Market research data provides important impulses for corporate management. When combined with corporate data in particular, relevant insights turn up. However, data transformation and merging is often a big challenge. Dr. Benedikt Köhler demonstrates how the analysis and visualization software DataLion makes the merging, analyzation and automated visualization of data sources a piece of cake.

1. MARKET RESEARCH MEETS
BUSINESS INTELLIGENCE
DR. BENEDIKT KÖHLER / FRANZISKA SCHARCH
RESEARCH & RESULTS, 24.OKTOBER 2019
– INSIGHT IS KING

2. 1. Was ist DataLion?
2. Herausforderungen im
„Daten-Dschungel“ am
Beispiel einer Case-Study
3. Umsetzung in der Praxis
4. Fragerunde
AGENDA

3. 1. WAS IST DATALION?

4. Webbasierte Dashboards …
Echte PPTX Exporte
…
Export verschachtelter
Tabellen …
… schneller, einfacher und intuitiver
als andere Dashboard Lösungen

5. 1. PPTX-Export in Ihrem Mastertemplate
mit echten nativen Charts (keine Bilder)
2. Gelayoutete Excel-Exports mit
Vorfiltern, Berechnungen, Gewichten
3. Dynamische Verknüpfung von
Datenquellen
4. Layout ist komplett anpassbar
5. Schnelle und einfache Usability
6. Differenziertes Rechtemanagement
7. Responsive Design
8. Entwickelt und CO2-neutral gehosted in
Deutschland
UNSERE USPs

6. 2. HERAUSFORDERUNGEN IM „DATEN-
DSCHUNGEL“ AM BEISPIEL EINER CASE-STUDY

7. Case-Study: Datenmanagement
in einem internationalen
Modeunternehmen
• 10 Länder
• Unterschiedliche Datenquellen
(Marktforschung: Brand Tracker,
Sales Daten, Online Daten von Google
Analytics)
• Ziel: länderübergreifende
Datenauswertung, um Status-
Quo und Optimierungs-
möglichkeiten zu generieren

8. Spezifische Ziele:
• Verfügbarkeit: Zu jeder Zeit sind alle aktuellen Daten verfügbar
und in ihrer Struktur sofort nutzbar
• Keine starren Reports: Jederzeit können Sonderauswertungen
z.B. für den Vorstand erstellt werden
• Minimaler manueller Aufwand: Aktualisierung und Integration
der Daten verläuft automatisch
Voraussetzungen:
• Datenstrukturen sind klar definiert und ändern sich nicht
(=Definition von Standards)
• Alle halten sich an Standards
• Es gibt klar definierte Schnittstellen
IN EINER
IDEALEN
WELT …

9. CRM
MR
Google
ETL
Data Warehouse
IN EINER
IDEALEN
WELT …
Die verschiedenen Datenquellen werden automatisiert in
einer Zieldatenbank vereinigt:

10. Reports
Visualisierung
Data
Driven
Decisions
Die Daten können aufbereitet und visualisiert werden,
um Insights und Optimierungsansätze zu generieren.
Data Warehouse
IN EINER
IDEALEN
WELT …

11. REALITÄT
…
IDEALE
WELT …
REALITÄT …

12. Jeder Standort schickt die Daten an eine zentrale Stelle:
Head of
„Copy & Paste“
IN DER
REALITÄT
…

13. Und so sehen die Daten dann aus:
IN DER
REALITÄT
…

14. Herausforderungen
• Datenformate: Excel, CSV, Tabellen, Datum, Komma
• Datenstrukturen: Tabellen in Tabellen
• Kodierung: „KĶln“
• Umfang der Daten
• Verschiedene Aggregationsebenen
• Veränderungen der Datenformate
fehleranfällig
Copy & Paste
zeitaufwändig Datenchaos
keine Schnittstelle
IN DER
REALITÄT
…

