A B C D K M N O P R S U V W
Da Di

Datenanalyse

< Zurück zur Übersicht

Die Auswertung von Daten hilft Unternehmen bei gezielten Entscheidungsfindungsprozessen. Das Ziel einer Datenanalyse ist es, aus verschiedenen Quellen maximale Informationen zu generieren und dessen Potential voll auszuschöpfen. Hierbei gibt es unterschiedliche Methoden der Datenanalyse.

In diesem Beitrag möchten wir Ihnen Informationen zur Datenanalyse geben. Folgende Themen werden beleuchtet:

Inhaltsverzeichnis:

  1. Definition: Was ist eine Datenanalyse?
  2. Welche Arten von statistischen Datenanalysen gibt es?
    1. Was ist eine deskriptive Datenanalyse?
    2. Was ist eine diagnostische Datenanalyse?
    3. Was ist eine prädiktive Datenanalyse?
    4. Was ist eine präskriptive Datenanalyse?
  3. Die Datenanalyse im BigData Umfeld
  4. Wie wird die Datenanalyse im Marketing angewendet?
  5. Welche Herausforderungen und Risiken bringen Datenanalysen mit sich?
  6. Welche Ziele und Chancen hat die Datenanalyse?
  7. Fazit: Warum ist die Datenanalyse wichtig?
Datenanalyse (©carlos-muza_unsplash)

Definition: Was ist eine Datenanalyse?

Eine Datenanalyse ist die wissenschaftliche Untersuchung von Daten, um bestimmte Erkenntnisse und Schlussfolgerungen zu gewinnen. Die Analyse von Daten kann helfen, Mustern, Regeln und Beziehungen zu erkennen, die sonst verborgen bleiben. Diese Erkenntnisse können verwendet werden, um bessere Entscheidungen zu treffen in Bereichen wie Marketing, Produktentwicklung und Finanzplanung und so die Geschäftstätigkeit verbessern. Die Analyse von Daten wird in vielen Disziplinen angewendet, etwa in der Mathematik, Statistik, Informatik, Computerwissenschaft, im Wirtschaftswissenschaften oder im Business Intelligence Umfeld.

Welche Arten von statistischen Datenanalysen gibt es?

Um datengestützte Entscheidungen zu treffen, verwenden Unternehmen heute statistische Datenanalysen als Basis. Hierbei werden aus der großen Datenmenge die unterschiedlichsten Informationen gewonnen und Erkenntnisse gebildet. Im Anschluss daran werden die Daten häufig mithilfe von Reports oder Dashboards für ein besseres Verständnis zusammengefasst. So können auf den Grundlagen der Fakten strategische Entscheidungen getroffen werden.

Gelegentlich wird dabei speizielle Business-Intelligence-Software genutzt, um die Datenanalyse durchzuführen – etwa mittels Data Mining. Die Software hilft dem Nutzer dabei die gesammelten Daten zu strukturieren. So können mithilfe der Business-Analytics-Methoden Entwicklungen und wahrscheinliche Ergebnisse prognostiziert werden. Anhand der aus den Daten gebildeten Zusammenhänge können außerdem Chancen und Risiken abgeschätzt werden.

Die üblichen Methoden der Datenanalyse lassen sich in deskriptiv, diagnostisch, prädiktiv und präskriptiv unterscheiden.

  • Deskriptive Datenanalyse: Dies umfasst die Berechnung grundlegender Kennzahlen wie Mittelwert, Median, Standardabweichung usw. Diese Art der Analyse kann helfen, ein allgemeines Verständnis dafür zu entwickeln, wie eine bestimmte Variable in einem Datensatz verteilt ist.
  • Diagnostische Datenanalyse: Sie zielt darauf ab, Muster in den Daten zu erkennen und auf dieser Grundlage Rückschlüsse über die Ursachen von Phänomenen zu ziehen.
  • Prädikative Datenanalyse: Hier wird eine Vorhersage zukünftiger Ereignisse anhand von historischen Daten getroffen. Ziel ist es, aus den vergangenen Erkenntnissen Schlussfolgerungen für die Zukunft zu treffen.
  • Präskriptive Datenanalyse: Die Erkenntnisse dieser Analyse können dabei helfen, Probleme in Unternehmen optimal zu lösen bevor sie überhaupt auftreten.

