Customer Analytics Trends 2021
03.02.2021
Vorausschauend, automatisiert, vernetzt und in Echtzeit
Viele Unternehmen haben den Wert von Daten lĂ€ngst erkannt und damit begonnen, Daten systematisch zu sammeln und auszuwerten. Insbesondere Kundendaten sind hierbei von hohem Interesse. Die immer gröĂer werdenden Mengen aus strukturierten und unstrukturierten Daten stellen Unternehmen aber auch vor die groĂe 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 fĂŒr das aktuelle Jahr. Damit auch Sie ĂŒber 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.
Ăberblick
- Predictive und Prescriptive Analytics von Kundendaten
- Analyse von ZusammenhÀngen in Daten mittels Graphdatenbanken
- Augmented Analytics â Automatisierung von Datenauswertung und Handlungsempfehlungen
- Continuous Intelligence â Kontinuierliche Echtzeit-Datenauswertung
- Verwendung von Machine Learning und KĂŒnstlicher Intelligenz in der Praxis
- 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 groĂen Datenmengen performant ausgewertet werden, sodass eine immer prĂ€zisere Vorhersage des Kundenverhaltens möglich wird. So können Banken immer besser das Kreditausfallrisiko fĂŒr einen einzelnen Kunden bewerten, wĂ€hrend HĂ€ndler ihre LagerbestĂ€nde basierend auf dem prognostizierten Einkaufsverhalten ihrer Kunden anpassen können. Predictive Analytics beantwortet also die Frage âWas wird passieren?â 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 kĂŒnstlichen Intelligenz wie z.B. Neuronale Netze zum Einsatz. Prescriptive Analytics lĂ€sst sich vielseitig einsetzten. So kann beispielsweise der Erfolg verschiedener Marketing Kampagnen abschĂ€tzt werden, bevor sie ĂŒberhaupt gestartet wurden.
Trend 2: Analyse von ZusammenhÀngen in Daten mittels Graphdatenbanken
Neben immer weiter zunehmenden Datenmengen in Unternehmen wird auch die Betrachtung und Auswertung der ZusammenhĂ€nge zwischen den einzelnen Daten immer relevanter. Die VerfĂŒgbarkeit zusammenhĂ€ngender Datenstrukturen ermöglicht vollstĂ€ndig neue Anwendungsfelder. So können soziale Netzwerke spontan Auskunft darĂŒber geben, ĂŒber 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 ĂŒber SchlĂŒsselattribute aufwendig zusammengefĂŒgt werden mĂŒssen, verwenden Graphdatenbanken Knoten und Kanten. Knoten werden ĂŒber Kanten miteinander vernetzt, sodass ein komplexes Netzwerk entsteht. Diese Struktur bietet in AnwendungsfĂ€llen, bei denen es auf eine Vernetzung der Daten ankommt, massive Performancevorteile und ermöglicht diese AnwendungsfĂ€lle oftmals erst.
Ein wichtiges Beispiel fĂŒr den Einsatz von Graphdatenbanken stellen sogenannte Recommendation Engines dar. Diese werden z.B. im E-Commerce Bereich verwendet, um Kunden individuelle ProduktvorschlĂ€ge oder Angebote zu machen. Persönliche PrĂ€ferenzen und das eigene Kaufverhalten werden mit dem Kaufverhalten von anderen Kunden in Zusammenhang gebracht. Auch soziale Netzwerke verwenden diese Technologie, um KontaktvorschlĂ€ge zu machen.
Ein weiteres Beispiel fĂŒr den Einsatz von Graphdatenbanken ist die Betrugserkennung im Bankenbereich. Um die VorhersagenqualitĂ€t von Betrugsanalysen zu verbessern, werden Graphdatenbanken verwendet. Diese ermöglichen die zusammenhĂ€ngende Betrachtung unterschiedlichster Aspekte, welche z.B. auf eine missbrĂ€uchliche Verwendung von Kreditkarten hinweisen.
Trend 3: Augmented Analytics â 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 FachkrÀfte.
WĂ€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 ZusammenhĂ€nge in den Daten zu erklĂ€ren und konkrete Handlungsempfehlungen fĂŒr verschiedenste Einsatzzwecke zu geben.
(…)
Hier können Sie vollstÀndige Publikation kostenfrei als PDF herunterladen:
