«Wir haben eine Menge Daten über unsere Kunden gesammelt. Wie können wir nun Wert daraus generieren?» – ist das der richtige Ansatz?
Optionen für die Nutzung von Daten
Daten werden überall um uns herum verwendet und zwar für eine Vielzahl von Zielen:
- Entwicklung besserer Produkte für Kunden
- Verbesserung von Cross-Selling und Konvertierung von Kunden
- Voraussagen des Verhaltens von Kunden, um darauf proaktiv reagieren zu können
- Verkauf von Daten an andere Unternehmen
- Verbesserung von internen Prozessen
Einige Beispiele für Datenanwendungen bei Unternehmen sind:
- Angebote von Telekommunikationsgesellschaften an bestehenden Kunden, um einen Wechsel zu vermeiden
- Vorschläge von Streaming-Diensten, welcher Film ein Kunde auch interessieren könnte
- Massgeschneiderte Produkte von Versicherungen oder Banken für jedes Kundensegment
- Identifikation von Wartungsbedarf und Vorhersage von Ausfällen bei Maschinen und komplexen Systemen
Viele Unternehmen tun sich schwer damit, aus ihren Daten Mehrwert zu ziehen. Entweder wissen sie nicht, was sie mit den gesammelten Daten anfangen sollen, oder sie haben Ideen zur Wertschöpfung, verfügen aber nicht über die notwendigen Daten und Fähigkeiten, um diese Ideen umzusetzen. Um zu wissen, wo man ansetzen soll, muss man sich zunächst Gedanken darüber machen, wie aus Daten ein Mehrwert gewonnen wird. Hierfür hat sich die Wertschöpfungskette von Data Science bewehrt.
Die Wertschöpfungskette von Data Science
Um aus Daten Geschäftswert zu erzeugen, bietet sich der folgende Prozess an:
Data Science, Data Analytics, Big Data, Machine Learning – Diese Themen spielen bei vielen Unternehmen eine immer wichtigere Rolle.
Doch wie kann man entscheiden, wo man anfangen soll? Welches Projekt wird für das Unternehmen einen Mehrwert bringen? In diesem Artikel stellen wir ein Framework vor, um zu bestimmen, welchen Wert man mit Daten schaffen kann. Wir erläutern dieses Framework und erklären es anhand eines praktischen Beispiels.
Die Schritte in diesem Prozess sind:
- Ausgangspunkt sind (möglichst viele) relevante Daten von hoher Qualität.
- Lernende Algorithmen werden auf diese Daten losgelassen, um Vorhersagen zu treffen und so Erkenntnisse (Insights) für die Zukunft zu gewinnen.
- Die Erkenntnisse werden durch mathematische Optimierung oder Anwendung von Geschäftsregeln in die besten Massnahmen (Actions) umgewandelt.
- Anschliessend wird das Ergebnis der Massnahmen, der generierte Wert und darüber hinaus die Wirksamkeit des Lösungsansatzes gemessen. Die Ergebnisse dieser Messungen werden verwendet, um den Lösungsansatz zu verbessern.
Aber mit welchen Daten und Techniken sollte man anfangen zu arbeiten? Um diese Frage zu beantworten, muss man am Ende der Wertschöpfungskette beginnen. Denn eine gute Lösung bedeutet oft, dass man sich rückwärts durch den Prozess arbeitet, indem man bei dem zu lösenden Problem oder der Chance zur Schaffung von Geschäftswert startet. Daraus definiert man potenzielle Massnahmen, die ergriffen werden könnten, um das Problem zu lösen oder die Chance zu nutzen. Von dort aus kann man bestimmen, welche Erkenntnisse erforderlich sind, um zu entscheiden, welche spezifischen Massnahmen zu den besten Ergebnissen führen werden. Dies führt zu den Daten, die für die Lösung erforderlich sind.
Wieviele Sandwiches braucht es auf einem Flug?
Wie das konkret funktioniert, erklären wir anhand eines Beispiels. Eine Fluggesellschaft stellt fest, dass auf manchen Flügen viele frische Sandwiches nicht verkauft werden und dann weggeworfen werden müssen. Auf anderen Flügen sind zu wenig Sandwiches vorhanden. Dies führt zu unzufriedenen Passagieren, was auch die Flugbegleiter zu spüren bekommen. Dies bedeutet, dass die richtige Anzahl von Sandwiches auf mehreren Stufen Mehrwert schaffen kann:
- Geringere Kosten
- Höherer Umsatz
- Höhere Kundenzufriedenheit
- Höhere Mitarbeiterzufriedenheit
Die Massnahme besteht also darin, für jeden Flug eine optimale Anzahl Sandwiches beim Caterer zu bestellen. Dabei hängt die optimale Anzahl von der Flugstrecke, dem Wochentag, der Abflugzeit des Flugs und von der Anzahl Passagiere ab. Die Fluggesellschaft muss wissen, wie viele Sandwiches auf jedem Flug verkauft werden und welche Nachfrage nicht befriedigt werden kann. Daten über den Verkauf stehen normalerweise zur Verfügung. Um die nicht befriedigte Nachfrage zu analysieren, sind zusätzliche Daten nötig. Daher wurde die App, die die Flugbegleiter für den Verkauf nutzen, erweitert, um auch diese Daten zu erfassen. Auf der Grundlage dieser Daten wurde ein Modell entwickelt, um die erwartete Nachfrage vorherzusagen. Diese wird dann auf die beste Bestellmenge mit minimalen Umsatzverlusten, minimalem Abfall usw. optimiert.
Viele Daten sind nicht gleichbedeuten mit den richtigen Daten
Zurück zur einleitenden Frage: Sich auf die schon gesammelten Daten zu verlassen, ist nicht immer zielführend. Stattdessen sollte man ausgehend vom Problem oder der Chance überlegen, welche Daten oder Erkenntnisse nötig sind. Manchmal fehlen Daten, die man zuerst sammeln muss, um den grössten Mehrwert zu generieren.
Wir werden in weiteren Blog-Artikeln auf die Details von Data Science eingehen. Wenn ihr inzwischen eure Kenntnisse und Fähigkeiten im Bereich Data Science weiterentwickeln möchtet, sind die (Online-)Trainings von GoDataDriven eine tolle Möglichkeit dazu. GoDataDriven ist, wie auch SwissQ, ein Teil von Xebia. Co-Autor dieses Artikels ist Herbert van Leeuwen, Analytics Translator Trainer bei GoDataDriven.