Der Marketer als Konsumentenversteher

741 Aufrufe

Veröffentlicht am

Big Data aus Unternehmens- und Konsumentenperspektive

Veröffentlicht in: Marketing
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
741
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
11
Aktionen
Geteilt
0
Downloads
0
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Der Marketer als Konsumentenversteher

  1. 1. Linda Miesler, Dr. oec. HSG linda.miesler@zhaw.ch | @LMiesler Der Marketer als Konsumentenversteher Big Data aus Unternehmens- und Kundenperspektive Armin Ledergerber, MSc ZFH armin.ledergerber@zhaw.ch | @armled
  2. 2. © ZHAW SML IMM Folie 4 Der Marketer als Konsumentenversteher Der vernetzte und gläserne Konsument ist Realität. Wir generieren eine Vielzahl an Daten, oft ohne es uns bewusst zu sein. In Anlehnung an Salkowitz, R. (2014). From Big Data to Smart Data. Zugriff am 04.09.2014 unter http://www.mediaplant.net/report/details/bigdata In Anlehnung an Essig, E. (2014). Interview with Moshe Rappoport. Marketing Review St. Gallen (1/2014), p. 8-11 Privatsphäre und Selbstbestimmung Kontakt- und Transaktion- Historie Kredit- und Identitäts- Informationen Mediennutzungs- verhalten Konversationen in sozialen Medien Nutzungs- und Bewegungsdaten von Smart Devices Such- und Surf- Verhalten Gesundheits- und Fitness-Daten Data in motion Unstrukturierte Daten von Geräten, Sensoren und Social Media Data at rest Strukturierte Daten aus Unternehmens-Quellen Markt und Umfeld
  3. 3. © ZHAW SML IMM Folie 7 Der Marketer als Konsumentenversteher Das transparente Unternehmen mit verfolgbaren Prozessen ist Realität. Unternehmen generieren und sammeln eine Vielzahl an Daten. Schroeck, M., Shockley, R., Smart, J., Romero-Morales, D., & Tufano, P. (2012). Analytics: Big Data in der Praxis. Armonk: IBM Bange, C. & Janoschek, N. (2014). Big Data Analytics: Auf dem Weg zur datengetriebenen Wirtschaft. Würzburg: BARC-Institut Data at rest Strukturierte Daten aus Unternehmens-Quellen Data in motion Unstrukturierte Daten von Geräten, Sensoren und Social Media Markt und Umfeld Transaktionen (z.B. POS-Scans) Protokolldaten (z.B. Sensoren, Log-Files) Ereignisdaten (z.B. RFID-Scans) Dokumente/Texte (z.B. E-Mails, Enterprise Collab) Web-Analyse Soziale Medien Apps Externe Daten-Feeds Geodaten Audio- und Video-Daten
  4. 4. © ZHAW SML IMM Folie 10 Der Marketer als Konsumentenversteher Der technologische Wandel führt zu neuen Herausforderungen im Umgang mit Kunden- und Unternehmensdaten. Wikipedia (2014). Big Data. Zugriff am 08.09.2014 unter http://ldgr.ch/1uszpKt BITKOM (2012). Big Data im Praxiseinsatz – Szenarien, Beispiele, Effekte. Zugriff am 08.09.2014 unter http://ldgr.ch/YsGujI Google Trends (2014). Big Data. Zugriff am 08.09.2014 unter http://ldgr.ch/1qwJfek (Momentane) «Definition» von Big Data Interesse am Thema «Big Data» im Zeitverlauf 0 20 40 60 80 100 2008 2010 2012 2014 » « Big Data bezeichnet Daten-Mengen, die zu gross oder zu komplex sind, oder sich zu schnell ändern, um sie mit händischen und klassischen Methoden der Datenverar- beitung auszuwerten. » « Big Data bezeichnet den Einsatz grosser Datenmengen aus vielfältigen Quellen mit einer hohen Verarbeitungsgeschwin- digkeit zur Erzeugung wirtschaftlichen Nutzens.
  5. 5. © ZHAW SML IMM Folie 11 Der Marketer als Konsumentenversteher Die vier «V’s» charakterisieren den Begriff «Big Data» und stellen die Grundlage zur Erzeugung wirtschaftlichen Nutzens durch Daten dar. In Anlehnung an Rudolph, T. & Linzmajer, M. (2014). Big Data im Handel. Marketing Review St. Gallen (01/2014), S. 12-24 IBM (o.J.) The four V’s of Big Data. Zugriff am 08.09.2014 unter http://ldgr.ch/1tmgcZh Eigenschaften von Big Data und Big Data Analytics Big Data Petabytes Masse (volume) Zettabytes Unstrukturierte Daten Vielfalt (variety) Strukturierte Daten Statische Daten Live-Daten Geschwindigkeit (velocity) Unsichere Daten Sichere Daten Zuverlässigkeit (veracity) Erkennung von neuen Mustern Wissen und Wert generieren
  6. 6. US-Amerikanische Detailhandelskette gilt nach Walmart als zweitgrösster Discount- Einzelhändler in den USA. Target Brands, Inc. © ZHAW SML IMM Folie 14 Der Marketer als Konsumentenversteher Nutzung bestehender Transaktionsdaten zur gezielten Ansprache von schwangeren Kundinnen vor der Geburt. Duhigg, C. (2012). How Companies Learn Your Secrets. Zugriff am 08.09.2014 unter http://ldgr.ch/1oZtEyn Ellenberg, J. (2014). What’s Even Creepier Than Target Guessing That You’re Pregnant?. Zugriff am 08.09..2014 unter http://ldgr.ch/1lRpCgJ Die Geburt eines Kindes ist der Zeitpunkt, bei dem sich habitualisiertes Shopping-Verhalten mit grosser Wahrscheinlichkeit ändert. Target wollte diesen «Trigger» nutzen, um bei Kundinnen, bei denen sich Familien- zuwachs abzeichnet, während der Schwangerschaft als präferierte Detailhandels-Marke zu verankern. “We knew that if we could identify the expectant mothers in their second trimester, there’s a good chance we could capture them for years.” Mit Predictive Analytics haben die Marktforscher von Target Kaufmuster identifiziert, die auf eine Schwangerschaft hindeuten und einen entsprechenden Score errechnet. So lassen sich die schwangeren Kundinnen gezielt mit passenden Direct Mailings angehen. « What’s Even Creepier Than Target Guessing That You’re Pregnant?
  7. 7. © ZHAW SML IMM Folie 15 Der Marketer als Konsumentenversteher Der Erfolg von Netflix’s House of Cards konnte vor dem Start dank umfangreichen Nutzungsdaten abgeschätzt werden. Burkhow, J. (2014). Big Data Analytics and Netflix’s House of Cards. Zugriff am 08.09.2014 unter http://ldgr.ch/1q8Ge4J Lawler, R. (2011). How Netflix Will Use Big Data to Push House of Cards. Zugriff am 08.09.2014 unter http://ldgr.ch/1qxYHGY Netflix ist ein Unternehmen, das sich mit dem Verleih und der Produktion von Filmen beschäftigt und seit 2007 im Video-on- Demand-Geschäft tätig ist. Netflix, Inc. “But it’s not just conventional wisdom that the cast and director will make the new show a hit. We can look at consumer data and see what the appeal is for the director, for the stars and for similar dramas.” Die umfangreichen Nutzungsdaten und Bewertungsinformationen konnten nicht nur helfen, die Serie als solches erfolgreich zu gestalten, sondern auch massgeblich den Vermarktungserfolg erhöhen. Über die Jahre hat Netflix ein umfangreiches Empfehlungssystem aufgebaut, welches nicht nur personalisierte Video-Tips den Netflix-Benutzern bereithält, sondern auch eine zielgruppengerechte Vermarktung der Serie ermöglichte. « We have a high degree of confidence in House of Cards based on the director, the producer and the stars.
  8. 8. Mit prädiktiver Analyse das Rennen um die schnellste Zustellung ge- winnen: Amazon schickt die Waren bereits los, bevor sie bestellt wurden. Kühne, M. (2014). Heute geliefert, morgen bestellt. Zugriff am 08.09.2014 unter http://ldgr.ch/1q8PpSI Bensinger, G. (2014). Amazon Wants to Ship Your Package Before You Buy It . Zugriff am 08.09.2014 unter http://ldgr.ch/1ufVsVy Die Amazon.com, Inc. ist ein Online- Versandhändler mit einer breit gefächerten Produktpalette. Nach eigenen Angaben hat Amazon als Marktführer des Handels im Internet die weltweit größte Auswahl für Bücher, CDs und Videos. Amazon.com, Inc. « Amazon.com has obtained a patent for “anticipatory shipping” - a system of delivering products to customers before they place an order. Amazon says it may box and ship products it expects customers in a specific area will want—based on previous orders and other factors… According to the patent, the packages could wait at the shippers’ hubs or on trucks until an order arrives. Die Lieferung schon auf den Weg bringen, noch bevor der Kunde von seinen Wünschen weiss? Klingt nach Science-Fiction, könnte aber schon bald Realität werden. Denn mit seiner neuen Service-Idee Anticipatory Shipping treibt Amazon das Rennen um die schnellste Zustellung der Einkäufe voran. © ZHAW SML IMM Folie 16 Der Marketer als Konsumentenversteher
