INTERNET WORLD Business Logo Abo
Christian-Kohn
Sonstiges 26.09.2017
Sonstiges 26.09.2017

Expert Insights Datensammeln 2.0: Durch Data Mining von Big Data zu Smart Data

Christian Kohn, Managing Director bei Performics

Christian Kohn, Managing Director bei Performics

Das weltweit generierte Datenvolumen steigt kontinuierlich an und scheint keine Grenzen zu kennen. Doch es kommt nicht alleine auf das Sammeln an, sondern vor allem auf die Auswertung. Wie wird Big Data zu Smart Data?

"Die Welt wartet nicht auf Deutschland": So warnte Bundeskanzlerin Angela Merkel Mitte Juni beim Digitalgipfel in Ludwigshafen erneut davor, bei der Digitalisierung den Anschluss zu verlieren. Vorhandene Datenmengen müssten für neue Produkte genutzt werden. Gary King, Politikprofessor an der Harvard-Universität, wird das Zitat "Big data is not about the data" zugeschrieben - es komme nicht allein auf das Sammeln der Daten an, sondern auch und vor allem auf deren Auswertung. Muss also Big Data zu Smart Data werden?

Das weltweit generierte Datenvolumen steigt kontinuierlich an und scheint keine Grenzen zu kennen - es wird prognostiziert, dass sich das Volumen der jährlich angehäuften digitalen Datenmenge bis zum Jahr 2025 mehr als verzehnfachen wird, auf insgesamt 163 Zettabyte. Das entspricht 163 Trilliarden Bytes oder - in Ziffern ausgeschrieben - 163.000.000.000.000.000.000.000 Bytes.

Um diese bereits unvorstellbare Menge etwas anschaulicher zu machen: Die geschätzte Menge aller Worte, die jemals von der Menschheit gesprochen wurden, würde digitalisiert rund 42 Zettabyte ergeben. Diese wiederum würde nach Schätzungen der 58-fachen Menge an Sandkörnern aller Strände der Erde entsprechen - und die Datenmenge verdoppelt sich zum gegenwärtigen Zeitpunkt etwa alle zwei Jahre.

Umsätze mit Big-Data-Lösungen

Analog zu dieser Entwicklung steigen auch die Umsätze mit Big-Data-Lösungen: Allein deutschlandweit liegen diese jährlich bei rund zwei Milliarden Euro. Advertiser und Agenturen haben somit Zugang zu einer Vielzahl an Daten, die beispielsweise durch Web Analytics, gewonnene Kundendaten, AdServer-Daten oder Social Media gewonnen werden können.

Dennoch scheint es, als würden die Unmengen gewonnener Daten häufig nicht ausreichend und vor allem nicht zielgerichtet genug genutzt, um Business Insights aus ihnen ableiten und einen Wettbewerbsvorteil erlangen zu können. Häufig erfolgt eine zu dogmatische Auswertung der Datenmengen, beispielsweise dadurch, dass ausschließlich ein Teilbereich beziehungsweise fest abgesteckter Kanal wie AdWords analysiert und ausgewertet wird. Um aus Big Data jedoch Smart Data werden zu lassen, bedarf es der Aufstellung, des Vergleichs und der Auswertung von Korrelationen zwischen den unterschiedlichen zur Verfügung stehenden Kennzahlen. Zu diesem Zweck reichen jedoch die zuvor genannten "klassischen" Wege der Datengewinnung nicht aus.

Im Zuge der Digitalisierung, die inzwischen in fast allen Bereichen des Lebens Einzug gehalten hat, steht eine deutlich größere Anzahl an Daten zur Verfügung, die zur Erstellung von Kampagnen genutzt werden können.

Kennzahlen, die sich digital analysieren und in Relation zum Nutzerverhalten setzen lassen, sind beispielsweise Wetterdaten, Börsenkurse, große Sportevents oder Ausnahmesituationen wie Finanzkrisen. Bei der Analyse sollte jedoch nicht mehr ausschließlich der reine Umfang (Big) im Vordergrund stehen, sondern der wertvolle Nutzen, der sich daraus erschließen kann (Smart).

