big data projects

Die sinkenden Kosten für die Datenspeicherung und neue, cloud-basierte Technologien haben die Hemmschwelle für Big Data-Projekte gesenkt. Viele Unternehmen springen auf den Zug mit auf. Sie haben meist ein gemeinsames Ziel: Ein detailliertes Verständnis für die Kunden zu bekommen um besser darauf eingehen zu können, was sie wollen. Für die Optimierung der Customer Experience ist Web Analytics laut einer Studie von Econsultancy aus dem Jahr 2015 die wichtigste Datenquelle.

In diesem Interview erfahren wir von Marion Joffre, Product Manager und Big Data Spezialisten bei AT Internet, mehr darüber. Sie lässt uns teilhaben an den Einsichten über die Herausforderungen bei der Analyse und den Tools, die man für Big Data-Projekte braucht. Außerdem geht sie genauer auf die zentrale Rolle ein, die Digital Analytics im Ökosystem der Daten spielt.

 

Warum sind Digital Analytics Daten so wichtig für Big Data Projekte?

Digital Analytics-Daten sind sehr wichtig für diese Projekte. Erstens weil Digital Analytics-Daten einen detaillierten Blick auf alles erlauben, was ein Kunde auf einer Website oder einer mobilen App tun kann. Damit bekommt man exklusive Daten darüber, wie Besucher eine Site oder App verwenden. Das kann zu extrem detaillierten Erkenntnissen führen. Digital Analytics-Daten bieten einen ultra-genauen Blick auf das Nutzerverhalten und das Browsing – detailliert bis zum einzelnen Visitor. Dabei spiel es keine Rolle, welches Gerät verwendet wird. Alle Informationen stehen durch umfassenden Daten aus den Digital Analytics-Tools zur Verfügung, die wie unsere Analytics Suite auf Sampling verzichten.

Ein weiterer Grund dafür, dass Digital Analytics-Daten so wichtig für Big Data-Projekte sind, ist deren Verlässlichkeit: Digital Analytics-Daten bekommt man durch hochspezifische Berechnungsregeln und die Identifikation von Besuchern, die angemeldet sind. Deshalb sind Digital Analytics-Daten über einen längeren Zeitraum hinweg konsistent. So ist es möglich die User Journey in einem bestimmten Zeitraum über mehrere Geräte hinweg zu verfolgen, sofern sich diese Person angemeldet hat.

Der letzte Grund ist, dass man mit Digtial Analytics-Daten folgende Fragen beantworten kann: Was haben meine Besucher getan, bevor sie eines meiner Produkte gekauft haben? Welcher Content oder welche Kampagnen haben dazu geführt, dass sie den Kaufprozess abgeschlossen haben? Wie oft sind sie auf die Seite zurückgekommen, bevor sie etwas gekauft haben?

 

Kann man ein Data Science-Projekt allein mit Digital Analytics-Daten beginnen?

Ja! Allein die Digital Analytics-Daten bieten ausreichend Material für reichhaltige Analysen im Rahmen eines Big Data-Projekt: Die Customer Journey wie gerade besprochen zusammenfassen, Besucherprofile je nach Engagement erstellen, benutzerdefinierte Attributions-Modelle einsetzen und vieles mehr.

Laut einer Studie von Econsultancy aus dem Jahr 2015, ist Web Analytics die wichtigste Quelle für Daten, mit denen sich die Customer Experience optimieren lässt:

data-customer-experience-optimization

Diese Ergebnisse bekräftigen, dass Digital Analytics eine wichtige Rolle dabei spielt die Customer Journey zu vereinheitlichen und die User Experience zu verbessern.

Aber der Sinn eines Big Data-Projekts geht über die Webanalysedaten hinaus: Verschiedene Tools und Datenquellen sollen verbunden werden um neue Erkenntnisse zu gewinnen, die anders nicht möglich wären.

Ich denke hier vor allem an CRM-Daten, die eine Fundgrube an Informationen sind. Wenn wir CRM-Daten mit Digital Analytics-Daten verbinden, erkennen wir, was vor und nach einer Conversion passiert ist! Mit diesen Daten haben wir endlose Möglichkeiten: Scoring von Kunden und potentiellen Kunden, Segmentierung bis hinunter zur individuellen Ebene, präziseres Targeting und eine bessere Personalisierung.

 

Welche Quellen sollte man für Digital Analytics Daten verwenden?

Man kann während der Arbeit dazulernen. So kann man schnell Anpassungen vornehmen, falls etwas nicht passt. Ein guter Ausgangspunkt ist die Analyse der Visits pro Visitor mit Details zu Quellen, verwendeten Geräten und Aktionen beim Visit. Diese Art von Analysen bietet eine Ansicht, die viele Erkenntnisse liefert.

Sobald die ersten Vermutungen bestätigt wurden, kann man den Ablauf standardisieren. Aber man sollte nicht das Risiko eingehen zu hastig vorzugehen. Eine Studie von Forrester zeigt, dass die meisten Unternehmen nur 12 % der gesammelten Daten nutzen. Deshalb ist es nicht nötig von Anfang an alles abzurufen – man sollte besser Schritt für Schritt vorgehen.

