Daten nutzen, um Entscheidungen zu treffen und Erkenntnisse zu gewinnen
Die eine Seite, auf die jede Formel im Intelligence Blog verlinkt: Mittelwert, Streuung, Wahrscheinlichkeit, Tests, Regression, Zinseszins, Kundenwert und mehr, jede Idee von null erklärt, mit einem durchgerechneten Beispiel aus einem erfundenen Geschenkkorb Shop.
Jedes SaaS trifft im ersten Monat eine Handvoll Entscheidungen mit denen es ein Jahrzehnt leben wird, und die meisten Gründer treffen sie ohne es zu merken. Das hier ist ein Gang in klarer Sprache durch die die in einem Rails Produkt zählen: wie du die Daten eines Kunden von denen eines anderen trennst, wo der Tenant im Code lebt, wer ein User ist wenn er zu zwei Firmen gehört, was ein Tenant ist im Unterschied zu dem der die Rechnung zahlt, und warum das Isolationsmodell das du wählst auch deine DSGVO Strategie ist. So geschrieben dass ein Gründer die geschäftliche Konsequenz jeder Wahl nachvollziehen kann, mit den ehrlichen Kosten einer späteren Meinungsänderung.
Jeder Shopbetreiber will wissen was die Konkurrenz verlangt, und jeder stellt zuerst dieselbe Frage: dürfen wir das überhaupt? Eine Landkarte in klarer Sprache zu den Regeln die in der EU, in Deutschland und in Österreich tatsächlich gelten: warum Preise Fakten sind und Fakten niemandem gehören, wo das Datenbankrecht reicht und wo nicht, was die Ryanair Urteile wirklich entschieden haben, wann Crawling zu unlauterem Wettbewerb wird, wo die DSGVO anfängt, die kartellrechtliche Falle vor der niemand warnt, und wie ein Crawler aussehen muss damit ich bereit bin ihn zu betreiben.
Wie viele Conversions, Besucher, Wochen und Pfund eine Marketingentscheidung wirklich braucht, pro Plattform, mit Formeln, Tabellen und Stoppregeln.
Ein Loyalitätsprojekt, vier Methoden: Verhaltenssegmente, Elastizität pro Segment, eine Loyalitätsschleife und ein Erlebnisfragebogen, geplant Monat für Monat.
Wie Strukturgleichungsmodelle zeigen, welche Gästeerlebnisse Loyalität wirklich treiben: Pfadmodell, Gesamteffekte und eine Investitionsentscheidung.
Wie du erkennst, ob ein Treueprogramm Verhalten verändert oder nur dafür bezahlt: die drei R, Earn und Burn Design, Breakage und die echte Verbindlichkeit.
Wie Media Mix Modelling mit Adstock und Sättigungskurven den marginalen ROI pro Kanal findet und zeigt, wohin das nächste Budget gehört, mit Geschenkshop Beispiel.
Ein technischer Deep Dive in Server Side Tracking für Marketer und Entwickler die es satt haben zuzusehen wie ihre Conversion-Daten degradieren. Startet mit einer zugänglichen Erklärung warum Browser-basiertes Tracking versagt, wird dann richtig technisch mit Architektur, GTM Server Side Container Konfiguration, Meta Conversions API Implementierung, Deduplication Logik, Consent Mode Integration, First Party Data Enrichment, Infrastruktur-Hosting-Optionen, Debugging-Techniken und ehrlicher Kostenanalyse.
Ein tiefgehender technischer Guide zum Aufbau von dynamischen Pricing-Systemen die Wettbewerber-Intelligence, margenbasierte Werbebudget-Allokation und Profit-Maximierungs-Algorithmen integrieren. Behandelt die Ökonomie der Preis-Diskriminierung, warum statisches Pricing Geld überall liegen lässt, wie man Wettbewerber crawlt und in Echtzeit reagiert, automatische Umverteilung von Ad Spend basierend auf Produktmargen, und komplette Ruby on Rails Solidus Implementierung mit funktionierendem Code. Inklusive mathematischer Formeln und System-Architektur-Diagrammen.
