View
2
Download
0
Category
Preview:
Citation preview
MARKTFORSCHUNG in Zeiten von Big DataSeminararbeit von Sandra Ingerl (1410409006)
Bachelor Studiengang Media- und Kommunikationsberatung
LV: Methoden und Instrumente der Markt- und Mediaforschung III
LV-Leiter: FH-Prof. Mag. Helmut Kammerzelt, MAS
Dr. Emanuel Maxl
St. Pölten, 06.07.2016
Inhaltsverzeichnis
1 Einleitung...........................................................................................................................1
2 Big Data..............................................................................................................................1
2.1 Begriffsabgrenzung.....................................................................................................1
2.2 Datenquellen..............................................................................................................4
3 Big Data in der Marktforschung.........................................................................................5
3.1 Herausforderungen....................................................................................................5
3.2 Potentiale entlang der Wertschöpfungskette.............................................................6
3.3 Der Marktforschungsprozess......................................................................................7
3.4 Anwendungsbeispiel „Tesco“.....................................................................................9
4 Conclusio......................................................................................................................... 10
5 Literaturverzeichnis.........................................................................................................11
2
AbbildungsverzeichnisAbbildung 1: Big Data-Aktivitäten in der konsumgüterspezifischen Wertschöpfungskette......7
Abbildung 2: Datenbewertung und -aufbereitung bei Big Data................................................9
3
1 Einleitung
Der Begriff „Big Data“ ist aus der heutigen Zeit kaum mehr wegzudenken. Das Potential
dieser Daten ist enorm und die Big Data Marktforschung eröffnet einen neuen Blickwinkel
auf das Verhalten von Konsumenten/innen und somit auch neue Chancen für die
Marktentwicklung. Während große Unternehmen wie Facebook, Google und Amazon sich
diese Daten bereits zu Nutze machen und in ihrer Wertschöpfungskette einsetzen, so hat
sich diese neue Methode der Datenanalyse noch nicht in allen Unternehmen durchsetzen
können. Viele Unternehmen scheitern am Umgang mit diesen Datenmengen und sind noch
nicht ausreichend mit Big Data-Analysetechniken vertraut. Dennoch birgt Big Data große
Potentiale und Chancen und ihr Einsatz in der Marktforschung wurde deshalb zum Thema
dieser Seminararbeit.
Die folgende Arbeit beschäftigt sich zunächst mit der Begriffsabgrenzung von Big Data und
den Datenquellen. Danach wird die Verwendung von Big Data in der Marktforschung
beleuchtet. Dieses Kapitel beinhaltet die Herausforderungen bei der Nutzung von Big Data,
die Potentiale und den Marktforschungsprozess. Am Schluss folgen eine kurze
Zusammenfassung der Erkenntnisse und eine Zukunftsprognose.
2 Big Data
2.1 Begriffsabgrenzung
„Big Data is a term that describes large volumes of high velocity, complex and variable data
that require advanced techniques and technologies to enable the capture, storage,
distribution, management, and analysis of the information.“ (Page et al., 2012, 10)
Es gibt nicht die eine richtige Definition von Big Data. Es gibt unzählige
Begriffsbestimmungen, doch die gängigsten Definitionen haben eines gemeinsam: Die vier
Charakteristika von Big Data. Diese Eigenschaften sind Volume, Velocity, Variety und
Veracity und werden auch als die vier V’s bezeichnet. (vgl. Page et al. 2012, S. 11)
1
Volume
Der Umfang ist eine beträchtliche Menge an Daten, die aufgenommen, analysiert und
gemanagt werden muss (vgl. King 2013, S. 35). Immer kleinere und leistungsfähigere
Computerchips werden in Alltagsgegenstände eingebaut, übernehmen
Steuerungsaufgaben und erzeugen dabei digitale Daten. Das führt wiederum zu einem
kontinuierlichen Anstieg des Vernetzungsgrades. Das Phänomen des kontinuierlichen
Wachstums der Rechenkapazitäten und somit auch des Datenvolumens führt dazu, dass
immer mehr Daten zur Analyse zur Verfügung stehen und ist eine der Grundlagen von
Big Data. (vgl. Dorschel 2015, S. 7)
Velocity
Es gibt unterschiedliche Interpretationen dieses Begriffs. Fasel versteht unter Velocity
die Geschwindigkeit mit der neue Daten entstehen (vgl. Fasel 2014, S. 389). King
wiederum interpretiert Velocity als die Geschwindigkeit mit der Daten produziert und
verändert werden müssen. Man spricht auch von der Schnelllebigkeit der Daten. Diese
verlangt eine rasche Analyse und Auswertung. (vgl. King 2013, S. 35)
Velocity und Volume stehen in einer unmittelbaren Wechselbeziehung. Je höher die
Rechenkapazität, desto mehr Daten werden in immer kürzerer Zeit produziert. (vgl.
