Data Driven Marketing … and Sales - crier · 1. Informatiker (mit Statistik Kenntnissen) 2. BWLer...
Transcript of Data Driven Marketing … and Sales - crier · 1. Informatiker (mit Statistik Kenntnissen) 2. BWLer...
Data Driven Marketing … and Sales BEDARF ANALYSIEREN – UMSATZ GENERIEREN
MARKETING-KONGRESS, DONNERSTAG, 30. MÄRZ 2017 MÖVENPICK HOTEL MÜNSTER
Daten - die Währung der Zukunft Reiner Kurzhals, FH Münster, Münster School of Business
1
Reiner Kurzhals, FH Münster, Münster School of Business
Zusammenfassung Was Sie heute von mir zu hören bekommen Bedeutung Digitalisierung, Big Data, Data Science
2
Ein Arbeits-Leben mit Daten
Daten
Statistik Studium
8 Jahre Industrie
(F&E)
18 Jahre Statistik
Professor
18 Jahre Strategie Beratung
Big Data Start-Up Gründer
Sonstige signifikante Tätigkeiten - Chef-Fußballtrainer Waldorfschule MS - Co-Trainer des Co-Trainers U12 Westf. Kinderhaus
Hoechst AG
Roland Berger Strategieberatung
Westfälische Hochschule
FH Münster
Münster School of Business
4tree GmbH
Reiner Kurzhals, FH Münster, Münster School of Business 5
Gestern und Heute: Meist interne Daten nutzen um Marketing/Vertrieb Entscheidungen zu verbessern, als Reaktion auf Vergangenem Ziel war und ist es
• mit CRM/ERP/BI Lösungen das operative Ergebnis zu verbessern
• Betriebsabläufe über deskriptives Berichtwesen zu optimieren
• mehr Reaktion (auf Vergangenes) als Aktion (für Zukünftiges)
Entscheidungen verbessern
Marketing
Vertrieb
Reiner Kurzhals, FH Münster, Münster School of Business 7
Neu ist Heute: der Datenstrom (Digitalisierung) explodiert und ein neues Wertschöpfungspotenzial wird verfügbar Die Zeiten haben sich geändert, jetzt gibt es
• viel mehr Daten zur Verfügung (strukturiert/unstrukturiert, intern/extern) • dramatisch bessere Datenverarbeitungsmöglichkeiten (z. B. Hadoop) • neue Konkurrenz durch Globalisierung/Digitalisierung/Disruption
damit haben sich auch die Ziele verändert
Vorhersage 1to1 Targeting
+ + intern extern
+ Entscheidungen
verbessern Marketing Vertrieb
• Customer Journey • Kundenbindung • Trends • Echtzeit Analyse
Reiner Kurzhals, FH Münster, Münster School of Business 8
Wesentlich ist das Sammeln von Kundendaten, um Entscheidungsträger mit einem aktuellen Bild des Kundenverhaltens zu versorgen
Zentrale Elemente Nutzen des Data-Driven Marketings • Schnelligkeit - Änderungen im
Kaufverhalten schnell erkennen.
• Nachhaltigkeit - Langfristige Kundenbeziehung
• Konkurrenzfähigkeit – Wettbewerbsfähig bleiben
• Vorausschauen - Bedürfnisse und
Erwartungen der Kunden antizipieren
• Effektivität - Kampagnen im Hinblick auf ROI-Wert wesentlich verbessern
Reiner Kurzhals, FH Münster, Münster School of Business 9
Neues Wertschöpfungspotential durch Digitalisierung, Big Data, Data Science Digitalisierung (Industrie 4.0) Natur funktioniert analog. Digitalisierung komprimiert Informationen • Berühmtestes Beispiel: MP3 Player • oder z. B. Call-Center Anrufe (1=sehr zufrieden, .., 10 = sehr unzufrieden) Big Data Wann sind Daten BIG? Sebastian Thrun, Google Labs Gründer, sagt dazu: • ca. ab 3-5 Terabyte (2016) • Verarbeitung von großen, komplexen, sich schnell ändernden Datenmengen die mit herkömmlichen Methoden der Datenver- arbeitung nicht mehr auszuwerten sind
Not Only-SQL Map-Reduce In-Memory
SQL
Data Warehouse
Big Data Not so Big Data
Data Science Ein Data Scientist braucht viele Kompetenzen • Analysiert was zukünftig passiert • Macht aus „Big Data“ mit den
entsprechenden Tools „Smart Data“
Umsetzung
Domain Wissen
Data Science
Reiner Kurzhals, FH Münster, Münster School of Business 10
Mögliche Gefahren im Online Marketing: Beschaffenheit und Beschaffung der Daten Beschaffenheit - je mehr Daten, desto schwieriger ist die Auswertung • Welche Daten sind nützlich für Vertrieb/Kundenpflege. • Erfolgreiches Data-Driven Marketing ist auf Smart Data und Tools angewiesen. Beschaffung – Datenschutz und Privatsphäre Kunden wünschen sich transparenten Dialog, wenn sie Daten zur Verfügung stellen • Sie wollen auch die Möglichkeit, den Datensatz zu verändern • Daten werden von Unternehmen wie Geheimnisse behandelt, führt zu
Misstrauen
Ein weiteres Problem: Rationalisierung der Informationen • Kundendaten werden zu Zahlen, sind immer seltener mit den Menschen verknüpft • Unternehmen müssen auch den Menschen mit all seinen Facetten dahinter sehen.
