Business meets Data Science: So verwandeln Unternehmen Daten in Profit

Die wichtigste Frage beim Anlegen eines Datenpools sollte immer am Anfang stehen: Wie kann mein Unternehmen diese Daten in Profit verwandeln? Es ist kein Geheimnis mehr, dass Daten wertvolle Assets bilden. Aber hinter dem Ziel, diese Potenziale auszuschöpfen, bleiben viele Unternehmen noch zurück. Sie sammeln ziemlich kopflos immer mehr und neue Daten, statt ihr Unternehmen mit deren Analyse nach vorn zu bringen.

Data Science als Profittreiber 

Data Science schließt diese Lücke – als Katalysator, der Rohdaten aus verschiedenen Quellen in verwertbare Erkenntnisse umwandelt. Qualitativ hochwertige Insights und daraus abgeleitete Geschäftsentscheidungen ermöglichen Inbound- und Outbound Growth, mehr Sales und schließlich mehr Umsatz.  

Hierbei werden die Daten mithilfe moderner KI-Technologien aus unterschiedlichen Quellen zusammengeführt, verglichen und ausgewertet – alles unter dem Gesichtspunkt einer vorher gestellten Zielaufgabe. Der Input speist sich aus drei wesentlichen Datendimensionen: internen Kennzahlen, externen Kriterien wie Wetterdaten oder Verkehrsaufkommen und unstrukturierten Daten wie Bildern, Audio- oder Videodateien aus sozialen Netzwerken. Auf Grundlage der Auswertung werden Handlungsempfehlungen gegeben und Prognosemodelle erstellt, die Veränderungen im Kundenverhalten, Markttrends und potenzielle Chancen aufzeigen können.  

Business Value von Data Science ausschöpfen 

Jetzt kommen wir zum großen: Wie? Die Wertschöpfung des Datenpotenzials lässt sich auf drei Schwerpunkte konzentrieren, die in ihrer Gesamtheit das Unternehmen nach vorn katapultieren. Daraus lässt sich eine wirksame Strategie entwickeln, um mit intelligenten Tools wie paretos ein neues Level im Businesswachstum zu erreichen. 

1. Kundenwachstum generieren 
Es ist mindestens fünfmal teurer, einen neuen Kunden zu gewinnen, als einen bestehenden Kunden zu halten. Diese Binsenweisheit des Marketings ist auch die Grundlage für die datengetriebene Customer-Interaktion. 

• Mithilfe von Data Science können Unternehmen die Erstellung von Kundenprofilen verfeinern. Dadurch lassen sich Marketingkampagnen erheblich genauer und wirksamer ausspielen. Mit Hilfe von Customer-Analyse-Tools identifizieren Unternehmen Kunden, die bereit sind, mehr zu kaufen, und solche, die kurz davor stehen, zu einem Wettbewerber zu wechseln. Das Ziel der datengesteuerten Kundenanalyse ist es, einen einheitlichen, genauen Überblick über den Kundenstamm eines Unternehmens zu schaffen. Diese Daten dienen als Entscheidungsgrundlage für die Gewinnung und Bindung künftiger Kunden. Darüber hinaus können hochwertige Kunden identifiziert und proaktive Wege zur Interaktion mit ihnen vorgeschlagen werden. 
• Studien haben gezeigt, dass Kunden, die mit gezielten E-Mails angesprochen werden, 38 % mehr Geld ausgeben. Kunden, die erneut angesprochen werden, können in 70 % der Fälle zum Bleiben bekehrt werden.
• Treue Kunden sind essenziell und Abwanderungsprozesse können mithilfe von Data Science verhindert werden. Referenz-Cases von McKinsey zeigen, dass in einem Zeitraum von 1-3 Jahren ein Rückgang der Abwanderung um 10% verzeichnet werden konnte. Wenn Churn-Modelle, so die Empfehlung, bestimmte Schmerzpunkte identifizieren, können Unternehmen ihre Customer Journeys entsprechend optimieren. Und damit Probleme angehen, lange bevor sie zu einem erhöhten Abwanderungsrisiko führen.

2. Verkäufe steigern 
Data Science eignet sich als Tool auch ideal zur Umsatzsteigerung. Unternehmen können damit in der Regel ihre kundenorientierten Aktivitäten in den Bereichen Preisgestaltung, Cross- und Upselling sowie Werbeoptimierung zu verbessern. 