Ein umfassender Leitfaden zu Marketing in der Post-Cookie Ära. Behandelt warum Third-Party Cookies effektiv tot sind auch ohne dass Google sie gekillt hat, die vier Säulen von Cookieless Marketing (First-Party Data, Zero-Party Data, Contextual Advertising, Privacy-Preserving Measurement), technische Implementierung inklusive Customer Data Platforms, Server-Side Tracking und Consent Management, praktische Taktiken zur First-Party Data Sammlung, und einen detaillierten Implementierungsfahrplan.
Ein tiefgehend praktischer Leitfaden dazu was Data Engineers, Data Scientists und Data Analysts tatsächlich tun um SaaS und eCommerce Unternehmen wachsen zu lassen. Jeder Anwendungsfall enthält warum es wichtig ist, genau wie es gemacht wird, den messbaren Impact mit echten Umsatz- und Gewinnbeispielen, und eine Wichtigkeitsbewertung von 1 bis 10. Behandelt alles von einheitlichen Kundenansichten und echten Customer Lifetime Value Berechnungen bis zu Churn-Vorhersage, Preisoptimierung, Inkrementalitätstests und Empfehlungsmaschinen.
Ein umfassender Leitfaden zum Verständnis der Unterschiede zwischen Data Engineers, Data Scientists und Data Analysts, mit einem durchgehenden Beispiel eines Kaffee-Abo Unternehmens um genau zu illustrieren was jede Rolle macht und warum. Behandelt den Data Engineer als Klempner der zuverlässige Dateninfrastruktur baut, den Data Analyst als Übersetzer der erklärt was passiert, und den Data Scientist als Prognostiker der vorhersagt was passieren wird und Experimente designt. Erforscht warum diese Rollen für Growth Hacking, Softwareentwicklung und Digital Marketing wichtig sind.
Wie du eine ehrliche Zahl an eine weitere Mail, Einladung zum Webinar oder Retargeting Anzeige schreibst: Reaktionskurven, Grenzwert, die vollen Kosten eines Kontakts und Holdout Gruppen, durchgerechnet an einem erfundenen SaaS aus Leipzig.
k means, Latent Class Analyse und RFM im Vergleich an einem erfundenen Shop für Geschenkkörbe: wie du die Zahl der Segmente wählst, sie beschreibst und benennst, ihre Stabilität prüfst und sie einsetzt.
A/B Tests, A/B/n Tests, Bandits, multivariate Tests, Holdouts, geografische Tests, Zielgruppensplits und zeitbasierte Tests: was jede Methode beantwortet, was sie braucht und wo sie bricht.
Was ein Segment wirklich ist, welche fünf Prüfungen es bestehen muss, A priori gegen Post hoc Aufteilungen, und warum ein Abwanderungsmodell pro Segment ein Modell für alle schlägt.
Wie PCA und Faktorenanalyse aus 24 Umfragefragen oder 18 Verhaltensvariablen wenige Dimensionen machen, die du benennen, bewerten und in Entscheidungen übersetzen kannst, durchgerechnet an einer Hotelumfrage und einem Shop für Geschenkkörbe.
Wird das Werbebudget aus dem Umsatz gesetzt, verursachen Umsatz und Ausgaben sich gegenseitig. Warum eine einzelne Regression den Werbeeffekt dann überschätzt und wie die zweistufige Methode der kleinsten Quadrate das korrigiert.
Wie du die frühe Handlung findest, die Bindung vorhersagt, den Weg dorthin freiräumst und Gewohnheiten aufbaust, die halten: Kohortenanalyse, das Hook Modell, was die 66 Tage wirklich bedeuten, Habit Stacking, Checklisten, Vorsprünge, der Zielgradient und was § 7 UWG für Onboarding Mails heißt.
Wie du wöchentliche Nachfrage mit saisonalen Dummies prognostizierst, Autokorrelation behandelst, Modelle auf einem Holdout beurteilst und Lager und Personal gegen ein 80 % Fehlerband planst.
