Big Data im Marketing. Wenn Datenschutz und Wirtschaft aufeinandertreffen


Studienarbeit, 2021

23 Seiten, Note: 1,7

Anonym


Leseprobe

Inhaltsverzeichnis

Inhaltsverzeichnis

Abbildungsverzeichnis

1. Einleitung

2. Neue Wege - mehr Daten

3. Web-Analystics-Daten

4. Datenschutz vs. Wirtschaft

5. Fazit/Ausblick

6. Literaturverzeichniss

Abbildungsverzeichnis

Abbildung 1: Starbucks and the Pokémon Go Frappucino

Abbildung 2: Fast food might soon come with a side of Pokemon

1. Einleitung

Um dem richtigen Kunden zum richtigen Zeitpunkt das richtige Angebot unterbreiten zu können, wird zunächst eins benötigt: Informationen. Diese Daten sind seit langem verfügbar. Unternehmen müssen nur lernen, sie richtig zu filtern und zu verwenden. Die Entwicklung der Technologie ermöglicht es, immer mehr Daten zu generieren und schneller zu verarbeiten. In der Vergangenheit umfasste Date Mining eine mühsame manuelle Datenanalyse, um das Verbraucherverhalten zu untersuchen. Heute jedoch werden Tools wie Vollautomatische Echtzeitberechnung genutzt, die aufzeigen, welche Produkte den Besuchern des Werbegeschäfts, innerhalb der nächsten Millisekunde angezeigt werden sollen. Während in der Vergangenheit nur das Wissen genutzt wurde, welche Kunden welches Produkt wann gekauft haben, wird heute jedes noch so kleine Rohdaten-Material analysiert und dazu verwendet Kunden und ihr Verhalten Vorhersehbar zu machen. Grund: Immer mehr Berührungspunkte finden digital statt und sind damit protokollier- und analysierbar. Jeden Tag zeigen Kunden auf ihren Smartphones und PCs, woran sie interessiert sind. Doch auch wenn wir denken Offline zu sein Sammeln unsere Alltagsgegenstände wie SmartWatch, Navi und Siri unaufhörlich weiter Daten. Unternehmen können diese Informationen verwenden, um genaue benutzerdefinierte Angebote zu erstellen. Bei all diesen Daten, die Unternehmen über uns haben, stellt sich die Frage: In wie weit können Unternehmen anhand von gesammelten Daten ihre Nutzer auch offline steuern? Wer sich heute an Verbraucher richtet, muss nicht mehr für teure Werbekampagnen mit Streuverlust bezahlen. Die heutigen Innovationen erlauben es, die richtige Zielgruppe exakt in dem Moment zu erreichen, in dem bei den potenziellen Kunden Interesse besteht. Auch bei Unternehmen, die mit Direktmarketing arbeiten haben veraltete Modelle wie undifferenziertes Mailings ausgedient. Inhalte werden auf die Interessen der potenziellen Kunden ausgerichtet. Hierbei spielt Predictive Targeting eine große Rolle. Es kann voraussagen, welches Angebot bei einem Empfänger auf die höchste Kaufbereitschaft trifft. Doch diese Masse an Informationen hat auch Schattenseiten. Das Konsumenten damit angelockt und zum kauf verleitet werden können ist hierbei für Datenschützer nur die Spitze des Eisberges. Verkauf von Gesichtserkennungs- Modellen, Wählerbeeinflussung durch Manipulation von affektiven Zuständen usw. Da tellt sich die Frage bis zu welchem Grad ist es noch ethisch vertretbar solche Daten zu generieren und eventuell am Ende sogar an Dritte zu verkaufen? Und welche Daten besitzen Unternehmen überhaupt über ihre Nutzer und wie werden sie gewinnbringend eingesetzt?

