Big Data im Marketing. Nutzen, Chancen und Herausforderungen für kleine und mittelständische Unternehmen


Bachelorarbeit, 2019

56 Seiten, Note: 1,8


Leseprobe

Inhaltsverzeichnis

Abbildungsverzeichnis

1 Einleitung
1.1 Problemstellung und Zielsetzung
1.2 Vorgehensweise

2 Grundlagen von Big Data
2.1 Definition Big Data
2.2 Die fünf V`s von Big Data
2.3 Abgrenzung von Big Data zu Business Intelligence
2.4 Technologien von Big Data
2.5 Das Potential von Big Data

3 Big Data im Marketing
3.1 Big Data Analytics
3.2 Veränderungen der vier P`s des Marketing-Mix durch Big Data
3.2.1 Preispolitik
3.2.2 Kommunikationspolitik
3.2.3 Distributionspolitik
3.2.4 Produktpolitik
3.3 Mögliche Anwendungsgebiete von Big Data im Marketing
3.3.1 Marktforschung
3.3.2 Steigerung der Kundenzufriedenheit
3.3.3 Unterstützung des Microtargeting

4 Big Data Marketing für kleine und mittelständische Unternehmen
4.1 Aktueller Marktstand
4.2 Chancen für kleine und mittelständische Unternehmen
4.3 Herausforderungen für kleine und mittelständische Unternehmen

5 Fazit

Literaturverzeichnis

Kurzfassung (Abstract)

Die vorliegende Bachelorarbeit beschäftigt sich mit der Thematik Big Data im Bereich des Marketings und zeigt, welcher Nutzen sich durch den Gebrauch von Big Data im genannten Bereich ergeben kann. Auch soll hierbei dargestellt werden, welche Chancen sich dadurch für kleine und mittelständische Unternehmen ergeben können, aber auch mit welchen Herausforderungen sich diese beim Einsatz von Big Data im Marketing auseinandersetzen müssen. Zunächst wird eine ausführliche Literaturrecherche über die Grundlagen von Big Data durchgeführt, um anschließend Big Data im Bereich des Marketings zu erörtern. Zu Beginn werden hier die Big Data Analytics erläutert und es wird aufgezeigt, wie der Marketing-Mix durch Big Data verändert werden kann. Im Anschluss daran werden mögliche Anwendungsgebiete von Big Data im Marketingbereich ermittelt und analysiert. Bei dem Nutzen von Big Data im genannten Bereich wurde festgestellt, dass dadurch genauere Empfehlungen von Produkten entworfen werden können, die sich an den Bedürfnissen der Kunden orientieren. Im Weiteren können auch die Preise der Produkte optimal angepasst werden, die zugleich auch mit individuell zugeschnittenen Angeboten ausgestattet werden können. Ein weiterer Mehrwert ergab sich in Bezug auf das Verhalten der Kunden eines Unternehmens. Durch Analyse von Echtzeit-Daten aus Befragungen können unterschiedliche Verhaltensweisen und Charakterzüge von Nutzern ermittelt werden. Eine hohe Verbesserung der Kundenorientierung sowie die Möglichkeit der Ermittlung wertvoller Informationen und auch das Herausfiltern versteckter Hinweise aus sehr vielen Daten, haben sich als Chance beim Einsatz von Big Data im Marketing für kleine und mittelständische Unternehmen herausgestellt. Diese sind zudem auch für wichtige Unternehmensentscheidungen von Bedeutung. Darauffolgend wurden auch Herausforderungen ermittelt, die beim Einsatz von Big Data berücksichtigt werden sollten. Diese wären zum einen das Thema des Datenschutzes, vor allem nach der Einführung der Datenschutzgrundverordnung, aber auch der Aufbau eines grundsätzlichen Verständnisses über das Wissen von Big Data für die Mitarbeiter eines kleinen und mittelständischen Unternehmens

