5 Einsatzmöglichkeiten von Data Science im Marketing

Einführung: Data Science im Marketing

Hast du schon einmal in einem Onlineshop etwas gekauft und wurdest danach beim Surfen ständig mit Anzeigen für ähnliche Produkte überhäuft? Das ist ein typischer Einsatz von Data Science im Marketing.

Ein Großteil der weltweiten Daten ist erst in den letzten zwei Jahren entstanden. Unternehmen können Kundendaten heute in nie dagewesenem Umfang erfassen und speichern. Jedes Mal, wenn Nutzer mit der Website, der Social-Media-Seite oder dem POS-System einer Organisation interagieren, entstehen neue Datenpunkte.

Aus diesen Daten werden Einblicke in das Nutzerverhalten abgeleitet, um kuratierte Anzeigen, personalisierte Produktempfehlungen und spezielle Aktionen auszuspielen.

Die meisten von uns kommen täglich mit datengetriebenem Marketing in Berührung und treffen unbewusst Entscheidungen auf dieser Basis. 

In diesem Artikel zeigen wir dir 5 Möglichkeiten, Data Science im Marketing einzusetzen. Zu jedem Use Case bekommst du außerdem eine Idee für ein eigenes Projekt, das du in dein Data-Science-Portfolio aufnehmen kannst. Abschließend erfährst du, warum sich eine Karriere als Marketing Data Scientist lohnt und wie du in diesem Bereich einen Job bekommst.

5 Use Cases für Data Science im Marketing

1. Empfehlungssysteme

Unternehmen wie Netflix, Spotify und Amazon nutzen Empfehlungssysteme, um Nutzerinnen und Nutzern auf Basis ihrer Interaktion mit der Plattform personalisierte Inhalte vorzuschlagen.

Wenn du zum Beispiel auf Netflix einen Film ansiehst und positiv bewertest, bekommst du beim nächsten Öffnen der App Filme mit ähnlichem Genre, Inhalt oder ähnlicher Besetzung empfohlen. 

So begegnen wir im Alltag Empfehlungssystemen.

Mit zunehmender Nutzung werden Empfehlungssysteme immer besser. 

Wenn du neu bei Spotify bist, sind die ersten Musikvorschläge eher generisch. Die App empfiehlt dir ein breites Spektrum populärer Genres, weil dem Algorithmus noch nicht genug Daten zu deinen Vorlieben vorliegen.

Je länger du die Plattform nutzt, desto besser lernt die Empfehlungslogik deine Vorlieben kennen – die Vorschläge passen sich deinem Geschmack an. Der Algorithmus kann sogar prognostizieren, welche Musik du in bestimmten Jahreszeiten oder zu Tageszeiten bevorzugst.

Arten von Empfehlungssystemen

Grundsätzlich unterscheidet man zwei Typen: Content-basierte Empfehlungssysteme und Systeme auf Basis von Collaborative Filtering.

1. Content-basierte Empfehlungssysteme:

Bild: Autorin/Autor

Content-basierte Systeme generieren Vorschläge ausschließlich anhand der Inhalte eines Produkts. 

Wenn dir zum Beispiel Romane aus der Percy-Jackson-Reihe gefallen haben, wird dir möglicherweise Heroes of Olympus empfohlen – vom gleichen Autor und in einem ähnlichen Genre.

Ein Nachteil dieser Methode: Du erhältst kaum Empfehlungen, die über deinen bisherigen Lesegeschmack hinausgehen. Wer Percy Jackson mag, bekommt vor allem Abenteuer- und Fantasy-Bücher vorgeschlagen – selbst wenn auch Sachbücher oder Thriller interessant wären.

Dieses Manko lässt sich mit einem Collaborative-Filtering-Ansatz ausgleichen, den wir im weiteren Verlauf erklären.

Projektidee: Content-basiertes Empfehlungssystem

Wenn du neu im Thema Empfehlungssysteme bist, ist das Kaggle Movie Dataset ein idealer Startpunkt. Es enthält Metadaten zu 45.000 Filmen, darunter Poster, Veröffentlichungsdaten, Genres und Umsätze.

