Big Data ist für die Mehrheit der Unternehmen inzwischen ein relevantes Thema, denn Datenanalyse wird zunehmend als wichtiger Beitrag zur Wertschöpfung gesehen. Wer es versteht, mithilfe von Data Analytics aus grossen Datenmengen Erkenntnisse abzuleiten, kann bessere Entscheidungen treffen und Risiken frühzeitig erkennen. Effizientere datengetriebene Lösungen in Produktion, Supply Chain Management und Logistik sowie weit genauere, personalisierte Kundenansprachen verhelfen Unternehmen, zu einem Wettbewerbsvorteil. In einer Erhebung von Bitkom Research und KPMG gaben 36 Prozent der Befragten an, Big Data bereits zu nutzen, weitere 42 Prozent planten die Einführung oder diskutierten darüber.
Aufgabenverteilung
Wo liegen die Herausforderungen beim Einsatz von Data Analytics, in welchen Phasen und für welche Aufgaben sollten sich Unternehmen Hilfe suchen? Technisch ist es kein Problem mehr, grosse Datenmengen sicher zu speichern und in hoher Geschwindigkeit auszuwerten. In riesigen Data Lakes lassen sich selbst unstrukturierte oder polystrukturierte Daten auf Vorrat zur späteren Auswertung ablegen. Firmen können also alle notwendigen Informationen wie Bewegungs-, Transaktions- und Maschinendaten erfassen. Zur Speicherung und Analyse stehen Hadoop, Spark, R und andere als Open-Source-Anwendungen zur Verfügung.
Erfahrungsgemäss haben Unternehmen, wenn sie nach Beratung und Unterstützung für Big Data fragen, noch gar keine konkrete Anwendung im Fokus. Um wirklich Nutzen aus der Datenanalyse zu ziehen, ist es jedoch entscheidend, jeweils zum Unternehmen passende und erfolgversprechende Anwendungen zu finden. Die erste Aufgabe ist es also, herauszufinden, welche Erkenntnisse aus Datenanalysen dem Unternehmen mit seinem spezifischen Geschäftsmodell helfen würden. Für viele Unternehmen ist gerade das sehr schwierig und unübersichtlich, da die Technologie noch neu ist und auch die Spezialisten im eigenen Hause fehlen. Werden bereits in dieser frühen Phase externe Berater und Partner eingeschaltet, lassen sich Fehler vermeiden und wertvolle Zeit sparen.
Stufenmodell
Dabei hat sich ein Stufenmodell bewährt: Nach einem Überblick zu den Möglichkeiten von Data Analytics und einer gemeinsamen Ideensammlung, meist mit der Führungsebene, sucht man in Workshops mit den einzelnen Fachbereichen nach konkreten Fragestellungen. Dabei wird auch überprüft, in welcher Qualität die Daten vorliegen und ob es sich tatsächlich um Fragestellungen für Data Analytics handelt. In der Regel verbleiben dann vier bis fünf Anwendungen. Häufige Fragestellungen sind zum Beispiel:
- Analysen zur Optimierung der Customer Journey
- Next best offer: Basierend auf Daten zu bisherigen Einkäufen, können Angebote ermittelt werden, die für bestehende Kunden mit hoher Wahrscheinlichkeit auch interessant sind.
- Reduzieren der Kundenabwanderung (Churn reduce): Hier gilt es zunächst zu analysieren, welche Kunden mit hoher Wahrscheinlichkeit demnächst kündigen wollen, um nur dieser Zielgruppe neue oder erweiterte Angebote zu unterbreiten.
- Aufdecken von Betrugsversuchen: Es geht darum, neue Muster zu finden, aber auch bestehende Annahmen zu überprüfen.
- Prozessoptimierung: Mithilfe von Datenaufzeichnungen lassen sich Abweichungen vom eigentlichen Prozess aufdecken. Vorgänge dauern zum Beispiel in der Realität länger als in der Planung vorgesehen, wenn an bestimmten Stellen regelmässig Rückfragen notwendig werden. Basierend auf der Datenanalyse, können dann die Prozesse so angepasst werden, dass die benötigten Informationen parallel erhoben werden und rechtzeitig vorliegen.