#16 / 2018
10/12

mit datenstrategie-design zum erfolgreichen data-driven marketing

Im folgenden Artikel erfahren Sie, warum Sie eine individuelle Datenstrategie entwickeln sollten, um erfolgreich datengetriebenes Marketing zu betreiben. Außerdem lernen Sie die erprobte Methode des Datenstrategie-Designs kennen, um selbstständig in interdisziplinären Teams individuelle Datenstrategien für Ihr Unternehmen zu entwerfen.

Daten oder Algorithmen?

Erst rollte der Big Data-Hype über das Marketing hinweg. Jetzt folgt der AI-Boom. Doch weder Big Data noch Künstliche Intelligenz schaffen aus Daten Werte für Ihr Marketing. Die Big-Data-Propheten versprachen uns: Wir müssen nur möglichst alle Daten über unsere Kunden sammeln, dann würden wir alles über sie wissen. Doch Sie finden nicht die Nadel im Heuhaufen, indem Sie mehr Heu anhäufen. Ebenso wenig finden Sie die relevante Information über einen Kunden, indem Sie mehr Daten über ihn sammeln. Wenn Sie beispielsweise wissen wollen, ob, wann und wieso ein Kunde demnächst seinen Vertrag bei Ihrem Unternehmen kündigt, dann müssen Sie sich fragen, was die Gründe für die Kündigung sind und wie Sie diese Gründe messen können, also welche Daten Sie erfassen sollten.

Während Big Data den Fokus auf die Daten legt, konzentriert sich die Künstliche Intelligenz auf die Algorithmen. Das Erwachen der KI – nach dem KI-Winter der vergangenen Jahrzehnte – ist dem Deep Learning zu verdanken: Algorithmen, welche vielschichtige, das heißt „tiefe“ neuronale Netzwerke nutzen, um aus vergangenen Daten zu lernen, um damit zum Beispiel die Kündigungswahrscheinlichkeit eines Kunden zu prognostizieren. Doch wie das Beispiel des rassistisch und sexistischen Tay-Bots von Microsoft Research anschaulich zeigte: Eine KI ist nur so schlau wie die Daten, mit der sie trainiert wurde. Das zeigt auch eine Analyse der KI-Erfolge der vergangenen Jahre in Abbildung 1. Die Algorithmen gibt es teils seit Jahrzehnten, doch der Durchbruch beispielsweise in der Bilderkennung gelang erst, als die Daten für das Training verfügbar waren.

Abbildung 1: Wie lange dauert es von der Erfindung eines Algorithmus bzw. von der Erstellung eines Datensatzes bis erfolgreichen Anwendung?

Quelle: https://www.kdnuggets.com/2016/05/datasets-over-algorithms.html 


Richtige Daten und richtiger Algorithmus!

Was ist denn nun wichtiger? Die Daten oder der Algorithmus? Big Data oder KI? Keines von beiden. Entscheidend sind die richtigen Daten und der dazu passende Algorithmus. Wer datengetriebenes Marketing erfolgreich betreiben will, muss sich folglich drei Fragen stellen und beantworten:

  1. Warum möchte ich unsere Daten analysieren? – Weil Sie beispielsweise mögliche Kündigungen vorhersagen möchten, um Ihren Kunden rechtzeitig ein verbessertes Angebot zu machen.
  2. Wie muss ich unsere Daten dafür verarbeiten? – Indem Sie ein Vorhersagemodell entwickeln, welches Ihnen nicht nur die Kündigungswahrscheinlichkeit berechnet, sondern auch die Wahrscheinlichkeit, dass der Kunde auf das Angebot positiv reagiert. Er könnte auch negativ reagieren, indem er – aufgeweckt durch Ihr Angebot – auf die Idee kommt, das Angebot mit denen Ihrer Wettbewerber zu vergleichen.
  3. Was für Daten benötige ich dafür? – Dazu reichen die Vertrags- und Kundendaten aus dem CRM- und ERP-System nicht aus. Sie benötigen außerdem Daten vom ausgelagerten Call-Service-Center und aus der Social Media-Abteilung, Informationen über die Angebote der Wettbewerber, Marktdaten und viele weitere Datenquellen.

