2022-07-12 | Article | Insights
Als Teil einer stetig wachsenden Nachfrage auf dem Markt sind Data Warehouses zu einem wesentlichen Bestandteil der digitalen Strategie eines jeden Unternehmens geworden. Das primäre Ziel von Marketingverantwortlichen:
Üblicherweise wird ein Funnel aufgestellt, welcher der Customer Journey entspricht und dabei hilft, einen nutzerzentrischen Ansatz zur Erreichung dieses Ziels zu entwerfen. Jede Stufe des Funnels wird durch Daten bestimmt, wobei es sich einerseits um Daten handeln kann, die zur Ansprache einer (potenziellen) Kundengruppe verwendet werden, andererseits um Daten, die aus den eingesetzten Marketingmaßnahmen gewonnen werden. In der Vergangenheit waren Adserver und Data Management Plattformen (DMPs) die vorherrschenden Lösungen für das Sammeln, Modellieren und Bereitstellen von Daten für ihren Einsatz in Marketingmaßnahmen. Mit dem Aufkommen datenschutzbezogener Fragen hat sich der Aufbau eines soliden Data Warehouse zu einem datenschutzfreundlicheren, ausgefeilteren und zeitgemäßeren Ansatz für das Datenmanagement und die Verwendung von Daten in Marketingaktivitäten entwickelt. Der Grund dafür ist, dass sich DWHs, bezüglich geschäftlichen Anforderungen, mehr durchgesetzt haben und sowohl eine ganzheitlichere Sicht auf die Unternehmen bieten, indem sie alle Datenpunkte im Unternehmen verbinden, als auch die Privatsphäre der Nutzer wahren.
Mit Marketing Analytics können Unternehmen all ihre Daten zusammenführen, um ein klares Bild der Customer Journey zu erhalten, Marketing- und Geschäftsergebnisse vorherzusagen und personalisierte Erlebnisse für ihre Kunden zu schaffen. Dies ist für alle Unternehmen relevant, da die meisten von ihnen derzeit einen datengesteuerten Wandel durchlaufen. Die Implementierung eines Marketing Data Warehouse in der Google Cloud kann dabei helfen, die geschäftlichen Anforderungen zu erfüllen und umfassende Erkenntnisse aus mehreren Software-as-a-Service-Plattformen zu gewinnen. Dies geschieht durch den Aufbau der Architektur, die für die Konsolidierung von Geschäfts- und Advertising-Daten erforderlich ist, und durch die Gewinnung von Echtzeit-Einblicken zur Steigerung der Marketing- und Unternehmensleistung. Darüber hinaus kann die Lösung dazu genutzt werden, Marketing Innovationen voranzutreiben, indem Machine-Learning-Modelle für Business Cases erstellt werden, z. B. für die Kundensegmentierung, die Berechnung des Customer Lifetime Value und die Conversion Probability für die Ausrichtung von Anzeigen. Auf diese Weise kann die Customer Experience optimiert werden, indem Unternehmen Einblicke in die Kundenpräferenzen gewinnen und so ihr Erlebnis durch Personalisierung verbessern.
Das folgende Diagramm veranschaulicht ein Beispiel für eine Marketing-Analytics-Referenzarchitektur in der Google Cloud, beginnend mit der Dateneingabe aus verschiedenen Quellen. Die Datenerfassung erfolgt in der Regel außerhalb der Google Cloud, daher müssen die Daten eingelesen werden.
Anschließend können die Daten verarbeitet werden, was den Datenabgleich, die Konsolidierung und die Aufbereitung umfasst. Danach beginnt die Anwendung von Modellen für Machine Learning und die Visualisierung der Ergebnisse, um die Aktivitäten zu verstehen und zu optimieren. Schließlich können die Daten an Google Analytics übertragen und für Werbezwecke oder eine On-Site Personalisierung eingesetzt werden. Die Daten können auch über eine CDP-API gepusht werden, um über Drittanbieterkanäle wie Newsletter-Marketing oder Social Media einen Kundenabgleich vorzunehmen.
