Buch, Deutsch, 88 Seiten, Format (B × H): 155 mm x 220 mm, Gewicht: 173 g
Buch, Deutsch, 88 Seiten, Format (B × H): 155 mm x 220 mm, Gewicht: 173 g
ISBN: 978-3-96146-990-1
Verlag: Diplomica Verlag
Der Erhalt der Wettbewerbsfähigkeit von Unternehmen hängt auch im B2B-Bereich vermehrt davon ab, Prozesse in Hinblick auf ihre Effizienz zu optimieren und diese den Gegebenheiten des Marktes anzupassen – auch Marketing- und Vertriebsprozesse. Die Nutzung innovativer Lösungsätze bietet großes Potenzial bei oft geringem Aufwand.
Digitalisierung und Automatisierung lassen sich in unterschiedlicher Ausprägung in Unternehmen aller Art und Größe einsetzen, um ihre Vorteile auszuschöpfen und vorhandene Ressourcen effizienter nutzen zu können. Die Optimierung der Zusammenarbeit von Marketing und Vertrieb ist im B2B-Bereich eine der effektivsten Verbesserungsmöglichkeiten – somit kann sich die digitale Transformation und die Automatisierung des Marketings besonders lohnen.
Dieses Buch gibt mit ausgewählten, konkreten Maßnahmen und Bewertungen dieser einen Einblick in diese beiden lohnenden Möglichkeiten im Bereich des Lead Management, Unternehmen mit gezielter Digitalisierung und Automatisierung zu stärken.
Autoren/Hrsg.
Fachgebiete
Weitere Infos & Material
Textprobe:
Daten und Informationen
Überblick
„Daten sind zunächst einmal nichts anderes als Zeichenfolgen, also Buchstaben, Zahlen oder Symbole“.
Grundlage für verarbeitungsfähige Informationen sind Daten, also Zeichenfolgen die für sich genommen keine Aussagekraft haben. Erhalten Daten einen Kontext, erhalten diese Aussagekraft und werden damit zu Informationen.
Informationen und die Verarbeitung dieser bilden die Grundlage für kennzahlenbasiertes Lead Management und viele andere unternehmensinterne Prozesse. Im betriebswirtschaftlichen Umfeld ist der Begriff der Informationen vielseitig ausgelegt: so beispielsweise Schlüsselgrößen, Schlüsselbegriffe, kritische Produktions- oder Wettbewerbsfaktoren. Diesen Auslegungen zugrunde liegen verschiedene Zielsetzungen von Informationen, so beispielsweise für die Produktion, Entscheidungsfindung und Strategieplanung. Auch in klassischen Quellen findet sich in der Lehre der Betriebswirtschaft das Verständnis von Information als Wissen mit Zweckorientierung wieder.
Differenzierung von Datenarten
Quantitative und qualitative Daten
Quantitative Daten können in Form von Zahlenwerten angegeben werden. So zum Beispiel Preise oder Größen. Dazu zählen auch Messdaten wie Zeit-, Längendaten und Zähldaten, also die Häufigkeit bestimmter Ereignisse.
Qualitative Daten bestehen in verbaler Form und lassen sich aufgrund dessen nicht messen.
Real erhobene und errechnete Daten
Real erhobene Daten sind direkt erfasste Daten, ohne dass diese verändert werden müssen. Ein Beispiel sind Adressen von Kunden.
Errechnete Daten ergeben sich aus der Verrechnung mehrerer real erhobener Daten. Ein Beispiel sind Deckungsbeiträge von Kunden pro Jahr.
Personenbezogene, pseudonymisierte und anonymisierte Daten
Personenbezogene Daten beziehen sich auf Personen und sind diesen direkt zuzuordnen, wie Namen und Adressen aus einem Datensatz. Auch aus mehreren Quellen zusammengetragene Daten, die dann einen Datensatz ergeben.
Pseudonymisierte Daten können einer natürlichen Person nicht mehr zugeordnet werden. Eine erneute Identifizierung ist durch bestehende Zuordnungsregeln im Grunde aber möglich. Dazu benötigt wird aber ein weiterer Datensatz, den nur eine dritte Partei besitzt, nicht die Partei, die die Daten bearbeitet.
Anonymisierte Daten beinhalten schon bei der Erfassung dieser keinen Bezug zu natürlichen Personen, oder dieser wird nach der Erfassung entfernt.
Dimensionen der Qualität von Informationen
Die Qualität von Informationen ist abhängig von vielen Faktoren. Ein Ansatz ist es, diese in 15 Dimensionen zu beschreiben. Diese 15 Dimensionen, die die Qualität von Informationen ausmachen, lassen sich wie folgt zusammenfassen:
Wie relevant sind die Informationen?
Wie zugänglich sind die Informationen? Zugänglich bedeutet hier, dass ohne Barrieren auf Informationen zugegriffen werden kann.
Wie aktuell sind die Informationen? Die möglichst verzögerungsfreie Abbildung der Realität macht Informationen aktuell.
Wie übersichtlich sind die Informationen? Sind die Informationen durch passende Darstellungsformen einfach fassbar, so gelten diese als übersichtlich.
