Data Driven Marketing Daten - die Währung der Zukunft - crier
Werbung
Data Driven Marketing … and Sales BEDARF ANALYSIEREN – UMSATZ GENERIEREN MARKETING-KONGRESS, DONNERSTAG, 30. MÄRZ 2017 MÖVENPICK HOTEL MÜNSTER Daten - die Währung der Zukunft Reiner Kurzhals, FH Münster, Münster School of Business 1 Zusammenfassung Was Sie heute von mir zu hören bekommen Bedeutung Digitalisierung, Big Data, Data Science Reiner Kurzhals, FH Münster, Münster School of Business 2 Reiner Kurzhals, FH Münster, Münster School of Business 3 Reiner Kurzhals, FH Münster, Münster School of Business 4 Ein Arbeits-Leben mit Daten Hoechst AG Statistik Studium Big Data Start-Up Gründer Daten 18 Jahre Strategie Beratung Reiner Kurzhals, FH Münster, Münster School of Business Roland Berger Strategieberatung 8 Jahre Industrie (F&E) Westfälische Hochschule FH Münster Münster School of Business 18 Jahre Statistik Professor 4tree GmbH Sonstige signifikante Tätigkeiten - Chef-Fußballtrainer Waldorfschule MS - Co-Trainer des Co-Trainers U12 Westf. Kinderhaus 5 Reiner Kurzhals, FH Münster, Münster School of Business 6 Gestern und Heute: Meist interne Daten nutzen um Marketing/Vertrieb Entscheidungen zu verbessern, als Reaktion auf Vergangenem Ziel war und ist es • mit CRM/ERP/BI Lösungen das operative Ergebnis zu verbessern • Betriebsabläufe über deskriptives Berichtwesen zu optimieren • mehr Reaktion (auf Vergangenes) als Aktion (für Zukünftiges) Entscheidungen verbessern Reiner Kurzhals, FH Münster, Münster School of Business Marketing Vertrieb 7 Neu ist Heute: der Datenstrom (Digitalisierung) explodiert und ein neues Wertschöpfungspotenzial wird verfügbar Die Zeiten haben sich geändert, jetzt gibt es • • • viel mehr Daten zur Verfügung (strukturiert/unstrukturiert, intern/extern) dramatisch bessere Datenverarbeitungsmöglichkeiten (z. B. Hadoop) neue Konkurrenz durch Globalisierung/Digitalisierung/Disruption damit haben sich auch die Ziele verändert intern + Entscheidungen verbessern extern + Vorhersage 1to1 Targeting Reiner Kurzhals, FH Münster, Münster School of Business Marketing Vertrieb + • • • • Customer Journey Kundenbindung Trends Echtzeit Analyse 8 Wesentlich ist das Sammeln von Kundendaten, um Entscheidungsträger mit einem aktuellen Bild des Kundenverhaltens zu versorgen Nutzen des Data-Driven Marketings • Schnelligkeit - Änderungen im Kaufverhalten schnell erkennen. • Nachhaltigkeit - Langfristige Kundenbeziehung • Konkurrenzfähigkeit – Wettbewerbsfähig bleiben • Vorausschauen - Bedürfnisse und Erwartungen der Kunden antizipieren • Effektivität - Kampagnen im Hinblick auf ROI-Wert wesentlich verbessern Reiner Kurzhals, FH Münster, Münster School of Business Zentrale Elemente 9 Neues Wertschöpfungspotential durch Digitalisierung, Big Data, Data Science Digitalisierung (Industrie 4.0) Natur funktioniert analog. Digitalisierung komprimiert Informationen • Berühmtestes Beispiel: MP3 Player • oder z. B. Call-Center Anrufe (1=sehr zufrieden, .., 10 = sehr unzufrieden) Umsetzung Big Data Wann sind Daten BIG? Sebastian Thrun, Google Labs Gründer, sagt dazu: • ca. ab 3-5 Terabyte (2016) Big Data Not Only-SQL Map-Reduce In-Memory • Data Science Ein Data Scientist braucht viele Kompetenzen Not so Big Data SQL Data Science Data Warehouse Verarbeitung von großen, komplexen, sich schnell ändernden Datenmengen die mit herkömmlichen Methoden der Datenverarbeitung nicht mehr auszuwerten sind Reiner Kurzhals, FH Münster, Münster School of Business Domain Wissen • • Analysiert was zukünftig passiert Macht aus „Big Data“ mit den entsprechenden Tools „Smart Data“ 10 Mögliche Gefahren im Online Marketing: Beschaffenheit und Beschaffung der Daten Beschaffenheit - je mehr Daten, desto schwieriger ist die Auswertung • • Welche Daten sind nützlich für Vertrieb/Kundenpflege. Erfolgreiches Data-Driven Marketing ist auf Smart Data und Tools angewiesen. Beschaffung – Datenschutz und Privatsphäre Kunden wünschen sich transparenten