Small Data gibt oft mehr her als Big Data Die Vorteile kleiner, gezielt gesammelter Datenmengen
Je mehr Daten, desto besser? Nicht unbedingt. Big Data liefert zwar wertvolle Einsichten, doch diese erzählen selten die ganze Geschichte. Wer seine Kundinnen und Kunden wirklich verstehen will, muss auch die kleinen, qualitativen Signale beachten – die menschlichen Motive hinter dem Verhalten. Das gelingt mit Small Data.
Daten sind zur wichtigen Ressource im Marketing geworden. Doch immer mehr Unternehmen erkennen: Es braucht nicht zwingend riesige Datenmengen für erfolgreiche Werbung – zumal auf Vorrat gespeicherte Daten bei der Kundschaft schlecht ankommen. Entscheidend ist, welche Daten die Unternehmen tatsächlich benötigen und wofür sie sie nutzen. Hier setzt Small Data an.
Was ist Small Data?
Small Data steht für ein bewusstes, gezieltes Sammeln von Informationen. Bei diesem qualitativen Analyseansatz geht es darum, sich auf jene Daten zu beschränken, die für das Verständnis der Zielgruppe notwendig sind und die sich mit einfachen Mitteln erfassen, auswerten und interpretieren lassen.
Im Gegensatz zu Big Data zählt nicht die Masse der Daten, sondern die Relevanz: Small Data konzentriert sich auf spezifische, kontextbezogene Informationen, die direkt helfen, ein Problem zu lösen oder ein Kundenbedürfnis besser zu verstehen.
Small Data liefert tiefgründige Erkenntnisse
Die technischen Möglichkeiten von Big Data faszinieren – und verleiten dazu, den Blick auf Zahlen statt auf Menschen zu richten. Der Markenexperte und Bestsellerautor Martin Lindstrom zeigt in seinem Buch «Small Data. Was Kunden wirklich wollen – wie man aus winzigen Hinweisen geniale Schlüsse zieht», dass genau das ein Fehler sein kann. Seine zentrale Erkenntnis: Die grossen Antworten liegen oft in den kleinen Details des Alltags – in den Ritualen, Gewohnheiten und Gesten der Zielgruppe.
Diese scheinbar unbedeutenden Hinweise offenbaren tieferliegende Bedürfnisse, Motive und Verhaltensmuster, die sich in grossen Datensätzen kaum zeigen. Deshalb eignet sich Small Data besonders, um Produkte, Prozesse und Kundenerlebnisse zu verbessern.
Für Big Data werden grosse Datenmengen aus verschiedenen Quellen genutzt. Hochentwickelte KI-Modelle und Machine-Learning-Algorithmen bieten heute neue Möglichkeiten, diese strukturierten und unstrukturierten Daten zu verarbeiten und zu verknüpfen. Sie analysieren in Echtzeit riesige Datenströme, identifizieren Muster und lernen kontinuierlich dazu. Dadurch lassen sich Trends und Korrelationen frühzeitig erkennen und Entscheidungen fundierter treffen. KI-Systeme verbinden quantitative Daten mit Kontextinformationen – etwa aus Sprache, Bildern oder Texten – und liefern damit ein immer genaueres Abbild von Märkten, Zielgruppen und deren Verhalten. Doch die Frage bleibt: Wie präzis bildet Big Data die realen Bedürfnisse der Menschen ab? Diese Unsicherheiten lassen sich verringern, indem die unterschiedlichen Ansätze von Big Data und Small Data kombiniert werden.
Übergeordnete Motive erkennen
Martin Lindstrom empfiehlt in seinem Buch, Hypothesen über die wahren Bedürfnisse der Menschen zu bilden und diese durch Beobachtungen und unverbindliche Gespräche mit Nutzerinnen und Nutzern zu erhärten.
Aus den gesammelten Eindrücken werden dazu Muster herausgearbeitet und Zusammenhänge hergestellt. Wiederholen sich bestimmte Verhaltensweisen oder Aussagen, deuten sie auf übergeordnete Motive hin – etwa auf den Wunsch nach Sicherheit, Anerkennung oder Kontrolle. Diese Erkenntnisse helfen dabei, Bedürfnisse gezielter zu erfüllen und Kundenerlebnisse zu verbessern.
