Von Gastautor Ben Rund, Sr. Director Product Marketing, Information Quality Solutions bei Informatica
Eine Welt, in der jeder Kunde ausschließlich mit seinem Smartphone einkauft, existiert nicht. Vielmehr shoppt man dort, wo es gerade passt: Tablet, Laptop, Smartphone oder doch der Besuch im Laden – es gibt viele Möglichkeiten. Wie bringt man nun all diese Daten zusammen und ordnet sie derselben Person zu?
Der sogenannte Marketing Data Lake kann alle Kundendaten aus den verschiedensten Quellen speichern und verarbeiten. Die ursprüngliche Form der Daten wird beibehalten und sie müssen nicht vorab strukturiert werden. Dies klingt relativ simpel, doch die Auswirkungen innerhalb des Marketingbereichs sind enorm und bieten großes Potenzial. Marketing Data Lakes funktionieren wie eine leistungsstarke Suchmaschine, die alle Daten sammelt und für weitere Analyseprozesse aufbereitet.
Datensilos vermeiden
Bei den Datentypen kann es sich um unstrukturierte Daten, beispielsweise aus Tweets, semi-strukturierte Daten wie aus Textfeldern oder vollstrukturierte Daten, beispielsweise aus Transaktionssystemen, handeln. Die Integration aller Datenformen ist deshalb so wichtig, da eine Daten- Fragmentierung ein wahrer Fluch für alle Sales- und Marketing-Prozesse, die sich mit der Optimierung von Budgets und der Maximierung von Renditen beschäftigen, darstellt. Marketing Data Lakes sind darauf ausgerichtet, genau diesen Fluch zu brechen, indem Datensilos vermieden und Daten in einer skalierbaren und verteilten Umgebung verarbeitet werden. Auch kontextbezogene Metadaten werden ebenfalls gespeichert, zu Kunden und Produkten zugeordnet und mit relevanten Informationen verknüpft. Ein Vorteil, der besonders für Daten aus sozialen Netzwerken entsteht:
Hier versteckt sich oft eine riesige Datenmenge an relevanten Kundeninformationen, die in Data Lakes gespeichert werden kann. Somit wird kein Kanal vernachlässigt oder gar vergessen. Die Herausforderung der Daten-Fragmentierung ist damit keine große Barriere mehr für Marketer und sie haben die Möglichkeit, vollständige Informationen einer Person zu nutzen, um in Echtzeit auf ihre Anfragen reagieren zu können.
The big 5 – Fünf Schritte zur erfolgreichen Implementierung
Um die Vorteile nutzen zu können, muss das Konzept des Marketing Data Lakes erfolgreich in die Unternehmensprozesse implementiert werden. Dabei zeigen die folgenden fünf Schritte, wie ein erfolgreiches Datenmanagement mit Data Lakes realisiert werden kann:
1. Sammeln von Daten
Alle relevanten Kundendaten müssen zunächst innerhalb eines Data Lakes gesammelt werden. Jede Interaktion wird dabei mit einem Zeitstempel versehen, einer Quelle und einem Programm zugeordnet und dann mit allen relevanten Profilen verlinkt.
2. Prüfung und Reinigung von Daten
Eine Herausforderung ist, dass durch die Vielzahl der Datenquellen Duplikate oder Konflikte wie verschiedene Schreibweisen von Namen entstehen. Mithilfe von Master Data Management (MDM) und Data Quality-Tools können beispielsweise Daten sowohl auf Kunden- als auch auf Unternehmensebene in einem Profil zusammengeführt werden. Sobald Fehler wie unterschiedliche Namensschreibweisen entstehen, werden sie durch das Tool erkannt und automatisch in einem Account zusammengeführt. Wenn eine automatische Zuordnung nicht exakt möglich ist, wird der Datensatz zur Prüfung an einen Data Steward weitergeleitet.
3. Die Anreichung von Daten
Bei der Prüfung der Daten auf ihre Richtigkeit bieten sich darüber hinaus Data Quality-Tools an. Sie sind auch aus der Cloud „as-a- Service“ verfügbar und stellen sicher, dass nur korrekte Datensätze in der Datenbank landen.
4. Die Nutzung von Daten
Ein relevanter Baustein von Big Data Marketing ist die Segmentierung von Daten- getriebenen Marketing-Programmen über bestimmte Datensegmente. Bei simpler Unterteilung nach Berufsbezeichnungen oder Branchen kann beispielsweise eine Segmentierung basierend auf Verhaltensweisen die Klickraten um das Drei- bis Vierfache steigern.
5. Data Governance
Kundendaten innerhalb von Unternehmen dürfen nicht zu alt werden und um das zu vermeiden, müssen sie in einem kontinuierlichen Prozess bereinigt und aufbereitet werden. Hierbei ist Data Profiling ein wichtiger Bestandteil: Es gibt einen Überblick über den aktuellen Status der Datensätze, darunter die Anzahl der Einträge und Felder, den Prozentsatz an Duplikaten, die Rate der Vollständigkeit der verschiedenen Felder oder die Übereinstimmung mit Felddefinitionen (z.B. kann ein Name nicht aus Ziffern bestehen). Es verschafft Marketern einen umfassenden Einblick über die Datenqualität und unterstützt eine effektive Data Governance-Strategie.
