Inhaltsverzeichnis

Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
Hochschule:
Standort:
Studiengang:
Veranstaltung:
Betreuer:
Typ:
Themengebiet:
Autor(en):
Studienzeitmodell:
Semesterbezeichnung:
Studiensemester:
Bearbeitungsstatus:
Prüfungstermin:
Abgabetermin:
Fallstudienarbeit
Hochschule für Oekonomie & Management
Düsseldorf
Bachelor Wirtschaftsinformatik
Fallstudie / Wissenschaftliches Arbeiten
Prof._Dr._Uwe_Kern
Fallstudienarbeit
Big Data
Nandor Gyerman, Oliver Broszat, Michael Reinartz
Abendstudium
SS15
2
Bearbeitung abgeschlossen
22.6.2015
21.6.2015
Inhaltsverzeichnis
• 1 Verzeichnisse
♦ 1.1 Abkürzungsverzeichnis
♦ 1.2 Abbildungverzeichnis
• 2 Einleitung
♦ 2.1 Digitale Disruption von Wirtschaftsmodellen
♦ 2.2 Zielsetzung
♦ 2.3 Aufbau und Methodisches Vorgehen
• 3 Big Data Grundlagen
♦ 3.1 Grundlagen von großen Datenmengen
◊ 3.1.1 Definition von Big Data
◊ 3.1.2 Eigenschaften von großen
Datenmengen
◊ 3.1.3 Strukturierte und unstrukturierte
Daten
◊ 3.1.4 Datenquellen und Jevons? Paradoxon
♦ 3.2 Grundlagen von Big Data Technologien
◊ 3.2.1 Big Data Analytics
◊ 3.2.2 Google MapReduce und Google File
System (GFS)
◊ 3.2.3 Data Lakes und NoSQL
Datenbanken
◊ 3.2.4 Hadoop Familie
• 4 Big Data im Bereich Marketing und Vertrieb
♦ 4.1 Nutzen von Big Data in Marketing und
Vertrieb
◊ 4.1.1 Mehrwert durch Werttreibung
◊ 4.1.2 Reichtum an Metriken
⋅ 4.1.2.1 Zielgerichteres Marketing
verringert die Ausgaben
⋅ 4.1.2.2 Return On Marketing
Investment (ROMI)
Inhaltsverzeichnis
1
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
⋅ 4.1.2.3 Integration von
Vertriebskanälen
⋅ 4.1.2.4 Datengetriebene
Vermarktung
◊ 4.1.3 Verbesserte Interaktion mit Kunden
⋅ 4.1.3.1 360°-Sicht auf den Kunden
⋅ 4.1.3.2 Individualisierung
⋅ 4.1.3.3 Einsicht für Personalisierte
Verkaufsgespräche
◊ 4.1.4 Datenvisualisierung
♦ 4.2 Big Data Technologien in Marketing und
Vertrieb
◊ 4.2.1 Big Data Technologien in
Einzelhandel
⋅ 4.2.1.1 Electronic Shelf Labels
(ESL)
⋅ 4.2.1.2 In-Store Analytics
⋅ 4.2.1.3 Beaconing
⋅ 4.2.1.4 Workforce Analytics
◊ 4.2.2 Integrated Marketing Management
(IMM)
◊ 4.2.3 Predictive Analytics
♦ 4.3 Risiken im Einsatz von Big Data im Marketing
und Vertrieb
◊ 4.3.1 Risiken auf IT Ebene
⋅ 4.3.1.1 Dirty Data
⋅ 4.3.1.2 Data Inertia
⋅ 4.3.1.3 Data Silos
◊ 4.3.2 Risiken auf strategische Ebene
⋅ 4.3.2.1 Mangel an Talent und
Training
⋅ 4.3.2.2 Integration der Marketing
Strategie
⋅ 4.3.2.3 Showrooming
⋅ 4.3.2.4 Paradigmenwechsel von
Kausalität nach Korrelation
• 5 Schlussbetrachtung
♦ 5.1 Expansions- und Kontraktionsphasen von
neuen Technologien
♦ 5.2 Die neuen 4P's des Marketings
• 6 Anhang
♦ 6.1 Literatur- und Quellenverzeichnis
♦ 6.2 Fußnoten
1 Verzeichnisse
1 Verzeichnisse
2
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
1.1 Abkürzungsverzeichnis
Abkürzung
Bedeutung
ACID
Atomicity, Consistency,
Isolation, Durability
BDA
Big Data Applications
CAO
Chief Analytics Officer
CDO
Chief Digital Officer
CIO
Chief Information Officer
CLV
Customer Lifetime Value
CMO
Chief Marketing Officer
CRM
Customer Relationship
Management
CX
Customer Experience
DBMS
Database Management
System
ESL
Electronic Shelf Labels
ETL
Extract, Transform, Load
GoogleFS
oder GFS
Google File System
IMM
Integrated Marketing
Management
MLA
Mobile Location Analytics
NoSQL
Not only SQL
ROI
Return On Investment
ROMI
Return On Marketing
Investment
SPOF
Single Point of Failure
SQL
Structured Query Language
XML
Extensible Markup
Language
1.2 Abbildungverzeichnis
Nummer Abbildung
1.1 Abkürzungsverzeichnis
Quelle
3
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
1
Data
Landscape
In Anlehnung an: Mohanty, Madhu, Srivatsa (2013) Seite 108
2
Tesco ESL
URL: http://www.u-sluno.com.ua/image/admin_large/10012.jpg
3
McKinsey
Studie
URL:
http://www.mckinsey.com/insights/business_technology/big_data_the_next_frontier_for_innova
2 Einleitung
2.1 Digitale Disruption von Wirtschaftsmodellen
Unsere Welt wird immer automatisierter und digitalisierter, und beinahe alle Geschäftsmodelle werden von dieser
Entwicklung der 'Digitalen Disruption' beeinflusst.
Diese Entwicklung birgt Gefahren, denn was passiert, wenn eine Technologische Neuerung oder ein Trend
verpasst wird hat sich unter anderem bei der Entwicklung des Telefons gezeigt, als das Monopol der Telegraphen
Industrie innerhalb kürzester Zeit gebrochen wurde. Vor allem für große Unternehmen ergeben sich hierbei
Gefahren, denn ein verpasster Trend kann die Existens des Unternehms gefährden. Daher ist es essentiell, das die
Unternehmen sich mit dem Markt und den zur Verfügung stehenden Technologien entwickeln um auch in
Zukunft bestehen zu können.
Aufgrund der stark voranschreitenden Digitalisierung verlieren traditionelle Medien wie Bücher, oder veraltete
Technologien und Vertriebsmodelle wie CDs in die Musikindustrie immer mehr an Bedeutung. Durch stärkere
Nutzung von sozialen Netzwerken und personalisierten Serviceleistungen ergeben sich den Unternehmen neue
Möglichkeiten mit den Kunden zu Interagieren. Durch diese persönlich zugeschnittene Kommunikation verliert
das Traditionelle Marketing an Bedeutung.
Der nächste Schritt der digitalen Revolution ist Big Data, vor allem für Marketing und Vertrieb ergeben sich
ungeahnte Möglichkeiten. Die Entwicklung von Big Data wurde Maßgeblich durch von Google veröffentlichte
Forschungsergebnisse zu Themen wie MapReduce stark vorangetrieben und durch den technologischen
Fortschritt ist es heute möglich, Informationen immer schneller zu sammeln, zu verarbeiten und es werden immer
neue Möglichkeiten gefunden um diese zu nutzen.
2.2 Zielsetzung
Big Data ist eines der Themen, welche unser Leben stark beeinflussen, doch viele wissen nicht was es ist.
Unternehmen setzen Big Data Technologien immer öfter ein um mittels personalisierten Produkten und Services
besser mit den Kunden kommunizieren zu können und so eine für beide Seiten Vorteilhafte Langzeitbeziehung zu
schaffen
Das Ziel dieser Arbeit ist es, Big Data aus der Sicht von Marketing und Vertrieb zu betrachten und anhand
praktischer Beispiele einen Überblick darüber zu verschaffen, was Big Data eigentlich ist, in welche Richtung es
sich entwickelt und welche Auswirkungen diese Entwicklung auf unser Leben hat.
1.2 Abbildungverzeichnis
4
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
2.3 Aufbau und Methodisches Vorgehen
Wir betrachten Big Data in Marketing und Vertrieb und die Neuerungen, welche der Einsatz der neuen
Technologien mit sich bringt. Dabei erläutern wir zunächst die wichtigsten Eigenschaften und Grundlagen von
Big Data.
Anschließend betrachten wir, welcher Nutzen sich für Unternehmen aus dem Einsatz von Big Data ergibt.
Big Data ist ein Trendthema dessen Entwicklung wird rasant vorangetrieben wird. Allerdings sind viele
Unternehmen noch nicht darauf eingestellt, aus diesem Grund ergeben sich häufig Probleme bei der Realisierung
und Integration. Wir gehen darauf ein, welche Risiken der Einsatz von Big Data im Bereich Marketing und
Vertrieb beinhaltet, wie Big Data die Entscheidungen des Managements beeinflusst und in welche Richtung sich
der Umgang und die Gewinnung von Daten entwickelt.
Auch unsere Gesellschaft wird von dieser Entwicklung beeinflusst, daher werfen wir zum Abschluss noch einen
kurzen Blick auf die wichtigsten Trends und Bedenken im Umgang mit den Daten.
3 Big Data Grundlagen
3.1 Grundlagen von großen Datenmengen
3.1.1 Definition von Big Data
2.3 Aufbau und Methodisches Vorgehen
5
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
Abbildung 1: Data Landscape
Daten werden gespeichert, transportiert, verarbeitet und aufbereitet. Die wachsende Schnelligkeit mit der die
Daten generiert werden und sich verändern bringt die heutigen Datenverarbeitungsmethoden an ihre Grenzen.
Veraltete, falsche oder nutzlose Daten können für Unternehmen die Wettbewerbsunfähigkeit bedeuten, daher ist
es wichtig diese Herausforderungen zu bewältigen.
Big Data, nach Edd Dumbil, sind Daten, welche die Verarbeitungskapazitäten von konventionalen
Datenbanksystemen überschreiten, sich zu schnell ändern oder nicht in die Einschränkungen der
Datenbankarchitektur passen. Um einen Mehrwert aus diesen Daten zu gewinnen, müssen alternative Wege zum
verwalten dieser Daten gefunden werden. Das IT-Trendwort 2012, Big Data ist durch kosteneffiziente Ansätze
durchführbar geworden um Menge, Geschwindigkeit und Komplexität von massiven Daten zu bändigen. In
diesen Daten liegen aufgrund des erforderlichen Extraktionsaufwands wertvolle Muster und Informationen
versteckt.[1]
Manche kategorisierten Big Data als eine Volumen Angelegenheit, einzig für den Umgang mit Daten im Petabyte
Umfang. Einige assoziierten Big Data mit Datentypenvarianz, auch wenn das Datenvolumen nur auf Terabyte
Größe ist. Diese Interpretationen haben Big Data situationsabhängig gemacht.[2]
Wie in der Abbildung 1 zu sehen ist, ist Big Data eine Erweiterung von bestehenden Systemen und Technologien.
Vor allem deckt Big Data viel mehr Datenquellen, wie das Mobile Web und RFID Chips ab, wessen Daten dann
für Analysen genutzt werden können.
3.1.1 Definition von Big Data
6
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
3.1.2 Eigenschaften von großen Datenmengen
Es gibt einige Eigenschaften, mit welchen wir große Datenmengen beschreiben können. Die Wichtigsten sind:[3]
• Volume - Das Volumen der Datenbestände.
• Velocity - Die Geschwindigkeit der Daten.
