-
Digitale Marketing Intelligence
betrachtet alle strategischen und operativen Aktivitäten zur zielgerichteten Ausgestaltungen und Steuerung von Marketinginstrumenten
- strategisch: kontinuierliche verbesserte Entscheidungsunterstzützung
- organisatorisches Lernen, Generierung, Sicherung von Marketingwissen
- Nutzung vin Chancen, WWB orientiert
- operativ: Optimierung von Geschäftsprozessen
- Datenspeicherung, aufbereitung Analyse
- Lernkurveneffekt
-
strategische und operative Perspektiven
- strategisch:
- 1. Hohe WWB - Relevanz der Aufgabenstellung
- 2. Aktive Beeinflussung von externen Firmenvariablen als Aktionsvariable
- 3.Hohe Komplexitäts- Abstraktionsniveau
- 4.langfristige Aspekte
- 5. planerische hohe Freiheitsgrade
- operativ:
- 1.geringe WWB Relevanz
- 2.externe Firmenvariablen als Erwartungsvariable
- 3.geringes Komplexitätsniveaus
- 4.Tendenzielle kürzerer Betrachtungszeitraum
- 5.Feinplanung zur Realisierung
-
Lebenszyklus des Informationsmanagement
- Verwaltung der Informationsnachfrage
- Verwaltung der Informationsquellen
- Verwaltung der Informationsressourcen
- Verwaltung des Informationsangebotes
Informationsanwendung
-
Ermittlung des Informationsbedarfs
Identifiezierung aller für eine optimale Aufgabenerfüllung erforderlichen Informationen
- Präzisierung des Informationsbedarf
- -Inhalt
- -Darstellungsform
- -Zeitpunkt
- -Kontext
-
3 Verfahren des Informationsbedarf
1. subjektiv: offene Befragung, Wunschkataloge, Befragung der MA im Tätigkeitsumfeld
2. objektiv: Strategieanalyse, Prozessanalyse, Input/Output Analyse, Entscheidungs bzw Aufgabenanalyse
3. gemischt: strukturierte Befragung, Benutzermoddelierung, Kontext Entwicklung, Entwicklung bezogen auf jetzt, Balanced Scoreboard
- -> selten wird Infobedarf gedeckt
- Marktdaten, Vertriebsdaten, Kundendaten, Webanalyse, Extrahieren, Transformieren, Integrieren, Analysieren, Interpretieren
-
Umgang mit quantitativen Daten
- numerisch, mathematisch, statistisch
- metrisch skaliert, können verglichen werden
- repräsentieren Messwerte, die mit anderen Variablen in Beziehung gesetzt werden können
- Objektive Messung und Quantifizierung v. Sachverhalten
- Hypothesentest, Überprüfung statistischer Zusammenhänge
1) Datenquellen
BWL-Kennzahlen, Zahlen statistische Messungen, graphisch, Server-logs, Trading Metriken
2) Drei Gütekriterien
Objektivität (möglichst)-unabhängig vom Sachverhalt des Beobachters
Reliabilität - Formale, verlässliche Genauigkeit d Daten, gleiche Analyse, gleiches Ergebnis
Validität - korrekte inhaltliche Messung, Eignung
3) Analysemethoden
- Prognosen Absatz Umsatz, Marktentwicklung, Kaufhäufigkeit
- Klassifizierung nach Umsatz Wert Zufriedenheit
- Parameterschätzung, statistische Verfahren (deduktiv, induktiv)
-
Datenintegration
- müssen Datensätze in bereinigter, transformierter harmonisierter Form vorliegen
- gezielte Nutzung von Verbindungslinks, Variablen, damit inhaltliche Verknüpfung der Dtensötze erfolgen kann -Data Matching
-
Data Warehouses
- führt/verdichtet zum Analysezweck mehrere Datenbanken aus heterogenen Quellen zusammen
- vorstrukturiert und auf Nutze ausgerichtet
- Non-Volatil:dauerhaft,persistent,wachsende Datenbestände-->Problem
- Zeitraumbezogen
-
Top Down Datenanalyse
- es exisitiert spezifisch, genau Fragestellung
- Überprüfen von Sachverhalten
- Einschränkung Daten genau auf Fragestellung
- Hypothesenfalsifikation
- -->klassisches Verfahren
-
Bottom Up Datenanalyse
- keine konkrete spezifische Fragestellung
- Zielanalyse unklar
- voller Datensatz
- Aufdecken von Mustern-->DATA MINING
-
Phasen der Wissensentdeckung in Datenbanken
- Selektion: Daten in Zieldaten
- Datenaufbereitung
- Transformation in Muster
- Data Mining
- Interpretation/Evaluation--> Wissen
-
Data Mining
- ist die Anwendung von Methoden und Algorithmen zur möglichst automatischen Extraktion empirischer Zusammenhänge zwischen Datenobjekten
- automatisierte Datenanalyse
- Aufdeckung nicht trivialer Zusammenhänge
- Kombination von Statistik, künstlicher Intelligenz, maschinelles Lernen und nicht/relationale Datenbanken
- Analyse von Kunden Präferenzbildung
- Kaufmuster
- Markt/Kundensegmentierung,Warenkorbanalyse
-
Prozess im Data Mining
- BWL - Verständnis -20%
- Datenverständniss/vorbereitung/modellierung - 60%
- Bewertung/Evaluation 10%
- Anwendung/Einsatz /10%
-
Abhängigkeitsentdeckung
Identifikation von Abhängigkeiten
- Assoziations: Warenkorbanalyse (Basis: Kundentransaktion)
- Wenn - Dann -Regel, Confidence Analyse
Sequenzanalyse: Crossup Selling, zeitliche Reihe v Transaktionen
-
Entscheidungsbaumklassifikation
- einfache graphische Darstellung, leichte Nachvollziehbarkeit
- Ziel: homogene Gruppen auf unterster Ebene finden danach Reduktion des Baums auf sinnvolle Größe
- Kündigeranalyse "Ja , Nein"?
- Kriterien trennen diese beiden Gruppen am besten
-->Bestellung letzten 3 Monate Anzahl Shop - Besuche
-
Neuronale Ansätze
- genutzt in Informatik/Informationsverarbeitung analog zu den menschlichen Nervenzellen zu gestalten
- geschichtete verbundene Neuronen
- decken nicht lineare Abhängigkeiten und Strukturen auf
-
Herausforderung von Big Data (5 V's)
- Volume - Große Datenmenge (Selektion)
- Variety - Vielfalt der Datenformate (Transform)
- Velacity - Geschwindigkeit Datenverarbeitung - Filter
- Value - ökonomischer Nutzen - Prozesse
- Veracity - Wahrhaftigkeit, Glaubwürdigkeit - Relevanz
|
|
