| 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 |