Dorschel 2015, S. 7)
Variety
Die digitalen Daten sind heterogen in Bezug auf ihre Quellen und Formate. Sie kommen
zunehmend aus neuen Quellen und ihre Struktur variiert erheblich. (vgl. King 2013, S.
35)
Die für Big Data relevanten Daten sind weitgehend unstrukturiert und reichen von
technischen Messdaten über Social Media-Inhalte bis hin zu Video-Streams (vgl.
Dorschel 2015, S. 8).
Veracity
Diese Charakteristik bezieht sich auf die Richtigkeit, Vollständigkeit und Verlässlichkeit
der Dateninhalte. Die Qualität der Daten wird von Doppeldeutigkeit, Unvollständigkeit
und Inkonsistenz beeinflusst. Bei der Nutzung von Big Data müssen diese Faktoren
2
berücksichtigt werden, weil datenbasierte Entscheidungen nachvollziehbar und
begründbar sein müssen. (vgl. Dorschel 2015, S. 8)
Eine Kernaufgabe von Big Data ist die Gewinnung von übergreifenden Erkenntnissen aus
unterschiedlichen Quellen und Formaten. Der Computer soll die Dateninhalte selbst
verstehen und in der Lage sein, diese zu interpretieren. (vgl. Dorschel 2015, S.8)
Big Data ist in seiner Rohform nur von geringem Nutzen. Erst durch analytische Prozesse und
die Verbindung der Daten können aus den Rohdaten Schlüsse gezogen werden und es
entsteht ein erhöhter Nutzwert. Big Data zeichnet sich also in erster Linie durch die hohe
Relationalität zwischen den Daten und nicht durch die Datenmenge an sich aus. (vgl. Boyd &
Crawford, 2011, S. 1f)
Im Jahre 2011 gab es 1,8 Trillion Gigabyte an Big Data. Diese Menge verdoppelt sich nach
Schätzungen alle zwei Jahre. Ein Wachstum von 650% sollen Unternehmensdaten in den
nächsten Jahren verzeichnen, wobei 80% davon unstrukturiert sein werden. (vgl. Zeus, 2012)
Big Data ermöglicht es Entscheidungen, die bisher nur auf Spekulationen beruhten, auf Basis
von Daten zu treffen. Dazu müssen die Daten allerdings nicht nur gesammelt sondern auch
ausgewertet und eingesetzt werden. (vgl. King 2013, S. 37)
Jay Parikh, Vice President of Engineering bei Facebook, äußert sich zu diesem Thema wie
folgt:
„Big data really is about having insights and making an impact on your business. If you aren’t
taking advantage of the data you’re collecting, then you just have a pile of data, you don’t
have big data.“ (Constine, 2012)
3
2.2 Datenquellen
Big Social Data wird aus verschiedenen Datenquellen generiert. Diese lassen sich neben den
Daten aus Online-Geschäftsprozessen in 6 Hauptkategorien einteilen. Diese sind Social
Media, mobile Anwendungen, Sensordaten, Geodaten und Suchmaschinen. Der Großteil von
Big Social Data (Daten aus sozialen Interaktionen, aus dem Internet der Dinge, aus GPS-
Quellen und aus Suchmaschinen) ist semi-strukturiert. (vgl. King 2013, S. 41)
Im Folgenden sind einige Quellen von Big Data genauer beschrieben:
Daten aus Online-Geschäftsprozessen
Das Einkaufsverhalten und die Informationssuche der Konsumenten/innen wird
immer internetorientierter. Bevor ein/e Konsument/in ein Produkt kauft sucht er/sie
erstmals Informationen darüber im Internet via Suchmaschinen und Social Networks
und nach dem Kauf tauscht er/sie vielleicht Erfahrungen mit anderen Kunden/innen
aus oder wendet sich an den Kundendienst. Es entsteht eine Vielzahl an
transaktionsbezogenen Daten, durch die Erkenntnisse über die Bedürfnisse, die
Wünsche und die Kaufabsichten des/der Konsumenten/in, aber auch beispielsweise
über die Wirksamkeit von Marketingkampagnen gewonnen werden können. (vgl.