2. Neue Wege - mehr Daten

2.1 Personenbezogene Kundendaten

Die klassischen Personenbezogenen Kundedaten kratzen nur an der Daten-Oberfläche. Sie sind oftmals konstant und ändern sich während des gesamten Kunden-Lebenszyklus im Unternehmen nicht. Folgende Informationen zählen in den meisten Fällen dazu:

- E-Mail-Adresse
- Anrede (Geschlecht)
- Vorname
- Nachname
- Anschrift
- Telefonnummer
- Geburtsdatum

Die E-Mail-Adresse ist heute Minimum-Anforderung, wenn man in einem Online-Shop bestellen oder sich auf einem Portal registrieren möchte. Kunden-Informationen wie Anrede, Vor- und Nachname werden oft erst im zweiten Schritt abgefragt. Je nach Geschäftsmodell kann die Anrede angepasst bzw. persönlicher gesteltet werden, wie zum Beispiel „Mama“ oder „Papa“ auf Baby-Shops oder Elternportalen.

2.2 Transaktionsdaten

Transaktionsdaten sind alle Informationen die bei einer Bestellung anfallen und beinhalten die gesamte Kaufhistorie eines jeden Kunden. Sie werden im Enterprise-Resource-Planning-System (ERP) abgespeichert und sind, im Gegensatz zu Web-Analytics-Tools, die einzig zuverlässige Quelle, wenn es darum geht Kaufvrhalten exakt zu analysieren. Aber weshalb sind Webanalyse-Tools nicht zu 100 Prozent zuverlässig, wenn es um Transaktionen geht? Sie nehmen, aufgrund ihrer Programmierung, eine Bestellung schon dann als abgeschlossen wahr, wenn der „jetzt kaufen“ Button angeklickt wurde. Dass es hierbei im Nachhinein zu diversen Komplikationen kommen kann nehmen sie nicht wahr. Zum Beispiel wird ein Produkt vom Händler aus der Bestellung storniert, da kurzfristig Lieferschwierigkeiten eingetreten sind. Oder die Vorkassen-Zahlung vom Kunden nicht geleistet wurde und die Bestellung damit nie ausgeliefert wurde. Transaktionsdaten geben des weiteren Aufschluss über Metainformationen. Kauft der Kunden hochpreisig oder eher günstig? Welche Produktkategorien und damit Produktgruppen, sind besonders wichtig? Die Metainformationen werden nun in Relation zum Kunden-Lebenszyklus betrachten, um dessen Bedarfspotenziale zu identifizieren und auszuschöpfen. Hierbei wird der Customer Lifetime Value des Kunden berechnet und herausgefiltert wie oft Kunden kaufen und ob sie für das Unternehmen rentabel sind (vgl. Gupta et al 2009, S. 4).1

2.3 Erhobene Profilirungsdaten

Darunter fallen alle Daten die zusätzlich zu den, für die Transaktion notwendigen Daten, mit abgefragt bzw. erhoben werden. Welche Informationen dies im Einzelnen sein können, hängt vom Geschäftsmodell und den angebotenen Produkten ab. Bei einem Baby-Shop kann dies zum Beispiel das Alter des Kindes sein, das dem Händler verrät, wann der Kunde potenziell welche Produkte benötigt. Für ein Fitness-Portal kann es von Interesse sein, welche Motivation der User hat, die Seite zu besuchen. Geht es um Gewichtsreduktion, Muskelaufbau oder hat der User gesundheitliche Probleme und interessiert sich deshalb für Fitness? In allen Fällen helfen diese Zusatzdaten dem Seitenbetreiber, den Kunden besser einzuordnen, und gibt ihm Aufschluss darüber, für welche Produkte und Informationen sich der User zu welcher Zeit interessieren könnte.

