Big Data, künstliche Intelligenz und maschinelles Lernen revolutionieren Unternehmen in allen Branchen. Angesichts der offensichtlichen Möglichkeiten, die sich durch Datenanalysen ergeben, ist es daher verwunderlich, dass sich lediglich 31 % der Unternehmen als datengesteuert bezeichnen.
Die zunehmende Menge an digitalen Daten und Konsumenteninformationen ermöglicht es versierten Marketingteams, mit Hilfe von Big Data Tools tiefgehende Beziehungen zu ihren KundInnen aufzubauen, anstehende Marketingkampagnen zu perfektionieren und ihr Wettbewerbsumfeld besser einzuschätzen.
In diesem Sinne soll dieser Artikel Marketern die grundlegenden Informationen zum Einsatz von Big Data Analysen in ihren Strategien vermitteln. Im Interesse unserer LeserInnen fassen wir die Dinge so einfach wie möglich zusammen, d.h. du musst kein Data Scientist oder Computergenie sein, um diesen Blog zu verstehen 😉
Inhaltsverzeichnis
Big Data Definition: Was ist Big Data?
Was ist das Ziel von Big Data?
Warum sind Big Data Analysen wichtig?
Was sind Big Data Elemente?
In welchen Bereichen wird Big Data verwendet?
Was ist ein Beispiel für eine Big Data Analyse?
Wie verändern Big Data Analysen die Marketingabteilung?
Welche Datenquellen sind für PR- und Marketingfachleute am wichtigsten?
Die besten Big Data Tools
Herausforderungen bei der Einführung von Big Data
Der wunde Punkt von Big Data
Big Data Management mit Meltwater
Big Data Definition: Was ist Big Data?
Bevor wir uns damit befassen, wie die Datenanalyse die Rolle eines Marketers verändert, wenden wir uns den wichtigsten Begriffen rund um dieses Thema zu.
Der Begriff "Big Data" stammt aus dem Englischen und bedeutet übersetzt so viel wie "große Datenmengen". Allerdings bedeutet der Begriff heutzutage bereits mehr als das.
Zunächst einmal halten wir die folgende Big Data Definition von Gartner für sehr treffend:
Bei Big Data handelt es sich um hochvolumige, schnelle und/oder variantenreiche Informationsbestände, die kosteneffiziente, innovative Formen der Informationsverarbeitung erfordern, die verbesserte Einblicke, Entscheidungsfindung und Prozessautomatisierung ermöglichen.
Der allgemeine Konsens ist, dass Big Data durch bestimmte Merkmale definiert werden. Die obige Definition deckt bis auf eines – Wahrhaftigkeit - alle davon ab.
Das folgende Video enthält ebenfalls eine einfache, hilfreiche Erklärung:
Die vier Vs von Big Data
Volume (Volumen), Variety (Vielfalt), Velocity (Geschwindigkeit) und Veracity (Wahrhaftigkeit) (dies ist eine neuere Ergänzung, weshalb sie wahrscheinlich in der Definition von Gartner fehlt).
- Volumen: Die generierte Datenmenge, die gespeichert und verarbeitet wird
- Geschwindigkeit: Die Geschwindigkeit, mit der die Daten generiert und verarbeitet werden
- Vielfalt: Die Vielfalt der verschiedenen Datenstrukturen
- Wahrhaftigkeit: Der Umfang der erfassten Daten, die nicht die gewünschte Qualität aufweisen und eine zusätzliche Nachbearbeitung erfordern
Das führt uns zum nächsten Begriff, der oft im Zusammenhang mit diesem Thema verwendet wird: Data Science oder Datenwissenschaft. Die folgende Definition von Data Science von Data Robot fasst den Begriff unserer Meinung nach sehr gut zusammen:
Jetzt kennst du die wichtigsten Begriffe. Sehen wir uns nun an, wie Big Data Analysen und die aus der Datenverarbeitung gewonnenen Informationen das Marketing transformieren.
Was ist das Ziel von Big Data?
Das Ziel von Big Data ist, wertvolle Erkenntnisse und Informationen aus großen und komplexen Datenmengen zu gewinnen. Es bezieht sich auf die Sammlung, Speicherung und Analyse von riesigen Datensätzen, die herkömmliche Datenverarbeitungstechniken übersteigen.
Die Hauptziele von Big Data sind:
- Erkenntnisse gewinnen: Big Data ermöglicht es Unternehmen und Organisationen, umfangreiche und vielfältige Datenquellen zu nutzen, um wertvolle Erkenntnisse zu gewinnen. Diese Erkenntnisse können in verschiedenen Bereichen wie Marketing, Geschäftsstrategien, Kundenverhalten, medizinische Forschung und vielen anderen genutzt werden.
- Verbesserung der Entscheidungsfindung: Durch die Analyse großer Datenmengen können Entscheidungsträger fundiertere und datengestützte Entscheidungen treffen. Dies hilft, das Risiko von Fehlentscheidungen zu reduzieren und die Effizienz in verschiedenen Geschäftsbereichen zu steigern.
