Blog

R, der Open-Source-Allrounder mit schwerem Einstieg

Vor etwa drei Jahren bin ich von kommerziellen Statistiklösungen, wie SPSS, auf R umgestiegen. Mittlerweile kann ich mit Überzeugung sagen, dass ich erstmal kein anderes Tool mehr für Advanced Analytics brauche. Vor allem in Verbindung mit der IDE "R-Studio" hat die Software einen Reifegrad erreicht, um sie bedenkenlos in großen Data-Science-Projekten einzusetzen.

Man braucht sich allerdings nicht vormachen, dass man R einfach installiert und loslegt. Die Lernkurve ist vergleichsweise steil und es gibt nicht nur in Bezug auf die verschiedenen Pakete viele unterschiedliche Wege, dasselbe zu tun. Nicht selten hab ich mich geärgert, dass ich mitten im Auswerten plötzlich über einen banalen Schritt gestolpert bin, dessen Umsetzung ich für R erst recherchieren musste. Ich möchte daher in diesem und hoffentlich vielen folgenden Teilen Tipps und Tricks für R aufgreifen, die ich gerne schon früher als Einsteiger gekannt hätte.

Schaffung von Kampagnenintelligenz im Mobile-App-Kanal

Mobile Engagement ist das nächste große Thema im BI-Umfeld - zu Recht. Potentielle Kundenkontakte an jedem Ort und in verschiedensten Kontexten bieten riesige Chancen für relevante Kommunikation und hochwirksames Beziehungsmanagement. Vor diesem Hintergrund sollte der Kanal "Mobile App" mit all seinen Möglichkeiten in die intelligente Steuerung von Kampagnen einbezogen werden. Bestehende Mobile-App-Engagement-Lösungen bieten dafür (nur) die Grundvoraussetzungen - und bedürfen damit professioneller Integration in die bestehende CRM-Strategie und zentrale Kampagnenintelligenz.

Lange Zeit war der Customer Lifetime Value in wissenschaftlichen Veröffentlichungen wesentlich häufiger anzutreffen als in der Realität. Doch mittlerweile findet er seinen Weg in die praktische Anwendung. Triebfeder ist vor allem die Digitalwirtschaft. Die zunehmende Verbreitung des Customer Lifetime Values eröffnet große Chancen für eine gezielte Akquisition und Steuerung von Kundenbeziehungen. Sie legt aber auch die Tatsache offen, dass gewisse Missverständnisse weit verbreitet sind.

Die logistische Regression ist neben Entscheidungsbäumen das Arbeitspferd in der Modellierung, um das Eintreten eines Ereignisses vorherzusagen. Nun sind beide Verfahren zum Glück so ausgelegt, dass man im Grunde jede Art von Prädiktor für die Vorhersage einsetzen kann, egal ob dichotome Kategorien, mehrstufige Kategorien oder stetige Variablen auf Intervallskalenniveau.

Ein sehr häufiger Anwendungsfall im Reporting ist das Verknüpfen und Anzeigen von Informationen, die entweder aus unterschiedlichen Tabellen oder sogar aus unterschiedlichen Datenquellen stammen. Häufig ist dazu entweder ein Datenbank-View oder sogar ein Zwischenschritt über ein Datenbank-Layer notwendig, in dem die Daten aus den unterschiedlichen Quellen gemergt werden. arcplan bietet mit der Funktion "Zuordnen" eine einfache und schnelle Möglichkeit, Daten im Bericht und in Realtime zu verknüpfen.

Ich bin vor kurzem umgezogen und wurde von meiner alten Hausverwaltung gebeten, die Wände und die Decken der verlassenen Wohnung zu streichen. Ich habe mich sogleich im Internet um Vergleichsangebote von Malerbetrieben bemüht. Dort sollte ich gleich zu Beginn die zu streichende Fläche in Quadratmetern angeben ... mmh, ich hätte natürlich sofort die Grundfläche und die Anzahl Räume angeben können und gehofft, dass die Betriebe eine einfache Hochrechnung für die Angebotserstellung verwenden. Aber direkt die zu streichende Fläche zu ermitteln, schien mir etwas komplexer als eine Schätzung aus dem Stegreif.

