#6/ 2021
14/17

Methoden der Datenanalyse im Marketing

Diese Vorgehensweisen helfen, Informationen zu strukturieren, gruppieren und korrelieren

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.

Was ist explorative Datenanalyse? 

Bei der explorativen Datenanalyse werden Daten analysiert und bewertet, zu denen es keine oder kaum bekannte Zusammenhänge gibt. Sie bildet somit einen Ansatz, um völlig neue Sachverhalte zu untersuchen und bisher verborgene Strukturen oder Auffälligkeiten zu identifizieren. 

Bei der Methode werden hypothetische Aussagen aufgestellt, um Rückschlüsse auf bestimmte Ursachen ziehen zu können. Ein häufiger Anwendungsfall der explorativen Datenanalyse ist das Data Mining, bei dem riesige Datenmengen zugänglich gemacht und auf mögliche Muster und Zusammenhänge hin untersucht werden. 

Was ist die deskriptive Datenanalyse?

Die deskriptive oder beschreibende Datenanalyse (auch: Descriptive Analytics) nutzt Daten und Informationen aus der Vergangenheit mit Ziel, die Frage „Was ist geschehen?“ zu beantworten. Die Erkenntnisse aus der beschreibenden Datenanalyse helfen ausschließlich dabei, Entscheidungsfragen zu beantworten und absolute Daten aufzuzeigen. 

Beispielsweise können Sie im Marketing Report analysieren, ob Ihre Social-Media-Abonnierende gestiegen sind oder Ihre Webseite regelmäßigen organischen Traffic einfährt. Kausale Zusammenhänge hingegen werden mit Descriptive Analytics nicht beantwortet. Eine Kombination mit anderen Datenanalysen kann deshalb gewinnbringend sein, um zusätzlich herauszufinden, warum bestimmte Ereignisse eingetreten sind. 

Was ist die diagnostische Datenanalyse?

Die diagnostische Datenanalyse (auch: Diagnostic Analytics) versucht, wie es der Name bereits verrät, eine Diagnose für bestimmte Sachverhalte zu stellen. Mit anderen Worten soll herausgefunden werden, warum ein bestimmtes Ereignis eingetreten ist. Dazu werden Daten aus der Vergangenheit umfassend analysiert und in Zusammenhang gebracht. 

Durch diese Ursachenforschung und Mustererkennung soll die Frage geklärt werden, warum etwas eingetreten ist. So könnten Sie etwa herausfinden, warum die Zahl Ihrer Social-Media-Follower stagniert. Denkbar sind hier als mögliche Auslöser beispielsweise unregelmäßige Postings oder Inhalte, die nicht auf die Zielgruppe zugeschnitten sind. 

Was ist die prädiktive Datenanalyse? 

Die prädiktive Datenanalyse (auch: Predictive Analytics) beschäftigt sich mit Vorhersagen über Sachverhalte in der Zukunft. Dafür verwendet die prädiktive Analyse Ergebnisse der explorativen, deskriptiven und diagnostischen Auswertung. Häufig finden auch algorithmische Prozeduren auf Basis künstlicher Intelligenz Anwendung. 

Die Zusammenhänge geben Anhaltspunkte dafür, zukünftige Prognosen und Trends vorherzusagen. Es kann beispielsweise analysiert werden, wie die Kundschaft auf ein neues Produkt reagieren wird. Dazu werden Daten vorheriger Produkteinführungen ausgewertet und miteinander verglichen. Wie genau die Prognose der Predictive Analytics ist, hängt immer davon ab, wie viele Daten bisheriger, vergleichbarer Situationen vorliegen. 

Was ist die präskriptive Datenanalyse?

Die präskriptive oder verordnende Datenanalyse (auch: Prescriptive Analytics) verwendet interne und externe Daten. Ebenso werden vergangene und aktuelle Informationen in die Auswertung miteinbezogen. Diese Form der Datenanalyse wird angewendet, um zukünftige Maßnahmen und Prozesse zu bestimmten. Sie können mithilfe von Prescriptive Analytics beispielsweise untersuchen, welche Optimierungen für eine Steigerung Ihres Webseiten-Traffics sorgen würden. 

Eingesetzt werden dazu vor allem KI-gestützte Systeme und Simulationen. Somit ist die präskriptive Datenanalyse für Unternehmen eine sehr aufwendige Methode und sollte nur bei entsprechenden Ressourcen genutzt werden. 

