Daten in Wissen umwandeln: Data Analytics

Daten systematisch erfassen

Ungeordnete Rohdaten haben ohne gezielte Aufbereitung keinen großen Nutzen. Die Liste an Daten, die in einem Unternehmen anfallen, ist lang: Transaktionsdaten, Kundennachrichten, Inventardaten, Performance-Daten von Maschinen oder Referenzdaten. Häufig werden diese Daten nur stiefmütterlich verwaltet und zu selten effizient genutzt. Daten müssen überprüft, bereinigt, validiert, angepasst und korrigiert werden, bevor diese gewinnbringend weiterverarbeitet werden können. Die Data-Preparation ist zwar eine lästige und zeitintensive Arbeit aber unerlässlich, da alle Analysen und Schlussfolgerungen hierauf aufbauen – Stammdatenpflege und Datenbereinigung sind somit essenziell.

Datenqualität gewährleisten

Bei aggregierten Daten sollte immer die Datenabstammung im Data-Warehouse-System nachvollzogen sowie Verarbeitungs- und Transformationsschritte dokumentiert werden. Optimalerweise wird dies durch konzernweite Governance flankiert. Die Anreicherung interner Daten mit externen Quellen, wie Event-, Wetter- und Geodaten, führt zu einer noch besseren Planungsgrundlage. Durch die kontinuierliche Zunahme des Datenvolumens können mittlerweile bereits kleinere Unternehmen komplexe Analysemethoden zur Mustererkennung verwenden.

Notwendige Systeme

Während bei Descriptive und Diagnostic Analytics häufig Excel ausreicht, wird bei Predictive Analytics auf Business-Intelligence-Lösungen mit Dashboards zurückgegriffen. Hier können zudem Verfahren aus der Statistik und Informatik zum Einsatz kommen, um Muster zu erkennen und Vorhersagen über zukünftige Ereignisse treffen zu können – Machine-Learning und künstliche Intelligenz sind als zentrale Stichpunkte zu nennen.

Data Analytics lohnt sich

Modelle können auf riesigen historischen Datenmengen trainiert und der Erfolg der Methoden direkt verifiziert werden. Durch den Blick in den Rückspiegel kann mit größerer Sicherheit auf die Daten-Überholspur gewechselt werden. Der Vergleich zwischen menschlichem Bauchgefühl und trainiertem Algorithmus verdeutlicht, dass letzterer nicht nur schneller, sondern auch genauer ist.

1. Kundensegmentierung

Der Kundenstamm ist in den seltensten Fällen homogen. Die Unterscheidung von Kunden in Zielgruppen ist eine Voraussetzung für spezifische Vertriebs- und Marketingstrategien. Das Ziel ist, Kunden nach ähnlichen Merkmalen zu klassifizieren, damit diese gemeinsam adressiert werden können. Größe und Anzahl der Segmente hängen unter anderem von Industrie, Umsatz, Produktportfolio und Vertriebskanal ab.

Clusteranalysen können von einfachen eindimensionalen Methoden – wie der Differenzierung nach Kaufhäufigkeit – bis hin zu multivariaten Methoden wie der Conjoint-Analyse und der Faktorenanalyse reichen.

2. Steuerung von Vertriebsaktivitäten

Über Vertriebsplattformen können Akquise-Tätigkeiten besser gesteuert und Optimierungspotenziale gehoben werden. Im Fokus stehen hier „Next-Best-Action“ und „Next-Best-Offer“, damit Vertriebsmitarbeiter individualisierte Produkt- und Servicevorschläge unterbreiten können und den richtigen Zeitpunkt für die Kundenansprache wählen. Welche Kunden sollten in welcher Reihenfolge angesprochen werden (Priorisierung)? Wann sollte ein Bestandskunde wieder besucht werden? Welcher Vertriebskanal ist am erfolgsversprechenden?

3. Simulationen von Pricing-Veränderungen

Ein bewährtes Mittel zur Abschätzung von Preisveränderungen sind Simulationen. Mit Hilfe eines digitalen Zwillings – also dem virtuellen Abbild eines Unternehmens – können Algorithmen die Effekte von Preisanpassungen simulieren und testen noch bevor Rabatte und Listenpreise tatsächlich angepasst werden. Dieser „Trockenlauf“ dient dazu Probleme und Inkonsistenzen aufzudecken, bevor der unternehmensweite Rollout stattfindet.