Blog

In unserer Reihe „The next generation of CRM – Möge die MarTech mit dir sein“ haben wir bereits geklärt, was der Trend rund um Marketing-Technologie wirklich halten kann, welche Dos und Donʼts es bei der Einführung gibt und wie man den eigenen MarTech-Reifegrad identifiziert.

In diesem Beitrag wollen wir im nächsten Schritt einen Blick auf die MarTech-Architektur werfen – sie ist unsere Landkarte auf der Mission durch das MarTech-Universum. Denn: Genau das wird immer technischer, komplizierter und unübersichtlicher. Dem Kunden stehen in unserer digitalen Welt zahlreiche Möglichkeiten zur Verfügung – und seine Ansprüche an die Customer Experience steigen. Aber auch für Marketer bringt die Digitalisierung Veränderungen. Die Spuren, die der Kunde entlang der digitalen Kontaktkanäle wie Onlineshop, App oder Website hinterlässt, sind sehr vielseitig nutzbar – erhöhen aber auch die Komplexität im Marketing.

Der Einsatz von Marketing Clouds wächst rasant. Ursache sind veränderte Kundenbedürfnisse und das Ziel, mit den Kunden – datenbasiert – effektiver und effizienter kommunizieren zu können. Gleichzeitig werden Marketing Clouds immer komplexer – nicht selten führen deshalb Unsicherheit und ein Mangel an Erfahrung bei der Auswahl und Implementierung einer Marketing-Cloud-Lösung zu unerwünschten Effekten oder gar zum Scheitern des Projekts. Dieser Blogbeitrag unserer Themenreihe „Next Generation of CRM - Möge die MarTech mit Dir sein“ zeigt deshalb Stolpersteine beim Einsatz einer Marketing Cloud und wie Du sie umschiffen kannst.

Die digitale Transformation im Internet of Things stellt viele Unternehmen vor eine große Herausforderung. Unser b.telligent IoT Adoption Framework unterstützt Dich bei der Transformation durch ein strukturiertes und technologieunabhängiges Vorgehen:

MarTech – was ist das eigentlich? Und wie unterscheidet es sich von CRM, KMS & Co.? Antworten darauf haben wir bereits in Teil 1 unserer Reihe „The Next Generation of CRM – möge MarTech mit Dir sein“ beantwortet. In diesem Beitrag stellen wir uns die Frage: Welches Setup brauche ich, um meinen MarTech Stack auch tatsächlich auf die Straße zu bringen?

Diese Frage wird uns als Beratung sehr häufig gestellt. Zugegeben, bei der Auswahl an Marketingtechnologien mag man sich als Marketer schnell vorkommen wie ein Kind im Süßwarenladen: Am liebsten hätte man von allem etwas! Aber auch im Ergebnis sind beide Situationen ähnlich. Sind die Augen größer als der Magen, endet das meist mit Bauchschmerzen. Denn am Ende des Tages sollte es nicht darum gehen, mit dem eingesetzten Budget möglichst viele Features zu erhalten oder das nächste „angesagte“ Tool, sondern darum, möglichst großen Mehrwert zu erzielen, oder nicht? Woher aber weiß ich, wie ich den für mich optimalen MarTech Stack „bauen“ soll?

Microsoft Power BI ist eines der beliebtesten BI-Tools am Markt und bietet zahlreiche Möglichkeiten, Daten aufzubereiten und zu visualisieren. Um noch mehr Flexibilität zu schaffen, kannst Du zusätzlich durch die Nutzung von Python- und R-Skripten die Standardfunktionen umfangreich erweitern. Wie Du Python-Skripte einbindest, was damit möglich und was zu beachten ist, zeigen wir Dir in diesem Beitrag.

Bei Business Intelligence steht das Thema „Qualität“ immer wieder an zentraler Stelle, wird dabei aber auf die unterschiedlichsten Weisen behandelt. Das liegt daran, dass es bisher kein einheitliches Verständnis und damit auch kein standardisiertes Vorgehen zur BI-Qualität gibt.