King 2013, S. 42ff)
Social Media
Social Media sammelt und speichert Nutzerdaten. User/innen erstellen, vernetzen
oder bewerten online Inhalte und so entstehen auch kontextbasierte Daten für und
über Unternehmen. Diese müssen somit mit den Betreibern sozialer Netzwerke
zusammenarbeiten um Zugang zu diesen kostbaren Daten zu erlangen. (vgl. King
2013, S.44) Beispielsweise teilen Kunden/innen ihre Meinungen zu Unternehmen und
deren Produkten in Social Media Kanälen mit anderen User/innen.
Mobile Anwendungen („Apps“)
Smartphones sind bereits ein wichtiger Bestandteil unseres täglichen Lebens und
somit auch zu einem essentiellen Marketinginstrument für Unternehmen geworden.
Die Anzahl der Sensoren und Anwendungen für Mobiltelefone nimmt kontinuierlich
zu. Heutzutage besitzt nahezu jedes Smartphone GPS Sensoren,
4
Beschleunigungssensoren, Mikrofone, Gyroskope, Kameras und Bluetooth. Es gibt
bereits Applikationen für nahezu alle Lebensbereiche von Informationsrecherche
über Unterhaltung bis hin zum Gesundheitsmanagement. Mithilfe gewonnener
mobiler Daten kann Auskunft über Phänomene des Alltagslebens, individuelle
Wesenszüge, Beziehungsdynamik, menschliche Mobilität sowie Kommunikations-
und Interaktionsmuster gegeben werden. Mobile Daten liefern wahre, unverfälschte,
personenbezogene Informationen und sind somit besonders wertvoll für die
Marktforschung. (vgl. King 2013, S. 49f)
Suchmaschinen
Suchmaschinendaten sind für Unternehmen, die keine derartigen Services betreiben,
nur schwer zugänglich, dennoch können diese Daten sehr nützlich sein. Sie
beinhalten Informationen über den/die Nutzer/in, die eingegebenen Suchanfragen,
die angeklickten Ergebnisse sowie Ort und Zeitpunkt der Eingabe der Suchanfrage.
Unternehmen, die Suchmaschinenservices betreiben können damit die Qualität der
Ergebnisse verbessern sowie ihre Services personalisieren. Regelmäßig werden Listen
mit häufigen Suchanfragen oder Eingaben von Suchmaschinenbetreibern
veröffentlicht, aber ansonsten sind Suchmaschinendaten nicht öffentlich zugänglich.