Abbildungsverzeichnis

Abb. 1: Prognose zur jährlich generierten Datenmenge von 2016-2025

Abb. 2: Vergleich Big Data und Business Intelligence

Abb. 3: Die wichtigsten IT-Trends des Jahres 2018

Abb. 4: Einfluss der technologischen Trends im Marketing-Unternehmen in 2020

Abb. 5: Weltweiter Umsatz mit Big-Data-Lösungen von 2014-2026

Abb. 6: Umsatz mit Big-Data-Lösungen in Deutschland 2016-2018

Abb. 7: Einsatz und Planung von Big-Data-Lösungen 2016-2017

1 Einleitung

1.1 Problemstellung und Zielsetzung

Durch die zunehmende Digitalisierung in der heutigen Zeit steigt die stetig wachsende Menge an neuen Daten unbegrenzt weiter und wird sich in den nächsten Jahren exponentiell vermehren. Verschiedenartige Quellen wie soziale Medien, Sensoren oder auch mobile Geräte sind einige der vielen unzähligen Ursprünge solcher Daten, die größtenteils unstrukturiert sind und wegen mangelnder Datenanalysen viele dieser umfangreichen und unstrukturierten Daten nie ausgewertet werden können.[1] Heutzutage entstehen in kurzer Zeit unzählige Daten durch bewusste aber auch durch unbewusste Handlungen der Gesellschaft. Da sich Technologien wie Business Intelligence mit kleineren bis mittelgroßen Datenmengen befassen und diese analysieren können, ist die Möglichkeit der Analyse, Auswertung sowie Darstellung großer und schnell wachsender Datenmengen mit anderweitigen Technologien einschließlich Business Intelligence begrenzt bis schwer möglich. Dadurch können viele wertvolle Informationen für Unternehmenszwecke verloren gehen. Vor allem ist der Bereich Marketing ein sehr datenintensiver Bereich, denn hier entstehen tagtäglich viele Daten durch Kunden und auch durch Produkte eines Unternehmens. Die wachsenden Datenmengen im Marketing ist daher ein Thema und mit dem möchte sich der Autor gerne auseinandersetzen.

Ziel dieser vorliegenden Arbeit ist es, sich mit dem Begriff Big Data im Bereich Marketing zu beschäftigen und zu zeigen, welcher Nutzen sich durch den Einsatz von Big Data im genannten Bereich ergeben kann. Hierbei werden die Analysemethoden von Big Data aufgezeigt und mögliche Anwendungsgebiete im Marketing dargestellt, wie beispielsweise Daten nutzbringend in der Marktforschung eingesetzt werden können oder auch wie es zu einer Steigerung der Kundenzufriedenheit kommen kann. Darauf basierend werden Chancen herausgestellt, die sich für kleine und mittelständische Unternehmen ermöglichen. Aber auch mit welchen Herausforderungen sich diese beim Einsatz von Big Data im Bereich des Marketings befassen müssen.

1.2 Vorgehensweise

Aufbauend auf die Problemstellung sowie Zielsetzung dieser Arbeit, wird in Kapitel 2 zunächst auf die Grundlagen von Big Data näher eingegangen. Zu Beginn wird die Definition von Big Data aufgezeigt, um anschließend dessen fünf Eigenschaften zu erläutern. Als Nächstes wird eine Abgrenzung zwischen Business Intelligence und Big Data dargestellt, die zwar einige Parallelen im Ansatz aufweisen, jedoch wesentliche Unterschiede enthalten. Zudem werden einige wichtige Technologien von Big Data dargestellt. Zum einen wird auf die NoSQL-Datenbanken eingegangen, die die relationalen Datenbanken ergänzen und zum anderen auf die Technologien Hadoop und die In-Memory-Technologie. Abschließend wird in Kapitel 2 das Potential von Big Data verdeutlicht, dessen Auswirkungen sich beispielsweise auf die Produktivität, auf den Umsatz sowie bei der Entscheidungsfindung positiv bemerkbar machen können.

Der Fokus des dritten Kapitels liegt auf den Einsatz von Big Data im Bereich des Marketings, welches zudem der zentrale Bereich dieser vorliegenden Arbeit ist. Hierbei werden zunächst die Analysemethoden von Big Data dargestellt. Darauf basierend wird der Nutzen von Big Data im Marketing erläutert. Nachdem dies geschaffen ist, wird gezeigt, wie der Einsatz von Big Data die vier P`s des Marketing-Mix verändern kann. Dabei wird die Preis-, Kommunikations-, Distributions- sowie die Produktpolitik betrachtet. Als letzter Punkt des dritten Kapitels werden mögliche Anwendungsgebiete von Big Data im Marketing erörtert, wie Marktforschung oder auch Microtargeting und diese werden konkret analysiert.

Im vierten und letzten Kapitel des Hauptteils wird zunächst der aktuelle Marktstand gezeigt, um anschließend herauszufiltern, welche Chancen von Big Data sich im Marketing für kleine und mittelständische Unternehmen ergeben können, aber auch mit welchen Herausforderungen sich diese beim Einsatz von Big Data auseinandersetzen müssen.

Ein abschließendes Fazit bildet den Abschluss dieser vorliegenden Bachelorarbeit.

2 Grundlagen von Big Data

Bevor das Nutzen von Big Data im Marketing sowie die Chancen als auch die Herausforderungen beim Einsatz von Big Data im genannten Bereich für kleine und mittelständische Unternehmen näher betrachtet werden können, wird in diesem Abschnitt auf die Grundlagen von Big Data eingegangen. Zunächst wird die Begriffsdefinition erläutert, um erstmal zu wissen, um was sich bei dem Begriff Big Data handelt. Nach der Abklärung der Definition werden die fünf V´s, die Big Data näher charakterisieren, einzeln beschrieben, um einen noch genaueren Überblick darüber erhalten zu können, welche Bedeutung Big Data in sich trägt. Im Anschluss daran, wird die Abgrenzung von Big Data zu Business Intelligence dargestellt und auf einige Technologien von Big Data eingegangen. Schlussendlich wird das hohe Potential, dass in Big Data steckt, erläutert.

