Login

Marketing und Data Science

Marketing und Data Science: Gemeinsam für die Zukunft gerüstet

Pradeep Chintagunta, Dominique M. Hanssens und John R. Hauser

Durch eine Kombination von Informatik und Marketing Science gelingt es hervorragend, Wissen zu generieren und Anwendungen zu verbessern.

Von Faustregeln zu gesichertem Wissen
Vor ungefähr einem halben Jahrhundert haben junge Marketingforscher an Wirtschaftsfakultäten damit begonnen, Marketingprobleme mit komplexen Forschungsansätzen wie der mathematischen Optimierung, multivariater Statistik und Ökonometrie zu untersuchen. Damals waren Marketingkenntnisse zwar wichtig für weitere Karriereschritte, aber sowohl in der Lehre als auch in der Praxis dominierten Faustregeln und eigene Erfahrungen. Diese Hochschullehrer begannen das System zu revolutionieren und tun das heute noch, indem sie neue Strukturen für Lehre und Praxis schaffen, die den Aufbau von formal gesichertem Wissen ermöglichen. Mit ihrem Engagement und ihren Curricula zogen sie viele hochbegabte Studenten an. In der Anfangsphase lieferten sie bahnbrechende Beiträge - vor allem zur Marktsegmentierung, zur Optimierung des Medieneinsatzes und zu datenbasierter Planung - und begannen, das Konsumentenverhalten in Modellen zu beschreiben. Diese Arbeiten waren Initialzündungen für eine eigene Marketingdisziplin, die man heute Marketing Science nennt. Neue Fachorganisationen und Fachpublikationen entstanden und Spezialkonferenzen zu diesen Themen erreichten ein laufend wachsendes Publikum. Marketing als Forschungsfeld wurde immer quantitativer.

Neue Erkenntnisse durch laufend neue Daten, neue Methoden und neue Ideen
Die Revolution lief weiter, angetrieben durch immer neue Daten, Methoden und Ideen. Während die ersten Modelle auf Lagerentnahmedaten basierten, gab es in den 1980ern dann Scannerdaten. Und während einfache Regressionen einst das Maß aller Dinge waren, konnten die Forscher in weiterer Folge mit fortgeschrittener Ökonometrie, Discrete-Choice-Modellen, Bayes´schen Verfahren und verbesserten Optimierungsmethoden immer umfassendere und relevantere Themen anpacken. Bei dieser Entwicklung nutzten die quantitativen Forscher verstärkt Erkenntnisse, die aus Ökonomie, Technik, Psychologie und Soziologie stammten, denen sie ihrerseits dann mit fundierten Erkenntnissen zu Konsumenten und Märkten weiterhalfen. Immer häufiger wurden Onlinedaten gesammelt und aggregiert, meist in gezielten Studien.

Und dann kam die Big-Data-Revolution. „Big” Data werden von normalen Daten oft durch die drei Vs unterschieden – im Englischen Volume, Velocity und Variety. Tatsächlich gelang es Unternehmen und Spezialdienstleistern überraschend schnell, noch nie dagewesene digitale Datenmengen (volume) in (Beinahe-)Echtzeit (velocity) und von unterschiedlichster Art (variety), wie Zahlenmaterial, Texte, Bilder, Videos oder Audio-Files, zusammenzutragen. Unterstützt wurde die Entwicklung durch die Informatik, die neue Methoden zur Strukturierung, Verarbeitung, Speicherung und Nutzung großer Datenmengen zur Verfügung stellte. Konsumenten- und Marktanalysen, die früher wegen zu hoher Komplexität, zu großer Datenmengen und zu viel Dynamik undenkbar waren, wurden damit realisierbar. Zunächst ging die Entwicklung in Richtung Ad-hoc-Forschung und Berechnungsmodelle. Die systematische Erweiterung des über die vergangenen Jahrzehnte aufgebauten Wissens über Konsumenten und Märkte stand zunächst im Hintergrund.