Die Aktivierung ist die Art und Weise, wie Google Cloud-Kunden die Ergebnisse für das Unternehmen vorantreiben. Die Möglichkeit, die Daten in die Aktivierungsplattformen zu überführen, indem Nutzerzielgruppen erstellt werden, die auf der Grundlage vorhandener Identifikatoren wie Nutzer-IDs oder E-Mail-Adressen an diese Plattformen übertragen werden, ist ein wichtiges Unterscheidungsmerkmal der Marketing Analytics DWH in Google Cloud.
Verschiedene Datenquellen können ein und denselben Kunden auf unterschiedliche Weise identifizieren. So kann Salesforce beispielsweise die E-Mail-Adressen der Kunden eines Unternehmens erfassen, während das Kassensystem (Online-Shops) möglicherweise die ID der Kundenkarte zurückgibt. Daher muss eine Strategie zur Vereinheitlichung dieser Daten entwickelt werden, um sie nutzbar zu machen.
Eine Lösung hierfür ist die Übertragung und Konsolidierung der Daten in Google BigQuery als zentralen Speicherort. Viele Konnektoren können mit Google Cloud verwendet werden: Data Transfer Services, die Google für Google-Produkte erstellt und pflegt; Konnektoren von Drittanbietern; Konnektoren, die in Produkte integriert sind; sowie benutzerdefinierte Konnektoren, die von Google-Partnern für bestimmte Kunden und Anforderungen erstellt wurden.
Da Daten aus mehreren Datenquellen aufgenommen werden können, kann mit der Verwendung von BigQuery Data Transfer Service für die Google Marketing Platform oder Google Ads begonnen werden, mit dem wiederkehrende Ladeaufträge für Berichtsdaten geplant und verwaltet werden können. Für Google Analytics 4-Properties können alle Rohdaten in BigQuery exportiert werden. Für die Aufnahme von Daten aus Quellen wie Salesforce sind SaaS-Konnektoren in Google Cloud und über Google-Partner verfügbar. Darüber hinaus ist es möglich, Daten aus anderen öffentlichen Clouds wie Amazon Redshift oder lokalen Data-Warehouse-Systemen wie Teradata einzulesen. Mit BigQuery Omni bietet Google eine flexible Multi-Cloud-Analyselösung, mit der auf Daten in der Google Cloud, Amazon Web Services und Azure zugegriffen und diese analysiert werden können, ohne die BigQuery-Nutzeroberfläche zu verlassen, um Silos noch weiter aufzubrechen und wertvolle Einblicke in das Geschäft zu bekommen. Da BigQuery Omni von Anthos betrieben wird, können Daten abgefragt werden, ohne die zugrunde liegende Infrastruktur verwalten zu müssen.
Darüber hinaus können Daten aus externen Quellen wie Customer Relationship Management-Plattformen (CRM) oder Point-of-Sale-Lösungen eingelesen werden. Dies kann über das BQ-Befehlszeilentool, die BigQuery-API oder die Google Cloud Console erfolgen. Bei großen Datensätzen kann Cloud Storage zur Optimierung der Bandbreitennutzung, der Netzwerkgeschwindigkeit und der Produktintegration beitragen. Darüber hinaus kann das Laden von Daten auf einer ereignisgesteuerten Basis mit Cloud Function-Triggern eingerichtet werden, zum Beispiel basierend auf der Verfügbarkeit neuer Daten.
BigQuery bietet sowohl Batch-Datenverarbeitung als auch Streaming-Funktionen (Echtzeit-Datenverarbeitung). Bei der Batch-Datenverarbeitung muss entschieden werden, wie oft man den Prozess starten möchte, z. B. einmal oder zweimal am Tag. Streaming-Funktionen ermöglichen dagegen stets aktuelle Daten.
Nach dem Einlesen können die Daten bei Bedarf bereinigt und neu formatiert werden, bevor mit dem Abfrageprozess begonnen wird. Dies gewährleistet die Konsistenz großer Datenmengen und kann mit den in der Google Cloud verfügbaren Datenverarbeitungsprodukten durchgeführt werden. Je nach Anwendungsfall können die Datenvorbereitung und das Data Warehouse in einem Schritt zusammengeführt werden. Die Transformation erfolgt direkt mit SQL-Abfragen in BigQuery. Bei höherer Komplexität kann ein ETL-Tool (Extract, Transform, Load) hinzugefügt werden (Dataflow oder Dataproc).