Die Datentypen sind wichtig, aber auch deren Format. Oft ist von Rohdaten die Rede, aber in Digital Analytics sind die Rohdaten einfach die Hits, die von jeder Aktion gesendet und von einer Analyselösung getrackt werden. Zu diesem Zeitpunkt wurden die Hits noch nicht verarbeitet und die Daten noch nicht angereichert – es fehlen zum Beispiel noch Informationen über den Visit, den Visitor, das verwendete Gerät und die Geolocation. Diese Daten können deshalb nicht direkt für Big Data-Projekte genutzt werden, weil wichtige Daten fehlen. Bei dieser Art von Projekt braucht man wirklich sehr detaillierte Daten, die nicht aggregiert wurden, so dass sie rückverarbeitet und mit speziellen Berechnungsregeln genutzt werden können.

 

Gibt es dafür gute Beispiele oder Use Cases?

Wir sehen in allen Branchen, dass die Customer Journey nachvollzogen werden muss. Egal ob im E-Commerce, bei dem man durch eine extrem detaillierte Analyse der Navigation verstehen will, wie es zu einer Conversion kommt, oder in der Medienbranche, in der man den Zusammenhang zwischen verschiedenen genutzten Content-Typen verstehen will.

Das Gleiche trifft auch auf den Finanzsektor zu, bei dem es besonders viele angemeldete Besucher gibt. Das bietet ungeheuerliche Möglichkeiten die Customer Journey über alle möglichen Kanäle (Filialen vor Ort, Call-Center, Mobile Apps, etc.) zusammenzufassen. Damit können wir für ein Finanzprodukt herausfinden, was vor der Conversion passiert ist, auf welchen Kanälen das war und wie häufig der Kontakt war. So lassen sich die Marketingaktionen bei diesem Produkt für potentielle Kunden kontinuierlich verbessern.

 

Welche Fähigkeiten sind wichtig, wenn man diese Daten nutzen will?

Data Scientists sollten in der Theorie ein umfassendes Profil mit einer Reihe von spezifischen Fertigkeiten haben. Technisches Wissen ist notwendig. Dazu kann ein Data Scientist nur dann effektiv arbeiten, wenn sie oder er eine klare Vorstellung von den Herausforderungen des Unternehmens hat. Der Data Scientist sollte auch in der Lage sein sich in seiner Firma Gehör zu verschaffen und intern dafür zu werben.

Er muss anderen dabei helfen zu verstehen, welchen Mehrwert ihre oder seine Rolle bringt. Der Data Scientist sollte in der Lage sein, einfache, klare Möglichkeiten zu finden Phänomene zu erklären, die manchmal sehr komplex sind. Ohne diese Skills ist es schwierig die Daten umfassend zu nutzen. Damit würde ein Projekt wahrscheinlich nicht so profitabel sein, wie es sein könnte.

Dennoch müssen wir bedenken, dass man nicht unbedingt aus dem digitalen Sektor kommen muss, um diese Fähigkeiten zu besitzen. Man muss sich also nicht von Anfang an mit allen Einzelheiten und Berechnungsregeln auskennen, die für Digital Analytics gelten. Die können sehr umfangreich und sehr speziell sein. Ich empfehle deshalb sich Hilfe bei einem Experten zu suchen um sicherzustellen, dass die Qualität und Genauigkeit der verschiedenen Datenerhebungen den Erwartungen entsprechen.

 

Wie können Anbieter für Digital Analytics wie AT Internet Analysten und Data Scientists bei dieser Art von Big Data Projekten helfen?

Im vergangenen Sommer haben wir eine neue API für die Extraktion von Daten (Data Flow) veröffentlicht. Sie wurde genau für diese Art von Projekt entwickelt. Das Tool kombiniert eine vielseitige, flexible API mit einem sehr intuitiven Interface für die Einrichtung des Flow. Damit können unsere Nutzer Datenexport-Flows sehr einfach selbst erstellen und verwalten. Daten können stündlich aus dem System gewonnen werden. Unsere User können also praktisch auf Echtzeit-Basis arbeiten.

Außerdem sind unsere Digital Analytics Consultants echte Spezialisten bei der Verwendung und Integration von Daten. Sie haben viel Erfahrung darin Kunden zu beraten, wie die Digital Analytics-Daten von AT Internet am besten verwendet werden können. Sie stehen ihnen auch zur Seite wenn es darum geht die Daten korrekt zu nutzen.

AT Internet Analytics Suite 2
Autor

Editorial Manager Bernard ist verantwortlich für die Contentstrategie der Marke AT Internet. Er hat fast 10 Jahre Erfahrung bei Marketingtexten und als technischer Redakteur für die Softwareindustrie. Als Textspezialist arbeitet Bernard mit vielen verschiedenen Medien, unter anderem Blogs, White Papers, Interviews, Business Cases, Pressetexte, Infografiken, Videos, etc. Seine Spezialgebiete? Natürlich Marketing und Digitale Analyse!

Comments are closed.