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