4 Methoden der Datenanalyse: ein Überblick für tiefere Einblicke
Anmerkung des Editors: Spielen Gefühle immer noch bei Ihrer Entscheidungsfindung eine bedeutende Rolle? Oder sind Sie nicht sicher, ob Sie die richtige Kombination aus verschiedenen Methoden einsetzen, um das Potenzial Ihrer Daten auszuschöpfen? Unsere Berater und Entwickler im Bereich Data Analytics sind bereit, Ihre Fragen zu beantworten und bei der Umsetzung einer datenbasierten Entscheidung zu unterstützen
Werfen wir einen Blick zurück ins 17. Jahrhundert, als John Dryden geschrieben hat: „Wer nach Perlen sucht, muß tief tauchen.“ Obwohl der Autor nicht Advanced Data Analytics gemeint hat, beschreibt dieses Zitat perfekt ihr Wesen. Basierend auf unserer Erfahrung in Data Analytics und Praxisbeispielen erörtern wir in diesem Blogbeitrag, wie tief man in Daten eintauchen sollte, um notwendige und auf Fakten basierende Einblicke zu gewinnen.
Methoden der Datenanalyse
Laut dem Analytics-Reifegradmodell von Gartner gibt es 4 Methoden der Datenanalyse, die von der einfachsten bis zur anspruchsvollsten Stufe differenziert werden. Je komplexer eine Analyse ist, desto mehr Wert - sprich Wettbewerbsvorteile - kann sie bringen.
Bei der Descriptive Analytics (deskriptiven bzw. beschreibenden Datenanalyse) geht es um Daten aus der Vergangenheit, die dabei helfen, die Frage zu beantworten: Was ist passiert? Eine Gesundheitseinrichtung kann z. B. erfahren, wie viele Patienten im letzten Monat stationär aufgenommen wurden; ein Händler – wie hoch der durchschnittliche Umsatz pro Woche ist; ein Hersteller – wie viele Artikel im letzten Monat zurückgegeben wurden usw. Aber betrachten wir lieber ein Beispiel aus unserer Praxis, um diese Methode zu veranschaulichen: unser Team half einem Hersteller, auf der Basis von Einnahmen, monatlichem Umsatz pro Produktgruppe, Einkommen nach Kundengruppen, Gesamtmenge an produzierten Metallteilen pro Monat Entscheidungen zu treffen, auf welche Kategorein er sich konzentrieren wird.
Die Descriptive Analytics ermöglicht, Rohdaten aus mehreren Datenquellen zu jonglieren, um wertvolle Einblicke in die Vergangenheit zu erhalten. Aber diese Ergebnisse zeigen nur, was falsch und was richtig ist, ohne zu erklären, warum es so ist. Aus diesem Grund setzen datengetriebene Unternehmen die Descriptive Analytics in Kombination mit anderen Methoden der Datenanalyse ein.
Diagnostic Analytics
In dieser Stufe können historische Daten mit anderen verglichen werden, um die Frage zu beantworten: Warum ist etwas passiert? Mit der Diagnostic Analytics (diagnostischen Analyse) ist es möglich, Ursachen und Aus- sowie Wechselwirkungen zu klären, Folgen zu analysieren und Muster zu identifizieren. Unternehmen entscheiden sich für diese Methode der Datenanalyse, um tiefgehende Einblicke in ein bestimmtes Problem zu erhalten. Gleichzeitig sollte ein Unternehmen über detaillierte Informationen verfügen, weil ansonsten die Datenerfassung für jedes Problem individuell durchgeführt werden muss, was sehr zeitaufwendig ist.
Unser Beispiel zeigt, wie eine BI-Lösung einem Kunden im Gesundheitswesen ermöglicht hat, Patientendaten von verschiedenen Gesundheitsdienstleistern auf einer Plattform zusammenzuführen, Berichte und Dashboards mit nutzvollen Informationen zu erstellen, um darauf basierend Ereigniswahrscheinlichkeiten bei anderen Patienten einzuschätzen und dadurch Risikos zu reduzieren.
