Digital Data-Driven Marketing

MODULE, UNITS UND INHALTE

CREATING VALUE WITH DATA ANALYTICS IN MARKETING

Big Data-Strategien & Wertschöpfung durch Analytics

– Explosion der Datenerstellung
– Datenquellen und Datentypen
– Data Value Creation Model
– Arten der Marketinganalyse
– Strategien für die Analyse von Big Data
– Veränderungen durch Big Data in der Analytik
– Von Big Data Analytics zur Wertschöpfung
– Herausforderungen bei Data Analytics
– Voraussetzungen für Big Data-Strategien

Datensicherheit und Datenschutz

– Bedeutung des Datenschutzes
– Definitionen Datenschutz und Datensicherheit
– Datenschutz und Ethik
– Datenschutzgesetze und -verordnungen
– EU-DSGVO
– EU-USA Privacy Shield
– Telekommunikation-Telemedien-Datenschutz-Gesetz
– E-Privacy-Richtlinie
– Kundendaten und Datenschutz
– Datenschutz und interne Datenanalyse

Die Studierenden kennen den Stellenwert von Daten in modernen Ökonomien und haben ein Verständnis dafür, wie man Daten zur ökonomischen Wertstiftung nutzen kann. Sie kennen ferner die Voraussetzungen und Herausforderungen bei der Umsetzung datengetriebener Strategien. Des Weiteren kennen die Studierenden die rechtlichen Rahmenbedingungen des Datenschutzes und können ethische Abwägungen bei der Nutzung von Daten treffen.

Nach der Teilnahme an der Modulveranstaltung sind die Studierenden in der Lage, Strategien für die Analyse von Big Data auszuwählen und zu beurteilen, ob die Voraussetzungen für die Implementierung einer datengetriebenen Marketing-Strategie im Unternehmen vorliegen. Ferner können Sie einschätzen, ob die datenschutzrechtlichen Voraussetzungen für die Nutzung von Daten vorliegen.

Fragen zur strategischen Nutzung von Daten können die Studierenden in Teams erarbeiten und diskutieren. Ferner können Sie die ökonomischen und rechtlichen Implikationen verschiedener Daten-Strategien kritisch reflektieren.

Die Studierenden sind nach der Teilnahme an dem Modul fähig, ihr Wissen in die Entwicklung konkreter Datenstrategien im Marketing praktisch umzusetzen.

BIG DATA AND MARKETING METRICS

Klassische & Big Data Analytics

Klassische Analytics: Reporting
– Profiling
– Migrationsanalyse
– Kundensegmentierung
– Trendanalyse Markt- und Absatzprognose
– Analyse der Bedeutung von Attributen
– Individuelle Vorhersagemodelle

Big Data Analytics: Web Analytics
– Customer Journey-Analyse
– Attribution Modeling
– Dynamic Targeting
– Integrated Big Data Models
– Social Listening
– Social Network Analysis

Value-to-Customer & Value-to-Firm Metrics

Value-to-customer metrics (V2C): Market metrics
– New big data market metrics
– Brand metrics
– New big data brand metrics
– Customer metrics
– New big data customer metrics
– Value-to-Society (V2S) metrics

Value-to-firm metrics (V2F): Market metrics
– Brand metrics
– Customer metrics
– Customer lifetime value
– New big data metrics
– Marketing ROI

Die Studierenden kennen klassische und Big Data Analytics und können beurteilen, in welchem unternehmerischen Kontext diese zum Einsatz kommen. Sie sind zudem in der Lage, den Wertbeitrag von Marketing-Aktivitäten für Kunden und das Unternehmen mit modernen Marketing-Metriken quantitativ zu erfassen.

Nach der Teilnahme an der Modulveranstaltung verfügen die Studierenden über fachliche Kenntnisse und das methodische Wissen, um konkrete Anwendungsfälle des Data-Driven Marketing zu implementieren. Sie sind zudem dazu in der Lage, den Erfolg von Marketing-Aktivitäten in geeigneten Marketing-Metriken quantitativ zu erfassen und zu beurteilen.

Die Studierenden weisen einen hohen Grad an Reflektiertheit auf, sie begreifen die Mannigfaltigkeit an Big Data-Anwendungsfällen im Marketing und können diese in Teams bearbeiten und fundiert diskutieren.

Die Studierenden können Ideen für Anwendungsfälle des Data-Driven Marketing entwickeln und sind in der Lage, diese im Unternehmen im Team umzusetzen und ihren Erfolg anhand geeigneter Metriken objektiv zu bestimmen.

QUANTITATIVE MARKETING ANALYTICS

Multivariate statistische Verfahren

– Prozessablauf mathematisch-statistischer Verfahren
– Statistische Testverfahren und Hypothesentests
– Schätzverfahren
– Regressionsanalyse (linear, logistisch)
– Höhere Korrelations- und Kontingenzrechnung
– Diskriminanzanalyse
– Clusteranalyse zur Zielgruppendefinition
– Faktorenanalyse zur Verdichtung von Marketinginformationen
– Strukturgleichungsmodelle

Angewandte statistische Datenanalyse

– Umgang mit großen Datensätzen
– Datenaufbereitung (z.B. Datentransformation, Behandlung fehlender und fehlerhafter Merkmalswerte, Kodierung)
– Anforderungen an Hard- und Software im statistischen Analysebereich
– Statistische Software Pakete (z.B. SPSS, Stata, MATLAB, R): Dateneingabe, Datentransformation, Datenaustausch mit anderen Programmen, Datenanalyse, Datenvisualisierung
– Fallbeispiele (z.B. ANOVA, Hypothesentests, Regressionsrechnung)
– Überblick zu weiteren IT-basierten Auswertungsinstrumenten

Die Studierenden verstehen die wichtigsten mathematisch-statistischen Methoden der modernen Marketingforschung und können diese sicher auf konkrete Fallbeispiele aus der Praxis anwenden. Sie entwickeln ein vertieftes Verständnis für die Möglichkeiten und Aussagekraft mathematisch-statistischer Verfahren und können die Ergebnisse aufwendiger Datenanalysen visualisieren und richtig einordnen.

Nach der Teilnahme an der Modulveranstaltung sind die Studierenden in der Lage, aus der Vielzahl an mathematisch-statistischen Analysemethoden die im Anwendungsfall geeignete(n) auszuwählen, diese mithilfe moderner Anwendungssoftware sicher anzuwenden und aus den gewonnenen Analyseergebnissen sachlich korrekte Schlüsse und marketing- bzw. vertriebstechnisch relevante Aussagen abzuleiten.

Die Studierenden gewinnen Sicherheit in der Anwendung mathematisch-statistischer Methoden in einem dezidiert interdisziplinär geprägten beruflichen Umfeld. In diesem Zusammenhang erwerben sie die Fähigkeit, auch anspruchsvolle mathematisch-statistische Verfahren mithilfe moderner Anwendungssoftware umzusetzen und mit Spezialisten und Fachfremden zu diskutieren.

Die Studierenden sind nach der Teilnahme an dem Modul fähig, ihr Wissen und ihre Methodenkompetenz bei der Entwicklung marketingtechnischer und vertriebstechnischer Strategien erfolgreich praktisch und unter Einsatz moderner Anwendungssoftware umzusetzen, vor allem im Rahmen der Marketingforschung und eines wissenschaftlich fundierten Customer Relationship Management.