• Dank Tools wie paretos bekommen Unternehmen aufschlussreiche Einblicke, welche Faktoren sich wie auf den Verkauf auswirken. Das E-Commerce-Unternehmen SNOCKS setzte auf KI-basierte Preisanpassungen, die datengetrieben und bedarfsorientiert alle Einflüsse bis hin zu Temperaturen berücksichtigt. Damit konnte SNOCKS seine Bestellmenge innerhalb weniger Wochen um 30% steigern. 
• Im Marketing können KI-basierte Data-Science-Tools das Verhalten früherer Kunden analysieren und Leads bewerten, was zu einer größeren Vertriebseffizienz führt. Aus den Daten, die ein potenzieller Kunde (ein “Lead") auf einer Website hinterlässt, lassen sich wichtige Erkenntnisse über das Verbraucherverhalten gewinnen. Damit können Marketing-Teams ein smartes Vorhersagemodell erstellen. Unternehmen, die künstliche Intelligenz zur Bewertung von Leads einsetzen, konnten außerdem 50 % mehr Termine vereinbaren und die Anrufzeit um 60% reduzieren.
• Auch bei Fluggesellschaften, die ihren Fokus auf Preisoptimierung setzten, geben Analysen wertvolle Hinweise. Zum Beispiel, dass Kunden bereit sind, bis zu 50% mehr zu zahlen, wenn ihr gewünschtes Abflugdatum näher rückt. Das lässt sich auch auf andere Branchen übertragen, indem die Reaktionen der Kunden auf Preisänderungen anhand von Stimmungsanalysen untersucht werden. Die Stimmungsanalyse kann die Reaktionen der Kunden auf ein bestimmtes Ereignis in den sozialen Medien ermitteln.
• Basierend auf mehr als 100 Referenzfällen konnte McKinsey hinsichtlich des Bruttoumsatzes ebenfalls entscheidende Beobachtungen machen. Datengetriebene Erkenntnisse und Entscheidungen haben ein Wachstum von bis zu zwei Prozent in den Bereichen Sortimentsoptimierung, Cross- und Upselling, Preisgestaltung, Optimierung von Lagerbestand sowie Regalbestückung ausgemacht.

3. Kosten reduzieren
Spürbare Auswirkungen hat der Einsatz von Data Science auf den Bereich der Kostenreduzierung. Datengesteuerte Erkenntnisse zur Optimierung interner Prozesse bieten immenses Einsparungspotenzial. 

• Hier hat McKinsey über einen Zeitraum von ebenfalls ein bis drei Jahren den Impact von Data Science auf den Nettogewinn untersucht und kommt zu dem Ergebnis, dass sich bei Betrachtung der Bottom Line Use Cases, die sich auf die Zahl unterm Strich der Gewinn- und Verlustrechnung beziehen, folgendes Einsparungspotenzial bei den Ausgaben versteckt: Reduktion der Callcenter-Kosten mit vorausschauender Instandhaltung um 20-50%, bis zu 10% der Marketingkosten bei höherer Wirksamkeit der Ausgaben, bis 30% der Lagerhaltungskosten durch verbesserte Bedarfsplanung oder bis 30% der Logistikkosten durch Optimierung der Lieferketten. 
• Ein führender europäischer Paketdienstleister hat seine manuelle Einsatzplanung mithilfe der automatisierten Prognoseanalyse von paretos modernisiert. Nach nur 7 Monaten konnte die Prognosegenauigkeit um 10% gesteigert werden, was zu erheblichen Einsparungen bei den Personal- und Fuhrparkkosten führte. 
• Im Bankgeschäft lässt sich mithilfe von Zeitreihenanalysen voraussagen, wann Kunden wahrscheinlich in Zahlungsverzug geraten, so dass sich mit einem rechtzeitigen Unterstützungsangebot Vertragsverletzungen und Ausfälle verhindern lassen. 
• Ebenso ist Betrugsprävention ein wichtiges Feld für den Einsatz von datengetriebenen Analysen. 

Data Science und Decision Intelligence 

Die Möglichkeiten, Data Science für profitablere Geschäftezum Einsatz zu bringen, sind schier endlos. Mit der Frage, wie der Übergang zu einem smarten Businessmodell auf der Grundlage von datengestützten Prozessen und Entscheidungen gelingen kann, beschäftigt sich die junge Disziplin der Decision Intelligence. Sie ermöglicht es, traditionelle Entscheidungsprozesse mit fortschrittlichen Technologien wie KI, Machine Learning und Datenabfragen in Alltagssprache (NLQ) zu kombinieren und Data-Science-Prozesse auf eine neue Ebene zu heben. Mit KI-basierten Decision-Intelligence-Plattformen wie paretos werden Unternehmen heute in die Lage versetzt, selbst ohne Data-Science-Vorkenntnisse komplexe Datenanalysen durchzuführen, für die normalerweise Analysten oder Data Scientists notwendig wären. 