(vgl. King 2013, S. 54)
3 Big Data in der Marktforschung
3.1 Herausforderungen
Die größte Herausforderung bei der Nutzung von Big Data in der Marktforschung ist der
Umgang mit den Daten. Nicht jeder kann mit diesen komplexen Daten umgehen. Dafür
benötigt man Data Analysts mit speziellen Kompetenzen. Sie sollten einerseits ein gewisses
Verständnis für Forschungsfragen haben, aber andererseits auch über methodisches Know-
How und Programmierungsskills verfügen. Um die gewonnenen Erkenntnisse mit
Kollegen/innen erörtern zu können ist Kommunikationsstärke ebenfalls eine wichtige
5
Eigenschaft. Marktforschungsexperten mit all diesen Eigenschaften, die das Potential haben
Big Data kompetent zu analysieren, gibt es bislang allerdings nur wenige. (vgl. planung &
analyse 4/2013, S. 3)
Viele der wissenschaftlichen Möglichkeiten, die uns Big Social Data bietet, würden
unverwirklicht bleiben wenn Open APIs für Social-Software-Plattformen nicht weitreichend
verfügbar wären. Application Programming Interfaces (APIs) bieten einen strukturierten
Zugang zu Kommunikationsdaten in standardisierten Formaten. Auch wenn
Plattformanbieter keine Forschungsanwendungen im Sinn haben, stehen die durch APIs
bereitgestellten Datenzugriffsmöglichkeiten auch für wissenschaftliche Zwecke zur
Verfügung. (vgl. Reichert 2014, S. 192ff)
Die leichte Zugänglichkeit der Daten führt auch zu einer Dezentralisierung der
Marktforschungsaktivitäten. Unternehmen werden sich in Zukunft noch kundenorientierter
ausrichten, allerdings wird nicht mehr nur eine Abteilung die Deutungshoheit über die
Produktion und Interpretation von Ergebnissen haben. Institute müssen ihre Fähigkeiten im
Management großer Datenmengen, in der Analyse unterschiedlichster Datentypen und in
der Ergebnisdarstellung weiter ausbauen um den neuen Anforderungen gerecht zu werden.
Herkömmliche Forschungsansätze müssen mit neuen Methoden kombiniert werden. (vgl.
Marketing Review St. Gallen 2/2015, S. 31f)
3.2 Potentiale entlang der Wertschöpfungskette
Die Einbeziehung und Analyse von Kundenverhalten ist ein wichtiger Bestandteil des
Marketings. Durch Big Data entsteht ein Wandel der Werbung und Promotion von einseitiger
zu zweiseitiger Kommunikation und von Massenkommunikation zu personalisierter
Kommunikation. Mithilfe des gewonnen Wissens aus Big Data-Analysen werden in der
Konsumgüterindustrie stärkere Effekte durch virales Marketing als durch klassische Konzepte
erreicht. Weiters können durch Nutzung von Big Data die Produktplatzierung in
Verkaufsflächen verbessert werden und die Effektivität von Marketing-Kampagnen
gesteigert werden. (vgl. Buttkus/Eberenz 2014, S. 80)
6
Abbildung 1: Big Data-Aktivitäten in der konsumgüterspezifischen Wertschöpfungskette
(Quelle: Horváth & Partners Management Consultants)
3.3 Der Marktforschungsprozess
Die Marktforschung ist gegliedert in die Forschungsfrage, das Forschungsdesign, die
Feldphase und die Auswertung der Ergebnisse. Dieses Kapitel beschreibt die Auswirkungen
von Big Data auf den Marktforschungsprozess.
Die Forschungsfrage
Durch Big Data könnte sich eine neue Qualität der Definitionen von Forschungsfragen
entstehen. Während der kontinuierlichen Beobachtung und Analyse der Daten
können neue Erkenntnisse entstehen, ohne dass dazu bereits eine konkrete
Fragestellung definiert wurde. Ein großes Potential von Big Data ist das Data Mining,
also das Entdecken neuer Zusammenhänge. So müssen in Zukunft im Rahmen der
Analyse von Big Data nicht zwingend konkret definierte Fragestellungen verfolgt
werden. Der Forscher kann nach Zusammenhängen in den Daten suchen um neue
Erkenntnisse, Ideen und Konzepte zu generieren, ohne dass ein bestimmter
Rechercheauftrag gegeben war. Dadurch ergeben sich verstärkte
7
Einsatzmöglichkeiten im Rahmen eines Frühwarnsystems oder der
Trendbeobachtung. (vgl. Dorschel 2015, S. 114f)
Das Forschungsdesign
Beim Einsatz von Big Data beginnt man bei der Entwicklung des Forschungsdesigns
mit der Identifikation der relevanten Quellen. Dieser Schritt ist gleichzusetzen mit der
Festlegung der Stichprobe, wobei bei der Analyse von Big Data eine viel größere
Grundgesamtheit genutzt werden kann um Erkenntnisse abzusichern. Nach der
Quellenauswahl folgt die Aufbereitung der relevanten Daten aus diesen Quellen und
die Wahl der analytischen Methoden. Mithilfe dieser Methoden können die Daten
zusammengeführt und ausgewertet werden. Dieser Prozess kann mehrmals
durchlaufen werden bis der gewünschte Erkenntnisgewinn erzielt wird.
