Da das Volumen der Vertriebs- und Marketingdaten aus verschiedenen Tools drastisch zunimmt, ist der Aufbau eines Marketing Data Warehouse die Gelegenheit für datengetriebene Marketingexperten, all diese Daten zusammenzuführen und bei Bedarf die historischen Daten strukturiert abzufragen. Bereits heute haben Vetriebs- und Marketingteams die Möglichkeit datengestützte Kundeneinblicke und durchdachtes Targeting zu nutzen. Wenn Unternehmen verstehen, wie Kunden mit Ihrer Marke interagieren, steigern Sie den Lifetime-Value (LTV).
Was ist ein Marketing Data Warehouse?
Durch ein Marketing Data Warehouse ist die Speicherung und Analyse von Vetriebs- und Marketingdaten möglich. Anstatt einen begrenzten Datenbestand für die Analyse zu verwenden, enthalten Marketing Data Warehouses Daten aus mehreren Quellen über einen großen Zeitraum hinweg. Die Datengranularität ist viel höher, da die Speicherplatzkapazitäten im Vergleich zu einer herkömmlichen Datenbank viel größer sind. Da Data Warehouses für Analysezwecke konzipiert werden, verfügen sie über Rechenkapazitäten zur Unterstützung der Analyse großer Datensätze.
Mit der zunehmenden Verfügbarkeit von Cloud-basierten Systemen sind Data Warehouses verfügbarer geworden. Der Einstieg in ein Cloud-basiertes Data Warehouse ist heute für Unternehmen leichter und schneller realisierbar. Cloud-basierte Plattformen bieten einen serverlosen Ansatz für den Endbenutzer und machen die Wartung des Backends überflüssig. Anwender zahlen nur für die Rechenleistung die sie benötigen. Das System skaliert entsprechend den Anforderungen der Abfrage.
Wie sich Data Warehouses von Datenbanken unterscheiden
Datenbanken und Data Warehouses sind Systeme, die zur Speicherung von Daten erstellt werden. Datenbanken sind dafür konzipiert, strukturierte Daten für Abfragezwecke zu speichern. Sie sind jedoch durch die Menge an Rechenkapazität und Speicherplatz begrenzt. Die in Datenbanken gespeicherten Daten stammen meist nur aus einer Quelle. Datenbanken funktionieren gut, wenn es darum geht, Abfragen durchzuführen, um Daten abzurufen, aber sind nicht für komplexe analytische Berechnungen geeignet.
Data-Warehouses haben eine größere Menge an Speicher- und Rechenleistung zur Verfügung. Es können Daten aus verschiedenen Quellen gesammelt werden. Die geladenen Daten werden nicht wie eine herkömmliche Datenbank aktualisiert, sondern sie bleiben in ihrer ursprünglichen Form erhalten. Dadurch können Daten für Analysezwecke mit anderen ähnlichen Datensätzen verglichen werden.
Marketing Data Warehouse Design
Der Aufbau eines Marketing Data Warehouse erfordert, dass der Benutzer die benötigten Datenquellen, Analysewerkzeuge und Ziele identifiziert. Der erste Schritt beim Erstellen eines Marketing Data Warehouse, ist zu bestimmen:
- Woher sollen die Daten extrahiert werden?
- Welche Kanäle sollen analysiert werden?
- Welche Vorteile bringt uns die Analyse dieser Quellen für die Berichterstattung über mehrere Kanäle?
- Wie viele Daten werden zu Analysezwecken benötigt?
Nachdem die Quellen (z.B. ERP, Web Analytics Tool, CRM etc.) definiert sind, besteht der zweite Schritt darin, einen Data-Warehouse-Anbieter auszuwählen. Große Cloud-Anbieter wie Google Cloud, AWS und Azure verfügen alle über Data-Warehouse-Lösungen. Snowflake arbeitet mit den oben genannten Plattformen, bietet aber einen eigenen Ansatz. Jeder Anbieter hat seinen eigenen Ansatz für das Data Warehousing. Bei der Auswahl eines Anbieters sollten Sie berücksichtigen, welcher Anbieter für den vorhandenen Marketing-Stack und Anwendungsfall am besten geeignet ist.