2.1 Definition Big Data

Neben weiteren Begriffen gilt Big Data als einer der Bezeichnungen, die sich in der IT-Branche hervorgehoben und durchgesetzt hat sowie auch eine gesellschaftliche Bedeutung zu pflegen weis. Nicht nur in öffentlichen Gesprächsrunden wird darüber diskutiert, auch erscheint der Begriff auf der Titelseite des Magazins ‚Der Spiegel‘.[2] Doch was genau bedeutet Big Data? Was verbirgt sich hinter Big Data? Da die Definition von Big Data durch ihre Vielfältigkeit in Literaturen nicht eindeutig beschrieben ist, wird versucht, im Folgenden eine zutreffende Begriffserklärung darzustellen:

„Big Data steht für die Erzeugung und Verarbeitung zunehmend großer Datenmengen. Diese entstehen durch in der Umwelt verteilte Sensoren, aber auch durch die Auswertung von digital vernetzten Medien oder smarten Elektrogeräten, die permanent Daten sammeln und weiterleiten bzw. mit anderen Systemen ‚kommunizieren‘. Ständig entstehen digitale Datenspuren und werden Metadaten, etwa über unser Nutzungsverhalten, generiert. Die so entstehende Datenmasse ist unstrukturiert und komplex aufgrund ihrer Heterogenität.“[3]

Soziale Medien, das Wachsen des Internets, die steigende Anzahl an eingebauten Sensoren wie Kundenkarten-Sensoren am Point of Sale, sind aber auch nur einige von vielen Beispielen, durch welche solch große Mengen an Daten zustande kommen können.[4] Big Data kommt dann zum Einsatz, wenn anderweitige Technologien mit der Erfassung, Speicherung, Analyse und Darstellung schnell wachsender Mengen an Daten überfordert sind und an ihre Grenzen stoßen.[5] Durch die Entwicklung und die anwachsende Zunahme der Digitalisierung, werden verschiedene Informationen digital zusammenstellt, die die Entstehung von Daten im Netz automatisch vermehren. In der heutigen Zeit ist es möglich, diese großen und wachsenden Daten unterschiedlicher Quellen, die auch aus dem Gesundheitswesen oder auch aus der Wirtschaft entstehen, zu analysieren und auszuwerten. Dies geschieht mit Hilfe der auf Big Data basierenden Technologien und Tools, sodass die verschiedenen Bereiche eines Unternehmens davon profitieren können. Anhand der gewonnenen Erkenntnisse kann ein wirtschaftliches Nutzen erzielt werden.[6]

Auch das Einsetzen von Big Data in diversen Bereichen der Gesellschaft wie in der Medizin oder im Verkehrssicherheit kann förderlich sein, um mit Hilfe zielgerichteter Analysen Probleme und Komplikationen entgegen zu wirken.[7] Mit Big Data wird ermöglicht, von großen Mengen an Daten gezielter und strukturierter Gebrauch zu machen. Mit Hilfe von neuen Lösungen in Bezug auf Hardware sowie auf große Daten bezogene Algorithmen und fortschrittlichen Technologien, ergeben sich neue, vielseitige Möglichkeiten, Daten zu speichern, Analysen sowie auch Auswertungen zu erstellen und so zu verarbeiten, sodass sie sinnvoll dargestellt werden können. Dadurch können konkrete Resultate für unterschiedliche Bereiche bzw. Gebiete erbracht werden.[8] Durch die Intelligenz und den Technologien von Big Data sind zusätzliche Möglichkeiten vorhanden, neue Impulse zu setzen, um prekäre Situationen zu analysieren und auch Untersuchungen in größeren Dimensionen zu erforschen, die zunächst aussichtslos zu schienen gewesen seien.[9]

2.2 Die fünf V`s von Big Data

Big Data lässt sich aus fünf Eigenschaften zusammensetzen, die die Definition etwas näher beschreiben und als die sogenannten fünf V´s bezeichnet werden. Die ersten drei V´s (Volume, Variety und Velocity) stehen für die Basis von Big Data. Diese wird dann durch das vierte V (Veracity), das von der IT- und Beratungsunternehmen IBM hinzugefügt wurde, sowie Value, als das fünfte V, vervollständigt.[10] Auf die jeweiligen Eigenschaften wird im Folgenden näher eingegangen.

