Diese Dynamik kommt nicht von ungefähr, schließlich geht mit dem Aufbau eigener Analytics-Kompetenz unmittelbar eine Stärkung im Wettbewerb einher. Die kluge Deutung von Rohdaten bringt immense Implikationen für die Steuerung von Marketing, Vertrieb und Service mit sich – allesamt unternehmerische Schaltstellen mit enormer Hebelwirkung auf den Umsatz und die Kostenstruktur. Angesichts dessen sollten auch zurückhaltende Unternehmen spätestens jetzt hellhörig werden und ihre Haltung zu Data-Analytics-getriebenen Handlungsoptionen überdenken.
Die Macht der Daten ist kaum zu überschätzen. Anhand komplexer Analysen lassen sich Kundenbedürfnisse schneller und präziser identifizieren, verstehen und adressieren. Mit Business Intelligence gesteuerte Marketing-, Service- und Vertriebseinheiten werden dem richtigen Kunden das richtige Produkt und die richtige Leistung über den richtigen Kanal zur richtigen Zeit anbieten – zumindest mit einer größeren Wahrscheinlichkeit als dies in Unternehmen passiert, deren Wissensgrundlage nicht auf intelligenten, voll- oder teilautomatisierten Datenanalysen beruht.
Alle sind dabei. Netflix. Zalando. Und Facebook sowieso.
Wie mächtig die Möglichkeiten von Big Data Analytics an der Kundenschnittstelle sind, zeigen verschiedene aktuelle Anwendungsbeispiele internationaler Player. Teils sind diese etabliert und bekannt, teils aber auch brandaktuell und frappierend. Dass Onlinehandelshäuser Produktvorschläge anhand der bisherigen Warenkörbe eines Kunden unterbreiten, gehört seit Amazon zum guten Ton im E-Commerce. Auch Facebook kommuniziert offen, dass dem Kunden im Idealfall nur Werbung ausgespielt werden soll, die ihm voraussichtlich gefallen wird. Darüber entscheiden Algorithmen im Hintergrund anhand von Klickmustern, Seiten-Verweildauern, Gefällt-mir-Angaben und anderen Parametern. Netflix geht einen Schritt weiter in die Produktentwicklung. Der Produzent und Streaming-Anbieter entscheidet unter Zuhilfenahme von prädiktiver Analytik, welche Charakteristika eine künftige Eigenproduktion auszeichnen sollen. Die 100 Millionen Dollar teure Erfolgsserie „House of Cards“, übrigens die erste Eigenproduktion des Streamingdienstes, ist das Ergebnis solcher Analysen von Kundenverhaltensmustern. Als Crossover der genannten Anwendungsfälle lassen sich die Pläne des 300-Mio.-Umsatz-Start-ups Tripelift deuten. Firmenchef Ari Lewine will personalisierte Werbung direkt in die Szenerie einer laufenden Serie einblenden, konkret: Produkte sollen an definierten Stellen digital in die Kulisse integriert werden – live, während des Streamings und für jeden Zuschauer individuell neu berechnet. Wundern Sie sich also nicht, wenn The Witcher plötzlich statt eines Zaubertanks Ihr Lieblingsbier genießt. Schon dieses Jahr soll die futuristische Technik bei den Streamingdiensten ankommen. Weitere interessante KI-basierte CRM-Start-ups stellen wir übrigens in unserem Customer Management Landscape Report vor.
Customer Intelligence rechnet sich
Solche intelligenten Berechnungen generieren nicht nur Umsatz, sie sparen auch Geld. Bei Zalando etwa kann das Marketingteam seit der Einführung von Automatismen und Algorithmen jährlich einen siebenstelligen Betrag auf die hohe Kante legen. Die Servicequalität bleibt davon unberührt. Und der Kochbox-Anbieter HelloFresh hat die Berichterstattung mittels einer zentralisierten Business-Intelligence-Lösung automatisiert. Sie erspart dem Team inzwischen täglich zwischen 10 und 20 Stunden Fleißarbeit. Die gewonnene Zeit investiert das Marketingteam jetzt zusammen mit fundierten Daten in individuell geprägte Regionalkampagnen.
Die spektakulären Nachrichten aus dem Bereich der KI und der Business Analytics rund um die Welt wecken natürlich Begehrlichkeiten. Grundsätzlich teilen wir von MUUUH! Consulting derartig potenzialausschöpfende Customer-Intelligence-Visionen und unterstützen unsere Kunden auf dem Weg zu guten datenbasierten Entscheidungen an der Kundenschnittstelle.
Business Intelligence ist harte Arbeit und Disziplin
Doch auch wenn die zitierten Möglichkeiten Business Intelligence fast trivial wirken lassen, ist es mit dem Einkauf eines BI-Systems nicht getan. Moderne BI-Tools können die genannten Szenarien durchaus übersichtlich und verständlich darstellen. Doch dass dies automatisch passiert, ist ein gefährlicher Trugschluss. Bis Unternehmen im Analytics-Bereich Erfolge mit Leichtigkeit und auf Knopfdruck einfahren, müssen sie jede Menge Handarbeit leisten und höchste Disziplin walten lassen. Schließlich ist eine Software immer nur so gut, wie die zugrundeliegenden Daten.
Verdeutlichen Sie sich eines: Wenn die Datenbasis „Kraut und Rüben“ ist, dann werden Sie als Unternehmen auch nur Kraut und Rüben ernten. Ohne saubere, vollständige und vergleichbare Daten bleiben die mit Business Analytics verknüpften Wünsche und Ziele unerreichbar.
