Kommentar von Christoph Müller-Dott, Orange Business Services So ziehen Sie aus Datenanalysen die richtigen Schlüsse

Sind die richtigen Ausgangsdaten und Datenmanagement-Technologien erst einmal beschafft sowie die Herausforderungen von Big Data-Projekten identifiziert und Lösungen gefunden, geht es endlich in die Analyse. Vorneweg: Generell investieren die meisten Unternehmen zur Unterstützung und Weiterentwicklung ihres Vertriebes und zur Verbesserung des Marketings sowie des Kundenservices in Big Data Analytics.

Anbieter zum Thema

Bissantz & Company GmbH

QUNIS GmbH

Fivetran Germany GmbH

orangeglobal medical globalisation provider GmbH

Geht man aber mehr in die Tiefe, ist schnell klar: Die Anwendungsmöglichkeiten von Big Data Analytics sind unendlich. Sie lassen sich in vier verschiedene Hauptkategorien einteilen.

• 1. Es werden Leistungsindikatoren definiert und komplexe Abläufe und Ressourcen effizienter gemanagt. Damit lassen sich auch Kosten einsparen.

• 2. Das Ökosystem (Lieferanten, Kunden, Wettbewerber, etc.) wird besser verstanden, gute Optionen schneller erkannt. Unternehmen arbeiten infolgedessen mit den richtigen Partnern zusammen und erzielen Wettbewerbsvorteile.

• 3. Unternehmen verstehen ihre Kunden besser und können ihnen auf sie zugeschnittene Angebote vorschlagen. Das erhöht die Kundenzufriedenheit.

• 4. Unternehmen entwickeln neue, innovative Angebote im Sinne neuer Umsatzmöglichkeiten.

Sie alle führen dazu, dass Unternehmen eine bessere Strategie entwickeln bzw. fahren und sich besser im Markt positionieren können. Sehen wir uns die einzelnen Bereiche einmal genauer an.

Um Leistungsindikatoren zu entwickeln und damit Ressourcen optimal einzusetzen und Prozesse zu verbessern, sollte man mithilfe von Analytics das komplette Potenzial von Big Data erfassen. Grundsätzlich gibt es drei verschiedene analytische Techniken, die dafür in Frage kommen:

• Basisanalysen mit einem Standard-Reporting und Scorecards – sie geben einen Überblick über das Unternehmen und seine aktuellen Prozesse

• Vorausschauende Analysen mit Segmentierungen und statistischen Auswertungen, um künftige Leistungstreiber zu schaffen

• Prädiktive Analysen mit Modellbildungen und Simulationen für dynamische Einblicke und Vorhersagen.

Alle drei Techniken können entweder in Echtzeit oder im Batch-Modus genutzt werden, wobei die meisten Unternehmen mittlerweile Echtzeitanalysen bevorzugen – insbesondere, wenn es um Themen wie Cyber-Sicherheit, Betrugserfassung oder Piraterie geht. Also immer dann, wenn schnelle Reaktionszeiten absolut kritisch sind. Werden Ressourceneinsatz und Prozesse mithilfe von Big Data Analytics optimiert, lassen sich in der Regel auch Kosten reduzieren.

Big-Data-Projekte richtig vorbereiten, Teil 1

So identifizieren Sie wertvolle Daten

Auch hier kann man mit dem Einsatz moderner Tools die Gesamtkosten niedrig halten: Computer sind mit immer mehr Power ausgestattet, um hohe Datenvolumina schnell bearbeiten zu können, kosten aber trotzdem weniger als früher. Außerdem sind die Preise für Storage erheblich gefallen. Neue Big-Data Management-Lösungen wie Hadoop oder NoSQL erhöhen die Datenmengen, die Unternehmen speichern und verarbeiten können, erheblich. Nicht zuletzt sparen Cloud-Lösungen im „As-a- Service-Modell“ hohe Investitions- und Unterhaltskosten ein. Die Kosten für diese Lösungen sind im Vergleich zu proprietären Lösungen relativ gering – auch wenn man versteckte Kosten wie Wartung oder Training berücksichtigt.

Beispiel Passur Aerospace

Das Unternehmen Passur Aerospace zeigt, wie der Einsatz von Big Data Analytics Prozesse verbessert und Kosten spart. Es stellt Airlines ein Tool zur Verfügung, das auf der Basis der Auswertung interner und externer Daten – aktueller Wetterbedingungen, Radarauswertungen, Aussagen der Piloten etc. – in Echtzeit die Ankunftszeiten der Maschinen präzisiert. Das ist unter anderem deswegen wichtig, weil die Flughäfen Strafzahlungen verlangen, wenn die Flugzeuge nicht bis zu einer vereinbarten Zeit gelandet sind.

Verstehen Unternehmen ihr Ökosystem mit Big Data Analytics, können sie günstige Gelegenheiten viel besser erkennen, ihre Strategien anpassen, mit den richtigen Partnern zusammenarbeiten, ihr Image verbessern und Wettbewerbsvorteile erzielen. Dafür steht ihnen beispielsweise Content aus dem Web oder von Kunden zur Verfügung und sie haben die Möglichkeit, diese unstrukturierten Daten in „Firmenintelligenz“ zu verwandeln. Sie können damit proaktiver sein und ein Produkt früher als Wettbewerber auf den Markt bringen oder besser auf Veränderungen im Markt reagieren.

Big-Data-Projekte richtig vorbereiten, Teil 2

So meistern Sie die Herausforderungen bei Big-Data-Projekten

Auch die Identifikation der richtigen strategischen Partner wird mit Big Data Analytics einfacher als früher, weil Unternehmen die Key-Player ihrer Branchen genau unter die Lupe nehmen und besser bewerten sowie einordnen können.