- Identifizierung von Mustern und Trends: Big Data Analysen ermöglichen es, versteckte Muster und Trends in den Daten zu erkennen, die auf herkömmliche Weise schwer zu entdecken wären. Dies kann dabei helfen, Chancen und Herausforderungen frühzeitig zu erkennen und darauf zu reagieren.
- Optimierung von Prozessen: Durch die Analyse von großen Datenmengen können Unternehmen ihre internen Abläufe und Prozesse optimieren, um Kosten zu senken, die Effizienz zu steigern und die Kundenerfahrung zu verbessern.
- Personalisierung von Dienstleistungen: Diese Datenmengen ermöglichen es Unternehmen, ihre Dienstleistungen und Produkte besser an die individuellen Bedürfnisse und Vorlieben ihrer Kunden anzupassen. Das kann die Kundenzufriedenheit erhöhen und langfristige Kundenbindungen stärken.
In welchen Bereichen wird Big Data verwendet?
Riesige Datenmengen werden in verschiedenen Bereichen und Industrien für eine Vielzahl von Zwecken eingesetzt. Hier sind einige der gängigsten Anwendungen von Big Data:
- Business Intelligence: Big Data ermöglicht Unternehmen, riesige Mengen an internen und externen Daten zu analysieren, um Einblicke in ihre Geschäftsabläufe, Marktbedingungen, Kundenverhalten und Wettbewerbslandschaft zu gewinnen. Diese Erkenntnisse unterstützen die Geschäftsleitung bei fundierten Entscheidungen.
- Marketing und Kundenservice: Unternehmen nutzen Big Data, um Informationen über ihre Kunden zu sammeln, zu analysieren und personalisierte Marketingkampagnen zu erstellen. Durch die Analyse des Kundenverhaltens können sie auch bessere Kundenserviceerfahrungen bieten.
- Gesundheitswesen: In der medizinischen Forschung und im Gesundheitswesen werden große Datenmengen verwendet, um riesige Datenbanken von Patientendaten, Genomsequenzierung und klinischen Studien zu analysieren, um neue Behandlungsansätze zu entdecken, Diagnosen zu verbessern und die Patientenversorgung zu optimieren.
- Finanzdienstleistungen: Banken und Finanzinstitutionen nutzen Big Data, um Betrug zu erkennen, Risiken zu bewerten, Handelsstrategien zu entwickeln und personalisierte Finanzdienstleistungen anzubieten. Tipp: Die Meltwater Suite für das Finanzwesen hilft, wertvolle Erkenntnisse aus dem Meer an Daten zu gewinnen.
- Transport und Logistik: Daten werden verwendet, um den Transport von Waren und Personen zu optimieren, Routen zu planen, Lieferketten zu verfolgen und den Betrieb von Flotten zu verbessern.
- Smart Cities: Städte nutzen Big Data, um Informationen aus verschiedenen Quellen zu sammeln, wie z. B. Sensoren, Mobilgeräte und soziale Medien, um den städtischen Verkehr zu steuern, Energieeffizienz zu verbessern, Abfallmanagement zu optimieren und die Lebensqualität der Bürger zu erhöhen.
- Bildungswesen: Bildungseinrichtungen können Big Data verwenden, um das Lernverhalten der Schüler zu analysieren und personalisierte Bildungserfahrungen zu entwickeln. Tipp: Die Meltwater Suite für das Bildungswesen hilft, wertvolle Erkenntnisse aus dem Meer an Daten zu gewinnen.
- Forschung und Wissenschaft: Große Datenmengen spielen eine entscheidende Rolle in der wissenschaftlichen Forschung, sei es in der Astronomie, der Klimaforschung, der Genetik oder anderen Wissenschaftsdisziplinen, um komplexe Probleme zu analysieren und neue Erkenntnisse zu gewinnen. Tipp: Die Meltwater Suite für Marktforschung und Insights hilft, wertvolle Erkenntnisse aus dem Meer an Daten zu gewinnen.
Diese Liste könnte noch deutlich länger sein, da die Anwendungsfelder von Big Data ständig wachsen und sich weiterentwickeln. Big Data bietet ein enormes Potenzial, um wichtige Erkenntnisse zu gewinnen und das Verständnis in zahlreichen Bereichen zu vertiefen.
Was ist ein Beispiel für eine Big Data Analyse?
Ein häufig zitiertes Beispiel für Big Data ist das von Amazon. Amazon ist eines der weltweit größten E-Commerce-Unternehmen und verarbeitet täglich riesige Datenmengen von Millionen von Kunden. Hier sind einige Aspekte, die Amazon zu einem bemerkenswerten Beispiel für Big Data machen:
- Produktempfehlungen: Wenn du auf Amazon einkaufst, erhältst du personalisierte Produktempfehlungen basierend auf deinem bisherigen Einkaufsverhalten, den Produkten, die du angeschaut hast, und den Käufen anderer Kunden mit ähnlichen Interessen. Dies wird durch die Analyse großer Datenmengen ermöglicht, die die Plattform kontinuierlich sammelt.
