Customer Analytics Trends 2021

< Zurück zur Übersicht

Vorausschauend, automatisiert, vernetzt und in Echtzeit

Viele Unternehmen haben den Wert von Daten längst erkannt und damit begonnen, Daten systematisch zu sammeln und auszuwerten. Insbesondere Kundendaten sind hierbei von hohem Interesse. Die immer größer werdenden Mengen aus strukturierten und unstrukturierten Daten stellen Unternehmen aber auch vor die große Herausforderung, diese  effizient auszuwerten und den maximalen Nutzen aus ihnen zu ziehen.

Die effiziente Datenauswertung zur Generierung eines maximalen Business Values steht somit auch im Fokus unserer Customer Analytics Trends für das aktuelle Jahr. Damit auch Sie über die neusten Customer Analytics Trends informiert sind, möchten wir Ihnen einen Einblick in die Top 5 Trends geben, die Sie im Jahr 2021 auf jeden Fall im Blick behalten sollten.

Überblick

1. Predictive und Prescriptive Analytics von Kundendaten
2. Analyse von Zusammenhängen in Daten mittels Graphdatenbanken
3. Augmented Analytics – Automatisierung von Datenauswertung und Handlungsempfehlungen
4. Continuous Intelligence – Kontinuierliche Echtzeit-Datenauswertung
5. Verwendung von Machine Learning und Künstlicher Intelligenz in der Praxis
6. Fazit zu den Customer Analytics Trends 2021

Trend 1: Predictive und Prescriptive Analytics von Kundendaten

Ein klar erkennbarer Trend im Bereich Customer Analytics, der sich auch im Jahr 2021 weiter fortsetzt: Die umfassende Verwendung von Kundendaten, um das Kaufverhalten von Kunden nicht nur zu analysieren und Vorhersagen zu treffen, sondern auch aktiv zu beeinflussen.

Big Data Technologien und vernetzte Systeme ermöglichen eine immer umfassendere Sammlung von Kundendaten und dadurch die Erstellung immer detaillierterer Kundenprofile. Durch Cloud Computing und Machine Learning Algorithmen können diese großen Datenmengen performant ausgewertet werden, sodass eine immer präzisere Vorhersage des Kundenverhaltens möglich wird. So können Banken immer besser das Kreditausfallrisiko für einen einzelnen Kunden bewerten, während Händler ihre Lagerbestände basierend auf dem prognostizierten Einkaufsverhalten ihrer Kunden anpassen können. Predictive Analytics beantwortet also die Frage „Was wird passieren?“ und ermöglicht es, auf Basis der Beantwortung dieser Frage Entscheidungen gezielt zu treffen.

Prescriptive Analytics geht noch einen Schritt weiter. Auf Basis von Simulationen und statistischen Modellen wird ermittelt, wie sich bestimmte Handlungen im Unternehmen auf das Kundenverhalten voraussichtlich auswirken werden. Hierzu kommen insbesondere Technologien aus dem Bereich der künstlichen Intelligenz wie z.B. Neuronale Netze zum Einsatz. Prescriptive Analytics lässt sich vielseitig einsetzten. So kann beispielsweise der Erfolg verschiedener Marketing Kampagnen abschätzt werden, bevor sie überhaupt gestartet wurden.

Trend 2: Analyse von Zusammenhängen in Daten mittels Graphdatenbanken

Neben immer weiter zunehmenden Datenmengen in Unternehmen wird auch die Betrachtung und Auswertung der Zusammenhänge zwischen den einzelnen Daten immer relevanter. Die Verfügbarkeit zusammenhängender Datenstrukturen ermöglicht vollständig neue Anwendungsfelder. So können soziale Netzwerke spontan Auskunft darüber geben, über wie viele Ecken zwei nicht direkt vernetzte Kontakte miteinander indirekt in Verbindung stehen.

Möglich wird diese hohe Geschwindigkeit vor allem durch die Verwendung nicht relationaler Datenbankmodelle, so genannter NoSQL Datenbanken. Insbesondere Graphdatenbanken spielen in diesem Kontext eine zentrale Rolle. Im Gegensatz zu relationalen Datenbanken, die Informationen in Tabellen speichern, welche über Schlüsselattribute aufwendig zusammengefügt werden müssen, verwenden Graphdatenbanken Knoten und Kanten. Knoten werden über Kanten miteinander vernetzt, sodass ein komplexes Netzwerk entsteht. Diese Struktur bietet in Anwendungsfällen, bei denen es auf eine Vernetzung der Daten ankommt, massive Performancevorteile und ermöglicht diese Anwendungsfälle oftmals erst.

Ein wichtiges Beispiel für den Einsatz von Graphdatenbanken stellen sogenannte Recommendation Engines dar. Diese werden z.B. im E-Commerce Bereich verwendet, um Kunden individuelle Produktvorschläge oder Angebote zu machen. Persönliche Präferenzen und das eigene Kaufverhalten werden mit dem Kaufverhalten von anderen Kunden in Zusammenhang gebracht. Auch soziale Netzwerke verwenden diese Technologie, um Kontaktvorschläge zu machen.

Ein weiteres Beispiel für den Einsatz von Graphdatenbanken ist die Betrugserkennung im Bankenbereich. Um die Vorhersagenqualität von Betrugsanalysen zu verbessern, werden Graphdatenbanken verwendet. Diese ermöglichen die zusammenhängende Betrachtung unterschiedlichster Aspekte, welche z.B. auf eine missbräuchliche Verwendung von Kreditkarten hinweisen.

Trend 3: Augmented Analytics – Automatisierung von Datenauswertung und Handlungsempfehlungen

Mit der Analyse wachsender Kundendaten geht derzeit auch ein wachsender Ressourceneinsatz einher, sowohl in Hinblick auf Technologie als auch in Hinblick auf Fachkräfte.

Während die Datenanalyse heute schon teilweise automatisiert werden kann, geht Augmented Analytics einen deutlichen Schritt weiter. Die Technologie wird neben einer automatisierten Datenauswertung in der Lage sein, die Zusammenhänge in den Daten zu erklären und konkrete Handlungsempfehlungen für verschiedenste Einsatzzwecke zu geben.

(…)

Hier können Sie vollständige Publikation kostenfrei als PDF herunterladen: