Datenanalyse: Pure Technik?

Technologiedienstleister stehen vor der Herausforderung, riesige Datenmengen zu verwalten und zu strukturieren, um diese bestmöglich analysieren zu können. Die Schwierigkeit besteht darin, dass der Großteil der Daten in den Datenbanken unstrukturiert vorliegt (*1). Um diese Daten zu entwirren und sie richtig interpretieren zu können, bedarf es geschulter Datenanalysten, die Experten auf dem jeweiligen technischen Gebiet sind. Doch dies alleine reicht noch nicht aus: Ein guter Datenanalyst kann Analyseergebnisse lesen und diese in den Kontext der Zielszenarien setzen.

Bei Datenbanken unterscheidet man grundsätzlich zwischen zwei Arten, die jeweils unterschiedlichen Ansprüchen genügen: Operative Datenbanken sind im Regelfall auf die Abarbeitung sehr spezieller Use-Cases optimiert und sorgen für einen hohen Transaktionsdurchsatz mit geringer Antwortzeit (bis hin zu Echtzeit). Dank ihrer schnellen Response-Time ermöglichen diese sogenannten OLTP-Systeme (*2) das schnelle Verarbeiten und Speichern von Conversions. Ein weiterer Anwendungsfall, in dem operative Datenbanken zum Einsatz kommen, betrifft die Berechnung festgelegter KPIs (z.B. zeige Kosten und ROI von Keywords für den Zeitraum x – y) nach genau definierten Prozessen. Die notwendigen Prozessschritte kann die Datenbank rasch abrufen und die erfragte Leistungskennzahl wird ausgegeben. Data-Warehouses, auch OLAP-Systeme (*3) genannt, hingegen dienen als Datenarchiv und als Grundlage für spezielle Nicht-Standard-Analysen, die keinen Echtzeitanforderungen unterliegen. Hier erfolgen Analysen oftmals auf Rohdatenbasis und erfordern die Berücksichtigung zahlreicher Nebenbedingungen, was OLTP-Systeme gar nicht leisten können. Ein Beispiel hierfür wäre eine Auswertung über einen sehr großen Zeitraum ohne vorberechnete Daten.

In der Datenbank laufen unter anderem die Daten für erfolgte Klicks, Impressions, Conversions und andere Events in unterschiedlichen Tabellen ein. Diese Daten werden von den Analysten in einem ersten Schritt gezogen, aufbereitet und den Customer-Journeys zugeordnet. Im zweiten Schritt geht es darum, mit Hilfe mathematischer Methoden und Data-Mining-Algorithmen in der großen Datenmenge relevante Muster zu erkennen (*4). Dieser Prozess wird oftmals als „Knowledge Discovery in Databases“, kurz KDD, bezeichnet (*5).

Tracking-Anbieter können alle Aktionen messen, die auf Seiten oder Werbemitteln erfolgen, die verpixelt sind. Der Anbieter „kennt“ einzelne User und deren Online-Verhalten, wobei immer nur die User-ID und nicht der Klarname des Users bekannt ist. Auch die IP-Adresse wird anonymisiert, sodass de facto keine persönliche Zuordnung stattfinden kann. Der Großteil personenbezogener Daten wie Alter, Name oder Geschlecht, liegen Tracking-Anbietern nicht vor. Übergibt der Kunde diese Daten, die sich z.B. in seinem CRM wiederfinden, nicht im Conversionpixel, so können sie bei der Aussteuerung der Werbung auch nicht berücksichtigt werden. Herausforderungen, denen sich Tracking-Anbieter aktuell stellen, beziehen sich auf die komplett lückenlose Abbildung der Customer-Journey: Cross-Device Surfverhalten der User, sowie das Löschen von Cookies oder die Wahl einer Opt-Out-Funktion erschweren das Tracking. Mit Hochdruck wird daran gearbeitet, diese Lücken zu schließen.

intelliAd CEO Wolfhart Fröhlich wird am 24.06.2014 die Keynote auf dem dmexco Night Talk in Hamburg halten. Die Veranstaltung steht unter dem Motto „Die zentralen Erfolgsfaktoren für mehr Werberelevanz: Smart statt Big Data“. Seit heute gibt es Tickets unter bit.ly/dmexcoNightTalkHamburg.

Habt ihr Fragen zum Thema Datenanalyse? Schreibt einfach einen Kommentar unter diesen Blog-Beitrag oder eine E-Mail an marketing(at)intelliad.de. Wir leiten eure Fragen an die jeweiligen intelliAd Spezialisten weiter, der sich dann persönlich mit euch in Verbindung setzen werden.