen Daten sammeln und auf Basis der Analyse von beispielsweise Kundendaten (Alter, Geschlecht etc.) und Aktivitätsdaten (Kaufhistorie, Online-Aktivität auf der Website oder Webshop) derart passende Werbung oder Coupons an entsprechende Kunden schicken.

Die individuelle Kundenansprache basiert auf Daten, die der Kunde hinterlässt, die einerseits gesammelt, andererseits analysiert werden müssen, um eine Grundlage für datengetriebenes Marketing und datengetriebene Entscheidungen zu haben. Das Vorgehen und der Fokus von einer zunehmenden Anzahl von Unternehmen ist es, ihre Business-Entscheidungen nicht mehr aus dem Bauch heraus oder allein aufgrund von Management-Erfahrungen zu treffen, sondern Erkenntnisse aus Daten zu gewinnen und diese zu nutzen. So gibt es eine Reihe von Studien, die zeigen, dass das Nutzen von Daten zu besseren Entscheidungen führt als die alleinige Erfahrung oder das Bauchgefühl (z. B. Sundsøy et al. 2014).

Das Potential für datengetriebene Entscheidungen ist immens und aktuell immer noch schwierig vollständig abzuschätzen. Ziel dieses Beitrags ist es, die Vielfältigkeit der Einsatzmöglichkeiten von Daten im Marketing beispielhaft zu beleuchten, bevor in den einzelnen Kapiteln dieses Herausgeberwerkes auf ausgewählte unterschiedliche Aspekte näher eingegangen wird – von wissenschaftlicher Seite, aber insbesondere auch aus Praxissicht.

Im weiteren Verlauf dieses Beitrags werden zunächst die in aller Munde und im Zusammenhang mit dem Titel des Buches verwendeten Begriffe Data-driven Marketing, Big Data, digitales Marketing und KI-Marketing eingeordnet bzw. voneinander abgegrenzt (Abschn. 1.2). In Abschn. 1.3 wird auf das Thema Big Data detaillierter eingegangen, um die Komplexität einordnen zu können, wie große Datenmengen erfasst, strukturiert und analysiert werden, und wie Abschn. 1.4 anschließend erläutert aus Big Data Erkenntnisse generiert werden können, die zu Smart Data führen. In Abschn. 1.5 werden die Einsatzmöglichkeiten von Daten im Marketing anhand der Customer Journey beispielhaft beschrieben, in die auch die Beiträge dieses Herausgeberwerkes eingeordnet werden. Abschn. 1.6 beschreibt abschließend den aktuellen Stand der Nutzung von Data-driven Marketinganwendungen in der Praxis und zeigt die Herausforderungen des Data-driven Marketings auf.

1.2 Abgrenzung Data-driven Marketing

Der Begriff Marketing wird von der American Marketing Association (2017) wie folgt definiert: „Marketing is the activity, set of institutions, and processes for creating, communicating, delivering, and exchanging offerings that have value for customers, clients, partners, and society at large." Marketingmaßnahmen im Allgemeinen haben also das Ziel, den Kundenwert zu erhöhen; das bedeutet auch, die Bedürfnisse des Kunden bestmöglich zu adressieren und auf dieser Basis zu einer Ergebnisoptimierung des Unternehmens zu gelangen.

Beim Data-driven Marketing werden genau für dieses Ziel Daten eingesetzt bzw. verwendet (Kumar et al. 2013). Data-driven Marketing zielt unter Einsatz von Daten und deren Analyse somit darauf ab, den Kundenwert zu erhöhen. Die Daten können hierbei einen unterschiedlichen Ursprung haben. Grundsätzlich kann man zwischen Daten unterscheiden, die bei einer Primärerhebung mittels Befragung oder Beobachtung im Rahmen von klassischer Marktforschung auf eine Fragestellung hin zielgerichtet erhoben werden (Survey Data), und Daten, die bei passiven technischen Messungen heutzutage im großen Umfang anfallen und somit zu sogenannten Big Data führen (Wachter 2018).

In der Regel werden für datengetriebene Marketingentscheidungen heutzutage genau diese großen Datensätze gesammelt und analysiert, wobei auch eine Fusion von Survey Data und Big Data einen Mehrwert leisten kann (Wachter 2018). Aufgrund der stetigen Zunahme der Leistungsfähigkeit der Speichermedien, der Digitalisierung von Produkten und Dienstleistungen sowie der Vernetzung von Endgeräten ist die Generierung und Speichermöglichkeit von Daten in den letzten Jahrzehnten extrem gestiegen. So steht im engen Zusammenhang mit Data-driven Marketing und Big Data das digitale Marketing, welches Aktivitäten bezeichnet, die über digitale Marketingkanäle (in der Regel Online-Kanäle) gesteuert werden. Beispiele hierfür sind Suchmaschinenmarketing, E-Mail-Marketing, Werbung auf eigenen Websites, etc.