Bei der Auswahl der Daten sollen die relevanten Daten (Smart Data) selektiert
werden. Die Quellen werden nach gewissen Kriterien von den Forschern/innen
identifiziert und bewertet. Die Bewertung erfolgt nach Relevanz, Qualität, Struktur,
Zugänglichkeit und Vergleichbarkeit der Daten. Bei der nachfolgenden Aufbereitung
werden diese ausgewählten relevanten Daten selektiert, bereinigt, verdichtet,
kombiniert und analysiert. (vgl. Dorschel 2015, S. 115f)
Die Auswertungsphase
Vor der Auswertung müssen die Daten in eine auswertbare Form gebracht werden.
Bei diesem Schritt arbeiten Informatiker und Marktforscher eng zusammen – der
Marktforscher wird zum Data Analyst. Nach der Vorbereitung der Daten folgt die
Durchführung von Analysen und Suchläufen, die Suche nach Mustern, die Testung
von Hypothesen und die Prüfung und Interpretation der Ergebnisse. Dieser Prozess
beginnt danach wieder von vorne und wird so lange durchgeführt bis plausible
Ergebnisse mit neuem Erkenntnisgewinn generiert werden können. (vgl. Dorschel
2015, S. 116)
8
Abbildung 2: Datenbewertung und -aufbereitung bei Big Data
(Eigene Darstellung, in Anlehnung an Dorschel 2015, S.117)
3.4 Anwendungsbeispiel „Tesco“
Als Best-Practice-Beispiel bei der Nutzung von Big Data-Technologien im Einzelhandel kann
man Tesco anführen. Die britische Supermarktkette hatte im Geschäftsjahr 2012/13 einen
Umsatz von rund 84 Mrd. Euro und zählt somit zu den erfolgreichsten Handelsketten
weltweit. Die Strategie von Tesco, „Multi-Channel“-Einkaufserfahrungen zu unterstützen,
basiert darauf massives Wissen über die Kunden zu erlangen. Diese Wissensgenerierung
ermöglichen Big Data-Analysen. Die folgenden Innovationen von Tesco basieren auf Big
Data-Analysen und optimieren das Einkaufserlebnis für die Kunden/innen und die
verbessern die Kundenbindung:
Die Clubcard verfügt über die „Scan-as-you-shop“-Funktion, durch die Kunden/innen
das Anstellen an der Kasse vermeiden können. Beim Nutzen dieser Funktion geht
der/die Kunde/in mit einem Handscanner durch den Supermarkt und scannt bereits
alle Sachen, die er/sie kaufen möchte und kann diese dann direkt an der Kasse
bezahlen.
9
1. DatenbewertungRelevanzQualitätStrukturVergleichbarkeitZugänglichkeit
2. DatenaufbereitungSelektionBereinigungVerdichtungKombinationProblembehandlung
3. DatenanalyseMultivariate AnalyseKorrelationsanalyseTrendanalysenTextmining...
Weiters wurden „Smart Cameras“ über frischer Ware angebracht, die automatisiert
leere Flächen erkennen und dann Mitarbeiter/innen darauf aufmerksam machen,
dass eine Wiederauffüllung notwendig ist.
Die Mitarbeiter/innen erhielten Smart Badges. Mithilfe dieser kleinen Barcode-
Scanner können Mitarbeiter/innen Waren mobil einscannen um auf Fragen der
Kunden/innen zeitsparend und kompetent antworten zu können.