2.4 CRM-Daten

In der Online-Welt bleiben den Unternehmen viele relevante Informationen anfangs verborgen. Wie sieht mein Kunde aus und welche Persönlichkeit hat er? Lebt er alleine oder hat er Kinder und Familie? Wie Alt ist er und welche Motivation steckt hinter seinem Einkauf? Stellte dies vor einigen Jahren noch eine große Herausforderung dar, die Bedürfnisse der Kunden zu erahnen, stehen heute zwei Dinge zur Verfügung, um dies zu tun: Daten und die Tools, um diese Daten auszuwerten. Dadurch eröffnen sich Unternehmen Möglichkeiten, die sich Tante Emma wohl nicht einmal zu fragen wagte. Beispielsweise wie liquide ein Kunde ist, Bonitätsprüfungen im Check-out machen es möglich. Ebenso begnügn sich die Unternehmen heute nicht mehr nur mit der Gegebenheit der simplen Adressspeicherung eines Kunden. Nein, hierbei wird gleichzeitig auch ausgewertet, ob ein Kunde in einer wohlhabenden Wohngegend residiert oder in einem sozial schwachen Umfeld wohnt. Dabei kann es sogar dazu kommen das dem Kunden im Online-Handel, je nach Wohnanschrift oder Kaufgewohnheiten, individuelle Preise dargelegt bekommen (vgl. Emmerich, 2016).2 Unternehmen wissen, wie oft der Kunde kauft, wann er zuletzt gekauft hat und was in seinem Warenkorb war, oder auch wie viel Umsatz und Gewinn er dem Unternehmen schon eingebracht hat. Die Liste ist schier endlos. Wo Unternehmen also früher der persönliche Kontakt geholfen hat, die Bedürfnisse ihrer Kunden zu identifizieren, sind es heute die Daten, die ihnen dabei helfen. Im Umkehrschluss bedeutet das: ohne Daten — kein CRM. Jede einzelne Information wird verfolgt, gespeichert und analysiert. Jede User-Bewegung, jeder Klick, jede Suchanfrage. Speichern jede Kundenservice-Anfrage und jede Bestellung. Speichern, wann der Kunde zuletzt auf der Seite war und was er dort gemacht hat. Es scheint wie ein Schlaraffenland für Unternehmer oder, um es mit den Worten von Mr. Burns aus den Simpsons auszudrücken, „Ausgezeichnet“3. Doch Big Data ist auch eine Herausforderung für Unternehmen, diese stehen immer häufiger dem Problem gegenüber dem Strom, an sekündlich ankommenden neuen Daten, Herr zu werden. Und sie mit adäquatem Aufwand so zu analysieren und zu interpretieren, dass am Ende verwertbare Informationen dabei herauskommen. Des Weiteren schreitet der Technologische Fortschritt so schnell voran, dass viele Firmen mit der Anpassung ihrer internen Systemen gefühlt stetig hinterherhinken (vgl. Prof. Dr. Weyer, 2017).4 Dies hat zur Folge, dass die Daten zu einem Kunden oft gar nicht so einfach analysiert werden können, da diese in verschiedenen Systemen gespeichert sind und in unterschiedlichen Formaten vorliegen, die sich nicht miteinander verknüpfen lassen. Theoretisch sind all diese Informationen über einen Kunden verfügbar, jedoch gelingt es vielen Unternehmen praktisch (noch) nicht, sie zu einem vollständigen User-Profil zu aggregieren. Jedoch sind die Weichen, gutes CRM zu machen, gelegt.

3. Web-Analystics-Daten

3.1 Daten sammeln leicht gemacht

Als es IBM 1980 das erste Mal gelang, die magische Speicherkapazität einer Festplatte von 1 GB zu überschreiten, hatte diese die Größe eines Kühlschranks, wog 250 kg und hatte die Kapazität von ganzen 2,52 GB. Heute, im Jahr 2021, tragen Nutzer locker mal 2 Terabyte in Form eines kleinen USB-Sticks in ihrer Hosentasche umher (Riemann, 2009).5 6