Neue Chancen nutzen
Gleichzeitig entstanden durch technologische Entwicklungen und Big Data aber auch neue Möglichkeiten, Marketingwissen systematisch weiterzuentwickeln und an dieser Stelle betritt die Marketing Science die Bühne. Marketing Science ist für die Big-Data-Revolution nämlich bestens gerüstet. Für die wichtigsten Marketing-Herausforderungen gibt es bereits Lösungen, die strenge Peer-Review-Prozesse durchlaufen haben und durch zusätzliche und neuartige Daten laufend noch besser werden können. Vor allem bei so grundlegenden Themen wie Kaufentscheidungsmodellen, Lifetime-Value-Berechnungen, Prognosen zur Akzeptanz neuer Produkte, Markenwertanalysen, individualisierter Kommunikation und Werbung und der Wirkungsforschung zu Marktingaktivitäten gab es bereits massive Fortschritte. Wer sich für diese Entwicklungen näher interessiert, findet einen ausgezeichneten Überblick im Buch The History of Marketing Science, das Russell Winer und Scott Neslin editiert haben.

Auch für die Zukunft ist das Zusammenspiel von Informatik und Marketing Science der beste Weg, Wissen zu generieren und Anwendungen zu verbessern. Diese Überzeugung unsererseits konnten wir testen, als wir vor kurzem als Co-Editoren für das internationale Top-Journal Marketing Science tätig waren. Wir erhielten über 50 Beitragseinreichungen, die neue Themen mit neuen Methoden aufgegriffen haben. Aus diesem Set wählten wir in einem strengen Peer-Review-Prozess ungefähr ein Dutzend Beiträge zur Publikation. In der Box auf der nächsten Seite finden Sie einen kurzen Überblick über ein paar Highlights dieser Forschungen. Sie liefern einen Vorgeschmack auf die einzigartigen Erkenntnisse, die Marketing Science aus Big Data gewinnen kann.

Box: Ein Vorgeschmack auf die neuesten Fragen und Antworten der Marketing Science *

Profiling – Wer sind die erfolgversprechendsten Kunden?
So wie nie zuvor können Marken im Internet-Zeitalter durch Werbung ganz gezielt die aussichtsreichsten Kunden erreichen. Was aber ist die beste Form der zielgerichteten Ansprache bzw. des Profiling? Wer in der Lage ist, digitale Spuren zu lesen, wird beim Web-Surfverhalten der Konsumenten fündig. Das Surfverhalten kann äußerst verlässliche Hinweise auf die individuellen Kaufbereitschaften liefern. In ihrem Artikel „Crumbs of the Cookie: User Profiling in Customer-Base Analysis and Behavioral Targeting” entwickeln und implementieren Michael Trusov, Liye Ma und Zainab Jamal einen auf dem Surfverhalten basierenden Algorithmus für die Ansprache dieser Kunden. Dieser Zugang übertrifft die bis dato üblichen Ansätze sowohl bei der Identifikation der besten Kunden als auch bei der Vermeidung von Kontakten mit Kunden, die nicht wirklich interessiert sind.

Welche Produkte sind aus Kundensicht Wahlalternativen zum eigenen Angebot?
In vielen High-Tech-Produktkategorien, wie z. B. bei Fernsehern oder Digitalkameras, gibt es eine verwirrende Vielfalt an Angeboten und Wahlmöglichkeiten. Dazu kommen noch permanente technologische Weiterentwicklungen an den Modellen. Wie soll da ein Produzent erkennen, welche Produkte ähnlich beurteilt werden und damit im Wettbewerb zu den eigenen stehen? Wie kann man lukrative Subsegmente mit den eigenen Angeboten gezielt erreichen? Im Artikel „Visualizing Asymmetric Competition among More Than 1,000 Products Using Big Search Data” entwickeln Daniel Ringel und Bernd Skiera innovative Mapping-Methoden aus den Suchdaten auf Preisvergleichsplattformen, um die komplexen Marktstrukturen zu visualisieren. Ihr Ansatz ermöglicht einen schnellen, leicht verständlichen und trotzdem umfassenden Einblick in Wettbewerbsstrukturen aus der Perspektive der Kaufinteressenten.

Mehr verkaufen durch relevante Produktempfehlungen
In Empfehlungssystemen, durch automatisiertes Marketing oder individualisierte Angebote versuchen Praktiker anhand der Kaufhistorie von Konsumenten vorherzusehen, welches Produkt als nächstes in den Einkaufskorb wandert. Bruno Jacobs, Bas Donkers und Dennis Fok haben sich im Artikel „Product Recommendations Based on Latent Purchase Motivations” dieser Frage angenommen. Sie arbeiten mit einer Methode aus der Textverarbeitung, um aus Kundensicht Produktkombinationen zu identifizieren, die häufig gemeinsam gekauft werden. Ihre Analysen mittels Latent Dirichlet allocation (LDA) erzielen bessere Ergebnisse als typischerweise angewandte kollaborative Filter und andere bekannte Modelle. Aufgrund seiner besseren Prognoseleistung erscheint dieser Ansatz für unterschiedliche zukünftige Empfehlungssysteme vielversprechend.

