07.07.2022 | Data Science & Big Data

Data Driven Marketing

Wie Data Science effektiveres Marketing ermöglicht
Markus Springer

 

Im digitalen Zeitalter fallen für Unternehmen an allen Ecken Daten an, auch zum Thema Marketing. Da Marketing heutzutage überwiegend online betrieben wird, liegen auf entsprechenden Plattformen, wie beispielweise der eigenen Website oder Social Media Plattformen, eine Fülle von Daten vor. Die Herausforderung ist es, diese sinnvoll aufzubereiten und die richtigen Schlüsse daraus zu ziehen. Data Science kann Marketing dabei unterstützen, die aussagekräftigen Informationen aus den Daten zu ziehen, daraus die richtigen Erkenntnisse abzuleiten und somit Data Driven Marketing betreiben zu können.

Mit Data Science ist es möglich, durch einen großen Werkzeugkasten eine Breite an Problemen und Fragestellungen flexibel anzugehen, welche nicht typischerweise in den Bereich der Business Intelligence fallen. Da aber Vielen die Facetten von Data Science nicht geläufig sind, ist es schwierig, Use Cases zu identifizieren. Braincourt hat ein Verfahren entwickelt, welches bei der Ausarbeitung von datengetriebenen Use Cases in Unternehmen sehr gute Ergebnisse erzielt (lesen Sie dazu auch unseren Fachartikel, der im BI-Spektrum 1/2022 erschienen ist).

In einem konkreten Beispiel möchten wir einer Marketingabteilung helfen, den datengetriebenen Aspekt des Marketings zu intensivieren und damit eine (Arbeits-) Erleichterung und Verbesserung beim Online- und Social Media Marketing erzielen.

Projektbeispiel Data Driven Marketing

Anhand dieses Beispiels werden wir in einer Reihe von Artikeln eine Herangehensweise für ein datengetriebenes Projekt zum Thema Marketing darlegen. In diesem ersten Artikel wird dazu der grobe Ablauf eines Data Science Projektes umrissen und der Status Quo sowie das Ziel unserer eigenen Anwendung beschrieben. Der darauffolgende Artikel ist primär der Schaffung der Datengrundlage gewidmet. Zusätzlich wird die Einführung der automatisierten Befüllung von Exceltabellen und damit der erste Erfolg vorgestellt. Im dritten Artikel wird eine explorative Analyse der angereicherten Daten unternommen. Mit diesen Erkenntnissen wird die weitere Vorgehensweise festgelegt und die Realisierbarkeit verschiedener potenzieller Use-Cases evaluiert. Weitere Artikel sollen die Ausarbeitung dieser Anwendungen beschreiben.

Ablauf eines Data Science Projektes

Ein bekanntes Modell für die Durchführung eines Data Science Projektes ist CRISP-DM, ein iteratives Verfahren, welches in mehreren repetitiven Phasen abläuft. CRISP-DM steht für ‚cross-industry standard process for data mining‘ und hat damit seine Wurzeln im Data Mining, einer Disziplin innerhalb der Data Science, ist aber sehr gut auf die meisten Data Science Projekte übertragbar.

Man beginnt zunächst damit, ein fachliches Verständnis gegenüber dem zugrunde liegenden Thema aufzubauen, was man als ‚Business Understanding‘ versteht. Darauf folgt das ‚Data Understanding‘, in welchem man im Detail den relevanten Datenstand im Lichte des Business Understandings sichtet, analysiert und gegebenenfalls erweitert. Es ist elementar, dass man in Zusammenarbeit mit den verschiedenen Stakeholdern zuerst die fachlichen Aspekte durchleuchtet, sowie konkret die Aufgaben und Probleme ausarbeitet, um damit zu bestimmen, welche Daten benötigt werden (‚Business Understanding before Data Understanding‘).

In den darauffolgenden Schritten werden die Daten in Abhängigkeit vom Use Case dann für ein Data Science Modell gesammelt, auf- und vorbereitet (‚Data Preparation‘), welches im darauffolgenden Schritt dann umgesetzt wird (‚Modeling‘). Die neuen Erkenntnisse werden mit den entsprechenden Stakeholdern wieder evaluiert, kontextualisiert und weitere Schritte besprochen, womit man wieder beim Business Understanding beginnt.

Diese iterative Schleife wird wiederholt, bis ein zufriedenstellendes Ergebnis im Projekt erreicht ist. CRISP-DM ist nicht als starres Konstrukt zu betrachten; der genaue Ablauf der Schritte ist nicht in Stein gemeißelt und es muss deshalb oftmals zwischen Schritten hin- und hergesprungen werden.

Framing the Problem

Die Ausgangssituation in unserem Fallbeispiel war es, dass das Marketingteam gerne mithilfe von Data Science effektiveres Data Driven Marketing betreiben wollte. Die hierfür geplanten Daten stammen aus vielfältigen Quellen, wie beispielsweise Tools wie Google Analytics und Salesviewer, sowie mehreren Social Media Plattformen wie beispielsweise LinkedIn.
Hierzu gibt es mehrere Anfragen mit gewünschten Anwendungen vom Marketingteam uns Data Scientisten gegenüber, deren Realisierbarkeit zuerst explorativer Analysen der bestehenden Daten bedarf.

Da für diese Analysen ohnehin eine Datengrundlage geschaffen werden muss, wurde an dieser Stelle bereits geplant, ein Excel Add-In zur Automatisierung der Befüllung von Exceltabellen zu erstellen. Das manuelle Befüllen von Tabellen mit relevanten Daten aus verschiedenen Quellen ist fehleranfällig und stellt eine monotone und zeitintensive Arbeit dar, weshalb eine Automatisierung naheliegt.

Next Steps auf dem Weg zum Data Driven Marketing

Da die groben Anforderungen definiert wurden und die Quellen der Daten bekannt sind, besteht der nächste Schritt darin, diese in unsere Hände zu bekommen. Im Anschluss soll der Katalog der potenziellen Use Cases im Lichte der vorhandenen Datenbestände evaluiert werden, um darauffolgende Schritte zu identifizieren und eine Roadmap auszuarbeiten. An dieser Stelle soll es dann bereits möglich sein, die erste Anwendung in Form von der Befüllung von Exceltabellen mit grundlegenden Metriken zu automatisieren.

Dieses erste Erfolgserlebnis und die beschriebenen Etappen werden im nächsten Artikel ausführlicher beschrieben.

 

FACHARTIKEL: TEEBEUTEL FÜR TOP-USE-CASES
Lesen Sie im Fachartikel, der im BI-SPEKTRUM 1/2022 erschienen ist, warum Ideen vor Daten Vorrang haben.
Datenschutzhinweis*
 
array(7) { ["post_type"]=> string(4) "post" ["orderby"]=> string(4) "date" ["order"]=> string(4) "DESC" ["posts_per_page"]=> int(-1) ["cat"]=> int(7) ["post_status"]=> string(7) "publish" ["post__not_in"]=> array(1) { [0]=> int(2263) } }

Data Analytics & Python

3 Gründe, warum Ihr Unternehmen sofort Python Skills aufbauen sollte
Mehr Informationen →

Unit-Tests in Data-Science-Projekten

Die 5 W's um erfolgreich mit Unit-Tests zu starten
Mehr Informationen →