Hick, Fitts, Miller, die Peak End Regel, der serielle Positionseffekt, kognitive Last, Reibung und Framing: was jede Forschungsarbeit wirklich gefunden hat, was sie nicht beweist und wie du sie für die Prüfung einer Seite nutzt, mit Rechenbeispielen.
Die zwei Systeme des Denkens, die Verzerrungen hinter einem Kauf, Voreinstellungen, Reibung, hyperbolisches Diskontieren, mentale Buchführung, zu viel Auswahl und Status quo Verzerrung: was die ursprünglichen Studien fanden, wie gut sie gehalten haben, wo das deutsche Recht die Grenze zieht und wie du jeden Effekt misst.
Die Mathematik und Psychologie von Empfehlungsprogrammen: der virale Koeffizient, was ein Wert unter eins trotzdem wert ist, warum die Zykluszeit bis eins nur das Timing bestimmt, und die deutschen Regeln, an die sich jedes Programm halten muss.
Warum Menschen es anderen nachmachen, wenn sie unsicher sind, die sechs Arten von Social Proof, was die Forschung über Bewertungen sagt und was das UWG zu gefälschten Bewertungen regelt, mit durchgerechneten Beispielen und Code, um es an deinen eigenen Seiten zu testen.
Knappheit, Dringlichkeit, die Angst, etwas zu verpassen, der Besitztumseffekt und der IKEA Effekt: was die Forschung gefunden hat, wann jeder Effekt hilft, wann er Vertrauen zerstört, was UWG und PAngV verbieten und wie du über den Klick hinaus misst.
Goal Gradient, Fresh Start, Implementation Intentions, Voreinstellungen, Statusstufen, sozialer Vergleich und Risikoumkehr: die ursprünglichen Studien, wie gut jede gehalten hat, durchgerechnete Beispiele und die Taktiken, die UWG, DSGVO und BGB verbieten.
Zehn Stücke Mathematik, die aus Wachstumsdaten Entscheidungen machen: Customer Lifetime Value gegen Akquisekosten, Amortisation, Kohorten, Überlebenskurven, bayessche Tests, Bandits, Attribution und Mix Modelle, Potenzgesetze, Preiselastizität und Bindung, jedes mit einem durchgerechneten Beispiel.
Anchoring, Decoys, Schwellenpreise, Tarifstufen, Referenzpreise, aufgeteilte Preise und Verlustaversion: was jede ursprüngliche Studie gefunden hat, wie gut sie gehalten hat, wie du sie in deinem Shop testest und welche Taktiken UWG und PAngV verbieten.
Wie die Panelregression einen guten Laden von einem guten Quartal trennt, warum zusammengeworfene Daten über Marketing lügen und wie Fixed Effects dir einen ehrlichen Umsatz auf vergleichbarer Fläche liefern.
Wie die Survival Analyse dir sagt, wann Kunden gehen und nicht nur ob, und wie aus Kaplan Meier Kurven und einem Cox Modell ein Customer Lifetime Value wird, den du vertreten kannst.
Sieben von 10 Warenkörben werden verlassen, und in den USA kommt ein Sechstel des Umsatzes zurück. Zwei Vorhersagesysteme, ein Scorer für das Abbruchrisiko und ein Prädiktor für das Retourenrisiko, gebaut in Python und an Solidus angebunden, mit einer sauber durchgerechneten Wirtschaftlichkeit.
Wie dynamische Preisgestaltung für einen Shop wirklich funktioniert: die Elastizität aus deinen eigenen Bestellungen, die Aufschlagsregel, ein Nachfragemodell, die Leitplanken und die deutschen Regeln aus PAngV, UWG und Kartellrecht, mit Code für Solidus und Rails.
SARIMA, Prophet und Gradient Boosted Trees im Vergleich für den Wochenabsatz eines Shops: wann jedes Modell seinen Platz verdient, wie du sie ehrlich testest und wie aus einer Prognose ein Meldebestand in Rails und Solidus wird.