Im Tutorial Recommender Systems in Python auf Datacamp baust du ein content-basiertes Empfehlungssystem auf Basis der Filmdaten aus dem Dataset.

Wenn du dir mehr Anleitung wünschst, melde dich für eine Live-Code-Session auf Datacamp an. In 1,5 Stunden zeigt dir eine Expertin oder ein Experte, wie du in R ein Empfehlungssystem entwickelst – mit Raum für Fragen, falls unterwegs etwas unklar ist.

2. Empfehlungssysteme mit Collaborative Filtering

Modelle auf Basis von Collaborative Filtering erzeugen Vorschläge anhand des bisherigen Nutzerverhaltens. Man unterscheidet nutzerbasiertes und itembasiertes Collaborative Filtering.

Wie der Name sagt, fasst nutzerbasiertes Collaborative Filtering Kundinnen und Kunden mit ähnlichem Verhalten zusammen. 

Auf Basis der gemeinsamen Präferenzen dieser Segmente spricht der Algorithmus Empfehlungen aus – wie in der folgenden Grafik dargestellt:

Bild: Autorin/Autor

Beim itembasierten Collaborative Filtering wiederum werden ähnliche Artikel anhand von Nutzerpräferenzen gruppiert, wie hier zu sehen:

Bild: Autorin/Autor

Mehr über die verschiedenen Arten von Empfehlungssystemen und ihre Implementierung erfährst du im Kurs Build Recommendation Engines in Python von Datacamp.

Projektidee: Collaborative Filtering

Ein Empfehlungssystem auf Basis von Collaborative Filtering kannst du mit dem Book Recommender System Dataset auf Kaggle bauen. Dieses Dataset enthält drei Variablen: eine User-ID, den ISBN-Code des Buches und eine Nutzerbewertung pro Buch.

Das Tutorial zu Empfehlungssystemen hilft dir beim Einstieg, wenn du mit Collaborative Filtering noch nicht vertraut bist.

2. Sentiment-Analyse

Bildquelle: KDNuggets

Die Sentiment-Analyse, auch Opinion Mining genannt, ermittelt die zugrunde liegende Stimmung eines Textes – eine weitere verbreitete Anwendung von Data Science im Marketing. 

Hier ein Beispiel, wie Sentiment-Analyse geschäftlichen Mehrwert schafft:

Eine Bank in Südafrika verzeichnete ungewöhnlich hohe Abwanderungsraten. Viele Kundinnen und Kunden wechselten zur Konkurrenz. Mithilfe von Sentiment-Analyse sollte die Ursache gefunden werden.

Das Institut sammelte über 2 Millionen Social-Media-Datenpunkte, analysierte die Kundenaussagen und trainierte darauf ein Sentiment-Modell.

Das Ergebnis: Die meisten negativen Kommentare kamen von Menschen, die sich über zu wenig Schalterpersonal in der Mittagspause und entsprechend lange Wartezeiten beschwerten.

Die Bank reagierte und stockte zu Stoßzeiten das Personal auf – die Abwanderung ging zurück.

Dieses Beispiel zeigt, wie hilfreich Sentiment-Analyse ist, um Produkte zu verbessern und Wettbewerber hinter sich zu lassen. Weitere Einsatzfelder sind Produktanalyse, Marktforschung und das Auswerten von Nutzerbewertungen.

Wenn du lernen willst, wie Sentiment-Modelle funktionieren und von Grund auf gebaut werden, besuche den Kurs Sentiment Analysis in Python auf Datacamp.

Projektidee: Sentiment-Analyse

Starte mit einem Sentiment-Modell für Filmkritiken auf Basis eines Datasets aus der NLTK-Bibliothek. NLTK ist ein Python-Paket mit zahlreichen Algorithmen für Natural Language Processing. 

In diesem Projekt nutzt du ein in NLTK integriertes Movie-Review-Dataset, das sich mit einer einzigen Codezeile importieren lässt. Anschließend entwickelst du einen Algorithmus, der Filmkritiken als positiv oder negativ klassifiziert.

Das Datacamp-Tutorial Python Sentiment Analysis liefert dir eine Schritt-für-Schritt-Anleitung.

