VDM Kapitel 3

• Konzept, welches methodische Einflussnahme auf Wissensbasis berücksichtigt
• Kombination einer strategischen, organisatorischen + prozessorientierten Perspektive
• organisatorisches Lernen

• Daten: Rohdaten, Ziel:Informationsbedarf
• Information: Extrahierte Daten, Zerlegung von Daten, Ziel: Zusammensetzung Verdichtung, erstmals statistisch anwendbar
• Wissen: Verknüpfung der Abhängigkeiten von Informationen, Ziel: Interpretation, Analyse, Dokumentation, Bereitstellung (Pull), Verteilung (Push)
• Etablierung Wissensmanagement prozess

• oft mathematische statistische Methoden
• Big Data erfordert datengetriebene Entscheidungen
• Daten gut auswählen, vor allem bei Crosstracking

• Beschreibende Statistik
• ausgerichtet auf bestimmte Stichproben
• Bewertung empirische Daten durch Maßzahlen, Parameter (Durchschnitte, Häufigkeiten)
• grafisch darstellbar

• Entdecken von Zusammenhängen zwischen Variablen
• Hypothesen aufstellen und falsifizieren
• Einsatz von robusten Kenngrößen, Median, ARM
• Vernachlässigung von Annahmen und Stochastik

• induktive Statistik
• Stichprobe folgert auf Grundgesamtheit
• wahrscheinlichkeitstheoretisch, Regression, Korrelation
• -->explorativ geht hervor

• Weniger methodischorientiert ->Datenmanagement
• von relational zu context
• (un)strukturierte Daten werden verarbeitet
• Bündelung von Daten / Infos -->Analyse

• traditionelles Marketingabhängig: von Marktforschungsaktivitäten
• Analyse, Wünsche, Bedürfnisse, Kaufabsicht
• hoher Aufwand für Informationsverknüpfung

digitales Marketing: technische Erfassung, Webserver - Logfiles, Angefragte Webseiten URL Anfrage, Zeit, Client,Cookies

• digitales Marketing von kundenspezifische Daten und Information abhängig
• Schutz der Kundendaten an 1.Stelle->verschlüsselte Speicherung
• Datenschutz muss sicherstellen, dass durch den Umgang mit persönlichen Daten niemand im Persönlichkeitsrecht beeinträchtigt wird
• Unberechtigter Zugriff ist Datensicherheit nicht Schutz
• Datenschutz greift aus Kunden und Unternehmenssicht

• greift, wenn Kunden im täglichen Leben personenbezogene Daten/Informationen weitergegeben werden:
• -Eröffnung von Konten
• -Registrierung auf Webseiten
• -Verträge
• -E-Commerce

• Entstehung von Kundenprofilen aber nicht vollständig oder valide
• Kundenprofile dürfen nicht Namen zugeordnet werden, deshalb gibt es ID's
• Darstellung des Datenschutzes auf Webseiten nur als  OPT IN erlaubt

• rechtliche Art + Weise, von Datenerhebung + Verarbeitung, Nutzung, klären
• Datenschutzkonzept muss Kundenbedürfnisse beachten

• -->zwei Grundsätze
• 1. Grundsatz der Datenvermeidung und Sparsamkeit
• 2.Grundsatz der Zulässigkeit--> Double OPT IN

• Nach Einwilligung ist Datengebrauch für eigene Geschäftszwecke berichtigt
• Anonymisierung ist wichtig

• adäquate Datenqualität gewährleisten
• Vielfältige Datenquellen geben (un)strukturierte Analysemethoden anpassen
• Zuverlässigkeit und Korrektheit, Bewertung zur Eignung

• 1.Problem der Verfügbarkeit
• Datenvolumen
• Dynamik
• Fehelende Datensätze und Werte
• ->Lösung:   NoSQL Datenbanken->performate Technologie
• Unwichtige Daten extrahieren->Selektion
• Daten anreichern

• 2.Problem des Inhaltes
• Fehlende Werte oder fehlerhafte
• Redundanzen
• Inkonsistenzen (inhaltlich)

• Lösung: Transformation + Bereinigung
• Redundanzen->Konsolidierung

• 3. Repräsentation der Daten
• Inkonsistenzen (syntaktisch)
• Darstellungsform (grafisch oder Berichte)
• Granularität
• Schema

Lösung: Festlegung v. Schema , Detailgrad festlegen

• sind Fundament empirische Forschung, hohe Relevanz im traditionellem und digitalem Marketing
• Datenqualität bestimmt durch Art und Weise der Messung--> Eigenschaft der Ausprägung

• nicht metrisch + metrisch
• Nominal: blau,Klasse,Häufigkeit
• Ordinal: Rangwert (gut,schlecht), Median
• Intervallskala: ohne natürliche Null, Subtraktion, Mittelwert (positiv+negativ)
• Ratioskala: natürliche Null, Summe ( +-x%)

• Untersuchung metrisch skalierte Abhängigkeitsanalyse
• linear und nicht-linear Zusammenhang
• Verwendung: Kausalbeziehungen
• primärstrukturprüfend
• bei Nominal->logistische Regression

• Bedeutung im DM:
• Verständnis Costumer Journey
• Fundierung Maßnahme McM
• Unterstützung Interpretation v. Kennzahlen

• 1. Hypothesenprüfung
• H0: kein Zusammenhang- Hypothese unbrauchbar
• H1: Es gibt keinen Zusammenhang

• 2.Irrtumswahrscheinlichkeit festlegen
• oft bei 5%

Prüfung Ursache und Wirkung,primärstrukturprüfend

• Problem: Operationalisierung latenter Konstrukte
• Hypthetische Konstrukte stellen nicht direkt messbare Größej dar, die deshalb häufig auch als latente Variable bezeichnet werden
• Ziel der Konstruktmessung Beziehung zw. Indikatoren und Konstrukt

• umgekehrte Kausalanalyse
• primärstruckturentdeckend
• Schluss von vielen manifesten Variablen auf latente Variablen

Zielsetzung: Reduktion von hoch korrelierten Variablen auf einige wenige unabhängige Faktoren

• Annahme: Korrelation wird durch hypothetische Größen verursacht
• menschliches Verhalten --> viele Variablen
• weniger Variablen besser

• Verfahren zur Identifikation von Gruppen
• Ähnlichkeitsanalyse, homogene Gruppen von Vorteil
• Zwischen Gruppen aber heterogenität
• Single, Linkage,Compplete Linkage