Wie die logistische Regression Kunden ordnet, ab wann sich der nächste Katalog nicht mehr bezahlt macht und wie dasselbe Modell aus Warenkörben Empfehlungen für den Zusatzverkauf macht.
Bestellungen, Tickets, Besuche: Ist das Ergebnis ein Zählwert, gerät die gewöhnliche Regression ins Schlingern. Poisson Regression, Inzidenzratenverhältnisse, Exposition und Überdispersion, durchgerechnet an einem Hamburger Shop für Geschenkkörbe.
Die Zeilen einer Kundin zu löschen ist leicht. Ihren Einfluss auf ein trainiertes Modell nicht. Was Artikel 17 DSGVO sagt, was EDSA und deutsche Aufsichtsbehörden zu Modellen gesagt haben, was die Forschung zum Machine Unlearning kann und welche Rails Architektur dich aus dem Problem heraushält.
Die meisten KI Projekte bleiben an unordentlichen Daten, alten Systemen und einem fehlenden ersten Schritt hängen. Die richtige Reihenfolge, drei Muster, um KI in einen Stack aus Rails und Solidus einzubauen, ohne ihn zu ersetzen, was MCP für Altsysteme ändert, die Grundlagen des Datenschutzes und fünf realistische Einstiegspunkte.
Warum ein Newsletter wochenlang Bestellungen bringt, wie das Almon Modell mit polynomialen Verzögerungen diese Kurve misst und wie ein erfundener Hamburger Shop für Geschenkkörbe damit einen Versandrhythmus von drei Wochen wählen könnte.
Wie du Produktempfehlungen in einen Solidus Shop bringst: gemeinsames Auftreten, kollaboratives Filtern mit ALS, inhaltsbasiertes Filtern mit TF IDF und ein Hybrid aus beidem, mit lauffähigem Python und Rails Code, einem A/B Test und den deutschen Regeln zur Einwilligung, am Beispiel eines erfundenen Leipziger Teehändlers.
Was Test Driven und Behaviour Driven Development sind, welches Rails Werkzeug welche Aufgabe übernimmt, was vor jedem Release getestet sein muss und wie du KI für Tests nutzt, ohne ihr das Urteil zu überlassen.
Ein Jahr Verkäufe eines Geschenkkorbs, eine Log Log Regression und eine Elastizität von minus 1,6: wie du Nachfrage mit OLS modellierst, die Ausgabe liest und den Preis findest, der sich lohnt.
Ein Befund sagt, was passiert ist. Ein Insight nennt die Entscheidung, die er ändert, gibt ihr einen Preis und benennt das Risiko. Wie du beides unterscheidest, bewertest und einen Insight schreibst.
Vom naiven Vergleichsmaßstab über exponentielle Glättung, SARIMA, Prophet und Regression bis zum strukturierten Urteil: welche Prognosemethode zu welchem Produkt passt, wie du eine Spanne statt einer Zahl angibst und wie du die Prognose ehrlich prüfst, mit Rechenbeispielen und Python.
KI und Machine Learning werden als Synonyme benutzt, sind aber keine. Was beides ist, wie ein Modell tatsächlich lernt, was jedes nicht kann, der Werkzeugkasten in Python, und warum das Etikett für deine Projekte und unter der KI Verordnung der EU zählt.
Was passiert, wenn konkurrierende Shops denselben cleveren Algorithmus gegeneinander laufen lassen? Bieterkriege, das Nash Gleichgewicht, warum lernende Agenten einem beweglichen Ziel hinterherlaufen, und wo Optimierung zur algorithmischen Absprache wird.
Wie Lookalike Audiences heute bei Meta und Google funktionieren: Seeds, Größen, Einrichtung, der Wechsel von 2026 zu Lookalikes als Vorschlag, was unter der Haube passiert, und die deutschen Regeln für Pixel und Kundenlisten.
Warum Strategie bei der Frage anfangen muss, wie Menschen tatsächlich entscheiden, warum sich das, was Kunden sagen, und das, was sie tun, widerspricht, und wie aus der Überzeugung eines Gründers eine Frage wird, die deine Daten beantworten können.