Volume (Datenvolumen):

Volume wird als die Datenmenge bezeichnet, die auch aufgrund der Digitalisierung exponentiell und stetig am Wachsen ist und Messungen von Peta-, Exa- bis hin zu Zettabytes erreichen kann.[11] Innerhalb einer einzigen Minute im Internet können Daten von mehr als einem Petabyte in Bewegung kommen. Dies liegt daran, dass die Funktionalitäten in der Digitalisierung vermehrt benutzt werden und dass Daten durch beispielsweise das Herunterladen von Applikationen, Abwicklungen im elektronischen Handel oder auch das Streamen von Musikdaten immer mehr an Bedeutung gewinnen und auch weiterhin steigen werden.[12] Wie in Abbildung 1 zu sehen ist, zeigt eine Studie der International Data Corporation (IDC) eine Statistik, die prognostiziert, dass sich weltweit die jährlich erzeugten digitalen Datenmengen in Zettabyte zwischen 2016 und 2025 um ein Zehnfaches erhöhen wird, sodass ein Wert von 163 Zettabyte erreicht werden kann. Diese Prognose verdeutlicht, wie schnell Daten produziert werden und wie sehr die Menge an Daten innerhalb einer kurzen Zeit exponentiell wachsen wird.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 1: Prognose zur jährlich generierten Datenmenge von 2016-2025[13]

Variety (Varietät):

Mit Variety wird einer der weiteren Aspekte von Big Data beschrieben. Dieser zeigt, dass die Beschaffenheit der Daten aus heterogenen Quellen zustande kommt und sich in Struktur sowie in Form zunehmend voneinander unterscheidet.[14] Im Vergleich zu Konzepten des Business Intelligence und Data-Warehousing, die zunächst versuchen, die Form der unterschiedlichen Daten über ETL-Prozesse (Extraktion, Transformation, Laden) zu strukturieren und erst dann zu analysieren, ist einer der Hauptaufgaben von Big Data umfassende Erkenntnisse aus unterschiedlichen Quellen zu erhalten. Das Ziel dabei ist, dass der Computer die Inhalte der Daten selbstständig verstehen und darstellen kann.[15] Es wird zwischen strukturierten, semistrukturierten und unstrukturierten Daten unterschieden. Schätzungsweise liegt der prozentuale Anteil der Daten, die strukturiert sind bei lediglich 15 %. Im Gegenzug dazu umfassen die semistrukturierten und unstrukturierten Daten 85 %, die aus Texten, Grafiken, Videos und vielem mehr bestehen. Der Gebrauch bzw. die Nutzung semi- und unstrukturierter Daten für Analysezwecke ist immer mehr von Notwendigkeit geprägt. Jedoch stellt dies die relationalen Datenbanken vor Probleme, da die Mehrzahl dieser Daten nicht bzw. erst mit einem enormen Aufwand gesichert werden können.[16]

Velocity (Geschwindigkeit):

Mit Velocity wird die Geschwindigkeit der Daten verstanden, die in zwei Aspekten dargestellt werden. Zum einen wäre es die hohe Geschwindigkeit, mit der Daten produziert werden. Zum anderen stellt Velocity die Geschwindigkeit der Datenverarbeitung dar, indem Daten möglichst zeitnah verarbeitet und analysiert werden. Durch Technologien wie In-Memory-Technologie und auch individuell abgestimmte Algorithmen, werden diese Herausforderungen angegangen.[17] Die In-Memory-Technologie, die für das Wachstum der Verarbeitungsgeschwindigkeit von Daten verantwortlich ist, ermöglicht es, dass Daten nicht mehr auf Festplatten gespeichert werden müssen, um sie erst analysieren zu können. Die großen Mengen an Daten werden im Hauptspeicher für die Weiterverarbeitung und Analysezwecke in Echtzeit zur Verfügung gestellt, um dadurch direkt Analysen erstellen zu können.[18]

Veracity (Wahrhaftigkeit):

Veracity steht für die Wahrhaftigkeit bzw. für die Qualität der Daten und wird als das vierte V von Big Data definiert. Auch bei Big Data ist es empfehlenswert, dass eine hohe Qualität der Daten angestrebt wird, jedoch bringt die Menge und die Vielfalt der Daten unterschiedliche Qualitäten mit sich. Nicht immer hat man Einfluss auf die Qualität und daher müssen auch die Veränderungen bzw. die Schwankungen der Daten in Kauf genommen werden. Nicht nur die Datenqualität selbst kann zur Qualitätsminderung beitragen, sondern auch die Verarbeitung sowie die Auswertung großer Datenmengen.[19] Daten aus sozialen Medien sind Beispiele, in welcher von Usern geschriebene Inhalte in sozialen Netzwerken oft von persönlichen Gefühlen oder Meinungen geprägt sind und dementsprechend Einfluss auf die Qualität der Daten haben können. Solche Einflussgrößen bei der Planung sowie Durchführung von Analysen zu berücksichtigen, ist eines der zentralen Aufgaben bei der Verwendung von Big Data.[20]

Value (Mehrwert):

Mit Value, das fünfte und zugleich das letzte V, ist der unternehmerische Mehrwert gemeint. Ein Unternehmen muss sich mit der Frage auseinandersetzen, ob überhaupt der Einsatz von Big Data im Unternehmen erforderlich und auch sinnvoll ist. Dem zu Folge ist eine entsprechende Voranalyse zu erstellen, in Abhängigkeit der Geschäftsmodelle, der Unternehmensstrategie und weiteren Rahmenbedingungen, um diese Frage beantworten zu können.[21] Mit komplexen Methoden zur Datenanalyse und Erkennung von Mustern wie beispielsweise Data Mining oder Text- und Bildanalysen, ermöglicht Big Data eine automatisierte Auswertung von Daten, um dadurch relevante Erkenntnisse und zugleich auch einen Mehrwert der Daten für Unternehmen zu ermöglichen.[22]