Sind Sie auf der Suche nach Experten für Data Analytics? Vereinbaren Sie die 30-menütige kostenlose Erstberatung. So lassen Sie sich von unseren Experten im Data Analytics beraten, um ein klares Verständnis über Ihre Anforderungen an die Datenanalyse zu erhalten.
Predictive Analytics
Die Predictive Analytics (prädiktive Analyse bzw. Vorhersageanalyse) steht zur Seite, um in die Zukunft zu blicken, und versucht das Folgende herauszufinden: Was könnte bzw. wird in Zukunft passieren? Diese Methode der Datenanalyse ermöglicht es, basierend auf den Ergebnissen von deskriptiven und diagnostischen Analysen, Tendenzen zu ermitteln, Abweichungen von Normwerten frühzeitig zu erkennen und zukünftige Trends möglichst genau vorherzusagen. Die Predictive Analytics verwendet ausgefeilte Algorithmen und moderne Technologien, um zukünftige Prognosen zu erstellen. Aber obwohl diese Methode zahlreiche Vorteile mit sich bringt, ist es wichtig zu verstehen, dass Prognosen nur Schätzungen sind, deren Genauigkeit in hohem Maße davon abhängt, wie hoch die Datenqualität ist und inwiefern die Situation stabil bleibt.
Dank der Predictive Analytics und ihrem proaktiven Charakter kann ein Telekommunikationsunternehmen beispielsweise Abonnenten identifizieren, die am wahrscheinlichsten ihre Kosten reduzieren können, und gezielte Marketingaktivitäten planen und durchführen, um das zu vermeiden; ein Managementteam kann die Risiken mittels Cashflow-Analysen und -Prognosen abwägen, bevor es in den Ausbau seines Unternehmens investiert. Eines unserer Praxisbeispiele beschreibt, wie Advanced Data Analytics einem führenden FMCG-Unternehmen ermöglichte, vorherzusagen, was es nach einer Änderung der Markenpositionierung erwarten kann.
Prescriptive Analytics
Die Prescriptive Analytics (präskriptive bzw. verordnende Analyse) ist darauf abgezielt, buchstäblich zu verordnen: Welche Maßnahmen sind zu treffen, um ein künftiges Problem zu beseitigen oder zu verhindern und das Potenzial vielversprechender Trends voll auszuschöpfen. Ein Beispiel für die Prescriptive Analytics aus unserem Projektportfolio: Ein multinationales Unternehmen konnte in seinem CRM-System auf der Basis von Customer Analytics und Verkaufshistorie Opportunities für Wiederholungskäufe identifizieren.
Diese modernste Methode der Datenanalyse erfordert nicht nur historische Daten, sondern auch aktuelle Informationen aus externen Datenquellen, was ermöglicht, Vorhersagen laufend zu aktualisieren. Dabei werden verschiedene fortschrittliche Tools und Technologien wie maschinelles Lernen, Business Regeln, Szenarien, Simulationsmodelle, neurale Netze eingesetzt, was die Implementierung und das Management noch komplexer macht. Aus diesem Grund sollte ein Unternehmen erforderliche Anstrengungen mit dem erwarteten Mehrwert vergleichen, bevor es diese Methode der Datenanalyse ins Spiel kommen lässt.
Welche Methoden sind nachgefragt?
Um zu verstehen, ob es eine bevorzugte Methode der Datenanalyse gibt, untersuchen wir Ergebnisse verschiedener Studien zu diesem Thema für den Zeitraum 2016-2019.
Für das 2016 Global Data and Analytics Survey: Big Decisions hat PwC mehr als 2.000 Geschäftsführer gefragt, welche aus 3 angebotenen Kategorien den Entscheidungsprozess ihres Unternehmens am besten beschreibt und wie muss die Entscheidungserfindung 2020 aussehen? Außerdem wurden Führungskräfte aus der Reihe der Chief Officers (C-Level) auch befragt, auf welche Methode der Datenanalyse sie sich am meisten verlassen. Die Studie liefert die folgenden Ergebnisse:
In der Kategorie „Die Entscheidungsfindung ist selten datengetrieben“ dominiert die Descriptive Analytics (58%).
In der Kategorie „Zum Teil datengetrieben“ wird die Diagnostic Analytics bevorzugt (34%);
Die Predictive Analytics lag in der Kategorie „Hoch datengetrieben“ an der Spitze (36%).
