„Auch mit Datensparsamkeit kann man erstaunlich robuste Ergebnisse erzielen.“
Was ist die Kundschaft eines Unternehmens wert? Und wie lange bleibt sie der Marke voraussichtlich treu? Solchen Fragen begegnet Researcher of the month 10/18 Thomas Reutterer vom Institut für Service Marketing und Tourismus immer wieder und analysiert in seiner Forschung den ökonomischen KundInnenwert, die sogenannte Customer Lifetime Value, mit einer Vielzahl von Daten. Wir haben den Forscher zum Interview über Big Data, die DSGVO und Deep Learning Methoden gebeten.
Name: Thomas Reutterer
Jahrgang: der fällt unter den Datenschutz 😉
Geburtsort (aufgewachsen in): Bludenz / Vorarlberg
Als Kind wollte ich werden: Juniorchef im elterlichen Betrieb, später dann irgendwas mit Technik
Darum bin ich Wissenschaftler geworden: da war viel Zufall dabei, manches hat sich einfach ergeben; aber die Neugierde, immer wieder etwas Neues auszuprobieren war vermutlich schon ein wichtiger Treiber
Das fasziniert mich an meinem Fachbereich: Die Interdisziplinarität – die spannendsten und zugleich herausforderndsten Themen erfordern die Zusammenarbeit mit KollegInnen aus anderen Disziplinen – dadurch wird die eigene Arbeit zum permanenten Lernprozess
Mein persönliches berufliches Wunschziel: Den Freiraum zu haben, mich wieder mehr auf meine eigene Forschung konzentrieren zu können
WU Blog: In Ihrer Forschung beschäftigen Sie sich mit dem „Wert“ eines Kunden – genauer der Customer Lifetime Value. Warum ist dieser Wert auch heute noch so wichtig für die Unternehmen?
Thomas Reutterer: Ich sehe hier vor allem zwei Entwicklungen dafür verantwortlich, dass Unternehmen zunehmend den Customer Lifetime Value (CLV) als zentrale Marketing-Metrik im Auge haben. Zum einen ist es der Umstand, dass mehr und mehr Unternehmen Ihre Marketing-Aktivitäten auf den Aufbau und die Pflege langfristiger Beziehungen zu ihren wertvollsten Kunden ausrichten. Das mag zunächst nach einem „No-Brainer“ klingen, aber lange Zeit standen in vielen Unternehmen Produkte bzw. der Aufbau von Marken zu sehr im Vordergrund.
„Lange Zeit standen in vielen Unternehmen Produkte bzw. der Aufbau von Marken zu sehr im Vordergrund.“
Eingeleitet durch die digital nativen Unternehmen à la Netflix, Amazon, Zalando & Co zeigt sich nun, dass es auch anders geht. Das bedeutet nicht, dass der Aufbau einer starker Marke unwichtig ist, aber es rückt stärker in der Vordergrund, dass der Wert eines Unternehmens letzten Endes durch jene KundInnen generiert, welche die Produkte kaufen. Die Balance zwischen Kundenakquisition und Aufbau nachhaltig wertvoller KundInnen-Beziehungen sowie die Berücksichtigung der Kundenheterogenität bei der Kundenbindung wird in der Management-Literatur auch unter dem Schlagwort „Customer Centricity“ neuerdings wieder intensiver diskutiert. Diese Diskussion wird durch eine weitere Entwicklung beflügelt, nämlich Big Data.
WU Blog: Dank dieser großer Datenmengen ist es heute möglich, sehr konkrete Aussagen über den Verlauf einer Kundenbeziehung zu treffen. Welche Daten haben für Sie in Ihrer Forschung besonders hohen Wert und woher beziehen Sie die Daten?
Thomas Reutterer: Die Datenlage über KundInnenaktivitäten, die Dynamik von Kunden-Firmen-Interaktionen, aber auch über die Aktivitäten in sozialen Netzwerken, usw. ist zweifelsohne besser denn je. All diese Informationen sind freilich imstande, immer leistungsfähigere Modelle zur individuellen Verhaltensprognose zu konstruieren. Damit steigt aber auch die Modellkomplexität und die Ergebnisse sind nicht immer einfach zu interpretieren.
„Manche Machine bzw. Deep Learning Methoden sind extrem ‚datenhungrig‘.“
Als Anwender muss man da häufig abwägen zwischen struktureller Interpretierbareit von Modellparametern und einer verbesserten Prognosegüte, die aber oft eine Black Box darstellt. Hinzu kommt, dass manche Machine bzw. Deep Learning Methoden extrem „datenhungrig“ sind, deshalb auch der aktuelle Hype im Gefolge von Big Data. Nichtsdestotrotz sind wir in unserer Arbeit aber immer wieder überrascht, wie gut relativ sparsame Ansätze funktionieren, im Vergleich zu ungleich komplexeren und computational um Lichtjahre aufwändigeren Methoden aber dennoch erstaunlich robuste Ergebnisse erzielen.