Ein niedriger Stundensatz ist eine Zeile in einer längeren Rechnung. Wie du Stunden, Nacharbeit, deine eigene Zeit und das Risiko bepreist, mit einem Rechenbeispiel und der Geschichte eines Kunden, der nur nach dem Satz entschieden hat.
KI aus der Cloud, selbst gehostete Modelle oder eine Mischung aus beidem: was jede Variante kann, was schiefgeht, wenn Beschäftigte das Falsche hineinkopieren, was DSGVO und EU KI Verordnung wirklich verlangen, und wie sensible Arbeit das Haus nie verlässt.
Mittelwert, Median, Standardabweichung, Konfidenzintervalle, p Werte und Korrelation, durchgerechnet an den Bestellungen eines erfundenen Shops für Geschenkkörbe, damit du Marketingzahlen ehrlich lesen kannst.
Was ein einheitlicher Marketing Stack für einen kleinen Shop wirklich ist: ein Datensatz für Kunden und Events, die Einwilligung in jeder Zeile, und was jedes Teil kostet, gebaut oder gekauft.
Warum ich Wachstumsarbeit für Contentseiten gegen Shops und Abo Apps getauscht habe, und die vier Dinge, die sich ändern, wenn Wachstum von Taktiken zu Messung wechselt: Marge, Inkrementalität, Kohorten und disziplinierte Experimente.
Wie deine Mailingliste deine Anzeigen formt und deine Anzeigen deine Mails: Kundenlisten bei Google und Meta, kürzliche Käufer ausschließen, Abgleichraten, der Takt der Aktualisierung und das deutsche Recht dahinter.
Performance Max und Advantage+ bei Meta haben dir die alten Hebel genommen, aber nicht die Kontrolle. Was sie noch lenkt, was die Berichte inzwischen zeigen und wie eine Holdout Gruppe dir sagt, was die Kampagne wirklich bringt, durchgerechnet an einer erfundenen Kaffeerösterei in Leipzig.
Was ein p Wert wirklich aussagt, wie breit die Fehlermarge einer Conversion Rate ist und warum ein signifikanter Lift trotzdem Geld kosten kann, durchgerechnet an einer erfundenen Kerzenmanufaktur in Hamburg.
Deine Konkurrenz rechnet auch. Bertrand, Cournot, Stackelberg, das Gefangenendilemma bei Markengeboten, wiederholte Spiele, Fokalpunkte und Signale, jedes Modell an erfundenen deutschen Firmen durchgerechnet, jeder Schritt gezeigt.
Wie du ein Werbebudget aufteilst und einen Preis setzt, wenn du nicht weißt, wie der Monat läuft: Szenarien, abnehmender Ertrag, der Schattenpreis des Budgets, der Fehler der Durchschnitte und die Aufschlagsregel, Schritt für Schritt durchgerechnet an einem erfundenen Kerzenshop in Hamburg.
Warum der durchschnittliche Bestellwert die Form deiner Daten versteckt, und wie Median, Streuung, Quartile, ein ehrlicher Umgang mit Ausreißern und ein Blick auf Segmente dir Zahlen geben, auf die du wirklich bauen kannst.
Wie du die Bestellungen eines Solidus Shops mit dem Ruby Gem jede Nacht nach BigQuery kopierst, personenbezogene Daten draußen lässt, jede Bestellung mit ihrer Kampagne kennzeichnest und Umsatz und Kundenwert pro Kampagne misst, ohne dich selbst zu täuschen.
Wie dein Shop deinen Anzeigen und Mails Bescheid gibt, sobald sich etwas ändert: signierte Webhooks, eine Warteschlange, Aktionen, die sich gefahrlos wiederholen lassen, und ein Zeitplan für alles, was dir kein Webhook je meldet.
Viele Seiten aus einem Template zu bauen ist in Ordnung. Dieselbe Seite 400 Mal mit einem anderen Ort in der Überschrift zu bauen ist Spam. Wie du das eine vom anderen unterscheidest, und wie du die erste Sorte baust.