Werden für die Steuerung digitaler Marketingkanäle Daten bzw. Erkenntnisse aus Datenanalysen verwendet, kommt das Data-driven Marketing beim digitalen Marketing zum Einsatz. Natürlich können aber auch nicht-digitale Kanäle datengetrieben gesteuert werden. Beispielsweise kann mit Hilfe von Datenanalyse die Frage beantwortet werden, wem man postalische Werbung zukommen lassen sollte und wem nicht.

Eine große Herausforderung beim Data-driven Marketing ist es, die für die Marketingentscheidung relevanten Daten intelligent zu verknüpfen und mit entsprechenden Methoden so zu analysieren, dass für das Marketing nützliche Erkenntnisse gewonnen werden können. Denn Daten allein bringen noch lange keine Erkenntnisse. Aufgrund der enormen Fülle von Daten, die heutzutage zur Verfügung stehen, haben sich mehr und mehr intelligente und automatisierte Analysemethoden etabliert. Hierzu zählt die Künstliche Intelligenz (KI). Der Begriff Künstliche Intelligenz als Teilgebiet der Informatik beschreibt ein Konzept von Maschinen, die ähnlich wie Menschen planen, lernen und Sprache verstehen können. Der Software wird dieses Wissen durch maschinelles Lernen (Machine Learning) und tiefgehendes Lernen (Deep Learning) antrainiert. Auch im Marketing wird KI an den unterschiedlichsten Stellen angewandt (KI-Marketing). So werden z. B. Chatbots als Verkäufer eingesetzt. Bei der Preispolitik werden KI-Methoden eingesetzt, indem sich Produktpreise nicht nur zeitbezogen, sondern auch individuell der Zahlungsbereitschaft der Kunden anpassen (z. B. Preise bei Amazon oder auf großen Hotelportalen). Auch das Kundenverhalten bei Marketingkampagnen kann mit KI-Methoden prognostiziert werden (z. B. Kaufwahrscheinlichkeiten), genauso wie Kündigungswahrscheinlichkeiten oder Kundenlebenswerte. Ein weiterer großer Bereich sind Kundensegmentierungen, die mit KI-Methoden vorgenommen werden (Datasolut, 2020).

1.3 Datengrundlage für Data-driven Marketing

„Daten sind das Öl oder das Gold des 21. Jahrhunderts" – dieser Satz ist in vieler Munde, wenn es um Daten und Erkenntnisgewinn aus Daten für Business-Entscheidungen geht (z. B. Höinghaus 2015; Spitz 2017). Der Vergleich von Öl bzw. Gold mit Daten zeigt zum einen, dass Daten – wenn man sie für sich nutzen kann – sehr wertvoll sein können. Aber zum anderen muss der Vergleich auch kritisch gesehen werden, schließlich sind Gold oder Öl knappe Güter, die irgendwann aufgebraucht sein werden; vielmehr nehmen dagegen die Datenmengen zu, und zwar so rasant und in einem so starken Ausmaß, dass es eine große Herausforderung ist, sie für sich zum Vorteil zu nutzen. Darüber hinaus bezeichnet beispielsweise die Süddeutsche Zeitung „Daten als das neue Plutonium", wobei deutlich wird, dass der Einsatz von Daten auch große Risiken birgt, die kontrolliert werden müssen (Kreye 2020). Hierunter fallen z. B. die Themen Datenschutz (vgl. den Beitrag von Westerkamp in diesem Buch, Kap. 11) oder ethische Fragen (vgl. den Beitrag von Fabisch in diesem Buch, Kap. 13).

Die weltweit produzierte Datenmenge betrug 2018 33 Zettabyte, in 2025 schätzen Analysten diesen Wert bereits auf 175 Zettabyte. Wieviel 175 Zettabyte ist, zeigt folgender Vergleich: Eine einzelne Person bräuchte 1,8 Mrd. Jahre, um die gesamte Datenmenge von 175 Zettabyte mit herkömmlicher durchschnittlicher Downloadgeschwindigkeit von 25 Mb/s herunterzuladen. Alle Menschen auf der Erde zusammen würden 81 Tage brauchen, wenn sie Tag und Nacht diese Datenmenge downloaden würden (Reinsel et al. 2018).

