Datenanalyse leicht gemacht: Diese Methoden sollten Sie kennen

• Das Thema Datenanalyse gewinnt im digitalen Zeitalter mehr und mehr an Bedeutung.
• Für die Datenanalyse gibt es vier typische mathematische Ansätze.
• Kleinere Datenmengen lassen sich mit Hilfe von Excel, SPSS und anderen Tools analysieren.
• Für Big-Data-Auswertungen brauchen Sie spezielle Algorithmen, die auch auf künstliche Intelligenz zurückgreifen.
• Fast alle Unternehmen besitzen eine eigene Website, aber nur etwa die Hälfte führt überhaupt Auswertungen durch.

Ob auf der Firmenwebsite, über eigene Social Media Kanäle oder einen Newsletter: Wer seine Kunden online erreichen möchte, hat zahlreiche Möglichkeiten – aber nicht immer einen Plan. Laut einer Bitkom-Studie verpassen viele Unternehmen die Chance, ihre digitale Kundenbeziehung durch Datenanalysen gezielt zu verbessern. Dabei ist eine durchdachte Digital-Strategie heute ein wesentlicher Erfolgs- und Wettbewerbsfaktor. Wir zeigen Ihnen, welche Analysemethoden für welchen Einsatzzweck optimal geeignet sind.

Fast alle Unternehmen sprechen ihre Kunden mittlerweile auf digitalem Weg an. Doch gerade mal zwei Drittel versuchen, die Bedürfnisse und das Verhalten ihrer Nutzer durch Datenanalysen zu verstehen. Zu diesem Ergebnis kommt eine repräsentative Umfrage unter 1.005 Unternehmen im Auftrag des Digitalverbands Bitkom. So bleiben potenzielle Käufer in der digitalen Welt vielen Anbietern nicht nur fremd, sondern auch fern. Um das zu ändern, müssen Sie Ihre Kunden besser kennen lernen, auch ohne sie persönlich zu treffen.

Wo sollte ich meine Werbung platzieren? Wie erreiche ich meine Zielgruppe punktgenau? Welche Daten sollte ich erheben, um valide Entscheidungsgrundlagen für digitales Marketing zu erhalten? Dr. Tim Wiegels ist Head of Data bei FREE NOW (zuvor mytaxi). Er sagt: Als Data Engineer ist man gleichzeitig auch Produktmanager und sollte wissen, wie man Produkte optimal platziert und präsentiert. Wie das gelingt und wie es in Deutschland im Bereich Mobilität weitergehen kann und sollte, verrät er im „Digitale Vorreiter”-Podcast #75 mit Christoph Burseg:

Die vier Methoden der Datenanalyse

Zunächst einmal geht es beim Thema Datenanalyse um eins: Statistik. Nach mathematischen Methoden wird aus gesammelten Daten auf eine zugrunde liegende Realität geschlossen. Diese hilft Ihnen dann im Idealfall dabei, Ihr Angebot so zu optimieren, dass Sie Ihre Zielgruppe noch besser kennen und somit ansprechen können. Oder, in Kurzfassung: Mit intelligenter Datenanalyse arbeiten Sie am Ende effizienter und erzielen mehr Umsatz.

Ein einfaches Beispiel für die Datenerhebung als Basis einer Analyse ist die Umfrage. Hier wird eine bestimmte Anzahl von Personen in einem bestimmten Zeitraum zu einem oder mehreren Sachverhalten befragt. Aus deren Antworten werden nun Rückschlüsse auf andere Personen geschlossen. Damit eine Umfrage „repräsentativ” ist, müssen die Befragten so ausgewählt werden, dass sie den Eigenschaften der Gesamtheit möglichst ähnlich sind.

Eine Umfrage könnte beispielsweise so ausgelegt sein, dass 1.000 befragte Personen notwendig sind, um zu einem bestimmten Thema Rückschlüsse auf die deutsche Bevölkerung zu ziehen. Die Teilnehmer würden nach vorher festgelegten Kriterien ausgewählt und dann befragt werden. Doch was nützt Ihnen das Sammeln von Daten, wenn Sie diese danach nicht auswerten?