Wie du die Menschen findest, die noch überlegen, aus ihrem Verhalten auf deiner Website eine ehrliche Kaufwahrscheinlichkeit machst und die Nachricht nur dort schickst, wo sie etwas ändert, im Rahmen von DSGVO und TDDDG.
Dave McClures fünf Pirate Metrics machen aus der vagen Frage nach Wachstum fünf Zählungen. Wie du jede definierst, die Raten dazwischen liest und die Stufe verbesserst, die am meisten wert ist.
Chrome behält seine Third Party Cookies, doch die meisten deiner Besucher sind längst nicht mehr erreichbar. Wie du aus der organischen Suche rechtmäßig First Party Daten machst und Inhalte daran misst, was ein Klick wert ist.
Jeder UTM Parameter, den GA4 kennt, die Kanalregeln, die deine Wörter in Eimer sortieren, ein Vokabular, was kaputtgeht, und wie die Labels die Attribution speisen. Mit einem erfundenen Kölner Kerzenshop und drei Kampagnen, in Euro.
Dein Preis ist nur die halbe Entscheidung, denn deine Konkurrenz wählt auch. Auszahlungsmatrix, dominante Strategie, Nash Gleichgewicht, wiederholte Spiele, glaubwürdige Drohungen und Reaktionsfunktionen, durchgerechnet für zwei erfundene Hamburger Röstereien.
Was der Tracking Code eines deutschen Shops vor und nach dem Klick auf Akzeptieren darf, was Googles Consent Mode bei einem Nein wirklich sendet, und wie du die Verkäufe schätzt, die deine Werbeplattform nicht sieht.
Wie du zwischen Optionen wählst, wenn du nicht wissen kannst, wie sie ausgehen: die Ergebnistabelle, der Erwartungswert, der Nutzen für den Fall, dass ein schlechtes Jahr dich versenken könnte, Bedauern, Entscheidungsbäume und was ein Pilot wert ist, bevor du dafür zahlst.
Wie ein Data Warehouse wie BigQuery oder Snowflake die Daten aus Shop, Analytics, Werbung und E Mail über den Kunden verknüpft, Segmente zu Abfragen macht, die jeden Morgen laufen, und sie zurück an die Tools schickt, die handeln.
Data Science liefert bessere Entscheidungen, nachgemessen, keine Dashboards. Der Kreislauf in fünf Schritten, ein Preisschild für eine bessere Entscheidung und drei kleine Modelle bei einer erfundenen Gartencenterkette rund um Hamburg.
Dieselben Kampagnen in zwei Sprachen über vier Länder, und drei Systeme, die die Bestellungen jeweils anders zählen. Wie ich Land und Sprache trenne, alles einem Markt zuordne, pro Markt um die Einwilligung korrigiere und die Plattformen gegen die Bestellungen abgleiche.
Dasselbe Produkt wie alle anderen zu verkaufen und etwas zu verkaufen, das nur du machst, sind zwei Spiele mit eigenen Regeln. Wie sich die beiden Märkte unterscheiden, welche vier Zahlen dir zeigen, wo jede Produktlinie steht, und was jeder Markt belohnt, durchgerechnet für zwei erfundene Hamburger Läden.
Warum die Kunden, die deine Kampagne bekommen haben, immer besser aussehen, und wie potenzielle Ergebnisse, Propensity Score Matching und Instrumentvariablen den Effekt finden, den die Kampagne wirklich verursacht hat.
Senkt ein größerer Konkurrent den Preis eines Produkts, das ihr beide verkauft, fühlt sich Mitziehen sicher an und kostet meistens Geld. Die Ökonomie des Preiskampfs, Elastizität, Deckungsbeitrag, Lieferanten, Wechselkosten und Pakete, durchgerechnet für einen erfundenen Reifenhändler in Leipzig.
Wie du Marge, Lead Qualität, Lagerbestand und Einwilligungsstatus in Google Smart Bidding und Metas Conversions API einspeist, mit den Formeln, der wöchentlichen Schleife und einem durchgerechneten Beispiel eines erfundenen Kölner Verpackungslieferanten.
