Die ultimative Marketing-Geheimwaffe: Graph Neural Networks

Graph Neural Networks

Die Daten eines Unternehmens sind genau dann am wertvollsten, wenn Sie ein möglichst genaues und vor allem dynamische Bild der Realität in Echtzeit widerspiegeln. Das ist wiederum eine Frage der multiplen Vernetzung solcher Daten in Kombination mit einer mehrdimensionalen Visualisierung eines daraus entstehenden Daten Netzes. So werden aus Daten echte Mehrwerte und sie tragen zur Wertschöpfung wie auch Wertschaffung einen entscheidenden Anteil bei. 

Von Data Warehouse zu Data Lake

Bei relationalen Datenbanken auf Basis eines Data Warehouses geht es um den Zweck, nicht um Beziehungen. Relationale Datenbanken sind zweckgebundene Speicher und ihr Ziel ist nicht die Modellierung der Beziehungen zwischen Daten, sondern die Strukturierung dieser Daten zur Unterstützung dieses Zwecks. Ältere Datenbanken sind relativ einfach strukturiert. Neuere Versionen nutzen zumindest schon Fremdschlüssel, um Vernetzungen mit weiteren Tabellen und deren Daten zu ermöglichen. Aber letztendlich liefert der Blick auf den Zweck eines Datenspeichers eben eine recht eindimensionale Antwort, statt ein vielschichtiges Bild einer vernetzten Organisation zu zeichnen. Am Beispiel eines Herstellers unterschiedlichster Produkte in verschiedenen Produktsegmenten ist es zwar zweckdienlich zu wissen, mit welchen Grundstoffen die profitabelsten Produkte hergestellt werden können (was man einer relationalen Datenbank recht einfach entnehmen kann). In einer vernetzten Welt mit globalen Lieferketten und multiplen Kundenbeziehungen jedoch, kann im Zweifel die Herstellung eines margenarmen Produktes für einen Kunden nicht nur die Abnahmemenge und damit die Einkaufskondition für weitere Produkte aus dem gleichen Grundstoff positiv beeinflussen. Im Zweifel ist der Kunde sogar zeitgleich Zulieferer und/oder Mittler in einem anderem Produktsegment und die Kundenbeziehung sowie deren Customer Lifetime Value muss vielschichtiger betrachtet werden. Zum zweckgebundenen Blick auf Rohstoff-Einkaufsdaten in Relation zum Absatzmarkt kommen also weitere einflussnehmende Faktoren in vernetzten Geschäftsmodellen, die es im Blick zu haben gilt. Früher nannte man diese Fähigkeit „Management“ und es war der vielgerühmte „View of the Balcony“, der die Magie des Top Managements ausmachte.

Heute sind die Beziehungsketten global agierender Industrien und Konzerne so vielschichtig, dass selbst der versierteste Top Manager beim Blick auf das große Ganze in der Big-Data Welt chancenlos bleibt. Anstatt aber nach Lösungen für diesen vom Wandel der Welt erzeugten Umstand zu suchen, versuchen die meisten ihrer Eitelkeit zuliebe erst mal den Status der Management-Magie aufrecht zu erhalten, statt sich mit den Nerds aus der IT herum zu schlagen und sogar Gefahr zu laufen, diese digital getriebene neue Art des strukturell anderen Denkens und Handelns nicht zu verstehen. Das ist in der Kaste der Masters of Universe nun wirklich schlecht zu verdauen. Ergo erklärt man das Business lieber an relationalen Datenbanken, deren Zweck genau das beantwortet, was man eigentlich schon immer wusste: „Geld verdient wird im Einkauf!“. Zugegeben reicht diese Cost-Cutting-Culture nach wie vor in vielen Fällen aus, um den nächsten Top-Management Fünf-Jahres-Vertrag mit goldener Parachute-Klausel zu ergattern.