• Variety - Die Art der Daten.
In diesen Daten verbergen sich wertvolle Muster und Informationen. Durch die heute vorhandenen Möglichkeiten
der Cloud und Open source Software, ist der Einsatz geeigneter Datananalysetools günstiger geworden.[4]
Das steigende Volumen der Datenbestände ergibt sich daraus, dass die Kosten der E-channels gesunken sind und
die Unternehmen nun die Möglichkeit haben, ihre Produkte oder Dienstleistungen an mehr Handelspartner zu
senden. Zusätzlich ist es möglich bis zu 10x mehr Daten zu einer einzelnen Transaktion zu gewinnen. Dadurch,
dass Manager erkannt haben, welcher Nutzen aus diesen Daten gewonnen werden kann wollen sie diese nur
ungern löschen. Daher wird in der Regel eher zusätzlicher Speicher angeschafft, was die Menge der vorhandenen
Daten stets erhöht.
Auch die Geschwindigkeit mit welcher die Daten bewegt werden hat einen höheren Wert. Erkenntnisse können
früher gewonnen werden und es kann schneller auf die neuen Erkenntnisse reagiert werden. Was dem
Unternehmen einen Wettbewerbsvorteil ermöglicht.
Seit der Vorstellung der 3Vs kamen noch einige weitere dazu, zwei davon sind:
• Veracity - Der Grad der Genauigkeit oder des Wahrheitsgehalts der Daten.
• Value - Die Nützlichkeit der Daten für den Benutzer.
Der Wert der Datensätze steigt mit der Anzahl an Informationen die in ihm enthalten sind. So steigt
beispielsweise der Preis mit Informationen zu einer Person, wenn zusätzlich zum Namen auch die Adresse
verfügbar ist.
3.1.3 Strukturierte und unstrukturierte Daten
Strukturierte Daten benötigen ein vorher definiertes Datenmodell welches festlegt, welche Daten gesammelt
werden, wie diese verarbeitet werden und wie auf sie zugegriffen werden kann. Ein Beispiel für strukturierte
Daten ist eine relationale Datenbank. Diese hat eine fest vorgegebene Struktur, in welche die Daten eingegeben
werden müssen.
Unter dem Begriff 'unstrukturierte Daten' sind Daten zu verstehen, welche nicht anhand eines vorgegebenen
Modells organisiert sind. Die Unstrukturiertheit der Daten bietet den Vorteil, dass keine Informationen dadurch
verloren gehen, dass die Daten in ein einheitliches Format umgewandelt werden.
Bei semistrukturierten Daten handelt es sich um eine Mischform aus strukturierten Daten und unstrukturierten
Daten. Semistrukturierte Daten lassen sich anhand von Tags oder Marker strukturieren, allerdings haben die
Daten keine feste Struktur. Ein Beispiel sind E-Mails; diese haben einen Betreff und einen Empfänger, aber
beinhalten auch unstrukturierte Texte und Anhänge.
Heutige Datenbestände sind häufig zu groß oder zu unbedeutend um strukturiert zu werden. Daher macht es bei
diesen Beständen keinen Sinn, auf den ACID Kriterien zu bestehen. Der Fokus von Big Data liegt somit auf der
Verarbeitung von unstrukturierten Daten.
3.1.2 Eigenschaften von großen Datenmengen
7
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
3.1.4 Datenquellen und Jevons? Paradoxon
Daten können aus vielen Quellen entstehen unter anderem:
• Firmendaten - Daten welche ein Unternehmen beschafft oder während des operationalen Geschäfts
gewinnt.
• Smartphones - Die Aggregation von Daten welche durch den Benutzung von Smartphones entsteht.
• Open Data - Frei verfügbare Daten; werden häufig durch die Regierung oder wissenschaftliche Projekten
zur Verfügung gestellt.
• Social Media - Daten, welche durch Soziale Medien wie Facebook gesammelt werden.
• Quantified self - Daten durch am Körper getragene Messgeräte wie der Blutdruck oder die Luftqualität.
• Internet der Dinge - Daten welche durch die Kommunikation von Gegenständen entstehen (z.B. durch
RFID).
Laut Gartner wird das Internet der Dinge bis 2020 auf 26 Mrd. Geräte anwachsen wird.[5]
Das Jevons' Paradoxon besagt, dass die aufgrund des technologischen Fortschritts effizientere Nutzung eines
Rohstoffs zu einem höheren Verbrauch dieses Rohstoffes führt. Benannt wurde dieses Paradoxon nach William
Stanley Jevons dieser stellte bereits 1865 fest, dass der Preis für Kohle immer weiter stieg, obwohl die
eingesetzten Dampfmaschinen immer effizienter wurden. Begründen lässt sich diese Entwicklung daraus, dass die
Nachfrage nach den nötigen Technologien aufgrund der sinkenden Preise steigt.
Bezogen auf Big Data bedeutet dies, dass mit steigender Effizienz der Big Data Technologien immer mehr Daten
werden gesammelt uns neue Anwendungen für diese gefunden werden.
3.2 Grundlagen von Big Data Technologien
3.2.1 Big Data Analytics
Es ist schwer, Informationen aus Daten zu gewinnen. Doch es ist noch schwieriger, sinnvolle Informationen aus
großen Datenbeständen zu gewinnen. Big Data Analytics ist ein Prozess um große Datenbestände nach bisher
unerkannten nützlichen Mustern, zusammenhängen oder anderen Informationen zu durchsuchen. (Dieser Prozess
wird häufig mit der Suche nach der Nadel im Heuhaufen verglichen. Oder nach der Suche des Heuhaufens.)
Um dieses Ziel zu erreichen verwendet Big Data Analytics komplexe Methoden und Technologien wie:
• Text mining - Gewinnung von Informationen aus Text.
• Machine learning - Unterbereich der künstlichen Intelligenz zur Erkennung von Mustern.
• Predictive analytics - Nutzt statistische Analysen um Vermutungen über die Zukunft aufzustellen.
• Data mining - Dient der Erkennung von Informationen und Mustern in Daten.
• Statistical analysis - Sammelt, organisiert und interpretiert Daten.
• Natural language processing - Erforscht die Verbindung zwischen menschlicher und Computersprache.
Interessanterweise, besteht das Hauptproblem bei der Einführung von Big Data Analytics nicht in der Qualität der
Daten sondern in dem fehlenden Verständnis, wie die Analyse das Unternehmen verbessert [6].
3.1.4 Datenquellen und Jevons? Paradoxon
8
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
3.2.2 Google MapReduce und Google File System (GFS)
Google war einer der größten Beiträger zu Big Data. Beginnend in 2003, Google Wissenschaftler veröffentlichten
eine Reihe von Arbeiten welche die Algorithmen und Methodologien hinter den Tätigkeiten von Google als eine
Suchmaschine und Google als Unternehmen liegen ? diese Arbeiten haben entscheidend dazu beigetragen, die
Entwicklung von Big Data Technologien voranzutreiben.
Die erste wissenschaftliche Arbeit, veröffentlich in 2003, beschreibt das Google File System (GFS).[7] Das
Google File System ist ein verteiltes Dateisystem, bedeutet, dass individuelle Dateien auf kleinere Stücke verteilt
werden, welche dann in einer redundant Weise auf einem Computer Cluster verteilt werden. Als wichtiger
Terminus bezüglich dessen ist "commodity hardware" zu nennen, da das GFS auf kostengünstigerer, leichter
verfügbarerer Hardware implementiert war. Das Ergebnis waren reduzierte Kosten, Fehler Toleranz und
einfachere Skalierbarkeit.
Das zweite research paper, veröffentlicht in 2004, hat die Bezeichnung "MapReduce: Simplified Data Processing
on Large Clusters".[8] Wahrscheinlich das für Big Data am relevanteste, es beschreibt den MapReduce
Algorithmus, welcher aus drei essentiellen Schritten besteht.
• Der 'Map' Schritt, welcher die Map() function auf den lokalen Daten für jeden Datenknoten ausführt.
• Der 'Shuffle' Schritt, welcher die Daten basierend auf den output keys von der Map() Funktion
umorganisiert, sodass Daten mit den gleichen Keys auf demselben Datenknoten lokalisiert werden.
• Der 'Reduce' Schritt, in welchen die Daten für jeden Datenknoten parallel verarbeitet werden können.
Die dritte Wissenschaftliche Arbeit, veröffentlich in 2006 hat den Titel "Bigtable: A Distributed Storage System
for Structured Data"[9] und ist von signifikanter Bedeutung für die Datenspeicherung in Big Data. Viele modere
NoSQL Datenbanken wurden danach entwickelt.
In 2010 wurden von Google drei andere Signifikante Wissenschaftliche Arbeiten bezüglich Big Data
veröffentlicht.
• Percolator - Ein System für inkrementelles aufspielen von Updates die im Google Index benutzt
werden.[10]
• Pregel - Ein System für large-scale Graph Verarbeitung, benutzt für Beispiele im mapping von sozialen
Netzwerken.[11]
• Dremel - Ein System für Interaktive Analyse von großen Datensets.[12]
Diese Arbeiten, unter anderem, beschreiben den Kern von modernen Big Data technologien.[13]
3.2.3 Data Lakes und NoSQL Datenbanken
Traditionelle Datenbanken sind stark strukturiert. Um eine solche Struktur zu erzielen, wird eine traditionelle
Datenbank nach einem Schema modelliert und erst dann mit Daten befüllt. Einer der Nachteile besteht darin, dass
dieser hohe Grad an Kontrolle durch einen Verlust an Flexibilität erkauft wird. Ein Weiterer Nachteil ist, dass die
Struktur der Daten die Art auf welche sie analysiert werden können beeinflusst.
Durch den Einsatz von Data Lakes wird dieser Ansatz auf den Kopf gestellt:
Zuerst werden die Daten in ihrem ursprünglichen Format gesammelt. Im Gegensatz zum Hierarchischen Data
Warehouse werden die Daten nicht in Ordnern und Dateien sortiert, sondern anhand einer eindeutigen
Kennzeichnung und Tags markiert. Somit hat ein Data Lake eine sehr flache Organisationsstruktur. Wird eine
3.2.2 Google MapReduce und Google File System (GFS)
9
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
Abfrage der Daten nötig, werden relevante Daten aus dem Lake für eine weitere Analyse übermittelt. Auf diese
Art wird die 'Sicht' auf die Daten bzw. das Datenschema immer neu erstellt und ist somit variabel.[14]
Dieses Verfahren eignet sich hauptsächlich für den Umgang mit Big Data und NoSQL (Not only SQL)
Datenbanken. Diese Datenbanken verwenden Schlüssel-Wert-Paare, Graphen, Dokumente oder andere
Datenstrukturen anstelle von Tabellen, wie sich in relationalen Datenbanken üblich sind.
3.2.4 Hadoop Familie
Apache Hadoop ist ein open-source Framework um große Datenbeständen zu speichern und zu verarbeiten. Eine
der Hauptideen hinter Hadoop ist die Intention es auf allerwelts Hardware laufen zu lassen, dabei redurziert es die
Kosten und bearbeitet Hardwarefehler durch das Famework automatsich.
Die Hauptbestandteile des Hadoop Frameworks sind:
• Hadoop MapReduce - die Umsetztung des MapReduce Algorithmus
• Hadoop Distributed File System (HDFS) - ein verteiltes, redundantes Dateisystem.
• Hadoop YARN - dient für Management von Ressourcen und Scheduling.
• Hadoop Common - beinhaltet software von dem andere Module abhängig sind.