Genau wie Small-Data-Profis versuchen auch Design Thinker, die Bedürfnisse der Menschen durch Beobachtungen zu erkennen. Der Ansatz Design Thinking ist «human centered», also am Menschen orientiert, und wird von Designern seit jeher eingesetzt, um neue Produkte zu entwickeln.
Design Thinking lässt sich aber auch im Marketing einsetzen. Dabei gilt es, sich umfassend und vorurteilsfrei mit der Zielgruppe auseinanderzusetzen und zu versuchen, die Bedürfnisse von Konsumierenden in realen Situationen vor Ort zu erfassen und zu verstehen. Durch genaues Beobachten lassen sich sogar Bedürfnisse aufspüren, die der Kundschaft gar nicht bewusst sind und die sie dadurch nicht artikulieren kann. Design Thinker unterhalten sich aber auch mit Menschen ausserhalb der Zielgruppe, führen Experteninterviews und studieren analoge Problemsituationen und deren Lösungen.
Beobachten sagt oft mehr als Befragen
Ein wichtiges Instrument des Small-Data-Ansatzes sind also Beobachtungen. Sie liefern oft aussagekräftigere Erkenntnisse als andere qualitative Methoden wie Kundeninterviews. Denn persönliche Antworten sind rational, von sozialen Erwartungen geprägt und widerspiegeln daher selten die echten Beweggründe.
Das zeigt sich etwa beim Kaufverhalten. Konsumierende entscheiden meist intuitiv und versuchen dann, ihre Entscheidungen rational zu rechtfertigen. Dabei wissen sie oft selbst nicht genau, warum sie sich für ein Produkt entschieden haben.
Um solche unbewussten Reaktionen sichtbar zu machen, gibt es verschiedene Methoden der Beobachtung. Drei Beispiele:
- Eye Tracking: Es verfolgt, wohin Menschen auf einer Website, auf einem adressierten Mailing oder in einem stationären Laden zuerst und am längsten blicken. Damit zeigt es, welche Elemente tatsächlich Aufmerksamkeit erzeugen.
- Facial Coding: Dieses Verfahren analysiert mithilfe von Kameras, spezieller Software und teilweise auch KI feine Gesichtsbewegungen. So lassen sich unverfälschte nonverbale Reaktionen wie Freude, Überraschung oder Ablehnung erfassen.
- Verhaltensanalyse: Bei dieser Methode werden reale Handlungen und Reaktionen von Konsumierenden in einem bestimmten Kontext ausgewertet – wie sie Produkte im Regal wählen, wie sie sich in einem Onlineshop bewegen oder wie sie auf bestimmte Reize reagieren. Technische Hilfsmittel für die Verhaltensanalyse sind zum Beispiel Kameras, biometrische Sensoren und Tracking-Software.
Drei Anwendungsfälle für Small Data
Small Data liefert auch wertvolle Impulse, um crossmediale Kampagnen über alle physischen und digitalen Kanäle hinweg wirkungsvoller zu gestalten. Drei typische Anwendungsmöglichkeiten zeigen, wie das gelingt:
- Botschaften präzisieren: Small Data erkennt, welche Motive hinter den Handlungen der Zielgruppe stecken. Das hilft dabei, relevante Botschaften zu formulieren und kanalübergreifend zu harmonisieren.
- Touchpoints verzahnen: Beobachtungen und andere qualitative Methoden liefern Hinweise darauf, wie sich die Zielgruppe tatsächlich auf den verschiedenen physischen und digitalen Kanälen bewegt. So lässt sich erkennen, welche Rolle die einzelnen Kanäle im Mediamix spielen – und wie sie sich optimal verzahnen lassen.
- Kundenerlebnisse verbessern: Rückmeldungen bei Kundenkontakten und auf Social Media sind wertvolle Informationen für Small Data. Sie zeigen, wie die crossmediale Kommunikation erlebt wird und verbessert werden kann.
Martin Lindstrom: Small Data. Was Kunden wirklich wollen – wie man aus winzigen Hinweisen geniale Schlüsse zieht. Plassen Buchverlage.
