Post on 24-May-2015
Linda Miesler, Dr. oec. HSGlinda.miesler@zhaw.ch | @LMiesler
Der Marketer als KonsumentenversteherBig Data aus Unternehmens- und KundenperspektiveMarketing Natives Event #3: BIG DATA
Armin Ledergerber, MSc ZFHarmin.ledergerber@zhaw.ch | @armled
24. September 2014 Folie 3Der Marketer als Konsumentenversteher
Die schöne neue Big-Data-Welt: Heute geliefert, morgen bestellt.
Jimmy Kimmel Live (2014). Amazon's Crazy New Technology. Zugriff am 08.09.2014 unter http://ldgr.ch/1q8R76k
Datenteilbereitschaft
3
Big Data und Data Mining
24. September 2014 Folie 4Der Marketer als Konsumentenversteher
Agenda: Die drei Teile der Präsentation.
Konsument Unternehmen
1
Big Data im Marketing2
24. September 2014 Folie 5Der 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/bigdataIn 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
Verhalten in sozialen Medien
Nutzungs- und Bewegungsdaten
von Smart Devices
Such- und Surf-Verhalten
Gesundheits- und Fitness-Daten
Data in motionUnstrukturierte Daten von Geräten,
Sensoren und Social Media
Data in restStrukturierte Daten aus Unternehmens-Quellen
Markt und Umfeld
24. September 2014 Folie 8Der 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: IBMBange, C. & Janoschek, N. (2014). Big Data Analytics: Auf dem Weg zur datengetriebenen Wirtschaft. Würzburg: BARC-Institut
Data in restStrukturierte Daten aus Unternehmens-Quellen
Data in motionUnstrukturierte 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-AnalyseSoziale Medien
Apps
Externe Daten-Feeds
Geodaten
Audio- und Video-Daten
Datenteilbereitschaft
3
Big Data und Data Mining
24. September 2014 Folie 10Der Marketer als Konsumentenversteher
Agenda: Die drei Teile der Präsentation.
Konsument Unternehmen
1
Big Data im Marketing2
24. September 2014 Folie 11Der 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/1uszpKtBITKOM (2012). Big Data im Praxiseinsatz – Szenarien, Beispiele, Effekte. Zugriff am 08.09.2014 unter http://ldgr.ch/YsGujIGoogle 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.
Datenteilbereitschaft
3
Big Data und Data Mining
24. September 2014 Folie 13Der Marketer als Konsumentenversteher
Agenda: Die drei Teile der Präsentation.
Konsument Unternehmen
1
Big Data im Marketing2
24. September 2014 Folie 14Der Marketer als Konsumentenversteher
Big Data im Marketing: Ausgewählte Unternehmens-Beispiele entlang der vier P’s im Marketing.
Datenquellen
Aggregations- und Personalisierungsgrad
TransaktionenEnterprise Data
Social Data
MaschinenSensoren
Basic data Complex, aggregated data
Target’sTargeting
[Promotion]
Netflix’sHouse of Cards
[Product]
Amazon’sPredictive Delivery
[Place]
Kohl’sSmart Couponing
[Price]
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/1q8PpSIBensinger, 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 Shippingtreibt Amazon das Rennen um die schnellste Zustellung der Einkäufe voran.
24. September 2014 Folie 17Der Marketer als Konsumentenversteher
24. September 2014 Folie 18Der 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.
Big Data im Marketing2
Big Data und Data Mining
24. September 2014 Folie 19Der Marketer als Konsumentenversteher
Agenda: Die drei Teile der Präsentation.
Konsument Unternehmen
1
Datenteilbereitschaft
3
24. September 2014 Folie 20Der Marketer als Konsumentenversteher
Welche persönlichen Daten würden Sie gern von Ihren Kunden bekommen?
24. September 2014 Folie 21Der 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
24. September 2014 Folie 22Der Marketer als Konsumentenversteher
Welche Faktoren können erklären, ob Kunden bereit sind, ihre persönlichen Daten mit Unternehmen zu teilen?
Folie 22
Unternehmen Umfeld / Situation (Kontext)
Datenteilbereitschaft
Gefühlte Kontrolle
Verwendung durch Dritte
Datenverwendung
Bekanntheit und Image Herdeneffekt
Framing der Transaktion
Reihenfolge
Subj. Relevanz
Diverse Quellen, u.a. Malheiros, M., Preibusch, S., & Sasse, M.A. (2013). “Fairly Truthful”: The Impact of Perceived Effort, Fairness, Relevance, andSensitivity on Personal Data Disclosure, Lecture Notes in Computer Science, 7904, 250-266.
Kundenwahrnehmungen/-beurteilungen
Dispositionen: Kundentypen, Kultur,
Alter
Sensibilität der Daten Subj. Fairness
Um das wirtschaftliche Potential von Big Data zu erschliessen, ist ein Zusammenrücken von
Marketing, IT und Psychologie unvermeidbar.