Datenanalyse mit echtem Mehrwert bleibt ein Topthema.
Bereits in seiner Begrüßungsrede am ersten Tag betonte Martin Szugat, Geschäftsführer von Datentreiber, wie sich der Fokus auf messbaren Mehrwert mit Daten durch beide Tage der Predictive Analytics World Reihe ziehen wird. Die Konferenzreihe bekommt in Deutschland ab 2020 neben den Veranstaltungen zu Business und Industry 4.0 mit der Predictive Analytics World for Healthcare weiteren Zuwachs.
Beweis dafür, dass erstens das Interesse an der Thematik ungebrochen ist. Zweitens auch dafür, dass Problemstellungen sehr fachspezifisch betrachtet werden müssen. Nur so kann der ebengenannte Mehrwert erzielt werden.
Durchdringen Sie die Problemstellung zuerst fachlich.
In seiner Keynote „Let‘s Change How We Compute Customer Lifetime Value“ stellte Dean Abbot keine neue Formel zur Berechnung des Kundenlebenswerts (im Englischen „Customer Lifetime Value“, kurz „CLV“) vor. Vielmehr strich er heraus, wie wichtig die genaue fachliche Formulierung einer Problemstellung ist, die mit Hilfe von Datenanalyse gelöst werden soll.
Basierend auf den gleichen Daten können unterschiedliche Zielvariablen berechnet werden. Deshalb ist es wichtig, das Ziel vorab klar zu definieren.
Um beim Beispiel des Kundenlebenswerts zu bleiben: Wie soll der Wert eines Kunden definiert werden? Und ist es wirklich wichtig, wie wertvoll ein Kunde in 5 Jahren sein wird? Abbots Meinung dazu: Wahrscheinlich eher nicht, da sich bis dahin das Geschäftsmodell in einigen Industrien eventuell schon wieder grundlegend geändert haben wird.
Nehmen Sie unterschiedliche Perspektiven ein.
Wenn zwei Kunden nur nach ihrem durchschnittlichen Bestellwert bewertet werden und dieser bei beiden gleich ist, sind dann wirklich beide Kunden gleich viel wert? Vielleicht macht es Sinn, noch eine andere Perspektive in die Berechnung mitaufzunehmen. Dies könnte zum Beispiel die Aktivität des Kunden sein. Also wie häufig besucht der Kunde einen Online Shop und vor allem wie aktiv ist er bei diesen Besuchen.
Zudem können erst mit unterschiedlichen Modellen eben auch Unterschiede herausgearbeitet werden. Diese können der nächste Ansatzpunkt für eine tiefergehende Analyse sein:
Welche Kunden sind bspw. als „High-Shoppers“ klassifiziert, haben sich aber nicht wie solche verhalten. Warum? Können diese incentiviert werden? Welche waren als „Low-Shopper“s klassifiziert sind aber „High-Shoppers“? Warum? Können diese konvertiert werden?
Sie müssen nicht Ihre Strategie aufgeben.
Julia Butter und Olalekan Elesin zeigten in ihrem erkenntnisreichen Vortrag „From Data to Data-Driven to an AI-ready Company at Scout24: Enabling Product Teams to Build AI-Driven Products at Scale“ den Weg von Scout24 zu einem Unternehmen auf, das bereit ist, Künstliche Intelligenz häufiger in seine Geschäftsprozesse zu integrieren. Dies erfolgt aber ohne etwa dabei die eigenen Produktmaxime wie „consumer first“ und „mobile first“ einfach gegen „AI first” einzutauschen.
Der Weg von Scout24 führte dabei über sechs Schritte:
- Big Bang
- Christmas Special
- Communication
- AI Community
- Training
- AI Platform
Auch wenn nicht alle genannten Schritte selbsterklärend sind und Sie vielleicht keinen KI-Weihnachtskalender einsetzen wollen, so streicht aber vor allem die AI-Plattform heraus, dass die Zeit der Prototypen bei Künstlicher Intelligenz vorbei ist.
Für Scout24 ging es darum mit dieser Plattform die technische Grundlage für das schnelle Experimentieren mit Daten zu liefern. Diese Grundlage setzt bereits früh auf Standards und bietet zentrale Services zum Beispiel für das Data Labeling an.
