Datenanalyse: Definition, Methoden und Anwendungen

Entscheidungsfindungsprozesse in den Unternehmen stützen sich auf Daten aus verschiedensten Quellen. Erfolgreiche Unternehmen betreiben die Datenanalyse auf hohem Niveau und setzen dafür zahlreiche Methoden ein. Ziel von Datenanalysen ist es, aus allen verfügbaren Quellen das Maximum an Informationen zu heben und deren Potential voll auszuschöpfen.

1. Definition Datenanalyse

Die Datenanalyse macht sich statistische Methoden zunutze, um aus Einzeldaten verschiedene Kenngrößen und wertvolle, zusammenhängende Informationen zu generieren. Die Präsentation der gewonnenen Informationen erfolgt auf unterschiedliche Weise zum Beispiel als Grafiken oder Tabellen.

2. Methoden der Datenanalyse

Insgesamt lassen sich vier Methoden der Datenanalyse unterscheiden:

1.1 Descriptive Analytics

Die deskriptive Datenanalyse hilft bei der Beantwortung der Frage, was in der Vergangenheit passiert ist. Wie viel Umsatz ließ sich in der Vergangenheit mit einem bestimmten Produkt erzielen? Lohnt es sich, weiterhin auf dieses Produkt zu setzen? Diese Analyse bezieht sich auf das, was passiert ist, sie erklärt nicht, warum es passiert ist. Dafür muss der Anwender weitere Methoden hinzuziehen.

1.2 Diagnostic Analytics

Bei dieser Analyse erfolgt ein Vergleich der historischen Daten mit weiteren Datensätzen. Hier steht die Beantwortung der Frage im Vordergrund, warum etwas passiert ist. Die diagnostische Analyse gewährt durch die Zusammenführung von ansonsten getrennten Datensätzen tiefgehende Einblicke in konkrete Probleme, die das Unternehmen daran hindern, höhere Umsätze zu erzielen.

1.3 Predicitve Analytics

Mit der Vorhersageanalyse wagt das Unternehmen einen Blick in die Zukunft. Wir verhält sich der Kunde zukünftig, welche Entscheidungen tritt er und welche Produkte möchte er zu welchem Preis kaufen? Das sind typische Fragen in der prädikativen Analyse. Zukünftige Trends, Tendenzen und Abweichungen von Normenwerten erkennt diese Analyse frühzeitig aufbauend auf den Ergebnissen der deskriptiven und diagnostischen Analyse.

Bei dieser Analyseform spielen komplexe Algorithmen und Maschinenlernen sowie KI im Allgemeinen eine wichtige Rolle. Die Genauigkeit der Prognosen hängt nicht alleine von der Auswahl und Leistungsfähigkeit der Algorithmen ab, sie ist auch von der Datenqualität maßgeblich bestimmt. Zu den typischen Anwendungen gehört die Vorhersage, ob Kunden ihre Abonnements bald kündigen wollen, damit das Unternehmen im Marketing rechtzeitig gegensteuern kann.

1.4 Prescriptive Analytics

Die präskriptive oder verordnende Analyse schreibt im Ergebnis vor, welche Maßnahmen das Unternehmen ergreifen soll. Die Analyse unterstützt dabei, zukünftige Trends bestmöglich für das Unternehmen zu nutzen, das Auftreten künftiger Probleme zu vermeiden und dem Unternehmen dabei konkrete Handlungsanweisungen zu liefern. Hierbei handelt es sich um die modernste Form der Datenanalyse. Sie ist auf historische Daten ebenso wie auf externe Datenquellen angewiesen. Maschinenlernen, neuronale Netze, Simulationsmodelle und Business Regeln und Szenarien kommen zusammen. Ein typisches Anwendungsbeispiel ist die Identifizierung von Gelegenheiten für Wiederholungskäufe anhand von Customer Analytics und Verkaufshistorien.

