11 Trends im digitalen Marketing für 2019-2020: Datenwissenschaft

1. Analytik als oberste Priorität der Unternehmen

Analytik ist der Schlüssel zu einem besseren Kundenerlebnis. Intelligente Systeme, die auf eigenen Daten basieren, sind laut Gartnerauch die entscheidenden Faktoren für den zukünftigen Unternehmenswert, nicht nur für US-amerikanische und asiatische Plattformunternehmen, sondern auch für traditionelle B2C- und B2B-Unternehmen in Europa. Neue Trends werden die Liste der wichtigsten Qualifikationsanforderungen für Vermarkter in naher Zukunft nicht verändern. Zahlen und Technologie werden weiterhin die Oberhand behalten; siehe Avaus Insights: Zustand der Analytik.

2. Daten, Integration Qualität und Datenmanagement sind immer noch ein großes Hindernis

Datenmanagement-Plattformen und Plattformen für Kundendaten sind laut IIA zu integralen Bestandteilen von Ad-Tech- und Martech-Stacks geworden. Das Datenmanagement ist im Allgemeinen der schwierigste Bereich, den Marketeers meistern müssen. Viele Unternehmen kämpfen derzeit mit der Integration von Kundendatenplattformen (CDPs) und Marketingdatenplattformen (DMPs). Die Anbieter versprechen, dass die Technologie die Verwaltung, die Entwicklung des Werts Ihrer Daten und die Anreicherung mit Kampagnen-, Zweit- und Drittdaten erleichtern wird. Etwa 78 % der Unternehmen haben entweder eine Kundendatenplattform oder bauen sie aus - laut Forbes. CDPs sind darauf ausgelegt, Daten aus internen Silos zu extrahieren, um eine unternehmensweite Datenbank mit einer einheitlichen Kundensicht zu schaffen. Während eine CDP auf Daten von identifizierten Kunden aufbaut, enthält eine DMP hauptsächlich anonyme Daten zum Kundenverhalten aus digitalen Kanälen. DMPs werden in erster Linie dazu verwendet, Daten von Drittanbietern in einen Proxy für Daten von Erstanbietern zu verwandeln. Für 2019-2020 erwarten viele, dass die großen Versprechen von CDP und DMP Integration eingelöst werden.

3. Automatisierte Marketing-Entscheidungen werden über Erfolg oder Misserfolg von Unternehmen entscheiden

Verstärkungsschleifen werden den Kern künftiger Modelle für automatisierte Marketingentscheidungen bilden. Es handelt sich um Algorithmen, bei denen jede Aktion mit einer (negativen oder positiven) Belohnung verbunden ist. Sie laufen auf Daten, die durch Kundenaktionen in verschiedenen Umgebungen generiert werden. Die Modelle arbeiten auf einer intelligenten Versuch-und-Irrtum-Basis, und die Qualität der Reinforcement-Learning-Modelle wird in Zukunft über das Schicksal vieler Unternehmen entscheiden. Die Lernmodelle werden erfolgreich sein oder scheitern, je nachdem, ob sie trigger die richtigen automatisierten Aktionen (wie Up-Selling, Cross-Selling, Bedienung oder Belohnung) durchführen können, die die besten Ergebnisse in Bezug auf Erfahrung, Umsatz, Loyalität und Kundenbindung liefern. Die Algorithmen von Unternehmen A konkurrieren mit den Algorithmen von Unternehmen B auf dem globalen digitalen Markt. Die schnellste und beste Verstärkungsschleife wird die besten Geschäfte erzielen.

4. Data Scientists werden zunehmend zu Verantwortungsbeauftragten für die CMO

Der Druck auf die Marketingverantwortung in digitalen Ökosystemen wird nur zunehmen, da die Investitionen und die Komplexität weiter steigen. Es reicht nicht aus, die Frage zu beantworten: "Was trägt dazu bei, dass Kunden konvertieren, und um wie viel?" Marketer werden zunehmend die Unterstützung von Data Science benötigen, um diese Frage beantworten zu können: "Was hat dazu beigetragen, dass dieser Kunden zur Konvertierungund um wie viel?"

5. Zero-Party-Daten, Ton und Video - Die neuen Kinder im Block

Die Vermarkter werden anfangen, Daten zu sammeln, die absichtlich und proaktiv direkt vom Verbraucher weitergegeben werden. Dies sind Zero-Party-Daten. Diese Art von Daten wird weder durch Einkommens- oder Geräteabgleich abgeleitet, noch wird sie lediglich durch das Ausgabeverhalten oder Cookie-Daten beobachtet. Zero-Party-Daten ermöglichen es den Marken, direkte Beziehungen zu den Verbrauchern aufzubauen und im Gegenzug ihre Marketingmaßnahmen, services, Angebote und Produktempfehlungen besser zu personalisieren.

Deep-Learning-Modelle und Best Practices öffnen die Türen für neue, komplexere und informationsreichere Daten, die in Modellierungsanwendungen für das Marketing verwendet werden können. Ton, Bild und Video sind Datentypen, mit denen die Modelle von gestern nur schwer zurechtkamen. Jetzt nicht mehr.