Tool, Task und Daten hängen voneinander ab
Aus unserer bisherigen Projektarbeit wissen wir, dass ein Anwendungsszenario X, ein gewähltes Analytics-Tool Y und der zugrunde gelegte Datensatz Z präzise und individuell aufeinander abgestimmt sein müssen. Die Daten und das Tool müssen zwingend den Anforderungen genügen. Ändert sich die Aufgabenstellung, werden auch Modifikationen am Tool erfolgen und die Datenauswahl überdacht werden müssen. Es ist immerhin ein Unterschied, ob ein Unternehmen Performance-Indikatoren aus dem Vertrieb darstellen will, oder abwanderungsgefährdete Kunden identifizieren möchte. Zwar sind moderne BI-Tools zur Berechnung beider Sachverhalte in der Lage. Die Anforderungen an die Daten unterscheiden sich hingegen signifikant.
80 Prozent der Arbeitszeit eines BI-Projektes fließt in die Datenaufbereitung
Die Ausgangslage in den meisten Unternehmen ist allerdings frustrierend. Häufig arbeiten Firmen auf einer fragmentierten, über die Jahre gewachsenen Systemlandschaft. Daten liegen in Subsystemen verteilt, die sich nicht ohne Weiteres miteinander verknüpfen lassen. Uneinheitliche Kennzahlen und fehlende übergreifende Steuerungsmechanismen erschweren den Durchblick zusätzlich. Dies und die meist unzureichende Datenqualität führt zu einem ganz erheblichen manuellen Aufwand bei der Datenaufbereitung. Je nach Zustand gilt die Faustregel, dass bei der Implementierung einer BI-Basis bis zu 80 Prozent des betriebenen Aufwands in die Aufbereitung der Daten fließt.
Customer Analytics: Mehr Kundenorientierung mit Daten
Die Entwicklung einer Datenstrategie einerseits und die Umsetzung einer Datenstrategie andererseits wollen wir getrennt betrachten und damit noch einmal unterstreichen, dass die Umsetzung nur mit einer guten Vorarbeit erfolgreich sein kann. Die Phasen der Entwicklung und der Umsetzung teilen wir in zusammen fünf separate Steps ein; nach diesem Schema lassen sich beliebige Datentöpfe zusammenführen und die Muster der enthaltenen Daten vereinheitlichen. Ein agiles Projektmanagement hat sich in diesem Kontext nach unserer Erfahrung am besten bewährt.
Datenstrategie entwickeln
1. Analyse und Bewertung der IT-Systeme und Datenbanken
• Ausgangssituation verstehen und bewerten
2. Zielbilderstellung & Technologieauswahl
• Definition: Welches Anwendungsszenario möchte ich mit welcher Technologie umsetzen?
Datenstrategie umsetzen
3. Aufsetzen der Infrastruktur
• Implementieren der erforderlichen Technologie (Hardware und Software)
4. Implementieren der Datenlogistik, und -automation
• Verknüpfen der Daten-Welten untereinander und an das BI-Tool
5. Sukzessive Umsetzung der Use Cases
• Agiles Vorgehen und Aufbau skalierbarer Testfälle (MVPs).
Auf die einzelnen Steps gehen wir in den kommenden Wochen hier im Blog detaillierter ein. Abonnieren Sie hier die kommenden Artikel zum Thema Business Intelligence an der Kundenschnittstelle.
Wie Rom: Customer Analytics wird nicht an einem Tag erbaut
Jedes Unternehmen möchte gerne sofort Churn-Scores berechnen, Neuronale Netze trainieren, KI beherrschen, die Next Best Action (NBA) vorhersagen oder komplexe Kundenwertmodelle aufbauen und auf Knopfdruck anwenden können. Tatsächlich fängt grundsolide Customer Analytics aber klein an und durchläuft im Regelfall vier aufeinander aufbauende Phasen.
1. Ein Unternehmen beherrscht die deskriptive Analyse, kann somit rückwirkend beschreiben, was passiert ist. („Kunden, die X gekauft haben, kauften auch Y.“)
2. Die diagnostische Analyse kann darauf aufbauend interpretieren, warum etwas passiert ist.
3. Die höhere Kunst ist die prädiktive Analysen. Zur Frage „Was wird passieren?“ gehört etwa Kundenwertmodellierung.
4. Mit der präskriptiven Analysen weiß ein Unternehmen schließlich, wie es etwas passieren lassen kann. Erst hier wäre die Churn Prevention anzusiedeln.
Fazit: Es steht außer Frage, dass die Leistung von Hard- und Software inzwischen einen Punkt erreicht hat, an dem die selbstverständliche analytische Nutzung von Daten für Unternehmen interessant – und mit Blick auf die eigene Position im Wettbewerb auch wichtig wird. Es liegt im ureigenen Interesse eines jeden Unternehmens, jede Entscheidung an der Kundenschnittstelle mit der bestmöglichen Datengrundlage zu untermauern. Doch Vorsicht: Die vielen guten BI-Tools lassen das Ergebnis simpel und den Weg dorthin trivial wirken. Aber die Wirklichkeit ist kompliziert. Wollen Unternehmen mit Customer Intelligence glänzen, müssen sie im Vorfeld ihre Daten fit machen. Sie bilden die Basis für die gewünschten Anwendungsszenarien und auch für die Technologieauswahl. Der Aufwand für eine Aufbereitung der Daten ist jedoch in der Regel viel größer, als die meisten Verantwortlichen annehmen. MUUUH! Consulting stellt in den nächsten Wochen hier im Newshub die einzelnen Schritte für die Auswahl, Entwicklung und Umsetzung der passenden Strategie zum datengetriebenen Kundenmanagement vor – basierend auf der Erfahrung aus mehr als 1.000 Kundenmanagement-Projekten. Bleiben Sie am Ball! Gerne begleiten wir auch Ihr Projekt zum Erfolg. Sprechen Sie uns an.