  9. 9. © ZHAW SML IMM Folie 17 Der Marketer als Konsumentenversteher Cross-Channel-Incentivierung: Kohl’s offeriert bei Ladenbesuch Coupons für im Online-Shop angesehene, aber nicht gekaufte Produkte. Thau, B. (2014). How Big Data Helps Stores Like Macy's And Kohl's Track You Like Never Before. Zugriff am 08.09.2014 unter http://ldgr.ch/1qcyzlY Kohl’s ist ein Einzelhandelsunternehmen aus den USA. Das Sortiment konzentriert sich auf Bekleidung und Accessoires im unteren bis mittleren Preissegment sowie auf Kosmetikartikel, Schmuck, Haushalts- waren, Elektrogeräte und Kleinmöbel. Kohl's Illinois, Inc. « Customers are more likely to respond to an offer when it’s at the moment of purchase when they’re shopping. Beacons sind kleine Sender, welche konstant Signale an sich in der Nähe befindliche Smartphones und Tablets senden. Im stationären Handel ermöglicht diese Technologie das gezielte Einblendung von Produktinfor- mationen am POS über Sonderangebote, die Lenkung der Besucherwege oder der mobile Einkauf im Einzelhandel. Zudem erlauben die erfassten Daten eine detaillierte Analyse des Kaufverhaltens im stationären Handel. Kohl’s hat diese Technologie in einem Experiment in fünf Ladengeschäften eingesetzt, um Konsumenten, welche im Online-Store von Kohl’s Produkte angeschaut, aber nicht gekauft hatten, die entsprechenden Coupons für diese Produkte direkt auf das Smartphone zuzustellen.
  10. 10. © ZHAW SML IMM Folie 20 Der Marketer als Konsumentenversteher Welche persönlichen Daten sind Kunden bereit, mit Unternehmen zu teilen? 1Pwc publication (2012) Consumer privacy: What are consumers willing to share? The speed of life: Consumer intelligence series/ / 2FAZ, 09.09.2014 Datenteilbereitschaft amerikanischer Kunden1 Gap? » « Was den Unternehmen zur Entfesselung der neuen Ökonomie fehlt, sind weder Technologien noch Daten, es ist die Zustimmung der Kunden und Patienten, die der freien Verwendung ihrer Daten partout nicht zustimmen wollen. Prof. Sarah Spiekermann, Institute for Management Information Systems (WU Wien)2
  11. 11. © ZHAW SML IMM Folie 22 Der Marketer als Konsumentenversteher Die Art und Weise, wie Unternehmen Kundendaten verwenden, ist ein wichtiger Vertrauensfaktor. 1 European Commission (2011). Special Eurobarometer 359: Attitudes on Data Protection and Electronic Identity in the European Union Datenverwendung Der «Vertrauensvorsprung» ist branchenabhängig1… » « 70% of Europeans are concerned that their personal data held by companies may be used for a purpose other than that for which it was collected. To what extent do you trust the following Institutions to protect your personal information? 22.0 32.0 39.0 55.0 62.0 70.0 78.0 Internet companies (Search Engines, Social Networking Sites, E-Mail Services) Phone companies, mobile phone companies and Internet Services Providers Shops and department stores Europan institutions (European Commission, European Parliament, etc.) Banks and financial institutions National public authorities (e.g., tax authorities, social security authorities) Health and medical institutions In % of parrticipants
  12. 12. © ZHAW SML IMM Folie 23 Der Marketer als Konsumentenversteher Aus Kundensicht sind Daten nicht gleich Daten. The Boston Consulting Group (2013). The Trust Advantage: How to Win with Big Data. Report. Sensibilität der Daten » « Across countries, feelings about the privacy of different types of data are fairly consistent.
  13. 13. © ZHAW SML IMM Folie 26 Der Marketer als Konsumentenversteher Steigern Sie die Datenteilbereitschaft Ihrer Kunden! Unternehmen Umfeld / Situation (Kontext) Datenteilbereitschaft Gefühlte Kontrolle Gegenleistung Datenverwendung / Verwendung durch Dritte Bekanntheit und Image Herdeneffekt Framing der Transaktion Reihenfolge- effekte Subjektive Relevanz Kundenwahrnehmungen/ -beurteilungen Dispositionen: Kundentypen, Kultur, digitale Reife Sensibilität der Daten Subjektive Fairness Welche Gegenleistungen müssen Unternehmen bieten, damit Konsumenten bereit sind, ihre persönlichen Daten zur Verfügung zu stellen? share in-dept information deliver exciting, personalized services ?
  14. 14. Um das wirtschaftliche Potential von Big Data zu erschliessen, ist ein Zusammenrücken von Marketing, IT und Psychologie unvermeidbar.

×