3. Churn-Analyse

Bildquelle: DeepNote

Von Churn spricht man, wenn Kundinnen oder Kunden die Geschäftsbeziehung beenden. Kündigst du zum Beispiel dein Netflix-Abo, giltst du als abgewandert.

Neue Kundschaft zu gewinnen ist teurer, als bestehende zu halten. Deshalb setzen viele Unternehmen Data Scientists ein, um gefährdete Nutzer frühzeitig zu identifizieren und gegenzusteuern.

Ein Beispiel, wie ein Churn-Modell bei der Bindung hilft:

Du hast einen Vertrag bei einem Internetprovider, leidest aber zuletzt unter langsamer Verbindung. Du meldest das Problem mehrfach beim Support, schaltest den Router aus und ein, verbindest dich neu – ohne Erfolg.

Schließlich wechselst du zur Konkurrenz, weil die Erfahrung schlecht war.

Das Data-Science-Team des Providers sammelt Verhaltensdaten, trackt die Netzaktivität und wertet Beschwerden aus. Die konsolidierten Daten zeigen: Du hast ein hohes Abwanderungsrisiko.

Daraufhin informiert das Team Marketing und Produkt.

Das Marketing meldet sich mit personalisierten Angeboten, Rabatten für WLAN-Tarife und einem kostenlosen Upgrade. Nach dem Upgrade ist die Verbindung deutlich schneller, die Erfahrung besser – du bleibst beim Anbieter statt zu wechseln.

Dieses Beispiel zeigt, wie effektiv Churn-Modelle sind, um Bestandskundschaft zu halten. Besonders wichtig ist das für abonnementsbasierte Plattformen wie Netflix oder Spotify, deren Umsatz von Verlängerungen abhängt.

Projektidee: Churn Prediction

Nutze das Dataset Telecom Customer Churn auf DataCamp für dein erstes Churn-Projekt. 

Es enthält Informationen über Kundinnen und Kunden eines iranischen Telekomunternehmens, etwa Alter, Nutzungsverhalten, Vertragsdauer und Beschwerden. Nutze diese Daten, um vorherzusagen, wer wahrscheinlich abwandert.

Wenn du nicht weißt, wo du anfangen sollst, arbeite das Tutorial Customer Churn Rate Prediction durch. Zusätzlich empfehlen wir den Kurs Predicting Customer Churn in Python.

4. Kundensegmentierung

Bildquelle: Madlytics

Bei der Kundensegmentierung werden Nutzerinnen und Nutzer anhand gemeinsamer Merkmale in Gruppen eingeteilt. Jede Gruppe erhält auf ihr Verhalten zugeschnittene Angebote und Promotions.

Ein Beispiel für den geschäftlichen Nutzen:

Ein E-Commerce-Unternehmen erstellt ein Segmentierungsmodell, um Zielgruppen personalisiert anzusprechen. 

Wer häufig stöbert, aber nur bei Rabatten kauft, wird als „Promotion Hunter“ klassifiziert. Dieses Segment erhält sofort eine E-Mail, sobald es eine Aktion gibt – denn dann ist die Kaufwahrscheinlichkeit hoch.

Andere Nutzerinnen und Nutzer kaufen gezielt und sind bereit, unabhängig vom Preis zu bezahlen, weil ihnen Qualität wichtiger ist. Diese Gruppe wird anders adressiert: Das Marketing bewirbt vor allem hochwertige Produkte, die bereits Interesse geweckt haben.

So sehen kaufkräftige Personen teurere, relevante Artikel, während preissensible Menschen in Aktionszeiträumen zu günstigeren Produkten greifen.

Das einfache Beispiel zeigt, wie Segmentierung hilft, den Ertrag pro Nutzer zu maximieren. 

Einer der häufigsten Einsätze: das Bilden von Anzeigengruppen in Kampagnen.

Facebook etwa sammelt demografische und Verhaltensdaten und ermöglicht es Unternehmen, Anzeigen an Custom Audiences auszuspielen – z. B. nach Standort, Alter, Geschlecht, Lieblingsmarken oder Kontakten. 