Wie Hänsel und Gretel eine Körner-Spur durch den Wald gelegt haben, hinterlässt heute jeder Nutzer seine digitale Spur im Internet. Unternehmen können jede einzelne Bewegung eines potenziellen Kunden auf ihrer Internetseite verfolgen. Wie lange er sich auf einer Produktdetailseite aufhält, ob er die Suchfunktion nutzt oder aber direkt über die Hauptnavigation zum gewünschten Produkt gelangt? Hat er sich entschieden zu seinem Wunsch-Artikel geklickt und legt diesen direkt in den Warenkorb oder schaut er sich noch 10 ähnliche Produkte an und vergleicht diese? Schließt er seinen Website-Besuch mit einem Kauf ab, kennt das Untenehmen auch seinen Namen und seinen Wohnort. Aber wie viel wissen Firmen über die mentalen Schritte des Kunden, die heute zum Vertrag geführt haben? Hierbei sind zwei Arten von Daten relevant: Daten zu Verhaltenstreibern und Daten zum tatsächlichen Kundenverhalten. Unternehmen, die Segmentierungen intelligent und konsequent angehen, kennen die Verhaltenstreiber von Kunden und potenziellen Kunden genau. Diese sind zurückzuführen auf: Demographie, Sozioökonomie, Psychographie/Werten und Bedürfnissen (zu trennen in „notwendig“ vs. „erwünscht“). Mit diesen Daten können Unternehmen Segmente und Einzelkundenebene analysieren - vorausgesetzt die Person lässt es zu. Unternehmen nutzen die Einzelkundenebene Analysen gemäß Segmentlogik zum Beispiel für folgendes Beispiel: Eine 27-Jährige Frau aus München, tätig in der Marketingbranche, hat ein Jahreseinkommen von 72.000 Euro. Diese junge Frau hat mit relativ hoher Wahrscheinlichkeit schon einmal darüber nachgedacht, sich einen BMW Mini zu kaufen. Für Citroen könnte es sich lohnen dieser Frau zu sagen, dass der DS3 eine echte Design-Alternative ist, die vermutlich noch keine ihrer Freundinnen hat. Obwohl die meisten Daten leicht, günstig und legitim mit dem Datenschutz zugänglich sind, beschäftigen sich Unternehmen, ausgenommen Facebook, Amazon und Co., noch relativ oberflächlich mit den Verhaltenstreibern in Segmenten. Um das Potenzial der zielgruppenspezifische Ansprache und Kundenwertoptimierung effektiv nutzen zu können, müssen Unternehmen anfangen das Verhalten ihrer Kunden systematisch zu beobachten und auszuwerten. Oder genauer gesagt: Systematische Beobachtung der Interaktionen des Kunden entlang der „Costumer Journey“ (vgl. Norton andPine, 2013)7. Das wird Unternehmen heutzutage sogar leicht gemacht da jeder deutsche Konsument im Schnitt über 2,5 internetfähige Geräte verfügt. Kein Wunder, dass auch die Menge der Daten, die Nutzer täglich generieren, stetig ansteigt. Des Weiteren kommt dazu, dass nicht nur die durchschnittliche Nutzungsdauer desInternets pro Taggestiegen ist, sondern auch die Anzahl der Nutzer. Im Jahr 2018 kamen rund 3,8 Millionen tägliche Internetnutzer hinzu, sodass sich die Zahl der täglichen Onliner im Jahr 2019 auf 54 Millionen belief (vgl. Statista 2018).8 Die deutschen Nutzer brachten es im selben Jahr auf eine durchschnittliche Internetnutzungsdauer von 4 Stunden und 52 Minuten pro Tag (vgl. Statistica 2019).9 Diese Ergebnisse rühren daher, dass für 70 Prozent der Deutschen das Internet die wichtigste Quelle für Tagesnachrichten ist. Im Vergleich dazu nannten nur 27 Prozent das Fernsehen als wichtigste Newsquelle (vgl. Newman et al 2020, S. 71).10 Und ein Drittel der Internetnutzer holt sich seine Nachrichten aus dem