Dataproc, Dataflow und Dataprep sind drei verschiedene Komponenten von Google Cloud, die unterschiedliche, aber verwandte Aufgaben erfüllen. Dataproc bietet einen Data Science/ ML-Dienst für Spark und Hadoop. Für Marketing-Analysen kann Dataflow verwendet werden, mit dem sowohl Batch- als auch Streaming-Datenquellen in großem Umfang eingelesen und analysiert werden können. Es wird eine neue Pipeline für die Datenverarbeitung mit Ressourcen erstellt, die je nach Bedarf hinzugefügt oder entfernt werden. Mit Dataprep von Trifacta können schließlich Daten visuell untersucht, bereinigt und für die Analyse in BigQuery vorbereitet werden. Es ist UI-gesteuert, nach Bedarf skalierbar und vollständig automatisiert.
Machine Learning ist bereits in viele Funktionen der Google-Produkte integriert - zum Beispiel in Similar Audiences oder Gebotsalgorithmen. Die in diesen Tools integrierten Algorithmen und Funktionen für Machine Learning decken jedoch nicht den gesamten Marketing-Funnel ab - hier kann Google Cloud helfen. Sobald die Daten erfasst und verarbeitet wurden, kann mit der Durchführung von Machine Learning Projekten begonnen werden. Die meisten Marketingverantwortlichen konzentrieren sich auf ihren Durchschnittskunden. KI und Machine Learning bieten stattdessen Massenpräzision und die Möglichkeit, den spezifischen Wert von Kunden oder die Wahrscheinlichkeit, dass sie ein bestimmtes Verhalten zeigen, zu bewerten und in großem Umfang für Vermarktungszwecke einzusetzen. Hier sind einige Beispiele für Anwendungsfälle für Machine Learning entlang des Marketing Funnels:
Je nach Kenntnisstand bietet Google Cloud verschiedene Komponenten für Machine Learning zur Erstellung und Bereitstellung von ML-Modellen. AutoML-Tabellen können für Regressionsanalysen und Klassifizierungsmodelle verwendet werden, zum Beispiel für die Vorhersage des Customer Lifetime Value. Modelle zur Zielgruppensegmentierung können mit SQL-Kenntnissen erstellt und mit BigQuery ML bereitgestellt werden. So können ML-Workflows ausgeführt werden, ohne BigQuery mit den Daten zu verlassen. Die anspruchsvollsten Methoden werden mit der Vertex AI bedient. Sie kann sowohl für benutzerdefinierte Modelle als auch für AutoML verwendet werden, um verschiedene Modelle gleichzeitig einzusetzen und zu testen. Darüber hinaus können MLOps-Tools, wie Vertex AI Pipelines, verwendet werden, um das Modell mit weniger Komplexität zu pflegen.
Als Nächstes können die Daten für Insights Generierung und/ oder Aktivierung genutzt werden. Während es beim Generieren von Erkenntnissen um die Messung und Bewertung der Leistung von Marketingkampagnen auf der Grundlage von vordefinierten KPIs geht, geht es bei der Aktivierung um die Durchführung einer Marketingaktivität für ein bestimmtes Kundensegment basierend auf Daten. Google Cloud verfügt über Komponenten für beides.
Ein Dashboard kann helfen, Zugang zu Kundendaten zu erhalten, um wichtige Trends im Nutzerverhalten zu erkennen und Entscheidungen zu treffen. Es ist ein Sammelbecken für die Aggregation von Erkenntnissen. Für die Visualisierung können u. a. Data Studio, Looker und Tableau verwendet werden. BigQuery und Looker Studio ergänzen sich gegenseitig und ermöglichen die Erstellung von Dashboards und Berichten auf Abruf. Looker ist eine Business-Intelligence-Plattform für Unternehmen, die nun zu Google gehört und unter anderem die Funktionen von Alerting, A/B-Tests und Kohortenanalysen umfasst. Sie ermöglicht eine interaktive Datenexploration und Aktivierungspfade zurück zum GMP mit Actions for Ads mittels Customer Match. Für die anderen Funktionen ist eine Integration von Drittanbietern vorgesehen.