Dialog, wenn sie Daten zur Verfügung stellen • Sie wollen auch die Möglichkeit, den Datensatz zu verändern • Daten werden von Unternehmen wie Geheimnisse behandelt, führt zu Misstrauen Ein weiteres Problem: Rationalisierung der Informationen • • Kundendaten werden zu Zahlen, sind immer seltener mit den Menschen verknüpft Unternehmen müssen auch den Menschen mit all seinen Facetten dahinter sehen. Reiner Kurzhals, FH Münster, Münster School of Business 11 Populäre Anwendungen (I) Target How Target Figured Out A Teen Girl Was Pregnant Before Her Father Did • • • An angry man went into a Target outside of Minneapolis, demanding to talk to a manager: “My daughter got this in the mail!” he said. “She’s still in high school, and you’re sending her coupons for baby clothes and cribs? Are you trying to encourage her to get pregnant?” The manager apologized and then called a few days later to apologize again. On the phone, though, the father was somewhat abashed. “I had a talk with my daughter,” he said. “It turns out there’s been some activities in my house I haven’t been completely aware of. She’s due in August. I owe you an apology. Reiner Kurzhals, FH Münster, Münster School of Business 12 Populäre Anwendungen (II) Cambridge Analytica SPIEGEL ONLINE vom 6.12.2016:Ich ganz allein habe Trump ins Amt gebracht - Sieg durch Facebook Daten Camebridge Analytica hat eine Methode zur Psychografie per FacebookAktivität eingesetzt • • Persönlichkeit des Menschen durch Likes und Postings bestimmen dieselbe Firma auch für die Brexit-Kampagne gearbeitet Michael Kosinski stellt als Student 2008 an der Cambridge University eine kleine App ins (damals noch überschaubare) Facebook: MyPersonality • • • • 2012 erbringt Kosinski den Nachweis, dass man aus durchschnittlich 68 Facebook-Likes eines Users vorhersagen kann • welche Hautfarbe er hat (95-prozentige Treffsicherheit) • ob er homosexuell ist (88-prozentige Wahrscheinlichkeit) • ob Demokrat oder Republikaner (85 Prozent). 90 Likes reichen, um die Menschenkenntnis eines Freundes zu überbieten, 150 um die der Eltern 300 Likes deren Partner Am Tag, als Kosinski diese Erkenntnisse publiziert, erhält er zwei Anrufe. Eine Klageandrohung und ein Stellenangebot. Beide von Facebook. Reiner Kurzhals, FH Münster, Münster School of Business 13 Reiner Kurzhals, FH Münster, Münster School of Business 14 Der Unterschied zwischen Business Intelligence und Data Science ist der vom Passivem zum Aktiven Akteur Frage Business Intelligence Data Science Anwendung Deskriptiv Was ist passiert? Wie viele Kunden haben wir letztes Quartal verloren? Diagnose Warum ist es passiert? Warum haben wir so viele Kunden letztes Quartal verloren? Prädiktiv Was wird passieren? Wie viele Kunden werden wir nächstes Quartal verlieren? Präskriptiv Reiner Kurzhals, FH Münster, Münster School of Business Wie können wir diesen zukünftigen Was müssen wir zukünftig ändern? Kundenverlust verhindern? 15 Die Mehrheit der aktuellen, empirischen Studien zeigen großes Unternehmensinteresse an Big Data und Data Science Z. B. KPMG/BITKOM Studie „ Mit Daten Werte schaffen“ (2016) (n=704, Unternehmen mit >100 MA, Abt.- und Bereichsleiter) Zentrale Aussagen • Datenanalysen werden wichtiger, 66% ziehen einen Nutzen daraus (2015:50%) • Einfache, deskriptive Datenanalysen dominieren noch, die Zukunft gehört komplexeren, zukunftsorientierten Analysen • Datenschutzbedenken und mangelnde Ressourcen für 50% eine relevante Hürde • Obwohl >66% sind an Big Data interessiert, haben 33% eine Big-DataStrategie Reiner Kurzhals, FH Münster, Münster School of Business 16 Deskriptive Analysen werden noch am meisten benutzt, aber Prädiktive Analysen sind auf dem Vormarsch Welche der folgenden Analysen nutzt, plant oder diskutiert diese? Nutzer Planer Diskutierer Deskriptive Analysen 2016 48 10 11 2015 43 9 11 Prädiktive Analysen 2016 39 23 15 2015 35 29 16 Präskriptive Analysen 2016 15 8 10 2015 12 4 6 Reiner Kurzhals, FH