E-Book, Deutsch, 82 Seiten
E-Book, Deutsch, 82 Seiten
ISBN: 978-3-96095-989-2
Verlag: Studylab
Format: PDF
Kopierschutz: Kein
Inwiefern unterscheidet sich das Data Driven Marketing von anderen Methoden? Wie können verschiedene Zielgruppen optimal angesprochen werden? Und welche datenschutzrechtlichen Einschränkungen gibt es?
Philipp Becker zeigt in seiner Publikation Möglichkeiten auf, künstliche Intelligenz und personalisiertes Marketing im E-Commerce optimal zu nutzen. Auch unternehmensinterne Probleme und ethische Bedenken lässt der Autor in seiner Betrachtung nicht außer Acht. Dies ermöglicht einen facettenreichen Überblick über das E-Commerce der Zukunft.
Aus dem Inhalt:
- E-Commerce;
- Digitalisierung;
- Marketing;
- künstliche Intelligenz;
- Kundenorientierung
Autoren/Hrsg.
Weitere Infos & Material
4 Lösungsansätze
In diesem Kapitel werden unterschiedliche Lösungsansätze aufgezeigt, um unternehmensinterne Probleme zu reduzieren oder gar zu vermeiden. 4.1 Skalierung des Geschäfts durch methodisches Vorgehen im Data Driven Marketing
„Das datengetriebene Marketing lässt sich in einem fünf Phasen umfassenden Prozess abbilden: 1. Collect (= Daten sammeln) 2. Understand (= die gesammelten Daten verstehen) 3. Decide (= fundierte Entscheidungen treffen) 4. Automate (= Automatisierung des Prozesses) 5. Execute (= Ausführung des Prozesses)“ (Rashedi 2020: 5) Bereits vor Beginn des Prozesses müssen klare Ziele definiert werden. An dieser Stelle ist zu beachten, dass man keine Hundert-Prozent-Lösung voraussetzen sollte, da sich die Voraussetzungen und die Wettbewerbssituation zu rapide in zu kurzen Zeitspannen ändert. Vielmehr sollte nach dem Pareto Prinzip (80-zu-20 Regel) verfahren werden. Diese Methode besagt, dass 80 Prozent der Ergebnisse mit lediglich 20 Prozent des gesamten Aufwandes zu erreichen sind. Sollen die noch ausstehenden 20 Prozent des Gesamtergebnisses erzielt werden, ist dafür ein unverhältnismäßig hoher Aufwand notwendig. Vorerst sollte ein Überblick über die Gesamtlage geschaffen werden und im Anschluss auf dieser Grundlage können realistische „80-Prozent-Ziele“ gesetzt werden. Die erste Phase „Collect“ bezieht sich auf das Beschaffen von Daten. Um Daten zu sammeln muss identifiziert werden, an welchen Touchpoints wichtige Daten vorliegen. Die nachstehenden Fragen erleichtern es Unternehmen, diese Punkte aufzudecken (vgl. Rashedi 2020: 5-6): · Wo sind die Touchpoints, bei dem direkter Kundenkontakt stattfindet? · Welche Informationen erhält man an diesen Touchpoints? · Was sind zusätzliche Quellen, um Kundendaten zu erhalten? · Was für Daten sind relevant und wie lassen sich diese beschaffen? Mögliche Touchpoints können z.B. die Internetseite, der Webshop oder die Social-Media-Auftritte eines Unternehmens sein. Weitere potenzielle Kontaktpunkte sind online ausgelieferte Anzeigen oder E-Mails. In Anbetracht der digitalen Transformation sind auch Daten, welche in Zusammenhang mit einer Produktnutzung generiert werden, zu beachten. Abgesehen von der Leadgenerierung zählen zu dem Schritt „Collect“ die Sicherung der wesentlichen Daten, wie auch deren Aufbereitung zur weiteren Verarbeitung. Ziel der zweiten Phase „Understand“ ist es, die aufbereiteten Daten zu verstehen. Der Schritt „Verstehen“ lässt sich in diesem Zusammenhang von zwei Blickwinkeln betrachten. Auf der einen Seite muss begriffen werden, wie die Daten zustandekommen und auf der anderen Seite muss die Bedeutung der Daten im entsprechenden Zusammenhang begriffen werden. Darüber hinaus steht das Verstehen auch im Zusammenhang mit Analysen, sowie deren Ergebnissen und Auswertungen. Letztendlich müssen die Analyseergebnisse verstanden werden, z.B. was genau eine Kennzahlt bedeutet (vgl. Rashedi 2020: 5-7). Elementare Fragen für den Schritt „Understand“ sind: · Wie kommen die Daten zustande? · Was für Schlüsse lassen sich aus den gesammelten Daten ziehen? · Welche Erkenntnisse fehlen noch? In der Praxis besteht häufig das Problem, dass die inhaltliche Bedeutung von Daten unklar ist. Oftmals können Beteiligte oder Ansprechpartner auf triviale Fragen, die jedoch von wesentlicher Bedeutung sind, nicht antworten, wie z.B. ob die aufgezeigten Umsätze mit oder ohne Umsatzsteuer sind oder ob Rücksendungen miteingerechnet wurden oder nicht. Die Herausforderung im Unternehmen besteht darin, ein einheitliches Verständnis bezüglich der wichtigsten Zahlen und Metriken zu