Dass große Datensätze heutzutage generiert und gespeichert werden können, liegt im Wesentlichen an drei Entwicklungen:

der steigenden Speicherkapazität der Computerchips,

der zunehmenden Digitalisierung von Produkten und Services und

der Vernetzung von allem, was vernetzt werden kann.

Grundvoraussetzung ist zunächst die Speicherkapazität der Daten: Der Computer-Pionier Gordon Moore sagte bereits 1965 voraus, dass sich die Kapazität von Computerchips alle 18 bis 24 Monate bei gleichzeitiger Miniaturisierung und Verbilligung verdoppeln würde. Diese als Mooresches Gesetz bekanntgewordene Erkenntnis besitzt auch heute noch weitgehend Gültigkeit und wurde zum Treiber von Innovationen und die Grundlage für die Speicherung von Big Data (Intel o. J.). Auch wenn die Halbleiterindustrie diese Entwicklung nicht beibehalten kann, wird die Entwicklung alternativer Speichertechnologien wie neuromorphe Systeme oder Quantencomputer die Speicherung immer größerer Datenmengen möglich machen (Strobel 2016). Nur mit der Entwicklung neuer Technologien ist die Speicherung der heute anfallenden Datenmengen auch in der Zukunft möglich.

Die Digitalisierung beschreibt die Umwandlung physischer Produkte und analoger Prozesse in digitale Formate. Selbständige Produkte wie Fotoapparat, Diktiergerät und Taschenlampe sind inzwischen als App auf dem Smartphone installierbar. Prozesse wie der Check-In am Flughafen oder in Hotels sind digital möglich (Kreutzer und Sirrenberg 2019).

Durch die Digitalisierung entstehen neue Daten – diese Entwicklung wird verstärkt durch die zunehmende Vernetzung von allem, was vernetzt werden kann. Die Darstellung (Abb. 1.1) von Lewis zeigt eindrucksvoll, welche Menge an Daten allein durch das Internet jede Minute entsteht (Lewis 2019). Darüber hinaus ist nicht nur die Vernetzung von Computern, sondern auch von allen Geräten, die einen Sensor in sich tragen, möglich, daher spricht man vom „Internet of Things (IoT). Während in 2018 noch 21 Mrd. Objekte vernetzt waren, wird für 2022 bereits eine Vernetzung von 50 Mrd. Objekten prognostiziert (Juniper Research 2018). Die Entwicklung geht außerdem noch weiter: Inzwischen können nicht nur Computer und Objekte vernetzt werden, sondern auch Menschen, Tiere, Prozesse und Services: Das „Internet of Things entwickelt sich weiter zum „Internet of Everything" (Kreutzer und Sirrenberg 2019).

../images/479291_1_De_1_Chapter/479291_1_De_1_Fig1_HTML.png

Abb. 1.1

Eine Minute im Internet 2019.

(Quelle: Lewis 2019)

Die Digitalisierung und Vernetzung führt nicht nur zu großen Datenmengen, sondern auch zu Daten in neuen Formaten: So können Daten in strukturierten, aber auch teilstrukturierten bis hin zu unstrukturierten Formaten vorliegen.

Früher wurden ausschließlich strukturierte Daten verarbeitet, die ein vorgegebenes Format aufweisen, in das sich alle Daten einordnen lassen. Sie weisen eine Zeilen- und Spaltenstruktur auf und können in einer relationalen Datenbank organisiert werden (Luber und Nitzel 2017). Quellen für strukturierte Daten sind neben den klassischen ERP- und CRM-Systemen beispielsweise auch Kunden- und Kreditkarten-Sensoren am Point of Sale (PoS), die Produktidentifikation mittels Barcodes oder RFID sowie das Ortungssystem GPS (Gentsch 2019).

Unstrukturierte Daten besitzen dagegen eine nicht identifizierbare Struktur und lassen sich in herkömmlichen Datenbanken nicht ablegen. Es ist lediglich der Dateityp bekannt, die Inhalte liegen nicht in Form voneinander unabhängiger Datenfelder vor. Unstrukturierte Daten sind häufig Text, Audio- oder Videodateien, die häufig aus den sozialen Netzwerken stammen und user-generiert sind. Teilweise lassen sich diese Daten in eine Struktur überführen, ein großer Teil bleibt aber in unstrukturierter Form bestehen.

