Abb. 3–2 Die unterschiedlichen Einsatzformen externer Analysten
Ein derzeit in der Praxis weitverbreiteter Ansatz, um die Organisation von Data Science im Unternehmen zu unterstützen, sind Shared Services. Dies bezeichnet die zentralisierte und gegebenenfalls sogar ausgelagerte Zusammenführung von Prozessen verschiedener Abteilungen. Der Rückgriff auf solche Kompetenzzentren ist häufig geboten, wenn für einige Funktionen die Fähigkeiten von entsprechend hochspezialisierten Analysts von mehreren Einheiten benötigt werden.
Shared Services lassen sich beispielsweise für Folgendes nutzen:
Taktische Lösungen für effizienten Betrieb (z.B. Prozess-Analytics, FP&A-Dashboards)
Unterstützung bei der Entscheidungsfindung durch Verarbeitung und Vernetzung der Daten verschiedener Abteilungen wie Finanzen, Personal, IT etc.
Bereitstellung von Data as a Service durch Optimierung der IT-Infrastruktur und Verlagerungen in die Cloud
Zielgenaue Ausrichtung der KPIs und SLAs auf handlungsorientierte Erkenntnisse
Der Umfang an Services im Umfeld der Data Science lässt sich vereinfacht in die in Tabelle 3–2 beschriebenen Kategorien Insight-, Advisory-, Enabling- und Production-Services kategorisieren:
| Insight-Services (erkenntnisorientiert) | |
| Durchführung von Analysen, um sinnvolle Ansatzpunkte aufzudecken und passende Analytics-Modelle entwickeln zu könnenAufbau von unternehmensinternen Kompetenzen für Self-Service-Reports, Dashboards und Datenanalysen | ErfolgskontrollenInnovationenDatenanalyse und neue Erkenntnisse |
| Advisory-Services (beratungsorientiert) | |
| Etablierung von Standards und Richtlinien für Arbeitsbereiche, die Datenanalysen durchführenBereitstellung einer zentralen Anlaufstelle mit Analytics-Experten für komplexere Funktionen | WissensmanagementZusammenarbeitDatenmanagement |
| Enabling-Services (effizienzorientiert) | |
| Definition und Priorisierung von Analytics-ProjektenTerminologiemanagement für eine teamübergreifend konsistente DatenhandhabungAufzeigen und Einführung neuer Technologien | AnforderungsmanagementService Level ManagementLösungsentwicklung |
| Production-Services (instandhaltungsorientiert) | |
| Unterstützung bei Support-Anfragen der Endnutzer und Lösung auftretender Probleme (bspw. bei kritischer Datenqualität in Quellsystemen) oder Dirigieren an zuständige Abteilung | ServiceeinführungProblemmanagementZugangsmanagement |
Tab. 3–2 Servicekategorien
3.4Aus der Praxis
Die Effekte erster Ordnung, die sie nach sich ziehen, sind vor allem die Optimierung von Geschäftsprozessen sowie die durch personalisierte Angebote verbesserten Verkaufs- und Absatzmöglichkeiten. Das führt schnell zu gesteigerten Einnahmen. Diese Fakten helfen Analytics-Bereichen naturgemäß, gute Überzeugungsarbeit dafür zu leisten, Analytics initial in ein Unternehmen zu integrieren. Doch allzu schnell verengt genau das auch den Blick auf den weiteren Nutzen solcher Technologien. Jenseits des unmittelbaren finanziellen Zugewinns gibt es nämlich auch noch den – nebenbei bemerkt deutlich langfristigeren Effekt – einer gesteigerten Kundenzufriedenheit, die wiederum zu einem loyalen, großen Kundenstamm führt. Personalisierte Angebote sollten vor allem auch als Serviceleistung im Interesse des Kunden verstanden werden. Sie können ihm – positiv gesehen – großes Herumsuchen ersparen, Neugier und Lust auf ein neues Produkt wecken und es kann – negativ gesehen – vermieden werden, dass sich ein Kunde von zu vielen, weil ungezielten Angeboten eventuell sogar genervt vom Unternehmen abwendet. Je mehr also der Gewinn für den Kunden bei der Umsetzung von Analytics bedacht wird, desto nachhaltiger wirken sie sich aus.