schaffen. Falls dies nicht gelingt, werden Analyseergebnisse und relevante Zahlen unterschiedlich gedeutet. In der dritten Phase „Decide“ sollten durchdachte Entscheidungen getroffen werden, welche auf der Grundlage der generierten und ausgewerteten Daten basieren. Die Entscheidungen können von einem Menschen oder von einem Algorithmus getätigt werden. Bei Entscheidungen, die von Menschen getroffen werden, ist eine präzise Datenvisualisierung der wesentlichen Informationen eine große Hilfe für die Entscheidungsfindung. In der vierten Phase ist der Schritt „Automate“ enthalten. In dieser Vorgehensweise bezieht sich der Schritt Automatisierung auf das Sammeln, Verarbeiten und Visualisieren der Daten. Demnach sollen einst händisch durchgeführte Arbeiten automatisiert erfolgen, wie z.B. der Abruf eines automatisch erzeugten Reportings. In der letzten Phase „Execute“ erfolgt die operative Umsetzung. In diesem Abschnitt erfolgt eine Rekursion der Phasen „Understand“, „Decide“ und „Automate“. Die hieraus entstandenen Erkenntnisse sollten im Unternehmen klar kommuniziert werden. Letztendlich lässt sich sagen, dass für die Etablierung von Data-Driven Marketing im Unternehmen die Bereitschaft, Entscheidungen auf Grundlage von Daten zu tätigen, eine unerlässliche Voraussetzung ist. Darüber hinaus ist eine gelungene Kommunikation von großer Bedeutung, um ein einheitliches Verständnis für Daten zu schaffen. Ein falsches Verständnis der Daten in der Phase „Understand“ kann Folgefehler in der Erhebung und Auswertung verursachen. Besonders zielführend ist es für Unternehmen, schnelle Erfolge zu realisieren und auf bereits vorhandene Tools und Features zurückzugreifen (vgl. Rashedi 2020: 6-9). 4.2 Optimierung der Datenqualität im Unternehmen
In diesem Abschnitt soll aufgezeigt werden, wie Unternehmen ihre Kundendaten bei der Datenerhebung optimieren können und Qualitätsmängel erkennen. 4.2.1 Methoden zur Optimierung der Qualität von Kundendaten
Für Unternehmen gibt es zahlreiche Optionen, Kundendaten zu sammeln. Klassische Beispiele sind der Checkout-Prozess beim Online Shopping oder das Anlegen eines Kundenkontos. Bei den zuvor genannten Beispielen sind die Aussichten hochqualitative Kundendaten zu generieren, besonders hoch. Schließlich ist nur dem Kunden selbst bewusst, welche Informationen richtig sind. Aus diesem Grund muss der Nutzer exakt an dieser Stelle dazu animiert werden, vollständige und korrekte Informationen zu hinterlegen. In der Realität erfüllen die Kundendaten jedoch häufig nicht den Anspruch an eine hohe Datenqualität. User geben oftmals falsche Informationen an, da Sie die Felder falsch interpretieren, nicht wahrnehmen oder sich bei der Eingabe vertippen. Eine übersichtliche Benutzeroberfläche und aussagekräftige Formulierungen der verlangten Information helfen dem User bei der richtigen Überlieferung der Information. Durch Autovervollständigung kann die Anzahl der Tipp- und Rechtschreibfehler reduziert werden. Des Weiteren besteht die Option Pflichtfelder zu verwenden, um zu vermeiden, dass Kunden die Eingabefelder überlesen. Darüber hinaus bieten Integritätsregeln eine gute Möglichkeit, Fehleingaben zu verhindern. Integritätsregeln grenzen den gültigen Wertebereich einer Eingabe auf sinnvolle Werte ein. Zum Beispiel könnte man definieren, dass ein Geburtsjahr nicht vor 1900 sein darf. Falls die Eingabe des Nutzers die Integritätsregel nicht erfüllt, wird der eingegebene Wert nicht akzeptiert. Der User erhält eine Fehlermeldung und kann den Prozess erst fortsetzten, nachdem er die falsche Eingabe berichtigt hat. Vom Nutzer unbewusst getätigte Falschangaben können somit vermieden werden. Jedoch gibt es auch Kunden, die sich wissentlich dazu entschließen falsche Angaben zu tätigen. Ursachen hierfür sind z.B. Bequemlichkeit, Zeitmangel oder Datenschutzbedenken (vgl. Abedjan et al. 2015). Ein typisches Verhalten ist z.B. das Bestätigen eines bereits vordefinierten Wertes aufgrund der Zeitersparnis. Häufig möchten Kunden auch persönliche Informationen wie z.B. Ihren Verdienst nicht mitteilen. Darüber hinaus teilen User nur ungern Informationen, wenn nicht begriffen wird, wofür diese benötigt werden. Bei dieser Kundengruppe, die bewusst falsche Informationen angibt sind Pflichtfelder nicht wirksam, um Fehleingaben zu vermeiden. In dieser Situation wäre der schlimmste Fall die Eingabe nicht korrekter Daten, die jedoch plausibel...