Reiner Kurzhals, FH Münster, Münster School of Business 11
Populäre Anwendungen (I) Target How Target Figured Out A Teen Girl Was Pregnant Before Her Father Did • An angry man went into a Target outside of Minneapolis, demanding to
talk to a manager: “My daughter got this in the mail!” he said. “She’s still in high school, and you’re sending her coupons for baby clothes and cribs? Are you trying to encourage her to get pregnant?” • The manager apologized and then called a few days later to apologize
again. • On the phone, though, the father was somewhat abashed. “I had a talk
with my daughter,” he said. “It turns out there’s been some activities in my house I haven’t been completely aware of. She’s due in August. I owe you an apology.
Reiner Kurzhals, FH Münster, Münster School of Business 12
Populäre Anwendungen (II) Cambridge Analytica SPIEGEL ONLINE vom 6.12.2016:Ich ganz allein habe Trump ins Amt gebracht - Sieg durch Facebook Daten Camebridge Analytica hat eine Methode zur Psychografie per Facebook-Aktivität eingesetzt • Persönlichkeit des Menschen durch Likes und Postings bestimmen • dieselbe Firma auch für die Brexit-Kampagne gearbeitet Michael Kosinski stellt als Student 2008 an der Cambridge University eine kleine App ins (damals noch überschaubare) Facebook: MyPersonality • 2012 erbringt Kosinski den Nachweis, dass man aus durchschnittlich 68
Facebook-Likes eines Users vorhersagen kann • welche Hautfarbe er hat (95-prozentige Treffsicherheit) • ob er homosexuell ist (88-prozentige Wahrscheinlichkeit) • ob Demokrat oder Republikaner (85 Prozent).
• 90 Likes reichen, um die Menschenkenntnis eines Freundes zu überbieten, • 150 um die der Eltern • 300 Likes deren Partner
Am Tag, als Kosinski diese Erkenntnisse publiziert, erhält er zwei Anrufe. Eine Klageandrohung und ein Stellenangebot. Beide von Facebook. Reiner Kurzhals, FH Münster, Münster School of Business
13
Der Unterschied zwischen Business Intelligence und Data Science ist der vom Passivem zum Aktiven Akteur
Deskriptiv
Diagnose
Prädiktiv
Präskriptiv
Business Intelligence
Data Science
Frage Anwendung
Was ist passiert? Wie viele Kunden haben wir letztes Quartal verloren?
Warum ist es passiert?
Warum haben wir so viele Kunden letztes Quartal verloren?
Was wird passieren?
Wie viele Kunden werden wir nächstes Quartal verlieren?
Was müssen wir zukünftig ändern?
Wie können wir diesen zukünftigen Kundenverlust verhindern?
Reiner Kurzhals, FH Münster, Münster School of Business 15
Die Mehrheit der aktuellen, empirischen Studien zeigen großes Unternehmensinteresse an Big Data und Data Science Z. B. KPMG/BITKOM Studie „ Mit Daten Werte schaffen“ (2016) (n=704, Unternehmen mit >100 MA, Abt.- und Bereichsleiter) Zentrale Aussagen
• Datenanalysen werden wichtiger, 66% ziehen einen Nutzen daraus (2015:50%)
• Einfache, deskriptive Datenanalysen dominieren noch, die Zukunft gehört
komplexeren, zukunftsorientierten Analysen
• Datenschutzbedenken und mangelnde Ressourcen für 50% eine relevante Hürde
• Obwohl >66% sind an Big Data interessiert, haben 33% eine Big-Data-Strategie
Reiner Kurzhals, FH Münster, Münster School of Business 16
Deskriptive Analysen werden noch am meisten benutzt, aber Prädiktive Analysen sind auf dem Vormarsch Welche der folgenden Analysen nutzt, plant oder diskutiert diese?