15. Vergleich Unternehmens- vs. Marktforschungsdaten
Marktforschungsdaten Unternehmensdaten
Inhalt Informationen über Verhaltensweisen
und Wahrnehmungen, z.B. Motive,
Einstellungen, Meinungen etc.
Typisch: Zeitreihen zu Absatz, Umsatz,
Unique Visitors, Leads etc.
Struktur/
Format
SPSS-Daten, Excel-Daten (1 Spalte je
Variable, 1 Zeile je Befragter), fehlende
Werte, Gewichtung
DWH-Daten, Datenbank, hunderte
Tabellen mit foreign Keys verknüpft
(„Star-Schema“)
Quellen Primäre und sekundäre Datenquellen
(z.B. Befragungen, Desk-Research)
CRM, ERP, Kassensysteme,
Kampagnendaten, Webtracking,
Finance, HR
Ziel Status Quo und Insight-Generierung als
Basis für unternehmerische Entscheidungen

16. Marktforschung vs. Business Intelligence
Marktforschung Business Intelligence
Bestimme Art von Datenquellen
(oft) erzeugte Daten
Prozess der Datenverarbeitung und
Datenanalyse
Spezifische Art von Daten/struktur Spezifische Erkenntnisziele
(Marktforschungsdaten können eine
Datenquelle neben anderen sein)
Richtet sich an Marketing Richtet sich an Marketing, Produktion,
Vertrieb … Kennzahlen
Prozentuierung von Ausprägungen Summe von EUR / Stück
Weitere verwandte Begriffe: Data Mining, Data Science, Data Governance

17. Beispiel Marktforschung „Brand Tracker“
Für das Modeunternehmen „FashionData“ soll kontinuierlich die Bekanntheit,
die Wahrnehmung und das Markenbild erhoben werden. Befragt wird die
Marketingzielgruppe (Frauen und Männer zwischen 14-65 Jahre).
Darüber hinaus soll der BrandTracker auch als Wettbewerbsanalyse dienen.

18. KPIs „Brand Tracker“
Marken KPIs
• ungestützte Bekanntheit
• gestützte Bekanntheit
• Markenbild/Image
• Imagescore
• Weiterempfehlung
• Vergleich mit Wettbewerb / Benchmark
Zielgruppenanalyse
• Soziodemografie
• Fashion-Type

19. Datenstruktur „Brand Tracker“
Zeitstempel
Gewicht Einfachantworten
und Skalen
Mehrfachantworten
Offene
Nennungen

20. Output „Brand Tracker“

21. Beispiel Unternehmensdaten
Aufbau eines DWH mit verknüpften Daten für:
• Shops
• Adressen und Ansprechpartner
• Produkten und Marken
• Absatz und Umsatz

22. Auswertung Unternehmensdaten
Auswertung als OLAP Cube -> Zeitreihe x Produkt x Shop

23. Was ist ein OLAP-Würfel?
• Datenwürfel, engl. OLAP Cube oder auch Data Cube
• Anordnung der Daten als Elemente eines mehrdimensionalen Würfels
• Zugriff auf die Daten über eine oder mehrere Achsen des Würfels
• Verschiedene Dimensionen können in Abhängigkeit voneinander
ausgewertet werden

24. Folgende Analysen sind möglich:
• Wie viele Produkte wurden im letzten Monat in der Filiale München
verkauft?
• Welcher Verkäufer hat den höchsten Umsatz erzielt?
• Wie viele Produkte befinden sich noch im Laden?
• In welcher Filiale wurde letztes Jahr der höchste Umsatz erreicht?
Beispiel: Data Cube
mit drei Dimensionen

25. Die Daten werden in einer relationale oder multidimensionalen
Datenbank gespeichert
Quelle: https://www.datenbanken-verstehen.de/datenbank-
grundlagen/datenbankmodell/relationales-datenbankmodell/
-> können direkt in
DataLion so abgebildet
werden oder in ein
zeilenbasiertes Format
umgewandelt werden
(z.B. Tabellen für
Umsatz / Absatz und
Produkte mit
Metadaten)