Eine Zwischenform stellen halbstrukturierte Daten dar, die zum Teil eine Struktur aufweisen, zum anderen Teil aber in unstrukturierter Form vorliegen. Ein Beispiel dafür sind E-Mails, die einen Absender, einen Empfänger und eine Betreffzeile haben, deren eigentlicher Inhalt aber aus Text besteht, der keine Struktur aufweist (Luber und Nitzel 2017).

Halbstrukturierte und unstrukturierte Daten machen häufig einen großen Teil der Big Data aus und stellen die Unternehmen vor große Herausforderungen bei der Speicherung und Verarbeitung dieser Daten. Beispielsweise liefern Social Media-Anwendungen Beziehungs- und Verhaltensdaten, von Smartphones erhält das Unternehmen Geo- und Bewegungsdaten. Durch neue Geschäftsmodelle kommen ebenfalls neue Datenquellen hinzu, digitalisierte Check-Ins liefern zusätzliche Verhaltensdaten, aus Carsharing erhält das Unternehmen Bewegungsmuster (vgl. den Beitrag von Pick in diesem Buch, Kap. 10). Gadatsch und Landrock (2017) haben versucht, die Datenquellen in einer Übersicht darzustellen (siehe Abb. 1.2), mit neuen Technologien kommen ständig neue Datenquellen hinzu.

../images/479291_1_De_1_Chapter/479291_1_De_1_Fig2_HTML.png

Abb. 1.2

Ausgewählte Datenquellen für Big Data.

(Quelle: Eigene Erstellung in Anlehnung an Gadatsch und Landrock 2017)

Diese durch die Digitalisierung neu entstehenden großen Datenmengen werden durch das häufig zitierte „3-V-Modell" der amerikanischen Marktforschungsagentur Gartner beschrieben: „Big Data is high-volume, high-velocity and/or high-variety information assets that demand cost-effective, innovative forms of information processing that enable enhanced insight, decision making, and process automation." (Gartner Glossary, o. J.-b). Das ursprüngliche Modell des Marktforschungsinstituts Gartner beinhaltet die drei „V Volume, Variety und Velocity, in der jüngeren Literatur sind die zwei weiteren „V Veracity und Value hinzugekommen (Fasel und Meier 2016; Kreutzer und Land 2017).

Volume bedeutet, dass die zur Verfügung stehenden Daten in großer Menge vorhanden sind. Durch die oben beschriebene stetig steigende Leistungsfähigkeit der technischen Hardware, die zunehmende Digitalisierung von Produkten und die Möglichkeit der Vernetzung von Geräten wächst die Datenmenge exponentiell (Knorre et al. 2020; Kreutzer und Sirrenberg 2019).

Variety bezieht sich auf die Vielzahl der oben beschriebenen unterschiedlichen Datenquellen und Datenformate, die verarbeitet werden müssen.

Velocity beschreibt die Geschwindigkeit, mit der Daten aktuell verarbeitet werden können, bis hin zur Verarbeitung in Echtzeit. Die Speicherung und Verarbeitung stellen hohe Anforderungen sowohl an die Hardware als auch die Software zur Analyse der Daten. Für Menschen ist diese Geschwindigkeit ohne die Unterstützung durch Analyse-Software nicht mehr zu bewältigen (Gentsch 2019). Im Programmatic Advertising beispielsweise wird Werbung auf Basis verschiedener Datenquellen wie Verhaltensdaten, Wetterdaten oder CRM-Daten in Echtzeit an die Nutzer von Websites, Smartphones oder Wearables ausgespielt (vgl. den Beitrag von Greve, Scheibe in diesem Buch, Kap. 5).

Veracity spricht die Qualität der vorliegenden Daten hinsichtlich Richtigkeit und Vertrauenswürdigkeit an. Dabei geht es nicht um die Relevanz der Daten, sondern um die inhaltliche Qualität wie Korrektheit, Vollständigkeit, Konsistenz und Aktualität. Es bestehen bereist vielfältige Methoden zu Sicherung der Datenqualität, die auch bei Big Data zum Einsatz kommen (vgl. den Beitrag von Wolters in diesem Buch, Kap. 2). Zur Veracity zählt neben Richtigkeit und Qualität auch die Glaubhaftigkeit der Daten. Die Auswertung nicht glaubhafter Daten führt zu falschen oder verzerrten Ergebnissen, beispielsweise von Phishing Mails oder Fake News. Problematisch ist aktuell noch, die Glaubhaftigkeit von Daten wie Fake News manuell zu überprüfen, zunehmend werden Systeme entwickelt, die die Veracity sicherstellen sollen (Gentsch 2019).

