BUSINESS INTELLIGENCE
Anbieter von Big-Data-Lösungen machen große Versprechen. Fügen Sie einfach Ihre Daten in unsere Lösung ein, heißt es. Wir liefern einen Strom von Erkenntnissen, die dramatische Verbesserungen der Marketingproduktivität, der Qualität des Kundenerlebnisses und der Effizienz des Servicebetriebs ermöglichen. Es wird für Sie und Ihr Team ein Kinderspiel sein; Unsere Technologie und Ihre Datenwissenschaftler übernehmen die ganze schwere Arbeit.
Haben Sie das Gefühl, diesen Film schon einmal gesehen zu haben? Wenn Sie von der anfänglichen Euphorie der Customer-Relationship-Management-Revolution (CRM) erfasst wurden, dann war das der Fall. Ab den frühen 1990er Jahren machten sich viele Unternehmen auf den Hype und die Technologie ein, nur um am Ende mit unbrauchbaren Datenbanken, rebellischen Vertriebsteams und erschöpften Kapitalbudgets zu rechnen.
Seitdem ist die CRM-Branche ausgereifter geworden und es besteht kein Zweifel daran, dass CRM-Lösungen mittlerweile für viele Unternehmen einen echten Mehrwert bieten können. Als Beweis dafür war CRM das sechstbeliebteste Geschäftstool in der Management Tools & Trends-Umfrage 2015 von FORFIRM. Laut einer Studie von Gartner beliefen sich die weltweiten CRM-Ausgaben im Jahr 2014 auf insgesamt 20,4 Milliarden US-Dollar, gegenüber 18 Milliarden US-Dollar im Vorjahr.
Dennoch bleiben die CRM-Fehlerraten hoch. Ein Bericht von C5 Insight aus dem Jahr 2014 ergab, dass mehr als 30 % aller CRM-Implementierungen scheitern und die zweite und dritte CRM-Implementierung bei denselben Unternehmen nur geringfügig niedrigere Ausfallraten aufwies. Und das ist 20 Jahre nach Beginn der „Revolution“!
Wir gehen davon aus, dass Big Data einen ähnlichen Weg einschlägt und große Versprechungen hinsichtlich der Kundenauswirkungen und der Wertschöpfung macht, die auf großen Investitionen in Technologie und Fachwissen basieren. In einem aktuellen Bericht prognostizierte Gartner, dass „bis 2017 60 % der Big-Data-Projekte nicht über die Pilotphase und Experimente hinausgehen und aufgegeben werden.“ Warum wiederholt sich die Geschichte? Es liegt nicht an mangelndem Interesse, fehlendem Aufwand oder mangelnder Investition. Stattdessen spiegelt es die Schwierigkeit wider, aus vorhandenen Kunden-, Betriebs- und Servicedaten Mehrwert zu generieren, ganz zu schweigen von den Unmengen unstrukturierter interner und externer Daten, die aus sozialen Medien, Mobilgeräten und Online-Aktivitäten generiert werden.
Unternehmen stehen zunehmend unter Druck, Big Data und fortschrittliche Analysen zu nutzen. Kunden verlangen mehr von den Unternehmen, mit denen sie Geschäfte machen. Der Wettbewerb verschärft sich, insbesondere in reifen Branchen wie Finanzdienstleistungen, Einzelhandel, Telekommunikation und Medien. Datengesteuerte Unternehmen stören weiterhin den Status quo. Alte und neue Disruptoren wie Progressive, Capital One, Amazon, Google, Uber und Zappos, um nur einige zu nennen, haben datengesteuerte Geschäftsmodelle geschaffen, die tiefe Erkenntnisse nutzen, um maßgeschneiderte Produkte und Dienstleistungen zu liefern, die auf dem Markt erfolgreich sind.
Führende Nutzer von Big Data legen die Messlatte für den Erfolg hoch. Sie haben umfangreiche analytische Talente zusammengestellt und Prozesse entwickelt, die es ihren Unternehmen ermöglichen, nützliche Erkenntnisse aus fortschrittlichen Analysen zu gewinnen.
Der US-Autoversicherer Progressive beispielsweise nutzt Plug-in-Geräte, um das Fahrerverhalten zu verfolgen. Progressive analysiert die Daten, um seinen Kundenstamm gezielt anzusprechen und Premium-Preise festzulegen. Capital One, ein amerikanisches Finanzdienstleistungsunternehmen, verlässt sich bei der Gestaltung seiner Kundenrisikobewertungs- und Treueprogramme stark auf fortschrittliche Datenanalysen. Zu diesem Zweck nutzt Capital One mehrere Arten von Kundendaten, einschließlich fortschrittlicher Text- und Sprachanalysen. Unterdessen wertet der US-Einzelhandelsriese Amazon intensiv Kundendaten aus, um personalisierte Online-Einkaufserlebnisse zu schaffen. Amazon nutzt Kaufhistorien und Klickströme, um eine ausgefeilte Empfehlungsmaschine zu erstellen, die es auf benutzerdefinierten Webseiten präsentiert. Im Logistikbereich war Amazon auch führend bei der Anwendung von Datenanalysen, um die Lagerverteilung zu optimieren und die Versandzeiten zu verkürzen.
Führende Nutzer von Big Data legen die Messlatte für den Erfolg hoch. Sie haben umfangreiche analytische Talente zusammengestellt und Prozesse entwickelt, die es ihren Unternehmen ermöglichen, nützliche Erkenntnisse aus fortschrittlichen Analysen zu gewinnen. Sie haben Technologieplattformen entwickelt, die zeitnahe Daten und Erkenntnisse liefern, wann und wo sie im Unternehmen benötigt werden. Viele haben auch eine Kultur der kontinuierlichen Innovation geschaffen, die auf strengen „Test- und Lernmethoden“ basiert.
Drei Versprechen und Gefahren von Big Data
Wie kann Ihr Unternehmen von Big Data profitieren? Der erste Schritt besteht darin, das tatsächliche Potenzial von den übertriebenen Ansprüchen zu unterscheiden. Ein Großteil des anhaltenden Hypes beruht auf drei falschen Versprechen: Das erste ist, dass die Big-Data-Technologie ganz von selbst Geschäftsmöglichkeiten erkennen wird. Der zweite Grund ist, dass das Sammeln von mehr Daten automatisch mehr Wert generiert. Drittens können erfahrene Datenwissenschaftler jedem Unternehmen dabei helfen, von Big Data zu profitieren, unabhängig davon, wie das Unternehmen gerade organisiert ist.
Im Folgenden identifizieren wir die Gefahren, die mit jedem dieser drei Versprechen verbunden sind, und stellen Beispiele von Unternehmen vor, die jedes dieser drei Versprechen auf dem Weg zur Schaffung echten Mehrwerts durch fortschrittliche Kundenanalysen überwunden haben.
Versprechen: Die Technologie wird Geschäftsmöglichkeiten ganz von selbst erkennen.
Gefahr: Begrenzter Return on Investment trotz hohem Geld- und Zeitaufwand.
Fehlgeschlagene Technologieeinführungen beginnen oft mit der Annahme, dass das glänzende neue Tool von selbst einen Wert generieren wird. Unternehmen, die die Leistungsfähigkeit von Big-Data-Lösungen erfolgreich nutzen, beginnen in der Regel mit der Anwendung fortschrittlicher Analysen, um eine kleine Anzahl hochwertiger Geschäftsprobleme mit internen Daten zu lösen, bevor sie in Technologie investieren. Dabei lernen sie, Lösungen organisatorisch umzusetzen. Sie gewinnen auch Einblick in betriebliche Herausforderungen und verstehen die Grenzen ihrer Daten und Technologie. Basierend auf dem Verständnis ihrer tatsächlichen Bedürfnisse können sie dann die Anforderungen an ihre Big-Data-Technologielösung definieren.
Beispielsweise hat ein großes Versicherungsunternehmen kürzlich sein Datenanalyseprogramm auf Betrug ausgerichtet. Das Unternehmen verzeichnete einen Anstieg betrügerischer Ansprüche und verursachte erhebliche Kosten für die Untersuchung dieser Ansprüche. Das Programm zielte darauf ab, betrügerisches Verhalten zu geringeren Kosten zu reduzieren. Zu diesem Zweck entwickelte das Unternehmen einen Text-Mining-Algorithmus, der Betrugsneigungswerte generierte. Mithilfe dieses Algorithmus konnte das Unternehmen die Anzahl der entdeckten betrügerischen Bewertungen um 20 % steigern. Das Ergebnis waren weniger untersuchte Fälle und Einsparungen in Höhe von etwa 30 Millionen US-Dollar. Nachdem das Unternehmen den Wert fortschrittlicher Analysen bewiesen hat, erhöht es nun seine Investitionen in Technologie und Kapazitäten.
|
||||||
|
Versprechen: Das Sammeln von mehr Daten wird automatisch mehr Wert generieren.