Ein großer, französischer Weinproduzent und Spirituosenanbieter wollte nach Amerika expandieren und dafür entweder ein Unternehmen dort kaufen oder mit jemandem zusammenarbeiten. Sie nutzten gängige Begriffe rund um Wein und Spirituosen für ihre Analysen und identifizierten die bekanntesten amerikanischen Unternehmen nach bestimmten Kriterien wie Reputation oder Bewertungen des Geschmackes der Produkte im Internet. Außerdem entwickelten sie auf Basis der gewonnenen Erkenntnisse die richtige Marketing-Strategie und fanden so die Partner, die am besten zu ihnen passen.

Markenwert und Reputation sichern

Informationen aus dem Ökosystem helfen Firmen auch, ihren Markenwert und ihre Reputation zu sichern bzw. positiv zu beeinflussen. Nike rief mit Nike Responsibility ein Open-Data-Projekt ins Leben, um mehr Transparenz zu schaffen und sein Image zu verbessern. Hintergrund war, dass das Unternehmen oft kritisiert wurde wegen der Produktion in Niedriglohnländern und der schlechten Umweltbedingungen dort. Im Rahmen des Projektes evaluiert Nike nun kontinuierlich die Subunternehmer und stellt die Audits öffentlich zur Verfügung.

Die Killeranwendung von Big Data Analytics für Unternehmen schlechthin ist das bessere Verständnis von Kunden, um Produkte, Lösungen und Services so anzupassen, dass sie deren Bedürfnissen und Erwartungen bzw. Profil am besten entsprechen. Dazu gibt eine kombinierte Analyse von internen Daten aus beispielsweise dem CRN-System oder externen Daten (z. B. aus sozialen Netzwerken, Website Visits etc.) am meisten Aufschluss: Kunden lassen sich besser segmentieren, Trends können abgeleitet und künftige Verhaltensweisen vorhergesagt werden – belegbar aufgrund von Zahlen, nicht aufgrund einer subjektiven Einschätzung. Unternehmen haben so die Möglichkeit, die richtigen Produkte und Services den richtigen Personen zur richtigen Zeit anzubieten.

Und auch die Kunden können sich Big Data Analytics zu Nutze machen: Je mehr sie preisgeben, worauf sie Wert legen, welche Produkte oder Services für sie interessant sind oder was sie suchen, desto passendere Angebote bekommen sie von den Anbietern, die sie ausgewählt haben. Unternehmen können auf ihren Websites auch Profiling-Services anbieten. Dabei unterstützt ein persönlicher Assistent den Kunden aufgrund seiner Angaben bei der Auswahl des passenden Angebotes.

Logistik mehrtägiger Großevents

Das funktioniert nicht nur bei typischen Anbieter-Käufer-Beziehungen. Ein schönes Beispiel für so eine Anwendung ist die Logistik mehrtägiger Großevents in Großstädten wie die Olympischen Spiele. Dabei werden Echtzeit-Daten aus sozialen Netzwerken, von Sicherheitskameras und automatischen Verkehrsbeobachtungssystemen zusammen mit aktuellen Daten zum Wetter von der Polizei und Netzwerkbetreibern ausgewertet. Damit lassen sich Spitzenzeiten und Staus vorhersehen und der Verkehr entsprechend regulieren, indem beispielsweise mehr U-Bahnen oder Busse auf bestimmten Strecken fahren oder Ausweichstrecken angeboten werden. Verkehrsleitzentralen und Unternehmen des öffentlichen Nahverkehrs können den Besuchern der Großevents so die aktuell am besten passende Anreisemöglichkeit per App, Radio und Internet empfehlen. Unnötige Wartezeiten werden so besser vermieden und die Zufriedenheit der Besucher erhöht.

Generell unterstützen Datenanalysen Diversifikations- und Wachstumsstrategien. Unternehmen können Datenauswertungen und/oder Analyseergebnisse austauschen und/oder selbst neue Geschäftszweige bzw. Einnahmequellen entwickeln. Es besteht einerseits die Möglichkeit, Datenauswertungen an andere Unternehmen zu verkaufen – im Sinne einer Win-win-Situation für beide Seiten und natürlich nur, wenn ggf. betroffene Dritte damit einverstanden sind oder die Daten/Analysen anonymisiert weitergegeben werden. Andererseits können auf der Basis der Datenauswertungen neue Angebote, Cross- oder Up-Selling-Strategien für das eigene Unternehmen entwickelt werden.

American Express hat sich diese Vorgehensweise zunutze gemacht und eine neue Analytics- und Beratungssparte, American Express Business Insights, gegründet. Sie wertet Einsatztrends und Kaufverhaltensmuster von 90 Millionen Karten in 127 Ländern aus und stellt die Ergebnisse seinen Unternehmenskunden für strategische Planungen und Entscheidungen zur Verfügung – selbstverständlich unter Wahrung von Datenschutzrichtlinien. Das neue Unternehmen berät auf der Basis dieser Auswertungen andere Unternehmen hinsichtlich Kauftrends, Merger und Akquisitionen, Marketing- und Werbestrategien, CRM und Einkauf/Beschaffung oder Partnerschaften. Ein neuer Geschäftszweig ist so mithilfe von Big Data Analytics entstanden.

Groß denken, klein starten!

Einen Mehrwert aus Big-Data-Initiativen zu generieren ist ein Langzeitprojekt und oft dauert es ein wenig, bis ein Return-on-Investment (ROI) eintritt. Deswegen sollten Unternehmen klein starten und erst einmal mit Big Data Analytics experimentieren, bevor sie ihre Bemühungen nach oben skalieren. So haben sie die Möglichkeit, ihre Märkte und Voraussetzungen gezielt und besser zu verstehen sowie schnelle ROIs zu erreichen.

(ID:44162487)