- Kundenverhalten: Amazon sammelt Daten über das Verhalten seiner Kunden, wie z. B. Suchanfragen, Klicks, Verweildauer auf Produktseiten und den Kaufverlauf. Diese Daten werden analysiert, um Erkenntnisse über die Vorlieben und Bedürfnisse der Kunden zu gewinnen.
- Lagerbestandsmanagement: Amazon betreibt ein enormes Netzwerk von Lagerhäusern auf der ganzen Welt. Die Bestandsverwaltung erfolgt auf der Grundlage von Big Data Analysen, die historische Verkaufsdaten, saisonale Trends und prognostizierte Nachfrage berücksichtigen, um sicherzustellen, dass beliebte Produkte rechtzeitig verfügbar sind.
- Betrugserkennung: Amazon setzt Big Data Analysen ein, um verdächtige Aktivitäten zu erkennen, die auf Betrugsversuche hindeuten könnten, z. B. verdächtige Transaktionen oder Konten.
- Logistikoptimierung: Die Lieferkette von Amazon wird durch Big Data verbessert, um die Effizienz zu steigern. Dies umfasst die Optimierung von Routen, die Planung von Liefervorgängen und die Verwaltung von Lagerbeständen.
- Preisgestaltung und dynamisches Pricing: Amazon nutzt Big Data, um die Preise seiner Produkte in Echtzeit anzupassen, basierend auf Faktoren wie Angebot und Nachfrage, Wettbewerbsumfeld und Kundenverhalten.
Amazon ist nur ein Beispiel für die vielfältigen Anwendungen von Big Data in der heutigen Geschäftswelt. Viele andere Unternehmen und Organisationen nutzen Big Data, um ihre Prozesse zu optimieren, personalisierte Dienstleistungen anzubieten und fundierte Entscheidungen zu treffen.
Warum sind Big Data Analysen wichtig?
Bei den Spitzenreitern der digitalen Wirtschaft wie Amazon, Google, eBay, Facebook, Uber und Airbnb spielt die Big Data Analytik eine entscheidende Rolle. Durch den Einsatz neuer datengestützter Geschäftsmodelle haben diese Unternehmen enorme Erfolge erzielt, die aufgrund ihrer Ausrichtung auf datengestützte Entscheidungsfindung zu einer Umwälzung der Branche geführt haben.
Big Data Analytics ermöglichen innovativen Unternehmen wie diesen Geschwindigkeit, Agilität, Experimente, Iteration und die Fähigkeit, Fehlentscheidungen rasch zu erkennen, aus Erfahrungen zu lernen und beim nächsten Mal klüger vorzugehen. Für andere Unternehmen wiederum bedeutet Big Data Analytics nichts anderes als Angst und Unbehagen.
Und dafür haben wir absolutes Verständnis. Die Branche bewegt sich in einem solch rasanten Tempo, dass es eine Herausforderung sein kann, mit ihr Schritt zu halten. Aus der Analyse von Datensätzen sinnvolle Erkenntnisse zu gewinnen, kann im ersten Moment etwas verwirrend sein. Wenn du aber erst einmal weißt, wie du aus dem ganzen Datenmeer die richtigen Schlüsse ziehen kannst, wirst du keinen Grund mehr sehen, den guten alten Zeiten nachzutrauern.
Was sind Big Data Elemente?
Big Data bezieht sich auf eine Kombination von Elementen, die es ermöglichen, große und komplexe Datenmengen zu erfassen, zu speichern, zu verarbeiten und daraus Erkenntnisse zu gewinnen. Folgende Komponenten gehören typischerweise zu Big Data:
- Datenquellen: Das Fundament von Big Data sind die unterschiedlichen Datenquellen, aus denen Informationen gewonnen werden. Diese können strukturierte Daten (z. B. Datenbanken), unstrukturierte Daten (z. B. Texte, Videos, Bilder), semi-strukturierte Daten (z. B. JSON, XML) oder Streaming-Daten sein, die kontinuierlich generiert werden.
- Datenerfassung: Die Daten werden von verschiedenen Quellen gesammelt und erfasst. Dies kann automatisch über Sensoren, IoT-Geräte, soziale Medien, Webseiten, Media Monitoring-Dienste oder manuell durch Eingabe von Informationen erfolgen.
- Datenspeicherung: Da die Datenmengen bei Big Data oft riesig sind, erfordert es spezielle Datenspeicherungslösungen. Dazu gehören Datenbanken, Data Warehouses, NoSQL-Datenbanken, Hadoop Distributed File System (HDFS) und Cloud-Speicher.
- Datenaufbereitung und -verarbeitung: Bevor die Daten analysiert werden können, müssen sie aufbereitet und verarbeitet werden. Dies beinhaltet das Entfernen von Duplikaten, das Zusammenführen von Daten aus verschiedenen Quellen, die Transformation in ein einheitliches Format und die Filterung von irrelevanten Informationen.