Diese Umfrage ergab, dass verschiedene Methoden der Datenanalyse in verschiedenen Phasen der Unternehmensentwicklung nachgefragt sind. Die Unternehmen, die danach streben, datengetriebene Entscheidungen zu treffen, halten die Descriptive Analytics für unzureichend und verwenden auch die Diagnostic Analytics oder gehen noch einen Schritt weiter und lassen die Predictive Analytics ins Spiel kommen.
Für eine andere Umfrage – BARC’s BI Trend Monitor 2017 – haben 2.800 Topmanager ihre Meinung über die wachsende Bedeutung von Advanced und Predictive Analytics geteilt. Der Begriff „Advanced Analytics“ gilt dabei als Oberbegriff für solche Methoden wie die Predictive und Prescriptive Analytics.
Laut dem 2018 Advanced and Predictive Analytics Market Research haben die meisten Befragten zum ersten Mal die Advanced und Predictive Analytics als „entscheidend“ oder „sehr wichtig“ betrachtet.
Im BARC's BI Trend Monitor 2019 Survey glauben die Führungskräfte aus dem C-Level, dass die Advanced Analytics eines der wichtigsten und aktuellsten Business Intelligence Trends ist.
Welche Methode der Datenanalyse kann Ihre Bedürfnisse abdecken?
Die aktuellen Markttrends zeigen, dass sich immer mehr Unternehmen immer für prädiktive und präskriptive Analysen entscheiden. Wenn Sie aber keine Ahnung haben, auf welche Weise und welche Methoden der Datenanalyse Ihre Entscheidungen datengetrieben gestalten, wenden Sie sich an ScienceSoft. Seit 30 Jahren liefern wir ein umfassendes Leistungsangebot rund um Data Analytics und freuen uns darauf, unsere Erfahrung in Ihr Projekt einzubringen.
Ihre Strategie für die Datenanalyse entwickeln
Methoden der Datenanalyse im Marketing
Im Minutentakt werden im Internet Daten generiert. Für Unternehmen bieten diese riesigen Datenmengen enorme Chancen, ihr Geschäft zu optimieren. Doch um Entscheidungen und Zusammenhänge erkennen zu können, sind bestimmte Verfahren notwendig, die Big Data greifbar machen. Die statistische Datenanalyse strukturiert, gruppiert und korreliert Informationen, die anschließend visuell aufbereitet werden können.
In diesem Beitrag erfahren Sie, welche Methoden der statistischen Datenanalyse es gibt und welche Verfahren sich im Marketing bewährt haben.
Die statistische Datenanalyse hilft, strategische Entscheidungen zu treffen
Die statistische Datenanalyse findet in Unternehmen in verschiedenen Abteilungen Anwendung, um datengetriebene Entscheidungen zu treffen. Vor allem im Online-Marketing werden enorme Datenmengen generiert, die wertvolle Informationen enthalten und dabei helfen können, die eigene Zielgruppe genauer kennenzulernen, Optimierungspotenziale in Prozessen zu erkennen und Maßnahmen abzuleiten.
Bei der Datenanalyse geht es darum, mithilfe statistischer Methoden Informationen aus Daten zu gewinnen und diese entsprechend zu visualisieren. Aus den einzelnen Rohdaten werden Informationen abgeleitet, die für das Unternehmen von Bedeutung sind. Reports oder Dashboards veranschaulichen die Daten und schaffen einen leichteren Zugang. Die Datenanalyse hilft somit dabei, strategische Entscheidungen auf Grundlage von Fakten zu treffen.
Durchgeführt wird die Datenanalyse häufig mithilfe von Business-Intelligence-Software. Die Daten werden gesammelt, strukturiert und korreliert, um unternehmensrelevante Fragen zu beantworten. Mithilfe von Business-Analytics-Methoden können auf dieser Basis dann Prognosen zu Trends und wahrscheinlichen Ergebnissen erstellt werden.
Im Gegensatz zur Business Intelligence beschäftigt sich Business Analytics mit der Entwicklung von zukunftsorientierten Lösungen. Aus den gewonnenen Daten werden zukunftsrelevante Zusammenhänge abgeleitet, um Prognosen anzustellen und Chancen sowie Risiken einzuschätzen.