26. Output „Unternehmensdaten“

27. 3. PRAKTISCHE UMSETZUNG
IN VIER SCHRITTEN

28. Schritt 1: Datenquellen verknüpfen
Unterschiedliche
Datenquellen in
einem Projekt

29. Schritt 1: Datenquellen verknüpfen
• Projekte können auf mehrere Datenquellen und Tabellen zugreifen
• Verknüpfungen zwischen verschiedenen Tabellen können über Dropdown-
Menüs definiert werden
• Verknüpfungen werden abhängig von den Filtern und Metriken in einem
Dashboard dynamisch angewendet
• Alternativen: Joins <->
gemeinsame Filter (z.B.
Datum, Store)
• Aufwändige Daten-
vorbereitung entfällt

30. Schritt 1: Automatische Imports konfigurieren
• Import von Dateien über FTP, API, Datenbankverbindungen (SQL)
• Zeitlicher Rhythmus
• Umgang mit neuen /
entfallenen Merkmalen
• Backfill von historischen
Daten
• Regelbasierte Recodes
• Berechnete Variablen

31. Schritt 2: Report erstellen mit verschiedenen KPIs und Filtern
Report benennen

32. Schritt 2: Report erstellen mit verschiedenen KPIs und Filter DropDowns
Ein Report besteht aus
mehreren Tabs.
Es können
(dynamische) Filter-
Dropdowns angelegt
werden.

33. Schritt 2: Report erstellen mit verschiedenen KPIs und Filter DropDowns

34. Schritt 2: Report erstellen mit verschiedenen KPIs und Filter DropDowns

35. Schritt 2: Report erstellen mit verschiedenen Berechnungen
Berechnung von Differenzen
und gleitenden Summen /
Durchschnitten (YoY, YTD)
Numerische Variablen können als
Berechnungsvariable verwendet werden.

36. Schritt 2: Report erstellen mit verschiedenen Berechnungen
Berechnungen
und Metriken
sind per Klick
auswählbar.
Charteinstellungen

37. Schritt 3: Benutzer und Zugriffsrechte freischalten
Benutzerverwaltung

38. Schritt 3: Benutzer und Zugriffsrechte freischalten
Nutzer anlegen
Projekte
freischalten

39. Schritt 3: Benutzer und Zugriffsrechte freischalten
Es können Zugriffsrechte bis auf
Datenebene benutzerindividuell
konfiguriert werden.

40. Schritt 3: Benutzer und Zugriffsrechte freischalten
Reportfreigabe:
Benutzer: Read-Only-Modus
Bearbeiter: können Änderungen
im Report speichern

41. Schritt 4: Exporte
Exporte in
unterschiedlichen
Formaten möglich

42. Schritt 4: Exporte
• Dashboards können als Excel-Dokumente mit mehreren Registerkarten
exportiert werden
• Vollständig konfigurierbar:
• Verschachtelte Spaltenköpfe
• Verschachtelte Zeilenfilter
• Berechnung der Fallzahl, Spalte%, Zeile%, Gesamt%, Index,
gewichtet vs. ungewichtet, Mittelwert, Summe
• Caching von aufwändigen Reports möglich

43. Schritt 4: Exporte

44. Schritt 4: Exporte
• PPTX-Export im individuellen Mastertemplate
• Export echter, nativer Charts (keine Bilder)
• Flexible Ausrichtung von Diagramm-, Text- oder Tabellenobjekten mithilfe
von Platzhaltern
• Online-Dashboards können unterschiedliche Folienvorlagen zugewiesen
werden
• Automatisches Ersetzen von Platzhaltern für Titel, Datum usw.

45. Schritt 4: Exporte

46. FRAGERUNDE

47. KONTAKT
DataLion GmbH
Herzog-Wilhelm-Straße 1
80331 Munich
Germany
+49 89 716 772 100
www.datalion.com
info@datalion.com
@datalion_en
Made with <3 in Bavaria
Sie finden uns
an Stand 130