Customer Analytics Trends 2021

03.02.2021

< Zur√ľck zur √úbersicht

Vorausschauend, automatisiert, vernetzt und in Echtzeit

Customer Analytics Trends: 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 f√ľr das aktuelle Jahr. Damit auch Sie √ľber die neusten Customer Analytics Trends informiert sind, m√∂chten wir Ihnen einen Einblick in die Top 5 Trends geben, die Sie im Jahr 2021 auf jeden Fall im Blick behalten sollten.

 

√úberblick

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

 

Trend 1: Predictive und Prescriptive Analytics von Kundendaten

Ein klar erkennbarer Customer Analytics Trend, 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 erm√∂glichen eine immer umfassendere Sammlung von Kundendaten und dadurch die Erstellung immer detaillierterer Kundenprofile. Durch Cloud Computing und Machine Learning Algorithmen k√∂nnen diese gro√üen Datenmengen performant ausgewertet werden, sodass eine immer pr√§zisere Vorhersage des Kundenverhaltens m√∂glich wird. So k√∂nnen Banken immer besser das Kreditausfallrisiko f√ľr einen einzelnen Kunden bewerten, w√§hrend H√§ndler ihre Lagerbest√§nde basierend auf dem prognostizierten Einkaufsverhalten ihrer Kunden anpassen k√∂nnen. Predictive Analytics beantwortet also die Frage ‚ÄěWas wird passieren?‚Äú und erm√∂glicht 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 k√ľnstlichen Intelligenz wie z.B. Neuronale Netze zum Einsatz. Prescriptive Analytics l√§sst sich vielseitig einsetzten. So kann beispielsweise der Erfolg verschiedener Marketing Kampagnen absch√§tzt werden, bevor sie √ľberhaupt gestartet wurden.

 

Trend 2: Analyse von Zusammenhängen in Daten mittels Graphdatenbanken

Neben immer weiter zunehmenden Datenmengen in Unternehmen wird bei den Customer Analytics Trends auch die Betrachtung und Auswertung der Zusammenh√§nge zwischen den einzelnen Daten immer relevanter. Die Verf√ľgbarkeit zusammenh√§ngender Datenstrukturen erm√∂glicht vollst√§ndig neue Anwendungsfelder. So k√∂nnen soziale Netzwerke spontan Auskunft dar√ľber geben, √ľber wie viele Ecken zwei nicht direkt vernetzte Kontakte miteinander indirekt in Verbindung stehen.

M√∂glich 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 √ľber Schl√ľsselattribute aufwendig zusammengef√ľgt werden m√ľssen, verwenden Graphdatenbanken Knoten und Kanten. Knoten werden √ľber Kanten miteinander vernetzt, sodass ein komplexes Netzwerk entsteht. Diese Struktur bietet in Anwendungsf√§llen, bei denen es auf eine Vernetzung der Daten ankommt, massive Performancevorteile und erm√∂glicht diese Anwendungsf√§lle oftmals erst.

Ein wichtiges Beispiel f√ľr den Einsatz von Graphdatenbanken stellen sogenannte Recommendation Engines dar. Diese werden z.B. im E-Commerce Bereich verwendet, um Kunden individuelle Produktvorschl√§ge oder Angebote zu machen. Pers√∂nliche Pr√§ferenzen und das eigene Kaufverhalten werden mit dem Kaufverhalten von anderen Kunden in Zusammenhang gebracht. Auch soziale Netzwerke verwenden diese Technologie, um Kontaktvorschl√§ge zu machen.

Ein weiteres Beispiel f√ľr den Einsatz von Graphdatenbanken ist die Betrugserkennung im Bankenbereich. Um die Vorhersagenqualit√§t von Betrugsanalysen zu verbessern, werden Graphdatenbanken verwendet. Diese erm√∂glichen die zusammenh√§ngende Betrachtung unterschiedlichster Aspekte, welche z.B. auf eine missbr√§uchliche Verwendung von Kreditkarten hinweisen.

 

Trend 3: Augmented Analytics ‚Äď 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.

W√§hrend 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 Zusammenh√§nge in den Daten zu erkl√§ren und konkrete Handlungsempfehlungen f√ľr verschiedenste Einsatzzwecke zu geben.

F√ľr diese komplexe Aufgabe werden verschiedene Technologien miteinander verkn√ľpft. Machine Learning Algorithmen extrahieren die relevanten Daten und erkennen Muster und Trends. Natural Language Processing (NLP) wird dazu verwendet, die gewonnenen Erkenntnisse in konkrete Handlungsempfehlungen zu √ľbersetzen.