Die Datenanalyse nutzt in der Regel eine dieser vier typischen Methoden:

• Deskriptiv: Die Daten der gesammelten Stichprobe werden durch Kennzahlen oder eine grafische Darstellung beschrieben.
• Inferenziell: Aus den gesammelten Daten wird auf Eigenschaften der Grundgesamtheit, beispielsweise aller deutschen Kunden, geschlossen.
• Explorativ: Diverse Datensätze werden so miteinander in Verbindung gebracht, dass Zusammenhänge zwischen ihnen deutlich werden.
• Kontextbasiert: Hier werden aus inhaltlich zusammenhängenden Daten bestimmte Gruppen oder Konstellationen identifiziert.

Welche Methode der Datenanalyse für Sie geeignet ist, hängt von Ihren Zielen ab, also der Fragestellung, die Sie beantworten wollen und welchen Umfang die Daten haben. Sie läuft bei kleineren Analyseprojekten meist in sieben Schritten ab:

Kleinere Datenmengen analysieren: In sieben Schritten zum Ergebnis

Einfach nur Daten zu sammeln und dann zu hoffen, dass sich hieraus durch bloße Betrachtung etwas ablesen lässt, wird kaum zum gewünschten Erfolg führen. Dementsprechend ist ein strukturiertes Vorgehen angesagt:

1. Stellen Sie die Daten in einem lesbaren Format bereit

Die Daten nützen Ihnen nichts, wenn sie verschlüsselt und auf irgendwelchen Servern verteilt in diversen Formaten herumliegen. Führen Sie diese also zunächst nach Möglichkeit an einer zentralen Stelle zusammen. Die meisten Analyse-Tools arbeiten nach wie vor mit kommagetrennten Werten („CSV-Format”, Comma Separated Values). Die erste Datensammlung kann also durchaus in Tools wie Microsoft Excel als Teil von Microsoft 365 erfolgen.

2. Bereinigen Sie die Daten

Sehen Sie sich die gesammelten Daten an. Gibt es jeweils eine Spalte für jedes Kriterium und für jeden Fall eine Zeile? Entsprechen die Daten mit ihren Zeilenwerten den Spaltenkriterien oder gibt es Fehler? Wenn beispielsweise die Postleitzahl eines Kunden im Feld Geburtsjahr auftaucht, kann die spätere Analyse kaum gelingen. Gleiches gilt für fehlerhafte oder unvollständige Datensätze: Löschen Sie diese genau wie leere Zeilen am besten, bevor Sie sich an die Analyse wagen.

Wenn Sie Datensätze wegen einzelner fehlender Werte nicht löschen wollen, kann es hilfreich sein, diese mit dem Mittelwert der übrigen Datensätze zu befüllen. Entfernen Sie außerdem Duplikate: Eventuell hilft es, die Daten hierbei zuvor nach bestimmten Spalten wie beispielsweise dem Geburtsdatum (falls es um Personen geht) zu sortieren.

3. Verschlanken Sie die Daten

Ist wirklich alles, was in Ihrer Tabelle steht, für Ihre Analyse von Bedeutung? Lassen sich bestimmte Kriterien eventuell zusammenfassen? Beim Thema „Alter” beispielsweise könnten und sollten Sie Gruppen bilden, da das genaue Geburtsdatum der einzelnen Personen für Ihre Überlegungen selten von Interesse sein wird. Des weiteren sollten Sie herausfinden, ob Sie wirklich alle Fälle (also Zeilen) Ihrer Daten analysieren müssen, oder ob Ihnen eine Stichprobe beispielsweise der ersten 500 Fälle reicht. Deutlich mehr Daten zu analysieren kann sinnvoll sein, kann aber auch dazu führen, dass die eigentliche Analyse extrem lange dauert.

