Data Science und Marketing-Analyse verständlich erklärt

Veröffentlicht am 16.10.2019 von Chris Warnock und Ines Bahr

Artikel teilen

Data Science und Marketing Analyse
LinkedIn, Glassdoor und Harvard Business Review sind sich einig: Data Scientist ist zurzeit der begehrteste und attraktivste Job mit glänzenden Berufsaussichten. Das durchschnittliche Jahresgehalt liegt in Deutschland bei 54.000 EUR brutto, in den USA sogar bei 130.000 USD. Überall, wo Daten anfallen und Marketing-Analyse betrieben wird, sind die Datenwissenschaftler*innen gefragt. Einer Gartner-Umfrage zufolge (für Kunden auf Englisch einsehbar) macht die Marketing-Analyse mittlerweile mit 9,2 % den größten Anteil des Marketingbudgets aus und der Bedarf an den hochqualifizierten Analytiker*innen steigt weiterhin.

Bereits ein Jahr zuvor fand Gartner mit der Marktforschung 2018 Hype Cycle for Data Science and Machine Learning (für Kunden auf Englisch einsehbar) heraus, dass 77 % der leitenden Manager*innen der Meinung waren, dass Data Science einen signifikanten Mehrwert liefere und essenziell für den Erfolg ihrer Unternehmen sei.

Die Nachfrage nach Data Scientists ist hoch, denn „fast jede Branche durchläuft zur Zeit eine digitale Transformation“ und diese Daten müssen ausgelesen werden. Jedoch fehlen den Datenwissenschaftler*innen noch häufig die von Unternehmen benötigten Kenntnisse und jüngste Forschungen zeigen, dass in den letzten fünf Jahren die Ergebnisse der Marketing-Analyse nicht den gewünschten Erwartungen entsprachen.

Wie sinnvoll ist es also, Data Scientists (die es nicht ausreichend gibt) einzustellen und trotz sinkender Leistung in die Marketing-Analyse zu investieren?

Sehr!

Um dieses Paradoxon zu erklären, müssen wir uns zunächst mit drei Fragen näher befassen.

1. Was macht eigentlich ein Data Scientist?

IT-Talents beschreibt das Aufgabenfeld von Data Scientists und den Weg dahin. Gartner (für Kunden auf Englisch einsehbar) hat für eine bessere Übersicht die Hauptaufgaben im Bereich Marketing noch genauer heruntergebrochen:

  • Messen: Die Auswirkungen von Marketingbestrebungen und Werbekampagnen bestimmen
  • Optimieren: Strategiewechsel oder Änderungen in der Ausgabenplanung empfehlen, um bessere Ergebnisse zu erreichen
  • Experimentieren: Tests entwickeln und durchführen, um Ursachen einzugrenzen
  • Segmentieren: Gruppen und Untergruppen von Bestands- und potenziellen Neukunden identifizieren
  • Prognosemodellierung: Computermodelle entwickeln, um Antwortquoten zu verbessern
  • Kommunizieren: Durch Datenanalysen erhaltene Ergebnisse kommunizieren, um so bessere Geschäftsentscheidungen zu erzielen

Diese Aufschlüsselung ist eine gute Unterstützung bei der Ausschreibung und Besetzung einer offenen Stelle als Datenwissenschaftler*in. Wie Silicon erläutert, kann Marketing Analytics für einen klaren Wettbewerbsvorteil sorgen und schlechte Entscheidungen auf ein Minimum reduzieren, wenn die Möglichkeiten ausgeschöpft werden. Jedoch hat oberflächliches Wissen über die genaue Tätigkeit von Datenwissenschaftler*innen in Kombination mit der Tatsache, dass Analyse-Kenntnisse in vielen Funktionen (nicht nur im Marketing) eine zwingende Voraussetzung sind, dazu geführt, dass viele Positionen durch Personen mit mangelnder Kenntnis und Erfahrung besetzt werden.

Auf lange Sicht mag diese behelfsmäßige Lösung sogar funktionieren: Angestellte mit unzureichenden Qualifikationen werden mit der Zeit und der Erfahrung, die sie im Beruf sammeln, zu Expert*innen. Forbes ist sogar der Meinung, dass es im Jahre 2029 gar keine Data Scientists nach dem heutigen Verständnis mehr geben wird. Stattdessen wandelt sich der Beruf: Das Fachwissen wird in die Bereiche Kommunikation, Domänenwissen und Unternehmensstrategie einfließen und zu einer unverzichtbaren Voraussetzung in allen Abteilungen werden.

Kurzfristig wird dies jedoch zu Problemen führen, da Mitarbeiter*innen ohne Data Science- und Analysewissen entsprechende Stellen besetzen und unweigerlich Fehler machen bzw. die Erwartungen ihrer Arbeitgeber*innen nicht erfüllen werden. Beim erfolgreichen Einstellen von Datenwissenschaftler*innen und Analytiker*innen ist es daher unabdingbar, dass beide Parteien die Jobanforderungen verstehen und ein Unternehmen bereit und in der Lage ist, neue Mitarbeiter*innen in das Feld einzuarbeiten.

2. Wovon hängt der Erfolg von Marketing-Analyse ab?

Eine gute Marketing-Analyse ist nur mithilfe von sauberen und zuverlässigen Daten möglich. Harvard Business Review zufolge wird die Situation nicht nur durch den Mangel an erfahrenen Data Scientists, sondern auch durch chaotische und undurchsichtige Datenberge verschärft. Schlecht organisierte Datenmengen eignen sich nicht für die Datengewinnung, sodass die Bemühungen der Marketing-Analyse weit hinter ihren Möglichkeiten zurückbleiben.