- Datenanalyse: Die eigentliche Analyse der Daten, um Muster, Trends und Erkenntnisse zu identifizieren, erfolgt durch verschiedene Analysemethoden und Techniken wie Data Mining, maschinelles Lernen, statistische Analysen und künstliche Intelligenz.
- Skalierbarkeit: Big Data-Lösungen müssen skalierbar sein, um mit der wachsenden Datenmenge umgehen zu können. Das bedeutet, dass sie in der Lage sein sollten, die Verarbeitung von Daten auf mehreren Servern oder Rechenzentren zu verteilen.
- Echtzeitverarbeitung: In einigen Anwendungsfällen ist die Fähigkeit zur Echtzeitverarbeitung von Daten entscheidend. Das bedeutet, dass Daten sofort analysiert und auf Ereignisse oder Trends in Echtzeit reagiert werden kann.
- Datenschutz und Sicherheit: Angesichts der Menge und Sensibilität der Daten ist der Datenschutz und die Sicherheit ein entscheidender Aspekt von Big Data. Es müssen Maßnahmen ergriffen werden, um die Integrität und Vertraulichkeit der Daten zu gewährleisten.
- Visualisierung und Berichterstattung: Die Ergebnisse der Datenanalyse müssen oft in verständlicher Form präsentiert werden. Datenvisualisierung und Berichterstattungstools helfen dabei, komplexe Informationen in ansprechende und leicht verständliche Darstellungen umzuwandeln.
Big Data ist ein umfassendes Konzept, das viele Aspekte der Datenverarbeitung, -analyse und -nutzung umfasst. Es ist wichtig, die richtigen Big Data Tools und Technologien einzusetzen, um die Herausforderungen und Potenziale von Big Data voll auszuschöpfen.
Wie verändern Big Data Analysen die Marketingabteilung?
Mit Hilfe von Big Data Tools lassen sich datengesteuerte Marketingstrategien entwickeln, die einen positiven Impact auf die folgenden drei Kernbereiche haben:
Big Data Analysen zur Verbesserung des Kundenerlebnisses
Big Data Analytics zur Marketing-Optimierung
Big Data Analysen für mehr Agilität
Big Data Analysen zur Verbesserung des Kundenerlebnisses
Durch Big Data Analysen lassen sich wertvolle Kundeneinblicke gewinnen. Sie decken auf, was die KonsumentInnen mögen, welche Kanäle sie nutzen, wodurch ihre Entscheidungen beeinflusst werden, wann sie angesprochen werden möchten usw.
Mit den Antworten auf diese Fragen kann ein Marketer das Targeting, die Personalisierung und das Kundenengagement optimieren – was sich wiederum positiv auf die Kundenbindung und -treue auswirkt.
Tipp: Nutze die Consumer Insights Lösung von Meltwater, um deine eigenen Big Data Analysen durchzuführen und mehr Informationen über deine Konsumenten zu erhalten.
Big Data Analytics zur Marketing-Optimierung
Big Data Tests, Messungen und Analysen spielen auch bei der Marketingoptimierung eine wichtige Rolle. So können Marketer beispielsweise herausfinden, wo ihr Budget am besten eingesetzt wird und welche Arten von Content und Botschaften bei ihrer Zielgruppe besonderen Anklang finden.
Datenanalysen helfen Marketern, den Sweet Spot schneller zu finden, um weniger Zeit mit Versuchen aus bloßem Bauchgefühl zu verschwenden und sich stattdessen auf die Aktivitäten mit dem höchsten Marketing ROI konzentrieren zu können.
Big Data Analysen für mehr Agilität
Beim Data Mining werden Datenanalysen eingesetzt, um Auffälligkeiten, Muster und Zusammenhänge in großen Datensätzen zu erkennen und daraus Prognosen abzuleiten. Der Zugriff auf diese Art von Informationen hilft Marketingteams, schneller zu agieren und durch die Fähigkeit, sich gegenüber ihren Mitbewerbern einen Vorsprung zu verschaffen, ihre Wettbewerbsposition zu stärken.
Welche Datenquellen sind für PR- und Marketingfachleute am wichtigsten?
Nun wissen wir, wie Big Data Analysen Marketing- und PR-Abteilungen bei der Erreichung ihrer Ziele unterstützen. Gehen wir nun der Frage nach, welche Datenquellen (Bestände mit großen Datenmengen) analysiert werden müssen, um dies zu erreichen.
Es gibt verschiedene Quellen, die Daten generieren, aber im Zusammenhang mit Big Data Marketing sind es vor allem die folgenden:
Mediendaten
Zu den ''Medien'' gehören Milliarden von Audio-, Text- und visuellen Inhalten, die hauptsächlich durch den Aufschwung und das Wachstum der sozialen Medien entstanden sind.
Mediendaten gehören zu den beliebtesten Big Data Quellen, weil sie wertvolle Echtzeit-Einblicke in die Vorlieben der Kunden und die sich wandelnden Trends liefern. Diese Daten befinden sich außerhalb der Firewall von Unternehmen und sind in der Regel unstrukturiert.