4. Erstellen Sie ein Datenmodell

Sie möchten gerne wissen, welche Kunden welchen Alters bei Ihnen bevorzugt welches Produkt kaufen? Dann brauchen Sie ein Modell, das bestimmte Muster in Ihren Datensätzen möglichst optimal beschreibt. Konkreter gesagt: Sie schließen von den Daten nun auf die zugrunde liegende Realität. Wenn Sie die Analyse nicht in Excel, beispielsweise mit Hilfe von Diagrammen, durchführen wollen, sollten Sie spezielle Analysesoftware wie beispielsweise SPSS oder G*Power einsetzen.

5. Validieren Sie Ihr(e) Lieblings-Datenmodell(e)

Sie haben bestimmte Muster in Ihren Daten identifiziert und daraufhin Modelle erstellt? Gut, dann sollten Sie diese nun anhand weiterer Daten überprüfen. Fallen die Ergebnisse mit neuen Daten ähnlich oder genauso aus? Dann haben Sie gute Chancen, dass Ihr Modell „valide” ist, also der Realität bereits nahe kommt. Wenn Sie keine neuen Daten erheben können oder wollen, sollten Sie Ihr Modell zunächst mit Teilen Ihrer Grunddaten aufstellen und es dann gegen den Rest der Daten testen.

6. Lassen Sie die Modelle gegeneinander antreten

Manchmal kann es mehrere valide Modelle geben – doch auch hier zeigen sich meist Unterschiede. Finden Sie nun heraus, welches Ihrer Modelle die Realität tatsächlich am besten beschreibt. Achten Sie darauf, in jedem Fall genügend Daten als Grundlage zu verwenden – und Ihr Modell fortlaufend zu hinterfragen. Immerhin ändert sich ja auch die Realität ständig.

7. Fassen Sie das Ganze schriftlich zusammen

Damit auch andere Mitarbeiter später Ihre Analysen nachvollziehen können, sollten Sie diese dokumentieren. Notieren Sie genau, welchen Umfang Ihre Stichprobe hat(te), wann diese erhoben wurde und welche Grundannahmen Sie getroffen haben. Gleiches gilt für die Frage, welche Datensätze Sie warum verworfen oder „bereinigt” haben.

Video: YouTube / Excelpedia

Große Datenmengen beherrschen: Mit Data Mining und Smart-Data-Verfahren 

Oft sind die verfügbaren Daten so umfangreich, dass herkömmliche Analyseverfahren an ihre Grenzen stoßen. Man spricht dann auch von „Big Data”. In einer riesigen Menge an Daten Wichtiges von Unwichtigem zu trennen und überhaupt zu entscheiden, welche Daten für Ihr Vorhaben von Bedeutung sind, kann ab einer gewissen Datenmenge schwierig bis unmöglich sein.

An dieser Stelle kommen häufig Verfahren der künstlichen Intelligenz zum Einsatz. Sie sind in der Lage, selbständig in riesigen Datensätzen Muster zu erkennen und hieraus Empfehlungen abzuleiten. Auch Data-Mining-Verfahren laufen in mehreren Schritten ab, die jedoch großteils automatisiert sind und bestenfalls vom Menschen überprüft und im Ergebnis korrigiert werden. Je nach Ergebnis können und müssen einzelne Phasen hierbei auch wiederholt werden:

1. Datenselektion: Zunächst einmal werden aus der riesigen Datenmenge an Rohdaten diejenigen gefiltert, die für die Analyse relevant sind.
2. Vorverarbeitung: Diese Zieldaten werden einer Vorverarbeitung unterzogen, um sie später sinnvoll analysieren zu können.
3. Transformation: Am Ende dieses Schritts stehen transformierte Daten bereit und die eigentliche Analyse kann beginnen.
4. Data Mining: Die Daten werden dem eigentlichen „Datenschürfen” unterzogen, um bedeutsame Muster und Strukturen zu erkennen.
5. Interpretation und Auswertung: Anhand der gefundenen Muster werden automatische Auswertungen erstellt, die gegebenenfalls händisch korrigiert und aufbereitet werden.

An anderer Stelle in unserem Magazin haben wir Ihnen weitere Informationen zu wichtigen Data-Mining-Tools, zu Smart-Data-Verfahren und zur Bedeutung von Big Data für die moderne Industrie zusammengestellt.

Datenanalyse als Basis für digitale Optimierungsprozesse

Ob durch statistische Methoden, Big Data-Algorithmen oder vorausschauende Analysen: Daten sind eine mächtige Quelle der Erkenntnis und wesentliche Grundlage für die richtigen geschäftlichen Entscheidungen. Wer seine Zielgruppe(n) und deren Bedürfnisse kennt, steigert nicht nur die Kundenzufriedenheit, sondern auch seine Gewinn- und Wettbewerbschancen. Datenanalysen liefern die notwendigen Informationen, um die digitale Performance gezielt zu optimieren. Nur jedes zweite Unternehmen gibt jedoch bislang an, einen unmittelbaren Mehrwert aus dem sogenannten Digital Analytics & Optimization-Prozess (DAO) zu generieren.

Viele digitale Angebote weiterhin ohne Analyse und klare Ausrichtung

Laut der Studie sprechen 96 Prozent aller Unternehmen mit mindestens 20 Beschäftigten ihre Kunden digital an. Berührungspunkte schaffen sie in erster Linie über eine eigene Website (87 Prozent) sowie Newsletter und Mailings (58 Prozent). Knapp die Hälfte bietet Online-Shops oder einen digitalen Kundenservice. Oft werden diese Kanäle aber nicht gezielt angesteuert und aufbereitet. Nur knapp die Hälfte aller Unternehmen greift auf Web-Analytics zurück, 12 Prozent nutzen DAO-Tools für ihre Social-Media-Kanäle und gerade mal 5 Prozent setzen sich analytisch mit der Personalisierung und Segmentierung ihrer digitalen Angebote auseinander.

Vor allem kleinere Unternehmen haben Nachholbedarf

Der Umgang mit Datenanalyse-Tools variiert je nach Geschäftsgröße. Vor allem kleinere Betriebe verpassen die Chance, mehr über ihre Kunden zu erfahren und das zusätzliche Potenzial auszuschöpfen. Strategische Optimierung ist bei vielen kleineren Unternehmen Mangelware. Anders ist es bei größeren Unternehmen mit mindestens 500 Beschäftigten: Hier verzichtet keiner der Befragten auf Analysen der digitalen Touchpoints. Ganze 69 Prozent nutzen die Datenanalyse um Produkte und Dienstleistungen zu verbessern.

Offensichtliche Vorteile: wer investiert, profitiert

Diejenigen, die DAO-Tools bereits strategisch einsetzen, profitieren schnell von den Vorteilen, sind flexibel und können auf individuelle Kundenbedürfnisse reagieren. Zudem setzen davon etwa 50 Prozent Marketing- und Vertriebskampagnen zielgerichteter oder identifizieren neue Kundengruppen. Wer dieses Potenzial erkannt hat, ist auch bereit, mehr zu investieren: Viele Nutzer, die bereits gute Erfahrungen mit DAO gemacht hatten, haben ihre Aufwendungen für Digital Analytics & Optimization im Jahr 2017 erhöht. So steigt das Risiko, dass kleine Unternehmen bei der Optimierung ihrer Digital-Strategie weiter abgehängt werden.

Ungenutzte Potenziale

Um die Situation der digitalen Kundenbeziehung besser einordnen zu können, entwickelte Bitkom den Digital Analytics & Optimization Maturity Index (DAOMI). Nach diesem Reifegradmodell liegt das gesamtwirtschaftliche Ergebnis aktuell bei 26 auf einer Skala von 0 bis 100. Das heißt konkret: im Schnitt schöpfen Unternehmen erst ein Viertel der maximalen Möglichkeiten durch Datenanalysen aus. Bei der Optimierung ihrer digitalen Kundenbeziehung verschenken sie so viel Potenzial und haben Aufholbedarf.

Wie und welchem Umfang nutzen Sie Analyse-Tools zur Verbesserung ihrer digitalen Kundenbeziehung? Reichen Ihnen klassische Auswertungsverfahren aus oder setzen Sie inzwischen gezielt auf Data Mining? Wir sind gespannt auf Ihren Kommentar.