Mit einer steigender Komplexität kann ein größerer Mehrwert aus den Methoden der Datenanalyse gewonnen werden. Mithilfe der Methoden werden Kenngrößen und wertvolle Informationen generiert. Nachfolgend gehen wir auf die einzelnen Arten detaillierter ein.

4_Methoden_der_Datenanalyse_scnsoft.de
  • Was ist die deskriptive Datenanalyse?

    Die deskriptive Datenanalyse fokussiert sich ausschließlich auf Prozesse, die in der Vergangenheit erfolgt sind. Mit dieser Methode kann zum Beispiel die Frage beantwortet „Was ist passiert?“ werden.

    Exemplarisch und simpel können bei einem Produkt die Umsatzdaten mithilfe der deskriptiven Datenanalyse untersucht werden. Hiermit kann etwa die Frage beantwortet werden, ob das Produkt weiterhin im Sortiment gelistet werden sollte. Weiterhin können komplexere Fragestellungen mit dieser Methode abgedeckt werden. Beispiele hierfür sind das Einkommen nach Kundengruppen, wie viele Patienten im letzten Monat stationär aufgenommen wurden oder wie viel organischer Traffic eine Webseite regelmäßig generiert.

    Die deskriptive Datenanalyse ist eine weniger komplexe Methode, die Rohdaten analysiert, um aus der Vergangenheit wertvolle Erkenntnisse zu gewinnen. Nichtsdestotrotz werden mit der deskriptiven Datenanalyse Schlüsselfragen beantwortet und absolute Daten aufgezeigt. Demzufolge werden kausale Zusammenhänge in der deskriptiven Analyse nicht beantwortet. Das heißt, es wird erklärt, was passiert ist, aber nicht warum es passiert ist. Infolgedessen wird die deskriptive Methode gerne mit anderen Methoden kombiniert, um herauszufinden, warum bestimmte Ereignisse passiert sind.

  • Was ist die diagnostische Datenanalyse?

    Die diagnostische Datenanalyse bezieht neben den historischen Daten (deskriptive Analyse) weitere Daten ein, um die Ereignisse in der Vergangenheit zu hinterfragen. Bei dieser Methode werden Datensätze, die in keiner Korrelation stehen, berücksichtigt und zusammengeführt. Demzufolge gewährt die diagnostische Datenanalyse einen tieferen Einblick in die konkrete Problemstellung, aus welchem Grund etwas geschehen ist. Die Komplexität gegenüber der deskriptiven Datenanalyse steigt.

    Die Frage, warum ein konkretes Produkt nicht den prognostizierten Umsatz erwirtschaftet hat, wäre hier ein Beispiel. Die Voraussetzung für die Art der Analyse ist, dass umfangreiche Daten zur Verfügung stehen. Ansonsten wäre für die Ermittlung jeder Problemstellung eine individuelle Datenerfassung unabdingbar, was sehr zeitaufwendig sein kann.

  • Was ist die prädiktive Datenanalyse?

    Die prädiktive Datenanalyse verwendet historische Daten zur Vorhersage von Verbraucherverhalten und Trends. Auf Basis dieser Methode können bestimmte Verhaltensmuster, Entscheidungen oder Preisgrenzen vom Kunden vorhergesagt werden.

    Insbesondere die Ergebnisse der deskriptiven und diagnostischen Analyse haben einen signifikanten Einfluss auf den Erfolg der prädiktiven Datenanalyse. Nur mit gründlichen vorhergehenden Analysen können zukünftige Trends, Tendenzen und Abweichungen richtig erkannt werden. Hierbei ist zu beachten, dass es sich bei Prognosen lediglich um Schätzungen handelt. Die Aussagekraft der Prognose steht in Korrelation mit der Datenqualität und somit erfolgskritisch.

    Mit einer korrekten prädiktiven Datenanalyse kann erkannt werden, wie beispielsweise Kundengruppen auf ein neues Produkt reagieren, welches Risiko ein Investment birgt oder welche Kunden demnächst kündigen, um rechtzeitig gegenzusteuern. Diese Methode kann die statistischen Modelle und Algorithmen des maschinellen Lernens nutzen, um Muster zu erkennen und aus historischen Daten zu lernen.

  • Was ist die präskriptive Datenanalyse?