3.4.1Die Automobilbranche als Beispiel
3.4.1.1Machen Sie Ihren Kunden ein Angebot, das sie nicht ausschlagen können
Die Umstellung von Geschäftsprozessen und der nachhaltige Einbezug von Analytics verändert vieles: die Herangehensweise an Marketingmaßnahmen, den Kundenkontakt, die Angebotsplanung und vieles mehr. Personalisierte Angebote an die richtigen Kunden zur richtigen Zeit sind die Parameter, die helfen können, eine Geschäftsstrategie erfolgreich umzusetzen. Im Fall der Automobilindustrie steht beispielsweise herstellerübergreifend die Verbesserung der Verkaufsstrukturen und des Kundenmanagements im Fokus. Ziel ist hier, bei gleichbleibenden (personellen und zeitlichen) Ressourcen automatisierte, maßgeschneiderte Lösungen, heißt Angebote, für jeden einzelnen Kunden zu finden und dadurch die Kundenbindung zu verbessern, die Kaufwahrscheinlichkeit zu erhöhen und letztlich den Ertrag zu steigern. Gleichzeitig sollen die Kundendaten der Automobilhersteller in Wissen transformiert werden und so sowohl gezieltere Ansprachen ermöglichen als auch die Kundenzufriedenheit steigern. Beides sind zwei Seiten einer Medaille, einer Lösung. Bevor die jedoch in den Blick genommen werden kann, muss zunächst die Problemstellung konkretisiert werden.
Absatzmöglichkeiten sind vielfältig, sie effizient zu nutzen gestaltet sich jedoch schwierig, da viele Variablen einbezogen werden müssen. Es stellen sich folgende Fragen: Wer sind meine Kunden? Wie kann ich identifizieren, wer mit hoher Wahrscheinlichkeit als Nächstes ein bestimmtes Modell fahren wird? Wie kann ich diese Kunden in meiner Marketingkampagne priorisieren? Was muss ich tun, um den Kunden für ein neues Auto zu begeistern? Was muss ich wann investieren, um ihn zu einem Kauf zu bewegen? Hinsichtlich des Angebots schließlich stehen natürlich diese Fragen im Vordergrund: Was macht ein Angebot für meine Kunden besonders attraktiv? An welcher Stelle kann ich den Verkaufsprozess unterstützen und fördern? Welche Informationen sind meinen Kunden wichtig? Wo und wann kann ich einen neuen Kaufvertrag abschließen und wie sorge ich langfristig dafür, dass der Kunde zufrieden ist und in Zukunft wieder kauft? Letztlich ist es immer günstiger, einen zufriedenen Bestandskunden zu einem Neugeschäft durch Data-Science-basierte Anwendungen zu animieren, anstatt einen Neukunden zu gewinnen. Dies gilt insbesondere, da für Bestandskunden Kundendaten und Datenschutzeinwilligungen bereits vorliegen.
Im Dickicht dieser zahllosen verschiedenen Konstellationen kann ein Mensch ohne größeren Aufwand keine optimale Entscheidung mehr treffen. Hier können Analytics-Methoden genutzt werden, um dem Entscheider genau die richtigen Informationen zur Verfügung zu stellen. Die Zauberworte an dieser Stelle lauten Customer Life Value, Kundensegmentierung, deskriptive Evaluierungen, Szenariokalkulationen, datengetriebene Expertenempfehlungen und Vorhersagemodelle für erwartbares Kaufverhalten.
Es gilt also die Verkaufs- und Marketingabteilungen der Automobilhersteller gezielt mit Advanced Analytics zu unterstützen und die Absatzaktivitäten nachhaltig zu steigern. Dafür wurden von uns drei strategische Hauptbausteine definiert:
1 Die Identifizierung von StammkundschaftOberstes Ziel ist es, anhand verschiedener Kriterien aus dem kompletten Vertragsportfolio, Stammkundschaft von Laufkundschaft zu differenzieren. Speziell die Stammkunden sollen mit besonderen Kundenbindungsangeboten angesprochen