In der Vergangenheit war es schwierig, unstrukturierte Daten zu analysieren, doch dank der Fortschritte im Datenmanagement und in der Datenanalyse können Führungskräfte externe Informationen mittlerweile einfacher verarbeiten und auswerten - zum Beispiel anhand eines Social Media Listening Tools.
Hier einige Beispiele von Medien:
- Social Media (Posts, Likes, Kommentare, Re-Shares, Fotos und Video-Uploads)
- Redaktionelle Inhalte (Social Shares, Schlüsselbegriffe, Autorenname und Publikationstitel)
- Podcasts (Titel, Bilder, Beschreibung, Kategorie und Autorenname)
- Suchmaschinen (Suchvolumen, Trends und Traffic)
Tipp: Es gibt Technologien zur Bilderkennung (Image Recognition), sprich: Image Recognition Software, mit der man seine Markenerwähnungen in Bildern via visueller Suche einfach nachvollziehen kann. Mit der Meltwater Social Listening Suite erhältst du Zugriff auf all diese Daten in Echtzeit.
Customer Insights
Um einen effektiven 360-Grad-Blick auf ihre Zielgruppe zu erhalten, müssen Unternehmen ihre Kundendaten analysieren. Das geht beispielsweise durch das Sammeln von Consumer Insights, die mittels Consumer Intelligence in Customer Intelligence Analysen ausgewertet werden.
Wie bereits erwähnt, bringt dies eine Reihe von Vorteilen mit sich, z. B. die Erkennung von unerfüllten oder neu entstandenen Bedürfnissen und die Personalisierung.
Beispiele von Kundendaten sind:
- Demografische Daten (Unternehmen, Standort, Geschlecht und Alter)
- Transaktionsdaten, die normalerweise in eurem CRM gespeichert sind (Kontaktinformationen des Kunden, gekaufte Produkte, Verlängerungsdatum und durchschnittliche Ausgaben pro Kunde)
- Daten zur User Experience und zum Verhalten (besuchte Seiten, in den Warenkorb gelegte Produkte und geografischer Standort)
Tipp: Lies dir unseren ausführlichen Kundenmanagement Guide durch & Schon gewusst? Mit dem Meltwater Consumer Insights Tool erhältst du Zugriff auf demografische Daten und Verhaltensanalysen deiner Zielgruppe.
Geschäftsprozesse
CMOs greifen oft auf über APIs bereitgestellte Big Data Analysen zurück, um die Performance ihrer Teams zu beobachten, insbesondere Großunternehmen mit Remote-Arbeitsstrukturen. Dabei geht es nicht um lästiges Mikromanagement, sondern darum, die Produktivität zu messen, Ziele auszuarbeiten und die Effizienz der Prozesse zu verbessern.
Aus der Marketing-Perspektive kann dies Informationen umfassen wie z. B.:
- Die Anzahl der beantworteten Beschwerden in den sozialen Medien
- Reaktionszeit für Antworten in den sozialen Medien
- Reaktionszeit für die Lösung von Problemen in den sozialen Medien
- Geplante Projektzeitpläne vs. aktueller Status von PR-Kampagnen
Datenbanken
Mit der zunehmenden Flut von Daten haben Unternehmen massiv in spezialisierte Datenspeicher, üblicherweise als Data Warehouse bezeichnet, investiert.
Einfach ausgedrückt, ist ein Data Warehouse eine Sammlung historischer Daten, die ein Unternehmen in einem Archiv aufbewahren will. Mit der zunehmenden Verlagerung auf Speicherplattformen wie Hadoop und NoSQL werden sich solche Technologien voraussichtlich früher oder später durchsetzen und die bestehenden Data Warehouses ersetzen.
Beispiele von Datenbanken, die in einem Data Warehouse gespeichert werden können, sind:
- Unternehmens-E-Mails
- Buchhaltungsdaten
- Datenbanken mit Marketingkontakten
- Datenbanken mit Vertriebskontakten
Tipp: So führst du Datenbanknormalisierung durch
Die besten Big Data Tools
Die Ableitung von Insights aus den oben beschriebenen Datentypen wäre ohne die Unterstützung von Big Data Lösungen - insbesondere Big Data Analysetools, die auf künstliche Intelligenz und maschinelles Lernen setzen - unmöglich. Unsere heutige Technologie ermöglicht es uns, Daten in einem erstaunlichen Tempo zu erfassen, sowohl in Bezug auf die Menge als auch auf die Vielfalt.
Die gute Nachricht ist, dass es zahlreiche Big Data Tools gibt, die dich dabei unterstützen können. Die Kehrseite der Medaille ist der Zeitaufwand, den du für die Wahl der passenden Lösung in Kauf nehmen musst. Die Präsentation aller Big-Data-Marketing- und PR-Tools, die sich für deine Analysen anbieten, würde den Rahmen dieses Artikels sprengen.