WU Blog: Immer wieder ist im Zusammenhang mit der Datenerhebung vor allem über soziale Netzwerke von einem Missbrauch der Datensicherheit die Rede. Wie stehen Sie persönlich zu dieser Problematik, dass zum einen unüberschaubar große Datenmengen über Personen (auch über einen selbst) gesammelt werden, diese Daten aber für wissenschaftliche Zwecke unersetzlich sind?
Thomas Reutterer: Das ist zweifelsohne ein großes Problem, das wie wir ja gerade hautnah erleben auch sehr brisante gesellschaftspolitische Implikationen nach sich zieht. Selbstverständlich halte ich die Datensicherheit bzw. den Datenschutz für eine große, wenn nicht die größte Herausforderung überhaupt, der wir uns in den nächsten Jahren unter anderem auch in den Bereichen Marketing und Customer Analytics stellen müssen. Ich sehe da vor allem zwei kritische Punkte: Zum einen wird es für all die neuen Entwicklungen im Bereich der Marketing-Automatisierung (Stichworte sind hier etwa automatisiertes Pricing, Bots, Real-Time Bidding, Empfehlungssysteme, usw.) dann spannend, wenn es die Rechtssprechung zur gerade erst in Kraft getretenen DSVGO auch so Ernst meint, wie es von den Gesetzgebern vermutlich beabsichtigt war.
„Datensicherheit und Datenschutz halte ich für die größte Herausforderung überhaupt, der wir uns in den nächsten Jahren auch in den Bereichen Marketing und Customer Analytics stellen müssen.“
Zum anderen sind da die schon angesprochenen Methoden maschinellen Lernens, die um zu funktionieren personalisierte Daten in rauen Mengen benötigen – und genau diese werden, sofern die DSVGO greift, vermutlich nicht mehr so einfach auf der Straße herum liegen. Hier sehe ich enormes Potential für clevere Lösungen zur Datensynthetisierung, mit deren Hilfe die benötigten Daten auf individuellem Niveau künstlich erzeugt werden können ohne mit dem berechtigten Wunsch nach Datenschutz in Konflikt zu geraten. Dabei werden reale Verhaltensdaten sozusagen simuliert. Leider werden in Österreich Forschungsanstrengungen in diese Richtung derzeit unzureichend gewürdigt geschweige denn ausreichend gefördert.
WU Blog: Sie beziehen sich in Ihrer Forschung auf die Ergebnisse mit Machine und Deep Learning Methoden. Was versteht man genau darunter – Können Sie diese Methoden kurz und verständlich erklären?
Thomas Reutterer: Die Idee solcher Methoden ist an sich nicht neu, die Grundlagen dazu wurden schon in den 1980er Jahren entwickelt, konnten sich dann aber aus computationalen Gründen bzw. aufgrund von mangelnder Datenverfügbarkeit in vielen Bereichen nicht durchsetzen. Den Hauptunterschied zu einem herkömmlichen mathematisch-statistischen Modell, mit welchem ein Ereignis – im Marketing also beispielsweise die Kaufentscheidung einer Kundin – prognostiziert werden soll, sehe ich als Anwender vor allem in der unglaublichen Flexibilität und Fehlertoleranz. Anstelle von einigen wenigen Modell-Parametern werden hier eine Vielzahl von Gewichten „trainiert“, die in unserem Beispiel für die Koppelung aller möglichen Marketing-Input-Variablen mit einem zu prognostizierendem Output sorgt.
Dieses Training wird in der Regel umso besser, je mehr Beipiele (also Kundendaten) man hat, die komplexe Verbindungsstruktur wird implizit „gelernt“ und kann je nach Bedarf oder Anwendungsfall für Prognose- bzw. Wiedererkennungszwecke abgerufen werden. Besonders faszinierend sind diese Eigenschaften dann, wenn die jeweils bedeutsamsten bzw. signifikantesten Verbindungsmuster quasi automatisiert bestimmt werden. Das entzieht sich häufig nachvollziehbaren Interpretationen durch den Anwender, wofür diese Methoden auch oft kritisiert werden, aber es funktioniert in vielen Anwendungsbereichen wo wir es mit hochdimensionalen, komplexen Zusammenhangsstrukturen zu tun haben, erstaunlich gut.