Cover |
1 |
Inhaltsverzeichnis | 7 |
Einleitung – Big Data im Marketing | 13 |
1 Dialoge in Zeiten des Internets der Dinge | 21 |
1.1 Das Internet der Dinge wird Realität | 21 |
1.2 Das Internet der Dinge führt zu neuen Herausforderungen | 24 |
1.3 Wie soll der künftige Marketingmix beschaffen sein? | 26 |
1.4 Neue Anforderungen an das Marketing der Zukunft | 29 |
1.5 Fazit | 29 |
2 Big Data, ein Missverständnis? Oder: Warum Daten erst sprechen, wenn man über sie spricht. | 30 |
2.1 Algorithmen als Geschäftsmodell | 31 |
2.2 Die digitale Überforderung | 31 |
2.3 Die trügerische Kraft des Algorithmischen | 32 |
2.4 Digitaler Echtzeithandel: Finanzmarkt und Werbemarkt | 34 |
2.5 Von Menschen und Maschinen | 34 |
3 Big Data: Daten sammeln, aggregieren, analysieren, nutzen | 37 |
3.1 Einführung | 38 |
3.2 Use Cases für Big Data | 41 |
3.3 Technologie zur Handhabung von Big Data | 44 |
3.4 Wie man Big Data nutzen kann | 49 |
3.5 Zusammenfassung und Ausblick | 53 |
4 Streaming Analytics: Management in Echtzeit | 57 |
4.1 Streaming Analytics | 57 |
4.2 Mehrere Modelle bei komplexen Problemen | 59 |
4.3 Anwendungsbeispiele | 61 |
4.4 Planung und Realisierung | 64 |
4.5 Fazit | 66 |
5 Von der Webanalyse zur Digitalen Intelligenz | 68 |
5.1 Big Data in der Analyse | 69 |
5.2 Business Intelligence als integriertes Gesamtkonzept | 70 |
5.3 Der Gartner Hype-Cycle innerhalb digitaler Information | 77 |
5.4 Positionierung von Analytics im Unternehmen | 79 |
5.5 Investition in Fachkräfte und Synergien | 80 |
5.6 Quo vadis Analyse, quo vadis Intelligence? | 81 |
6 Marketing und IT im digitalen Zeitalter: Liebesheirat statt Zwangsehe! | 84 |
6.1 Die veränderte Rolle des Marketing: Digitale Kundenerfahrungen stehen im Mittelpunkt | 84 |
6.2 Erfolgreiche Digitalisierungsstrategien in Zusammenarbeit mit der IT: Fünf Tipps für Marketingentscheider | 87 |
7 Denken in Seen, nicht in Silos | 93 |
7.1 Zielbild: Eine neue und alltägliche Umgangsform? | 94 |
7.2 Ausgangslage: Die etablierte Umgangsform scheitert | 96 |
7.3 Sammeln | 99 |
7.4 Verwalten | 103 |
7.5 Verwerten | 104 |
7.6 Ein verändertes Mindset | 105 |
8 Always-On – eine Wunschvorstellung? | 107 |
8.1 Gefühlte Wirklichkeit versus Realität | 107 |
8.2 Globale Ergebnisse im Überblick | 108 |
8.3 Weltweite Selbstüberschätzung | 109 |
8.4 Wer führt den Markt an? | 111 |
8.5 Hilfe zur Selbsthilfe | 113 |
9 Offensive im Datenschutz | 117 |
9.1 Was bedeutet Data-driven Marketing für die Verbraucher? | 117 |
9.2 Datenschutzaufsichtsbehörden sind weltweit besorgt | 118 |
9.3 Die Lösung – wie versuchen die Gesetze die Verbraucher zu schützen? | 119 |
9.4 Das Verbraucherinformationsportal Aboutthedata.com | 119 |
9.5 Die Selbstdatenauskunft | 120 |
9.6 Margaret Smith und ihre Daten | 121 |
9.7 Die Struktur der Auskunftsinformation | 121 |
9.8 Die Hauptkategorien im Detail | 122 |
9.9 Die Reaktionen | 124 |
9.10 Zu Datenschutz und der Ära von Big Data | 126 |
10 Passende Inhalte an die richtigen Empfänger | 128 |
10.1 Mailing, Newsletter und „einmal das Internet bitte“ | 128 |
10.2 Direktmarketing 2.0 | 129 |
10.3 Eine Plattform – tausend Möglichkeiten | 131 |
10.4 State of the Art – leider | 132 |
10.5 Konzert der Systeme | 133 |
10.6 Erfolg – reich? | 134 |
10.7 Willkommen in der Matrix | 135 |
10.8 Digital – mir egal? | 136 |
10.9 Social Media – für fast alle | 136 |
10.10 „Wir machen jetzt Big Data!“, „Ja, wir auch!“ | 138 |
10.11 Automatisierung in kleinen Schritten | 138 |
10.12 Daten und ihre Summe | 140 |
10.13 Max Mustermann soll zurückkommen | 141 |
10.14 Vorbereitung und Standards sind alles | 142 |
10.15 Glaskugel und Kaffeesatz | 143 |
11 Programmatic Advertising und Real Time Bidding | 144 |
11.1 Was hat Big Data mit der Anzeige von Werbebannern zu tun? | 144 |
11.2 Die technische Evolution vom Ad-Server zum Programmatic Advertising | 145 |
11.3 Vorteile für Werbekunden und konkrete Anwendungsfälle | 148 |
11.4 Programmatic Advertising als Nucleus für Marketingautomation der zweiten Generation | 149 |
11.5 Herausforderungen | 150 |