Social Web (vgl. Newman et al 2020, S. 71).11 Sowohl das Handy als auch speziell das Social Web sind Datensammler. Facebook analysiert systematisch Nutzerverhalten, um herauszufiltern wann die am besten passenden Werbeanzeigen abgespielt werden muss. Hierfür holt Facebook sich die Einwilligung ihrer Nutzer, über 42 unterschiedliche Dinge anwenden zu dürfen, Tendenz steigend. Das reicht vom Anzapfen von Datenquellen wie dem Adressbuch, Standort und Kalender bis zur Änderung von Einträgen. Außerdem werden auch alle Aktivitäten gespeichert, also Statusmeldungen, Veranstaltungen, Kommentare, „Gefällt mir“-Angaben usw. (vgl. Datenschutz.org 2021).12 Doch allein mit diesen Daten gibt sich die Marktwirtschaft und ihre Giganten nicht zufrieden, sie wollen Daten über die nicht einmal die Nutzer selbst einen Überblick haben. Forscher von Harvard und dem MIT untersuchen den Einsatz von intelligenten Tattoos. Das Projekt mit dem Namen "Dermal Abyss" ist ein Experiment zur Verwendung von Tinten, die Glukose- und Natriumspiegel identifizieren können. „Die Arbeit, […] kombiniert biosensitive Tinten, mit traditioneller Tätowierkunst als eine Möglichkeit, einige der Einschränkungen aktueller biomedizinischer Überwachungsgeräte zu überwinden." (vgl. Vega et al 2017, S. 141).13 Anstatt Sensoren zu haben, die groß und unhandlich sind und eine kurze Batterielebensdauer haben, könnten besagten Tattoos diese Probleme beseitigen und gleichzeitig Daten generieren die Wertvoll für z. B. Versicherungskonzerne sein könnten. Und auch Audio-Beacons bieten einen großen Pool an verwertbaren Daten. Sprachassistenten lauschen stetig ihrer Umgebung (vgl. Weller 2019)14, nach der Aktivierung zeichnet sie alle sprachlichen Äußerungen auf und verarbeitet sie über das Internet. Die Ausgangsdaten und die vom Assistenten gelieferten Ergebnisse werden auf einem externen Surfer des Unternehmens gespeichert. Die Geräte sind ständig online und können in der Regel jederzeit geortet werden (vgl. Datenschutz.org 2021).15 Ein weiteres Beispiel ist Silverpush, sie nutzt Audio-Beacons um zu messen, wer gerade welchen Fernsehsender eingeschaltet hat. Während eines TV-Spots kann nun eine passende Anzeige auf dem Smartphone des Fernsehzuschauers platziert werden (vgl. Ha 2014).16 Aber nicht nur die Stimmerkennungs-Technologie entwickelt sich stetig weiter, auch die Gesichtserkennung ist durch die Analayse von Daten in den letzten Jahren erheblich treffsicherer geworden. Die Internetseite How-old.net17 demonstriert eindrucksvoll, wie anhand eines hochgeladenen Fotos das Alter einer Person bestimmt werden kann. Projectoxford emotion18 kann anhand eines Fotos die Gefühlslage der Person erkennen, in der sie sich zum Zeitpunkt der Aufnahme befunden hat. Bei Googles Smartphone-Betriebssystem Android oder Apples macOS, sind es die Apps, mit denen sich recht einfach Daten auslesen lassen. Die Equalizer-App Music Volume EQ von Googel verbindet sich im Hintergrund mit 2.000 verschiedenen Servern. Viele davon werden von Google selbst betrieben. Es sind Werbenetzwerke und Analysedienste. Damit auch eine klare Zuordnung zu einzelnen Personen möglich ist, fordern sowohl Google19 als auch Apple20 seit dem Jahr 2014 von allen Apps die Nutzung einer Werbe-ID. App-Anbieter erheben oft mehr Daten, als die App benötigt, und geben diese an Unternehmen wie Admob, Flurry oder Mobub weiter.