    Die prädikative Datenanalyse entwickelt Maßnahmen für zukünftige Problemstellungen. Sie baut auf allen vorherigen Datenanalyse-Methoden, insbesondere der prädikativen, auf.

    Nachdem die zukünftigen Trends, Tendenzen oder Abweichungen mithilfe der vorhergehenden Methoden richtig erkannt wurden, werden neben historischen Daten nun auch aktuelle Informationen für die präskriptive Datenanalyse einbezogen. Die erhobenen Daten, die auch aus externen Datenquellen stammen können, werden genutzt, um potenzielle Problemquellen zu identifizieren und Maßnahmen zur Beseitigung oder Verhinderung der Problemquellen zu liefern. Ziel der präskriptiven Datenanalyse ist es somit, die Wirkungsfähigkeit vielversprechender Trends voll auszuschöpfen.

    Diese Methode kann in verschiedenen Branchen und Bereichen genutzt werden. Zum Beispiel kann das Benutzeraufkommen auf einer Webseite gesteigert werden. Des Weiteren können in einem CRM-System auf Basis von Customer Analytics und Verkaufshistorie Wiederholungskäufe identifiziert werden.

    Die präskriptive Analyse wird in Kombination mit diversen Technologien und innovativen Tools verwendet. Das Einsetzen von KI-gestützten Systemen und Simulationen wie maschinelles Lernen, Simulationsmodelle oder neurale Netze erhöht die Komplexität der Implementierung.

    Letztendlich ist die präskriptive Datenanalyse eine sehr aufwendige Methode und sollte nur von dem Nutzer berücksichtigt werden, nachdem der Aufwand dem Mehrwert gegenübergestellt wurde.

Die Datenanalyse im BigData Umfeld

Die Begriffe Big Data und Datenanalyse gehen häufig Hand in Hand, weshalb sich die Definitionen sehr ähneln.

Big Data wird durch die Fortschritte in der Technologie ermöglicht, die die Erfassung, Speicherung und Analysen von Daten mit hoher Geschwindigkeit unterstützen. Die Datenquellen gehen über die traditionelle Unternehmensdatenbanken hinaus und umfassen E-Mails, Mobilgeräte und sensorgenerierte Daten. Die Daten sind dabei nicht mehr auf strukturierte Datenbankeinträge beschränkt, sondern umfassen unstrukturierte Daten ohne Standardformatierung. Big Data übersteigt dabei die Kapazität oder Fähigkeit von konventionellen Methoden und Systemen, da keine Möglichkeit besteht, die Daten in ihrer vollen Gesamtheit zu analysieren.

Von Unternehmen über Forschungseinrichtungen bis hin zu Regierungen generieren Organisationen heute routinemäßig Daten von noch nie da gewesenem Umfang und Komplexität. Die Gewinnung von aussagekräftigen Informationen und Wettbewerbsvorteilen aus riesigen Datenmengen ist für Organisationen kontinuierlich wertvoller geworden. Der Versuch, aus solchen Datenquellen schnell und einfach aussagekräftige Erkenntnisse zu gewinnen, ist jedoch eine beträchtliche Herausforderung.

Um den vollen Wert von Big Data zu nutzen, wird die Analytik benötigt und ist dementsprechend unentbehrlich geworden. Mit einer erfolgreichen und durchdachten Analytik kann die Geschäftsleistung verbessert und der Marktanteil erhöht werden. Infolgedessen haben Organisationen Schwierigkeiten, die Gesamtheit der Daten in ihre komplexe Entscheidungsfindung einzubeziehen, um einen nachhaltigen geschäftlichen Mehrwert zu erschaffen. Bei dieser Problemstellung setzt die Datenanalyse an. Die Analyse berücksichtigt die Gesamtheit der Daten, demzufolge kann ein nachhaltiger geschäftlicher Mehrwert erschaffen werden.

Das rasante Tempo der Digitalisierung führt zu gewaltigen Datenmengen (Big Data), stetigem Datenzuwachs, multidimensionalen IT-Systemen und steigender Datenkomplexität. Infolgedessen kann keine strukturierte und auf Erfolg ausgerichtete Informationsbasis gebildet werden.