Technisch wird Segmentierung häufig mit unüberwachten Machine-Learning-Modellen wie K-Means-Clustering umgesetzt. 

Wenn du mehr über Segmentierung und K-Means lernen willst, besuche unseren Kurs Customer Segmentation in Python.

Projektidee: Kundensegmentierung

Für ein Portfolio-Projekt kannst du das E-Commerce Dataset von Datacamp nutzen.  

Es enthält Bestelldaten eines britischen Onlineshops. 

Du findest darin u. a. Informationen zu gekauften Artikeln, Preisen und Rechnungsdaten – ideal, um Nutzer anhand ihrer Aktivität zu segmentieren.

5. Warenkorbanalyse

Bildquelle: Analytics Vidhya

Die Warenkorbanalyse, auch Association Mining genannt, untersucht, welche Artikel häufig zusammen gekauft werden. Grundlage sind historische Einkaufsdaten, aus denen typische Produktkombinationen abgeleitet werden.

Händler nutzen diese Erkenntnisse, um das Store-Layout zu optimieren und Mehrkäufe innerhalb eines Einkaufs zu fördern.

Wer Babynahrung kauft, nimmt oft auch Windeln mit – daher liegen diese Produkte im Laden meist nah beieinander. 

Doch Kaufmuster sind nicht immer so offensichtlich. Je nach Region, Kultur und Demografie werden auch Artikel kombiniert, die auf den ersten Blick nicht zusammengehören. Solche Zusammenhänge übersieht das menschliche Auge leicht – hier kommen datenwissenschaftliche Methoden wie die Warenkorbanalyse ins Spiel.

Ein bekanntes Beispiel für unerwartete Assoziationen:

Oft zitiert wird die „Bier-und-Windeln“-Story. Eine Supermarktkette im Mittleren Westen nutzte Data Mining, um häufig gemeinsam gekaufte Produkte zu identifizieren.

Die Analyse zeigte: An Freitagabenden landeten Bier und Windeln besonders oft gemeinsam im Korb. Zufall? Mögliches Szenario:

Ein junger Vater hält nach der Arbeit am Freitag kurz im Supermarkt, um Bier zu besorgen. Seine Partnerin weiß das und bittet ihn, gleich Windeln mitzunehmen. Das wird zur Routine – und viele Väter kaufen beides zusammen.

Nach dieser Entdeckung platzierte der Markt Bier und Windeln im selben Gang – die Verkäufe stiegen.

Die Geschichte stammt aus den 90ern, ihre Authentizität wird teils angezweifelt. Ob wahr oder nicht: Sie zeigt, wie mächtig Statistik sein kann, um verborgene Korrelationen sichtbar zu machen.

Warenkorbanalyse beschränkt sich nicht auf den stationären Handel. Auch E-Commerce-Plattformen zeigen stark korrelierte Produkte gemeinsam an, um sie in den Fokus zu rücken. 

Suchst du online nach schwarzen Jeans, erscheinen unten auf der Seite passende Schuhe – so wird aus einem Einzel- schnell ein Bundle-Kauf. Das steigert direkt den Umsatz.

Mehr über Warenkorbanalyse und ihre Umsetzung mit Machine Learning lernst du im Lernpfad Market Basket Analysis in Python. Wenn du lieber R nutzt, gibt es den Kurs Market Basket Analysis in R. 

Projektidee: Warenkorbanalyse

Für den Einstieg kannst du das gleiche E-Commerce Dataset verwenden wie im Segmentierungsabschnitt. Beachte: Es handelt sich um eine gekürzte Fassung des Datasets aus dem UCI Machine Learning Repository mit nur 2.500 Zeilen. Wenn du mehr Daten brauchst, lade das größere Original herunter.

Wie oben beschrieben, enthält das Dataset Transaktionsdaten wie Rechnungsnummern und gekaufte Produkte. So kannst du identifizieren, welche Artikel häufig gemeinsam in einem Kauf landen.

Eine Anleitung zur Umsetzung findest du im Tutorial Market Basket Analysis in R. Bevorzugst du Python, empfehlen wir den Kurs Market Basket Analysis in Python.