Die Methoden der Datenanalyse gliedern sich in folgende Ansätze:
explorative Datenanalyse,
deskriptive Datenanalyse,
diagnostische Datenanalyse,
präskriptive Datenanalyse und
prädiktive Datenanalyse.
Datenanalyse leicht gemacht: Diese Methoden sollten Sie kennen
Datenanalyse leicht gemacht: Diese Methoden sollten Sie kennen
Ob auf der Firmenwebsite, über eigene Social Media Kanäle oder einen Newsletter: Wer seine Kunden online erreichen möchte, hat zahlreiche Möglichkeiten – aber nicht immer einen Plan. Laut einer Bitkom-Studie verpassen viele Unternehmen die Chance, ihre digitale Kundenbeziehung durch Datenanalysen gezielt zu verbessern. Dabei ist eine durchdachte Digital-Strategie heute ein wesentlicher Erfolgs- und Wettbewerbsfaktor. Wir zeigen Ihnen, welche Analysemethoden für welchen Einsatzzweck optimal geeignet sind.
Business Newsletter Business-Studien Aktuelle Trends & Technologien im digitalen Markt Best Practice & Referenz-Stories Jetzt Anmelden
Fast alle Unternehmen sprechen ihre Kunden mittlerweile auf digitalem Weg an. Doch gerade mal zwei Drittel versuchen, die Bedürfnisse und das Verhalten ihrer Nutzer durch Datenanalysen zu verstehen. Zu diesem Ergebnis kommt eine repräsentative Umfrage unter 1.005 Unternehmen im Auftrag des Digitalverbands Bitkom. So bleiben potenzielle Käufer in der digitalen Welt vielen Anbietern nicht nur fremd, sondern auch fern. Um das zu ändern, müssen Sie Ihre Kunden besser kennen lernen, auch ohne sie persönlich zu treffen.
Wo sollte ich meine Werbung platzieren? Wie erreiche ich meine Zielgruppe punktgenau? Welche Daten sollte ich erheben, um valide Entscheidungsgrundlagen für digitales Marketing zu erhalten? Dr. Tim Wiegels ist Head of Data bei FREE NOW (zuvor mytaxi). Er sagt: Als Data Engineer ist man gleichzeitig auch Produktmanager und sollte wissen, wie man Produkte optimal platziert und präsentiert. Wie das gelingt und wie es in Deutschland im Bereich Mobilität weitergehen kann und sollte, verrät er im „Digitale Vorreiter”-Podcast #75 mit Christoph Burseg:
Die vier Methoden der Datenanalyse
Zunächst einmal geht es beim Thema Datenanalyse um eins: Statistik. Nach mathematischen Methoden wird aus gesammelten Daten auf eine zugrunde liegende Realität geschlossen. Diese hilft Ihnen dann im Idealfall dabei, Ihr Angebot so zu optimieren, dass Sie Ihre Zielgruppe noch besser kennen und somit ansprechen können. Oder, in Kurzfassung: Mit intelligenter Datenanalyse arbeiten Sie am Ende effizienter und erzielen mehr Umsatz.
Ein einfaches Beispiel für die Datenerhebung als Basis einer Analyse ist die Umfrage. Hier wird eine bestimmte Anzahl von Personen in einem bestimmten Zeitraum zu einem oder mehreren Sachverhalten befragt. Aus deren Antworten werden nun Rückschlüsse auf andere Personen geschlossen. Damit eine Umfrage „repräsentativ” ist, müssen die Befragten so ausgewählt werden, dass sie den Eigenschaften der Gesamtheit möglichst ähnlich sind.
Eine Umfrage könnte beispielsweise so ausgelegt sein, dass 1.000 befragte Personen notwendig sind, um zu einem bestimmten Thema Rückschlüsse auf die deutsche Bevölkerung zu ziehen. Die Teilnehmer würden nach vorher festgelegten Kriterien ausgewählt und dann befragt werden. Doch was nützt Ihnen das Sammeln von Daten, wenn Sie diese danach nicht auswerten?