Nutzer Planer Diskutierer
Deskriptive Analysen
2016
2015
Prädiktive Analysen
2016
2015
Präskriptive Analysen
2016
2015
48
43
39
35
15
12
10
9
23
29
8
4
11
15
16
10
11
6
Reiner Kurzhals, FH Münster, Münster School of Business 17
Vorbehalte gegenüber Nutzung fortgeschrittener Datenanalysen - Fehlende Rechtsgrundlage und Fachpersonal sind größtes Hemmnis
Reiner Kurzhals, FH Münster, Münster School of Business 18
PINGO [Peer INstruction for very large GrOups] Kostenloses und Anonymes Live-Feedback (von der Uni Paderborn) • Jeder, der ein internetfähiges Gerät besitzt kann sofort teilnehmen
• Bitte geben Sie in Ihrem Browser diese Seite ein:
pingo.upb.de
• Dann erscheint dieses Fenster
• Hier geben Sie in das freie Feld diese Zahl ein: 607254 • Jetzt können Sie abstimmen
Reiner Kurzhals, FH Münster, Münster School of Business 19
Der Kundenlebenszyklus lässt viele Zeitpunkte zur intelligenten und nachhaltigen Analyse der Kundendaten zu
Zeit Bez
iehu
ngsint
ensitä
t
Akquisition Neukunde Entwicklung Bestand Rückgewinnung
Churn Up-Sell Cross-Sell
Reporting
Segmentierung
Kundenwertanalyse, Targeting, Responseanalyse, Fraud Detection, Shopping Basket Analysis
Reiner Kurzhals, FH Münster, Münster School of Business 21
Schnelle Erfolge lassen sich mit einigen Datenanalysen generieren, einige Analysen sind für den nachhaltige Geschäftserfolg
Quick Hit
Kos
tenr
eduk
tion
Um
satz
erhö
hung
Nachhaltig
Cross-Sell
Up-Sell
Churn
Segmentierung
+
+
- -
Customer Value Analysis
Fraud
Reporting Targeting
Churn
Fraud
Prognosen
Kurzhals Magical Quadrant for Use-Cases
Reiner Kurzhals, FH Münster, Münster School of Business 22
Es gibt viele Gründe, warum man noch nicht mit der neuen Wertschöpfung begonnen hat • Große Unternehmen können sich eine eigene Data Science Abt. leisten
• KMUs viel weniger, weil man nicht weiß,
• wie man Mitarbeiter einstellen soll • was gemacht werden kann • wie man es macht • wen man fragen soll oder falls obiges nicht zutrifft, man • die Effizienz der Investition fürchtet (ROI)
oder falls obiges nicht zutrifft, man • schon schlechte Erfahrung gemacht hat
Reiner Kurzhals, FH Münster, Münster School of Business 24
Make or Buy … oder etwas von Beidem Make • Eine eigene Abteilung aufzubauen braucht zwei verschiedene Typen
von Experten 1. Informatiker (mit Statistik Kenntnissen) 2. BWLer (mit Statistik Kenntnissen)
Buy • Externes Wissen einzuholen braucht Wissen aus obigem 1. und 2.
Fakt ist, dass auf dem Arbeitsmarkt ein absoluter Mangel an Statistik Experten aus den Bereichen 1. und 2. existiert. • In den USA gibt es hunderttausende offene Stellen im Bereich Data
Analyst / Data Scientist – in D(ACH) mehrere Tausend • Einstiegsgehälter sind dramatisch hoch – in den USA bei 120.000 $a
ahttps://www.paysa.com/salaries/data-scientist
Reiner Kurzhals, FH Münster, Münster School of Business 25
Nach Big Data, Deep Learning (eine Variante des Machine Learning) folgt eine neue Welle im Bereich der Datenanalyse - PAaaS Damit sich viele KMUs am enormen (neuen) Wertschöpfungspotential (187 Mrd. $ in 2019a) beteiligen können, muss eine Service Lösung angeboten werden: „ … as a Service“. Make • KMUs müssten dann ein wenig Expertise aufbauen Daten
bereitstellen
Buy • KMUs müssten kaum externe Hilfe in Anspruch nehmen Die Datenanalyse würde per Automatisierung als neue „ … as a Service“ Lösung funktionieren. PAaaS (Predictive Analytics as a Service)
a http://www.informationweek.com/big-data/big-data-analytics/big-data-analytics-sales-will-reach-$187-billion-by-2019/d/d-id/1325631
Reiner Kurzhals, FH Münster, Münster School of Business 27
Predictive Analytics as a Service - als Speerspitze auf dem Konzept Everything as a Service XaaS
PAaaS
SaaS (Software as a Service)
PaaS (Platform as a Service)
IaaS (Infrastructure as a Service)
XaaS Service Models (nach Kurzhals, 2017a)
a noch im Veröffentlichungsprozess
Reiner Kurzhals, FH Münster, Münster School of Business 28