Automatisierung, autonome Entscheidungen und Künstliche Intelligenz sind Schlüsselbegriffe, die auf fortgeschrittenen Analyseverfahren, also Advanced Analytics, beruhen. Mit Advanced Analytics ist es möglich, einen Blick in die Zukunft zu wagen auf Grundlage bestehender, historisierter Daten und grenzt sich damit vom klassischen Reporting ab.
Im Nachfolgenden wollen wir den Begriff Advanced Analytics und die Anwendungsfelder detaillierter vorstellen sowie den Begriff von Business Analytics abgrenzen.
Was ist Advanced Analytics?
Advanced Analytics beschreibt verschiedene fortgeschrittene Analysemethoden, die sich von klassischen Ansätzen wie dem Reporting in ihrer Komplexität deutlich abgrenzen. Es basiert auf komplexen, rechenintensiven Methoden aus der der höheren Statistik, des Maschinellen Lernens und des Deep Learnings.
Das Ergebnis sind genaue Vorhersagen, die sich vor allem für die Entscheidungsfindung und für die Automatisierung von Prozessen nutzen lassen. Beispiele hierfür können z.B. die Automatisierung von Prozessen im Marketing oder in der Logistik sein.
Advanced Analytics umfasst die Auswertung großer Datenmengen mit intelligenten Verfahren der Künstlichen Intelligenz und höheren Statistik. Inzwischen wird Advanced Analytics in den unterschiedlichsten Bereichen eingesetzt und liefert die Grundlage für viele Entscheidungsprozesse. Auch im CRM-Umfeld wird die Notwendigkeit von Advanced Analytics immer größer.
Welche Methoden werden für Advanced Analytics genutzt?
So unterschiedlich die Einsatzmöglichkeiten von Advanced Analytics sind, so unterschiedlich sind auch die Methoden, die zu Advanced Analytics zählen. Dies sind u.a. die Folgenden:
- Data Mining: Bei Data Mining handelt es sich um einen interdisziplinären Ansatz, der Methoden aus der Informatik und der Statistik verwendet. Häufig kommen Verfahren aus dem Bereich der künstlichen Intelligenz und des maschinellen Lernens zum Einsatz.
- Multivariate Statistik: Bei multivariater Statistik werden die Abhängigkeiten zwischen mehr als zwei Variablen analysiert.
- Clusteranalysen: Eine Clusteranalyse ist ein exploratives Verfahren, um Datensätze hinsichtlich ihrer Ähnlichkeit in Gruppen einzuteilen. Für die Clusteranalyse lassen sich verschiedene Kriterien und Merkmale nutzen, aufgrund derer sich die Ähnlichkeit der einzelnen Daten bestimmen lässt.
- Simulationen und Vorhersagemodelle: Regressionsverfahren lassen sich funktionale Zusammenhänge von Prozessen ermitteln, um so Vorhersagemodelle zu erzeugen und Simulationen zu generieren.
- Machine Learning: Maschinelles Lernen kann automatisiert Wissen generieren, Algorithmen trainieren, Zusammenhänge identifizieren und unbekannte Muster erkennen. Diese identifizierten Muster und Zusammenhänge lassen sich auf einem neuen, unbekannten Datensatz anwenden, um so Vorhersagen zu treffen und Prozesse zu optimieren.
- Deep Learning: Deep Learning ist ein Teilgebiet von maschinellem Lernen, welches sich auf künstliche neuronale Netze und große Datenmengen fokussiert. Deep Learning wird dazu genutzt, Bilder zu erkennen, Texte zu verstehen und Entscheidungen genauer zu tätigen.
Welche Daten lassen sich für Advanced Analytics nutzen?
In der Regel werden die relevanten Daten für Advanced Analytics aus dem Data Warehouse oder Data Mart gezogen. Da in den vergangenen Jahren Speicherressourcen günstiger geworden und die Rechenleistung zudem immer weiter gestiegen ist, können so alle Merkmale und Daten der Kunden erfasst und für die Analysen genutzt werden.
Business Analytics vs. Advanced Analytics?
Business Analytics und Advanced Analytics unterscheiden sich insbesondere darin, dass sich Advanced Analytics vor allem mit der Vorhersage zukünftiger Ereignisse beschäftigt. Aus diesem Grund wird Advanced Analytics auch oft mit Predicitive Analytics gleichgesetzt.
Business Analytics fokussiert sich hingegen insbesondere auf historische Daten, beschreibt also eher den Bereich des Reportings. Beispielsweise werden hierbei Daten zu Klick- und Öffnungsraten mithilfe von Analyse- und Visualisierungstools bestimmt und in Dashboards dargestellt.
Nachfolgend werden Business Analytics und Advanced Analytics einmal direkt gegenübergestellt:
- Zeitlicher Blickwinkel:
- Business Analytics schaut in die Vergangenheit
- Advanced Analytics blickt in die Zukunft
- Fragestellungen:
- Business Analytics: Was ist passiert und wann? Wer hat welchen Kauf oder Klick getätigt? Wie viel Umsatz ergibt sich, wie viele Kunden kaufen welches Produkt und wie viele Kunden klicken auf Links im Email-Newsletter?
- Advanced Analytics: Was wird passieren? Welche Handlungsempfehlung ergibt sich daraus?
- Methoden:
- Business Analytics: Reports, Dashboards, Ad-hoc Anfragen
- Advanced Analytics: Data / Text Mining, statistische Analysen, Machine und Deep Learning
Anwendungsfälle für Advanced Analytics im Marketing und Vertrieb
Wir haben bereits angesprochen, dass es unterschiedliche Einsatzgebiete von Advanced Analytics Methoden gibt. Im Nachfolgenden geben wir noch ein paar Beispiele für Advanced Analytics im Marketing und Vertrieb.
Customer Lifetime Value
Der Customer Lifetime Value oder auch CLV beschreibt den Wert eines Kunden für ein Unternehmen über den kompletten Lebenszyklus.
In der Praxis werden für den CLV Prognosen erstellt, die mittels Machine Learning Verfahren bestimmt werden. Als Eingangsdaten dienen dabei historische Kundendaten. In diesen Daten lassen sich Muster identifizieren und erlernen, um eine Prognosen über den zukünftigen CLV jedes einzelnen Kunden abzugeben.
Ein Unternehmen, das den CLV seiner Kunden nicht beachtet, riskiert, durch fehlgeleitete Neukundenakquise, ungezieltes Marketing und Blindflug bei der Kundenbindung bares Geld zu verschenken.
Wenn Sie mehr über den CLV erfahren möchten, dann schauen Sie sich unseren Artikel an!
Kundensegmentierung
Kunden zu segmentieren ist eine Kernaufgabe im Marketing und Vertrieb. Durch die Segmentierung von Kunden lassen sich die Bedürfnisse der einzelnen Segmente deutlicher erkennen und individueller behandeln. Auf diese Weise lassen sich Marketingkonzepte zielorientierter erstellen.
Als Grundlage dafür gelten sozio-demografische Merkmale sowie abgeleitete Merkmale aus dem Kaufverhalten, dies hängt aber insbesondere vom Produkt oder der Dienstleistung sowie den vorhandenen Daten ab. Kundensegmentierungen werden in der Regel durch Clusterverfahren, wie dem k-means Verfahren, oder auch mittels ABC-Analysen durchgeführt und fallen damit auch in den Bereich von Advanced Analytics.
Wenn Sie mehr über Kundensegmentierungen erfahren möchten, dann schauen Sie sich unseren Artikel an!
Recommendation Engines und Next Best Offer
Dem Kunden heute schon Produkt- oder Nutzungsempfehlungen für morgen vorzuschlagen ist sicherlich eine wichtige Aufgabe im Bereich des Advanced Analytics. Werbung lässt sich personalisierter und zielgerichteter direkt beim Kunden ausspielen.
Massenmailings mit der gleichen Botschaft für alle haben eine schlechte Conversion, nerven die Kunden und sorgen dafür, dass Sie mit Ihrer Nachricht im Spam-Order Ihrer Kunden landen. Um dies zu vermeiden, werden in der Regel Methoden aus Machine und Deep Learning angewendet.
Dafür werden zunächst verfügbare Kundendaten, wie die Kaufhistorie und Kundenstammdaten, aggregiert.
Anschließend wird durch maschinelles Lernen ein Modell erstellt, welches für jeden Kunden das nächstbeste Angebot ermittelt. Das Ergebnis sind konkrete Kaufwahrscheinlichkeiten einzelner Produkte für einen bestimmten Zeitraum in der Zukunft.
Somit ist das das Marketingkonzept Next-Best-Offer ist genau das Gegenteil von Marketing nach dem „Prinzip Gießkanne“. Next Best Offer konzentriert sich auf die Kundenbedürfnisse, die sich analytisch aus historischen Kundendaten herleiten lassen.
Wenn Sie mehr über Recommendation Engines und Next Best Offer Strategien erfahren möchten, dann schauen Sie sich unsere NBO Lösungsseite an!
Churn Prediction
Churn Prediction, auch Abwanderungsvorhersage genannt, ermöglicht das frühzeitige Erkennen abwanderungsgefährdeter Kunden und ist damit eine Vorausanalyse. Sie gibt Aufschluss darüber, welche Kunden gefährdet sind abzuwandern.
Dadurch ermöglicht sie es, gezielte Maßnahmen zur Kündigerprävention von hoher Effektivität und Effizienz zu treffen. Diese Vorhersage basiert auf den Algorithmen maschinellen Lernens und Künstlicher Intelligenz, die historische Kundendaten nutzen, um die Abwanderung für die Zukunft vorherzusagen.
Als Basis dienen dabei insbesondere Transaktions- sowie Nutzungsdaten, aber auch demografische Daten und Daten, die aus dem Kundenservice gewonnen werden. Diese Datenbasis wird vorbereitet, auf Relevanz geprüft, gegebenenfalls aggregiert und in einen Machine Learning Algorithmus eingeführt. Hierbei muss abgewogen werden, welcher Algorithmus am zielführendsten ist.
Als Resultat kann Churn Prediction abwanderungsgefährdete Kunden frühzeitig erkennen. Durch gezielte Maßnahmen können Unternehmen die richtigen Kunden erreichen und von der Abwanderung abhalten. Das hat den Vorteil, dass das individuelle Präventionsbudget präzise eingesetzt wird anstatt dies über den ganzen Kundenbestand zu verteilen.
Wenn Sie mehr über Churn Prediction erfahren möchten, dann schauen Sie sich unsere Lösungsseite zu Churn Management an!
Zusammenfassung
Advanced Analytics nutzt sowohl modernste Technologie und intelligente Algorithmen, um effizient große Datenmengen verarbeiten zu können, aber auch um historische Daten prädizieren zu können. Auf diese Weise können Unternehmen frühzeitig erkennen, ob Änderungen im Kundenverhalten auftreten und entsprechende Maßnahmen ergreifen, um Kunden längerfristig zu binden.
Damit ergänzt Advanced Analytics die klassischen Ansätze von Business Analytics um ein Vielfaches und versetzt den Marketer in eine vorausschauende Position