DATA SCIENCE

Database Marketing

– Konzeption des Database Marketing
– Regelkreis des Database Marketing
– Analyse und Selektion von Kunden
– Einsatzfelder des Database Marketing
– Erfolgskontrolle und Erfolgswirkungen
– Relevante Daten und Informationen im Database Marketing
– Inhalte einer Marketing-Datenbank
– Data Warehouse und OLAP (Online Analytical Processing)
– Multidimensionale Datenbanken
– Definition und Bestandteile von Datenbanksystemen
– Anforderungen an Datenbanksysteme
– Grundlagen relationaler Datenbanken
– Integritätsregeln und Schlüssel
– Redundanzen in Datenbanken
– Logisches (Entity-Relationship-Modell) und physisches Datenbankdesign
– Beziehungen und Kardinalitäten
– Normalisierung von Datenbanken
– Anlegen einer Datenbank
– Erstellen von Relationen
– Einfügen, Löschen und Ändern von Daten
– Abfrage von Daten aus einer und mehreren Relationen
– Erstellen von Sichten
– Datenimportfunktionen
– Data Warehouse (Anforderungen, Funktionen und Einsatzgebiete)

Neue Konzepte im Data Science

– Informationstechnologische Grundlagen von „Big Data“
– IT-Elemente von Big Data (z.B. Datenhaltung, Datenzugriff, Parallele Analytische Verarbeitung, Datenintegration)
– Datengovernance und -security
– CAP-Theorem
– Verteilte Datenbanksysteme
– MapReduce Modell
– Technologien, Trends, und Architekturen (z.B. Cloud Computing, Cognitive Computing, Data Warehouse)
– 4Vs des Big Data (Variety, Velocity, Volume, Veracity)
– Web-Monitoring (z.B. Logfiledatenanalyse, Visualisierung/ Dashboards, Reverse Proxys, Loadbalancer)
– Risiken von Big Data

Die Studierenden kennen die Konzeption des Database Marketing sowie die Bedeutung des Regelkreises des Database Marketing. Sie sind in der Lage, die Verbindung zwischen Data Warehouse und OLAP mithilfe von Database Marketing aufzuzeigen. Zudem können die Studierenden analysieren, welche Daten, Informationen und Zusammenhänge innerhalb der Datenbank für das Marketing genutzt werden können. Sie kennen zudem die Bestandteile von Datenbanksystemen sowie die Funktionsweise relationaler Datenbanken. Die Studierenden kennen die Potenziale, Chancen und Risiken, welche sich durch den Einsatz von Data Science für Vertriebs- und Marketingaktivitäten in Unternehmen ergeben. Sie haben ein breites Grundlagenwissen über aktuelle Technologien, Trends und Architekturen in der Datenhaltung und -verarbeitung. Zudem können Sie den Nutzen und die Möglichkeiten der verschiedenen Modelle beurteilen und bewerten.

Die Studierenden haben die Kompetenz erworben, zahlenmäßig darstellbare Sachverhalte aus einem Marketingumfeld systematisch zu erfassen und mithilfe moderner IT-Systeme aufzubereiten und auszuwerten. Sie können Datenbanken anlegen, Relationen erstellen und Daten aus einer oder mehrerer Relationen abfragen. Zudem können sie die erlernte Methodik selbstständig auf konkrete Problemstellungen anwenden und sind in der Lage, fachadäquat über quantitative Fragen moderner Marketingfragestellungen zu diskutieren. Sie kennen moderne Technologien und können bewerten, ob deren Einsatz im konkreten Fall sinnvoll ist.

Die Studierenden kennen das fachspezifische Vokabular des Database Marketing und zu zentralen Konzepten der Data Science. Sie sind daher dazu in der Lage, mit Vertretern aus Marketing und IT fachlich fundiert konkrete Fragestellungen zu diskutieren. Sie sind dazu in der Lage, zwischen technisch und fachlichen ausgerichteten Funktionen im Unternehmen zu vermitteln und können die Perspektive beider Seiten einnehmen.

Die Studierenden können nach erfolgreicher Teilnahme an dem Modul die Bedeutung von Datenbanken und neuer Technologien für das Marketing einschätzen. Sie sind dazu in der Lage, fachlich und methodisch fundiert im Kontext des Database Marketing zu agieren und sie können ihr Wissen praktisch im Unternehmenskontext anwenden.