Apache Projekte, die in Verbindung mit Hadoop stehen beinhalten:[15]
• Pig - Eine höhere Programmiersprache für Hadoop
• Hive - SQL-ähnlicher zugriff für Hadoop
• HBase - Spalten-basierende Datenbank mit hoher Skalierbarkeit
• Cassandra - Ein verteiltes DBMS mit keine SPOF (Single Point of Failure)
• Spark - eine Berechnung Engine für Hadoop
• Ambari - Ein webbasiertes Tool zum überwachen und konfigurieren von anderen Hadoop Produkten.
Teile von Hadoop wurden auf Basis der wissenschaftlichen Arbeiten zu Big Data von Google (MapReduce,
GoogleFS) entwickelt. Aufgrund seiner open-source beschaffenheit wird das Hadoop framework weitrechend und
als Basis für andere Technologien benutzt.
4 Big Data im Bereich Marketing und Vertrieb
4.1 Nutzen von Big Data in Marketing und Vertrieb
4.1.1 Mehrwert durch Werttreibung
Value Added Marketing bezeichnet die Abwendung vom rein produktorientierten zu einem nutzenorientierten
Marketing.[16] Der Fokus liegt dabei auf der Generierung eines über den eigentlichen Wert des Produktes
hinausgehenden Mehrwertes, welcher einen Vorteil gegenüber der Konkurrenz darstellt.
Big Data ist ein solcher Werttreiber (Value Driver), welcher bisher ungenutzte Potentiale fördert und es
ermöglicht, einen Nutzen daraus zu generieren. Durch den Informationsgewinn, welcher durch die Datenanalyse
entsteht, ergeben sich neue Möglichkeiten, auf den Kunden einzugehen und ihm so eine verbesserte Customer
3.2.3 Data Lakes und NoSQL Datenbanken
10
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
experience zu bieten. Dieser Ansatz hat die Art, wie Unternehmen operieren verändert und ist nun ein integraler
Bestandteil im Kundenumgang.
Durch die Datenanalyse lassen sich die Bedürfnisse der Kunden genauer erkennen und das Unternehmen kann die
Bedürfnisse jedes kunden einzeln ansprechen indem diesen z.B. personalisierte Angebote unterbreitet werden.
Dadurch verbessert sich die die Beziehung zum Unternehmen. So lassen sich die Wahrscheinlichkeit, dass der
Kunde weitere Einkäufe tätigt und der CLV (Customer Lifetime Value) steigern.
Das Unternehmen hat durch Big Data auch während der Produktentwicklung die Möglichkeit, den Umgang mit
dem Produkt verändern. Die Kunden können durch Prognostizierung und Integrierung der Bedürfnisse indirekt in
die Produktentwicklung einbezogen werden. Dadurch steigt die Wahrscheinlichkeit, dass ein Produkt am Markt
erfolgreich ist.
4.1.2 Reichtum an Metriken
4.1.2.1 Zielgerichteres Marketing verringert die Ausgaben
In der Praxis zeigt sich, dass die ökonomische Wirkung einzelner Kommunikationsmaßnahmen häufig nicht
direkt gemessen werden kann. Dieses Problem wird vor allem in der Werbung schon lange diskutiert und häufig
mit dem Zitat von John Wanamaker umschrieben, der davon ausging, dass die Hälfte seines Werbeetats keine
Wirkung erziele, er aber nicht wissen könne, welche Hälfte dies sei: [17]
"Half the money I spend on advertising is wasted; the trouble is I don't know which half."
- John Wanamaker o.J.
Big Data bietet eine Lösung für dieses Problem. Durch eine Auswertung der Datenbestände lässt sich der Erfolg
einzelner Marketingmaßnahmen genau kontrollieren und es lässt sich erkennen, welche Maßnahmen ihren
Aufwand wert sind und welche nicht. Die daraus gewonnenen Erkenntnisse ermöglichen es unter anderem auch
Kunden aus Nischenbereichen zielgerichtet ansprechen zu können.
Dadurch, dass das Unternehmen eine genaue Rückmeldung über den Erfolg einer Maßnahme bekommt verringert
sich das Risiko und es bildet sich ein erhöhter Marktwertzuwachs. Weiterhin wird dem Unternehmen durch die
positive Resonanz ermöglicht neue Wege zu gehen und alternative Marketingmethoden zu wählen. So kann eine
einzelne Guerilla Marketing Aktion durch deren Verbreitung in sozialen Medien eine immens hohe Anzahl an
Personen erreichen.
Die Auswertung der Daten bietet die Möglichkeit, den Einsatz von Kreativität mit harten Zahlen zu vereinen.
Doch die neuen Möglichkeiten bieten auch neue Gefahren - denn dadurch, dass das Marketing mit neuen
Möglichkeiten in Kontakt mit einer stark vernetzten Welt steht, kann es leicht passieren dass das Unternehmen die
Kontrolle darüber verliert, was die Menschen aus der aktuellen Kampagne machen. (Wenn ein Video einmal im
Internet ist bekommt man es dort nicht so leicht weg wie ein Plakat vom Straßenrand.)
4.1.2.2 Return On Marketing Investment (ROMI)
Der ROMI (Return On Marketing Investment) ist eine relativ neue Kennzahl und es unterscheidet sich in einem
Punkt stark von den klassischen ROI (Return On Investment) Kennzahlen. Marketing ist keine Investition im
klassischen Sinn und das eingesetzte Kapital wird nicht in Anlagen oder Inventar gebunden, sondern in
Kampagnen investiert. Da es sich hierbei nicht um reelle Güter mit festem Wert handelt, stellen
4.1.1 Mehrwert durch Werttreibung
11
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
Marketingausgaben grundsätzlich ein Risiko dar.[18]
Das ROMI erfasst das für das Marketing eingesetzte Kapital und setzt dieses in Bezug zu dem erzielten Gewinn
durch Werbung, und liefert somit einen guten Überblick über die Resonanz des Marktes auf einzelne Marketing
Aktionen. Zusätzlich erhalten die Verantwortlichen eine Kennzahl an der sie sich orientieren können. Für
gewöhnlich gelten die Marketingausgaben bei einem positiven ROMI als gerechtfertigt.
Das ROMI bietet dem Marketing einen neuen Ansatz. Dadurch, dass gemessen werden kann, wie und ob eine
Marketingkampagne erfolgreich ist, kann überprüft werden, ob sich eine Kampagne lohnt oder ob sie wieder
eingestellt werden soll. Dadurch bieten sich dem Marketing neue Chancen und Herausforderungen.
Die Tatsache, dass der Erfolg einer Kampagne messbar ist, ermöglicht es dem Unternehmen auch abstraktere
Kampagnen zu starten und zu sehen, wie die Konsumenten reagieren. Diese verbesserte Marktkenntnis kann
einen entscheidenden Wettbewerbsvorteil darstellen.
Für das ROMI gibt es zwei Betrachtungsweisen, kurz- und langfristig:
Bei der kurzfristigen Betrachtung wird die Wirtschaftlichkeit der einzelnen Kampagnen berechnet. Es wird
einfach berechnet, wieviel Geld die Kampagne pro investierte Geldeinheit generiert. Diese Information hat einen
großen Einfluss auf den Marketing-Mix. Diese Kennzahl kann im Online-marketing relativ leicht ermittelt
werden. Voraussetzung ist lediglich der Einsatz eines Webtracking-Tools wie Google Analytics.
Die Langfristige Betrachtung behandelt weniger greifbare Eigenschaften, wie den Steigenden Bekanntheitswert
der Marke. Diese Kennzahl ist allerdings anspruchsvoller zu ermitteln und es herrscht noch keine Einigkeit über
deren Messung.[19]
4.1.2.3 Integration von Vertriebskanälen
Die digitale Revolution bietet uns neben einem schier unerschöpflichen Datenvorrat auch neue Möglichkeiten
Produkte und Marken bekannt zu machen. Während es vor einigen Jahren kaum Alternativen zur den klassischen
'paid media' wie Werbespots im Fernsehen oder dem aufstellen eines Werbebanners gab, bieten sich uns heute
zwei weitere Kanäle, 'owned media' und 'earned media'.[20]
Unter 'owned media' ist alles zu verstehen, was dem Unternehmen gehört und worüber das Unternehmen die volle
Kontrolle hat. Das sind z.B. die Unternehmenswebsite, ein Unternehmensblog oder eine Facebook Page. 'Earned
media' beinhaltet das gesprochene Wort und es ist die natürliche Resonanz auf die Öffentlichkeitsarbeit des
Unternehmens. Jedes Mal, wenn von einem Unternehmensexternen über das Unternehmen gesprochen wird (z.B.
auf einer social media platform), lässt sich dies der earned media zuordnen.
Um den Maximalen Nutzen aus Big Data zu ziehen müssen die Vertriebskanäle als ganzes betrachtet werden. Das
Bedeutet, dass der Fokus durch Datenanalyse darauf gelegt werden muss, dass mehrere Vertriebskanäle mit einer
Kampagne angesprochen werden. Wenn dies gelingt spricht man von Integration von Vertriebskanälen.
Dies hat den Vorteil, dass es in der Regel kosteneffizienter als mehrere einzelne Kampagnen ist. Zusätzlich hat
das Unternehmen mehr Möglichkeiten in ein Gespräch mit den Kunden zu treten und so einen zusätzlichen
Nutzen zu schaffen. So kann der Kunde beispielsweise in die Marketingkampagne eingebunden werden, was
wiederum in einer größeren Reichweite und einer besseren Kundenbeziehung resultiert. Das Unternehmen kann
diese Synergieeffekte nutzen um den Kunden längerfristig an das Unternehmen zu binden und um zusätzliche
Daten zu gewinnen, die wiederum für noch genauere Kundenanalysen verwendet werden können.
4.1.2.2 Return On Marketing Investment (ROMI)
12
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
4.1.2.4 Datengetriebene Vermarktung
Unter Datengetriebener Vermarktung (data-driven marketing) versteht man die Nutzung von Erkenntnissen aus
der Auswertung von Datenbeständen, die für Entscheidungen bezüglich des Vertriebs von Produkten sowie
Dienstleistungen hilfreich sind.[21] Dazu gehören demografische Daten ebenso wie verhaltensbezogene
Informationen wie das Kaufverhalten.
Unternehmen nutzen Big Data um ihre Kunden besser zu verstehen. Dieses genauere Verständnis ermöglich es
dem Unternehmen nicht nur den Kunden mittels einer stärker personalisierte Werbung anzusprechen, sondern
verbessert auch die Marktpositionierung in den frühen Phasen der Produktentwicklung.
Die aus der Analyse gewonnenen Erkenntnisse werden aufgrund der stetig wachsenden Datenmengen zwar immer
genauer, allerdings wird die Analyse an sich auch immer aufwendiger. Deshalb ist die Marketingabteilung auf den
Einsatz entsprechender Analysetools angewiesen. Der erhöhte Aufwand rechnet sich für das Unternehmen in der
Regel dadurch, dass sich für das Marketing komplett neue Möglichkeiten ergeben. So wird es für das
Unternehmen z.B. möglich, sich aufgrund der Erkenntnisse der Datenanalyse nach den Bedürfnissen seiner
Kunden ausrichten und so einen signifikanten Wettbewerbsvorteil (gegenüber Wettbewerbern ohne Einsatz von
Big Data) erlangen.
Unternehmen sensibilisieren sich durch den Einsatz von Datengetriebener Vermarktung auf die Bedürfnisse der
Kunden. So kann das Unternehmen z.B. auf die Erkenntnis reagieren, dass Windeln und Bier an Wochenenden
häufig zusammen gekauft werden, indem diese Produkte nebeneinander gestellt werden.[22]
Aufgrund der gewonnenen Erkenntnisse ist es durch die Analyse des Kaufverhaltens der Kunden möglich sehr
genaue Profile über diese zu erstellen, und deren Bedürfnisse direkt anzusprechen. Dafür können z.B.
personalisierte Gutscheinhefte erstellt werden.