Die meisten Unternehmen sammeln Daten über verschiedene Abteilungen hinweg und setzen dabei verschiedene Systeme und Variablen ein. Das macht es schwierig, alle Daten zusammenzubringen und in ihrer Gesamtheit zu analysieren. Probleme lassen sich aber vermeiden, indem man von Anfang an akzeptiert, dass weniger manchmal mehr ist. Idealerweise sollten Unternehmen daher noch vor dem Sammeln eine Strategie festlegen und entscheiden, welche Daten für die Erfolgsanalyse nötig sind. So wird der zeitaufwendige Vorgang der nachträglichen Standardisierung umgangen.

Bei diesen Überlegungen hilft es, eine Darstellung sämtlicher möglicher Berührungspunkte des Kunden mit dem Unternehmen anzufertigen, da Einkäufe meist nicht geradlinig verlaufen. Erhebt man dann Daten bei jedem Kundenkontakt, hat die Marketing-Analyse den erforderlichen Kontext, um eine informierte Unternehmensstrategie zu entwerfen.

3. Wie ist Marketing Analytics-Software einsetzbar?

Eine große Auswahl kann erschlagend wirken – und genauso ist es auch bei Marketing-Analysesoftware. Anstatt eine unendliche Anzahl an Plattformen zu vergleichen, raten wir daher, sich für ein Tool zu entscheiden, das alle Anforderungsbereiche eines Marketing-Data-Scientists abdeckt (auch wenn noch niemand eingestellt wurde).

Folgende Fragen können dabei helfen zu evaluieren, welche Softwarelösungen über die richtigen Funktionen für dein Unternehmen verfügen:

  • Messen: Welchen Metriken nutzt das Unternehmen, um den Erfolg einer Marketing-Kampagne zu messen (z. B. Klickrate, Bounce Rate oder Seitenaufrufe)? Erlaubt das Marketing-Analytics-Tool, diese Erfolgskriterien zu verfolgen?
  • Optimieren: Ein Data Scientist oder Analyst ist dafür verantwortlich, Änderungen für die Marketingstrategie zu empfehlen. Die Software sollte jedoch Funktionen für Messungen, Experimente und Prognosemodellierungen bereitstellen, um diesen Vorgang zu unterstützen. Wenn es voraussichtlich schwierig ist, eine*n Datenwissenschaftler*in in Vollzeit zu finden, sollte man die Softwareanbieter fragen, ob Augmented Analytics unterstützt wird. Diese neue Technologie analysiert und interpretiert die Daten automatisch und wird von Gartner als Zukunftstrend
  • Experimentieren: Bietet die Marketing-Plattform AB-Tests an, um sicherzustellen, dass in die beste Version einer Kampagne investiert wird? Ermöglicht mir die Lösung, alle Kampagnentypen zu testen, die mein Unternehmen durchführen wird (z. B. E-Mails, Landing Pages, Calls-To-Action)?
  • Segmentieren: Hilft das Marketing-Analytics-Tool, eine Zielpublikum-Segmentierung zur Verbesserung des Return on Investment (ROI) der Kampagnen festzulegen? Wie werden Zielgruppensegmente angelegt und gepflegt? Bietet die Plattform dynamische Listen, die auf Grundlage vordefinierter Regeln aktualisiert werden können, wenn sich die Daten möglicher Kunden ändern?
  • Prognosemodellierung: Bietet die Plattform eine Prognosemodellierung, sodass das Unternehmen Kontakte priorisieren kann, die mit hoher Wahrscheinlichkeit von potenziellen Kunden zu tatsächlichen Kunden konvertiert werden? Setzt die Software Predictive Marketing ein, das Nutzer*innen personalisierte Erfahrungen (z. B. Inhalte, Angebote, Preise) bietet, um die Konversionsrate zu erhöhen?
  • Kommunizieren: Enthält die Software Funktionen für die Datenvisualisierung und Berichterstattung, um auch weniger technisch versierten Stakeholdern eine Strategie näherbringen zu können? Werden Berichte und Dashboards automatisch erstellt oder müssen sie manuell konfiguriert werden?

Ähnlich wie bei der Datenmenge ist auch in diesem Fall mehr nicht unbedingt besser. Die Fragen oben helfen bei der Auswahl der Software-Funktionen, die für den konkreten Geschäftsbedarf am sinnvollsten sind. Wenn es zudem gelingt, einen qualifizierten (oder zumindest einigermaßen qualifizierten) Data Scientist einzustellen, sollten auch die Erfahrungen und Vorlieben dieser Person in die Entscheidung für eine Software einfließen.

Marketing-Analysesoftware vergleichen

Letztendlich sollte es das Ziel sein, eine einheitliche Marketing-Analyse-Plattform einzusetzen und eine saubere Datenbank zu nutzen, die für die Analyse optimiert wurde. Wenn du Marketing-Analysen mithilfe von Software erstellen möchtest, nutze das Software-Vergleichstool von GetApp, um die richtige Marketing-Analysesoftware für deinen Bedarf zu finden.

Software Vergleichstool

Das Software-Vergleichstool von GetApp zeigt u. a. Produktdetails wie Plattform-Support, typische Verbraucher, Kundenservice, Screenshots der Software, Nutzerbewertungen, Integrationsmöglichkeiten, Sicherheit und mehr.

 

Artikel teilen


Dieser Artikel kann auf Produkte, Programme oder Dienstleistungen verweisen, die in deiner Region nicht verfügbar sind oder die durch die Gesetze oder Vorschriften des Landes eingeschränkt sein können. Wir empfehlen, sich direkt an den Softwareanbieter zu wenden, um Informationen über die Produktverfügbarkeit und Rechtskonformität zu erhalten.