2.3 Abgrenzung von Big Data zu Business Intelligence

Bei dem Begriff Business Intelligence handelt es sich um ein integriertes Gesamtkonzept innerhalb der Informationstechnik, dass sich mit der Informationssammlung, der Informationsanalyse sowie der Informationsdarstellung der unternehmensspezifischen Daten auseinandersetzt.[23] Dabei werden Daten aus dem ERP-System (Enterprise Resource Planning), die aus verschiedenen Bereichen des Unternehmens kommen, systematisch ausgewertet, um dadurch konkrete und bessere Entscheidungen auf strategischer Ebene treffen zu können. Über einen ETL-Prozess gelangen die Daten in einem Data-Warehouse, die durch den ETL-Prozess extrahiert, in einem Zieldatenbankschema transformiert und schlussendlich in einer Zieldatenbank, einem Data-Warehouse, geladen werden. Einige Parallelen zwischen Business Intelligence und Big Data gibt es zwar im Ansatz, jedoch sind wesentliche Unterschiede vorhanden. Einer dieser Unterschiede ist, dass Big Data zudem zukunftsorientiert ist. Big Data ermöglicht es, dass sich zukünftige Handlungen vorhersagen lassen und daraus abgeleitet, welche Maßnahmen erforderlich sind, um gewisse Ziele zu erreichen oder auch um Problemen entgegenzuwirken. Hingegen zu Big Data ist Business Intelligence auf die Gegenwart ausgerichtet. Berichte werden erstellt, die sich hauptsächlich auf die aktuelle Situation eines Unternehmens beziehen und zu momentanen Unternehmensentscheidungen beitragen. Ein weiterer Unterschied liegt darin, dass es sich bei Business Intelligence um einen regungslosen Prozess handelt. Das bedeutet, dass die Aggregation von Daten, die Erstellung von Data-Mart sowie die Analyse, auf die erstellten Berichte ausgerichtet sind. Big Data ist wiederum sehr vielseitig und variabel. Hier werden die Daten in Echtzeit gespeichert und für die Suche nach Feststellungen und Zusammenhänge initiativ eingesetzt. Bei Unternehmensfragen können die Daten schnell und direkt herangezogen werden, um entsprechend rasche Antworten hervorzurufen. Im Vergleich zu Business Intelligence steht Big Data für eine viel engere Beziehung zum Unternehmen und zu der Philosophie eines Unternehmens.[24] Auch wenn Business Intelligence Daten zu wichtigen Berichten transformieren kann, handelt es sich hierbei oftmals um Daten, die in der Vergangenheit entstanden sind und lange Latenzzeiten beinhalten. Dadurch ist es kaum möglich und ungeeignet dafür, zeitkritische Daten schnellstmöglich und in Echtzeit auszuwerten, um Aussagen über die Zukunft zu liefern und die Möglichkeit zu bieten, frühzeitig zu handeln. Organisationen verschiedener Bereiche wie in der industriellen Produktion oder auch im Finanzwesen, sind in der heutigen Zeit darauf angewiesen, Daten in Echtzeit zu sammeln und zu analysieren, um dadurch wichtige Erkenntnisse und Muster zu erkennen.[25]

Weitere Abgrenzungskriterien sind in Abbildung 2 zu sehen, die nochmals eine Verdeutlichung zwischen Business Intelligence und Big Data zeigen. Hier wird u. a. nochmals gezeigt, dass Big Data für hochkomplexe Analysen gedacht ist und sich mit sehr großen Datenmengen auseinandersetzt. Business Intelligence richtet sich wiederum an einfache bis mittelkomlexe Abfragen und Analysen mit bis zu mittelgroßen Datenmengen, die sich im Terabyte-Bereich bewegen.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 2 : Vergleich Big Data und Business Intelligence [26]

2.4 Technologien von Big Data

Durch das exponentielle Wachstum an Daten, die aus verschiedenen Datenquellen zustande kommen, geraten relationale Datenbanken immer häufiger an ihre Grenzen. Weder schaffen sie es, die in weit unstrukturierten großen Datenmengen, sei es aus dem Internet, aus Smartphones oder auch aus sensorischen Daten, wie Bewegungsdaten von Kraftfahrzeugen, Gebäuden oder Maschinen zu verarbeiten, noch besteht eine gute Skalierbarkeit bei der Haltung der Daten. Jedoch verbirgt sich auch in solchen Daten viel Potential, die für Schlüsselentscheidungen sehr relevant sind und wichtige Informationen beinhalten. Anhand der Technologien von Big Data kann man von strukturierten, semi-strukturierten und auch unstrukturierten Daten technisch als auch wirtschaftlich Gebrauch machen und wichtige Erkenntnisse aus deren Analyse gewinnen.[27]