6. KI wird dank neuer Marktteilnehmer leichter zugänglich

Die Kluft zwischen der Erprobung von KI und der Einführung von KI in großem Maßstab kann schwer zu überbrücken sein. Viele neue Akteure stellen sich dieser Herausforderung mit neuen KI-Lösungen von der Stange. Die großen Marketing-Clouds haben ihre eigene KI eingebettet (Newton, Einstein). Darüber hinaus sind in letzter Zeit viele KI-Lösungen für allgemeine Zwecke auf den Markt gekommen: Peltarion, Valohai, Mesosphere, SageMaker, Dataiku, DataRobot. Die Herausforderung wird sich allmählich darauf verlagern, herauszufinden, wie KI in Anwendungsfällen eingesetzt werden kann, die einen unbestreitbaren Wert für ein Unternehmen darstellen.

7. Plattformen werden das maschinelle Lernen übernehmen lead

Neue Lösungen für automatisches maschinelles Lernen (AutoML) beginnen, viele der zeitaufwändigsten Aufgaben der Datenwissenschaft zu lösen, z. B. die Umwandlung eines Sandbox-Proof-of-Concept-Modells in vollautomatische Vorhersagemodelle, die in der Produktion laufen. Es gibt sowohl neue Startup- als auch Unternehmenslösungen zur Überbrückung von AutoML-Lücken auf dem Markt. Die Open-Source-Gemeinschaft hat große Anstrengungen unternommen, um sich den Pionierstatus zu verdienen. In den Jahren 2019 und 2020 werden in beiden Welten weitere Akteure auftauchen, und die Rolle von AutoML-Lösungen wird immer wichtiger werden. Unternehmen, die ML-Plattformen nutzen, werden einen erheblichen Anstieg der Zahl der eingesetzten Modelle erleben. Allerdings wird die kundenspezifische Kodierung ein wichtiger Faktor und eine wertvolle Fähigkeit bleiben.

8. Die Auswirkungen der Regulierung auf die Unternehmen werden weiter zunehmen

Die Übertragung des Eigentums an Daten von Unternehmen auf Privatpersonen hat begonnen. Die Datenschutz-Grundverordnung ist nur der erste große Rechtsrahmen in einer Reihe von Vorschriften, und es werden noch weitere folgen. Verordnungen verursachen einen Mehraufwand bei allen Arbeiten im Zusammenhang mit Daten. Die Marketing-Community muss sich noch viele Jahre lang mit den Geboten und Verboten der Datennutzung auseinandersetzen.

9. Recht auf Erklärung - Vertrauen wird Antworten auf viele neue Fragen verlangen

Es gibt immer noch keine allgemeingültige Definition dafür, was "erklärbar" für Marketingexperten wirklich bedeutet. Dennoch müssen vollautomatische Entscheidungen erklärbar sein. Verantwortungsbewusste Unternehmen werden Erklärungen für die Funktionsweise ihrer Algorithmen für maschinelles Lernen bereitstellen. Da Algorithmen die Gesellschaft stärker beeinflussen, haben wir ein Recht darauf, Verzerrungen abzumildern, und ihr Einsatz dient dem Nutzen der Allgemeinheit und nicht nur dem einiger weniger.

Dies ist nur ein Beispiel dafür, worauf die Vermarkter Zeit und Mühe verwenden müssen. Es ist Teil des großen Bestrebens, das Vertrauen der Kunden in die Daten ihrer Unternehmen in ihren Kerngeschäftsprozessen zu stärken. Das Hygieneniveau muss ständig neu bewertet werden. Hier sind einige weitere Fragen, die unternehmensspezifische Antworten erfordern: Was ist Vertrauen im Kontext des maschinellen Lernens? Wenn wir behaupten, dass ein maschinelles Modell fair ist, was sind dann seine Merkmale? Können wir wirklich sagen, dass die Daten anonym sind?

10. Die Granularität der Stellenbeschreibungen für Datenwissenschaftler nimmt zu

Vor ein oder zwei Jahren veröffentlichten die Unternehmen eine "Data Scientist" Stellenausschreibung. Das fühlt sich langsam unvollständig an. Hier sind die derzeitigen neun Stellenbezeichnungen im Bereich Data Science bei Netflix: Business Analyst, Data Analyst, Quantitative Analyst, Algorithm Engineer, Analytics Engineer, Data engineer, Data scientist, Machine Learning Scientist und Research Scientist.

11. Selbstbedienung Data Science in da House

Die Nachfrage nach Dateningenieuren ist weitaus größer als das Angebot. Es wird kein automatisches maschinelles Lernen geben, wenn die Daten nicht in Ordnung sind. Bürgerinnen und Bürger, d. h. Amateurinnen und Amateure, die sich selbst etwas beibringen, werden zwangsläufig mitspielen. Daher wird eine der Aufgaben von Datenexperten darin bestehen, diese Bürger zu beaufsichtigen. Viele hartgesottene Datenwissenschaftler werden sich dagegen wehren. Aber das geschah schon vor Jahrzehnten im Finanzwesen mit Excel und im BI-Bereich mit Tools wie Tableau. Dataiku und DataRobot sind neue Tools für alle, die sich für große Mengen an Zahlen interessieren. Ein Narr mit einem Werkzeug könnte viele von uns überraschen.

Geschrieben von Ola Ottosson, Emma Storbacka, CEO, Tuukka Vakeasuo Principal Tech, Harri Tumanoff

­­­