Verbindungen zwischen Kennzahlen

Da die Bereiche, die verwertbare Daten liefern, mittlerweile immer breiter gefächert sind, ist es möglich, Verbindungen zwischen bis dato nicht in Betracht gezogenen Kennzahlen herzustellen. So kann beispielsweise die Klickrate in Abhängigkeit von dem zum jeweiligen Zeitpunkt vorherrschenden Wetter analysiert werden. Diese neuen Möglichkeiten der Verknüpfung von Daten stellen Advertiser vor neue Herausforderungen.

Können geringe Datenmengen noch händisch, beispielsweise anhand einer Excel-Tabelle, aufbereitet werden, so wird dies im größeren Umfang nahezu unmöglich - die Implementierung von Datenbanken oder Data-Warehouses ist mithin unumgänglich. Eine Visualisierung der Datenverläufe, bestenfalls durch Kurven, kann dabei die Darstellung der Ergebnisse vereinfachen und die anschließende Planung von Kampagnen optimal vorbereiten.

Die Aufgabe für Werbetreibende und Agenturen muss hier sein, immer wieder neue Thesen aufzustellen und diese mithilfe von Korrelationsversuchen zu verifizieren oder zu falsifizieren. Dadurch ergeben sich im besten Fall weitere Erkenntnisse, die zur Ausrichtung der Marketing-Strategie genutzt werden können. Wird dieses Vorgehen systematisch durchgeführt, spricht man von "Data Mining".

Wozu dient Data Mining?

Data Mining dient dazu, neue Trends und Querverbindungen aufzuspüren und für spezielle Zwecke nutzbar zu machen. Entsprechende Tools helfen dabei, solche Muster zu erkennen. Es ist jedoch wichtig, nicht nur innerhalb eines Datenbereichs zu analysieren, sondern grenzübergreifend vorzugehen. Um neue Erkenntnisse zu gewinnen, empfiehlt es sich daher, CRM-Kundendaten oder demographische Daten mit Kampagnendaten zu matchen. So lässt sich möglicherweise auch unterschiedliches Verhalten in verschiedenen Altersgruppen aufzeigen. Aus dieser Verknüpfung können Werbetreibende beziehungsweise Agenturen wertvolle Informationen darüber ableiten, wie Werbung auf unterschiedliche Zielgruppen wirkt.

Die gewonnenen Informationen, beispielsweise über die unterschiedlichen Abbrucharten im Laufe des Kaufprozesses oder über Conversion-Rates, können dazu genutzt werden, zukünftige Kampagnen zu optimieren. Die programmatische Aussteuerung der Werbeformate kann also noch genauer erfolgen, indem sich Kampagnen nun zum Beispiel auch lokal und in Echtzeit in Abhängigkeit vom Wetter aussteuern lassen. Dadurch bieten sich neue Optimierungsansätze, die bis dato noch nicht genutzt werden konnten.

Fazit

Aus Big Data muss Smart Data werden, da es gerade und vor allem für Advertiser und Agenturen nicht mehr ausreicht, die stark angewachsenen Datenmengen unverknüpft zu analysieren. Diese Analyse kann nicht, wie viele andere Bereiche des Marketings, vollständig automatisiert und autark erfolgen, sondern es bedarf der Vorarbeit durch Data-Analysten: Es müssen Thesen aufgestellt und anschließend verifiziert oder falsifiziert werden. Dies ist einerseits der Tatsache geschuldet, dass das menschliche Verhalten noch nicht vollständig durch Algorithmen vorhersehbar gemacht werden kann und somit nicht völlig berechenbar ist - andererseits ist die Komplexität der Produkte und äußeren Einflüsse dafür verantwortlich.

Das könnte Sie auch interessieren