Data Science im Marketing – wie geht es weiter?

Warum solltest du Marketing Data Scientist werden?

Data Science hat im Marketing viele Einsatzfelder – einige davon hast du oben kennengelernt. Diese Use Cases schaffen direkten Mehrwert: Sie steigern Umsätze, lösen Pain Points und motivieren Kundinnen und Kunden zu mehr Käufen.

Früher, als es noch keine großen Datenmengen gab, führten Marketing-Teams vieles davon selbst aus. Sentiment-Analysen und Marktforschung basierten auf Umfragen. Zielgruppengerechte Werbung entstand aus Erfahrungswerten und Intuition – weniger datenbasiert.

Heute, mit der massiven Zunahme verfügbarer Daten, setzen Unternehmen zunehmend auf datengetriebenes Marketing. 

Doch es reicht nicht, einfach Data Scientists für Marketingprojekte einzustellen.

Zwar beherrschen Data Scientists komplexe Datensätze, genaue Vorhersagemodelle und statistische Analysen. Aber ohne Marketing-Domänenwissen fällt es schwer, Daten mit Geschäftsproblemen zu verknüpfen.

Umgekehrt kennen Marketer das Kundenverhalten, können Problemstellungen formulieren und Entscheidungen leiten – ihnen fehlt jedoch die technische Tiefe für große Datensätze.

Marketing Data Scientists vereinen beide Welten. Sie schlagen die Brücke zwischen Data Science und Marketing und treffen datenbasierte Entscheidungen, die Unternehmen profitabler machen.

So wirst du Marketing Data Scientist

Du benötigst starke technische und analytische Fähigkeiten, Marketing-Domänenwissen und Soft Skills:

1. Technische Kompetenzen

• SQL, um Daten aus Datenbanken zu extrahieren, zu bereinigen und zu transformieren. Lerne die Grundlagen im Kurs Introduction to SQL.
• Fundiertes Statistik-Wissen sowie Kenntnisse in überwachtem und unüberwachtem Machine Learning. Starte mit Introduction to Statistics, um die Grundlagen zu verstehen.
• Mindestens eine Programmiersprache (R, Python, Java etc.). Wenn du noch nicht programmierst, beginne mit Datacamps Python Programming Lernpfad oder der R-Alternative.
• Fähigkeit, A/B-Tests durchzuführen. 
• Datenvisualisierung und Dashboarding mit Tools wie Tableau, Power BI und Excel.
• Verständnis dafür, wie Anzeigenkampagnen auf Plattformen wie Facebook und dem Google Display Network gesteuert und optimiert werden.
• Kompetenz in Versuchsplanung und Attributionsmodellierung.

Beachte: Die Anforderungen variieren je nach Unternehmen und Team. Wer z. B. an Produktempfehlungen arbeitet, optimiert in der Regel keine Ads und kümmert sich nicht um Attributionsmodelle.

Fehlt dir Marketing-Domänenwissen und du willst A/B-Tests, Visualisierung von Marketing-Kennzahlen und Conversion-Analysen lernen, ist der Kurs Introduction to Pandas for Marketing auf Datacamp ideal.

2. Soft Skills

• Starke Kommunikationsfähigkeiten.
• Fähigkeit, komplexe technische Inhalte für das Management verständlich aufzubereiten und Entscheidungen zu unterstützen.
• Fähigkeit, datenbasierte Lösungen für Business-Probleme zu entwickeln.

Was Unternehmen konkret erwarten, zeigt dieses Beispiel der Anforderungen bei Uber:

Wenn du noch keine Erfahrung in Marketing Data Science hast, zeig dein Können mit Projekten, die reale Geschäftsprobleme lösen. 

Zu jedem Use Case in diesem Artikel haben wir passende Projektideen genannt. Nimm einige davon in deinen Lebenslauf auf, um zu zeigen, wie du mit Daten echten Mehrwert schaffst.

Wenn du Wissenslücken schließen und Data-Science-Methoden gezielt im Marketing anwenden möchtest, empfehlen wir Datacamps Kurs Machine Learning for Marketing in Python oder die R-Variante.