11.6 Ausblick | 152 |
12 Tag Management – so werden Sie Herr über die Customer Journey | 153 |
12.1 Was versteht man unter der Customer Journey? | 153 |
12.2 Erfolgsrezepte für die übergreifende Messung von Customer-Journey-Daten | 154 |
12.3 Tag Management als Alternative zu „vollintegrierten“ Marketing-Cloud-Lösungsansätzen | 155 |
12.4 So funktioniert Tag Management | 156 |
12.5 Eine neue Generation von MarketingMiddleware4 | 161 |
12.6 Die Marketingverantwortlichen können nicht warten | 162 |
12.7 Kundendaten im Sinne eines Mehrwerts für die Kunden nutzen | 163 |
12.8 Marketing Performance steigern und gleichzeitig Kosten sparen | 164 |
12.9 Von Produktivitätssteigerungen zu einer betriebsnotwendigen, erfolgskritischen Middleware | 165 |
13 Big Data und Social Media Analytics | 166 |
13.1 Social Media Analytics | 166 |
13.2 Ein Konzept zur Analyse von Social Media | 168 |
13.3 Konstruktion eines Bewertungsrahmens | 170 |
13.4 Der Facebook-Ansatz | 171 |
13.5 Conversions | 176 |
13.6 Sammeln, speichern und auswerten | 177 |
14 Optimierung digitaler Touchpoints | 179 |
14.1 Warum müssen digitale Touchpoints optimiert werden? | 180 |
14.2 State-of-the-Art-Optimierungen – Wie werden digitale Touchpoints aktuell optimiert? | 182 |
14.3 Digitale Touchpoints und Big Data | 187 |
14.4 Der Weg zur 1:1-Kundenbeziehung – Optimierungslösungen mit Big Data | 189 |
15 Customer Lifecycle und Customer Value – mit optimierten Daten zu optimierter Kundenkommunikation | 198 |
15.1 Die Bedeutung von Big Data im modernen Marketing | 198 |
15.2 Der Customer Lifecycle – Basis für die Kundenkommunikation | 199 |
15.3 Optimale Ansprache durch Kundenwertberechnung | 201 |
15.4 Effektive Kommunikationsstrategien mittels Kundenwert und -lebenszyklus | 206 |
16 Big Data für Webshops | 209 |
16.1 Erfolgsfaktoren eines Webshops | 210 |
16.2 Big Data für Webshops scheitert früh: falsche Strategie und Fehlerquellen | 210 |
16.3 Optimierung der Website durch Big Data | 212 |
16.4 Einsatz von Big Data bei der Preisgestaltung | 216 |
16.5 Sortiment und Big Data | 219 |
16.6 Service und Big Data | 220 |
16.7 Customer Relationship Management (CRM) mit Big Data | 220 |
16.8 Onlinemarketing und Big Data | 222 |
16.9 Image und Big Data | 224 |
16.10 Big Data in der Technik | 224 |
16.11 Prozesse und Big Data | 225 |
16.12 Organisation und Mitarbeiter Know-how für Big Data | 226 |
16.13 Zusammenfassung | 227 |
17 Kunden und kausale Zusammenhänge verstehen | 228 |
17.1 Die Ansprüche des Kunden sind gestiegen | 228 |
17.2 Kundenverhalten prognostizieren | 229 |
17.3 Der Gewinn liegt im Preis: Dynamic Pricing | 229 |
17.4 Zusammenhänge zwischen Preis und Kaufverhalten aufdecken | 230 |
17.5 Immer vernetzt, immer online… | 230 |
17.6 Leistungsstarke Software | 231 |
17.7 Kausalitäten beim Katalogversand | 231 |
18 Amazon, das zahlengetriebene Unternehmen | 233 |
18.1 Big Data – oder „Sexy Little Numbers“ | 234 |
18.2 Amazon, Google und die Werbung | 236 |
18.3 Und der „klassische“ Einzelhandel? | 238 |
19 Data-driven Marketing in der Gaming-Branche | 241 |
19.1 Spiele für alle – kostenlos | 242 |
19.2 Eine Menge Daten | 244 |
19.3 Der Weg des Kunden | 245 |
19.4 Maximale Relevanz für den Kunden | 247 |
19.5 Verhaltensgesteuerte und durch Events ausgelöste Kampagnen | 248 |
20 Data Driven Advertising bei Google und Facebook | 251 |
20.1 Das Google-Modell | 251 |
20.2 Google-Werbung innerhalb der AIDA | 256 |
20.3 Werbeausgaben pro Zeiteinheit | 258 |
20.4 Real Time Bidding – Das Google-Modell in tausend Teilen | 259 |
20.5 Facebook – Exhibitionismus als Teil des Systems | 265 |
20.6 Die technologische S-Kurve | 269 |
21 Big Data im Marketing: Rechtliche Eckpunkte | 272 |
21.1 Einführung | 272 |
21.2 Rechte an den Datenbanken und den Erkenntnissen | 273 |
21.3 Datenschutzrecht | 274 |
22 Regulatory Challenges for Big Data | 310 |
22.1 The New Data Protection Regulation | 310 |
22.2 Main Direction and Key Provisions Impacting Business | 311 |
Die Autoren | 314 |
Stichwortverzeichnis | 319 |