Stattdessen haben wir, inspiriert durch die fantastische Infografik von ChiefMartec, unsere Favoriten hervorgehoben:
Analysetools für Werbung und Verkaufsförderung
Content & Experience Tools
Social Media & Kundenbeziehungs-Tools
Commerce- und Vertriebs-Tools
Datenmanagement Tools
Analysetools für Werbung und Verkaufsförderung
- Google Ads
- Facebook und LinkedIn
- Adroll
Content & Experience Tools
- Instapage
- SEMrush
- Ahrefs
Social Media & Kundenbeziehungs-Tools
- Marketo
- Intercom
Commerce- und Vertriebs-Tools
- HubSpot
- Salesforce
- Oracle
Datenmanagement Tools
- Meltwater Display
- Tableau
- Microsoft Power BI
Angesichts des anhaltenden Trends, den wir in Bezug auf den zunehmenden Bedarf an Marketinganalysen und die Verwendung von Datenvisualisierungstools feststellen, wollten wir uns das Segment "Datenmanagement" etwas genauer ansehen.
Brand Command Center sind wichtige Business Intelligence (BI)-Tools für jede und jeden, die/der große Datenmengen aus unterschiedlichen Lösungen verarbeiten oder Daten visualisieren muss. Sie zeigen visuelle Dashboards in Echtzeit an und präsentieren Erkenntnisse aus Datensätzen in einem zusammenhängenden Format, was das Data Mining (das Erkennen von Trends/Anomalien) erheblich erleichtert.
Wenn die Informationen aus allen Richtungen auf uns einströmen, können das Datenmanagement und die Datenverarbeitung unübersichtlich werden. Meltwater Display (das Big Data-Visualisierungstool von Meltwater), Tableau oder Microsoft Power BI sind gute Ausgangspunkte für deine Suche.
Marketer können sogar noch einen Schritt weiter gehen und zur Anreicherung von bestehenden BI-Reports und Dashboards ihre Datenvisualisierungs-Tools mit einem Analysemodul wie Apache Spark verknüpfen. Weitere Informationen über Apache Spark findest du hier.
Herausforderungen bei der Einführung von Big Data
Kultureller Widerstand gegenüber Veränderungen
Veraltete Technologie-Lösungen
Abstimmung der Führungskräfte / Organisation
Denkweise / Mentalität
Niemand hat behauptet, dass die Einführung von Big Data Analysen ein Kinderspiel sei. Im Gegenteil: Viele Führungskräfte stehen diesbezüglich vor großen Herausforderungen.
Wenn du dich also gerade mit diesem Problem herumschlagen musst, stehst du nicht allein da. Bevor die Big Data Analytik ihr volles Potenzial entfalten kann, müssen eine Reihe von Hindernissen überwunden werden.
Wir bei Meltwater führen regelmäßig Gespräche mit Führungskräften, die sich mit Big Data Analytics vertraut machen wollen, und in den meisten Fällen treffen sie auf dem Weg zum Erfolg auf die gleichen Stolpersteine. Wir beraten dich gerne und unterstützen dich.
Um dir einen vollständigen Überblick zu verschaffen, haben wir im Folgenden die wichtigsten Herausforderungen bei der Einführung von Big Data Analytik zusammengestellt. So kannst du Pläne schmieden, bevor die Probleme auf dich zukommen.
Kultureller Widerstand gegenüber Veränderungen
Die größte Herausforderungen für die meisten Unternehmen stellen nicht die Big Data Tools an sich dar, sondern der Prozess des kulturellen Wandels im Unternehmen. Bei 22 % der Unternehmen ist dies das größte Hindernis bei der Einführung von Big Data.
Veränderungen im Unternehmen stoßen bei den MitarbeiterInnen oft auf Widerstand, denn wir sind Gewohnheitstiere und viele von uns leben nach dem Motto: "Lieber den Spatz in der Hand als die Taube auf dem Dach".
Diese Einstellung hat jedoch schwerwiegende Folgen für die Einführung von Digitalisierung und Big Data Analytik. Laut Gartner ist der Widerstand gegen Veränderungen einer der Hauptgründe für das Scheitern der meisten digitalen Projekte.
Der kulturelle Wandel ist ein unternehmerisches Problem und erfordert daher eine unternehmerische Lösung und einen unternehmerischen Ansatz.
Die erfolgreiche Einführung der Datennutzung beginnt damit, die Schmerzpunkte der internen Stakeholder zu verstehen und zu ermitteln, weshalb genau die Nutzung von Big Data Tools in ihrer täglichen Arbeit auf Ablehnung stößt.
Der Widerstand gegen die Datenanalyse kann verschiedene Ursachen und Gründe haben:
- Schwierigkeiten, den Bedarf zu begründen/rechtfertigen
- Konkurrierende Umsatzquellen
- Angst vor Arbeitsplatzverlust/Änderung der Funktion
- Zögerliche Kundenakzeptanz, die bei den Beschäftigten die Frage aufkommen lässt: "Ist es die Sache wert?"