2. Welche Möglichkeiten gibt es für die Datenanalyse?

In der Praxis eignen sich verschiedene Werkzeuge für die Durchführung der Datenanalyse. Hier sind drei der gebräuchlichsten aufgeführt.

2.1 Excel

Das Tabellenkalkulationsprogramm Microsoft Excel verfügt standardmäßig über verschiedene Analysefunktionen. Diese findet der Anwender über die Registerkarte Daten in der Gruppe Analyse. Mit diesen bereitgestellten Funktionen ist es möglich, direkt in Excel komplexe statistische Analysen durchzuführen. Das ist im Alltag der Unternehmen praktisch, da viele Datensätze ohnehin in Excel vorliegen.

2.2 SQL

Viele Unternehmen arbeiten mit SQL-Server-Datenbanken und speichern dort umfangreiche Datenmengen. Für die Auswertung dieser Datenmengen stehen die passenden Werkzeuge zur Verfügung wie zum Beispiel SQL Server Analysis Services, die Microsoft für Anwendungen im Bereich Business Analytics zur Verfügung stellt.

2.3 Programmiersprachen wie Python und R

Services für das Maschinenlernen greifen häufig auf die Programmiersprachen Python und R zurück. Das ist zum Beispiel bei den SQL Server Machine Learning Services der Fall, die Microsoft für Anwendungen im Bereich Business Intelligence entwickelt hat. Viele Werkzeuge für das Maschinenlernen und das dafür erforderliche Trainieren von Modellen basieren auf der Programmiersprache Python.

3. Beispiele von Datenanalysen im Marketing

Datenanalysen nehmen im Marketing verschiedene Formen an. Hier sind einige Beispiele:

3.1 ABC-Analyse

Um sich bei der Datenanalyse auf das Wesentliche zu konzentrieren, verwenden Unternehmen die bewährte ABC-Analyse. Dieses Instrument aus der Betriebswirtschaftslehre wurde in den 1950er Jahren entwickelt und basiert auf dem Pareto-Prinzip, nach dem etwa 20 Prozent der Kunden eines Unternehmens für 80 Prozent der Umsätze verantwortlich sind. Es erfolgt eine Unterteilung der betrachteten Objekte nach Wichtigkeit in Gruppen. Bei diesen Gruppen kann es sich um Kunden, Produkte oder Ressourcen handeln. Dazu müssen sich die betrachteten Merkmale deutlich voneinander unterscheiden. Kunden ihrem Umsatz nach in Gruppen zusammenzufassen ist nur sinnvoll, wenn die einzelnen Umsätze nicht zu nahe beieinanderliegen.

3.2 Kohortenanalyse

Häufig reicht es nicht aus, Veränderungen des Kundenverhaltens im Zeitablauf alleine an Veränderungen der KPIs nachzuvollziehen. Die Kohortenanalyse fasst die Kunden zu Gruppen zusammen anhand von Ereignissen, die diese in einem bestimmten Zeitraum miteinander teilen. Sinnvoll ist in vielen Fällen eine Zusammenfassung von Kunden in Gruppen, deren Erstkauf beim Unternehmen zeitlich nahe beieinanderliegt. Es hat sich herausgestellt, dass die Betrachtung dieser Kohorten genannten Gruppen hilfreich ist bei der Verhaltensanalyse. Das Vorgehen ist abzugrenzen von der Einteilung in Segmente, bei denen die Kunden bestimmte Merkmale miteinander teilen.

3.3 RFM-Analyse

Bei der RFM-Analyse handelt es sich um ein Scoringverfahren, das Kunden in Segmente und Zielgruppen einteilt und hierfür auf die drei Kennzahlen Recency (Aktualität), Frequency (Häufigkeit) und Monetary (Umsatz) zurückgreift. Die sich daraus ergebenden Kundensegmente weisen unterschiedliche Eigenschaften auf und umfassen zum Beispiel Kunden, die besonders profitabel, treu oder abwanderungsgefährdet sind. Fehlt einem Unternehmen der monetäre Aspekt, ersetzt die Kennzahl Engagement (Verweildauer, Nutzungsverhalten) die Kennzahl Monetary und die RFM-Analyse wandelt sich zur RFE-Analyse.