Wenn es um die Aktivierung geht, kann der Ansatz wie folgt skizziert werden:
Es können Pipelines auf Produktebene in jedes System eingeführt werden, das den verwendeten Identifikator akzeptiert. Dazu gehört auch Google Analytics, wo die Daten mit API-Aufrufen zurückgespielt werden können. Darüber hinaus können die Daten auch an die Ad-Tech-Tools der GMP (DV360 und SA360) sowie an Google Ads und an Drittanbieter wie Salesforce Marketing Cloud, Adobe Audience Manager, Facebook usw. weitergegeben werden. Sie können die Aktivierungspipeline automatisieren, um den Prozess zu vereinfachen.
Auch können mit der Stimmungsanalyse Marketingbotschaften an die Stimmungen der Kunden angepasst und dann im E-Mail-Marketing oder in sozialen Medien verwendet werden. Auf diese Weise kann ganz einfach Stimmungsüberwachung und Targeting umgesetzt werden. Dies kann Unternehmen dabei helfen, frustrierte oder verärgerte Kunden zu vermeiden oder anders anzusprechen, und zwar durch einen Push in ein beliebiges System, das auf der Grundlage einer E-Mail-Adresse durch Kundenabgleich aktiviert werden kann.
Die Bedürfnisse der Marketingfachleute haben sich nicht geändert, aber die Technologie, um den Kunden in den Mittelpunkt zu stellen und sich auf die Kundenbindung zu konzentrieren, hat sich durch den Einsatz von Data Warehouses erheblich verbessert. Diese helfen Unternehmen zum Beispiel zu verstehen, wie viel Kunden ausgegeben werden. Sie bieten die Möglichkeit, die Wahrscheinlichkeit eines erneuten Kaufs vorherzusagen, und unterstützen Marketingverantwortliche bei ihren Bemühungen, Kunden zu gewinnen, um ihr Geschäft zu vergrößern. Kundenbindungskonzepte mit DWH helfen dabei, die richtigen Angebote zu identifizieren. Darüber hinaus können damit Wege identifiziert werden, Kunden in implizite und explizite Botschafteraktivitäten einzubinden, um ihre Empfehlungen für ein weiteres Wachstum des Kundenstamms zu nutzen. Das bedeutet, dass Unternehmen in der Lage sein müssen, alle Berührungspunkte mit ihren Kunden heute miteinander zu verbinden und diese Erkenntnisse zu nutzen, um auf zukünftige Erfahrungen besser vorbereitet zu sein. Die Antworten auf die Fragen der Marketingexperten sind in der enormen Menge an Daten verborgen, die Unternehmen von Ihren Kunden sammeln. Diese Daten sind jedoch isoliert und weit verstreut, da sie von einzelnen Personen in unterschiedlichen Teams verwaltet werden. Vor allem Marketingspezialisten haben es schwer, mit dieser Fragmentierung umzugehen. Durch die Zentralisierung der Daten in einem Marketing-Analytics-Data-Warehouse und die Nutzung der KI von Google können Unternehmen ein tiefes Verständnis für ihre Kunden entwickeln. Auf diese Weise können sie alle Marketinganforderungen des Unternehmens in Bezug auf die Vorhersage, Gewinnung, Bindung und das Wachstum des Kundenstamms erfüllen und sich ein umfassenderes Bild verschaffen. Ohne die Nutzung dieser Dienste wird es immer schwieriger, die Art von User Experience zu liefern, welche Kunden heute von Unternehmen erwarten.
Die Verwendung von BigQuery als Marketing Data Warehouse wird zu einem Self-Service-Asset für Marketing- und Kundenteams, um Entscheidungen über Kampagnen, Werbemittel, Vertrieb und Kundenservice zu beschleunigen und letztendlich die Marketing- und Unternehmensleistung zu verbessern.