Tesco nutzt die Fähigkeit der datengesteuerten Analyse- und Entscheidungsfindung in allen
Bereichen von der Lieferkette bis zum Marketing, Vertrieb und Service. Die Analyse von Big
Data hatte leistungsstarke und effektive Auswirkungen auf die Multi-Channel-Strategie von
Tesco. (vgl. Buttkus/Eberenz 2014, S. 84ff)
4 Conclusio
Zusammengefasst kann gesagt werden, dass Big Data ein komplexes Thema ist, welches aber
viele Herausforderungen und Potentiale beherbergt und in Zukunft immer mehr an
Bedeutung gewinnen wird.
Da das Web 2.0, das Internet der Dinge, die Cloud und mobile Anwendungen weiterhin
Einzug in das alltägliche Leben von Menschen haben werden, wird die Menge und die
Schnelllebigkeit von Big Data weiterhin zunehmen. Unternehmen werden sich immer mehr
mit dem Thema auseinandersetzen und den Umgang damit erlernen, denn Organisationen,
die Big Data gezielt nutzen können erlangen den größten Wettbewerbsvorteil. Die richtige
Analyse und Nutzung von Big Data ermöglicht es den Unternehmen Erkenntnisse und
Zukunftsprognosen in Echtzeit zu erlangen. Organisationen, die keinen Zugang zu Big Data
haben oder diese nicht dementsprechend nutzen können werden langfristig nicht mehr
konkurrenzfähig sein.
10
5 Literaturverzeichnis
Binder, Jochen/Weber, Friedemann (2015): Data Experience – Marktforschung in den Zeiten
von Big Data, in: Marketing Review St. Gallen, 2/2015.
Boyd, D./ Crawford, K. (2011): Six Provocations for Big Data. In A Decade in Internet Time:
Symposium on the Dynamics of the Internet and Society, Oxford.
Burgess, Jean/Bruns, Axel (2014): Twitter-Archive und die Herausforderungen von “Big Social
Data” für die Medien- und Kommunikationswissenschaft, in: Reichert, Ramón (Hg.): Big Data
– Analysen zum digitalen Wandel von Wissen, Macht und Ökonomie, Bielefeld: transcript
Verlag.
Constine, Josh (2012): How Big Is Facebook’s Data? 2.5 Billion Pieces Of Content And 500+
Terabytes Ingested Every Day, Zugriff am 05.07.2016:
https://techcrunch.com/2012/08/22/how-big-is-facebooks-data-2-5-billion-pieces-of-
content-and-500-terabytes-ingested-every-day/
Dorschel, Joachim (2015): Praxishandbuch Big Data: Wirtschaft – Recht – Technik,
Wiesbaden: Springer Gabler.
Fasel, Daniel (2014): Big Data – Eine Einführung, in: HMD Praxis der Wirtschaftsinformatik,
Volume 51, Issue 4, S. 386-400.
Kaufmann, Gwen (2013): Ist Big Data zu groß für die Marktforschung?, in: planung & analyse,
4/2013, 01.08.2013.
King, Stefanie (2014): Big Data – Potential und Barrieren der Nutzung im
Unternehmenskontext, Wiesbaden: Springer VS.
Mehanna, Walid/Rabe, Chris Marcus (2014): Big Data in der Konsumgüterindustrie: Kunden
verstehen, Produkte entwickeln, Marketing steuern, in: Buttkus, Michael/Eberenz, Ralf
(Hrsg.): Controlling in der Konsumgüterindustrie – Innovative Ansätze und Praxisbeispiele,
Wiesbaden: Springer Gabler.
Page, C./ Campbell, R./ Coggeshall, S./ Gillespie, E./ Johnson, R./ Olson, M./ Perkins, P.
(2012): Demystifying Big Data: A Practical Guide To Transforming The Business of
Government Microsoft. Washington, DC.11
Zeus, Z. (2012): Welcome to the World of Big Data. New World Problems, New World
Solutions.
12
Recommended