Ihr Vorhersagemodell wird umso besser sein, umso mehr Daten Sie in das Modell einfließen lassen. Das „Mehr“ bezieht sich allerdings nicht nur auf „mehr Kunden“, sondern auch auf den Zeitraum. Umso länger Sie in die Vergangenheit blicken können, umso besser wird die Vorhersage der Zukunft sein. Sie müssen sich also langfristig Gedanken machen, welche Daten Sie brauchen, damit Sie heute anfangen können, die richtigen Daten zu sammeln, um Sie morgen entsprechend verwerten zu können.

Datenwissenschaft statt Datenalchemie

Hier zeigt sich übrigens der Unterschied zwischen einem Datenalchemisten und einem Datenwissenschaftler (Data Scientist). Ein Datenalchemist fragt sich: Welche Daten habe ich, um daraus Informationen („Gold“) zu gewinnen? Ein Datenwissenschaftler überlegt sich: welche Daten brauche ich, um die gewünschte Information zu erhalten – und wie komme ich an diese Daten? 

Lukas Vermeer, Data Scientist bei Booking.com, hat den Begriff der „Data Alchemy“ auf seinem gleichnamigen Vortrag auf der Predictive Analytics World Business geprägt und ein eindrucksvolles Beispiel vorgestellt: Um herauszufinden, ob eine Hotelrezension positiv oder negativ ist, kann ich mittels Text Mining eine Sentiment-Analyse durchführen – und ich erhalte trotz hohem Aufwand in vielen Fällen kein eindeutiges Ergebnis. Oder ich kann aus einem Textfeld zwei Eingabefelder für positives und für negatives Feedback machen und so meine Messpunkte auf der Website derart verändern, dass ich genau die Daten erhalte, die ich brauche.

Datenstrategie vor Datenaktionismus

Erfolgreiches datengetriebenes Marketing erfordert demnach eine Datenstrategie: Sie müssen wissen, was Sie mit Ihren Daten machen wollen, damit Sie entscheiden können, welche Daten Sie sammeln sollten. Denn ohne Strategie kommen Sie überall hin – nur nicht dahin, wo Sie hinwollen.

Bestimmt kennen Sie den Satz: „Daten sind das neue Öl.“ Daran ist viel Wahres – und viel Falsches. Ja, Daten treiben Unternehmen an und erhöhen deren Produktivität. Des Weiteren können Sie mit Daten ebenso wenig Ihre Geschäftsprozesse antreiben, wie Sie mit Öl Ihren Diesel- oder Benzinmotor betreiben können. Sie müssen Daten erst zu Informationen verfeinern, bevor sie diese verwerten können. Folglich beschäftigt sich eine Datenstrategie mit den Fragen:

  1. Warum möchte ich die Daten verwerten? 
  2. Wie muss ich die Daten verfeinern?
  3. Was für Datenquellen muss ich dafür erschließen?

Zurück zur Daten-Öl-Analogie: Jede Analogie hat ihren Bruchpunkt. Ein Barrel Öl hat stets (ungefähr) die gleiche Zusammensetzung und daher einen (nahezu) gleichbleibenden (Brenn-)Wert. Der (Informations-)Wert von einem Gigabyte Daten hängt jedoch erstens von der konkreten Zusammensetzung der Daten ab und zweitens von dem jeweiligen Verwertungsziel.

Um aus Ihren Daten Wert für Ihr Unternehmen zu schaffen, benötigen Sie folglich eine individuelle Datenstrategie. Denn sowohl Ihre Unternehmensziele als auch Ihre Unternehmensdaten sind individuell. Für die Entwicklung einer individuellen und erfolgreichen Datenstrategie helfen Ihnen jedoch weder Big Data-Tools noch KI-Technologie. Als Werkzeug benötigen Sie allen voran: Ihren Kopf und den Ihrer Kollegen.