Verfahren im Marketing: Multivariate Datenanalyse, Kohortenanalyse und Churn-Analyse

Im Marketing sind Datenanalysen mit der zunehmenden Digitalisierung unerlässlich geworden. Mithilfe von Einzeldaten können wertvolle Verknüpfungen hergestellt werden und so Rückschlüsse auf die Performance von Kampagnen, der eigenen Webseite oder auch der Social-Media-Strategie gezogen werden. Dabei haben sich neben den klassischen Methoden der Datenanalyse weitere Vorgehen entwickelt, die speziell auf das Marketing zugeschnitten sind. Beispiele dafür sind: 

Multivariate Datenanalysen: 

Die multivariate Datenanalyse ist vergleichbar mit dem A/B-Testing. Im Unterschied zu A/B-Tests findet das Verfahren jedoch Anwendung, sobald mindestens drei verschiedene Parameter betrachtet werden. Ziel ist es, Zusammenhänge in den Daten zu erkennen und Optimierungen zu planen. 

Im Marketing wird die multivariate Datenanalyse vor allem für Usability-Analysen von Webseiten genutzt. Alle Daten, die ein Webseitenbesucher oder eine Webseitenbesucherin während des Surfens hinterlässt, können für die Auswertung betrachtet werden – dazu zählen beispielsweise die Verweildauer, die Bounce Rate und das Scrollverhalten. 

Kohortenanalyse: 

Die Kohortenanalyse bezeichnet eine Auswertung verschiedener Kundengruppen. Dabei werden Personen, die ähnliche Aktionen zu ähnlichen Zeitpunkten durchgeführt haben, in sogenannte Kohorten gruppiert. Diese Art der Kundenanalyse kann beispielsweise dabei helfen, den Kundenlebenszyklus zu verstehen und daraus Optimierungsmaßnahmen abzuleiten. So kann beispielsweise untersucht werden, in welchen Abständen eine Kohorte einen erneuten Kauf tätigt. 

Churn-Analyse:

Vor allem in Abo-basierten SaaS-Unternehmen ist die Churn-Analyse eine wichtige Methode, um die Abwanderungsrate der Kundschaft auszuwerten. Es werden Faktoren analysiert, die die Kundschaft dazu veranlassen, beispielsweise ein Abonnement zu kündigen. Gründe können beispielsweise Mängel an Produkten, eine schlechte Qualität des Kundenservices oder Image-schädigende Inhalte sein. 

Verlorene Kunden und Kundinnen haben selbstverständlich eine enorme Auswirkung auf den zu erwartenden Umsatz, weshalb Unternehmen mithilfe der Churn-Analyse versuchen, die Abwanderungsrate möglichst gering zu halten. 

ABC-Analyse: 

Bei der ABC-Analyse werden Kunden und Kundinnen entsprechend ihres Wertes für das Unternehmen unterteilt. Diese Einteilung ist besonders sinnvoll, um Maßnahmen ressourcenschonend und kundenorientiert umzusetzen. 

Die ABC-Analyse ist dabei an das Pareto-Prinzip angelehnt. Demzufolge sind 20 Prozent der Kundschaft für 80 Prozent des Umsatzes verantwortlich. Diese 20 Prozent ausfindig zu machen und entsprechende Lösungen exakt auf sie zuzuschneiden, ist das Ziel der ABC-Analyse. 

Fazit: Wertvolle Erkenntnisse durch Datenanalyse

Mit der statistischen Datenanalyse lassen sich vergangene sowie zukünftige Entwicklungen und Zusammenhänge verstehen und antizipieren. Die Informationen haben direkten Einfluss auf unternehmerische Entscheidungen und die Festlegung von Maßnahmen. Gerade im Online-Marketing helfen die verschiedenen Methoden dabei, das Geschäftsmodell stets zu hinterfragen und Optimierungspotenziale aufzudecken.

Der Autor

Frank Steiner ist HubSpots erster deutschsprachiger Inbound Consultant für den DACH-Markt. In seiner Funktion berät und unterstützt er HubSpots Premier-Service-Kunden bei der Einführung der Inbound-Methodik sowie bei der Nutzung und Integration der CRM-Plattform von HubSpot in ihr tägliches operatives Geschäft. Als leidenschaftlicher Inbound-Marketer ist er seit seiner ersten Implementierung als HubSpot-Kunde ein überzeugter Fan.