Authentische Beurteilungen der eigenen Marke erhalten
Für das Markenmanagement ist es wichtig zu wissen, wie Konsumenten die eigene Marke wahrnehmen. Solche Markenwahrnehmungen, z. B. zu Eigenschaften wie Umweltfreundlichkeit, Exklusivität oder Inhaltsstoffen erläutern Konsumenten gerne in Social Media. Der Artikel „How Green is Your Brand? Mining Cause-Related Brand Associations on Twitter” von Arun Culotta und Jennifer Cutler präsentiert eine voll automatisierte Methodezum Sammeln vonmarkenbezogenen Nachrichten in Social Media (Twitter). Die Forscher identifizieren solche Wahrnehmungen, indem sie Schlüsselbegriffe in den sozialen Markennetzwerken aufspüren (mining). Sie demonstrieren ihre Methode an 200 Marken, für die sie die Beurteilung einzelner Eigenschaften herausfiltern. Mittels dieser Methode können Manager schnell und effektiv auf Chancen oder kritische Aspekte in der Markenbeurteilung reagieren.

*Details zu Methoden und Verfahren finden Sie in den jeweiligen Originalartikeln, im Marketingjournal Marketing Science, Vol. 35, 3 (May - June 2016) .

Die Vorteile aus der Zusammenarbeit unterschiedlicher Disziplinen
Der typische Blickwinkel von Statistik und Informatik und die Anforderungen des Marketings ergänzen sich sehr gut. Bei ersteren geht es oft um das Erkennen von Mustern, um Steuerung und um Prognosen. Viele Marketinganalysen übernehmen diese Ausrichtungen, erweitern sie aber, indem sie Strukturen modellieren und kausale Beziehungen untersuchen. Dem Marketing ist es gelungen, die Schwerpunkte der Management Science mit denen der Psychologie und Ökonomie zu verbinden. Die Felder ergänzen sich und gemeinsam eröffnen sie ein breites Spektrum an wissenschaftlichen Zugängen zu ihren Themen. Integriert helfen sie dabei, Zusammenhänge zu verstehen und praktische Lösungen für wichtige und relevante Marketingprobleme der Praxis zu entwickeln.

Wir sind glühende Befürworter der These, dass Marketing die Data Science und maschinelles Lernen braucht, und sind überzeugt, dass die Forschungsfelder voneinander profitieren. Auch Datenwissenschaftler und Informatiker werden ihre Fragestellungen und Forschungen verbessern, indem sie den Erkenntnisschatz der Marketingwissenschaft nutzen. Die Marketingpraxis erhält immer öfter nicht nur einen Vorgeschmack auf die Möglichkeiten der Data Science, sondern kann aus einer laufend wachsenden Anzahl aus ganzen Forschungsmenüs wählen. Eine gute Mischung aus mehreren Disziplinen wird nicht nur brennende Fragen beantworten können, auf die es bis vor kurzem noch keine Antworten gab, sondern wird auch die Qualität von Marketingentscheidungen deutlich verbessern. Gemeinsam werden wir auch die Zukunft meistern!

Autor/en

Pradeep Chintagunta, Joseph T. and Bernice S. Lewis Distinguished Service Professor of Marketing, Booth School of Business, University of Chicago, Chicago, USA. pradeep.chintagunta@chicagobooth.edu

Dominique M. Hanssens, Distinguished Research Professor of Marketing, UCLA Anderson School of Management, University of California Los Angeles, USA. dominique.hanssens@anderson.ucla.edu

John R. Hauser, Kirin Professor of Marketing, MIT Sloan School of Management, Massachusetts Institute of Technology, Cambridge, MA, USA. hauser@mit.edu.

Literaturhinweise

Winer, Russell S and Neslin, Scott A, (2014), The History of Marketing Science, World Scientific Publishing Co. Pte. Ltd.

Marketing Science, Vol. 35, 3 (May - June 2016)