Was kommt auf Unternehmen zu?

Die Anschaffung von Technologie ist der erste wichtige Schritt, um deren Potenzial voll auszuschöpfen. Allerdings, so betont McKinsey bei der Veröffentlichung seiner Research-Ergebnisse (s.o.), können die genannten Wirkungswerte nur im Falle von Investitionen und Veränderungsmanagement erreicht werden. Dazu gehört auch, Silos im Unternehmen aufzubrechen, die Daten- und Deutungshoheit aus den IT-Abteilungen herauszulösen und sie der gesamten Organisation zugänglich zu machen. Datenwissenschaftler sind zu häufig von den Entscheidungsfindungen im Unternehmen abgekoppelt und die Entscheidungsträger haben meist keinen Zugang zu den Analyse-Ergebnissen und darüber hinaus nicht das Wissen, diese zu interpretieren. Datengestützte Entscheidungsprozesse lassen sich nur durch inklusive Zusammenarbeit aller daran Beteiligten wirksam entfalten. 

Operative Tipps, um diese Herausforderung anzugehen: 

• Es beginnt damit herauszufinden, welche Arten von Einblicken Ihrem Unternehmen Vorteile bringen würden. 
• Der Fokus sollte auf den Top-3-Anwendungsfällen liegen, die am einfachsten oder am schnellsten zu implementieren sind, oder auf denjenigen, die erhebliche Auswirkungen auf das Geschäft haben 
• Es sollte es keine „datenwissenschaftlichen Projekte" mehr geben. In jedes Projekt und jede Anwendung sollte Data Science eingebettet sein. 
• Keine Konzentration auf IT-Talente – die eigentliche Veränderung muss in der ganzen Belegschaft stattfinden. Die Mitarbeiter:innen brauchen Unterstützung dabei, ihren Analytik-Quotienten (AQ) und damit ihre Data-Science-Kompetenz zu erhöhen – z. B. mit einem Decision-Intelligence-Tool. 
• Der Umbau sollte pragmatisch und iterativ angegangen werden, um Ergebnisse schnell zu testen und die Parameter gerade am Anfang flexibel anpassen zu können. 

Exkurs: Welche Rolle spielt Data Sharing?

Hier findet sich die Basis für das Vorhaben, Data Science in das Unternehmen zu integrieren. Die gemeinsame Nutzung von Daten bricht Silos auf und reißt Barrieren nieder, die der effizienten Nutzung der Rohdaten im Wege stehen. In den Köpfen stecken immer noch das alte Hierarchiedenken und der Reflex, wichtige Daten vor dem Zugriff „Unbefugter“ zu schützen. Das aber führt in der Praxis zu massiven Einschränkungen. Wenn verschiedene Abteilungen die gleichen Informationen benötigen, aber nicht darauf zugreifen können, bremst das die Produktivität und Effizienz des gesamten Unternehmens. Data Sharing vermeidet Redundanz, erschließt wertvolle Datenbestände, fördert die Transparenz und damit die Zusammenarbeit und Produktivität der Mitarbeitenden. Und das nicht nur innerhalb des eigenen Unternehmens! Data Sharing im B2B-Bereich eröffnet ganz neue Möglichkeiten.  

Bekanntestes Beispiel ist das von der US-Regierung in den 1970er-Jahren entwickelte Global Positioning Systems (GPS), dessen Daten heute die Grundlage vieler innovativer Geschäftsfelder bildet. Data Sharing Economy über Organisations- und sogar Branchengrenzen hinweg ist ein System, in dem Unternehmen Daten mit Partnern, Herstellern, Lieferanten und anderen Drittparteien teilen, die Teil der Lieferkette und der Geschäftsprozesse sind. Unter Berücksichtigung von Datenschutz, Regulierungen sowie wettbewerbsrelevanten und anderen Einschränkungen kann das B2B-Sharingmodell kann dazu beitragen, die Produktivität, Effizienz und Entscheidungsfindung innerhalb des eigenen Unternehmens zu verbessern.