Data Science für Marketing: Schulung mit R, Python und Tableau

Arbeitsumgebung: R, Python und Tableau

• R installieren, Entwicklungsumgebung RStudio oder Positron, Pakete aus CRAN laden
• Python einrichten: Distribution oder uv, Jupyter, pandas, statsmodels, scikit-learn
• Tableau Desktop oder Tableau Public installieren und eine Datenquelle verbinden
• Oberflächen kennenlernen: R-Konsole und Skript, Jupyter-Notebook, Tableau-Arbeitsblatt
• Welches Werkzeug wofür: Statistik in R, Abläufe in Python, Exploration in Tableau
• Reproduzierbar arbeiten: Skripte statt Klickfolgen, Projektordner, Bericht mit Quarto

Daten, explorative Analyse und Leistungsanalyse

• Fallstudie: Kunden- und Kampagnendaten eines Händlers – Frage, Datenumfang, Grenzen
• Daten verstehen: Verteilungen, Ausreißer, fehlende Werte, schwach besetzte Kategorien
• Explorative Analyse mit R: dplyr und ggplot2 für Gruppenvergleiche und Verteilungen
• Explorative Analyse mit Python: describe, groupby und Diagramme mit seaborn
• Explorative Analyse mit Tableau: Filter, Gruppen, Boxplots und Streudiagramme
• Leistungsanalyse nach Kanal, Segment und Zeitraum – und das Simpson-Paradoxon erkennen

Inferenz- und Regressionsanalyse

• Fallstudie: Welche Faktoren treiben den Umsatz je Filiale oder Kampagne?
• Stichprobe und Grundgesamtheit, Konfidenzintervall, p-Wert und Effektgröße einordnen
• Lineare Regression mit R: lm, Koeffizienten, Bestimmtheitsmaß, Residuendiagnose
• Regression mit Python: statsmodels mit Formelsyntax, Dummy-Variablen, Interaktionen
• Regression mit Tableau: Trendlinien, Modellbeschreibung und ihre Grenzen
• Logistische Regression für Ja/Nein-Ergebnisse: Kauf, Klick, Kündigung
• Korrelation ist nicht Kausalität: Störgrößen, Selektion, umgekehrte Wirkungsrichtung

Vorhersage

• Fallstudie: Bestellungen oder Anfragen der kommenden Wochen vorhersagen
• Trainings- und Testzeitraum trennen, Fehlermaße MAE und MAPE vergleichen
• Vorhersage mit R: Zeitreihenmodelle mit fable, Trend, Saisonalität und Feiertage
• Vorhersage mit Python: Kaufwahrscheinlichkeit als Klassifikation mit scikit-learn
• Vorhersage mit Tableau: integrierte Prognose mit exponentieller Glättung, Vorhersagebänder
• Prognose in Entscheidungen übersetzen: Budget, Lagerbestand, Zeitpunkt einer Kampagne

Clusteranalyse und Segmentierung

• Fallstudie: Kundensegmente aus dem Kaufverhalten statt aus Annahmen
• RFM-Merkmale bilden – Aktualität, Häufigkeit, Umsatz – und standardisieren
• Clusteranalyse mit R: kmeans und hierarchische Clusteranalyse mit Dendrogramm
• Clusteranalyse mit Python: KMeans aus scikit-learn, Ellbogenkriterium und Silhouettenwert
• Cluster-Analyse mit Tableau: integrierte k-Means-Clusterbildung aus dem Bereich „Analyse“
• Segmente beschreiben, benennen und auf Stabilität prüfen, bevor Kampagnen darauf aufbauen

Conjoint-Analyse

• Fallbeispiel: Welche Kombination aus Leistung und Preis bevorzugen Kund:innen?
• Studiendesign: Merkmale, Ausprägungen, Choice-Based Conjoint, reduzierte Versuchspläne
• Conjoint-Analyse mit R: Teilnutzwerte per Regression bzw. multinomialem Logit schätzen
• Conjoint-Analyse mit Python: Teilnutzwerte mit statsmodels, relative Wichtigkeit der Merkmale
• Conjoint-Ergebnisse in Tableau: Teilnutzwerte darstellen, Simulator mit Parametern
• Zahlungsbereitschaft und Marktsimulation: Präferenzanteile für Angebotsvarianten

Best Practices für datengetriebenes Marketing

• Agiles Marketing: kurze Zyklen aus Hypothese, Test, Auswertung und Entscheidung
• Marktexperimente entwerfen: Hypothese, Zufallszuteilung, Kontrollgruppe, Stichprobengröße
• Marktexperimente durchführen und auswerten: Laufzeit, Effektgröße, kein vorzeitiges Abbrechen
• Stakeholder ausrichten: Fragestellung und Erfolgskriterium vorab mit Marketing und Vertrieb klären
• Ergebnisse vermitteln: Empfehlung zuerst, Unsicherheit sichtbar, Methode im Anhang
• Kundendaten in Analysen pseudonymisieren und nur zweckgebunden verwenden

Praxisprojekt: Gästesegmente und Tarifmodell für eine Therme mit Saunalandschaft

• Anonymisierte Kassendaten zu Besuchszeit, Aufenthaltsdauer und Zusatzumsatz explorativ untersuchen
• Gästesegmente per Clusteranalyse bilden, auf Stabilität prüfen und beschreiben
• Choice-Based Conjoint zu Saunazugang, Aufenthaltsdauer, Abendtarif und Preis auswerten
• Besucherzahlen der Wintersaison vorhersagen und die Tarifempfehlung mit ihrer Unsicherheit vorstellen

Lernziele

• Sie führen eine explorative Analyse von Marketingdaten in R, Python und Tableau durch und erkennen Verzerrungen
• Sie schätzen lineare und logistische Regressionen und interpretieren Koeffizienten, Intervalle und Modellgüte
• Sie erstellen Vorhersagen mit getrenntem Testzeitraum und bewerten sie mit Fehlermaßen
• Sie bilden Kundensegmente per Clusteranalyse und prüfen ihre Stabilität
• Sie planen eine Conjoint-Studie und leiten aus Teilnutzwerten Präferenzanteile ab
• Sie entwerfen Marktexperimente mit Kontrollgruppe und stimmen Fragestellung und Erfolgskriterium mit Stakeholdern ab

Zielgruppe

• Marketing Analysts, die über Berichte hinaus mit statistischen Modellen arbeiten möchten
• Fachleute aus der Marktforschung, die Segmentierung und Conjoint selbst umsetzen wollen
• Data Scientists, die mit Marketing und Vertrieb zusammenarbeiten