Dr. Markus Eberl & Melanie Arens, Kantar Daten-Patchwork funktioniert: Vom Flickwerk zum Kunstwerk

Melanie Arens und Dr. Markus Eberl

Patchwork gibt es schon seit etwa 3.000 Jahren. In Patchwork-Decken wurden über Jahrhunderte hinweg die unterschiedlichsten Materialien verarbeitet. Leder, Filz, Pelz, Seide, Leinen, Baumwolle in vielen verschiedenen Farben, Mustern und Oberflächenstrukturen. Und obwohl die einzelnen Teile so unterschiedlich sind, so fügen sie sich doch, je nach Ideenreichtum, Vorstellungskraft und handwerklichem Können des Verarbeitenden, zu einem harmonischen Gesamtbild mit geometrischen oder abstrakten Mustern zusammen.

Ganz ähnlich kann es heute mit Big Data laufen: Aus unternehmensinternen Quellen erhalten die Marketeers Daten aus dem CRM-Bereich, Transaktionsdaten und weitere Daten aus Feedbacksystemen. Externe Quellen liefern z.B. Daten aus Social Media, Data Management Plattformen oder auch aus stichprobenbasierte Befragungsdaten. Allerdings kann einfach nur die Menge der vorhandenen Daten die Marketeers zur Verzweiflung treiben. Es ist, wie alle zusammenpassenden Stoffe mit dem gleichen Muster in einem riesigen Stoffhaufen zu suchen. Dieses Rohmaterial ist in ganz unterschiedlichem Zustand. Einige Daten liegen auf Individualbasis vor, andere wiederum aggregiert. Einige bilden das Einkaufsverhalten ab, andere die Mediennutzung. Ein Teil liegt auf wöchentlicher Basis vor, ein anderer sekundengenau. Hier kommt die künstliche Intelligenz ins Spiel und hilft Data-Scientist-Patchworkern beim Sortieren. Sie erkennt automatisch Menge, Formen und Material der vorhandenen Teile und kann so vorhersagen, wie Kunden sich voraussichtlich verhalten werden – oder um im Patchworkbild zu bleiben: wie groß die Decke wird und welches Muster am besten darauf passt.

Automatisierung und künstliche Intelligenz helfen Data Scientists eher, als sie überflüssig zu machen. Genauso wie Nähmaschinen und Designprogramme Textilkünstler nicht ersetzen, aber ihre Arbeit effizienter machen.

Ein Beispiel hierfür ist die von Kantar entwickelte Integrated Insights Engine. Hierbei handelt es sich um eine Plattform, mit der u.a. sehr schnell Zusammenhänge in Zeitreihen gefunden werden können. Daten werden auf der Integrationsplattform von Menschen kuratiert, aber automatisch und kontinuierlich zusammengebracht und in einem einheitlichen Framework analysiert. Das schafft die Voraussetzung dafür, dass Algorithmen selbständig Zusammenhänge in Zeitreihen erkennen können oder den Return of Invest von Werbeausgaben ausweisen können. Damit werden wiederum nutzerfreundliche Simulatoren und Optimierungstools gefüttert, die zeigen, wie das Werbebudget gewinnoptimal umverteilt werden kann. Und zwar von Business Usern – ohne dass die Hilfe von Data Scientists nötig wäre. Das Ergebnis dieser automatisch erstellten Daten-Patchwork-Decken lässt sich durchaus sehen: der Mehrwert eines programmatischen Online-Targeting ist unbestreitbar groß.

Vor lauter Stoffmenge dürfen wir aber eines nicht übersehen: Wir decken im wortwörtlichen Sinne nur einen Teil des menschlichen Verhaltens ab. Auf Instagram und Facebook wird nur ein Ausschnitt des Lebens gepostet (typischerweise der Schöne), auf Google vor sensiblen Suchanfragen der Anonymitätsmodus eingeschaltet. Und der größte Teil der tagtäglichen Erlebnismomente wird überhaupt nicht digital erfasst. Trotz Smartphone. So kommen beispielsweise Medienreichweiten für TV und Radio nicht aus denselben Quellen oder von denselben Personen wie Online-Reichweiten. Opportunitites to see für Out of Home-Werbemittel sind nach wie vor schwierig auf Einzelpersonenebene zu erfassen. Wenn man versucht, diese Datenquellen zusammenzubringen, kann man sie nicht anhand einer eindeutigen Personen-ID matchen, sie sind nicht "single-source".