Münster, Münster School of Business 17 Vorbehalte gegenüber Nutzung fortgeschrittener Datenanalysen Fehlende Rechtsgrundlage und Fachpersonal sind größtes Hemmnis Reiner Kurzhals, FH Münster, Münster School of Business 18 PINGO [Peer INstruction for very large GrOups] Kostenloses und Anonymes Live-Feedback (von der Uni Paderborn) • Jeder, der ein internetfähiges Gerät besitzt kann sofort teilnehmen • Bitte geben Sie in Ihrem Browser diese Seite ein: pingo.upb.de • Dann erscheint dieses Fenster • Hier geben Sie in das freie Feld diese Zahl ein: 607254 • Jetzt können Sie abstimmen Reiner Kurzhals, FH Münster, Münster School of Business 19 Reiner Kurzhals, FH Münster, Münster School of Business 20 Der Kundenlebenszyklus lässt viele Zeitpunkte zur intelligenten und nachhaltigen Analyse der Kundendaten zu Beziehungsintensität Kundenwertanalyse, Targeting, Responseanalyse, Fraud Detection, Shopping Basket Analysis Segmentierung Reporting Churn Up-Sell Cross-Sell Zeit Akquisition Neukunde Entwicklung Reiner Kurzhals, FH Münster, Münster School of Business Bestand Rückgewinnung 21 Schnelle Erfolge lassen sich mit einigen Datenanalysen generieren, einige Analysen sind für den nachhaltige Geschäftserfolg Kostenreduktion Umsatzerhöhung + Kurzhals Magical Quadrant for Use-Cases Cross-Sell Prognosen Up-Sell Customer Value Analysis Segmentierung - Reporting Targeting + Fraud Fraud Churn Churn Quick Hit Reiner Kurzhals, FH Münster, Münster School of Business Nachhaltig 22 Reiner Kurzhals, FH Münster, Münster School of Business 23 Es gibt viele Gründe, warum man noch nicht mit der neuen Wertschöpfung begonnen hat • • Große Unternehmen können sich eine eigene Data Science Abt. leisten KMUs viel weniger, weil man nicht weiß, • wie man Mitarbeiter einstellen soll • was gemacht werden kann • wie man es macht • wen man fragen soll oder falls obiges nicht zutrifft, man • die Effizienz der Investition fürchtet (ROI) oder falls obiges nicht zutrifft, man • schon schlechte Erfahrung gemacht hat Reiner Kurzhals, FH Münster, Münster School of Business 24 Make or Buy … oder etwas von Beidem Make • Eine eigene Abteilung aufzubauen braucht zwei verschiedene Typen von Experten 1. Informatiker (mit Statistik Kenntnissen) 2. BWLer (mit Statistik Kenntnissen) Buy • Externes Wissen einzuholen braucht Wissen aus obigem 1. und 2. Fakt ist, dass auf dem Arbeitsmarkt ein absoluter Mangel an Statistik Experten aus den Bereichen 1. und 2. existiert. • • In den USA gibt es hunderttausende offene Stellen im Bereich Data Analyst / Data Scientist – in D(ACH) mehrere Tausend Einstiegsgehälter sind dramatisch hoch – in den USA bei 120.000 $a ahttps://www.paysa.com/salaries/data-scientist Reiner Kurzhals, FH Münster, Münster School of Business 25 Reiner Kurzhals, FH Münster, Münster School of Business 26 Nach Big Data, Deep Learning (eine Variante des Machine Learning) folgt eine neue Welle im Bereich der Datenanalyse - PAaaS Damit sich viele KMUs am enormen (neuen) Wertschöpfungspotential (187 Mrd. $ in 2019a) beteiligen können, muss eine Service Lösung angeboten werden: „ … as a Service“. Make • KMUs müssten dann ein wenig Expertise aufbauen Daten bereitstellen Buy • KMUs müssten kaum externe Hilfe in Anspruch nehmen Die Datenanalyse würde per Automatisierung als neue „ … as a Service“ Lösung funktionieren. PAaaS (Predictive Analytics as a Service) a http://www.informationweek.com/big-data/big-data-analytics/big-data-analytics-sales-will-reach-$187-billion-by-2019/d/d-id/1325631 Reiner Kurzhals, FH Münster, Münster School of Business 27 Predictive Analytics as a Service - als Speerspitze auf dem Konzept Everything as a Service XaaS XaaS Service Models (nach Kurzhals, 2017a) PAaaS SaaS (Software as a Service) PaaS (Platform as a Service) IaaS (Infrastructure as a Service) a noch im Veröffentlichungsprozess Reiner Kurzhals, FH Münster, Münster School of Business 28 Reiner Kurzhals, FH Münster, Münster School of Business 29