Im Direktmarketing-Umfeld ist es bei vielen Unternehmen immer noch der Fall, dass die Erfolgsmessung der gefahrenen Kampagnen eine nur untergeordnete Rolle spielt. Dabei vermitteln gut durchgeführte Kampagnen-Erfolgsmessungen Wissen über die Effektivität bestimmter Kampagnen und ermöglichen fundierte Entscheidungen über deren Ausgestaltung und zukünftige Optimierung. Ziel sollte es sein, für Direktmarketing-Maßnahmen eine standardisierte Erfolgsmessung einzuführen und mit dem generierten Wissen neue Kampagnen zu verbessern und somit mehr Umsatz bzw. Gewinn zu erzielen.

Anwendungsfälle

Kategoriale Variablen können in SPSS als ursprüngliche Texte verwendet werden, was bei größeren Datenmengen beträchtliche Performance-Einbrüche mit sich bringt, oder als numerische Codes mit Labels. Der zweite Weg ist nicht nur drastisch performanter, sondern auch der richtige Weg, weil es den Code in der SPSS-Syntax zwar schlechter lesbar macht, aber dafür völlig immun gegenüber Änderungen in Schreibweisen ist.

Ausgangssituation

Kampagnen-Marketing-Tools bilden oft eine Brücke zwischen der Marketingabteilung und der Daten-Management-Abteilung, indem sie Marketingideen im Rahmen koordinierter und ausgewogener Marketingaktivitäten Struktur und Form verleihen.

Auf dem internationalen Markt besteht eine offensichtliche Tendenz dahin, Lösungen auszuwählen, welche in allen Ländern, die Teil der weltweiten Strategie sind, einfach ausgerollt werden können, um die technische Infrastruktur und die technischen Prozesse zu vereinfachen und zu vereinheitlichen.  

In diesem Eintrag möchte ich gemeinsam mit Ihnen einen Blick in unsere Werkzeugkiste werfen. Das Thema bietet Stoff für mehr als einen Eintrag, und wir werden in diesem Blog immer mal wieder darauf zurückkommen.

Hintergrund zum Dilemma

So manch einer erinnert sich an die Spielshow "Geh aufs Ganze" aus den 90ern, in der Kandidaten sich für eines von drei Toren entscheiden mussten. Hinter einem Tor war stets der Preis versteckt und hinter den anderen Toren waren Nieten in Form des Zonk, bzw. in den USA bei Moderator Monty Hall waren es Ziegen. Der Kandidat wählt zu Beginn immer ein Tor aus, hinter dem er den Preis vermutet. Der Moderator kann anschließend versuchen, ihn auf andere Tore mit Geldangeboten umzustimmen. Er kann auch Tore öffnen, um die Spannung zu erhöhen.

Ausgangssituation

Um ein wirksames Customer Relationship Management einsetzen zu können, ist es, besonders im Bereich des Kampagnenmanagements, von großer Bedeutung,  aussagekräftiges Wissen über die eigenen Kunden und Kundenstrukturen zu haben. Persönliche Informationen über Kunden, Ereignisse und Veränderungen in Kundensituation und -verhalten in einem CRM-System können als Anlass für eine auftretende Kommunikation genutzt werden. Mit Hilfe dieser vorhandenen Daten wird eine personalisierte Interaktion mit dem Kunden, wie Angebote und Services, ermöglicht.

Viele Unternehmen beginnen derzeit, erste Erfahrungen mit dem Einsatz von Big-Data-Methoden zu machen. Diese Methoden versprechen, aus großen Mengen an meist unstrukturierten Daten in kürzester Zeit mittels statistischer Methoden zusätzliches Wissen über die Kunden zu generieren. Häufig werden dazu automatisch generierte Daten eingesetzt, wie zum Beispiel Logfiles oder auch Clickstreams, die aus der Nutzung der Webseite, eines Webshops oder den Daten aus sozialen Netzen erhoben werden. Dieses Wissen kann wertvoll für CRM-Aktivitäten eingesetzt werden. Dabei stellt sich die Frage der Bedeutung von Datenqualität bei Einsatz von Big-Data-Methoden. Denn: Die Analyse und damit das generierte Wissen kann nur so gut sein wie die Qualität der dazu verwendeten Daten.