Neuerdings ist immer mehr von dem Begriff Big Data die Rede. Damit gemeint ist eine ständige Zunahme an Datenvolumen und Datenquellen in immer größerer Geschwindigkeit. Früher hatte man nur ein paar ausgewählte Marketingkanäle zur Verfügung. Im Laufe der Zeit sind immer mehr Kanäle und Nutzer dazugekommen.

Heute können wir die Verhaltensweisen von Nutzern über eine Vielzahl von Online-Kanälen hinweg betrachten und damit können wir auch die Interaktionen zwischen den Kanälen untersuchen. Klar, dass dabei auch mehr Daten verfügbar sind. Durch Twitter, Facebook und diverse Blogdienste sind auch viele unstrukturierte Daten hinzugekommen und ständig kommen weitere Datenquellen hinzu.

Man kann somit der Meinung sein, dass wir bald – wenn nicht schon heute – den sogenannten Tipping Point erreicht haben. Also den Punkt, an dem das Datenvolumen und die verschiedenen Datenquellen und Datenformate die gegenwärtigen Möglichkeiten der Datenanalyse und Reportingsysteme zumindest teilweise überfordern.

Das Sammeln von so vielen Daten wie möglich läuft also den zur Verfügung stehenden Analysemöglichkeiten davon. Gefragt sind daher Methoden zum Handling und der Erarbeitung von Strategien, um die ständig wachsende Datenmenge in den Griff zu bekommen – kurz das Datenbiest zu zähmen. Dieser Herausforderung muss sich das anwendungsorientierte Data Science stellen.

Dabei geht es im Data Science um besondere Methoden, um kundenrelevante Informationen aus der Masse der Daten zu extrahieren. Data Science wird gegenüber den eher technischen Verfahren des Data Mining bzw. Predictive Modeling als übergeordnetes Framework verstanden. Data Science übernimmt dabei methodisch, strukturiert und systematisch das Nachdenken über analytische Fragen und wählt bzw. entwickelt geeignete Analysetechnologien, die dabei helfen, die in den Daten verborgenen Entscheidungsregeln und deren zugrunde liegende Logik zu finden.

Hierbei gilt der Grundsatz: Große Datenmengen – Big Data – sind willkommen, sie helfen uns bei der Problemlösung und bei der Adressierung der richtigen Fragen.

Big Data ist jedoch für sich genommen nur sinnvoll, wenn auch ausreichend detaillierte und ausgeklügelte betriebswirtschaftliche, statistische und mathematische Analysen dahinter zur Anwendung kommen, mit deren Hilfe tiefere Zusammenhänge verstanden werden können.

Selbst wenn ein Unternehmen noch nicht Big-Data-kompatibel zu sein scheint, muss die Analytik nicht zu kurz kommen. Analysen auf Small Data sind ein erster Schritt.

Viele Unternehmen haben bisher eine riesige Datenmenge angehäuft. Jetzt die richtigen Fragen an die Daten zu stellen ist Gold wert.

Nehmen wir an: Ein Advertiser oder E-Commerce-Shopbetreiber hat zwanzig Millionen Tweets in seinem Bestand und hat schon konkrete Fragen an das Data-Science-Team:

• Wie können wir daraus Stimmungen der User ableiten?
• Wie viele Stimmungsklassen sind sinnvoll?
• Was können wir über unsere User lernen?
• Welche Targetingkriterien können abgeleitet werden?

Damit ist ein erster Ausgangspunkt geschaffen. Data Science nimmt diese Fragen des Advertisers auf und übersetzt seine Fragestellungen für eine weitere systematische Vorgehensweise. Zu dieser Vorgehensweise gehört auch die Berücksichtung aller in Betracht kommenden Quellen. Dazu zählen beispielsweise Auswertungen von eventuell schon vorhandener Best Practises, Sichtung von bereits vorliegenden Studien zu dem Thema, erste Datensichtung, Untersuchung von Testdaten, Samples, Evaluation der Machbarkeit, evtl. Vorschläge zur Akquise von zusätzlichem Datenmaterial von anderen Anbietern.

Data Science beschreibt also präzise, was mit den Daten passiert: Von der Erzeugung über die Verarbeitung bis zu dem Zeitpunkt, an dem man die daraus abgeleiteten Erkenntnisse auf einem Bildschirm oder anderen technischen Devices sieht.