Eine dieser Technologien sind NoSQL-Datenbanken, die jedoch die relationalen Datenbanken nicht ausschließen, sondern diese ergänzen. NoSQL steht daher für „not only SQL“. NoSQL-Datenbanken ermöglichen es, dass Datenobjekte, die unterschiedliche Strukturen besitzen, nicht in ein relationales Objekt umgeformt werden müssen. Verschiedene Datenstrukturen können dadurch agiler gesichert werden und es ermöglicht, dass mit multistrukturellen Daten besser umgegangen werden kann. Der Vorteil der flexiblen Schemata liegt darin, dass die Struktur der Daten nicht vorweg genau definiert werden muss. Dementsprechend kann auf Schemaänderungen flexibel reagiert werden, was jedoch bei relationalen Datenbanken nicht der Fall ist. Solche Änderungen sind oftmals mit einer Menge an Migrationsaufwand verbunden.[28] NoSQL-Datenbanken können durch folgende Eigenschaften besser beschrieben werden. Zum einen sind sie schemafrei und zum anderen sind sie horizontal skalierbar und lassen sich leicht verteilen. Da sie schemafrei sind und keine festgelegte Struktur beinhalten, müssen die Daten nicht unbedingt immer in Beziehungen stehen, um gesichert und ausgewertet zu werden. Durch NoSQL-Datenbanken kann man riesige Datenmengen speichern und unstrukturierte Daten besser verwalten sowie kostengünstig verarbeiten. Darüber hinaus besitzt NoSQL-Datenbanken mit MVCC (Multiversion Con-Currency Control) eine wichtige Technologie, die es ermöglicht, dass Veränderungen an Datenbeständen gleichzeitig und parallel von mehreren Benutzern vorgenommen werden können ohne blockiert zu werden, wie es bei relationalen Datenbanken der Fall ist und es dort nur nacheinander folgend gearbeitet werden kann. Das bedeutet, dass immer eine neue Version eines Datensatzes errichtet wird, sobald ein Datensatz eingefügt, gelöscht oder geändert wird. Um zu keiner Verwirrung bei den Nutzern zu führen, werden die Versionen voneinander unterschieden, indem die Versionen fortlaufende Transaktionsnummern erhalten.[29]

Eine weitere Technologie von Big Data ist Hadoop, eine Open-Source-basierende Framework in der Programmiersprache Java. Dies widmet sich der Stelle, an der Data-Warehouse-Systeme Schwierigkeiten mit der Aufnahme und Verarbeitung der exponentiell wachsenden Menge an Daten haben. In der heutigen Zeit sind nicht mehr nur die strukturierten Daten, sondern vielmehr auch die unstrukturierten Daten für Analysezwecke von großer Bedeutung, die jedoch anhand eines Data-Warehouse nicht nur schwer durchführbar ist, sondern auch hohe Kosten verursacht. Hadoop ermöglicht die Speicherung, die Erfassung, die Analyse und eine leistungsstarke Verarbeitung verschiedenartig strukturierter Daten und großer Datenmengen auf ein Cluster von Computern. Je stärker die Datenmengen steigen, desto mehr Datenspeicher wird benötigt. Die Anschaffung größerer Datenbanksysteme können sehr kostenintensiv sein. Um die Kosten gering zu halten, nutzt Hadoop Standard-Hardware und verwendet Open-Source-Lizenzmodelle. Das bedeutet, dass in einem Hadoop-System, die Kosten für ein Terabyte Speicher geschätzt bis zu 20-mal günstiger sind als bei traditionellen Systemen und dementsprechend können Daten günstig und im Rohformat gespeichert werden. Einer der technologischen Vorteile von Hadoop-Framework ist eine gleichzeitige Verarbeitung strukturierter, semi-strukturierter und vor allem unstrukturierter Daten. Hadoop ermöglicht einen guten Ausgangspunkt für Unternehmen, die anhand der Analysen unstrukturierter Daten wichtige Erkenntnisse und Informationen über ihre Kunden erhalten möchten.

Weiterhin ist eine parallele Verarbeitung großer Daten von Terabytes bis hin zu Petabytes auf einer Menge von Standard-Servern möglich. Die Verarbeitung wachsender Datenmengen wird durch die horizontale Skalierbarkeit ermöglicht. Hadoop wird als eine Plattform zur Analyse und Aufbereitung von Daten gesehen und als ein Datenarchiv, in der Daten abgelegt werden und zeitnah zur Verfügung stehen. Weiterhin beinhaltet es die Standardfunktionen eines Data-Warehouse wie Aggregation und kann deswegen als eine wertvolle Ergänzung zum Data-Warehouse betrachtet werden.[30] Auch enthält Hadoop den ELT-Prozess (Extraktion, Laden, Transformation), der in der Reihenfolge der Phasen im Vergleich zum ETL-Prozess vom Data-Warehouse anders ist. Hier werden die in unterschiedlichen Quellsystemen zustande gekommenen Daten, unabhängig davon, ob sie für die Ergebnisse wichtig oder unwichtig sind, zunächst extrahiert, dann bereinigt und schlussendlich gespeichert.[31]