Aktuell steht das Thema noch am Anfang. Es wird jedoch erwartet und damit ein klar erkennbarer Customer Analytics Trend, dass Augmented Analytics zunehmend in Unternehmen zum Einsatz kommt. Bis es soweit ist, werden Data Scientists insbesondere den komplexen Teil der Ableitung von Handlungsempfehlungen weiterhin manuell erledigen m√ľssen. Es ist zudem nicht zu erwarten, dass Data Scientists durch die neue Technologie vollst√§ndig ersetzt werden k√∂nnen. Vielmehr wird die Technik die Arbeit der Spezialisten insbesondere bei eint√∂nigen Arbeiten sp√ľrbar entlasten und komplexe Entscheidungsfindungen deutlich erleichtern.

 

Trend 4: Continuous Intelligence ‚Äď Kontinuierliche Echtzeit-Datenauswertung

Unter Continuous Intelligence versteht man die Verwendung von Tools und Prozessen, um Echtzeit-Datenanalysen in Gesch√§ftsabl√§ufe zu integrieren, automatische Berechnungen durchzuf√ľhren und Ma√ünahmen in Echtzeit abzuleiten. Hierzu greift Continuous Intelligence auf Technologien wie Augmented Analytics zur√ľck, die eine automatisierte Auswertung ohne menschliches Zutun erm√∂glichen.

Es entsteht somit ein permanenter Fluss von Daten und Entscheidungen, die zu jeder Zeit alle vorliegenden Daten ber√ľcksichtigen. Hierf√ľr wurde in den vergangenen Jahren mit Technologien wie Cloud Computing oder dem Internet of Things (IoT) die Grundlage gelegt, was einmal mehr die enorme Bedeutung dieser Basistechnologien zeigt.

Vergleichbar ist das Gesamtsystem mit einem Tsunami-Fr√ľhwarnsystem, welches automatisiert Daten erhebt, Auff√§lligkeiten in den Daten unmittelbar selbstst√§ndig erkennt und sofort vollautomatisch eine Bev√∂lkerungswarnung rausschickt.

Continuous Intelligence bietet eine Vielzahl von Anwendungsbereichen. Patienten im Krankenhaus k√∂nnen in Echtzeit √ľberwacht werden und bestm√∂gliche Behandlungsempfehlungen k√∂nnen direkt aus den Daten automatisiert abgeleitet werden. Im E-Commerce Bereich kann der Klickstream live verwendet werden, um individualisierte Produktvorschl√§ge zu machen.

 

Trend 5: Verwendung von Machine Learning und K√ľnstlicher Intelligenz in der Praxis

Die Digitalisierung stellt viele Unternehmen vor Herausforderungen und ist ein langwieriger Prozess. Technologien, Prozesse und Tools und rund um die Themen Digitalisierung und k√ľnstliche Intelligenz werden St√ľck f√ľr St√ľck eine immer weitere Verbreitung in Unternehmen finden.

In der Regel werden diese Themen allerdings nur im Rahmen von kleineren Pilotprojekten umgesetzt. Ein deutlich erkennbarer Trend ist, dass immer mehr Unternehmen diese Testphasen hinter sich lassen und Machine Learning Algorithmen in der Breite f√ľr die Analyse ihrer Daten einsetzen.

Dieser Customer Analytics Trend wird sich auch mit Jahr 2021 weiter fortsetzen. Zudem ist damit zu rechnen, dass¬† Technologien wie Augmented Analytics und Continuous Intelligence die Verwendung von Machine Learning und k√ľnstlicher Intelligenz in der Praxis erleichtern.

 

Fazit zu den Customer Analytics Trends 2021

F√ľr Unternehmen wird das Jahr 2021 erneut spannend. Nicht nur, weil neue Technologien immer detailliertere Informationen aus Daten herausholen k√∂nnen und die M√∂glichkeit der Echtzeit-Datenverarbeitung neue Anwendungsbereiche erschlie√üt, sondern auch weil immer mehr Unternehmen diese Technologien f√ľr ihre t√§gliche Arbeit in der Breite einsetzen werden und somit Wettbewerbsvorteile generieren.

CINTELLIC begleitet seit mehr als 10 Jahren Unternehmen im Bereich Customer Analytics ‚Äď von der Sammlung und Bereitstellung der notwendigen Daten, √ľber die Datenanalyse bis hin zur Ableitung von Handlungsempfehlungen sowie der Auswahl und Implementierung geeigneter Tools f√ľr diese Schritte. Sie ben√∂tigen Unterst√ľtzung? Z√∂gern Sie nicht, uns anzusprechen.

Hier können Sie die Publikation kostenfrei als PDF herunterladen:

PDF jetzt herunterladen
CINTELLIC Consulting - Social Media