Suchen

Kommentar von Dr. Lars Borgmann, Namics Datengetriebene Geschäftsmodelle sind eine Frage der Strategie

| Autor / Redakteur: Dr. Lars Borgmann / Nico Litzel

Daten verwandeln sich erst dann in digitales Gold, wenn man sie richtig nutzt – doch nur wenigen Unternehmen gelingt dies bisher. Um erfolgreich datengetriebene Geschäftsmodelle zu entwickeln, sollte man Analytics-Projekte nicht von der technischen Seite, sondern strategisch angehen.

Firma zum Thema

Der Autor: Dr. Lars Borgmann ist Senior Principal Data Consultant bei Namics – A Merkle Company
Der Autor: Dr. Lars Borgmann ist Senior Principal Data Consultant bei Namics – A Merkle Company
(Bild: Namics)

Unternehmen, die Geschäftsentscheidungen auf Datenbasis treffen, sind effizienter, machen weniger Fehler und verstehen ihre Kunden besser. Aber wie gelangt man dorthin? Bisher befinden sich die meisten deutschen und Schweizer Unternehmen in ihrer Data Maturity noch im unteren Mittelfeld, so eine aktuelle Studie von Namics. Fast alle erheben und speichern zwar Daten – vor allem Informationen zu Kunden sowie zur Leistung von Produkten und Services. Nur die wenigsten nutzen diesen Schatz aber auch gewinnbringend. Wenn es überhaupt zu einer umfassenden Analyse kommt, setzen sie Daten vorwiegend ein, um Probleme zu identifizieren – nicht aber, um ihre Prozesse datengetrieben zu optimieren.

Daten richtig zu nutzen bedeutet nicht nur, sie zu sammeln. Ein echter Mehrwert entsteht erst dann, wenn Unternehmen ihre Quellen konsolidieren, Informationen anreichern, die Daten analysieren und daraus Erkenntnisse ableiten. Das ist zuallererst eine Frage der Strategie und nicht der Technik. Denn ein Data Lake ist zunächst nichts anderes als ein Gefäß, das die Daten enthält. Unternehmen benötigen ein Konzept, wie sie die Daten verbinden und was sie damit erreichen wollen. Sie müssen lernen, datengetrieben zu denken, und passende Strukturen sowie Prozesse schaffen. Das erfordert vor allem einen kulturellen Wandel, der vom Management ausgehen muss.

Ziele definieren und Use Cases priorisieren

Im ersten Schritt eines Data-Projekts stellt sich jedoch die Frage: Was möchten wir mit den gesammelten Daten eigentlich erreichen? Es bringt nichts, planlos in den Informationen zu wühlen. Nur in den seltensten Fällen entdeckt man auf diese Weise durch Zufall wertvolle Zusammenhänge. Vielmehr sollten Unternehmen eine klare Idee davon haben, was sie untersuchen möchten und welches Ziel sie verfolgen. Dafür empfiehlt es sich, konkrete Use Cases zu entwickeln. Eine Fragestellung könnte zum Beispiel lauten: Wie erkennen wir im Vorfeld, wann ein Kunde abspringt, sodass wir ihn mit einem entsprechenden Angebot halten können? Oder: Wie hoch ist die Wahrscheinlichkeit, dass ein Kunde ein Produkt kauft? Wann lohnt es sich, sie oder ihn noch einmal anzusprechen? Liegt die Kaufwahrscheinlichkeit bei nur zehn Prozent oder bei 90 Prozent, ist eine weitere Kommunikation wenig zielführend: Im ersten Fall kauft der Kunde ohnehin nicht, in letzterem hat er sich schon dafür entschieden.

Die verschiedenen Use Cases werden hinsichtlich ihrer Machbarkeit, aus zeitlicher, finanzieller und unternehmensstrategischer Sicht bewertet und entsprechend priorisiert. Anschließend geht es um die funktionale und strukturelle Umsetzung. Welche organisatorischen Voraussetzungen und Verantwortlichkeiten sind dafür nötig? Welche Daten und technischen Voraussetzungen braucht man? Die einzelnen Aspekte werden in einer Functional Map aufgelistet. Anforderungen, die bereits erfüllt sind, werden als solche gekennzeichnet. Daraus ergibt sich eine Roadmap mit Teilprojekten, mit denen das Unternehmen sichergeht, datengetrieben arbeiten und die Use Cases erfüllen zu können.

Silos aufbrechen

Grundsätzlich ist es empfehlenswert, Daten nicht wie traditionell üblich auf Kanal- oder Kampagnen-Ebene, sondern auf dem individuellen Kunden zusammenzuführen. Ein solcher People-based-Ansatz ermöglicht es, Informationen langfristig und für verschiedene Fragestellungen zu nutzen. Dafür ist es wichtig, Customer Journeys und die damit verbundenen digitalen Touchpoints zu analysieren. Sie sind später ausschlaggebend, um Daten zu sammeln und individualisierte Experiences auszuspielen.

Doch die Zusammenführung der Daten ist eine große kulturelle Herausforderung. Denn in vielen Unternehmen herrscht noch ein Silodenken vor: Jede Abteilung hütet ihre eigenen Daten und möchte sie nur ungern mit anderen teilen. Denn durch die Weitergabe der Informationen – so zumindest der Gedankengang – müssten sie ein Stück Verantwortung abtreten und könnten damit an Bedeutung einbüßen. In der Realität aber profitiert das Unternehmen erst wirklich von Daten, wenn die Fachbereiche ihre Daten teilen. Nur wenn zum Beispiel Sales- und Marketing-Informationen zusammenfließen, lässt sich ein 360-Grad-Blick auf den Kunden gewinnen. Es ist Aufgabe des Managements, eine solche Kultur des Teilens zu fördern und deutlich zu machen, dass jeder Einzelne gewinnt, wenn er reichhaltigere Datensätze zur Verfügung hat.

In diesem Zusammenhang ist es wichtig, Verantwortlichkeiten festzulegen und Prozesse glattzuziehen. Wer ist für welche Daten zuständig? Wie und wo fließen die Daten zusammen? Wer darf auf welche Daten zugreifen? Wie sehen die Kommunikationswege aus? Solche Fragen sollten Unternehmen in einem entsprechenden Regelwerk festhalten.

Hypothesen aufstellen

Sind die Daten aus den unterschiedlichen Quellen zusammengefasst, geht es an die Analyse. Dabei ist es hilfreich, nicht aufs Geratewohl zu forschen, sondern Hypothesen aufzustellen und diese anhand der Daten zu verifizieren oder wieder zu verwerfen. Besteht das Ziel zum Beispiel darin, Kunden zu identifizieren, die man noch zum Kauf überzeugen kann, könnte eine Frage sein: Wie lassen sich Daten aus verschiedenen Kanälen – etwa aus Web, E-Mail, Handynutzung oder App – am besten kombinieren? Eine Hypothese lautet: Die potenziellen Käufer informieren sich erst im Webshop, gehen danach nochmal in die App, um sich zu versichern, und kaufen dann vor Ort im Laden mit einem Voucher. Belegen die Daten diese Hypothese, kann darauf eine weitere Annahme aufbauen, bis sich konkrete Indikatoren für die Kaufwahrscheinlichkeit manifestieren.

Erkenntnisse nutzbar machen

Am Ende ist es entscheidend, nicht nur Erkenntnisse aus den Daten zu generieren, sondern diese Erkenntnisse auch nutzbar zu machen. Auch dafür benötigen Unternehmen die entsprechenden Strukturen. Analyse-Ergebnisse müssen in die Unternehmenssysteme zurückfließen, sodass Mitarbeiter darauf zugreifen können, sofern sie die entsprechende Berechtigung haben.

Zum Beispiel gründen viele Unternehmen Start-ups, die sich um Big-Data-Themen kümmern. Wenn diese ihre Erkenntnisse jedoch nicht zurückspielen und als kreative Insel arbeiten, scheitern Analytics-Projekte. Sie können nur dann erfolgreich sein, wenn das ganze Unternehmen sich zu einer datengetriebenen Organisation transformiert. Dafür ist es wichtig, Anwender zu schulen, sodass sie in der Lage sind, die neuen Möglichkeiten überhaupt auszuschöpfen. Auch die Benutzerfreundlichkeit einer App oder Software spielt eine Rolle.

Fazit

Jedes Unternehmen, das Daten sammelt, kann oder sollte diese auch nutzen. Die Herausforderung besteht darin, den Anwendungsfall zu finden, von dem das Unternehmen am meisten profitiert. Dafür benötigt man nicht unbedingt aufwendige Technik und riesige Datensätze – bei einem kleinen Betrieb kann vielleicht schon die Auswertung einer Excel-Tabelle wertvolle Erkenntnisse liefern. Ein Analytics-Projekt muss immer dem Use Case, der individuellen Umgebung und dem Nutzwert angemessen sein. Aus diesen Rahmenbedingungen ergibt sich die erforderliche Technik. Die wichtigste Voraussetzung aber sind Strukturen und Prozesse, die es ermöglichen, Daten gemeinsam zu nutzen. Indem Unternehmen eine Kultur etablieren, die eine datengetriebene Denkweise fördert, schaffen sie die Basis für erfolgreiche datengetriebene Applikationen und Geschäftsmodelle.

(ID:46882646)