Dies geht so weit, dass ein Supermarkt mehr über eine Person wissen kann als deren eigene Familie. Zum
Beispiel, versucht die Supermarktkette Target schwangere Frauen vor deren Wettbewerbern zu identifizieren. Ziel
der Aktion ist die Kundenbindung, denn Analysen haben ergeben, dass junge Mütter dem Unternehmen nach dem
ersten Windelkauf mehrere Jahre treu bleiben [23].
4.1.3 Verbesserte Interaktion mit Kunden
4.1.3.1 360°-Sicht auf den Kunden
Um die optimalen Einsatzmöglichkeiten der Big Data Technologien auszuschöpfen, sollte es das Ziel einer
Unternehmung sein, möglichst viele Daten über den Kundenstamm zu gewinnen. Mit diesen Daten ist es möglich
zu analysieren, was der Kunde während seines Einkaufs erlebt hat und diese Erkenntnisse nutzen um das
Kundenerlebnis zu verbessern und so einen Mehrwert zu schaffen.
Die Customer Experience oder Customer Journey ist das was der Kunde wahrnimmt, während er mit dem
Unternehmen in Kontakt kommt. Das Unternehmensziel besteht darin, eine 360° Sicht auf den Kunden zu
erstellen um so die Beziehung zu diesem zu optimieren. [24]
Die Verbesserung der CX hat für viele Unternehmen eine immer höhere Bedeutung, denn es hat sich gezeigt, dass
Unternehmen, welche sich auf die Verbesserung der CX konzentriert im Verlauf der letzten drei Geschäftsjahre
einen höheren Kundenzuwachs bei gleichzeitig gestiegener Kundenzufriedenheit erzielt haben.[25] Außerdem hat
das Unternehmen den Vorteil, dass der Kunde durch eine verbesserte Customer Experience länger und häufiger
4.1.2.4 Datengetriebene Vermarktung
13
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
mit dem Unternehmen in Kontakt steht.
Die gestiegene Anzahl der Kontaktpunkte ermöglicht es ein ausführliches Kundenprofil zu erstellen. Aufgrund
dessen die Kundenbeziehung individualisiert werden kann was die Loyalität des Kunden gegenüber dem
Unternehmen steigert. Diese Beziehung steigert den Customer lifetime value und ist somit von hohem
ökonomischen Wert und sollte gesichert werden. Um den Kunden dazu zu motivieren, mehr Informationen von
sich preiszugeben istes wichtig, dass er auch einen Vorteil aus der Beziehung zum Unternehmen zieht. Möglich
wird dies dadurch, dass dem Kunden spezielle Angebote aufgrund seiner Treue gemacht werden.
Auch wenn sich herausgestellt hat, dass die CX in allen Industrien der wichtigste Einzelfaktor ist um einen Erfolg
zu erzielen,[26] und sich dem Unternehmen die Chance bietet einen entscheidenden Wettbewerbsvorteil zu
erlangen, darf das CX Management nicht als Substitution für andere verkaufsfördernden Faktoren wie ein gutes
Design sein. Die CX ist nur ein Faktor von vielen um sich am Markt durchzusetzen.
4.1.3.2 Individualisierung
Das One-to-one Marketing ist ein Marketingkonzept, bei dem im Gegensatz zum Massenmarketing die
Kundenbeziehung im Mittelpunkt der Betrachtung steht. Durch den Einsatz moderner Informations- und
Kommunikationstechnologien (z.B. E-Mail oder Internet) ist eine individualisierte Kundenansprache und damit
eine zielgenaue Gestaltung der angebotenen Produkte und Dienstleistungen möglich[27].
Das One-to-one Marketing zeichnet sich nicht nur durch personalisierte Werbung und Angebote aus, sondern es
ermöglicht es auch, Produkte an die Individuellen Kundenbedürfnisse anzupassen. Individualisierungen bieten
dem Unternehmen im Rahmen des Marketings, die Chance sich von der Konkurrenz abzuheben und dem Kunden
einen Nutzenvorteil zu bieten. Die Ausschöpfung dieser Möglichkeiten wird gerade durch die großen
Datenmengen von Big Data attraktiv. Durch Analyse Methoden wie In-Store Analytics oder der Analyse des Web
Verhaltens können Korrelationen zwischen Objekten oder Themen im Verhalten der Kunden erkannt werden.
Durch den Einsatz von Big-Data wird der klassische E-Commerce immer weiter von One-to-one Marketing
durchdrungen. Kunden bekommen keine Standardisierte Werbebanner mehr, sondern anhand ihres
Browseverhaltens und Standortes Personalisierte. Es wird allerdings nicht nur die Werbung individualisiert
sondern auch die Preise und das Sortiment von Supermärkten kann Individuell angepasst werden. Big Data
ermöglicht es die Nachfrage nach bestimmten Produkten standortspezifisch vorauszusagen. Durch diese
Informationen ist es möglich die Lagerbestände entsprechend anzupassen und mögliche Lieferengpässe zu
verhindern. Auch die Preise werden anhand der Standortspezifischen Nachfrage Individualisiert. So kann es
vorkommen, dass ein Produkt in einer anderen Filiale der gleichen Supermarktkette mit einem anderen Preis
ausgezeichnet ist.
Die Marketingausgaben lassen sich in der Regel trotz eines Effektiveren Marketings nicht verringern. Dieser
Umstand ist dem Jevons Paradoxon zuzuschreiben. Das One-to-one Marketing bietet den Unternehmen neue
Möglichkeiten und neue Chancen sich am Markt durchzusetzen. Diese Möglichkeiten wollen genutzt werden und
Unternehmen welche dies nicht tun, werden es aufgrund des entstehenden Wettbewerbsnachteils immer schwerer
haben, sich am Markt zu behaupten.
Auch für den Kunden ergeben sich durch das verbesserte Marketing Vorteile: Durch den Einsatz von
recommendation Engines. Werden dem Kunden Produkte Vorgeschlagen, die seinen Bedürfnissen entsprechen.
Aus Konsumentensicht wandelt sich die Werbung somit von einem Notwendigen Übel, welches häufig ignoriert
wird zu etwas, was dem Konsumenten einen Tatsächlichen Mehrwert schafft. Das Neue Marketing spart Zeit und
Anstrengung indem der potentielle Kunde Vorschläge bekommt, welche sein Leben verbessern. Abhängig davon,
ob der Kunde den Produktvorschlägen folgt oder nicht folgt, kann das Marketing weiter auf den Kunden
angepasst werden.
4.1.3.1 360°-Sicht auf den Kunden
14
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
Die Optimierung der Werbung ist ein stetiger Prozess, welcher sich gemeinsam mit dem Kunden
weiterentwickelt. Somit lässt sich auch zurückverfolgen, wie sich die Bedürfnisse des Kunden im Lauf der Zeit
gewandelt haben.
4.1.3.3 Einsicht für Personalisierte Verkaufsgespräche
Verkäufer werden durch Big Data vor neue Herausforderungen gestellt. Neue Möglichkeiten bedeuten neue
Verantwortungsbereiche. Zeitgeist, Markt, Produkte sowie Wettbewerb ändern sich ständig und durch unsere
immer schnelllebigere Gesellschaft und die fortschreitende Globalisierung wandeln sich diese Aspekte immer
schneller "[28]. Deshalb ist es umso wichtiger Informationen schnell zu verarbeiten und Informationen für das
Verkaufsgespräch zu konzentrieren um die Interaktion mit dem Kunden zu verbessern.
Damit Big Data dafür eingesetzt werden kann, muss sich der Vertrieb auf einfache und aussagekräftige Metriken
über den Kunden konzentrieren. Die essentiellen Informationen müssen aufbereitet und zum richtigen Zeitpunkt
vorliegen um die Kontrolle über das Verkaufsgespräch zu erlangen und es in die gewünschte Richtung zu lenken.
Dieses personalisierte Gespräch, welches nicht nur auf die Wünsche und Erwartungen des Kunden eingeht,
sondern auch Aspekte und die Verbindung zwischen Herkunft, Geschlecht, Verhalten usw. berücksichtigt trägt
wesentlich zur Kundenzufriedenheit und dem Erfolg des Gesprächs bei. Gefahren können dadurch entstehen, dass
das Unternehmen es Versäumt sich auf einen gesellschaftliche oder politische Trend anzupassen. Dies könnte
unter anderem in einem Verlust des Kunden resultieren.
Werden die Entwicklungen der Kundenbedürfnisse allerdings stehts erkannt, sinkt die Wahrscheinlichkeit, dass
der Kunde sich aus dem Gespräch zurückzieht.
4.1.4 Datenvisualisierung
Um mit Daten arbeiten zu können, ist es nötig sie zu verstehen. Da der Mensch Informationen am besten visuell
verarbeiten kann, bietet es sich an, die Daten graphisch aufzubereiten. Dadurch wird es möglich, in den Daten
verborgenen Geschichten zu erkennen. Ein weiterer Grund für den Einsatz von Datenvisualisierungen ergibt sich
aus der schieren Masse an Daten, welche schlichtweg zu groß ist um sie auf herkömmliche Weise zu verarbeiten.
Die Nutzung eines visuellen Systems hilft daher, dass für die Analyse vorgegebene Ziel zu erreichen.[29]
Der Prozess der Datenvisualisierung beinhaltet vier Schritte, welche immer wieder wiederholt werden um das
erzielte Ergebnis anzupassen und zu verbessern: [30]
• Der erste Schritt behandelt die Gewinnung von Daten. Dies stellt den langwierigsten Prozess mit den
meisten Iterationen dar. So ist es nicht ungewöhnlich, dass eine große Anzahl an Daten durchsucht
werden muss, um auf eine wichtige Information zu stoßen.
• In der Vorverarbeitungsphase liegt der Fokus darauf, dass die Daten in ein für den Menschen leicht zu
verarbeitendes Format umgewandelt werden. Für gewöhnlich beinhaltet diese Phase eine Form der
Datenreduktion um ausgewählte Aspekte sichtbar zu machen.
• Im dritten Schritt werden die ausgewählten Daten visuell abgebildet. Dieser Schritt wird durch den
Einsatz von Algorithmen durchgeführt. Dieser Prozess ist sehr interaktiv. Der Benutzer hat bei einer 3D
Darstellung die Möglichkeit, zwischen verschiedenen Ansichten zu wechseln, oder durch eine Änderung
der Parameterbereiche die Ergebnisse zu erhalten, welche für das Ziel der Auswertung am
interessantesten sind.
4.1.3.2 Individualisierung
15
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
• Der letzte Schritt vollzieht sich im Benutzer selbst, indem dieser seine Erfahrungen und seine kognitiven
Fähigkeiten nutzt um die relevanten Informationen in der Grafik zu finden und zu erkennen.
Verglichen mit anderen Methoden bietet der Prozess der Visualisierung einige Vorteile. Sie ermöglicht es
genauere Informationen aus Datenbeständen zu gewinnen. Während es kein Problem darstellt, Informationen wie
Median und Varianz aus einer Tabelle zu gewinnen, geht dabei die Genauigkeit der Daten verloren. So bleiben
bei einer graphischen Darstellung auch Abweichungen und daraus entstehende Tendenzen erkennbar.
Dies beinhaltet auch, dass stark abweichende Datensätze sofort auffallen und somit leicht abgefangen werden
können. Dadurch kann eine höhere Genauigkeit der Daten gewährleistet werden.