Aber wer die einschlägigen sowie gut recherchierten Manager Magazine und Handelsblätter aufmerksam zwischen den Zeilen zu lesen vermag, der stellt fest, dass sich so langsam die Erkenntnis des nachhaltig durchdachten Wirtschaftens durchsetzt. Wobei das zugegebenermaßen nicht ganz einfach ist. Aber machbar. Schließlich geht es prinzipiell „nur“ darum, eingefahrene Sichtweisen, strukturelle Entscheidungsfindungen und nachhaltige Strategieentwicklungen auf eine neue, datenbasierte und zunächst verwirrend aussehende Methodologie umzustellen. Wer das allerdings schafft, hat einen echten „last legal unfair advantage“ für sein Unternehmen geschaffen und kann von sich zurecht behaupten, dass er die Management-Magie eines digital transformierten Wertschöpfungsmodells mit neuem Leben erfüllt hat. Reid Hoffman, Sam Altman, Ben Silbermann, Jen-Hsun Huang und Brad Bao lassen grüßen – oder auch die etwas Bekannteren aber nicht minderen Graph-Visionäre Mark Zuckerberg, Elon Musk und Jeff Bezos. Was wiederum nicht heißt, dass die Brick&Mortar-Industrie hier gänzlich den Anschluss verpasst hat. Hier werden durchaus nicht unerhebliche Ressourcen in den technologischen Anschluss investiert und hochbegabte Top-Engineers aus der next level AI-Arena arbeiten an „large-scale industrial computing“ für „network value optimization“. Beeindruckende Beispiele für deren berechtigten Platz am Tisch der unternehmerisch digitalen Zukunft kann man an deren Beiträgen auf den vielzähligen Fachkonferenzen wie dem Ray Summit oder auch dem Corunna Innovate Summit entnehmen. Leider sind es aber die Technologen und Ingenieure, die hier den heiligen Gral zukünftiger MarTech und SalesTech predigen und eben nicht die CMOs, CDOs oder gar CEOs und CFOs. Die lassen zwar mitspielen, spielen aber selbst oft nicht mit, weil das wirklich weitreichende Fähigkeiten erfordern würde, die man eben nicht erlernt hat. Komfortzone gilt auch bei durchgetakteten Kalendern, Meeting-Marathons und vorbereiteten Entscheidungsgrundlagen im hektischen Tagesgeschäft eines Top-Managers der Industrie.             

Der Blick auf Daten – ja, aber…. 

Aufbereitet sollten sie schon sein, die Daten zur Entscheidungsfindung. Denn Daten haben bekanntlich viele verschiedene Zwecke. Zu viele mitunter. In einer Big-Data-Welt sind deshalb relationale Datenbanken nicht der wirklich beste Weg. Dateibasierte Speicher und Techniken wie Googles MapReduce haben zwar die Art und Weise verändert, wie wir mit großen Datenmengen umgehen sowie Datenbanken, Schlüssel und Speicher verwenden. Aber im Kern bleibt es bei der Wahl zwischen unterschiedlichen Datenspeichern für unterschiedliche Anforderungen und Zwecke.

Navigieren in der Realität der vielschichtigen Komplexität.

Die Navigation zwischen verschiedenen Datenknoten und ihrer Quellen wird zum entscheidenden strategischen Hebel in großen Organisationen und Konzernen. Es geht nicht mehr um einzelne, zweckgebundene Informationen zur Entscheidungsfindung, sondern vielmehr um die Notwendigkeit zwischen verschiedenen Zwecken zu navigieren und dabei zum Beispiel „Irregular Patterns“ zu finden, die wiederum neue Opportunitäten entstehen lassen. Hier kommen Diagramme und vor allem dreidimensionale Datenvisualisierungen ins Spiel, denn es gibt viele verschiedene Knoten, Verknüpfungen und Beziehungen, die es im Blick zu haben gilt.