Aber wie bringt man all diese unterschiedlichen Materialien so zusammen, dass daraus kein wilder Stoff-Mix, sondern ein Augenschmaus entsteht? Für Data Scientists ist diese Herausforderung übrigens meistens sogar spannender, als auf großen Single-Source-Datenbeständen zu arbeiten. Denn die größere Mühe bei der Integration wird mit deutlich übergreifenderen Insights belohnt. Hierbei kann die künstliche Intelligenz natürlich ebenso hilfreich sein wie die Nähmaschine als Hilfsmittel – sie automatisiert die technische Zusammenführung von Datenmaterial. Aber der Mensch muss der Maschine sagen, welche Quellen zusammengenäht werden sollen. Der Mensch bleibt der wesentliche Kurator – das ist die eigentliche Handwerkskunst.

Ein Beispiel: Filial-Patchwork

Sehen wir uns eine Fallstudie aus dem Umfeld der Filialoptimierung an. Unser Kunde betreibt hunderte von Shops in verschiedenen Lagen von Städten bzw. in ländlichen Gebieten Deutschlands. Obwohl es sich nicht um Lebensmittel handelt, sind die Margen stark unter Druck, der Wettbewerb intensiv. An welchen Stellhebeln soll gedreht werden, um Kundenzufriedenheit, Wiederkaufsrate und Umsatz pro Kunde zu optimieren? Soll eher in die Ausbildung der Mitarbeiterinnen und Mitarbeiter, in die Schichtoptimierung, in die Ladenfläche oder die absolute Zahl der Verkaufsstellen investiert werden? Grundsätzlich sind Milliarden von Kombinationen dieser Stellhebel innerhalb der Filialen denkbar. Und es gibt viele verschiedene Datenquellen, die hierfür in Frage kommen: (Anonyme) Feedback-Befragungen zu jedem Shop, personalisierte Feedbacks von Kunden (vieles hiervon liegt zunächst nur als Text vor!), die im Nachgang zum Touchpoint-Kontakt befragt wurden. Demographische und mikrogeographische Informationen zu jedem Shop, Verhaltens- und Beobachtungsdaten aus automatischen Kundenzählsystemen sowie Schichtpläne der Mitarbeiter und natürlich die Abverkaufs- und Beratungsdaten, die im CRM-System auf Sekundenebene vorliegen. Nimmt man noch die Informationen über das Verhalten der Kunden mit hinzu, die bei der Nutzung des Produkts nach dem Shopbesuch anfallen, wächst die Menge an möglichen Optimierungsstellhebeln ins Unüberschaubare. Unsere Datenbasis umfasste mehr als zwei Jahre rückwirkende Daten und damit viele Millionen einzelne Datenpunkte.

So hängt zum Beispiel eine gesteigerte Kundenzufriedenheit mit dem Erlebnis im Shop nicht nur von der Uhrzeit und damit der verfügbaren freien Mitarbeiter ab, sondern auch von weiteren strukturellen Merkmalen wie der Konkurrenzsituation vor Ort. Wenn also die Frage zu beantworten ist, wo eine neue Filiale eröffnet werden soll, spielen diese Kontextfaktoren eine wichtige Rolle. Und das KI-System ist in der Lage, diese mit einzubeziehen. Maschinelles Lernen hilft immens dabei, die richtigen und relevanten Zusammenhänge nicht nur aufzudecken und Interaktionen mit einzubeziehen, sondern vor allem eine gute Prognose darüber abzugeben, welche Maßnahmen am besten auf die zentralen Zielgrößen wie Abverkauf und Kunden-Profitabilität einwirken. Die Plausibilisierung der abgegebenen Prognosen ist dabei immens wichtig, denn schlussendlich ist für die Akzeptanz so komplexer Entscheidungsunterstützungen vor allem eines relevant: dass die Menschen, die mit den Entscheidungen arbeiten werden, der Maschine dabei vertrauen können. Diese Akzeptanz konnte nur dadurch gewährleistet werden, dass alle Betroffenen Mitentscheider und Eigentümer von Datenquellen von Anfang an in diesen Patchwork-Prozess eingebunden wurden.

Unser Kunde konnte am Ende sehr erfolgreich Filialoptimierung und damit Umsatzsteigerungen im gesamten Vertriebsnetz umsetzen. Dabei wurden vor allem alle möglichen Konsequenzen einer Handlung im Gesamtkontext beurteilt.

Zu den Autoren: Dr. Markus Eberl leitet die Kantar Analytics Practice in Deutschland und hilft mit seinen 40 Kolleginnen und Kollegen Kunden dabei, das Potenzial existierender Daten zu heben und damit konsumentenzentrierte Marketingaktionen zu befeuern. Melanie Arens ist Expertin für Social Media bei Kantar und wirkte maßgeblich bei der Integration von Social Media Daten in zahlreiche Forschungslösungen von Kantar mit.