Die jeweiligen Fachabteilungen wissen meist recht genau, in welchen Situationen Handlungsbedarf besteht. Umzüge in Einfamilienhäuser (Cross-Selling für Gas), Beschwerden (Kündigerprävention) und viele weitere Anlässe bieten Kampagnen wichtige Aufhänger. Derzeit werden sie durch Reports adressiert, doch häufig vergeht zwischen der Datenanfrage aus Marketing oder Vertrieb und dem Eintreffen des Reports zu viel Zeit. Diese Latenzen verhindern innovative, erfolgreiche Kampagnen, leider sind ihre Ursachen vielfältig. Erstens bremsen komplexe Abstimmungsprozesse den Austausch zwischen der IT und den Fachabteilungen. Komplex sind zweitens auch die IT-Strukturen selbst, und drittens sind freie IT-Ressourcen für Anforderungen aus den Fachabteilungen häufig sehr knapp.
DATENAUTOBAHN: FREIE FAHRT FÜR FACHABTEILUNGEN
Um Erkenntnisse schnellstmöglich zu produzieren und dabei IT- und Analytics-Ressourcen zu schonen, müssen die Mitarbeiter der Fachabteilungen direkten Zugriff auf relevante Daten erhalten. Zusätzlich besteht die Herausforderung, diese Daten so aufzubereiten, dass ein intuitiver Umgang mit ihnen möglich ist. Mittlerweile bietet die so genannte BI-in-Memory-Technologie, mit der ganze Datenbanken direkt in den Arbeitsspeicher geladen werden, vielfältige Möglichkeiten des Datenzugriffs – auch ohne umfangreiche IT-Kenntnisse und ohne den umfangreichen Aufbau von Data-Warehouse-Strukturen. Insbesondere die Wahl geeigneter Visualisierungen der vorhandenen Daten unterstützt die Mitarbeiter der Fachabteilungen darin mit diesen Daten umzugehen.
Die künftigen Analysten in der Fachabteilung schlüpfen im Customer Value Lab von MUUUH! in die Rolle des „Citizen Data Scientist“. Sie sind datenaffine Fachanwender, die aber keine formellen und tieferen Kenntnisse in Mathematik, Statistik oder Datenbankprogrammierung vorweisen müssen. Ihre Stärke besteht darin, Auffälligkeiten in aufbereiteten Daten zu finden und Konsequenzen für ihre Fachbereiche abzuleiten.
1. BI- und Statistikexperten konzentrieren sich auf die Infrastruktur
Der praxiserprobte Fachbereichsmitarbeiter kann häufig schon anhand visuell aufbereiteter Daten einfach Zusammenhänge und Unregelmäßigkeiten erkennen und aus diesen Erkenntnissen effektive, folgerichtige Maßnahmen ableiten. Die Unterstützung der IT-Abteilung benötigt er künftig nur noch, wenn komplexe statistische Modellierung durchgeführt, optimiert und automatisiert werden müssen. Als Ergänzung zu den Citizen Data Scientists in den Fachabteilungen kommt dem Ansprechpartner in der IT-Abteilung die Rolle des Core Data Scientists zu – hochspezialisiert und ausgestattet mit umfassender formeller Expertise in der Datenanalyse. Er konzentriert seine Arbeit auf das Fine-Tuning statistischer Modelle und der Skalierung der relevanten Analysemodelle.
Auf Basis dieser Erfahrungen empfehlen wir, Einmal-Analysen und Auffälligkeitsprüfungen den Fachabteilungen zu überlassen. Diese Arbeitsteilung beschleunigt den Erkenntnisgewinn in den Fachabteilungen signifikant und schafft freie Ressourcen bei den Core Data Scientists, um komplexe statistische Modellierungen durchzuführen.
2. Praxisrelevanz: Die tägliche Arbeit mit Daten und Analysen
Die Verlagerung der Datenarbeit in die Fachabteilungen funktioniert nur dann, wenn die Kennzahlen und statistischen Analysen für die tägliche Arbeit relevant und praktikabel sind. Die Fachexperten müssen einerseits die Zeit haben, sich intensiv mit den Daten zu beschäftigen. Andererseits muss der Umgang mit den Daten möglichst einfach funktionieren.
Nur wenn der Zugang zu Daten intuitiv möglich ist und die Mitarbeiter der Fachabteilungen spielerisch Analysen durchführen können, können sie datengetriebene Entscheidungen mit geringen Latenzen zwischen Analyse und Handlung fällen. Die Visualisierung von Daten trägt wesentlich zum intuitiven Umgang mit Daten bei – im Idealfall sogar zielführend ohne statistische Fachkenntnisse. Dies gilt insbesondere für die Aufbereitung der Ergebnisse aus Prognosemodellen.
Auch die Automatisierung von Standardreports in flexible Dashboards erleichtert den täglichen Umgang mit Regel-Reportings erheblich. Zusätzlich löst die Automatisierung der Reports ein zweites Problem. Viel zu häufig werden in Meetings weniger die Aussagen einer Analyse diskutiert, als vielmehr die Datenbasis in Frage gestellt, wenn die Ergebnisse überraschen. Das reduziert das Vertrauen in die Analysen und lenkt die Diskussion von Handlungsbedarfen ab.