Um die Geschwindigkeit des Zugriffs auf die Daten zu erhöhen und dazu auch die Durchführung von Analysen zu beschleunigen, werden Daten anhand der In-Memory-Technologie nicht wie zuvor auf Festplatten abgelagert, sondern auf dem Hauptspeicher hinterlegt. Die Kapazität moderner Server beinhaltet inzwischen mehrere Terabytes Hauptspeicher und ermöglicht auch eine Zugriffszeit von Nanosekunden auf Datenbankabfragen. Es gibt hier zum einen die reinen In-Memory-Systeme. Hier können neben dem Hauptspeicher, in dem alle Daten hinterlegt sind, auch Festplatten genutzt werden, die als persistente Speicher zum Schutz und Sicherheit vor Datenverlust dienen. Dies erhöht die Zugriffsgeschwindigkeit auf die Daten im Hauptspeicher. Anders ist es bei den Hybrid-In-Memory-Systemen. Hier landen nicht alle Daten auf dem Hauptspeicher, sondern nur die relevanten Daten. Die unrelevanten Daten werden auf der Festplatte abgelegt. Das dient dazu, dass für eine schnellere Bearbeitung und Auswertung von Daten, die im Hauptspeicher relevanten Daten zur Verfügung gestellt werden.[32] Mit Hilfe von In-Memory-Technologien, erhöht sich die Zugriffsgeschwindigkeit auf Daten um das 10.000-fache. Dadurch können Analysen von Daten schnell und in Echtzeit durchgezogen werden und beanspruchen nicht mehrere Stunden oder auch Tage.[33]

2.5 Das Potential von Big Data

Hinter Big Data steckt ein enormes Potential. Ein effektives Einsetzen von Big Data in einem Unternehmen kann bewirken, dass sich die Produktivität als auch der Umsatz erhöhen und dementsprechend gewinnbringend für ein Unternehmen sind. Anhand einer systematischen Speicherung, Verarbeitung, Auswertung sowie Darstellung der Daten, kann eine Maximierung des Umsatzpotentials erzeugt werden und zu einer kosteneffizienten Abwicklung anderer Tätigkeiten führen. Außerdem ermöglichen sich durch Big Data oder durch die detaillierten Erkenntnisse aus den Analysen der Daten, die aus vielen Quellen zustande kommen, mehr nutzbringende und strategisch unternehmerische Entscheidungen zu treffen. Verbesserung der Kundenbindung, des Kundenerlebnisses als auch der Kundenzufriedenheit, Verkaufssteigerungen, Risikosenkung und auch die Qualitätssteigerungen in Bezug auf Produkte und Service, sind einige solcher Aspekte, die durch das Potential von Big Data ermöglicht werden können. Der Einsatz von Big Data kann in vielen Bereichen angewendet werden, sei es im Marketing, im Controlling, in der Betrugsermittlung, im Vertrieb oder auch in der Forschung und Entwicklung. Weiterhin können die Entscheidungen von Big Data hilfreich für die Marktforschung sein und auch um ein größeres Verständnis des Marktes erhalten zu können.[34] Auch in Bezug auf E-Commerce werden die Potenziale von Big Data sehr ersichtlich. Mit Hilfe detaillierter Analysen und durch die Vielseitigkeit der Datenquellen sowie die großen Mengen an Daten, ist es leichter möglich, auf das Verhalten der Konsumenten einzugehen. Anhand spezifischer Berichte bewährt es sich, noch genauer auf die Bedarfe des Kunden zu reagieren und deren Bedürfnisse abzudecken, im Vergleich zu früheren Methoden.[35]

Big Data steht auch für ein Sinnbild der künstlichen Intelligenz. In verschiedenen Bereichen ist Big Data am Erfolg der künstlichen Intelligenz beteiligt. Sei es in der IT-Infrastruktur, in der Unternehmen aufgrund der massiven Zunahme an Daten stärker investieren, um dadurch neue Konzepte und komplexe Systeme zu implementieren und nutzen zu können oder auch zur Weiterbildung bzw. Weiterentwicklung der künstlichen Intelligenz. Hier werden die großen Datenmengen der künstlichen Intelligenz bereitgelegt, um die Möglichkeit zu haben, die künstlichen neuronalen Netze zu trainieren und dementsprechend Verbesserungen im Machine-Learning-Bereich erreichen zu können.[36] Big Data gilt als einer der wichtigsten IT-Trends des Jahres 2018. Dies wurde anhand einer Befragung, die in Abbildung 3 zu sehen ist, statistisch belegt. Mit 43 % steht Big Data unter den zehn wichtigsten Technologie- und Markttrends 2018, die von den befragten Informations- und Kommunikationstechnologie-Unternehmen in Deutschland gewählt wurden. Neben Big Data gehören zu den weiteren IT-Trends auch digitale Plattformen, Cloud-Computing, mobile Applikationen und auch die IT-Sicherheit, die mit 67 % an der obersten Stelle steht.