  1. Die System-zu-System-Verknüpfungen von Stammdatenelementen
  2. Die Abstammung der Daten in einem bestimmten Zweckspeicher
  3. Die Beziehungen zwischen und innerhalb von Systemen, die nicht Teil der Zweckablage sind

Wer in solchen Datengebilden navigiert erkennt schnell, dass es eine Vielzahl an Entscheidungsgrundlagen gibt, die es  abzuwägen gilt, statt die vom Referenten vorbereitete Managemententscheidung auf Datenbasis einer relationalen Datenbank. Oder wie sonst kommt es zum weltweiten Erfolg des Ikea Claims „Wohnst du noch oder lebst Du schon?“, der von allen vorangegangenen Marktforschungstests als untauglich erklärt wurde. Nur Ingvar Kamprad erkannte das differenziert positionierende Potenzial dieses Claims weit über die zweckgebunden erhobenen Daten hinweg und traf die richtige, weil weitsichtige Entscheidung für sein Imperium.

Es geht also um Weitsicht, die technologisch gesehen mit der Vernetzung von Daten gleichzusetzen ist. Das können klassische ERP-Systeme schlichtweg nicht leisten, so dass nur ein  Graph Neural Network sowohl einzelne Datensätze innerhalb eines Systems als auch solche zwischen Systemen zuordnen kann. Der Vorteil eines Graphen besteht darin, dass er für diese Aufgabe der Vernetzung ausgelegt ist und darüber hinaus noch viel mehr leisten kann, als es eine Kreuztabelle je könnte. So zeigt ein Graph mittels dreidimensionaler Visualisierung, woher Daten stammen, wie sie verortet sind und welche dynamischen Verknüpfungen und Querverweise zu diesen Daten gehören. Der Zweck der Daten ist dabei erst einmal unerheblich. Es geht vielmehr darum, zu welchen Daten welche Informationen gehören und welche Daten wobei unterstützen können bzw. ob es sich um eine direkte Unterstützung oder eine aus der Abstammung abgeleitete handelt? Eine Datenverarbeitung auf Graph-Basis und deren gekonnte Visualisierung kann alle möglichen Elemente enthalten. Die geschäftlichen und technischen Rollen zum Beispiel, die direkt oder über Daten und deren Werte miteinander verbunden sind. Wenn beispielsweise ein Datenpunkt zu einer Sales Opportunity führt, kann man Graphen nutzen, um von einem Bedarf über das Angebot zum Sale zu navigieren, und wenn sich das die Sales Prozesse ändern, kann man zu allen Geschäften navigieren, die diesen ersten Datenpunkt enthalten. Es geht also um die Anwendung und das Ausprobieren von Prozessen, um vielschichtige Konsequenzen absehen zu können. Eine einfache Prozesskette im Marketing ist der Customer Journey, der mit Journey Planning MarTech schon recht ansehnlich modelliert werden kann. Will man aber den Customer Journey in einen ganzheitlichen und vor allem datenbasierten Überblick bringen, helfen nur noch Graph Neural Networks und deren Visualisierungen. Denn nur wenn man weiß, wie Daten wohin gelangen, kann man die Frage nach der Nutzung und dem Zweck stellen. Welche Daten fließen in welche KPIs ein - welche Berichte verwenden welche Daten - welche Systeme verwenden welche Daten und welche künstliche Intelligenz wird bei der Strukturierung welcher Daten benötigt? Das bedeutet dann zum Beispiel auch, wenn sich ein Vertriebsprozess ändert, die Änderungen an jeden einzelnen nach- oder vorgelagerten Datensatz weitergegeben werden müssen, um die gesamte Kette von Marketing und Vertrieb im ganzheitlichen Überblick und in Echtzeit sehen zu können. 

