Big Data Analytics für mittelständische Unternehmen –Zukunft oder Realität?

Ankunft: Big Data Analytics ist gelandet, auch bei mittelständischen Unternehmen!

Dennoch gibt es zum Thema Big Data Analytics aus Sicht vieler mittelständischer Unternehmen oft Skepsis und Vorbehalte, wie:

• Big Data betrifft nur riesige Datenmengen
• Big Data Analytics erfordert teure Experten und bringt uns keinen ökonomischen Nutzen
• Big Data Analytics ist nur relevant für Google, Amazon, Facebook und betrifft uns nicht
• Wir haben nicht die ausreichende Datenqualität für Big Data Analytics Anwendungen.

Dabei gibt es besonders für kleine und mittelständische Unternehmen zahlreiche Anwendungsfälle und neue Möglichkeiten, durch Big Data Analytics einen kommerziellen Nutzen zu erzielen.

Vorab zum besseren Verständnis eine kurze Begriffsdefinition.

Was bedeutet Big Data Analytics?

Big Data Analytics setzt sich aus zwei Begriffen zusammen: Big Data und Analytics.

„Big Data“ basiert laut Gartner auf dem 3V-Modell:

• Volume: Bezieht sich auf große Mengen an Daten. Die Datenmengen steigen stetig – 90% der gesamten Daten weltweit wurden in den letzten zwei Jahren generiert. Dies trifft auch für kleinere und mittlere Unternehmen zu.
• Variety: Bezeichnet die Vielfalt und Heterogenität von Daten z.B. Messdaten, Social Media Daten, Wetterdaten, Sensordaten, Klick Daten auf einer Website etc.
• Velocity: Definiert die Geschwindigkeit der Datenverarbeitung. Dabei geht es darum, Daten binnen Sekunden (Echtzeit/Real-time) auszuwerten und Entscheidungsgrundlagen zur Verfügung zu haben.

Der zweite Begriff „Analytics“ bezieht sich auf den Einsatz von mathematischen und statistischen Methoden, um aus der Vielzahl an Daten (Big Data) unternehmerische Entscheidungen abzuleiten.

Klingt komplizierter, als es tatsächlich ist.

Denn die eingesetzten Methoden reduzieren Komplexität und machen damit entscheidungsrelevante Zusammenhänge sichtbar. Dabei lassen sich folgende drei Arten der Entscheidungsunterstützung unterscheiden:

• Analytics liefert eine Entscheidungsgrundlage durch Analyse der aktuellen Situation (Descriptive Analytics)
• Analytics dient der Entscheidungsunterstützung durch Vorhersage von zukünftigen Entwicklungen (Predictive Analytics)
• Analytics führt zu einer automatisierten Entscheidung (Prescriptive Analytics).

Ein Beispiel dazu finden Sie auch unter Predictive Analytics.

Big Data Analytics steht vereinfacht gesagt für die Reduzierung von Komplexität großer Datenmengen, um bessere Entscheidungen treffen zu können!

Welcher ökonomische Nutzen (Business Value) kann durch Big Data Analytics nun erzielt werden?

Big Data Analytics ist keine Spielwiese! Hinter jedem Big Data Analytics Vorhaben steht ein klares ökonomisches Ziel, wie beispielsweise:

• Die eigenen Kunden zielgerichteter anzusprechen, um dadurch eine höhere Kundenbindung zu erzielen
• Cross/Up Selling Vorgaben bei bestehenden Kunden zu erreichen
• Mehr über die Kunden zu erfahren, um so die eigenen Services an die Bedürfnisse der Zielgruppen anzupassen
• Mobile Dienstleistungen anzubieten, um rascher Kundenbedürfnisse erfüllen zu können
• Prozesse effizienter zu gestalten, etwa durch die Prognose von Verkaufszahlen und Auslastungen von Kapazitäten.

Welche Anwendungsfälle, vor allem für mittelständische Unternehmen, lassen sich durch Big Data Analytics umsetzen?

Die Anwendungsfälle von Big Data Analytics sind sehr vielfältig und je nach Branche auch sehr unterschiedlich. Dennoch lassen sich für mittelständische Unternehmen folgende prioritäre Anwendungsfälle, unabhängig von der Branche identifizieren:

• Targeted Marketing: Kundengruppenspezifische Ansprache durch individuelle Marketingmaßnahmen. Ziel ist es, die Kunden mit Inhalten anzusprechen, die sie auch interessieren und wirklich betreffen.
• Churn Prevention: Erkennen von abwanderungsgefährdeten Kunden auf Basis des jeweiligen Verhaltens z.B. Kunde kauft regelmäßig, in letzter Zeit jedoch sehr unregelmäßig oder überhaupt nicht mehr.
• Bedarfsprognosen: Kurz- und mittelfristige Vorhersage der Kundennachfrage für bestimmte Produkte auf Basis unterschiedlicher Einflussgrößen z.B. Konjunkturelle Veränderungen, Urlaubs- und Feiertage, Wetter, Google Trends, etc.