Design Thinking statt Silodenken           

Denn die Entwicklung einer Datenstrategie ist ein interdisziplinäres Projekt: die Fachabteilungen definieren die Verwertungsziele, die Data Scientists konzipieren die Algorithmen zur Verfeinerung der Daten, die IT-Abteilung spezifiziert die verfügbaren Datenquellen zur Erschließung und alles muss zueinander passen. Dabei hat jede Abteilung ihre eigene Fachsprache. Entsprechend schwer fällt oft die Verständigung und die Entwicklung einer gemeinsamen Strategie, die von allen Seiten akzeptiert wird.

Und Akzeptanz ist wichtig, denn es gilt die Formel: Erfolg = Qualität x Akzeptanz. Für die Akzeptanz sind wiederum drei Faktoren entscheidend: 

  • Wertorientierung: Eine Datenstrategie muss ein klares Werteversprechen formulieren, also darlegen, was der Nutzen für die beteiligten Personen ist. 
  • Transparenz: Die betroffenen Fachabteilungen müssen am Entstehungsprozess der Datenstrategie beteiligt werden, damit Sie technische, wirtschaftliche, fachliche und organisatorische Entscheidungen nachvollziehen und mitgestalten können.
  • Verständnis: Sie müssen außerdem die Sachverhalte begreifen, was angesichts der komplexen, multidisziplinären und abstrakten Thematik einer Datenstrategie eine Herausforderung ist.

„Begreifen kommt von Greifen.“ – Dieses Zitat von Maria Montessori findet oft in der Kinderpädagogik Anwendung. Doch es gilt gleichermaßen für Erwachsene. Wer eine komplexe Datenstrategie begreifen will, sollte sie greifbar machen. Indem Sie die Datenstrategie visualisieren, wird sie verständlich. Und indem Sie die Datenstrategie im Team gemeinsam visuell entwerfen, schaffen Sie Transparenz und damit Akzeptanz. Das Visualisierungswerkzeug hierfür nennt sich Datenstrategie-Canvas und ist in Abbildung 3 zu sehen. Die Methode, im Rahmen derer das Werkzeug zum Einsatz kommt, ist das Datenstrategie-Design. Das Datenstrategie-Design orientiert sich dabei am Design Thinking-Ansatz

Es beginnt also mit der Frage: Was ist der Nutzen für den Kunden bzw. den Anwender?

Abbildung 2: Der kostenlose Datenstrategie-Canvas von Datentreiber ermöglicht die Visualisierung von Datenstrategien.


Kreation & Diskussion

Entsprechend fangen Sie an, den Datenstrategie-Canvas auf der rechten Seite zu befüllen, indem Sie das Feld „Verwertung“ mit möglichen Ideen für analytische Lösungen besetzen. Sie können dabei die digitale und kostenlose Version auf der Visual Thinking-Plattform Creatlr verwenden und mit virtuellen Notizzetteln arbeiten oder Sie nutzen ein gedrucktes Poster und beispielsweise Post-its. Eine Druckvorlage als PDF-Datei finden Sie ebenfalls bei Creatlr zum kostenlosen Herunterladen – inklusive Leitfragen, welche Ihnen beim Ausfüllen der Felder helfen. Alternativ können Sie bei Stattys den Datenstrategie Canvas im DIN A0-Format auf synthetischem Papier bestellen. Insbesondere für die Arbeit im Team ist die gedruckte Variante zu empfehlen. Creatlr bietet Ihnen hingegen den Vorteil eines kurzen Tutorials, einer einführenden SlideShare-Präsentation und von exemplarischen Projekten, wie dem Beispiel Kündigungsvorhersage, das Sie im Folgenden kennenlernen.