Sind die Informationen einheitlich dargestellt? Werden die Informationen in gleichförmiger Art wiedergegeben, so werden diese als einheitlich dargestellt angesehen.
Können die Informationen eindeutig ausgelegt werden? Können die Informationen korrekt und einheitlich ausgelegt werden, so sind sie eindeutig.
Wie verständlich sind die Informationen? Können Anwender die Informationen ohne weiteres verstehen und zweckmäßig einsetzen, so sind diese verständlich.
Ist der Umfang der Informationen angemessen? Wenn die Anforderungen an die Informationen befriedigt werden können, ist der Umfang dieser angemessen.
Wie objektiv sind die Informationen? Wertungsfreie und sachliche Informationen werden als objektiv verstanden.
Wie glaubwürdig sind die Informationen? Liegen Zertifikate mit hoher Qualität vor, oder die Beschaffung und Verarbeitung der Informationen wird leistungsintensiv betrieben, so gelten diese als glaubwürdig.
Sind die Informationen frei von Fehlern? Entsprechen die Informationen der Realität, so sind diese fehlerfrei.
Haben die Informationen ein hohes Ansehen? Werden sowohl die Quelle als auch das Medium und das System zur Verarbeitung als kompetent und glaubwürdig eingeschätzt, so erreichen Informationen ein hohes Ansehen.
Sind die Informationen vollständig? Stehen die Informationen zu den notwendigen Zeitpunkten in Gänze zur Verfügung, so können sie als vollständig angesehen werden.
Wie bearbeitbar sind die Informationen? Können die Informationen einfach verändert werden und für verschiedene Zwecke genutzt werden, so sind sie leicht zu bearbeiten.
Sind die Informationen wertschöpfend? Wenn die Nutzung der Informationen zu einer messbaren Steigerung der Erreichung von finanziellen Zielen führt, sind diese wertschöpfend.
Die Bereitstellung und Auswertung von Informationen können durch Digitalisierung entscheidend erweitert und optimiert werden. Informationen, die für den Vertrieb relevant sind, können mit Big Data Analytics aus verschiedenen Datenquellen automatisch gezogen, ausgewertet und aufbereitet werden. Diese weite Datenbasis aus digitalen Geschäfts- und Vertriebsprozessen kann neben der Steuerung auch Predictive Analytics unterstützen – vertriebsrelevante Trends können teilweise automatisiert erkannt und mit Empfehlungen für Maßnahmen versehen werden.
Differenzierung von Arten fehlender Daten
„Missing data is a data value that is not stored for a variable in the observation of interest.“
Mit fehlenden Daten sind also Datenwerte gemeint, die bei einer Beobachtung für eine Variable nicht gespeichert sind. Die Gründe dafür können verschiedene sein – so wurden diese beispielsweise versehentlich nicht gespeichert, oder waren nicht verfügbar. Es gibt drei Muster, in die sich fehlende Daten unterscheiden lassen.
Vollkommen willkürlich fehlende Daten oder MCAR: Es gibt kein Muster in den fehlenden Daten, die als vollkommen willkürlich fehlend bezeichnet werden. Diese werden auch bezeichnet als „Missing Completely at Random“. Sie haben keinen systematischen Zusammenhang mit anderen Variablen.
Willkürlich fehlende Daten oder MAR: Es gibt bei willkürlich fehlenden Daten oder auch „Missing at Random“ zwar ein Muster in den fehlenden Daten, nicht aber in den primär abhängigen Variablen.
Nicht willkürlich fehlende Daten oder MNAR: Es ist ein Muster in den Daten, das die primär abhängige Variable beeinflussen kann. Diese werden auch bezeichnet als „Missing not at Random“.
Automatische Verarbeitung von Daten mithilfe von maschinellem Lernen
Überblick
Die Absicht der Automatisierung besteht darin, sonst ungenutzte Daten nutzbar zu machen und die Erkenntnisgewinnung zu verbessern. Künstliche Intelligenz, also die Befähigung von Systemen, menschliche Verhaltensweisen nachzubilden, kommt dabei zum Einsatz. Dadurch können Tätigkeiten, die bislang menschliche Arbeit benötigten, durch Systeme übernommen werden. Eine Form der künstlichen Intelligenz ist das maschinelle Lernen. Neben dem verringerten Zeitaufwand für Prozesse wird auch die Wahrscheinlichkeit für Fehler minimiert, indem der menschliche Einfluss entfernt wird. Die Automatisierung von Prozessen im Marketingumfeld wird als Marketing Automation bezeichnet – diese wird im Kapitel 3.7. genauer behandelt. Eine weitere Art, Automatisierung im Marketing zu nutzen, ist die automatische Überführung automatisch erhobener Daten in entsprechende Prozesse. So können beispielsweise von verschiedenen Werbemaßnahmen nicht nur deren Konversionsraten erhoben werden, sondern genauer auch mögliche Kundensegmente analysiert werden. Daraufhin können die Werbemaßnahmen mit der jeweils höchsten Konversionsrate an die entsprechenden Kundensegmente ausgespielt werden.