Ebenfalls können durch die graphische Darstellung Muster erkennbar werden, mit welchen die Datenanalysten bei
der Formulierung des Ziels nicht gerechnet haben.[31]
4.2 Big Data Technologien in Marketing und Vertrieb
4.2.1 Big Data Technologien in Einzelhandel
4.2.1.1 Electronic Shelf Labels (ESL)
Abbildung 2: Tesco ESL
Electronic Shelf Labels sind eine neue Form von Preisetiketten an Warenregalen. Sie bestehen entweder aus
einem LCD oder E-Ink Display und sind so auch in der Lage Bilder anzuzeigen. Die ESL(Electronic Shelf
Labels) sind mit einem System verbunden, welches es ermöglicht die Preise schnell und flexibel zu
Individualisieren.
Automatisierte Electronic Shelf Label Systeme senken die Preismanagementpersonalkosten, erhöhen die
Preisgenauigkeit und ermöglichen ein dynamisches Preismanagement. Dieses dynamische Preismanagement ist
ein Konzept bei welchem der Einzelhändler den Preis verändern kann um ihn an die Nachfrage, online
Wettbewerb, Lagerbestände, auf Haltbarkeitsdauer von Waren anzupassen und um Verkaufsaktionen zu
erstellen.[32]
4.1.4 Datenvisualisierung
16
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
Die so erzielte Preisgenauigkeit und das damit einhergehende dynamische Preismanagement ermöglichen es dem
Einzelhändler, die Preise bestimmter Produkte zu bestimmten Zeiten oder Ereignissen, wie einem Sportfest
anzupassen und so den Gewinn zu maximieren.
Eine wichtige Rolle im Einsatz von ESL spielen neben der Batterielaufzeit auch Geschwindigkeit und
Verlässlichkeit von Display und System. Die Informationsübertragung wird entweder mittels Funk- oder
Infrarotübertragung realisiert.
ESL kann als Einzelsystem oder im Rahmen einer ganzheitlichen Lösung, wie dem Powershelfsystem
implementiert werden. Ganzheitliche Lösungen bieten neben der flexiblen Preisgebung auch die Möglichkeit die
Logistik zu automatisieren, indem beispielsweise Waren bei niedrigen Lagerbeständen automatisch nachbestellt
werden.
Dadurch, dass die Mitarbeiter sich nicht mehr um die Aktualisierung der Preise und überprüfen der Lagerbestände
kümmern müssen, können diese sich darauf konzentrieren, die Kundenzufriedenheit zu verbessern. Auf diese Art
lassen sich Trends wie dem Showrooming entgegenwirken.
4.2.1.2 In-Store Analytics
In-Store Analytics ist eine Methode um anhand von mobile devices, wie smartphones und tablets, die Werbung
und Erscheinung der Filiale am Interesse des Kunden auszurichten. Während sich Mobile Location Analytics auf
die Position des devices beschränkt und daraus Informationen gewinnt, gewinnt die In-Store Analytics Methode
diese durch die Verbindung von Informationen. Beispielsweise wird zusätzlich zu dem Wetter auch die Anzahl
der Einkaufenden betrachtet um bestimmte Muster zu erkennen. Ebenfalls kann durch die Integration der Offlineund Online-Zeiten des Kunden auf ein bestimmtes Verhalten geschlossen werden.
Tesco verfolgt eine Strategie um massives Wissen über ihre Kunden zu erlangen. Diese Wissensgenerierung wird
durch verschiedene Analysemethoden ermöglicht. Durch zum Beispiel In-Store Analytics kann ein Hauptziel von
Tesco, die "Multi-Channel"-Erfahrung seiner Kunden durch die neusten Techniken zu unterstützen und dadurch
eine starke Kundenbindung zu erlangen, realisiert werden. Die von Tesco generierten Informationen werden
zusammen geführt und daraus Maßnahmen für ein optimiertes Einkaufserlebnis für die Kunden entwickelt. [33]
Konkret benutzt Tesco Electronic shelf labels für die Optimierung des Preismanagements. Außerdem kann im
Rahmen des Projektes Kundenkarte Clubcard nicht nur das Einkaufsverhalten von Kunden analysiert, sondern
auch die Einkaufsprozessgeschwindigkeit erhöht werden. Ermöglicht wurde diese Geschwindigkeitsgewinnung
durch eine Funktion der Clubcard, welche sich "Scan-as-you-shop" nennt. Dabei bekommen Kunden durch einen
Handscanner die Möglichkeit Ware einzuscannen und in einen physichen und elektronischen Warenkorb
abzulegen. Diese Ware kann ohne das Anstellen an einer Kasse oder das legen der Waren auf ein Warenband
bezahlt werden.[33]
4.2.1.3 Beaconing
Der iBeacon ist ein von Apple eingeführter auf BLE (Bluetooth Low Energy) basierender Standard für die
Navigation in geschlossenen Räumen. Der Vorteil, welcher sich durch BLE ergibt besteht in dem geringen
Energieverbrauch. Durchschnittlich kann mit einer Batterielaufzeit von einem Jahr gerechnet werden. Der
IBeacon funktioniert auf einem Sender-Empfänger-Modell wobei der Beacon den Sender darstellt. Er wird von
IOS und Android unterstützt.
4.2.1.1 Electronic Shelf Labels (ESL)
17
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
Der Beacon selbst kann keine Daten Empfangen oder sammeln. Seine Aufgabe besteht darin, in bestimmten
Zeitabständen einen Impuls abzusenden, der von einem Smartphone aufgefangen wird. Der Sender hat eine
Reichweite von bis zu 30 Metern, welche in drei Entfernungen unterteilt wird: immediate (bis 50 cm), near (bis 2
m) oder far (bis 30 m).
Der Beacon kann für unterschiedliche Aufgaben eingesetzt werden:
Seine Hauptaufgabe ist es allerdings Informationen über bestimmte Gegenstände auf in der Nähe befindliche
Empfänger zu senden. So können Kunden während eines Ladenbesuchs über Sonderangebote von in der Nähe
befindlichen Produkten informiert werden. Dabei ist der Ladenbetreiber für die Pflege der Angebote selbst
verantwortlich.
Zusätzlich ist es möglich, den Beacon zu nutzen um dem Empfänger eine leichte Orientierungsmöglichkeit zu
bieten. Befinden sich mindestens drei Beacons in Reichweite, ist es durch den Einsatz von Trilateration einem
Verfahren, welches die Abstände des Empfängers zu den Beacons misst möglich, die Position des Empfängers
innerhalb eines zweidimensionalen Raums zu bestimmen. Befinden sich mindestens vier Beacons in Reichweite
ist auch eine Positionsbestimmung innerhalb eines dreidimensionalen Raums möglich. Auf diese Art können
beispielswese Stadionbesucher bei der Platzfindung unterstützt werden.
4.2.1.4 Workforce Analytics
Die Workforce Analyse ist ein Unterbereich der Unternehmensanalyse. Der Fokus liegt auf der Betrachtung,
Messung, und Verbesserung der workforce-performance.
Teilaspekte dieser Analyse sind unter anderem:
• Vorhersage des individuellen Erfolgs eines Mitarbeiters.
• Anforderungskonkretisierung für die personellen Bedürfnisse einer Abteilung oder eines Teams.
• Zuweisung und Verwaltung von Zuständigkeiten für Aufgaben und Ziele.
• Messen des Engagement des Mitarbeiters
• Vorhersagen der späteren Produktivität der Mitarbeiter (z.B Beeinträchtigung durch Familiengründung)
In Bezug zu Big Data und der erkannten Korrelationen in der Arbeitnehmerschaft zum Unternehmen und internen
Prozessen können die für die HR wichtigen Maßnahmen präzise geplant und umgesetzt werden.
Da Big Data neben der Geschwindigkeit von Arbeitsprozessen auch Informationen wie die genauen Arbeitszeiten
der Mitarbeiter erfassen kann. Ist es möglich, Rückschlüsse auf das Arbeitsverhalten der Mitarbeiter zu ziehen
und Fehlerquellen identifizieren. Dem Unternehmen bieten sich dadurch nicht nur neue Möglichkeiten sondern
auch neue Verantwortungsbereiche, denn der falsche Umgang mit diesen Daten kann signifikante Nachteile für
die Mitarbeiter bedeuten.
4.2.2 Integrated Marketing Management (IMM)
Laut Gartner repräsentiert IMM die Businessstrategie, Prozessautomatisierung und Technologie die benötigt wird,
um Menschen, Prozesse und Technologien übergreifend im Marketing-ecosystem zu integrieren. IMM unterstützt
closed-loop marketing indem operationale, ausführbare und analysierbare Marketingprozesse
• von Konzept/Idee
• zur Planung
4.2.1.3 Beaconing
18
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
• zur Ressourcenallokation
• zum Erstellen/Projekt Management
• zum Pilotprojekt
• zur full-scale Ausführung zur Evaluierung und Analyse,
integriert werden.[34]
Integrated Marketing Management ist demnach eine erweiterte Form von Integrierter Kommunikation, welche
nach Manfred Bruhn ein Prozess der Analyse, Planung, Organisation, Durchführung und Kontrolle ist, der darauf
ausgerichtet ist, aus den differenzierten Quellen der internen und externen Kommunikation von Unternehmen eine
Einheit herzustellen, um ein für die Zielgruppen der Unternehmenskommunikation konsistentes Erscheinungsbild
über das Unternehmen zu vermitteln.[35] Folglich ist das Ziel des IMM nicht nur alle Prozesse und Technologien
im Unternehmen in Bezug auf den gesamten Marketingprozess und der corporate identity zu optimieren. Es ist
vielmehr eine Businessstrategie, die darauf ausgelegt, ist viele andere Unternehmensbereiche und externe Daten
in das Marketing zu integrieren. Die Lösung für eine Integration solchen Ausmaßes ist Big Data.
Durch die vielen Datenstellen des Big Data sind viele Daten, die für diese Integration notwendig sind, greifbar,
wie zum Beispiel die gesamten Marketingdaten, die Kundendaten oder externe Daten zum Beispiel aus der Börse,
Politik oder auch lokalen Neuigkeiten. Durch das greifbar machen dieser Daten kann das Unternehmen Agiler auf
Änderungen im Markt reagieren.
Auch wird es einfacher für Unternehmen von sales-driven strategien zu market-driven strategien zu wechseln. Der
Kunde kann mehr im Mittelpunkt stehen, ohne ein Risiko für das Unternehmen darzustellen.
Der eigentliche Vorteil liegt aber darin, dass es durch Big Data möglich ist aus diesen Daten Korrelationen zu
filtern. Natürlich bringt eine solche Integration auch Risiken mit sich. Wenn die Integration mangelhaft
ausgeführt wird, oder sogar unvollständig bleibt, könnten einige Vorteile für das Unternehmen unerkannt bleiben,
sogar das Unternehmen schädigen.
4.2.3 Predictive Analytics
Ein Unternehmen hat durch das Sammeln von Daten kaum einen direkten Mehrwert. Erst die Auswertung dieser
Daten bringt einen nachhaltigen Nutzen für die Unternehmung. Dafür bieten sich mehrere Optionen an:
Die erste behandelt descriptive analytics. Der Mensch kann mit der schieren Masse an in Big Data verborgenen
Informationen nicht umgehen. Descriptive analytics versucht die Daten zusammenzufassen und darin verborgene
Informationen beschreibend darzustellen. So ist leicht möglich, die Anzahl der 'fans' bzw. 'follower' einzelner
Seiten auf online-Plattformen leicht miteinander vergleichen und Schlussfolgerungen daraus zu ziehen.
Descriptive analytics ist auch die am häufigsten eingesetzte Analysemethode - sie umfasst ca. 80% der
geschäftlichen Analysen.
Für spezifischere Analysen ist es vonnöten, klare Ziele zu formulieren. Auf dieser Basis kann geprüft werden,
welche Möglichkeiten wir haben um dieses Ziel zu erreichen. Anschließend muss betrachtet werden, welche
Daten benötigt werden um das gesetzte Ziel zu erreichen. Erst wenn diese Schritte abgearbeitet sind kann mit der
Entwicklung den predictive analytics begonnen werden. Hierbei wird mittels data mining und der Anwendung
verschiedener weiterer statistischen Methoden und Modelle versucht, Informationen über die Zukunft zu
gewinnen. Bei der Entwicklung der Modelle ist es für Unternehmen nicht ungewöhnlich, einige Kunden zu
verlieren, da deren Verhalten auf Änderungen seitens des Unternehmens getestet werden muss.
4.2.2 Integrated Marketing Management (IMM)
19
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
Predictive analytics hat allerdings nicht den Anspruch, die Zukunft vorauszusagen, sondern zu erkennen, was
wahrscheinlich passieren wird, um so eine Richtung vorzugeben, wie das Ziel erreicht werden kann. Darauf
aufbauend ist es möglich, noch einen Schritt weiterzugehen. Das neue Ziel ist es, Daten nicht nur für die
Gewinnung neuer Daten (Analyse) zu verwenden, sondern verwertbare Resultate zu erlangen.[36]
So kann eine Versicherung mit dem Ansatz, der Berechnung des optimalen Preises einer Police beginnen. Hier
bietet sich der Einsatz von prescriptive analytics an. Der Vorteil, welcher sich hieraus ergibt, liegt darin, dass
prescriptive analytics mehrere Optionen in Betracht zieht und somit dem Datenanalyst die nach den Erkenntnissen
der Datenauswertung beste Option anbieten.
4.3 Risiken im Einsatz von Big Data im Marketing und Vertrieb
4.3.1 Risiken auf IT Ebene
4.3.1.1 Dirty Data
Datenbereinigung ist für einen sicheren Einsatz der Big Data unausweichlich um die Sicherung der
Informationsvalidität zu gewährleisten.
Unbereinigte Datenbestände stellen eine wirtschaftliche Gefahr dar. Diese entsteht durch korrupte oder schlicht
falsche Informationen in der Datenbank, welche zu falschen Schlüssen bei der Auswertung führen. Außerdem ist
es möglich, dass korrumpierte Datenbestände mehrere Datensätze von der gleichen Entität beinhalten jedoch
verschiedene Identitäten haben. So kann eine unterschiedliche Namensschreibweise bereits dafür Sorge tragen,
dass das System nicht erkennt, dass es sich um die gleiche Person handelt. Die Folge besteht darin, dass
anschließend einen Datensatz "Walter Meier" und einen "Meier, Walter" mit jeweils der Hälfte der verfügbaren
Informationen in dem Datenbestand vorhanden ist. Diese fehlerhaften Informationen entstehen unter anderem
durch eine Integration der Daten aus unterschiedlichen Formaten. Gefahren entstehen dadurch, dass die Analyse
ungenau und somit verfälscht wird, auch werden stark abweichende Datensätze schlechter erkannt.
Um die Gefahr einer falschen oder ungenauen Datenauswertung zu vermindern, ist ein gewisses Maß an
Datenhygiene unausweichlich. Problematisch dabei ist, dass die Big Data Tauglichkeit der auf dem Markt
verfügbaren Tools nicht immer gegeben ist. Daher werden noch immer geschulte Mitarbeiter benötigt, um die
Datenbereinigung zu überwachen.[37] Um Fehler zu vermeiden und Kosten zu sparen, ist es wichtig, dass es einen
unternehmensinternen Standard gibt, nach welchem sich die Mitarbeiter richten können. Doch genau hier verbirgt
sich der größte Kostenfaktor im Umgang mit Big Data. Das Sammeln und Speichern der Daten stellt verglichen
mit der Datenbereinigung nur einen kleinen Aufwand dar.
Rund 80% des Aufwandes entsteht durch Datenbereinigungsarbeiten wie die Verminderung von Redundanzen.[38]
4.3.1.2 Data Inertia
Data Inertia bezieht die physikalische Eigenschaft der Trägheit auf die Datenmengen von Big Data. Diese
Mengen an Daten sind folglich schwer zu bewegen, sobald diese gespeichert werden.
Dabei entsteht ein strategisches Problem für Unternehmen, denn Sicherheit, Persistenz sowie die Zugriffszeit auf
die Daten einen haben massiven Einfluss auf den Erfolg des Unternehmens. Aus diesem Grund ist es von Vorteil,
die Daten auf im Verteilten Systemen zu speichern. Grund dafür ist die höhere Übertragungsgeschwindigkeit
4.2.3 Predictive Analytics
20
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
einer parallelen Datenübertragung. Auch müssen die Unternehmen sich entscheiden, mit welchen services und
Systeme sie ihre Daten verwalten. Diese Entscheidung muss hinsichtlich der Balance zwischen der Kostenstruktur
und der benötigten Sicherheit der Systeme besonders gut durchdacht werden. (Beispiele für solche verteilten
Systeme sind Amazon Web Services und Google BigQuery.)
Dem entgegen steht im Buch "Big Data Imperatives", dass Probleme bereits bei weniger als einen Terabyte an
Daten auftreten können: [39]
Es ist nicht ungewöhnlich ganze Teams von Datenbankadministratoren beschäftigt zu sehen, um Skalierung- und
Performance-Probleme von EDW Systemen, welche nicht einmal auf Big Data Verhältnis sind, zu verwalten. Das
Hauptproblem ist nicht, dass jeder plötzlich auf Petabyte Verhältnissen operieren wird; viele Unternehmen haben
diese Menge an Daten nicht. Die wichtigeren Probleme sind die Spezifikationen der Storage- und
Processing-Infrastruktur und was am besten auf jedes Problem passt.
4.3.1.3 Data Silos
Ein Daten Silo ist ein Informationsmanagementsystem, welches nicht in der Lage ist mit anderen
Informationsmanagementsystemen zu kommunizieren.
Informationssilos treten häufig in Unternehmen auf, weil die einzelnen Abteilungen nichts von den Prioritäten
und Zielen der anderen Abteilungen wissen. Auf diese Art baut sich jede Abteilung ihren eigenen Datenbestand
auf ohne die anderen zu berücksichtigen. So passiert es leicht, dass ein Unternehmen zwar einen großen
Datenbestand hat, die darin verborgenen Zusatzinformationen und Zusammenhänge aufgrund von fehlenden
Verknüpfungen nicht erkennbar sind. Dabei ist es leicht möglich, dass Daten redundant vorhanden sind, was bei
der Verarbeitung zu Konflikten in der Validität führen kann, da häufig nicht eindeutig bestimmbar ist, welcher
Datensatz die aktuellsten bzw. genauesten Informationen enthält.
Hierdurch geht ein großer Vorteil von Big Data verloren. Big Data kann sein volles Potential nur bei einer
vollständigen Integration der im Unternehmen vorhandenen Daten entfalten. Eine mangelnde oder fehlende
Integration führt zu ungenaueren Analyseergebnissen, welche aufgrund von nicht optimal getroffenen
Entscheidungen hohe Opportunitätskosten zur Folge haben.
Hier zeigt sich ein Unterschied zum Datawarehouse. Dieses legt den Fokus darauf, Informationen mittels ETL
(Extract, Transform, Load) in ein einheitliches Format umzuwandeln und abzuspeichern um so eine leichte
weitere Verarbeitung der Daten zu ermöglichen.
Aus diesen Gründen wird darauf geachtet, dass Informationssilos immer seltener entstehen und das Unternehmen
seine Daten in einem einheitlichen System speichert.
4.3.2 Risiken auf strategische Ebene
4.3.2.1 Mangel an Talent und Training
4.3.1.2 Data Inertia
21
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
Abbildung 3: Mckinsey Studie: Zusätzlich benötigte zusätzliche Arbeitsplätze
Da es sich bei Big Data um eine neue Technologie handelt, ist es schwer geeignetes Personal für die
untenehmensinterne Realisierung zu finden. Experten, die sich mit Big Data beschäftigen, stehen vor allem vor
der Herausforderung alle Geschäftsbereiche in die Big Data Tools zu integrieren. Die Komplikationen ergeben
sich unter anderem dadurch, dass jedes Unternehmen andere interne Organisationsstrukturen aufweist und
Umsetzungsmöglichkeiten somit eine hohe Komplexität aufweisen. Da Big Data für jedes Unternehmen anders
konfiguriert werden muss besteht das Risiko eines erheblichen Investmentverlustes.
Laut einer Studie vom McKinsey Global Institute (MGI) wird es an Leuten, die in Statistik oder machine learning
ausgebildet sind und die Fähigkeit haben große Datenmenge zu analysieren mangel. Die Studie zeigt, dass
schätzungsweise 140.000 bis 190.000 offene Arbeitsplätze in den USA in 2018 fehlen und es dabei an 1.5
Millionen Managern und Analysten, die die Fähigkeit haben Big Data zu verstehen und anhand dessen
Entscheidungen zu fällen, mangelt.[40]
Auch in einem Artikel der MITSloan Management Review werden wichtige Voraussetzungen aufgezählt: so
deuteten alle Umfrageergebnisse und Experteninterviews an, dass es eine große Lücke zwischen der Menge an
analytischen Möglichkeiten und der Menge an Talenten, die dafür benötigt werden um sie zu erfassen, gibt. Diese
Analysten benötigen die Fähigkeit, die richtigen Fragen zu stellen und die richtigen Hypothesen aufzuwerfen. Sie
müssen wissen wie sie die Daten dazu zu bekommen, ihnen die Sachen von Bedeutung zu berichten.[41]
Dieses Problem des Talentmangels kann durch die Zusammenarbeit von Unternehmen, Universitäten, Staaten
usw. adressiert und eine Reihe an Ausbildungs- oder Fortbildungsmöglichkeiten etabliert werden. Zu diesem
Zwecke ist es wichtig, dass die Unternehmen Zugang zu ihrer Big Data gewähren.
4.3.2.2 Integration der Marketing Strategie
Auch in den strategischen Bereichen eines Unternehmens wird Big Data eine große Veränderung hervorrufen.
Der Fokus der IT eines Unternehmens wird zunehmen von Technologie in Richtung Information wechseln. So
müssen neue Positionen im Unternehmensmanagement entstehen. Diese Positionen reflektieren den Wechsel des
Fokus. Einige dieser Positionen sind Chief Analytics Officer, Chief Data Scientist, Chief Data Officer oder Chief
4.3.2.1 Mangel an Talent und Training
22
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
Digital Officer. Die Anforderungen einer Big Data Implementierung an die Marketing Strategie, sowie alle
anderen strategischen Bereichen, müssen im Unternehmen integriert werden. (Anforderungen wie das Verwalten
von Datenquellen und formloser Datenmengen, sowie das Erstellen von Mehrwerten durch reichhaltige
Metriken.)
Nach Tomas Higbey hat der Chief Analytics Officer (CAO) die Aufgaben, die Vision bezüglich Big Data für die
gesamte Organisation zu erstellen, herauszufinden welche Tools sich eignen und welche Projekte bestmöglich
ausgeführt worden sind, welchen Datenquellen vertraut werden kann, und sowohl das ROI des gesamten
Unternehmens als auch die Projekte zu ranken und zu bewerten.[42] Also muss der CAO die Infrastruktur der Big
Data des Unternehmens, sowie die Analyse von Daten und Projekten erstellen.
Unterstützt wird er bei dieser gewaltigen Aufgabe von den Chief Data Scientist (CDO). Während die Rolle des
CDO sich von einer Organisation zur nächsten verändert, beinhaltet diese typischerweise das Verantworten von
data governance, analytics initiatives und eigentlich allem was mit dem Benutzen von Daten in Beziehung
steht.[43].
Die Aufgaben von data scientists sind unter anderem großen formlosen Datenmengen in Form zu bringen, damit
Analysen möglich werden. Sie identifizieren reichhaltige Datenquellen, verbinden diese mit anderen,
möglicherweise inkompletten Datenquellen und reinigen die Ergebnismenge.[44] Ohne diese neuen Bereiche in
der Unternehmensstrategie, kann die Big Data Implementierung also keinen Mehrwert zum Unternehmen
beitragen.
4.3.2.3 Showrooming
Showrooming ist für viele Einzelhändler ein stetig wachsendes Problem: Immer mehr potentielle Kunden nutzen
den stationären Handel nur noch um sich die Produkte anzusehen, Serviceleistungen wie eine Beratung kostenlos
in Anspruch zu nehmen und dann anschließend zu einem günstigeren Preis im Internet zu bestellen.[45]
Durch den Einsatz von Big Data und In-Store Analytics kann auf diese Entwicklung reagiert werden.
Ein Ansatz ist es, die Kundenbindung durch Loyalitätsprogramme wie Punktekarten oder die Belohnung des
Einkaufs durch kleine Geschenke, wie Sticker-Heftchen zu verstärken. Durch den persönlichen Kontakt mit den
Angestellten des Geschäfts und der individuellen Beratung, kann dem Kunden ein Zusatznutzen geboten werden,
welcher eine Differenzierung zum Onlinehandel ermöglicht. Auf diese Art ist es möglich, den Einkauf für den
Kunden zu einem Erlebnis zu machen. Dieses Erlebnis trägt zu einer erhöhten Preiselastizität des Kunden bei.
Kunden die sich gezielt über ein Produkt informieren, haben in der Regel ein Kaufinteresse, vergleichen aber
auch öfter die Preise. Um diese Kunden nicht an zu verlieren, bietet es sich an gezielte Angebote zu unterbreiten,
um die Preisdifferenz zur Konkurrenz zu verringern und so einen Kaufimpuls zu schaffen. Dies ermöglicht die
Aushebelung des größten Vorteils der Internethändler: dem Preisvorteil.
4.3.2.4 Paradigmenwechsel von Kausalität nach Korrelation
Der Paradigmenwechsel ist unabdingbar: Durch Big Data wechselt der Blickwinkel von Ermittlung der Kausalität
(also von ?Ursache und Wirkung?), zur Akzeptanz von Korrelation, da es anhand der bloßen Datenmenge in Big
Data schwierig sein kann, Kausalität zu erkennen.
Bereits vor 30 Jahren sagte der Statistiker George Box, dass alle Modelle falsch sind.[46] Damit hat er nicht
Unrecht; Modelle helfen uns, die Welt um uns zu beschreiben. Aber sie uns nicht mehr als eine grobe
4.3.2.2 Integration der Marketing Strategie
23
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
Beschreibung der zu Grunde liegenden Tatsachen und je mehr Informationen wir haben, umso deutlicher wird
dies.
Durch Big Data ändert sich die Art, wie wir mit Daten umgehen. Die Datenvolumen, die zur Verfügung stehen,
reichen um zuverlässige Informationen ohne den Einsatz von Modellen zu gewinnen. Diese Modelle wurden
aufgestellt, indem ein Verständnis dafür Entwickelt wurde wie Daten zusammenhängen. Die heute vorhandenen
Datenvolumen machen diesen Ansatz überflüssig. Dabei müssen wir die eigentlichen Daten nicht verstehen. Es
reicht die Daten anhand von statistischen und mathematischen Algorithmen auszuwerten, um die relevanten
Informationen erkennen zu können.
Auch ist es nicht mehr nötig, Hypothesen über ein mögliches Ergebnis aufzustellen. Um optimale Ergebnisse zu
erhalten, dürfen keine Erwartungen an die Daten gestellt und Big Data muss die Möglichkeit gegeben werden,
Muster zu erkennen, welche Modelle nicht finden können.
Es ist wichtig, dass die Mitarbeiter der Unternehmen verstehen, was diese Änderung für sie bedeutet. Die Bildung
von Datensilos muss verhindert werden. Dies gelingt nur, wenn die Mitarbeiter am Big Data Prozess beteiligt sind
und die Daten gemeinsam sammeln und nutzen.
5 Schlussbetrachtung
5.1 Expansions- und Kontraktionsphasen von neuen Technologien
Auch Technologien haben einen Lebenszyklus. Während der Wachstumsphase entsteht ein gewisser Hype um die
Technologie; während dieser Phase werden die Einsatzmöglichkeiten dieser Technologie erforscht.
Ein Beispiel für eine Technologie, die diese Phase hinter sich hat, ist die Cloud. Vor einigen Jahren wurde sie
überall stark diskutiert und kaum einer wusste, wie sie richtig einzusetzen ist. Doch nun scheint sie ihren Platz
gefunden zu haben und aufgrund der Erfahrungswerte, welche während dieser Zeit gemacht wurden, wissen
Unternehmen heute, wie sie mit der Cloud umgehen müssen.
Auch Big Data scheint seinen Platz zu finden. Noch vor wenigen Jahren galt in vielen Einsatzbereichen das
Prinzip "friss oder stirb". Doch aktuelle Umfragen haben ergeben, dass mehr als die Hälfte der Manager keine
Pläne für ein Investment in Hadoop verfolgen. Gerade einmal 18% der befragten Manager haben vor in den
nächsten Jahren in Hadoop zu investieren.[47]
Big Data hat das Verhalten von Unternehmen gegenüber uns beeinflusst, es beeinflusst was wir wahrnehmen und
so auch unser Verhalten. Dieses Potential treibt die Unternehmen dazu, die Grenzen von Einsatz von Big Data
Technologien zu erforschen.
5.2 Die neuen 4P's des Marketings
Auch im Marketing bieten sich neue Möglichkeiten. Anstatt den alten Marketing-Mix mit 4P's (Product, Place,
Promotion, Price) gibt es laut Gartner 4 neue P's des Marketings: [48]
• People - Menschen, welche am Marketing beteiligt sind.
• Processes - Automatisieren der Marketingprozesse.
• Performance - Erfassung der Performance der Marketingkampagnen.
4.3.2.4 Paradigmenwechsel von Kausalität nach Korrelation
24
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
• Profit - Wirtschaftlicher Erfolg des Marketings.
Die neuen 4P's ermöglichen es, den Erfolg einzelner Marketingmaßnahmen zu ermitteln und das Marketing so zu
optimieren, dass der maximal mögliche Profit erzielt wird.
Um dieses Ziel zu erreichen, ist es von Bedeutung, dass das Marketing neu ausgerichtet wird. Dafür ist die
Zusammenarbeit von CMOs und CIOs erforderlich und es bieten sich neue Herausforderungen, denen sich das
Unternehmen stellen muss. Dafür ist es unerlässlich, dass das Personal mit den neuen Anforderungen umgehen
kann und dass einzelne Prozesse automatisiert werden. Ebenfalls ist es entscheidend, dass das Unternehmen
versteht, welchen Einfluss die Neuerungen auf die Marketingoptimierung, Prozessoptimierung und das
Wissensmanagement hat.
Bei den neuen 4P's geht es darum, Menschen zu koordinieren, Prozesse zu automatisieren, Performanz messen
und optimieren, und das Marketing von einer Kostenstelle in ein profit center umzuwandeln. Jeder einzelne
Prozess stellt das Unternehmen dabei vor neue Herrausforderungen.
Marketing wird aufgrund der Möglichkeit, immer neue Vertriebskanäle in den Marketingprozess zu integrieren
und Kunden direkter ansprechen zu können, immer komplexer. Dementsprechend werden auch immer mehr
Personen in den Prozess integriert. Somit wird es immer bedeutender, die beteiligten Personen auf das neue
Marketingsystem auszurichten und Ressourcen entsprechend zuzuteilen. Auch ist es wichtig, für eine
ausreichende interne Kommunikation zu sorgen um den Kunden nicht mit zu vielen Informationen zu überfluten
und so die zukünftige Kommunikation zu schädigen.
Bei der Prozessoptimierung ist es nicht nur wichtig, dass bestehende Prozesse durch Zusammenarbeit und
Informationsvermittlung verbessert werden, sondern auch, dass Prozesse automatisiert werden. Durch die
Kombination dieser Prozesse wird unter anderem ein verbesserter time-to-market ermöglicht.
Um die Performance der Marketingmaßnahmen nachweisen zu können lässt sich der ROMI (Return On
Marketing Investment) ermitteln. Beim Onlinemarketing wird die Performanz bereits seit längerem überwacht, da
durch einen leicht überwachbaren businessfunnel leicht kontrollierbar ist. Schwieriger ist es bei den traditionellen
Medien, doch durch neue Analysemethoden und regelmäßige Kontrollen wird es möglich, nicht nur den Erfolg
dieser Maßnahmen zu ermitteln, sondern auch die Beziehungen zwischen diesen festzustellen.
Der Profit der sich durch Marketing erzielen lässt wird somit leichter festzustellen und optimieren. Marketing
wandelt sich durch die stetige Optimierung der Maßnahmen von einer Kostenstelle zu einem profit center.
6 Anhang
6.1 Literatur- und Quellenverzeichnis
Verweis
Quelle
O'Reilly
Media(2012)
O'Reilly Media: Big Data Now: 2012 Edition, 10.2012
Dumbill, Edd
(2012): Volume,
Velocity,
Dumbill, Edd:Volume, Velocity, Variety: What You Need to Know About Big Data, 19.01.2012,
http://www.forbes.com/sites/oreillymedia/2012/01/19/volume-velocity-variety-what-you-need-to-know
(16.06.2015, 11:55)
5.2 Die neuen 4P's des Marketings
25
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
Variety: What
You Need to
Know About Big
Data
Lancy, Doug
(2006): 3D Data
Management:
Controlling Data
Volume,
Velocity, and
Variety
Lancy, Doug: 3D Data Management: Controlling Data Volume, Velocity, and Variety, 06.02.2006,
http://blogs.gartner.com/doug-laney/files/2012/01/ad9n,
49-3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety.pdf (16.06.2015, 12:01)
Rouse,
Margaret(2015):
data lake
Rouse, Margaret: data lake,05.2015, http://searchaws.techtarget.com/definition/data-lake (16.06.2015,
Starr, Michael et
al.(2009)
Starr, Michael; Arussy, Lior; Yukowitz, Rachel; Blackmire, Michael: Customer Experience Managem
Study: Sustaining a Profitable Business in Challenging Economic Times, 2009,
http://www.strativity.com/wp-content/uploads/2013/07/2009-Global-CEM-Benchmark-Study.pdf (16.0
Dilip, Soman;
N-Marandi, Sara
(2010)
Dilip, Soman; N-Marandi, Sara: Managing Customer Value: One Stage at a Time, 2010
Jacobs, Jay;
Rudis, Bob
(2014)
Jacobs, Jay; Rudis, Bob: Data Driven Secutiry : Analysis, Visualization and Dashboards, 04.2014
Manyika, James
et al. (2011)
Manyika, James; Chui, Michael; Brown, Brad; Bughin, Jacques; Dobbs, Richard; Roxburgh, Charles;
Hung: Big data: The next frontier for innovation, competition, and productivity , 05.2011,
http://www.mckinsey.com/insights/business_technology/big_data_the_next_frontier_for_innovation (1
11:16)
Haase, Lothar
(2010) Seite 7
Haase, Lothar: Das perfekte Verkaufsgespräch, 16.03.2010
Peng, Daniel;
Dabek, Frank
(2010):
Large-scale
Peng, Daniel; Dabek, Frank: Large-scale Incremental Processing Using Distributed Transactions and N
Incremental
Processing
2010, http://research.google.com/pubs/pub36726.html (16.06.2015, 13:55)
Using
Distributed
Transactions and
Notifications
Malewicz et
al.(): Pregel: A
System for
Large-Scale
Graph
Malewicz, Grzegorz;Austern, Matthew H. ;Bik, Aart J. C.;Dehnert, James C.;Horn, Ilan;Leiser, Naty;C
Grzegorz: Pregel: A System for Large-Scale Graph Processing,, http://kowshik.github.io/JPregel/prege
(16.06.2015, 13:58)
6.1 Literatur- und Quellenverzeichnis
26
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
Processing
Melnik et al.