Dass dies mehr und mehr zum Problem wird, verdeutlicht auch die Umbenennung des aktuellen Gartner Quadrant. Statt Data Quality „Tools“ heißt dieser nun Data Quality „Solutions“. Denn: Während sich viele Hersteller mittlerweile „was mit Qualität“ auf die Fahne schreiben, eint sie meist lediglich ein verschwindend kleiner gemeinsamer Nenner: Probleme zu finden, zu verstehen und zu lösen. Zwar ist dies, das muss man ihnen zugutehalten, nach dem Philosophen Karl Popper immerhin die Quelle allen technischen Fortschritts. Mit Datenqualität per se hat das aber noch nicht zwingend etwas zu tun. In diesem Beitrag werde ich deshalb das Thema BI-Qualität etwas ordnen und strukturieren und nenne das Ganze deshalb „BI Quality Management“. So bleibt noch eine Menge Luft zum „Total BI Quality Management“, wie es schon seit geraumer Zeit in den Ingenieursdisziplinen angewendet und gelehrt wird

‍

Bei der Erstellung von Berichten stehen wir immer wieder vor der Herausforderung, große Mengen oder komplexe Informationen für die Berichtskonsumenten übersichtlich und verständlich aufzubereiten. Ein effektives Mittel hierfür können Visualisierungen, d. h. Diagramme oder Charts, sein. In diesem Beitrag möchte ich einige wichtige Aspekte aufzeigen, die bei der Erstellung von Visualisierungen in Berichten zu beachten bzw. bedenken sind, wenn man aussagekräftig mit ihnen kommunizieren möchte.

Neulich habe ich gegen meinen sechsjährigen Sohn „Wer ist es?“ gespielt, ein klassisches Spiel für Kinder von ca. 6 bis 9 Jahren. Dabei wollten wir natürlich beide wissen, wie man das Spiel gewinnt. Aus der Frage ist diese Artikelreihe entstanden. Dieser Teil richtet sich an die ganze Familie. Also: Lasst uns gewinnen!

b.telligent-Berater Simon hat das „Lift and Shift“ mit Exasol getestet und erläutert in diesem Beitrag, wie die Cloud-Migration Stück für Stück gelingt.

Algorithmen für personalisierte Empfehlungen

Nicht immer hinterlassen Nutzer ausreichend personalisierte Informationen entlang ihrer Customer Journey. Beispielsweise können neue Nutzer hinzukommen oder bestehende Kunden beim Surfen von Online-Angeboten nicht angemeldet sein. Nicht personalisierte Empfehlungssysteme, wie der Vorschlag häufig gemeinsam gekaufter Produkte, bieten Unternehmen in diesem Fall trotzdem Möglichkeiten für Empfehlungen. Je individueller diese jedoch auf den Kunden zugeschnitten werden, desto besser. Deshalb werden im Folgenden Verfahren vorgestellt, die deutlich stärker personalisiert sind und die Präferenzen der Kunden erlernen. Zum Verständnis dieser Methoden ist es hilfreich, sich das Problem als dünnbesetzte Matrix vorzustellen.

Wer Datenauswertungen mithilfe namhafter Visual Analytics Tools wie Tableau oder Qlik Sense erstellen möchte, gerät schnell an die Grenzen der Anwendungen – spätestens, sobald er mit unstrukturierten oder unvollständigen Datenbeständen arbeitet. Um Frust vorzubeugen, haben wir beide Tools hinsichtlich ihrer Möglichkeiten zur Datenvorbereitung getestet und eine kurze Liste von Best Practices erstellt.

Wie viel kostet mich der Einsatz des Tools? Wer soll damit arbeiten: Marketeers oder IT-Profis? Und kann ich meine Daten auch in der Cloud verwalten? Bei der Auswahl des passenden Tools für Visual Analytics spielen viele Faktoren eine Rolle. b.telligent-Berater Daniel Erlhöfer erläutert in diesem Blogbeitrag die technische Seite von Tableau und Qlik Sense: Worin liegen die Unterschiede in der Datenvorbereitung beider Tools?

Ausgangssituation

Es ist vermutlich ein großes Maß an Zustimmung zu erwarten, wenn man die Zielsetzung eines zeitgemäßen Kampagnenmanagements heute wie folgt umschreiben würde: Im Fokus des Marketings muss die individualisierte und konsistente Interaktion mit dem Kunden über seine bevorzugten Kanäle stehen - natürlich mit relevanten Botschaften zum jeweils optimalen Zeitpunkt. So wenig diese Aussage inzwischen auch überraschen mag, sie demonstriert doch, dass hinter jedem dieser Adjektive eine mögliche Fehlerquelle für eine kundenorientierte Kampagnenstrategie steckt.