Prognose des Volumens der jährlich generierten digitalen Datenmenge_Statista2022Prognose des Volumens der jährlich generierten digitalen Datenmenge weltweit in den Jahren 2018 und 2025 (in Zettabyte) Quelle © Statista 2022

Ein zusätzlicher Faktor für eine solche Steigerung der Datenmengen ist die Industrie 4.0 und das Internet der Dinge (IoT). Dementsprechend ist für eine erfolgreiche Unternehmensstrategie die richtige Interpretation der Daten unabdingbar, zumal die Erkenntnis der verschiedenen Abläufe im Unternehmen das Fundament für eine richtige Entscheidung und Führung ist.

Kein Wunder, dass immer öfter die Notwendigkeit einer eigenen Datenstrategie für die Zukunft gesehen wird. Daher stehen Unternehmen vor der großen Herausforderung, die vielen Daten zu aggregieren, verwalten, richtig darzustellen auszuwerten und zu nutzen.

Mit Hilfe von statistischen Methoden und Business Intelligence können Erkenntnisse, Informationen und bestimmte Muster erkannt und für Entscheidungs- und Führungsprozesse, sowie Problemlösungen verwendet werden. Im Anschluss daran kann die gewonnene Informationsbasis für weitere Verwendungen genutzt werden, beispielsweise die Einhaltung von Compliance-Richtlinien oder für regulatorische Zwecke.

BigData_SmartData

Wie wird die Datenanalyse im Marketing angewendet?

In den vorherigen Punkten wurden Anwendungsbeispiele für eine Datenanalyse im Marketing angedeutet. Insbesondere mit der zunehmenden Digitalisierung ist die Datenanalyse im Marketing unabdingbar geworden. Mithilfe von einer ordentlichen Datenanalyse kann die Marketingstrategie, die Webseite oder eine Kampagne erfolgreich evaluiert werden.

So hat sich die Datenanalyse im Marketing zu einem fundamentalen und bedeutsamen Erfolgsfaktor entwickelt, der in der heutigen Zeit nicht mehr wegzudenken ist. Deshalb wurden neben den klassischen, beschrieben Methoden weitere Methoden entwickelt, die nur auf das Marketing zugeschnitten wurden.

Multivariate Datenanalyse

Bei der multivariate Datenanalyse werden mehrere verschiedene Parameter betrachtet, um die Zusammenhänge zu erkennen und eine Optimierung zu erzielen. Üblicherweise wird diese Analyse anhand einer Usability-Analyse bei der Evaluierung von Webseiten genutzt. Die Daten, die jeder Nutzer bei einem Besuch auf der Webseite generiert werden in Betracht gezogen und für eine Optimierung genutzt. Das können zum Beispiel die Verweildauer oder das Scrollverhalten jedes einzelnen Kunden sein.

Kohortenanalyse

Die Kohortenanalyse umfasst die Gruppierung von Kunden anhand von Aktionen bzw. Ereignissen. Die Kriterien für eine Kundengruppierung sind ähnliche Aktionen zu ähnlichen Zeitpunkten. Dies kann zum Beispiel der erste Einkauf von Kunden sein, die zeitlich nah beieinander liegen.

Mithilfe der Kohortenanalyse kann der Nutzer den Kundenlebenszyklus verstehen und evaluieren, um Optimierungsmöglichkeiten zu identifizieren und Maßnahmen abzuleiten. Infolgedessen kann zum Beispiel das Kaufmuster oder Verhaltensmuster einer sogenannten Kohorte erkannt und definiert werden und dadurch wann der nächste Einkauf womöglich stattfinden könnte.

Churn Analyse

In der Churn Analyse wird die Kundenabwanderungsrate berechnet. Mit der Churn Analyse werden Faktoren analysiert, warum ein Kunde die angebotenen Leistungen von einem Unternehmen nicht mehr berücksichtigen möchte.

Ein typisches Beispiel ist die Kündigung eines Abonnements. Für eine Kündigung kann es diverse Gründe geben, wie zum Beispiel Qualitätsmängel, ein schlechter Kundenservice oder einfach Unterbietungen durch Wettbewerber. Das Ziel der Analyse ist es, die Abwanderungsrate so gering wie möglich zu halten, damit kein großer Rückgang im Umsatz zustande kommt.

Die Churn Analyse kann in Kombination mit Analyseverfahren wie der Kohortenanalyse genutzt werden, um den maximalen Mehrwert zu erzielen. Mit der Methode können die Kunden in relevante Kohorten Gruppen eingeteilt werden, um die Abwanderungen genauer zu ermitteln und effektiv gegenzusteuern.

