Im Jahr 2020 wird man 40 Zettabytes (1021 Bytes) an Daten sammeln, das ist 33 Mal so viel wie im Jahr 2010; die Anzahl der Suchanfragen für „Big Data“ hat sich seit 2009 verzwanzigfacht.

Entwicklung der Suchanfragen für den Begriff „Big Data“ weltweit von 2009 bis 2016 – Google Trends

Dabei hat die Erhebung der Daten schon lange begonnen, bevor überhaupt von Big Data die Rede war. Nun ist es natürlich wenig rentabel, Daten ohne jegliche Strategie und Analyse zu sammeln, wie dies lange Zeit gemacht wurde. Heute gibt es erfreulicherweise immer weniger Unternehmen, die Daten erheben, ohne sich zuvor zu überlegen, wie sie diese dann nutzen möchten: Big Data wird mehr und mehr dazu herangezogen, um Kundenverhalten vorherzusagen.

Wohin geht die Reise: Quo vadis, Kunde?

Jede analytische Vorhersage beruht auf der Definition von Modellen via Algorithmen, die auf den gesammelten Daten aufbauen. Diese Modelle sollen dazu dienen, das Kundenverhalten vorherzusagen, um schneller und passgenauer reagieren zu können. So können z. B. potentielle Wechselkunden oder aber solche mit sich wahrscheinlich verändernden Bedürfnissen identifiziert und rechtzeitig angesprochen werden. Die prädiktive Vorhersage rückt somit den heiligen Graal des Marketings in greifbare Nähe: Die richtige Botschaft zum richtigen Zeitpunkt an die richtige Person zu senden. Der Wunsch ist so alt wie das Marketing selbst, nur leider ohne den Zugang zu relevanten Daten bzw. deren zielgerichteter Analyse kaum zu verwirklichen.

Die Fähigkeit, individuelle Angebote zu exakt dem Zeitpunkt zu unterbreiten, an dem das Bedürfnis beim Kunden entsteht, hat großen Einfluss auf die Konversionsrate, die Kundenzufriedenheit und dadurch auch auf die Bindung des Kunden an die Marke – und somit letztendlich auf den Ertrag des Unternehmens.

Aber Vorhersagen sind nur dann möglich, wenn die gesammelten Daten vielfältig sind und ihre Qualität hochwertig ist. Damit ein prädiktives Modell wirklich effektiv ist, müssen die folgenden Schritte beachtet werden:

1. Genaue Definition der Aufgabenstellung für die Vorhersage;
2. Identifizierung der notwendigen Daten für die Erstellung des Modells;
3. Sammlung und Verarbeitung der Daten, um daraus ein funktionierendes Modell zu konstruieren;
4. Beurteilung der Präzision und Effizienz des Modells;
5. Nutzung des Modells zur Beantwortung der Aufgabenstellung und Erstellung entsprechender Empfehlungen;
6. Stetige Weiterentwicklung und Verbesserung des Modells.

Prediktive Analysen helfen dabei, bessere Entscheidungen zu fällen und Risiken (z. B. bei Wechselkunden) zu vermeiden. Durch ihren gezielten Einsatz können sich Marken dank einer personalisierten und optimierten User-Erfahrung von ihren Mitbewerbern abzuheben.

Externe Effekte und Grenzen der Vorhersage-Modelle beachten 

Cathy O’Neil bezeichnet sich selbst nicht als Daten-Wissenschaftlerin, sondern als „Daten-Skeptikerin“. Die Harvard-Absolventin hat einen Doktortitel in Mathematik und ist die Autorin eines jüngst erschienenen Buchs „Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy“. In ihrem Werk weist sie mehrfach und ausdrücklich auf die ‚Nebenwirkungen‘ analytischer Vorhersage-Modelle hin, die mannigfaltige Fehlerquellen aufweisen können:

• Die gesammelten Daten sind nicht präzise genug.
• Die genutzten Daten sind nicht relevant.
• Die Wirkung externer Effekte wurde falsch beurteilt.

In ihrem Buch nennt Cathy O’Neil zahlreiche konkrete Beispiele schlechter Vorhersage-Modelle und weist auch auf die Gründe des Scheiterns hin: Da ist z. B. das hoch angesehene nationale Ranking der amerikanischen Universitäten, welches bei seiner Beurteilung die Kosten für das Studium außen vor lässt. Oder die Anzahl der Verhaftungen der New Yorker Polizei, welche belegen, dass diese in den armen Vierteln vor allem Afro-Amerikaner und Latein-Amerikaner betreffen – und dabei aber die Anzahl der Angehörigen der Minderheiten übersteigen. Diese Fehler-Beispiele haben gravierende gesellschaftliche Folgen; Fehler in wirtschaftlichen Vorhersagen können dagegen z. B. Auswirkungen auf den Ertrag eines Unternehmens haben. Festzuhalten bleibt, dass alles dafür getan werden muss, um solche Fehler von vornherein zu vermeiden.

Wozu sind solche Vorhersagen zu gebrauchen? 

Die Anwendungsmöglichkeiten sind zahlreich und variieren je nach Branche stark, zudem werden die Möglichkeiten der vorhersagenden Analyse auch durch die Menge, die Qualität und die Relevanz der gesammelten Informationen beschränkt.

Second Party-Daten können im Rahmen vorhersagender Analysen ebenfalls eine wichtige Rolle übernehmen. So wird ein Autohersteller wohl kaum vom bevorstehenden Familienzuwachs eines Kunden erfahren – es sei denn, er bekommt diese Information von einem Partner aus dem Bereich Babybedarf zugespielt. Dadurch kann der Autohersteller dem betreffenden Kunden dann ein individuelles Angebot für ein größeres Fahrzeug unterbreiten, oder es ihm beim nächsten Besuch auf seiner Website schon auf der der Startseite präsentieren.

Die prädiktive Analyse kann aber auch z. B. von einem Mobilfunkanbieter genutzt werden, um jene Kunden zu identifizieren, bei denen man feststellen kann, dass sie bald den Anbieter wechseln werden. Solchen Kunden kann er dann z. B. eine neue Flatrate oder ein neues Serviceangebot unterbreiten und damit das Risiko mindern, dass diese Kunden zu einem anderen Anbieter wechseln.

Doch auch für das richtige Content-Angebot sind solche Vorhersagen sehr nützlich: So können jedem Kunden die jeweils für ihn aktuell passenden Inhalte zur Verfügung gestellt werden, um ihn auf dem Weg zur Entscheidungsfindung einen wichtigen Schritt weiter zu bringen. Damit stellen effiziente prädiktive Analysen einen echten Wettbewerbsvorteil dar – die Kundenberatung erfolgt nicht mehr reaktiv, sondern proaktiv.

Sind Marketingvorhersagen nur etwas für Experten?

Nach einer aktuellen Forrester-Studie* sind die prädiktive Modelle in den letzten Jahren immer präziser und effizienter geworden – auch bei Firmen, die in diesem Bereich über wenig Fachwissen verfügen. Dies zeigt, dass die Nutzung dieser Marketing-Instrumente einfacher geworden ist.

Heute brauchen Sie keinen Daten-Spezialisten mehr, um Big Data effektiv für Ihr Marketing zu nutzen. Schulen Sie bestehende Marketing-Teams in Sachen prädiktive Daten-Analyse und geben Sie Ihnen die richtigen Tools und Partner an die Hand.

* „The Forrester Wave™: Big Data Predictive Analytics Solutions, Q2 2015“ https://www.forrester.com/report/The+Forrester+Wave+Big+Data+Predictive+Analytics+Solutions+Q2+2015/-/E-RES115697