3.2 Werbemittelkontakt- und Responsdaten

Neben dem Surfverhalten, hinterlässt der Kunde auch Spuren, indem er Werbemittel einer Website sieht (Kontakt) und auf diese reagiert (Response). Das können Banner auf der Unternehmens eigenen Website sein, klassische Display-Banner, die auf fremden Seiten geschaltet werden, Facebook Ads, AdWords-Anzeigen oder auch E-Mail-Kampagnen. Bei Werbemitteln wird getrackt, wer was gesehen hat (Ad Impression) und wer darauf wie reagiert hat (Klicks und Conversions). Dies wird anschließend mithilfe von Cookies abgespeichert. Im E-Mail-Marketing liegen die Response-Daten gekoppelt an die E-Mail-Adresse des jeweiligen Kunden vor. Im Backend eines jeden E-Mail Service Providers (ESP) lassen sich dann sämtliche Responsedaten auswerten: • Zustellung • Bounces • Öffnungen • Klicks • Abmeldungen.

Diese Daten werden nicht nur zur Optimierung der Werbematerialien und der darin enthaltenen Werbeaktionen verwendet, sondern sind auch ideal für die Analyse von Kunden und deren Verhalten. Es ist klar, dass keyword-basierte Werbung diese Landschaft dominiert. Innerhalb der Keyword-basierten Werbung haben sich zwei unterschiedliche Kanäle herausgebildet: Der Suchkanal und der Content-Kanal. Die Anzeigen im Suchkanal werden neben den Suchergebnissen angezeigt, und zwar als Reaktion auf die Suchbegriffe, die der Nutzer eingibt. Anzeigen im Content-Kanal werden auf einer Seite angezeigt, die werberelevante Inhalte enthält. Such basierte Werbung kann als der "aktivere" der beiden Kanäle angesehen werden, da der Benutzer spezifische Schlüsselwörter eingibt, über die er Informationen sucht. Es gibt zwei Hauptgründe, weshalb diese Art der Werbung wirkungsvoller ist als andere: Bessere Zielgruppenansprache und bessere Messbarkeit.

[...]


1 Gupta, S., Hanssens, D., Hardie, B., Kahn, W., Kumar, V., Lin, N., Ravishanker, N., & Sriram, S. (2009). Modeling Customer Lifetime Value: Journal of Service Research.

2 Emmrich, J. (2016). Wenn der Wohnort des Kunden den Preis bestimmt: Berliner Morgenpost.

3 Tenor. Mr. Burns Excellent Excellent Excellent GIF.

4 Prof. Dr. Weyer, J. (2017). Technischer Fortschritt – Fluch oder Segen?: Bundeszentrale für politische Bildung.

5 History of IBM (2021). Chronological History of IBM: IBM.

6 Riemann, M. (2009). Vergleich 1980 zu 2009. Wie schwer und teuer ist 1 Petabyte Datenspeicher: PCGH.

7 Norton, D.W., & Pine, B.J. (2013). Using the customer journey to road test and refine the business model: Emerald Insight.

8 Statista (2019). Entwicklung der durchschnittlichen täglichen Nutzungsdauer des Internets in Deutschland in den Jahren 2000 bis 2018: Tableau.

9 Statista. (2019). Ranking der Länder mit der höchsten durchschnittlichen Internetnutzungsdauer weltweit im Jahr 2019: Tableau.

10 Newman, N., Andi, S., Fletcher, R., Nielsen, R.K., & Schulz, A. (2020). Reuters Institute Digital News Report 2020: University of Oxford, Reuters Institute.

11 Newman, N., Andi, S., Fletcher, R., Nielsen, R.K., & Schulz, A. (2020). Reuters Institute Digital News Report 2020: University of Oxford, Reuters Institute.

12 Datenschutz.org (2021). Facebook und seine Datenschutz-Regeln.

13 Vega, K., Barry, N., Jiang, N., Kan, V., Liu, X., Maes, P., Paradiso, J., & Yetisen, A. (2017). The Dermal Abyss Interfacing with the Skin by Tattooing Biosensors: International Standard Musical Work Code.

14 Weller, M. (2019). Alexa, Alles, was Sie sagen kann gegen Sie verwendet werden: Das Erste.

15 ANNA Das vernetzte Leben (2012). Welche Daten sammel Sprachassistenten.

16 Ha, A. (2014). SilverPush Says It´s Using „ Audio-Beacons“ For An Unusual Approach To Cross-Device Ad Targeting: Join Extra Crunch.

17 Microsoft. How old do I look?#HowOldRobot.

18 GitHub (2016). Using the Project Oxford emotion API: Martink.Me.

19 Google (2021). Werbe-ID: Google Support.

20 Apple (2021). Apple Books & Datenschutz: Apple Support.

Ende der Leseprobe aus 23 Seiten

Details

Titel
Big Data im Marketing. Wenn Datenschutz und Wirtschaft aufeinandertreffen
Note
1,7
Jahr
2021
Seiten
23
Katalognummer
V993986
ISBN (eBook)
9783346359797
ISBN (Buch)
9783346359803
Sprache
Deutsch
Schlagworte
Big Data, Marketing, Verhaltensdaten
Arbeit zitieren
Anonym, 2021, Big Data im Marketing. Wenn Datenschutz und Wirtschaft aufeinandertreffen, München, GRIN Verlag, https://www.grin.com/document/993986

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Big Data im Marketing. Wenn Datenschutz und Wirtschaft aufeinandertreffen



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