Die ABC-Analyse

Die ABC-Analyse unterteilt zum Beispiel Kunden je nach Wichtigkeit und Wert für das Unternehmen. Demzufolge werden Kunden je nach Wichtigkeit in A, B oder C Kunden gegliedert. Mit dieser Methode konzentriert sich das Unternehmen auf das wesentliche, demzufolge bewirkt die Analyse, dass Maßnahmen ressourcenschonend und kundenorientiert entwickelt werden.

Das Prinzip der ABC-Analyse wurde von dem Pareto-Prinzip abgeleitet. Damit sind 20 Prozent der Kundschaft für 80 Prozent des Umsatzes verantwortlich. Ziel der ABC-Analyse ist es die Kundschaft mit dem höchsten Umsatz zu identifizieren und individuelle Lösungen bzw. Maßnahmen zu entwickeln.

Kundenwertanalyse

Die Kundenwertanalyse identifiziert den Wert des einzelnen Kunden für das Unternehmen. In Anlehnung der ABC-Analyse berücksichtigt die Kundenwertanalyse die Umsätze eines Kunden und betrachtet dies in der Beziehung mit den Aufwendungen. Außerdem spielen Faktoren wie die Kundenbindung, die Loyalität, das Referenzpotential und der Einzahlungsüberschuss eine wichtige Rolle bei der Analyse. Darüber hinaus können diverse weitere Faktoren in Betracht gezogen werden, je nach Betrachtungsweise des Kundenwertes.

RFM Analyse

Die RFM Analyse stützt sich auf die drei Kennzahlen Recency, Frequency und Monetary auf Deutsch Aktualität, Häufigkeit und Umsatz. Mithilfe dieser Kennzahlen wird ein Punkteverfahren aufgesetzt, um die Kunden in Segmente und Zielgruppen einzuteilen. Im Anschluss daran werden jedem Segment bzw. Gruppe eine Eigenschaft oder ein Wert zugewiesen. Diese Werte können variieren. Üblicherweise werden unter anderem Werte wie Profitabilität und Treue einbezogen.

Next Best Offer

Die Methode Next Best Offer wird häufig in Kombination mit der prädiktive Datenanalyse genutzt, zumal Next best offer, wie der Name schon verrät, sich auf das nächste Angebot in der Zukunft festlegt. Infolgedessen wird mit dieser Methode das nächstbeste Angebot für den Kunden identifiziert, um den Umsatz und die Kundenbindung zu stärken.

Mit dieser Vorgehensweise können bestimmte Muster im Vorfeld identifiziert werden, wie beispielsweise die Frage, welches Produkt in welcher Preiskategorie der Kunde als nächstes kaufen könnte. Demzufolge kann das Angebot auf den einen Kunden zugeschnitten und personalisiert werden. Wie bei der prädiktiven Datenanalyse können Methoden wie das maschinelle Lernen genutzt werden, um frühzeitig das nächstbeste Angebot zu identifizieren.

Welche Herausforderungen und Risiken bringen Datenanalysen mit sich?

Die Datenanalyse ist durch eine hohe Dimensionalität und große Stichprobengrößen gekennzeichnet. Diese beiden Merkmale bringen drei einzigartige Herausforderungen mit sich:

  • Hohe Dimensionalität bringt falsche Korrelationen und zufällige Homogenität mit sich.
  • Hohe Dimensionalität in Kombination mit großem Stichprobenumfang führt zu Problemen wie hohe Rechenkosten und algorithmischer Instabilität.
  • Die massiven Stichproben in Big Data werden typischerweise aus mehreren Quellen zu verschiedenen Zeitpunkten mit unterschiedlichen Technologien aggregiert. Dies führt zu Problemen mit der Heterogenität und statistischen Verzerrungen und erfordert die Entwicklung von adaptiven Verfahren.

Nichtsdestotrotz bringt die Datenanalyse neue Möglichkeiten für die digitale Welt. Die Datenanalyse hat sehr viele Vorteile und ein immenses Potenzial ein Unternehmen wettbewerbsfähig zu machen. Auf der anderen Seite bringen die massive Stichprobengröße und die hohe Dimensionalität von Big Data einzigartige rechnerische und statistische Herausforderungen mit sich, darunter notwendige Skalierbarkeit und Speicherengpässe, falsche Korrelationen, zufällige Endogenität und Messfehler. Diese Herausforderungen sind unterschiedlich und erfordern neue rechnerische und statistische Paradigmen.

Darüber hinaus sind die exogenen Annahmen in den meisten statistischen Methoden für Big Data aufgrund von zufälliger Endogenität nicht validierbar. Sie können zu falschen statistischen Schlussfolgerungen und folglich zu falschen wissenschaftlichen Schlussfolgerungen führen.

Eine weitere Dimension betrifft die Technologie: Big Data bzw. Datenanalyse ist nicht nur groß und komplex, sondern erfordert auch innovative Technologie zur Analyse und Verarbeitung, etwa ein Cloud Data Management.

Die Datenanalyse spiegelt die Herausforderungen von Daten wider, die zu umfangreich, zu unstrukturiert und zu schnelllebig sind, um mit traditionellen Methoden verwaltet werden zu können. Die Tools, die für den Umgang mit dem Volumen, der Geschwindigkeit und der Vielfalt von Big Data zur Verfügung stehen, haben sich in den letzten Jahren stark verbessert. Allerdings erfordern diese Technologien eine für die meisten IT-Abteilungen neue Kompetenz, denn sie müssen hart daran arbeiten, alle relevanten internen und externen Datenquellen zu integrieren. Für kompetentes Personal muss das Lernen im Erwerbsleben zum Alltag werden und die Weiterbildung im Berufsleben gestärkt werden. In unserer dynamischen und kurzlebigen digitalen Welt wird das Wissen immer schneller überholt sein, weshalb neue Fertigkeiten und Kompetenzen fortlaufend erforderlich sein werden. Infolgedessen ist es mit hohen Kosten verbunden.

Welche Ziele und Chancen hat die Datenanalyse?

Datenanalysen haben zwei Hauptziele: Erstens die Entwicklung effektiver Methoden, die zukünftige Ereignisse vorhersagen können und zweitens die Erkenntnis der Beziehungen zwischen Merkmalen. Aufgrund des großen Stichprobenumfanges ergeben sich aus der Datenanalyse zwei weitere Ziele: Heterogenität und Gemeinsamkeiten über verschiedene Teilpopulationen. Mit anderen Worten, Datenanalyse verspricht Folgendes:

  1. das Erforschen der Daten jeder Teilpopulation, das mit den traditionellen Methoden nicht möglich ist.
  2. wichtige gemeinsame Merkmale über viele Teilpopulationen zu extrahieren, selbst wenn es große individuelle Variationen gibt.

Infolgedessen sollen mit der Datenanalyse im Vorfeld klar definierte Risikobereiche bzw. Fragestellungen mit den zur Verfügung stehenden Daten beantwortet werden. Darüber hinaus wird mit der Datenanalyse auf Abweichungen, Ausreißer, Klumpenrisiken bzw. Regelverstöße hingedeutet. Genauer gesagt, ist das Ziel der Datenanalyse, das Maximum an Informationen zu erheben, um das Potenzial der Daten voll auszuschöpfen und somit einen Mehrwert zu generieren.

Fazit: Wie wertvoll ist die Datenanalyse?

Mithilfe der Datenanalyse können Zusammenhänge und zukünftige Ereignisse identifiziert werden. Informationen, die aus der Datenanalyse entnommen werden, können demzufolge einen signifikanten Einfluss auf unternehmerische Entscheidungen und an der Entwicklung von Maßnahmen haben.

Angesichts der Digitalisierung aber auch globaler Entwicklungen können Unternehmen plötzlich mit großen Herausforderungen konfrontiert werden. Zudem wächst die Datenmenge und die Datenkomplexität kontinuierlich, was weitere IT-Systeme oder -Lösungen nach sich zieht. Dementsprechend ist eine schnelle und vollkommene Analyse der Daten häufig nicht möglich. Aus diesem Grund sollten Konzerne Technologien und Methoden anwenden, um die vorhandenen Daten zu hinterfragen.

Nichtsdestotrotz bleiben trotz innovativer Technologien eine gewisse Fehler- und Manipulationsanfälligkeit, weshalb es umso wichtiger ist, geschäftliche Risiken frühzeitig zu identifizieren und zu minimieren.

Customer Analytics_CINTELLIC-Wiki
CINTELLIC Consulting - Social Media