Marketing Analytics

Analytics

Mit Hilfe von Analytics sollen möglichst optimale Entscheidungen getroffen werden – bspw. bei der Optimierung von Angeboten und der profitablen Gewinnung und Bindung von Kunden. Für die Unterstützung der Entscheidungsfindung können unterschiedliche Modelle und Kennzahlen genutzt werden.
In diesem Kurs orientieren wir uns an dem Konzept des Customer-Lifecycle von Forrester und werden die wichtigsten analytischen Modelle in Form von Fallbeispielen behandeln.


Modelle

Die Statistik und Informatik stellen unterschiedliche Methoden und Modelle zur quantitativen Analyse von Daten bereit:

In der Statistik stehen neben deskriptiven Analysen zwei unterschiedliche Analysearten zur Verfügung: Untersuchungen von Zusammenhängen und Unterschieden mit Dependenzanalysen (z.B. mit Hilfe von Regressionsanalysen, Varianzanalysen, t-Tests) und Entdeckung von Strukturen mit Interdependenzanalysen (z.B. mit Conjoint-Analysen, Faktoranalysen, Clusteranalysen, multidimensionaler Skalierung).

Aus dem Bereich der Informatik können Lösungen, die auf künstlicher Intelligenz (Artificial Intelligence) beruhen, genutzt werden. Relevant sind hierbei die Algorithmen des maschinellen Lernens (Machine Learning), in welchem eine Maschine eigenständig in Daten Muster und Gesetzmäßigkeiten erkennen kann. Diese Mustererkennung kann auf der Grundlage von Deep Learning-Ansätzen erfolgen.

Kennzahlen

Für die Operationalisierung von Fragestellungen ist es notwendig, sich an Kennzahlen (bspw. dem Customer Lifetime Value) zu orientieren.


Programmierung und Tools

Für die Datenanalyse und -visualisierung können unterschiedliche Programmiersprachen und Software-Tools genutzt werden. Beispiele für zwei im Bereich Analytics und Data Science oft genutzte Programmiersprachen sind R und Python. Ebenso können Software-Tools wie RapidMiner, SPSS, Tableau und Excel genutzt werden. Auch Google bietet einige kostenfreie Lösungen an (z.B. Google Trends, Google Correlate und Google Analytics)

Analytics-Prozess

Definition

  • 01

    Beschreibung einer konkreten Fragestellung (z.B. aus welchen Segmenten besteht unsere Zielgruppe? Wie ist der Zusammenhang zwischen dem  Umsatz und Marketing-Maßnahmen? Welche Kunden werden voraussichtlich wieder bei uns kaufen?  …)

  • 02

    Identifikation relevanter Kennzahlen und Modelle zur Lösung der konkreten Problemstellung (z.B. Cluster Analyse, Regressionsanalyse,… )

  • 03

    Recherche zum aktuellen Wissensstand zu der vorliegenden Fragestellung (z.B. Ergebnisse von bereits durchgeführten Studien). Beispielsweise mit Hilfe von Google Scholar

  • 04

    Definition von Hypothesen, die zur zielgeführten Untersuchung der Fragestellung beitragen

Design

  • 01

    Definition der Personengruppe (Grundgesamtheit) auf welche sich die Fragestellung bezieht. Auswahl einer Stichprobe (mit Hilfe eines geeigneten Auswahlverfahrens).

  • 02

    Festlegung ob eine Längsschnittstudie (Erhebung zu mehreren Zeitpunkten) oder Querschnittstudie (zum gleichen Zeitpunkt werden unterschiedliche Personen befragt) durchgeführt werden soll

  • 03

    Ausgehend von der Fragestellung (bzw. den Hypothesen) wird der Fragebogen definiert. In diesem Zusammenhang ist insbesondere das Skalenniveau der Variablen zu beachten

  • 04

    Insgesamt muss sichergestellt werden, dass die Untersuchung den Gütekriterien quantitativer Untersuchungen genügt (Validität, Reliabilität und Objektivität)

Datenerhebung

  • 01

    Die Erhebung der Daten kann auf verschiedenen Arten erfolgen. Beispielsweise schriftlich (offline oder online), telefonisch oder in einem persönlichen Interview

  • 02

    Wegen der relativ unkomplizierten Erhebung wird als Erhebungsverfahren häufig ein Onlinefragebogen eingesetzt.

  • 03

    Bei der Erhebung muss beachtet werden, dass die Stichprobe ein repräsentatives Abbild der Grundgesamtheit darstellen sollte (siehe Auswahlverfahren) 

Datenanalyse

  • 01

    Die Analyse der Daten beginnt zunächst mit der Daten­berei­ni­gung. Dabei werden feh­ler­hafte und unvoll­stän­dige sowie Ausreißerwerte in den Daten­sätzen identifiziert und ggf. korrigiert

  • 02

    Die Daten werden zunächst mit Hilfe der deskriptiven Statistik (zentrale Tendenzen und Streuung) analysiert. Insbesondere die Visualisierung der Daten (z.B. Histogramm, Streudiagramm, Boxplot) steht hier im Vordergrund.

  • 03

    In Abhängigkeit von dem Studiendesign und den Variablen können mit Dependenzanalysen Zusammenhänge und Unterschiede (z.B. Regression, t-Test, U-Test, …) und mit Interdependenzanalysen Strukturen in Daten (z.B. Conjoint-Analyse, Clusteranalyse,…) untersucht werden

  • 04

    Zuletzt können die gewonnenen Erkenntnisse interpretiert und in geeigneter Weise visualisiert werden