Wenn Datenquellen und -ziele definiert sind, ist der letzte Schritt die Visualisierungs- und Analyseebene auszuwählen. Data Warehouses können mit verschiedene Reporting- und Dashboarding-Tools verbunden werden. Dazu gehören Lösungen wie Tableau, Qlik, Google Data Studio und PowerBI.
Vorteile eines Marketing Data Warehouses
Ein Marketing Data Warehouse bietet eine Vielzahl verschiedener Vorteile:
- Eigentümer der Daten
- Einheitliche Speicherung der Marketingdaten aus verschiedenen Quellen
- Nahezu unbegrenzter Speicherplatz
- Mehr Leistung für die Analyse
- Anbindung an verschiedene Datenquellen: Marketing-Data Warehouses können mit allen wichtigen Marketing-Softwareprogrammen verbunden werden. Mit Hilfe eines Datenpipeline-Tools können Marketingteams die Vetriebs- und / oder Marketingdaten in ihr Data Warehouse überführen und die gespeicherten Daten für Berichte nutzen. Data Warehouses können direkt mit Berichts- und Dashboarding-Tools wie Tableau, Qlik, Looker und PowerBI verbunden werden.
- Geringer Wartungsaufwand beim Data Warehouse
- Flexible Kostenstrukturen – nur tatsächlich genutzte Leistungen werden berechnet
Mit einem größeren verfügbaren Datenbestand können Sie granularere Abfragen auf Ihren Datenbeständen durchführen. Die Analyse historischer Daten über ein breites Zeitfenster gibt Einblicke in die Leistung Ihres Unternehmens. Je mehr Daten in ein Data Warehouse geladen werden, umso genauere und vergleichbarere Ergebnisse sind möglich.
Data Warehouse Anbieter
Mit dem Aufkommen von Cloud-Technologien haben die Anbieter im Bereich Data Warehousing zugenommen. Große Cloud-Anbieter nutzen die bestehende Infrastruktur ihre um eigene Cloud-Data-Warehouse-Lösungen zu schaffen.
- Amazon Redshift: Amazons Data Warehouse welches auf der AWS-Plattform läuft
- Azure-Synapse-Analyse: Microsofts Data-Warehousing-Plattform
- Google BigQuery: Die Cloud-basierte Data-Warehouse-Lösung von Google.
- Snowflake: skalierbare und intuitive Data-Warehousing-Lösungen für die breite Masse.
Marketing Data Warehouse mit Google Big Query
Eine weit verbreitete Data-Warehouse-Lösung ist Google BigQuery. Google BigQuery ist ein hoch skalierbares und kostengünstiges Multi-Cloud Data Warehouse. Es läuft auf der Google Cloud-Plattform und bietet Marketingteams und Business Intelligence Spezialisten Zugang zu Googles Cloud-Computing und Speicherfunktionen. BigQuery ist eine serverlose, vollständig verwaltete Data Warehouse Lösung, bei der Nutzer keine Back-End-Wartung durchführen müssen.
BigQuery Data Transfer Service
Mit BigQuery Data Transfer Service werden Daten aus externen Datenquellen wie der Google Marketing Platform, Google Ads, YouTube und SaaS-Partneranwendungen nach einem festgelegten Zeitplan automatisch und vollständig verwaltet in BigQuery verschoben. Nutzer können Daten auch einfach von Teradata und Amazon S3 an BigQuery übertragen.
Grundlage für Business Intelligence (BI)
BigQuery bildet das Rückgrat der Data-Warehouse-Prozesse für moderne BI-Lösungen und ermöglicht die nahtlose Datenintegration, Transformation, Analyse, Visualisierung und Berichterstellung.
Flexible Datenaufnahme
Mit Data Transfer Service (DTS) können Sie Daten von einer Vielzahl beliebter SaaS-Unternehmensanwendungen kostenlos zu BigQuery verschieben oder Tools zur Datenintegration wie Cloud Data Fusion, Informatica oder Talend nutzen. Laden und transformieren Sie Daten jeglichen Umfangs aus Hybrid- und Multi-Cloud-Umgebungen.
Flexible Preismodelle
Dank der On-Demand-Preise zahlen Sie nur für den verwendeten Speicher und die tatsächlich genutzte Rechenzeit.
Sie wollen ein Marketing Data Warehouse mit Big Query einrichten oder optimieren?