Die grundlegende Architektur eines vernetzten Datenspeichers bedingt eine verteilte Zusammenarbeit. Dies erfordert unbedingt eine graphische Denkweise für Daten im Gegensatz zu traditionellen relationalen Modellen. Das bedeutet nicht, dass die einzelnen Speicher selbst Graphen sein müssen, sie können alles Mögliche sein, aber die Datenbestände und das konzeptionelle Datenmodell eines transformierten digitalen Geschäftsmodells wird als Graph verwaltet, wie hier vereinfacht dargestellt:

Dies ist viel mehr als das traditionelle relationale Modell, der in einer Datenbank gespeicherten Daten. Es ist die Abbildung dessen, was Daten tatsächlich für Unternehmen bedeuten, und das Modell zeigt seine Umwandlung in einen für das Unternehmen sichtbaren und zählbaren Mehrwert. Der Sinn einer Graph-basierten Datentechnologie besteht darin, dass man immer wieder Beziehungen hinzufügen und eine einheitliche Ansicht sowie geschäftsspezifische Ansichten bereitstellen kann, um Fragen zu beantworten wie "welche Datenprodukte fließen in diesen KPI ein, wer ist Eigentümer dieser Produkte und wie kommen sie im Vergleich zu ihren Planungen voran". Alles typische Fragen des Top-Managements, die aber hier in einer viel tieferen Komplexität beantwortet werden können.

Die Rolle der IT in diesem Geflecht liegt immer weniger in der Administration relationaler Datenbanken und vielmehr in der Sicherstellung von Konnektivität, Rückverfolgbarkeit und Navigierbarkeit innerhalb hochvernetzer large-scale Datensätze. Die Industrialisierung von Graph Technology ermöglicht eine echte und umfassende Sicht auf Datenbestände und deren Vernetzung innerhalb komplexer und globaler Wertschöpfungsketten. Die Nutzung von Graphen zur Bereitstellung und Verwaltung von Daten in einzelnen Geschäftsbereichen wird also das zunächst naheliegende Hauptaugenmerk von IT, Data Scientist, Knowledge Architects und natürlich auch Marketing Engineers sein. Die Verkettung solcher geschäftsbereichsspezifischen Graphen ergibt dann im Ergebnis einen individuellen Enterprise Graph, der in Zukunft über Erfolg und Misserfolg eines Top-Managements entscheiden wird.

Wer die Lücke zwischen Kreation und Werbemittelproduktion im Marketing mit technologiegestützter Automation von wiederkehrenden Arbeitsroutinen schließen will, ist gut aufgehoben bei den Marketing Engineers der markenmut AG. 

​Mit über 1 Mio. Datenpunkten aus über 150 erfolgreichen Automationsprojekten liefern unsere Playbooks nicht nur branchenspezifische Benchmarks, sondern auch wertvolle Markt-Informationen sowie operative Umsetzungshilfen, die Sie sofort einsetzen können:

In unserer Toolbox finden Sie Benchmarks, Cases, Erfahrungsberichte, Referenzen und Whitepaper rund um die Themen KREATION – AUTOMATION – PRODUKTION. 

Erfahren Sie mehr darüber, wie namhafte Marken und Unternehmen aus Industrie, Touristik, Finance, Tobacco, FMCG und Automotive wiederkehrende Routinen im Marketing automatisiert, datenbasierte und kundenzentrierte Strategien implementiert und die Schlagkraft ihres Vertriebs KI-gestützt erhöht haben.


HIER GEHT ES ZUR TOOLBOX

Für ein erstes Gespräch stehen wir gern zur Verfügung. Nicht automatisiert, sondern ganz persönlich. Nur Mut!

 

HIER UNVERBINDLICH TERMIN VEREINBAREN

Mit unseren vier internationalen marTech Scouts screenen wir nicht nur kontinuierlich den Markt relevanter Toolanbieter, sondern fördern auch aktiv die Entwicklung von Marketing Automation in Forschung, Lehre und Ausbildung. Deshalb sind die Marketing Engineers der markenmut AG im strategischen Kreis des Institut für Sales und Marketing Automation (www.ifsma.de) engagiert.