Die Datenanalyse nutzt in der Regel eine dieser vier typischen Methoden:
Deskriptiv: Die Daten der gesammelten Stichprobe werden durch Kennzahlen oder eine grafische Darstellung beschrieben.
Die Daten der gesammelten Stichprobe werden durch Kennzahlen oder eine grafische Darstellung beschrieben. Inferenziell: Aus den gesammelten Daten wird auf Eigenschaften der Grundgesamtheit, beispielsweise aller deutschen Kunden, geschlossen.
Aus den gesammelten Daten wird auf Eigenschaften der Grundgesamtheit, beispielsweise aller deutschen Kunden, geschlossen. Explorativ: Diverse Datensätze werden so miteinander in Verbindung gebracht, dass Zusammenhänge zwischen ihnen deutlich werden.
Diverse Datensätze werden so miteinander in Verbindung gebracht, dass Zusammenhänge zwischen ihnen deutlich werden. Kontextbasiert: Hier werden aus inhaltlich zusammenhängenden Daten bestimmte Gruppen oder Konstellationen identifiziert.
Welche Methode der Datenanalyse für Sie geeignet ist, hängt von Ihren Zielen ab, also der Fragestellung, die Sie beantworten wollen und welchen Umfang die Daten haben. Sie läuft bei kleineren Analyseprojekten meist in sieben Schritten ab:
Kleinere Datenmengen analysieren: In sieben Schritten zum Ergebnis
Einfach nur Daten zu sammeln und dann zu hoffen, dass sich hieraus durch bloße Betrachtung etwas ablesen lässt, wird kaum zum gewünschten Erfolg führen. Dementsprechend ist ein strukturiertes Vorgehen angesagt:
1. Stellen Sie die Daten in einem lesbaren Format bereit
Die Daten nützen Ihnen nichts, wenn sie verschlüsselt und auf irgendwelchen Servern verteilt in diversen Formaten herumliegen. Führen Sie diese also zunächst nach Möglichkeit an einer zentralen Stelle zusammen. Die meisten Analyse-Tools arbeiten nach wie vor mit kommagetrennten Werten („CSV-Format”, Comma Separated Values). Die erste Datensammlung kann also durchaus in Tools wie Microsoft Excel als Teil von Microsoft 365 erfolgen.
2. Bereinigen Sie die Daten
Sehen Sie sich die gesammelten Daten an. Gibt es jeweils eine Spalte für jedes Kriterium und für jeden Fall eine Zeile? Entsprechen die Daten mit ihren Zeilenwerten den Spaltenkriterien oder gibt es Fehler? Wenn beispielsweise die Postleitzahl eines Kunden im Feld Geburtsjahr auftaucht, kann die spätere Analyse kaum gelingen. Gleiches gilt für fehlerhafte oder unvollständige Datensätze: Löschen Sie diese genau wie leere Zeilen am besten, bevor Sie sich an die Analyse wagen.
Wenn Sie Datensätze wegen einzelner fehlender Werte nicht löschen wollen, kann es hilfreich sein, diese mit dem Mittelwert der übrigen Datensätze zu befüllen. Entfernen Sie außerdem Duplikate: Eventuell hilft es, die Daten hierbei zuvor nach bestimmten Spalten wie beispielsweise dem Geburtsdatum (falls es um Personen geht) zu sortieren.
3. Verschlanken Sie die Daten
Ist wirklich alles, was in Ihrer Tabelle steht, für Ihre Analyse von Bedeutung? Lassen sich bestimmte Kriterien eventuell zusammenfassen? Beim Thema „Alter” beispielsweise könnten und sollten Sie Gruppen bilden, da das genaue Geburtsdatum der einzelnen Personen für Ihre Überlegungen selten von Interesse sein wird. Des weiteren sollten Sie herausfinden, ob Sie wirklich alle Fälle (also Zeilen) Ihrer Daten analysieren müssen, oder ob Ihnen eine Stichprobe beispielsweise der ersten 500 Fälle reicht. Deutlich mehr Daten zu analysieren kann sinnvoll sein, kann aber auch dazu führen, dass die eigentliche Analyse extrem lange dauert.
