Surviving the MarTech Dschungel – Data Science: Wie gehe ich es an?

Data Science: Überblick über interne Ressourcen

Im Bereich der Marketing Technologien (MarTech) sprechen wir gerne metaphorisch von einem Dschungel, denn die Thematik erweist sich als vielseitige Landschaft mit unterschiedlichen Terrains und Disziplinen. Aufgrund der schieren Masse läuft man leicht Gefahr, den Überblick zu verlieren. Im Rahmen dieser Metaphorik lässt sich Data Science als nützliches Werkzeug-Set verstehen, welches zur Erkundung des Marketing Technologie Dschungels nicht fehlen sollte. In unserem Blogbeitrag „Data Science – Das Werkzeug-Set für die erste Expedition in den MarTech Dschungel“ haben wir bereits erläutert, was Data Science ist und welche Vorteile es für Kunden*innen und Unternehmen gleichermaßen birgt. Ebenso haben wir uns angeschaut, welche Rahmenbedingungen für Data Science notwendig sind. Nun gilt es, sich einen Überblick über die vorhandenen internen Ressourcen zu verschaffen.

Dabei können folgende Fragen hilfreich sein:

• Gibt es im Unternehmen Datenanalyse-Systeme, die Millionen von Datensätzen performant verarbeiten und innerhalb derer Sie auf vorhandene mathematische Modelle für die Analyse zurückgreifen oder eigene Modelle erstellen können?
• Gibt es Mitarbeiter*innen in Ihrem Unternehmen, die derartige Systeme bedienen und die beschriebenen Modelle verstehen und weiterentwickeln können.
• Oder arbeiten Sie mit externen Dienstleistern oder Partnern zusammen, um Zugriff auf die nötigen Systeme sowie auf entsprechendes Know-how zu erhalten?

Lautet die Antwort ja, können grundsätzlich eigene Scoring- oder Vorhersagemodelle auf den vorhandenen Plattformen entwickelt werden. Stehen die Infrastrukturen und Mitarbeiter*innen nicht zur Verfügung, empfehlen wir folgendes Vorgehen:

1. Erfassen Sie die Business-Logik, die Sie verwenden möchten, systematisch!
2. Klären Sie, wo und welche Daten bereits erfasst werden und welche Sie künftig benötigen!
3. Vergleichen Sie mögliche Software-Lösungen miteinander!

Je nach individuellen Ansprüchen kommen verschiedene Arten von Systemen in Betracht:

Ready to Use:

Plattformen für Use Cases mit geringer Flexibilität:

• Bloomreach Engagement
• Salesforce Einstein
• IBM Watson

Für komplexe Use Cases:

Dedizierte Predictive-Modelling-Lösungen wie

• GPredictive

Für hochspezialisierte Use Cases:

Eigene Data Science Machine Learning Umgebung, für möglichst hohe Flexibilität

• Python

Die Auswahl der passenden Systeme sollte natürlich auch in Abhängigkeit zur bestehenden oder zukünftig geplanten IT-Architektur & Marketecture (Marketing Architecture) geschehen.

Allgemein ist festzuhalten:

Die Wissenschaft der Daten ist ohnehin ein komplexes Gebiet. Daher lohnt es sich, Data-Science-Expert*innen ins Boot zu holen: Sie kennen die richtigen Methoden, um das Maximum aus Ihren Daten herauszuholen. Ähnliches gilt für die Auswahl passgenauer Technologien.

Es ist daher wichtig, konkrete Anwendungsfälle und Ziele entlang der gesamten Customer Journey zu definieren, Maßnahmen abzuleiten und damit die Erlebnisse Ihrer (potenziellen) Kund*innen zu optimieren. Das kann nur gelingen, wenn man die Organisation als Ganzes betrachtet. Die Chancen und Potenziale, die Data Science und Machine-Learning-Methoden mit sich bringen, sind – wie Sie in den vergangen Blogbeiträgen erfahren haben – enorm groß. Die Vorteile auf Unternehmens- wie auch auf Kundenseite sind in der Tat vielseitig.