(2010): Dremel:
Interactive
Analysis of
Web-Scale
Datasets
Melnik, Sergey; Gubarev, Andrey; Long, Jing Jing; Romer, Geoffrey; Shivakumar, Shiva;Tolton, Matt
Theo : Dremel: Interactive Analysis of Web-Scale Datasets, 2010, http://research.google.com/pubs/pub
(16.06.2015 14:13)
Dean, Jeffrey;
Ghemawat,
Sanjay:
MapReduce:
Simplified Data
Processing on
Large Clusters
(2004)
Dean, Jeffrey; Ghemawat, Sanjay: MapReduce: Simplified Data Processing on Large Clusters, 12.2004
http://research.google.com/archive/mapreduce.html (16.06.2015, 12:10)
Brito, Michael
(2013): Your
Content
Strategy:
Defining Paid,
Owned and
Earned Media
Brito, Michael: Your Content Strategy: Defining Paid, Owned and Earned Media, 2013,
http://blog.hootsuite.com/converged-media-brito-part-1/ (16.06.2015, 12.25)
Ware, Coling
(2012)
Ware, Coling: Information Visualization: Perception for Design, 21.05.2012
Braun, Mikio L.
(2013): Big Data
Brau, Mikio L.: Big Data beyond MapReduce: Google's Big Data papers, 22.02.2013,
beyond
http://blog.mikiobraun.de/2013/02/big-data-beyond-map-reduce-googles-papers.html (16.06.2015, 13:
MapReduce:
Google's Big
Data papers
Michelis (2014)
Michelis, Daniel: Der vernetzte Konsument: Grundlagen des Marketing im Zeitalter partizipativer
Unternehmensführung, 26.01.2015
Zietzsch,
Christian;
Zänker, Norman
(2011)
Zietzsch, Christian; Zänker, Norman: Text Mining und dessen Implementierung, Diplomica Verlag, H
Remmerbach,
K.-U. (1990)
Seite 56
Value Added Marketing, in Marktforschung & Zeitschrift für marktorientierte Unternehmenspolitik, H
Mohanty,
Madhu, Srivatsa
(2013)
Mohanty,Soumendra; Jagadeesh, Madhu; Srivatsa, Harsha: Big Data Imperatives - Enterprise Big Data
Implementations and Analytics,01.07.2013
6.1 Literatur- und Quellenverzeichnis
27
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
Mehanna, Rabe
(2014)
Mehanna, Walid; Rabe, Marcus Chris:Big Data in der Konsumgüterindustrie: Kunden verstehen, Prod
Marketing steuern
Farris, Paul W.
et al. (2010)
Farris, Paul W.;Bendle, Neil T.;Pfeifer, Phillip E.;Reibstein, David J.: marketing metrics: The Definitiv
Measuring Marketing Performance
Chang Fay; Dean, Jeffray; Ghemawat, Sanjay; Hsieh, Wilsen C.; Wallach, Debora A.; Burrows, Mike;
Chang, Fay et al.
Tushar; Fikes, Andrew; Gruber, Robert E. (2006) : Bigtable: A Distributed Storage System for Structu
(2006)
11.2006, http://research.google.com/archive/bigtable.html (16.06.2015, 12:13)
Peppers, Don;
Rogers, Martha
(2005)
Peppers, Don; Rogers, Martha (2005): Return on Customer, Doubleday, division of random House, Inc
0-385-51030-6
Ghemawat,
Sanjay et al.
(2003) The
Google File
System
Ghemawat, Sanjay; Gobioff, Howard; Leung, Shun-Tak:The Google File System,
10.2003,http://research.google.com/archive/gfs.html (16.06.2015,12:09)
6.2 Fußnoten
1. ? Vgl. Dumbill, Edd: What is big data?,01.11.2012, http://beta.oreilly.com/ideas/what-is-big-data
(16.06.2015,11:49)
2. ? Vgl. Mohanty, Madhu, Srivatsa (2013) Seite 2f
3. ? Vgl. Lancy, Doug(2006): 3D Data Management: Controlling Data Volume, Velocity, and Veriety
4. ? Vgl. Dumbill, Edd(2012): Volume, Velocity, Variety: What You Need to Know About Big Data
5. ? Vgl. Gartner: Gartner Says the Internet of Things Installed Base Will Grow to 26 Billion Units By
2020,12.12.2013,http://www.gartner.com/newsroom/id/2636073 (16.06.2015, 12:05)
6. ? Vgl. LaValle et al. : Big data, analytics and the path from insights to value, 21.12.2010,
http://sloanreview.mit.edu/article/big-data-analytics-and-the-path-from-insights-to-value/ (19.06.2015)
7. ? Vgl. Ghemawat, Sanjay et al.(2003) The Google File System
8. ? Vgl. Dean, Jeffrey; Ghemawat, Sanjay: MapReduce: Simplified Data Processing on Large
Clusters(2004)
9. ? Vgl. Chang, Fay et al.(2006)
10. ? Vgl. Peng, Daniel; Dabek, Frank(2010): Large-scale Incremental Processing Using Distributed
Transactions and Notifications
11. ? Vgl. Malewicz et al.(): Pregel: A System for Large-Scale Graph Processing
12. ? Vgl. Melnik et al.(2010): Dremel: Interactive Analysis of Web-Scale Datasets
13. ? Vgl. Braun, Mikio L.(2013): Big Data beyond MapReduce: Google's Big Data papers
14. ? Vgl. Rouse, Margaret(2015): data lake
15. ? Siehe: Hadoop-related projects: http://hadoop.apache.org/
16. ? Vgl. Remmerbach, K.-U. (1990) Seite 56
17. ? Vgl. Michelis(2014) Seite 242
18. ? Vgl. Farris, Bendle, Preifer, Reibstein(2010) Seite 350f
19. ? Vgl. Farris, Bendle, Preifer, Reibstein(2010) Seite 338
20. ? Vgl. Brito, Michael(2013): Your Content Strategy: Defining Paid, Owned and Earned Media
21. ? Vgl. OnPageWiki: Data-Driven- Marketing , https://de.onpage.org/wiki/Data-Driven_Marketing
(18.06.2015, 12:40)
22. ? Vgl. Doug Alexander: Data Mining,
http://www.laits.utexas.edu/~anorman/BUS.FOR/course.mat/Alex/index.html (16.06.2015, 14:44)
6.2 Fußnoten
28
Einsatz_von_Big_Data_im_Bereich_Marketing_und_Vertrieb
23. ? Vgl. Duhigg, Charles: How Companies Learn Your Secrets, 16.02.2012,
http://www.nytimes.com/2012/02/19/magazine/shopping-habits.html?_r=1&hp=&pagewanted=all
(16.06.2015, 14:46)
24. ? Vgl. O'Reilly Media(2012) Seite 63f
25. ? Vgl. Starr, Michael et al.(2009)
26. ? Vgl. Peppers, Don; Rogers, Martha (2005)
27. ? Vgl. Springer Gabler Verlag (Herausgeber): Gabler Wirtschaftslexikon, Stichwort: One-to-one
Marketing, http://wirtschaftslexikon.gabler.de/Archiv/81061/one-to-one-marketing-v8.html (21.06.2015,
12:48)
28. ? Vgl. Haase,Lothar(2010) Seite 7
29. ? Vgl. Jacobs, Jay; Rudis, Bob (2014) Seite 138
30. ? Vgl. Ware, Coling (2012) Seite 4f.
31. ? Vgl. Jacobs, Jay; Rudis, Bob (2014) Seite 139
32. ? Vgl. Dilip, Soman; N-Marandi, Sara (2010) Seite 275.
33. ? 33,0 33,1 Vgl. Mehanna, Rabe (2014) Seite 84
34. ? Vgl. Gartner IMM: http://www.gartner.com/it-glossary/integrated-marketing-management (18.06.2015,
11:20)
35. ? Vgl. Bruhn, Manfred. "Kommunikationspolitik: Grundlagen der Unternehmenskommunikation."
München: Vahlen (1997). Seite 96.
36. ? Vgl. Bertolucci, Jeff: Big Data Analytics: Descriptive Vs. Predictive Vs. Prescriptive, 31.12.2013,
http://www.informationweek.com/big-data/big-data-analytics/big-data-analytics-descriptive-vs-predictive-vs-presc
(16.06.2015, 16:58)
37. ? Vgl. Neumann, Saggi: Data Cleansing Big Data: Scrubbing the Elephant, 22.05.2014,
http://www.xplenty.com/blog/2014/05/scrubbing-the-elephant-cleansing-big-data/ (17.06.2015, 10:15)
38. ? Vgl. Dietrich, David: The Dirty Little Secret of Big Data Projects, 18.04.2013,
http://infocus.emc.com/david_dietrich/the-dirty-little-secret-of-big-data-projects/ (17.06.2015, 10:25)
39. ? Vgl. Mohanty, Madhu, Srivatsa (2013) Seite 22
40. ? Vgl. Manyika, James et al. (2011)
41. ? Vgl. Hopkins, Michael S.; LaValle, Steve; Balboni, Fred: 10 Insights a first look at the new intelligent
enterprise survey, 2010,
http://sloanreview.mit.edu/article/10-insights-a-first-look-at-the-new-intelligent-enterprise-survey/
(17.06.2015, 13:31)
42. ? Vgl. Higbey, Tomas: CAO: Chief Analytics Officer, 02.05.2013,
http://www.opentracker.net/blog/cao-chief-analytics-officer (17.06.2015, 13:37)
43. ? Vgl. Burns, Ed: Chief data officer job description requires a proper fit,
http://searchbusinessanalytics.techtarget.com/feature/Chief-data-officer-job-description-requires-a-proper-fit
(17.06.2015, 14:01)
44. ? Vgl. Davenport, Thomas H.; Patil, D.J.:The Sexiest Job of the 21st Century,
2011,http://128.255.244.58/strategic/articles/data_scientist-the_sexiest_job_of_the_21st_century.pdf
(17.06.2015, 11:42)
45. ? Vgl. intelliAd Media GmbH: Studie: ?Showrooming? zwingt lokalen Handel zum Umdenken,
http://www.intelliad.de/showrooming/ (17.06.2015, 13:30)
46. ? Vgl. Anderson, Chris: The End of Theory: The Data Deluge Makes the Scientific Method Obsolete,
23.06.2008, http://archive.wired.com/science/discoveries/magazine/16-07/pb_theory (16.06.2015, 13:20)
47. ? Vgl. Gartner: Gartner Survey Highlights Challenges to Hadoop Adoption, 13.05.2015,
http://www.gartner.com/newsroom/id/3051717 (17.05.2015, 14:29)
48. ? Vgl. Collins, Kimberly: The Four New Ps of Marketing That CMOs and CIOs Should Consider,
18.05.202, http://www.aprimo.com/tdresources/53501.pdf (17.06.2015, 14:41)
6.2 Fußnoten
29