Daten in Wissen umwandeln: Data Analytics

Daten sind das Öl des 21. Jahrhunderts. Doch während Öl immer knapper wird, kann die Flut an Daten in vielen Unternehmen kaum bewältigt werden. Gute Monitoring- und Analysestrategien werden benötigt, damit die richtigen Schlussfolgerungen gezogen werden.

Datenbasierte Entscheidungen statt Bauchgefühl – „Let the data speak“

Die Anwendungen von Data Analytics sind vielfältig und reichen von der Berechnung einfacher Kennzahlen (KPIs), über die Erstellung von Dashboards, bis hin zu komplizierteren Machine Learning Ansätzen. Das Ziel ist immer das gleiche: Daten in Wissen umwandeln. Bevor jedoch die Analysebeginnen kann, müssen Daten erst erhoben, aufbereitet und zusammengeführt werden.

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 gewinn bringend 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-Systemnachvollzogen 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.


Verschiedene Methoden von Data Analytics

Für die Analyse der Daten bieten sich je nach Zielvorhaben verschiedene Methoden an:

Descriptive Analytics

Zunächst geht es darum den Status quo zu beschreiben und zu verstehen was in der Vergangenheit passiert ist – dies ist Kern von Descriptive Analytics.

Diagnostic Analytics

Hierauf aufbauend können Zusammenhänge analysiert und nachvollzogen werden; „Wieso passiert etwas gerade?“

Predictive Analytics

Bei Predictive Analytics wird der Blick von der Vergangenheit und Gegenwart in die Zukunft gerichtet: „Was wird als nächstes passieren?“.

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.


Data Analytics Anwendungen im Pricing,
Vertrieb und Marketing

Die Anwendungsmöglichkeiten in den Bereichen Vertrieb, Marketing und Pricing sind sehr vielfältig und längst marktreif.
Im Folgenden werden drei konkrete Anwendungen genannt.

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 (VERLINKUNG) 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.

Bereitstellung von Tools in Power BI, Qlik Sense oder Tableau

Ein Daten-Dashboard liefert einen schnellen Überblick über KPIs, Bearbeitungsprozesse sowie Verbesserungs- und Wachstumspotenziale. Hier können geschäftskritische Fragen beantwortet und interaktiv in die Datenanalyse eingestiegen werden. In Tools wie Power BI, Qlik Sense oder Tableau können Rohdaten unkompliziert visualisiert und Veränderungen in Echtzeit identifiziert werden. Zudem können Dashboards flexibel verwaltet, freigeschaltet, aktualisiert und geteilt werden. Durch schlanke und zielgerichtete Dashboards werden Krisen rechtzeitig erkannt und angegangen.

 


Projekterfahrungen

Ein bewährter Startpunkt bei Projekten ist der 360° Datenaudit, bei dem in einem drei bis vier-wöchigen Check die Datenbasis und aktuelle Analysewerkzeuge evaluiert und Nachholbedarf identifiziert werden. Nach diesem Quick-Check werden konkrete Handlungsfelder benannt und ein Implementierungsplan aufgestellt.

Prof. Roll & Pastuch – Management Consultants hat langjährige Erfahrung bei der erfolgreichen Durchführung komplexer Analyseprojekte: Wir entwickeln für Sie

Gemeinsam schaffen wir die Transformation von Big Data hin zu Smart Data.


Erfahren Sie mehr über Ihren Weg zu erfolgreichem Data Analytics

Gerne stehen wir Ihnen bei Fragen und für weitere Informationen zur Verfügung.