Die „Digital Analytics Value Chain“ bietet einen Rahmen für eine konsistente Analytics-/BI-Strategie, die über einzelne Tools hinausgeht. Was bedeutet dies für die Auswahl einer Web Analytics Lösung und welche spezifischen Herausforderungen für Datenschutz und –speicherung entstehen bei der Umsetzung? Wo liegen die Chancen und Risiken eines ganzheitlichen Ansatzes?
11. Collection
Erzeugung/Sammlung von Daten
• direkt durch operative Prozesse oder Transaktionen (Bsp. Webshop)
• indirekt durch Tracking von Ereignissen (Bsp. Web Analytics)
• Ohne Daten keine Analyse…
13. Linking
Konsolidierung und Verknüpfung von verschiedenen Datenquellen und –
strömen
• physisch in einer Datenbank
• virtuell / on-the-fly bei der Analyse
Beispiele: Web Analytics mit Webshop und Warenwirtschaft
• Basis für ganzheitliche Analysen
14. Structuring
Transformation der Rohdaten in nutzbare Datenstrukturen, optimiert für
• massenhafte Speicherung
• schnelle Abfrage
• leichte Verständlichkeit
• Unabhängigkeit von Datenquellen
• Single Point of Truth
15. Enrichment
Kombination von Datenpunkten zur Erzeugung neuer Informationen
• Berechnung neuer KPIs
• Anreicherung um Metadaten
• Statistische Informationen
• Segmentierung
Beispiele: Segmentierung von Kunden anhand ihres Kaufverhaltens, CLV
• Echte Wertschöpfung
16. Accessibility
Zugriffsmöglichkeiten auf die gespeicherten (Roh-)Daten
• freie Abfragen, z.B. per SQL
• Nutzung in anderen Anwendungen, z.B. R, SPSS
• Autom. Schnittstellen, z.B. zu Marketing-Systemen
• Flexibilität und Unabhängigkeit
18. Communication
Aufbereitung von Daten und Visualisierungen zur Nutzung durch verschiedene
interne und externe Zielgruppen
• Generierung populärer Dateiformate (PDF, XLS, PPT)
• Versand von E-Mails
• Teilen von Analyseergebnissen mit Kollegen
• Gemeinsame Bearbeitung von Analysen
• Kommentierung & Diskussion
Beispiele: “Annotations” in Google Analytics
• Gemeinsam mehr erreichen
19. Interpretation
Interpretation von Daten durch
• Hervorheben guter und schlechter Entwicklungen
• Identifikation von Ursachen und Treibern
• Vergleich von Werten (Historie, Plan, Forecast)
• Analyse des Kontext (gleichzeitige Entwicklungen)
• Gewinnung von neuen Erkenntnissen
20. Discovery
Einsatz von modernen Verfahren zur Erkennung von Trends, Korrelationen und
Mustern in Daten
• Data Mining
• Machine Learning
• Predictive Analytics
• Erkennen von nicht-offensichtlichen Zusammenhängen
21. Recommendation
Kombination aller Daten und Erkenntnisse, um Handlungsempfehlungen zu
geben, z.B.
• Investieren in bestimmte Werbekampagnen
• Kontaktieren bestimmer Kunden
• Nachkaufen bestimmter Produkte
-> erfordert Branchenwissen
• Computer ersetzt menschliche Entscheidungen
22. Action
Umsetzung von Empfehlungen durch direkte Kommunikation mit den
operativen Systemen, z.B.
• Anpassung von Geboten auf AdWords
• Versand von E-Mails an Kunden
• Bestellung von Produkten bei Lieferanten
-> erfordert Schnittstellen zu einer Vielzahl von Systemen
• Automatisierung