Für den Anwendungsfall „Targeted Marketing“ hier ein Vorgehensmodell zur Veranschaulichung

Targeted Marketing ist ein sehr häufiger Big Data Analytics Anwendungsfall bei mittelständischen Unternehmen. Bei diesem Anwendungsfall geht es darum, die Kunden eines mittelständischen Unternehmens durch gezielte Marketingmaßnahmen anzusprechen.

Welchen Beitrag leistet the tean^®?

1. Wir legen gemeinsam mit den Unternehmen ökonomische Ziele fest (Business Value): Beispiel - Durch Targeted Marketing Maßnahmen sollen sich die Verkäufe von Premiumartikeln im nächsten Jahr um 10% erhöhen.
2. Wir identifizieren business-relevante Daten: Dies erfolgt unter Einbeziehung aller internen und externen Daten, die einen Rückschluss auf das Kaufverhalten des Kunden ermöglichen. Das sind historische Daten (Verkaufsdaten, Transaktionsdaten), Daten auf Basis des Kundenverhaltens (z.B. Klick Verhalten auf der Website, Anfragen per E-Mail, etc.), sowie bestehende Daten im Internet (z.B. Social Media Beiträge). Letzteres bezeichnen wir als digitale Spur des Kunden.
3. Wir ordnen und analysieren Daten: Wir bezeichnen diesen Schritt als Data Analytics. Durch analytische Methoden werden Muster in den Daten identifiziert und Kundengruppen daraus abgeleitet. Diese Kundengruppen, sogenannte Personas, setzen sich aus Kunden mit ähnlichen Merkmalen zusammen z.B. Premiumkunde (männlich, zwischen 40 und 60 Jahre, hoher Deckungsbeitrag, kommt aus Wien, reagiert auf Marketing Maßnahmen, nutzt die Website regelmäßig für Produktinformationen). Die Analyse der Daten erfordert keine 100% perfekte Datenqualität. Wir leben mit der Unschärfe der Daten!
4. Wir machen diese Daten nutzbar, um bessere Entscheidungen zu treffen: Für die jeweilige Kundengruppe werden Marketingmaßnahmen und Inhalte der Ansprache erstellt z.B. Premiumkunde bekommt aufgrund seiner Relevanz ein Geschenk. Dies soll der Kundenbindung dienen und weitere Interaktionspunkte ermöglichen (z.B. Information über Premiumartikel). Je Kundengruppe kann die Ansprache über einen unterschiedlichen Kommunikationskanal genutzt werden. Z.B. Premiumkunde erhält Brief auf wertigem Papier per Post, während andere Kundengruppen per E-Mail angesprochen werden.
5. Wir liefern fundierte Prognosen: Um die Effektivität der Marketingmaßnahme messen zu können, werden spezielle Messgrößen im operativen Verkaufssystem implementiert. Auf Basis der Reaktionen der Kundengruppen, liefern wir somit fundierte Prognosen über die zu erwartende Veränderung im Kaufverhalten.

Big Data Analytics – Was muss das Unternehmen tun, um erfolgreich zu sein!

Unternehmen sind bei der Umsetzung von Big Data Analytics Anwendungen mit vielen Herausforderungen konfrontiert:

• Strategie: Entwicklung von Zielen und Anwendungsfällen, um aus Daten einen ökonomischen Nutzen zu generieren
• Methoden und Tools: Auswahl und Anwendung von Big Data Analytics Werkzeugen (Methoden und Tools) zur Umsetzung der Anwendungsfälle
• Organisatorische Integration: Integration der entscheidungsrelevanten Information in operative Prozesse und Systeme z.B. Verkaufssystem, CRM
• Kontinuierliche Verbesserung: Wiederkehrende Analysen und stärkere Integration in Prozesse und Systeme.

Fazit

Es gibt zahlreiche Big Data Analytics Anwendungsfälle für kleine und mittlere Unternehmen. Somit ist Big Data Analytics auch für mittelständische Unternehmen kein abstraktes Zukunftsthema mehr, es ist in der Realität angekommen!