Abb. 3 : Die wichtigsten IT-Trends des Jahres 2018 [37]

3 Big Data im Marketing

Big Data im Marketing ist der zentrale Bereich dieser Bachelorarbeit und wird in diesem Abschnitt ausgiebig dargestellt. Zunächst wird näher auf Big Data Analytics eingegangen und gezeigt, welche Analysemethoden Big Data beinhaltet. Darüber hinaus wird dargestellt, welcher Nutzen sich daraus erschließen lässt. Als Nächstes wird erläutert, welche Veränderungen der vier P`s des Marketing-Mix durch Big Data möglich sind. Dementsprechend wird hier auf die Preis-, Kommunikation-, Distribution- und Produktpolitik eingegangen. Anschließend werden mögliche Anwendungsgebiete von Big Data im Bereich Marketing herausgefiltert und erläutert.

[...]


[1] Vgl. Schüller, 2018, S. 111

[2] Vgl. Bachmann/Kemper/Gerzer, 2014, S. 13

[3] Wiegerling/Nerurkar/Wadephul, 2018, S. 6

[4] Vgl. Gentsch, 2018, S. 7

[5] Vgl. Gottwald, http://www.softselect.de/wissenspool/big-data#Was%20Big%20Data (Zugriff am 24.09.2018)

[6] Vgl. Vossen, 2015, S. 35

[7] Vgl. Bachmann/Kemper/Gerzer, 2014, S. 19

[8] Vgl. Waidner, 2015, S. 8

[9] Vgl. Vossen, 2015, S. 51

[10] Vgl. Rossa/Holland, 2014, S. 250 f.

[11] Vgl. Bachmann/Kemper/Gerzer, 2014, S 24

[12] Vgl. Vossen, 2015, S. 36

[13] Vgl. IDC, https://de.statista.com/statistik/daten/studie/267974/umfrage/prognose-zum-weltweit-generierten-datenvolumen/ (Zugriff am 27.09.2018)

[14] Vgl. King, 2014, S. 35

[15] Vgl. Dorschel, 2015, S. 8

[16] Vgl. Lanquillon/Mallow, 2015, S. 262

[17] Vgl. Gentsch, 2018, S. 9

[18] Vgl. Bachmann/Kemper/Gerzer, 2014, S 24

[19] Vgl. Rossa/Holland, 2014, S. 254

[20] Vgl. Dorschel, 2015, S. 8

[21] Vgl. Bachmann/Kemper/Gerzer, 2014, S 28

[22] Vgl. Gadatsch, 2017, S. 3

[23] Vgl. Haberich, 2015, S.68 f.

[24] Vgl. Rossa/Holland, 2014, S.255 f.

[25] Vgl. Ortega, 2015, S. 55

[26] Vgl. Qunis, https://big-data-factory.de/big-data-advanced-analytics-technologien-architektur/business-intelligence-big-data/ (Zugriff am 11.10.2018)

[27] Vgl. Schön, 2018, S. 413 f.

[28] Vgl. Fasel, 2016, S. 111 ff.

[29] Vgl. Schön, 2018, S. 422 ff.

[30] Vgl. Müller, 2016, S. 145 ff.

[31] Vgl. Schön, 2018, S. 426

[32] Vgl. Schön, 2018, S. 420 f.

[33] Vgl. Fels/Schinkel, 2015, S. 294

[34] Vgl. King, 2014, S. 60 ff.

[35] Vgl. Föhl/Theobald, 2015, S. 133

[36] Vgl. Gentsch, 2018, S. 10 f.

[37] Vgl. Bitkom, https://de.statista.com/statistik/daten/studie/808775/umfrage/die-wichtigsten-trends-in-der-itk-branche/ (Zugriff am 29.11.2018)

Ende der Leseprobe aus 56 Seiten

Details

Titel
Big Data im Marketing. Nutzen, Chancen und Herausforderungen für kleine und mittelständische Unternehmen
Hochschule
Technische Hochschule Rosenheim
Note
1,8
Autor
Jahr
2019
Seiten
56
Katalognummer
V468950
ISBN (eBook)
9783668947719
ISBN (Buch)
9783668947726
Sprache
Deutsch
Schlagworte
data, marketing, nutzen, chancen, herausforderungen, unternehmen
Arbeit zitieren
Youssof Shafi (Autor), 2019, Big Data im Marketing. Nutzen, Chancen und Herausforderungen für kleine und mittelständische Unternehmen, München, GRIN Verlag, https://www.grin.com/document/468950

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Big Data im Marketing. Nutzen, Chancen und Herausforderungen für kleine und mittelständische Unternehmen



Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden