Im Data driven Marketing, geht es darum, Kennzahlen aus unterschiedlichen Marketing Kanälen zu aggregieren, zu analysieren und zu interpretieren, um die Erkenntnisse für eine Steuerung des Marketings einzusetzen.

Mit Hilfe von Kennzahlen und Online KPIs, kann die Interaktion von Online Nutzern, mit platzierten Werbemitteln von Marketer, einfacher und schneller verstanden werden. Dies hilft bei der Priorisierung von Maßnahmen und verbessert den Online-Marketing-ROI.

Beiträge

Ähnlich wie bei einem Wetterbericht können mit Hilfe der prädiktiven Analytik, mögliche Szenarien der Zukunft mit einer gewissen Wahrscheinlichkeit vorhergesagt werden. Möglicherweise möchte der Marketingleiter eines E-Commerce Shops wissen ob es sich lohnt, weiterhin Geld in eine Maßnahme oder Online-Werbekampagne zu investieren. Mit Hilfe der prädiktiven Analyse kann der Marketingleiter auf Basis vergangener Messwerte, die Erwartungen der Zukunft ein Stück weit prognostizieren. Damit hat er eine viel bessere Entscheidungsgrundlage und verringert gleichzeitig die Wahrscheinlichkeit mehr Geld zu verlieren.

Was bedeutet prädiktive Analytik und wo wird es eingesetzt?

Der Begriff “prädiktiv” beschreibt das Etwas prognostiziert, berechenbar, anbahnend bzw. vorhersehbar ist. Im lateinischen wird die Bezeichnung “prae” erwähnt, welches als Adverb “voran”,  bzw. “voraus” bedeutet [1] . Die prädiktive Analytik umfasst eine Vielzahl von statistischen Techniken aus den Bereichen Data Mining, Predictive Modeling und Machine Learning, die aktuelle und historische Fakten analysieren um Vorhersagen über zukünftige oder anderweitig unbekannte Ereignisse zu treffen.

Die prädiktive Analytik ist ein recht junger Teilbereich der Analytik und wird in vielen technologiegetriebenen Branchen eingesetzt. Eine der bekanntesten Anwendungen ist das Credit Scoring, das in allen Finanzdienstleistungen eingesetzt wird.

Zeitreihenmodelle werden zur Vorhersage oder Prognose des zukünftigen Verhaltens von Variablen verwendet

Die im Laufe der Zeit aufgenommenen Datenpunkte können interne Strukturen aufweisen die kaum vorhersehbar sind. Daher sollten Trends oder saisonale Schwankungen berücksichtigt werden. Infolgedessen können Standard-Regressionsverfahren nicht auf Zeitreihendaten angewendet werden. Dafür wurden spezielle Methoden entwickelt, um die Trend-, Saison- und Konjunkturkomponente der Serie zu zerlegen. Die Modellierung des dynamischen Pfades einer Variablen kann die Prognosen verbessern, da die vorhersehbare Komponente der Serie in die Zukunft projiziert werden kann [2].

Wie erstelle ich selbst eine prädiktive Analyse auf Basis meiner Daten?

Alteryx ist eines der bekanntesten Tools in diesem Bereich. Die Produkte des Unternehmens werden für die Datenwissenschaft und Analytik eingesetzt. Die Software wurde entwickelt, um fortgeschrittene Analysen zugänglich zu machen [3].

Das Analytics-Tool Alteryx, bietet eine kostenlose Testversion an. Die Preise für eine jährliche Lizenz starten ab ca. 5.000 Euro. Im folgenden Screenshot präsentiere ich einen Analytics-Workflow, wo Daten aus dem Facebook Werbeanzeigen Manager verwendet wurden, um wichtige KPIs wie die Click-Through-Rate, Cost-per-Click etc. vorherzusagen. Ich habe mich in meiner Zeitreihenanalyse für das ARIMA-Verfahren entschieden. ARIMA ist ein Akronym, das für Auto-Regressive-Integrated-Moving-Average steht. Es handelt sich dabei um eine Modellklasse, die eine Reihe von verschiedenen Standardzeitstrukturen in Zeitreihendaten erfasst. [4].

Workflow for predictive analytics based on arima for facebook business kpis

Die Grafik stellt den Fluss von Daten dar. Man fängt von links an zu lesen und bewegt sich nach rechts. Erstmal muss man auf einen Datensatz zugreifen, also eine “Quelle”, dazwischen kommen einige Verarbeitungsschritte bis es in eine “Senke” (Zieltabelle) zurückgeschrieben werden kann. Jeder Knotenpunkt stellt eine Operation dar. Knapp 70% meiner Zeit habe ich damit verbracht, die Daten in das richtige Format zu bekommen. Insgesamt habe ich für den Workflow knapp drei Arbeitstage benötigt. Dargestellt durch die “blauen” Knoten wird auch klar das ein Großteil des Workflows genau eben aus diesen Datenbereinigungsprozessen besteht.

Was war das Ergebnis meiner prädiktiven Analyse für die Facebook Business KPIs?

Im nachfolgenden Chart wird die Entwicklung der “CTR”, bzw. Click-Through-Rate eines Facebook Werbekontos dargestellt. Die CTR ist eine Social Media KPI, die das Verhältnis von Klicks zu Impressionen auf einer Werbeanzeige in Prozent berechnet. Die “blaue Linie” beschreibt den tatsächlichen Ist-Wert im täglichen Verlauf. Die anderen “Farben” grün, gelb, rot, orange und türkis, beschreiben mögliche Erwartungswerte basierend auf der prädiktiven Analyse. Klar, die CTR kann nicht negativ sein deswegen lassen wir die Betrachtung der “türkisen-Linie” außer Acht.

7 days forecast based on arima time series analysis and facebook ad manager click through rate

 

Wie man auf Basis einer prädiktiven Zeitreihen-Analyse Anomalien erkennen kann

Als Unternehmen ist es nicht nur wichtig Daten zu sammeln und auf einen “Haufen” zu werfen, siehe Big Data sondern eben diese Daten in Erkenntnisse umzuwandeln, siehe Smart Data. Wie oben beschrieben, kann man mit Hilfe der prädiktiven Analyse den Erwartungswert einer Kennzahl vorhersagen. Trifft diese Erwartung nicht ein, so spricht man von einer Anomalie, also einer Abweichung von der statistischen “Normalität”. In der Prüfung meiner eigenen Vorhersagen bin ich ziemlich nah an die tatsächliche Entwicklung der Kennzahl herangekommen.

time series forecast with predictive analytics based on facebook data in dashboard - abis reporting tool

Die CTR – Vorhersage hat sich als zutreffend herausgestellt. Es wurden auch einige Anomalien erkannt.

Von der prädiktiven Analyse zum intelligenten und digitalen Assistenten

Falls nun bestimmte Grenzen einer Kennzahl unter- oder überschritten werden, so kann innerhalb der Software ein intelligenter Alert ausgelöst werden. Diese Grenzen passen sich dynamisch im Laufe der Zeit je nach Erfahrungswert selbst wieder an. Der Algorithmus lernt so zu sagen selbständig mit. Dieses Prinzip kann flächendeckend auf unterschiedliche Zeitreihen und Dimensionen angewendet werden. So wäre es denkbar, eine komplette Webseite in Echtzeit zu monitoren um passive Benachrichtigungen erst dann zu erhalten, wenn sich auch wirklich etwas in den Daten ändert. Der intelligente Algorithmus übernimmt den Job es Analysten. Damit kommen wir dem Web Operating System noch einen Schritt näher. Für den Marketingleiter eine super Sache, denn damit muss er nicht mehr selbst, proaktiv in die Zahlen reinschauen. Er kann nun in Echtzeit reagieren und die Daten im Dashboard erst prüfen, wenn der digitale Analyse-Assistent interessante Vorkommnisse gemeldet hat.

 

Fazit: 

Mittels der prädiktiven Analytik kann man mit einer gewissen Wahrscheinlichkeit die Entwicklung einer Kennzahl vorhersagen und mit dem Abgleich der Ist-Werte auch Anomalien erkennen, falls der Erwartungswert nicht eintrifft. Man sollte jedoch darauf achten wie man die Parameter einstellt. Das kann von Industrie und Branche sehr unterschiedlich sein. Vor allem im Handel sind meist saisonale Schwankungen die Regel. Zum Beispiel das Kaufverhalten eines neuen Produktes vorherzusagen ist ziemlich schwer, wenn noch keine validen Erfahrungswerte vorhanden sind.

 

Quellen:

[1] http://www.enzyklo.de/Begriff/pr%C3%A4diktiv

[2] https://en.wikipedia.org/wiki/Predictive_analytics

[3] https://en.wikipedia.org/wiki/Alteryx

[4] https://machinelearningmastery.com/arima-for-time-series-forecasting-with-python/

 

In einem Projekt mit der Hochschule Kiel haben wir unsere Software ABIS zur Verfügung gestellt. Es ging darum mit einem fiktiven Szenario, die 50 Studenten aus dem Kurs für das Thema Social Business Intelligence zu begeistern. Die Studenten sollten ein Szenario innerhalb einer Firma nachstellen und mit Hilfe von ABIS untersuchen, wie Social Business Intelligence für die Steuerung von Teams eingesetzt werden kann und welche Vorteile es bringt.

 

Das Social BI Fallbeispiel und die Aufgabenstellung

Die SmartTech Ltd. vertreibt weltweit verschiedene Hardware Produkte. Die neuesten Produkte sind zwei Versionen eines Smartphones, einer SmartHome Lösung und einer Dashcam für Fahrzeuge.

Produkt Kosten / Einheit Verkaufspreis / Einheit
Smartphone RX20 Lite 300,00 € 699,99 €
Smartphone RX30 Pro 350,00 € 899,99 €
SmartHome 800,00 € 1099,99 €
Dashcam GetFamous 50,00 € 99,99 €

Seit der Markteinführung, der oben benannten Produkte in 2017, wurden auf verschiedenen Werbeplattformen Anzeigen geschaltet. Neben der klassischen Vermarktung sollten in Online-Medien aktuelle Themen angesprochen werden um die Zielgruppe besser zu erreichen.

 

Fragestellungen mit Hilfe des Marketing KPI-Dashboards beantworten

Mithilfe des Social Business Intelligence Tools ABIS sollten die Plattformen Facebook, Twitter, Instagram und Google ausgewertet werden. Folgende Fragestellungen wurden näher beleuchtet:

  1. Über welche Werbeplattform wurden in den letzten 90 Tagen die meisten Impressionen generiert?
  2. Welche Plattform hat bisher den größten Marketing ROI erwirtschaftet?
  3. Gibt es einen Zusammenhang zwischen Anzahl der Impressionen und Anzahl der Bestellungen?

Wer ist der „Verlierer bzw. Gewinner“ der vier Produkte? Mit diesem gewonnenen Wissen sollen die Kampagnen für die Zukunft besser gestaltet und verstärkt auf Social Media beworben werden um die Produkte effizienter zu vermarkten.

Wie wurden die fiktiven Daten für das Fallbeispiel generiert?

Erstmal mussten fiktive Demo-Daten erzeugt werden. In der Regel würde man davon ausgehen, dass es kein Problem sei, solche Daten zu erzeugen. In der Praxis ist jedoch die Erstellung von realistischen Demo-Daten gar nicht so trivial. Es müssen nämlich Variationen und sinnvolle Zusammenhänge in den Daten abgebildet werden. Zugleich sind die Zufallsgeneratoren der meisten Tools nicht ausreichend genug um Anomalien einzusetzen. Wie wurde das Problem also gelöst?

Drei Schritte um realistische Demo-Daten zu erzeugen:

  1. Die Abfolge von Kennzahlen in einem Trichter modellieren. Anders ausgedrückt, die wichtigen KPIs aus dem Online-Nutzer-Fluss von Sichtung der Werbeanzeige bis hin zur Bestellung bzw. Rücksendung korrekt abbilden.
  2. Die Abfolge der Kennzahlen je Produkt und Werbekanal anders gewichten und gruppieren. Manche Kanäle haben mehr, andere weniger Traffic etc.
  3. Für jede Gruppe im zeitlichen Verlauf, Anomalien oder Trends einsetzen. Auf bereits bestehenden Zufallswerten, die jedoch relativ flach verlaufen, wurde eine logarithmische Gleichung eingesetzt um die Tageswerte zu randomisieren.

Als Ergebnis fiel ein CSV-Dokument heraus, welche wiederum in das Data-Warehouse importiert werden sollte. Hier ein Screenshot der Quelldatei:

fh kiel datensatz

Mit einer Excel-Formel wurden die Daten dann so verändert das mehr Zufall eingebaut wurde, siehe Chart:

randomizer chart

Zeitlicher Verlauf der Testdaten nach der Implementierung des Randomizer

Die reproduzierbare Integration der Quelldatei in das Data-Warehouse Zielschema

Um die Daten aus dem CSV in ein auswertbares Format zu übertragen, wurde eine ETL-Strecke entwickelt. “ETL” steht für “Extract, Transform and Load”. Es beschreibt das Verfahren um eine Quelldatei in ein bestimmtes Zielschema der Datenbank zu importieren. Wichtig hierbei ist die Reproduzierbarkeit, damit man über die selbe ETL-Strecke auch neue Daten additiv anfügen kann.

Wir haben dafür in ABIS ein Data-Blending-Verfahren entwickelt, dass es uns erlaubt aus einer korrekt formatierten Quelldatei ein Schema automatisiert zu erkennen und zu erstellen. Damit spart man sich im Vergleich zu anderen Business Intelligence Tools 100% der Zeit für die Modellierung von Daten. So konnte die effektive Arbeitszeit von 6-8 Stunden auf wenige Sekunden reduziert werden. Wir verwenden ein klassisches Sternschema. Hier werden die Eingangsdaten in Dimensionen und Metriken unterteilt. Anbei findet sich das Datenmodell als Skizze:

Erstellung des Dashboards mit entsprechenden Drill-Down Funktionen

Anschließend wurde das Dashboard entwickelt. Mit diesem soll es möglich sein, einen tieferen Einblick in die Kennzahlen zu bekommen. Im Vergleich zu anderen Dashboards, die sich zumeist flach verhalten, besteht in ABIS die Möglichkeiten die Charts je nach Fragestellungen genau in die richtige Ausrichtung zu filtern und zu gruppieren. So können viel schneller Anomalien in den Daten gefunden werden. Entsprechende Filter und Gruppierungen, können als “Set-Konfiguration” in einer Karte gespeichert werden. Diese Karten können anderen Teilnehmern einfacher und reproduzierbar zur Verfügung gestellt werden.

 

Das Ergebnis aus der Aufgabenstellung und die Vorteile in der Analyse mit ABIS

Folgende Teilschritte konnten wir im Vergleich zu einer händischen Erstellung automatisieren. Ein Business Intelligence Experte würde hierfür ca. einen Manntag benötigen. BI-Spezialisten sind derzeit sehr gefragt und verlangen im Durchschnitt 1.000 Euro pro Tag. Mit ABIS konnten wir die Arbeitszeit von einem Manntag auf unter eine Minute reduzieren.

Hier die Teilschritte die durch unser automatisiertes Data-Blending-Verfahren eingespart werden konnten:

  • File in Datenbank laden
  • Datenmodell erstellen
  • Update Skript schreiben

Durch ein automatisiertes Data-Blending Verfahren konnten wir 140.000 Zeilen innerhalb von einer Minute integrieren und dabei 1.000 Euro BI-Kosten einsparen.

Die Studenten konnten nun mit dem Dashboard alle oben genannten Aufgaben innerhalb von kurzer Zeit lösen. Im Vergleich zu anderen BI-Tools konnten wir mit Hilfe des Auto-Data-Blendings viel Zeit einsparen und schnelle Ergebnisse liefern.

dashboard for multiple facebook and google analytics accounts

 

 

data driven marketing dashboards on smartphone with group of people

Diejenigen, die im datengesteuerten Marketing erfolgreich sind, sehen erhebliche Vorteile – bis zu 30 % bei der Kosteneffizienz und 20 % mehr Umsatz. Forschungsergebnisse der Boston Consulting Group und Google – Januar 2018

Bereits in 2015 wurden in den USA 162 Manager von Forbes befragt, ob sie “data-driven Marketing” wichtig finden. 64% der Befragten stimmten nachdrücklich zu, dass datengesteuertes Marketing für den Erfolg in einer wettbewerbsintensiven globalen Wirtschaft entscheidend ist. Doch was hat sich seither in Unternehmen wirklich getan?

Eine datengesteuerte Katastrophe ist ein ernsthaftes Problem, das durch einen oder mehrere ineffektive Datenanalyseprozesse verursacht wird.

disaster if not using data driven structure can cost alot of trust

Die Illustration bringt es humorvoll auf den Punkt, doch das Problem ist ernster zu nehmen als man denkt. Im Zuge der Globalisierung stehen vor allem Unternehmen aus Europa unter enormen Druck mit den großen Spielern der Digitalisierung Schritt zu halten. China und die USA sind führend im Bereich “Künstliche Intelligenz – KI”.

Es herrscht zudem Unmut bei vielen Unternehmen aus Deutschland, denn es fehlen massiv Fachkräfte.

Vor allem die Softwareentwicklung und Data Science verzeichnen einen starken Zuwachs. Gleichzeitig steigt die Datenmenge in den nächsten 5 Jahren nochmal um das zehnfache an. Was also tun, wenn Fachkräfte fehlen und man schlichtweg keine Lösung für die kommende Datenflut hat?

Vielleicht kann Cloud Analytics helfen, doch was ist das?

Cloud Analytics verwendet eine Reihe von Analysewerkzeugen und -techniken, um Unternehmen dabei zu unterstützen, Informationen aus umfangreichen Daten zu extrahieren und in einer Weise darzustellen, die leicht kategorisiert und über einen Webbrowser schnell zugänglich gemacht werden kann.

Ein Zitat von TMR-Research aus 2018 bringt es auf den Punkt:

„Unternehmen nutzen Cloud-Analytics-Reporting-Tools, um die heutigen Geschäftsanforderungen zu erfüllen, die Mobilität ihrer Mitarbeiter zu erhöhen, den Mangel an IT-Know-how zu überwinden und nachhaltige Gewinne bei hohen Betriebskosten und sinkenden Gewinnmargen aufgrund des intensiven Marktwettbewerbs zu erzielen.

Die Nachfrage nach Cloud-Analysen steigt ebenfalls, da die Technologie die Pay-as-you-use Struktur und Software-as-a-Service (SaaS) Lizenzstruktur nutzt, die keine Hard- und Software-Installationen vor Ort erfordert. Die große Flexibilität, Einfachheit der Konnektivität und Datenkommunikation durch Cloud-Analyse-Tools sind auch einige der wichtigen Faktoren, die Unternehmen dazu bewegen, sich für Cloud-Analysen gegenüber herkömmlichen Lösungen zu entscheiden.“

Social BI als Data-Driven-Marketing Wunderwaffe für alles?

Im Marketing wurden schon immer “Key-Performance-Indicators”, kurz KPIs ausgewertet und für die Steuerung von Prozessen verwendet. Ist das wirklich so? Schauen sie doch mal selbst in Ihre Unternehmen hinein. Wer hat denn wirklich Lust auf langweilige und komplizierte Tabellenkalkulationen? Allein der Aufwand einen umfassenden Bericht für mehrere Webseiten auf Basis von Google Analytics zu erstellen ist kaum zu bewältigen. Viele Teams und Abteilungen scheitern bereits, an der Datenqualität und Infrastruktur, die viele Probleme und damit auch hohe Wartungskosten mit sich bringt.

Es ist notwendig, sich gründlich zu überlegen, ob es noch Sinn macht, weiterhin an manuellen Analyseverfahren festzuhalten. Es gibt mittlerweile ein breites Angebot an Dienstleistern und Plattformen, die eine Erlösung aus dem Excel Chaos versprechen sollen.

website optimization and better conversion rate through data driven marketing

Vielleicht können Social Business Intelligence Lösungen dabei helfen, datengesteuertes Marketing zu implementieren? Social BI, oder Social Business Intelligence, bezieht sich auf die Erstellung, Veröffentlichung und Freigabe von, benutzerdefinierten Business Analytics-Berichten und Dashboards durch Endanwender von Cloud-Technologien. Das Abrufen von Daten aus verschiedenen Social Media Netzwerken und die Erstellung von einfach verständlichen Berichten, wird dem Unternehmen helfen, sich für weitere Schritte zu entscheiden. Klingt erstmal doch nicht schlecht oder?

Die grundlegenden Funktionen eines sozialen Netzwerkes sind so gut wie Jedem bekannt. Daher liegt es nahe, dass sich die Prinzipien eines sozialen Netzwerkes auch bei der Datenanalyse in Teams durchsetzen wird, denn es bietet folgende Vorteile:

  • Das Teilen von Auswertungen so einfach wie mit einem Social Media Posting.
  • Die Möglichkeit, direkt auf Datenanalysen zu reagieren und Rückfragen zu stellen.
  • Analysen nachvollziehen und weitere Datenauswertungen anhängen.
  • Doppelarbeit in großen Teams vermeiden.
  • Ergebnisse und Maßnahmen dokumentieren.
  • Flexibler Austausch, von Daten und Informationen.

Und die Liste kann noch länger werden. Doch was machen wenn man keinen passenden Anbieter findet der Social Business Intelligence Tools bereitstellt?

Hier eine kleine Auflistung von Social BI Anbietern:

Yellowfin ist ein in Australien ansässiger Anbieter von Business Intelligence, Analytics, Dashboard und Reporting-Software. Es entwickelt und vermarktet eine Reihe von Produkten, die zur Transformation, zum Zugriff, zur Analyse und zum Bericht über Daten aus gängigen Geschäftsquellen wie Tabellenkalkulationen, Web-APIs und Datenbanken verwendet werden.

Domo, Inc. ist eine cloud-basierte Plattform, die den Entscheidungsträgern im gesamten Unternehmen mit minimalem IT-Aufwand einen direkten, vereinfachten und zeitnahen Zugriff auf Geschäftsdaten ermöglicht.

ABIS Analytics Cloud ist eine cloud-basierte Plattform aus München, die Online-Marketing Teams ermöglicht, schnell und einfach Daten abzurufen und im gemeinsamen Datenraum miteinander zu teilen. ABIS vereinfacht die Interpretation von Daten und fördert Smart Data in datengesteuerten Teams.