Gefahr: Überinvestition in unbewiesene Datenquellen und mangelnde Beachtung wertvoller Datenquellen in der näheren Umgebung.
Die Versuchung, neue Datensätze zu erwerben und zu analysieren, ist mit der Explosion von sozialen Medien und mobilen Geräten größer geworden. Und doch ertrinken viele große Organisationen bereits in Daten, von denen viele in Silos gespeichert sind, wo sie nicht einfach abgerufen, organisiert, verknüpft oder abgefragt werden können. Wir haben festgestellt, dass erfolgreiche Big-Data-Reisen in der Regel mit der vollständigen Nutzung der vorhandenen Daten des Unternehmens beginnen.
Aus analytischer Sicht ist es im Allgemeinen einfacher, mit Daten zu arbeiten, die eine gewisse Historie haben, als völlig neue Datensätze anzugreifen. Ein großes US-amerikanisches Telekommunikationsunternehmen verfolgte genau diesen Ansatz. Das Unternehmen sah sich einem zunehmenden Wettbewerb ausgesetzt und wollte ein Programm zur systematischen Wertsteigerung seines bestehenden Kundenstamms auflegen. Um dieses Ziel zu erreichen, kombinierte das Unternehmen mehr als 200 Datenelemente aus 15 Marketing-, Service- und Betriebsdatenbanken, um „hochauflösende“ Porträts aller seiner Kunden zu erstellen. Das Unternehmen nutzte diese Porträts, um gezielte Onboarding-, Cross-Selling- und Kundenbindungsprogramme zu entwickeln.
Eines seiner neuen Onboarding-Programme konzentrierte sich auf Kunden, die Anzeichen einer geringen Interaktion mit den Produkten des Unternehmens zeigten. Die Daten zeigten, dass ein geringes Engagement mit einer höheren Kundenabwanderung verbunden war. Anstatt diesen Kunden vertriebsorientierte Marketingbotschaften zu senden, begann das Unternehmen, ihnen Produktbekanntheits- und Engagement-Botschaften zu senden, die die Produktnutzung anregen sollten. Das Ergebnis: Die Produktnutzung nahm zu, die Abwanderung im Frühstadium ging zurück und mehr dieser Kunden verbesserten ihre Dienste. Parallel dazu steigerte das Unternehmen sein Cross-Selling-Marketing auf engagiertere Kunden, da die Daten zeigten, dass diese Kunden eher zu einem Upgrade neigten. Dies führte zu einer 2,5-fachen Steigerung der Cross-Sales und einer weitaus höheren Rendite der Marketinginvestitionen. Insgesamt generierten diese Programme einen jährlichen Mehrumsatz in Millionenhöhe.
Aus analytischer Sicht ist es im Allgemeinen einfacher, mit Daten zu arbeiten, die eine gewisse Historie haben, als völlig neue Datensätze anzugreifen.
Dieses Unternehmen integriert nun neue Datensätze, die seine umfangreichen Kundenporträts weiter verbessern werden. Um die durch historische Daten gewonnenen Erkenntnisse zu ergänzen, entwirft das Unternehmen experimentelle Marketingkampagnen, die zukunftsgerichtete Abweichungen (z. B. neue Preise, Werbeaktionen und Angebote) in ihr System einbringen.
Versprechen: Gute Datenwissenschaftler werden einen Mehrwert für Sie finden.
Gefahr: Ihre bestehende Organisation ist nicht bereit, den Wert der Daten zu erkennen.
