SKOPOS GROUP

Wir sind ein Teil der SKOPOS GROUP für zeitgemäße Marktforschung.

Eine breit aufgestellte Unternehmensgruppe, die alle zeitgemäßen Marktforschungs-Dienstleistungen unter einem Dach vereint. Digital und innovativ. Von national bis international. Von Kunden-Befragung über UX-Research bis Insight-Community. Von Mitarbeiter-Befragung über Mystery-Shopping bis Customer-Experience und Data Science decken wir alle relevanten Themen und Methoden ab.

Journal Nützliches Wissen aus der Welt der Data Science
Data Analytics, Data Engineering

Smarte Datenfusion für mehr Durchblick im Datendschungel

Mit stetig wachsenden Bergen an Daten in Data Lakes und Data Warehouses wächst auch die Herausforderung aus diesen Daten gewinnbringende Erkenntnisse zu ziehen. Während vielerorts von Big Data die Rede ist, können smarte und pragmatische Ansätze bereits aus kleinen Datenmengen mehr machen. Wir zeigen drei Beispiele, wie das geht.

Zusammenfassung:

  • Über den Tellerrand hinaus: Wie die Berücksichtigung unterschiedlicher Datenquellen Mehrwert schafft.
  • Drei Beispiele, wie smarte Datenfusion in der Praxis aussehen kann.
  • Mit Data Analytics aus großen und unstrukturierten Datenbeständen mehr Erkenntnisse gewinnen.

 

Der Mehrwert von Datenfusion

Nicht zuletzt seitdem „Big Data“ in aller Munde ist, sind sich Unternehmen zunehmend ihrer zahlreichen und umfangreichen Daten gewahr. Seien es Daten über Kundeninteraktionen, Produktionsprozesse oder Lieferketten. Oft sind in der Praxis diese Daten aber über verschiedene Abteilungen verteilt und schnell entstehen Datensilos. Auch wenn jede Datenquelle schon für sich genommen ein Fundus an Erkenntnissen sein kann: Der größte Nutzen entsteht bei der Verknüpfung der unterschiedlichen Daten.

„Wenn jeder aber nur auf die eigenen Datentöpfe schaut, bleibt viel vom Potential ungenutzt: Erst die Verbindung der verschiedenen Daten bringt so manche unerwartete Erkenntnis.“

Zum Beispiel, dass der Kündigung des Kunden (vermerkt im CRM-System) zahlreiche Beschwerden (hinterlegt im Kundensupport-System) vorausgingen, die sich in Problemen mit der Web-App bereits ankündigt haben (auffindbar in den Server-Logs). Das Ziel von Datenfusion und der Nutzung von Data Analytics-Methoden ist es, solche Zusammenhänge aufzuzeigen und für bessere Prozesse und Produkte nutzbar zu machen.

Auch Marktforschungs- und Customer-Insights-Abteilungen betrachten ihre Befragungsstudien häufig noch sehr isoliert. Jede Studie vermag eine einzelne Facette der Kundenwahrnehmung zu beleuchten – eine integrierte Betrachtung bleibt häufig aus. Auch hier kann die Verbindung von verschiedenen Studien miteinander oder die Verbindung von Studien mit weiteren Datenquellen dabei helfen, einen noch größeren Mehrwert zu generieren.

Hier drei Beispiele, wie eine Kombination von so unterschiedlichen Datenquellen die Beantwortung ganz neuer Fragestellungen erlaubt, die bisher vielleicht nicht möglich waren.

Auf dem Laufenden bleiben?

Abonniere unseren Newsletter! Gib hier deine E-Mail-Adresse an und Du erfährst regelmäßig Spannendes aus der Data Science-Welt.

 

Kunden- und Mitarbeiterzufriedenheit: Zwei Seiten einer Medaille?

Wir haben innerhalb der SKOPOS GROUP unterschiedlich spezialisierte Units. Neben der SKOPOS RESEARCH für klassische Marktforschung, fokussiert sich die SKOPOS VIEW auf Fragestellungen aus dem Personalbereich, unter anderem Mitarbeiterbefragungen. Gemeinsam können wir Fragenstellungen aus unterschiedlichen Perspektiven beleuchten. Wie beispielsweise bei einem unserer Kunden, bei dem sich vor einer Geschäftsleitersitzung die Frage stellte: Wie hängen denn eigentlich Mitarbeiter- und Kundenzufriedenheit in unseren Filialen zusammen?

Die Fusion von Kunden- und Mitarbeiterzufriedenheit und Daten zu Performance erlauben neue Analysen und einen ganzheitlichen Blick.

Diese strategisch hoch relevante Fragestellung wird in der Praxis tatsächlich selten beantwortet. Dabei liegt sie so nah! Also haben wir uns rangemacht, innerhalb von nur fünf Tagen die letzten fünf Jahre an Studienergebnissen aufzubereiten, zusammenzuführen und die Frage zu beantworten, wie Kunden- und Mitarbeiterperspektive zusammenpassen – und ob dieser Zusammenhang auch relevant für den Umsatz ist.

In nur fünf Tagen von Fragestellung zu Management-Unterlagen. Mehr dazu in unserer Case Study!

 

Werbetrackings für ROI der Media-Spendings nutzen

Ein weiterer Klassiker der Marktforschung: Marken- und Werbetrackings. Dabei werden in regelmäßigen Abständen Personen zu ihrer Einstellung gegenüber Marken, Kaufpräferenzen und wahrgenommener Werbung befragt. Auch hier sind wir seit einigen Jahren für einen unserer Kunden international tätig. Solche Trackings bieten durch die Zeitreihe und die Tiefe des zugehörigen Fragebogens bereits einiges Potential für spannende Analysen und Reporting-Lösungen. Doch selten lassen sich strategisch relevante Fragen einzig über die Befragung beantworten – denn neben der Frage „Wie gut kam meine Werbung bei den Kunden an? Erinnern sich die Kunden an die Werbung, meine Marke und meine Produkte?“ ist die eigentliche Fragestellung viel eher: „Hat sich das Investment in meine Werbemittel ausgezahlt?“.

Um diese Frage zu beantworten, braucht es neben der Befragung noch weitere Daten, um die Kundenperspektive zu ergänzen:

  • Media-Spendings: Die Kostenperspektive, also die Frage, wie viel für einzelne Werbemittel in welchem Zeitraum ausgegeben wurde. Je granularer diese Daten sind, desto besser lassen sie sich mit den Befragungsdaten verknüpfen.
  • Reichweiten: Insbesondere bei TV-Spots spielt die Reichweite eine große Rolle dabei, wie effektiv das Budget eingesetzt werden kann.
Werbe-Tracking, Reichweiten und Werbe-Spendings: Verschiedene Perspektiven verbinden, um Werbeeffizienz zu messen.

In diesem Projekt stehen uns beide Perspektiven zur Verfügung. So können wir regelmäßig diese drei Datenquellen auf eine gemeinsame zeitliche Granularität bringen und miteinander verbinden. Daran schließt sich eine Analyse mittels Pfad- bzw. Strukturgleichungsmodellen an, um von der Werbung über die Wahrnehmung bis zum Share of Wallet zu kommen. Auf diese Weise lässt sich abschätzen, welcher Anteil vom Werbebudget am Ende tatsächlich zu mehr Umsatz für die eigene Marke führt. Die reine Betrachtung der Befragungsdaten kann diese Frage nicht beantworten – erst durch die Verbindung mit weiteren Daten, die eine zusätzliche Perspektive einbringen, kann maximaler Nutzen aus der Befragung gezogen werden.

Das Modell, das uns erlaubt, die Wirkung von Werbung zu beurteilen, kann auch zur Vorhersage eingesetzt werden: Auf Basis der bisherigen Kampagnen lässt sich herausfinden, welches Budget und welches Werbemittel maximal effektiv in meiner Zielgruppe ist. So können perspektivisch neue Kampagnen datengestützt geplant werden – sowohl unter Berücksichtigung der Kosten-, als auch der Kundenperspektive.

Mehr zum Thema Markentrackings findest Du übrigens in dieser Case Study.

 

Daten-gestützte Standortentscheidungen treffen

Für das letzte Beispiel verlassen wir die Welt der Marktforschung und konzentrieren uns auf Zahlen, die häufig in Controlling-Abteilungen vorliegen: Im Retail-Bereich beispielsweise Details zu Umsatz, Mitarbeiteranzahl und Ladengröße aller Filialen. Wie können diese Standort-Daten nun genutzt werden, um die bestehenden Filialen zu beurteilen und neue Filialen zu planen?

Die Standort-Daten geben wieder nur eine Perspektive wieder: Nämlich die Innenperspektive der Filialen. Doch insbesondere im stationären Handel spielen viele Faktoren eine Rolle, um in begehrten Innenstadtlagen die richtigen Kunden zu erreichen. Neben der Kaufkraft in der Region sind auch Faktoren wie ÖPNV-Anbindung oder Anzahl der Parkplätze in der Umgebung relevant. Hier gilt es also, die Standort-Daten mit solchen Geodaten zusammenzuführen.

Filial- und Geodaten kombinieren, um Standorte datengestützt zu planen.

Welche Geodaten relevant sind, gilt es in der ersten Analyse herausfinden, denn unterschiedliche Handelsbereiche haben unterschiedliche Anforderungen: Ein Möbelhaus kann außerhalb der Innenstadt wunderbar wachsen, wenn eine Autobahn-Anbindung in der Nähe ist. Eine exklusive Modeboutique floriert, wenn die Kaufkraft hoch ist, die Lage sehr gut ist und Parkplätze in der Nähe sind.

Sind die passenden Variablen ausgewählt und das statistische Modell, häufig ein Mehrebenen-Modell, entwickelt, können bestehende Filialen fair miteinander verglichen werden (Benchmarking) und neue Filialen unter Berücksichtigung der Geodaten geplant und evaluiert werden. Das alles in einem interaktiven Tableau-Tool.

Wenn Du mehr darüber erfahren willst, wie wir Standort- und Geodaten verbinden, um Standortentscheidungen zu unterstützen, schau Dir unsere Case Study zu diesem Thema an.

 

Fazit

Diese Beispiele sollen zeigen, wie die Zusammenführung unterschiedlicher Datenquellen dabei helfen kann, einen umfassenden Blick auf strategische Fragestellung zu gewinnen. Drei Dinge sind dabei allen Beispielen gemein:

  1. Die Fragestellung ist entscheidend. Alle Unternehmensdaten in einem zentralen Data Warehouse zu haben, ist für die technische Implementierung hilfreich. Es ist aber kein Selbstzweck und generiert für sich alleine noch keine neuen Erkenntnisse. Erst die Aufbereitung und Analyse dieser Daten mit Blick auf eine konkrete Fragestellung ermöglicht, aus diesen Daten Mehrwert zu gewinnen.
  2. Über den Tellerrand blicken. Insbesondere Abteilungen, die selber Daten generieren, fokussieren sich häufig auf genau diese Daten. Doch in Unternehmen gibt es darüber hinaus noch so viel mehr Informationen, die für eine Analyse relevant sein können – egal, ob es ein Data Warehouse gibt oder nicht. Andere Abteilungen mit an einen Tisch zu bekommen, sich auszutauschen oder ganz kreative Ideen zu sammeln: All das kann helfen, um über den Tellerrand bestehender Datentöpfe hinauszuschauen.
  3. Unterschiedlichste Datenformate sind kein Hindernis. Grundsätzlich lassen sich alle digital verfügbaren Daten irgendwie verwenden – egal, ob diese Daten in Excel-Tabellen, PDF-Berichten oder Callcenter-Tickets stehen. Mit den richtigen Tools und mit Machine Learning lassen sich sämtliche Daten nutzbar machen. Ein erster Proof of Concept hilft dabei, die Aufwände einzuschätzen und dem Nutzen einer Analyse-Lösung gegenüber zu stellen.

Mit diesen drei Tipps bauen wir uns also – bildlich gesprochen – eine Machete, um den Datendschungel zu durchdringen. Wie bei jeder Expedition im Dschungel gibt es auch hier eine Menge zu entdecken. Wir freuen uns darauf mit Dir die nächste Expedition zu starten!

Welches Problem möchtest Du mit Data Science lösen?

Anfrage senden

Du brauchst eine Machete für den Datendschungel?

Wir unterstützen Dich in allen Phasen Deines Datenprojekts. Lass uns über Daten reden! Wir wollen mehr aus Deinen Daten rausholen und freuen uns auf Deine Nachricht!

Warum wir?
Deine Anfrage

Unser hochmotiviertes Team freut sich, von Dir und Deiner Fragestellung zu hören.

  • Dieses Feld dient zur Validierung und sollte nicht verändert werden.

Weitere Artikel

Noch mehr Case Studies, die Dir Mehrwert bieten