4. Erstellen Sie ein Datenmodell
Sie möchten gerne wissen, welche Kunden welchen Alters bei Ihnen bevorzugt welches Produkt kaufen? Dann brauchen Sie ein Modell, das bestimmte Muster in Ihren Datensätzen möglichst optimal beschreibt. Konkreter gesagt: Sie schließen von den Daten nun auf die zugrunde liegende Realität. Wenn Sie die Analyse nicht in Excel, beispielsweise mit Hilfe von Diagrammen, durchführen wollen, sollten Sie spezielle Analysesoftware wie beispielsweise SPSS oder G*Power einsetzen.
5. Validieren Sie Ihr(e) Lieblings-Datenmodell(e)
Sie haben bestimmte Muster in Ihren Daten identifiziert und daraufhin Modelle erstellt? Gut, dann sollten Sie diese nun anhand weiterer Daten überprüfen. Fallen die Ergebnisse mit neuen Daten ähnlich oder genauso aus? Dann haben Sie gute Chancen, dass Ihr Modell „valide” ist, also der Realität bereits nahe kommt. Wenn Sie keine neuen Daten erheben können oder wollen, sollten Sie Ihr Modell zunächst mit Teilen Ihrer Grunddaten aufstellen und es dann gegen den Rest der Daten testen.
6. Lassen Sie die Modelle gegeneinander antreten
Manchmal kann es mehrere valide Modelle geben – doch auch hier zeigen sich meist Unterschiede. Finden Sie nun heraus, welches Ihrer Modelle die Realität tatsächlich am besten beschreibt. Achten Sie darauf, in jedem Fall genügend Daten als Grundlage zu verwenden – und Ihr Modell fortlaufend zu hinterfragen. Immerhin ändert sich ja auch die Realität ständig.
7. Fassen Sie das Ganze schriftlich zusammen
Damit auch andere Mitarbeiter später Ihre Analysen nachvollziehen können, sollten Sie diese dokumentieren. Notieren Sie genau, welchen Umfang Ihre Stichprobe hat(te), wann diese erhoben wurde und welche Grundannahmen Sie getroffen haben. Gleiches gilt für die Frage, welche Datensätze Sie warum verworfen oder „bereinigt” haben.
Video: YouTube / Excelpedia
Große Datenmengen beherrschen: Mit Data Mining und Smart-Data-Verfahren
Oft sind die verfügbaren Daten so umfangreich, dass herkömmliche Analyseverfahren an ihre Grenzen stoßen. Man spricht dann auch von „Big Data”. In einer riesigen Menge an Daten Wichtiges von Unwichtigem zu trennen und überhaupt zu entscheiden, welche Daten für Ihr Vorhaben von Bedeutung sind, kann ab einer gewissen Datenmenge schwierig bis unmöglich sein.
An dieser Stelle kommen häufig Verfahren der künstlichen Intelligenz zum Einsatz. Sie sind in der Lage, selbständig in riesigen Datensätzen Muster zu erkennen und hieraus Empfehlungen abzuleiten. Auch Data-Mining-Verfahren laufen in mehreren Schritten ab, die jedoch großteils automatisiert sind und bestenfalls vom Menschen überprüft und im Ergebnis korrigiert werden. Je nach Ergebnis können und müssen einzelne Phasen hierbei auch wiederholt werden:
Datenselektion: Zunächst einmal werden aus der riesigen Datenmenge an Rohdaten diejenigen gefiltert, die für die Analyse relevant sind. Vorverarbeitung: Diese Zieldaten werden einer Vorverarbeitung unterzogen, um sie später sinnvoll analysieren zu können. Transformation: Am Ende dieses Schritts stehen transformierte Daten bereit und die eigentliche Analyse kann beginnen. Data Mining: Die Daten werden dem eigentlichen „Datenschürfen” unterzogen, um bedeutsame Muster und Strukturen zu erkennen. Interpretation und Auswertung: Anhand der gefundenen Muster werden automatische Auswertungen erstellt, die gegebenenfalls händisch korrigiert und aufbereitet werden.
An anderer Stelle in unserem Magazin haben wir Ihnen weitere Informationen zu wichtigen Data-Mining-Tools, zu Smart-Data-Verfahren und zur Bedeutung von Big Data für die moderne Industrie zusammengestellt.