Ein weiterer Punkt, welcher sich durch nahezu alle Vorträge zog, wurde auch bei Scout24 immer wieder als entscheidender Erfolgsfaktor betont: Das Data Science-Team darf nicht im Elfenbeinturm bleiben, sondern muss Seite an Seite mit dem Fachbereich zusammenarbeiten.
Gewinnen Sie das Vertrauen Ihrer internen Kunden.
Sowohl beim Vortrag „Finding B2B Cross-Selling Opportunities at Schneider Electric with Deep Learning“ als auch bei Diana Mozo-Andersons Präsentation zum Thema „How Predictive Modelling is used to Optimise Towards ROI at VGW“ wurde die Wichtigkeit der vorher erwähnten direkten Zusammenarbeit hervorgehoben. Allein schon zur Vertrauensbildung.
Bei Schneider Electric musste das Vertrauen des Verkaufspersonals gewonnen werden, um die von einem Deep Learning-Modell automatisch vorgeschlagenen Cross Selling-Produkte auch wirklich in das Kundengespräch mitzunehmen. Die Vorschläge kommen aus einem Produktkatalog, der mehr als eine Million unterschiedlicher Artikel enthält. Eine Menge also, die von keinem auch noch so erfahrenem Verkäufer beherrscht werden kann.
Bei Virtual Gaming World (VGW) wiederum sind die Kennzahlen zur Berechnung des ROI in der direkten Zusammenarbeit vom Marketing- mit dem Data Science-Team entstanden. Dies geschah im Rahmen eines iterativen Prozesses, welcher mittlerweile die Basis für die strukturierte Zusammenarbeit zwischen dem Fachbereich und der Data Science-Abteilung bildet.
In der Zwischenzeit sieht die Organisation bei VGW auch vor, dass die Data Science-Kollegen direkt in den Fachbereich eingebettet sind. Laut Diana Mozo-Anderson der größte Mehrwert. Kurze Wege. Direkte Abstimmungen. Keine Übersetzungsfehler. Schnelle Entscheidungen.
Verstehen Sie die Anwendungsfälle der Technik.
Mit dem Hype rund um Daten und deren Verarbeitung sind auch die unterschiedlichsten Software-Produkte entstanden. Teilweise werden diese als Allheilsbringer gefeiert.
Eine immer noch relativ neue Kategorie von Software, die Customer Data Platform (CDP), ist eines der Produkte, in welche Unternehmen besonders viel Hoffnung setzen, um sämtliche Datenprobleme lösen zu können. Diese beleuchtete David Raab in seiner charismatischen Präsentation „Behind the Buzzword: Understanding Customer Data Platforms in the Light of Predictive Analytics“ abseits von unrealistischen Erwartungen.
Nach einer kurzen theoretischen Erläuterung auf Basis einer knappen Definition („Packaged software that builds a persistent, unified database that is accessible to other systems“), stellte er die unterschiedlichen Arten von CDPs vor:
- Data CDPs: Die klassische Form, welche „nur“ die Datenintegration sowie die persistente Datenhaltung und offene Schnittstellen bereitstellt.
- Analytics CDPs: Bietet zusätzlich Funktionalitäten zur Auswertung der Daten (bspw. mit Hilfe von unterschiedlichen Analysemodellen).
- Campaign CDPs: Enthält weitere Features, die das Planen und Durchführen von Kampagnen ermöglichen.
Jedes Unternehmen muss demnach auf Basis der vorhandenen analytischen Anwendungsfälle entscheiden, ob eine CDP überhaupt benötigt wird bzw. welche Funktionalitäten notwendig sind. Zudem spielt der analytische Reifegrad der Anwendungsfälle eine wesentliche Rolle, welchen Sie zum Beispiel mit dem Analytik-Reifegrad Canvas aus dem Datenstrategie-Designkit herausarbeiten können.
Verpassen Sie keine Neuigkeiten.
Hat Ihnen dieser Artikel gefallen? Dann registrieren Sie sich doch gleich für den Datentreiber-Newsletter. Somit erhalten Sie neben dem Artikel zum zweiten Tag der Predictive Analytics World for Business, sobald dieser veröffentlicht wird, monatlich weitere Beiträge und Neuigkeiten rund um Datenstrategie-Design und Analytics sowie Rabattcodes für zukünftige Konferenzen.
[cleverreach_signup]
Anmerkung: Dieser Beitrag wurde von unserem Gastautor Martin Raffeiner, Geschäftsführer von datenbotschafter consulting, verfasst.