Unabhängig davon, welche Variante Sie bevorzugen, bestimmen Sie vorher eine Moderatorin oder einen Moderator, welche bzw. welcher die Vorschläge aus dem Team auf die (virtuellen oder physikalischen) Notizzettel notiert und in das Feld „Verwertung“ klebt. Diese Person führt das Team durch den Datenstrategie-Canvas und sorgt dafür, dass das Team die Felder in der richtigen Reihenfolge (1. Verwertung, 2. Verfeinerung, 3. Erschließung, 4. Werkzeuge, 5. Personen und 6. Partner) bearbeiten und dabei für jedes Feld folgende drei Schritte durchführen:

  1. Divergieren: Lassen Sie Ihren Gedanken freien Lauf und sammeln Sie im ersten Schritt Ideen, Vorschläge und Anregungen. Vermeiden Sie Diskussionen, um die Kreativität nicht zu ersticken und schreiben Sie für jede Idee einen eigenen Zettel.
  2. Analysieren: Sobald das Feld voll mit Notizzetteln ist oder Ihrem Team die Ideen ausgehen, starten Sie in die nächste Phase und diskutieren die Ideen, Vorschläge und Anregungen. Klären Sie insbesondere, ob alle Beteiligten das gleiche Begriffsverständnis haben.
  3. Konvergieren: Oftmals gibt es so viele Ideen, dass Sie nicht die Zeit haben, alle Vorschläge weiterzuverfolgen und zu konkretisieren. Gruppieren Sie daher ähnliche Vorschläge, filtern Sie Ideen aus, die keine Unterstützung im Team finden, und priorisieren Sie die Ideen zum Beispiel nach einer Kosten-Nutzen-Schätzung.

In unserem Beispiel (siehe Abbildung 3) hat sich das fiktive Team auf die analytische Lösung der Kündigungsvorhersage und -prävention geeinigt und sich anschließend überlegt, wie die Lösung im Detail funktioniert und welche Datenquellen dafür erforderlich sind. Anhand der Farbe der Notizzettel im Feld „Erschließung“ ist außerdem zu erkennen, dass nicht alle Datenquellen derzeit verfügbar sind (rote Zettel) und es noch Fragen bzgl. der Datenqualität (weiße Zettel) gibt. Hieraus lassen sich direkt die Aufgaben ablesen, welche die Teammitglieder im Anschluss beispielsweise an den Workshop erledigen sollten.

Abbildung 3: Der exemplarische Canvas zeigt die (vereinfachte) Datenstrategie für eine datengetriebene Kündigungsprävention.


Schließlich hat das Team die (Software-)Werkzeuge identifiziert, die für die Umsetzung und den Betrieb der Lösung erforderlich sind. Daraus ergibt sich auch der Bedarf an Fachkräften, welche die Werkzeuge bedienen können, sowie an Partnern, welche Daten, Werkzeuge und Fachkräfte beisteuern. Anhand dieser Informationen kann das Team aus dem Anwendungsfall (Problem & Lösung) direkt den Geschäftsfall (Kosten, Nutzen & Risiko) ableiten.

Rückblick & Ausblick

Mit dem Datenstrategie-Canvas haben Sie ein einfaches aber mächtiges Visualisierungswerkzeug kennengelernt, um eine individuelle und erfolgreiche Datenstrategie für Ihr Unternehmen zu entwickeln. Zahlreiche Unternehmen setzen die Methode des Datenstrategie-Designs bereits für Ihre Datenstrategie ein. Der Datenstrategie-Canvas ist dabei allerdings nur ein Werkzeug aus einem umfangreichen Werkzeugkasten: dem Datenstrategie-Designkit. In diesem kostenlosen Werkzeugkasten finden sich unter anderem Werkzeuge, um Ihre Datenlandschaft zu erkunden, Ihre Kundenkontaktpunkte zu analysieren sowie den analytischen Reifegrad Ihres Unternehmens zu steigern.

In diesem Sinne: Mögen die Daten mit Ihnen sein und viel Erfolg beim Design Ihrer Datenstrategie!



Martin Szugat ist Gründer & Geschäftsführer von Datentreiber, einer Strategieberatung für datengetriebene Geschäftsmodelle, sowie Erfinder des Datenstrategie-Designs.