Datenanalyse als Basis für digitale Optimierungsprozesse
Ob durch statistische Methoden, Big Data-Algorithmen oder vorausschauende Analysen: Daten sind eine mächtige Quelle der Erkenntnis und wesentliche Grundlage für die richtigen geschäftlichen Entscheidungen. Wer seine Zielgruppe(n) und deren Bedürfnisse kennt, steigert nicht nur die Kundenzufriedenheit, sondern auch seine Gewinn- und Wettbewerbschancen. Datenanalysen liefern die notwendigen Informationen, um die digitale Performance gezielt zu optimieren. Nur jedes zweite Unternehmen gibt jedoch bislang an, einen unmittelbaren Mehrwert aus dem sogenannten Digital Analytics & Optimization-Prozess (DAO) zu generieren.
Viele digitale Angebote weiterhin ohne Analyse und klare Ausrichtung
Laut der Studie sprechen 96 Prozent aller Unternehmen mit mindestens 20 Beschäftigten ihre Kunden digital an. Berührungspunkte schaffen sie in erster Linie über eine eigene Website (87 Prozent) sowie Newsletter und Mailings (58 Prozent). Knapp die Hälfte bietet Online-Shops oder einen digitalen Kundenservice. Oft werden diese Kanäle aber nicht gezielt angesteuert und aufbereitet. Nur knapp die Hälfte aller Unternehmen greift auf Web-Analytics zurück, 12 Prozent nutzen DAO-Tools für ihre Social-Media-Kanäle und gerade mal 5 Prozent setzen sich analytisch mit der Personalisierung und Segmentierung ihrer digitalen Angebote auseinander.
Vor allem kleinere Unternehmen haben Nachholbedarf
Der Umgang mit Datenanalyse-Tools variiert je nach Geschäftsgröße. Vor allem kleinere Betriebe verpassen die Chance, mehr über ihre Kunden zu erfahren und das zusätzliche Potenzial auszuschöpfen. Strategische Optimierung ist bei vielen kleineren Unternehmen Mangelware. Anders ist es bei größeren Unternehmen mit mindestens 500 Beschäftigten: Hier verzichtet keiner der Befragten auf Analysen der digitalen Touchpoints. Ganze 69 Prozent nutzen die Datenanalyse um Produkte und Dienstleistungen zu verbessern.
Offensichtliche Vorteile: wer investiert, profitiert
Diejenigen, die DAO-Tools bereits strategisch einsetzen, profitieren schnell von den Vorteilen, sind flexibel und können auf individuelle Kundenbedürfnisse reagieren. Zudem setzen davon etwa 50 Prozent Marketing- und Vertriebskampagnen zielgerichteter oder identifizieren neue Kundengruppen. Wer dieses Potenzial erkannt hat, ist auch bereit, mehr zu investieren: Viele Nutzer, die bereits gute Erfahrungen mit DAO gemacht hatten, haben ihre Aufwendungen für Digital Analytics & Optimization im Jahr 2017 erhöht. So steigt das Risiko, dass kleine Unternehmen bei der Optimierung ihrer Digital-Strategie weiter abgehängt werden.
Ungenutzte Potenziale
Um die Situation der digitalen Kundenbeziehung besser einordnen zu können, entwickelte Bitkom den Digital Analytics & Optimization Maturity Index (DAOMI). Nach diesem Reifegradmodell liegt das gesamtwirtschaftliche Ergebnis aktuell bei 26 auf einer Skala von 0 bis 100. Das heißt konkret: im Schnitt schöpfen Unternehmen erst ein Viertel der maximalen Möglichkeiten durch Datenanalysen aus. Bei der Optimierung ihrer digitalen Kundenbeziehung verschenken sie so viel Potenzial und haben Aufholbedarf.
Wie und welchem Umfang nutzen Sie Analyse-Tools zur Verbesserung ihrer digitalen Kundenbeziehung? Reichen Ihnen klassische Auswertungsverfahren aus oder setzen Sie inzwischen gezielt auf Data Mining? Wir sind gespannt auf Ihren Kommentar.