Mit Value ist schließlich der Wert der Daten für die Analyse gemeint. Die Verwendung von Big Data verlangt hohe Investitionen in Hard- und Software, die durch den Mehrwert, der dem Unternehmen durch die Verwendung der Daten entsteht, gerechtfertigt werden müssen (Knorre et al. 2020).

1.4 Von Big Data über Data Analytics zu Smart Data

Big Data bedeutet nicht nur, dass große Datenmengen zur Verfügung stehen, sondern dass diese auch wertschöpfend für die Industrie eingesetzt werden: Aus Big Data werden Smart Data. Dazu bedarf es Technologien und Fähigkeiten, neben formatierten Daten halbstrukturierte und unstrukturierte Daten verarbeiten und analysieren zu können. Solange Daten ungenutzt bleiben, bieten sie keinen Mehrwert für das Unternehmen. Je mehr Daten vorliegen und verarbeitet werden können, desto genauer kann der einzelne Kunde gemäß seiner individuellen Bedürfnisse angesprochen werden (Kreutzer und Sirrenberg 2019).

Um aus großen Daten sinnvolle Erkenntnisse zu gewinnen, sind neue Ansätze der Datenanalyse notwendig. Unter dem Oberbegriff Data Analytics stehen aus der Wissenschaft zahlreiche Methoden zur Verfügung, die der Analyse von strukturierten und auch unstrukturierten Daten dienen. Eine Einordnung der Analyseverfahren bietet das Marktforschungsunternehmen Gartner an. In seinem „Reifemodell für Data Analytics" zeigt es den Zusammenhang zwischen Schwierigkeitsgrad und Wert der unterschiedlichen Stufen von Data Analytics-Techniken auf (siehe Abb. 1.3).

../images/479291_1_De_1_Chapter/479291_1_De_1_Fig3_HTML.png

Abb. 1.3

Reifemodell für Data Analytics.

(Quelle: Eigene Erstellung in Anlehnung an Gartner, 2012)

Die klassischen deskriptiven Verfahren (Descriptive Analytics) der ersten Stufe finden nach wie vor Anwendung im Unternehmenskontext. Dabei geht es um die Auswertung vergangenheitsbezogener strukturierter Daten mit dem Ziel, Potentiale und Problemfelder zu identifizieren. Sie werden vor allem in Reportings im Kontext von Business Intelligence-Systemen eingesetzt.

Die diagnostischen Verfahren (Diagnostic Analytics) basieren ebenfalls auf vergangenheitsbezogenen Daten. Hier geht es darum, Ursachen, Auswirkungen und Wechselwirkungen zu klären. Hierzu gehören Methoden wie Kausalanalysen oder strukturentdeckende Verfahren (Gartner 2012). Im Marketing werden sie häufig eingesetzt, um Verhaltensmuster in Kundendaten zu identifizieren und den Kunden zielgerichteter ansprechen zu können.

Prädiktive Verfahren (Predictive Analytics) sind in der Lage, auf Basis von Vergangenheitsdaten Vorhersagen für zukünftiges Verhalten zu treffen. Auch hier kommen sämtliche statistischen Methoden bis hin zu KI zum Einsatz, um Aussagen über die Wahrscheinlichkeit zukünftiger Ereignisse treffen zu können.

Die höchste Stufe nach Gartner stellen die präskriptiven Verfahren (Prescriptive Analytics) dar, die nicht nur zukünftige Ereignisse prognostizieren, sondern auch Hinweise darauf geben, wie Ereignisse beeinflusst werden können. Mit Simulationsstudien und Wenn-Dann-Analysen beispielsweise kann die Auswirkung verschiedener Handlungsoptionen aufgezeigt werden.

Bei den sogenannten Advanced Analytics-Methoden, die die diagnostischen, prädiktiven und präskriptiven Verfahren umfassen, werden die klassischen Methoden der Business Intelligence verlassen, um tiefergehende Erkenntnisse zu gewinnen, Vorhersagen zu treffen und gezielte Empfehlungen geben zu können. Hier kommen zahlreiche Methoden wie Text Mining, semantische und Sentiment-Analysen, Simulationsanalysen oder neuronale Netze zum Einsatz (Gartner Glossary o. J.-a). Dabei geht es nicht mehr darum, vermutete Zusammenhänge zu bestätigen, sondern