3.4 Kundenwertanalyse

Die Kundenwertanalyse gibt Aufschluss darüber, wie wertvoll ein Kunde für das Unternehmen ist. Dazu betrachtet die Analyse, welche Umsätze sich mit einem Kunden erzielen lassen und in welchem Verhältnis diese zu den Aufwendungen für das Marketing stehen. Der Kundenwert setzt sich zusammen aus dem Einzahlungsüberschuss und weiteren Faktoren wie der Kundenbindung, der Loyalität und dem Referenzpotential. In der Praxis kommen mehrere Varianten der Kundenwertanalyse zum Einsatz, die unterschiedliche Aspekte des Kundenwerts betonen.

3.5 Churn-Analyse

Die Churn-Analyse hilft bei der korrekten Berechnung der Kundenabwanderungsrate. Für Unternehmen mit auf Abonnements basierenden Geschäftsmodellen spielt die Reduzierung der Kundenabwanderung eine entscheidende Rolle. Die Analyse zeigt auf, ob Faktoren wie ein schlechter Kundenservice, Qualitätsprobleme oder Unterbietungen durch Wettbewerber die Abwanderungsquote erhöhen. Die Abwanderungsrate ergibt sich aus der Zahl der verlorenen Kunden in einem Jahr geteilt durch die Anzahl der Kunden zu Beginn des Jahres zuzüglich der Zahl der hinzugewonnenen Kunden. Analyseverfahren wie die Kohortenanalyse kommen zum Einsatz, um die Kunden in relevante Gruppen einzuteilen, um die Gründe für die Abwanderung oder für eine hohe Kundentreue präziser zu ermitteln.

3.6 Next Best Offer

Next Best Offer mit Predictive Analytics: Mithilfe des Ansatzes Next Best Offer finden Unternehmen heraus, ob sie jedem ihrer Kunden das richtige Angebot machen. Die Kundenanalyse und die Ermittlung der Kundenbedürfnisse sollen dabei helfen, den Umsatz zu erhöhen und die Kundenbindung zu stärken. Diese Analyse macht sich Verfahren aus dem Bereich der Predictive Analytics zunutze, um das nächstbeste Angebot für jeden Kunden zu finden. Das nächstbeste Angebot sagt die Analyse unter Zuhilfenahme maschinellen Lernens für jeden Kunden aus einer großen Datenmenge vorher. Vorteile ergeben sich insbesondere durch eine stärkere Personalisierung des Angebots. Wichtig ist die Beantwortung von Fragen zum Bespiel nach dem Produkt, das ein Kunde als nächstes kaufen möchte, nach dem dafür genutzten Kanal oder dem Zeitpunkt des Kaufs sowie nach dem Preis, zu dem der Kunde voraussichtlich kaufen möchte.

Ähnliche Einträge

Auch interessant für Sie

Ihr Ansprechpartner: Laurenz Wuttke

Unternehmen sitzen auf einem ungenutzten Berg von Kundendaten. Wir von datasolut entwickeln künstliche Intelligenz, die Ihr Marketing optimiert. Damit Sie dem richtigen Kunden zur richtigen Zeit das richtige Angebot machen können.

Laurenz Wuttke
Laurenz Wuttke datasolut Gmbh
Ich freue mich, wenn Sie sich zu unserem Newsletter anmelden.

Jetzt zum Newsletter anmelden!

Den datasolut Blog abonnieren und Expertentipps zu Marketingoptimierung mit künstlicher Intelligenz erhalten.

  • Spannende Interviews
  • Interessante Case Studies
  • Bewährte Praxistipps

Mit der Anmeldung stimmen Sie unserer Datenschutzerklärung zu.