Auf der operativen Ebene kann Data Science Marketingverantwortlichen dabei helfen:

Ansätze für bessere Attributionsmodelle zu finden: Ansätze, die dabei helfen, die Bedeutung der Attribution besser zu verstehen. Last-Touch- bzw. Multiple-Touch-Modelle sind unzureichend. Einfluss von Spillover-Effekten ist vielversprechend. Dazu zählen beispielsweise Messungen des Einflusses von Display Ads auf die Online-Suche. Hier muss dann nicht nur auf Display attribuiert, sondern es müssen auch die Kosten des Spillover von Display auf Search berücksichtigt werden. Oder gibt es umgekehrt überhaupt einen Einfluss von Search auf Display?

Möglichkeiten zur Erweiterung der Targetingkriterien: Data Science erlaubt es Advertisern, Publishern auch im Real-Time Bidding bzw. Advertising immer mehr Informationen in die Targetingmodelle zu packen und multiple Kriterien zu überprüfen wie zum Beispiel:

• Ermittlung der Hebelwirkung von Behavioral-Daten durch Pageviews, Klick und Suchstrings, produktbezogene Informationen, Webseiteninformationen
• Einbindung von Twitter- und Facebook-Informationen und deren Auswertung:
• Berechnung des Social Search Lift sowie Segmentierung der richtigen Multiplikatoren
• Analyse der Historie von Werbemitteln mithilfe von Ad Impression Histories: Messung des Einflusses der kreativen Beschaffenheit und der Präsentationsreihenfolge von unterschiedlich gestalteten Werbemitteln
• Auswertung des Kontextes von Webseiten
• Modellierung von Look-alikes bzw. Statistical Twins

• Bereitstellung von Algorithmen zum Scoring bzw. Auffinden von Zielgruppen
  Präsentation von Szenarien zur dynamischen Anpassung der Werbemittel:

• Dynamische Anpassung der Werbemittel an den User über Retargeting hinaus auch auf allgemeine Targetingkriterien: Umfelder, Statistical Twins, Look-alikes, um die Reichweite zu erhöhen. Messung von Direktzugriffen auf die Website bzw. von Sichtkontakten (Views), um die Marken- bzw. Brandingeffekte abdecken zu können.

• Um dann in dynamischen Werbemitteln nicht nur die Images der Produkte abbilden, sondern ganze Themenblöcke, Storytelling inklusive des Markenbenefits darstellen zu können und das personalisiert. (vgl. ADZINE Insider Artikel von Armin Schroeder, Crossmedia Digital)

Auf der strategischen Ebene kann Data Science Zukunftsentwicklungen skizzieren, Lösungsvorschläge für den Umgang mit riesigen Datenmengen erarbeiten und die erzielten Erkenntnisse kundengerecht umsetzen.

Data-Science-Anwendungen bestehen nicht nur in der Mustererkennung, sondern darüber hinaus in der Umsetzung und Automatisierung der gefundenen Regeln und Muster in einer Data-Management-Plattform oder eines sogenannten Data Products.

Zukunftsanwendungen resultieren aus der Verknüpfung von Online-, Mobile- und Offline-Daten sowie mit dem weiten Feld des Internets der Dinge bzw. Ubiquitous Computing.

Im gerade entstehenden Gebiet des Data Science stecken beachtliche Möglichkeiten und Potenziale. Die Herausforderung im Data Science besteht darin, den Gesamtprozess der Datenanalyse zentral zur Hauptachse der wissenschaftlichen Methodik auszurichten. Das beginnt damit, interdisziplinär zusammenzuarbeiten, und endet mit dem Appell an Online-Marketingverantwortliche, mit der Auswertung der vorhandenen Daten zu beginnen. Es macht keinen Sinn, darauf zu warten, dass es weniger werden. Sollte dies gelingen, stellt Data Science eine ausgezeichnete Methode dar, um das ständig wachsende Datenbiest zu zähmen.

Über den Autor**:**
Andreas Volz ist seit 10 Jahren im Online-Marketing tätig. Volz greift auf seine langjährige Expertise in den Bereichen Datenanalyse, analytisches Consulting und datenbasierte Strategieentwicklung zurück. Er war mitverantwortlich für den Aufbau und Ausbau des Zielgruppen- und Analyseparts für das Targetingsystem TGP ® der 1und1 media factory und hat an der Konzeption und Evaluierung verschiedener Targetingsysteme und Kampagnenoptimierungslösungen mitgewirkt. Inzwischen ist er Inhaber der Firma datenstrategien in Lüneburg mit dem Schwerpunkt Data-Science-Anwendungen und war bis Oktober 2013 in verschiedenen Multichannel-Projekten bei der eValue Ventures AG beschäftigt.