Um dauerhaft von Big Data zu profitieren, müssen Sie ein Betriebsmodell erstellen, das die Leistungsfähigkeit der Daten und fortschrittlicher Analysen auf wiederholbare Weise nutzt. Erfolgreiche datengesteuerte Unternehmen richten ihre Organisation, Prozesse, Systeme und Fähigkeiten aus, um bessere Geschäftsentscheidungen auf der Grundlage der Erkenntnisse ihrer Daten- und Analyseteams zu treffen.
Ein Telekommunikationsdienstleister hat ein Partnerschaftsmodell entwickelt, das seine Daten- und Analyseteams, seine Technologieabteilung und seine Frontline-Funktionen (einschließlich Vertrieb, Marketing, Kundenbetrieb und Produktentwicklung) umfasst. Bei diesem Modell arbeitet das Business-Intelligence-Team, dem Datenwissenschaftler, Statistiker und Data-Miner angehören, eng mit den Geschäftsbereichen zusammen, um spezifische Probleme zu lösen, indem es fortschrittliche Analysen auf ihre großen internen Datensätze anwendet.
Die Geschäftsbereiche bringen Geschäftserfahrung und Frontline-Wissen in die Erkenntnisse der Datenwissenschaftler ein und erhöhen so die Chancen, dass ihre Lösungen pragmatisch und skalierbar sind. Die IT-Abteilung, die für die Datenarchitektur verantwortlich ist, findet heraus, wie neue Technologien wie Data Lakes integriert werden können, verwaltet die ständig wachsenden Datensätze und definiert die Richtlinien und Regeln, die sie regeln.
Big-Data-Initiativen funktionieren am besten, wenn Datenwissenschaftler eng mit Geschäftsbereichen und der IT zusammenarbeiten
| 01 | 02 | 03 |
|
Information technology • Owns enterprise-wide data management • Manages technical side of data access layer • Manages data model to support report creation • Produces regular reports |
Business units • Answer day-to-day questions relating to the business • Support cross-functional initiatives to address business-wide questions |
Business insights • Center of excellence comprises data scientists, statisticians and data miners • Partners with business units to address complex questions specific to each • Leads and supports cross- functional initiatives to address business-wide questions • Defines and manages the rules that govern access to company data • Designs and develops new metrics and dashboards |
Eine der ersten Herausforderungen, die das Telekommunikationsunternehmen mit diesem neuen Partnerschaftsmodell anging, konzentrierte sich auf die Verbesserung der Wirtschaftlichkeit wertvernichtender Kunden. In diesem Fall definierte das Vertriebs- und Marketingteam das spezifische Problem für das Business-Intelligence-Team, das dann mit dem IT-Team zusammenarbeitete, um Kundendaten aus Marketing- und Betriebsdatenbanken aus zwei Jahren zu konsolidieren und zusammenzuführen, um die Grundursachen für den Wert zu ermitteln -zerstörerisches Verhalten. Gemeinsam definierten die drei Teams eine Reihe gezielter Kundenstrategien, die diese wertvernichtenden Kunden in profitable Kunden verwandeln könnten. Das Ergebnis: zusätzliche Einnahmen in Millionenhöhe.
Abschluss
Die Big-Data-Revolution hat bereits viele Branchen revolutioniert. Bestimmte datengesteuerte Unternehmen haben erheblichen Nutzen aus dieser Revolution gezogen, aber viele traditionelle Unternehmen müssen aufholen. Technologie allein kann diese Lücke nicht schließen. Unternehmen, die das Versprechen der Kundendatenanalyse erkennen, neigen dazu, drei Regeln zu befolgen:
1. Beweisen Sie, dass Ihr Unternehmen erweiterte Analysen anwenden kann, um einige wichtige Geschäftsprobleme zu lösen
bevor Sie in Big-Data-Technologielösungen investieren.
2. Schaffen Sie Mehrwert aus Ihren internen Daten, bevor Sie auf neue Datenquellen expandieren. Nutzen Sie dann Test-and-Learn-Ansätze, um zukunftsweisende Datensätze in Ihre historischen Daten einzubauen.
3. Richten Sie Ihr Betriebsmodell so aus, dass Ihr Unternehmen, insbesondere die Frontline, schnell und zuverlässig auf die Erkenntnisse Ihrer Advanced-Analytics-Teams reagieren kann.
Unternehmen, die diese Regeln befolgen, werden im Zeitalter von Big Data besser aufgestellt sein, um erfolgreich zu sein.