Strategien


Fehler vermeiden

6 Irrtümer bei Big Data-Projekten

Werner Kurzlechner lebt als freier Journalist in Berlin und beschäftigt sich mit Rechtsurteilen, die Einfluss auf die tägliche Arbeit von Finanzentscheidern nehmen. Als Wirtschaftshistoriker ist er auch für Fachmagazine und Tageszeitungen jenseits der IT-Welt tätig.

Ein Beispiel dafür aus der Praxis: Eine große Versicherung fokussierte ihre Datenanalyse auf Betrugsfälle. Mit Hilfe eines Text-Mining-Algorithmus konnte die Entlarvung von Delikten um ein Fünftel gesteigert werden, was 30 Millionen US-Dollar an Kostensenkung mit sich brachte. All das gelang mit Advanced Analytics. Der Grundstein ist laut Bain gelegt, um nun weiter in IT-Technologie zu investieren - in Big Data, und zwar von einer bewährten Basis aus.

2. Je mehr Daten man analysiert, umso größer der Mehrwert: Hier lauert die Falle der Überinvestitionen in Datenquellen, die ihren Wert nicht bewiesen haben. Gleichzeitig droht die Aufmerksamkeit für nahe, aber wertvolle Datenquellen verloren zu gehen.

Mit dem Durchbruch von Social Media und mobilen Endgeräten machte sich laut Bain Goldgräberstimmung breit. Gesucht wird nach neuen Datenschätzen. Wie Forrester stellen aber auch die Bain-Berater fest, dass viele Firmen allmählich im Datenmeer zu ersaufen drohen. Leider befänden sich die vorhandenen Daten oftmals in unzugänglichen Silos. "Erfolgreiche Big Data-Reisen beginnen zumeist mit der vollständigen Auswertung der vorhandenen Daten", so Bain. "Aus analytischer Perspektive ist es im Allgemeinen einfacher, Daten mit einer gewissen Historie auszuwerten als brandneue Datensätze in Angriff zu nehmen."

Intensives Cross-Selling-Marketing bei aktiven Kunden

Das Anwenderbeispiel hierzu liefert ein US-amerikanisches Telekommunikationsunternehmen. Die Firma kombinierte Datenelemente aus 15 Marketing-, Service- und Betriebsdatenbanken, um Profile ihrer Kunden zu bilden. Erfolgreich differenzierte der Anwender seine Kundenkommunikation, indem intensives Cross-Selling-Marketing auf aktive Kunden konzentriert wurde, während zurückhaltende Kunden durch gezielte Kurznachrichten zu mehr Aktivität stimuliert werden konnten. Erst nachdem so die Umsätze um mehrere Millionen Dollar jährlich gesteigert werden konnten, ging das Unternehmen die Auswertung neuer Datensätze an.

3. Gute Data Scientists werden neue Werte generieren: Das Problem kann aber laut Bain sein, dass ein Unternehmen noch nicht reif genug ist, um Daten erfolgreich nutzen zu können.

Um auf Dauer von Big Data profitieren zu können, ist nach Einschätzung der Berater ein Geschäftsmodell nötig, das die Kraft von Daten und ihrer Analyse in wiederholbarer Weise ausschöpft: "Erfolgreiche datengetriebene Firmen verzahnen ihre Organisation, Prozesse, Systeme und Ressourcen, um bessere geschäftliche Entscheidungen auf Basis der Erkenntnisse ihrer Daten- und Analyse-Teams zu treffen."

Wiederum kommt die Success Story aus der Telekommunikationsbranche: Ein Service Provider setzte auf enge Zusammenarbeit zwischen IT-Abteilung, BI-Team und Frontline-Funktionen wie Sales, Marketing, Kundenbetrieb und Produktentwicklung. Gemeinsam gelang es, Kundendaten aus Marketing- und Betriebsdatenbanken über zwei Jahre hinweg so zu konsolidieren, dass daraus zielgerichtete Kundenstrategien entwickelt werden konnten.

Zur Startseite