Nur wenn die Gründe für die ablehnende Haltung gegenüber der Datenanalyse klar sind, kann das Problem wirklich angegangen werden. Dabei ist zu berücksichtigen, dass alle Beteiligten ihre eigenen Prioritäten haben und bei jedem Mitarbeiter und jeder Mitarbeiterin andere Gründe für den Vorbehalt vorliegen können.
Wenn du auf Widerstand stößt, empfiehlt es sich, den nötigen Aufwand für die Umstellung auf eine neue Arbeitsmethode möglichst gering zu halten. Betrachte diese Herausforderungen aus einer abteilungsübergreifenden Perspektive und überlege dir, wie der Einsatz von Big Data Tools und -Analysen den Teams bei der Bewältigung dieser Herausforderungen helfen kann, anstatt ihr Leben schwerer zu machen.
Veraltete Technologie-Lösungen
Täglich werden aufgrund des technischen Fortschritts veraltete Computersysteme ausgemustert. Wer mit diesen Entwicklungen nicht Schritt hält, riskiert gravierende Konsequenzen. Interessanterweise werden Legacy-Technologien für viele Misserfolge bei der Einführung von Big Data Analysen verantwortlich gemacht - laut Nimbus Ninety bei rund 50 % der Fälle.
Vor allem traditionelle Unternehmen werden durch veraltete Systeme und jahrzehntealte Data Warehouses eingeschränkt. Diese Unternehmen stehen für den Großteil der Investitionen in Datenlösungen und -dienste. Für die meisten dieser Unternehmen sind Big Data Analysen noch weitgehend unbekanntes Terrain und bieten eine Chance, die erst noch ausgeschöpft werden muss.
Während die meisten Mainstream-Unternehmen in Datenprojekte investiert haben, hinken diese alteingesessenen Unternehmen bei der Integration von Big Data-gestützten Maßnahmen in ihre Kernprozesse und Abläufe hinterher - weil sie eben durch veraltete Systeme ausgebremst werden.
Das Problem ist einerseits, dass die Ablösung dieser Systeme komplex ist. Darüber hinaus verfügen neue Implementierungen oft nicht über die gleichen Leistung oder Funktionalität wie die bisherigen Systeme. Zudem können sich die Unternehmen keine Blackout-Phasen erlauben, während die alten Systeme außer Betrieb genommen werden.
Wenn du dir die Zeit nimmst, eure aktuellen Workflows und den Impact von Technologien auf diese Arbeitsabläufe zu analysieren, gewinnst du wichtige Erkenntnisse über die Auswirkungen, die sich durch das Verschieben bestimmter Puzzleteile ergeben.
Wir empfehlen dir, vor der Ersetzung eurer bestehenden Systemen mit einem Technologiepartner zusammen die unterschiedlichen Betriebsabläufe zu analysieren, um die in der alten Technologie verborgene Geschäftslogik aufzudecken. Ziehe auch nicht voreilig den Stecker aus den alten Technologien. Baue stattdessen parallel neue Big Data-Analysen und -Lösungen auf, damit eure Geschäftsabläufe Schritt für Schritt umgestellt werden können. Eine durchdachte und solide Implementierungsphase ist der Schlüssel zum Erfolg.
Abstimmung der Führungskräfte / Organisation
Nicht selten scheitern Analytik-Projekte an mangelnder Kommunikation, fehlender Vision und vagen Unternehmenszielen. Die kontinuierliche Kommunikation ist das A und O. Eine Studie von McKinsey zeigt, dass Unternehmen mit guter Kommunikation eine 8- bis 12-mal höhere Erfolgswahrscheinlichkeit bei der digitalen Transformation haben.
Wenn du nicht offen und ehrlich über die Fortschritte, Ergebnisse und Konsequenzen deiner Strategie sprichst und so alle Beteiligten auf dem Laufenden hältst, werden sich die MitarbeiterInnen eher gegen dich stellen, anstatt dich zu unterstützen. Es ist wichtig, dass alle Beteiligten einbezogen werden und sich angehört fühlen.
Die Unternehmensleitung muss eine klare Richtung vorgeben. Erkläre sowohl die kleineren (wie sich die Analytik auf das tägliche Leben der Mitarbeitenden oder KundInnen auswirken wird) als auch die wesentlichen Aspekte (wie sie das Unternehmen gegenüber den Mitbewerbern voranbringen wird). Stelle bei der Präsentation deiner Vision das Geschäftsmodell oder das Kundenerlebnis und nicht interne Ziel wie die Digitalisierung von alten Betriebsabläufen in den Mittelpunkt.
Stelle sicher, dass die MitarbeiterInnen verstehen, was du tust, warum du es tust und was der aktuelle Stand der Dinge ist. Trau dich ruhig, den Mitarbeitenden eine Stimme zu geben. Sie sind schlussendlich diejenigen, die in der Praxis mit der neuen Lösung arbeiten und am meisten in die Prozesse involviert sind, die du verändern willst. Ihnen zuzuhören und ihre Meinungen in deine Entscheidungen einzubeziehen, kann dazu beitragen, starre Unternehmenshierarchien aufzubrechen und innovatives Denken zu fördern.
Denkweise / Mentalität
Die Big Data-Mentalität ist von Data Mining-Experimenten, Entdeckungen, Agilität und einem "Data First"-Ansatz geprägt und zeichnet sich durch analytische Sandboxes, Kompetenzzentren und Datenlabore aus. Diese Denkweise steht oft im Gegensatz oder als Ergänzung zu den traditionellen, auf Vermutungen basierenden Ansätzen im Datenmanagement. Während diese Denkweise manchen Unternehmen in die Wiege gelegt wurde, müssen andere hart an der Umstellung ihrer alten Denkmuster arbeiten.
Um diese Herausforderung zu meistern, empfehlen wir Führungskräften, sich zunächst einige entscheidende Fragen bezüglich der Steigerung des Geschäftsnutzens zu stellen, z. B:
- Wie können wir Datenverarbeitung, Data Mining und neue Datenquellen gewinnbringend für die Entwicklung neuer Produkte und Dienstleistungen nutzen?
- Können wir digitale Technologien - also mobile Technologien, die sozialen Medien, maschinelles Lernen und das Internet der Dinge (IOT) - nutzen, um eine engere Beziehung zu unseren Kunden aufzubauen?
- Können wir Daten für die Transformation unserer internen und externen Geschäftsstrategien und -prozesse nutzen?
- Können wir neue, kreative Nutzungsmöglichkeiten für unsere bestehenden Daten finden – also neue Möglichkeiten, Einblicke zu gewinnen, neue Märkte zu erschließen oder unsere Dienstleistungen zu erbringen?
- Können wir unsere vorhandenen Daten nutzen, um uns sinnvoller in unsere Gemeinschaft einzubringen und soziale Verantwortung zu übernehmen?
Der wunde Punkt von Big Data
Big Data kann zwar viel Gutes bewirken, aber die Verwaltung all dieser Informationen bringt auch eine Reihe von Herausforderungen mit sich. Mehr Daten bedeuten mehr Implikationen für den Datenschutz und die Sicherheit, was wiederum die Diskussionen über Ethik und Transparenz anheizt.
Nicht alle Daten sind gleich. Laut Rob High, dem CTO von IBM Watson, ist es wichtig, dass Einzelpersonen und Unternehmen verstehen, welche ihrer Daten von wem analysiert werden. Andererseits ist es für Unternehmen, die sich bei der Entscheidungsfindung auf künstliche Intelligenz verlassen, extrem wichtig, die zugrunde liegenden Daten und Annahmen der von KI generierten Ergebnisse zu verstehen. Nur so können sie sich ein fundiertes Urteil über die von den Algorithmen gelieferten Daten bilden und müssen der KI nicht vorbehaltslos vertrauen.
Das erklärte Rob High auf dem Mobile World Congress 2018.
Für High bedeutet das, dass wir Annahmen in Frage stellen und bei der Implementierung von KI Transparenz und Datenschutz im Mittelpunkt stehen.
Transparenz bedeutet: Können wir feststellen, welche Informationsquellen genutzt werden? Haben wir die richtigen Voraussetzungen und Prinzipien geschaffen, um diese Systeme darauf trainieren, Daten und Informationen zu nutzen, die uns als Unternehmen repräsentieren und die wir auch wirklich verwenden?
Gründer und Executive Chairman von Meltwater, Jorn Lyseggen, diskutierte bei der Vorstellung seines Buches "Outside Insight" mit globalen Branchenexperten über Ethik, Transparenz und Regulierungen bei der KI. "KI ist ein Mysterium", sagte Lyseggen.
Deshalb glaubt er, dass KI und Big Data unbeabsichtigte Folgen nach sich ziehen werden, die Richtlinien und Regulierungen erforderlich machen. "Ich gehe davon aus, dass früher oder später bestimmte Regulierungen eingeführt werden, weil ich nicht glaube, dass die Unternehmen sich selbst regulieren können."
Lyseggen betonte zudem, wie wichtig das menschliche Element bei der Bewertung von KI-Output ist und dass man die Annahmen, die den Algorithmen zugrunde liegen, genau verstehen muss, um Vertrauen in die Ergebnisse zu schaffen.
Big Data Management mit Meltwater
Nun hast du einen kurzen Einblick in eine unserer liebsten Teildisziplinen der Informatik bekommen: Data Science! Unsere Top-Tipps für das Big Data Management und die Nutzung von Informationen aus der Datenanalyse werden dir hoffentlich helfen, eure internen Prozesse effizienter zu gestalten, mit euren Kunden auf einer bedeutsameren Ebene zu kommunizieren und euch einen Wettbewerbsvorteil zu verschaffen.
Möchtest du mit uns über die Integration von Big Data Analytics in eure eigene Marketingstrategie sprechen? Kontaktiere uns über das folgende Formular und wir melden uns bei dir!
