Data, Analytics and AI for Marketing Strategy

Diese Lehr­veranstaltung vermittelt ein vertieftes Verständnis dafür, wie Daten, Analytics und Künstliche Intelligenz zur Entwicklung und Optimierung von Marketing­strategien eingesetzt werden können. Im Mittelpunkt steht der Wandel von intuitions­basierten hin zu datengetriebenen und algorithmengestützten Marketingentscheidungen in datenreichen Umgebungen.

Die Studierenden lernen, Marketingentscheidungs­probleme systematisch zu strukturieren, verschiedene Datenquellen zu integrieren und zu bewerten sowie analytische Modelle auf zentrale strategische Fragestellungen anzuwenden. Dazu gehören unter anderem Kunden­segmentierung, Customer Lifetime Value (CLV), Kunden­akquise und -bindung, Marketing-Mix-Allokation, Preisgestaltung sowie Umsatz­optimierung. Darüber hinaus führt die Veranstaltung in moderne Methoden des Machine Learning und KI-gestützte Entscheidungs­systeme ein, einschließlich Reinforcement Learning und generativer KI im Marketing.

Die Lehr­veranstaltung verbindet theoretische Grundlagen mit quanti­tativen Methoden und praxisnahen Anwendungen. Anhand von Fall­studien, Tutorials und praktischen Übungen entwickeln die Studierenden die Fähigkeit, analytische Er­kenntnisse in fundierte Marketingentscheidungen zu überführen. Besonderer Wert wird dabei auf kausale Inferenz, ökonomische Entscheidungs­kriterien sowie die strategischen Implikationen KI-gestützter Marketingansätze gelegt.

Nach erfolgreichem Abschluss der Lehr­veranstaltung sind die Studierenden:

• in der Lage, Marketingentscheidungs­probleme in datenreichen Umgebungen zu strukturieren und zu formalisieren sowie strategische Ziele, Restriktionen und Leistungs­kennzahlen zu integrieren.
• in der Lage, die Rolle von Daten, Analytics und Künstlicher Intelligenz für Marketingentscheidungen zu verstehen und zwischen prädiktiven und kausalen Analyseansätzen zu unter­scheiden.
• in der Lage, zentrale analytische Modelle und Frameworks (z. B. Kunden­segmentierung, Customer Lifetime Value (CLV), Marketing-Mix-Modelle sowie Preis- und Nachfrage­modelle) anzuwenden, um optimale Marketing­strategien abzuleiten.
• in der Lage, Marketingmaßnahmen anhand ökonomischer Kriterien wie Gewinn, Return on Investment (ROI) und Customer Lifetime Value (CLV) zu bewerten.
• in der Lage, datengetriebene Kunden- und Markt­strategien zu entwickeln, einschließlich Targeting, Kunden­akquise, Kunden­bindung, Cross-Selling und Preisentscheidungen.
• in der Lage, die Potenziale und Grenzen von Machine Learning und Künstlicher Intelligenz im Marketing zu verstehen, insbesondere im Hinblick auf Modell­bewertung, Interpretierbarkeit und Governance.
• in der Lage, analytische Ergebnisse in umsetzbare Handlungs­empfehlungen für das Management zu überführen und diese überzeugend zu kommunizieren.
• in der Lage, analytische Werkzeuge und Methoden des modernen Marketing Analytics sowie der KI-gestützten Entscheidungs­findung praxis­orientiert anzuwenden.

Die Vorlesungen zum Thema „Data, Analytics and AI for Marketing Strategy“ decken folgende Themen ab:

Introduction in Marketing and Marketing Analytics

• Difference between Normative/Prescriptive and Descriptive/Predictive Analytics

Consumer and Customer Analytics: Analyzing and Predicting Individual-level Preferences and Brand Choice

• Binary Brand and Product Choice
• Multinomial Brand and Product Choice
• Markov Models
• Analyzing and Modeling Purchase Quantity and Timing

Market Analytics: Analyzing and Predicting Aggregated Demand and Competition

• Product Sales
• Market Basket Analysis
• Forecasting New Product Sales
  • S-Curves (New Product Sales Over Time)
  • Neural Network
  • Considering Trends and Seasonality
• Brand Sales and Market Share
• Market and Customer Segmentation
  • RFM Models
  • Classification Trees
  • Latent Class Analysis
  • Collaborative Filtering

Marketing Management: Increasing Efficiency of Marketing and Competitive Advantage through Analytics

• Customer Management
  • Customer Relations­hip Management (CRM) Analytics
  • Customer Journey Analytics
• Brand Management
  • Measuring Brand Perception Using Big Data
  • Brand Audit through Social Listening

Marking Strategy: Increasing Efficiency of Marketing Instruments

• Pricing Analytics
  • Dynamic Pricing
  • Multi-Channel Pricing
• Advertising Analytics
  • Measuring Advertising Effectiveness
  • Data-Driven Media Selection
  • Attribution Models
• Attribution Modeling in Digital Marketing
  • Last & first touch and click
  • Holdout Testing