So entwickeln Unternehmen eine erfolgreiche Datenstrategie

Der Online-Streaming-Gigant Netflix – der weltweit über 150 Millionen zahlender Abonnenten in mehr als 190 Ländern hat – sammelt Daten von seinen Nutzern. Um das Kundenverhalten und Kaufmuster der Film-Fans zu verstehen, setzt das Unternehmen auf moderne Analytics-Technologien.

Basierend auf den damit gewonnen Daten stellt Netflix seinen Kunden relevante Empfehlungen bereit – und erreicht damit 93 Prozent Kundenbindung.

Auch der Einzelhandelsriese Walmart sammelt stündlich 2,5 Petabyte unstrukturierte Daten von einer Million Kunden. Mithilfe dieser Daten konnte Walmart ein dynamisches Echtzeit-Preismodell einführen und etablieren. Dieses Modell spielte in den vergangenen Jahren eine große Rolle beim Ankurbeln der Verkäufe und war der Garant für ein signifikantes Umsatzwachstum.

Beide Fälle verdeutlichen, wie die effektive Nutzung von Daten Organisationen wettbewerbsfähiger machen kann. Die sachkundige Nutzung von Daten unterstützt Firmen dabei, Geld zu sparen, Geschäftsprozesse zu verbessern, die Kundenorientierung zu erhöhen und innovative Marketingstrategien zu entwickeln. Darüber hinaus steigert sie die Betriebseffizienz, reduziert Risiken und generiert neue Umsätze.

Aus diesem Grund setzen immer mehr Unternehmen auf Data Analytics-Lösungen. Eine Studie von Frost and Sullivan schätzt den Markt für hochentwickelte Analytics bis zum Jahr 2023 auf ein Volumen von etwa 40,6 Milliarden US-Dollar, bei einer durchschnittlichen jährlichen Wachstumsrate von 29,7 Prozent.

Herausforderungen bei der Einführung

Bevor Unternehmen sich Hals über Kopf in die Implementierung von Data Analytics stürzen, müssen sie zunächst eine vernünftige Vorarbeit leisten. Bemühungen um eine erfolgreiche Einführung von Data Analytics werden oft durch mangelnde Akzeptanz einer datengestützten Firmenkultur, einen Mangel an analytischen und technologischen Skills und begrenzte Implementierungserfahrung behindert. Die Studie Infosys Digital Radar 2019: Barriers and Accelerators for Digital Transformation belegt, dass Unternehmen oftmals digitale Technologien implementieren, ohne die damit verbundenen organisatorischen Herausforderungen zu erkennen. Infolgedessen sind sie von der Erfahrung frustriert, da die Ergebnisse nicht den Erwartungen entsprechen.

Daher ist es wichtig, vor der Umsetzung von Analytics-Initiativen eine solide Datenstrategie zu entwickeln. Folgendes gilt es zu beachten:

Unternehmenskultur

Um eine datengestützte Unternehmenskultur aufzubauen, müssen Organisationen zunächst qualifizierte Datenwissenschaftler einstellen. Diese sollten neben den technischen Fähigkeiten auch über die erforderlichen Kenntnisse des Geschäfts verfügen. Im nächsten Schritt gilt es, die Organisationsstruktur anzupassen, um die neue Datenkultur im gesamten Unternehmen zu etablieren. Datenwissenschaftler könnten dazu beitragen, diese Kultur populär zu machen und das Bewusstsein durch Initiativen – wie von Mitarbeitern durchgeführte Hackathons oder Data-Thons – zu schärfen. Die Demokratisierung der Datenwissenschaft durch die Implementierung von Self Service-Plattformen spielt innerhalb der Organisation ebenfalls eine entscheidende Rolle.

Engagement der Führungsebene

Um eine dauerhafte organisatorische Veränderung zu erreichen, muss die Führungsspitze vorleben. Dazu braucht es mehr als nur das Engagement des Managements. Es ist von entscheidender Bedeutung, dass sich die Führungskräfte in allen Unternehmensfunktionen voll und ganz auf datengestützte Entscheidungen einlassen und die Kultur mit gutem Beispiel vorantreiben. Nur dann wirkt sie sich kaskadenartig auf die Teams aus. Ein Beispiel aus dem Alltag: Ein britisches Öl- und Gasunternehmen entwickelte einen Datenmarktplatz, um den internen Austausch und die Nutzung von Daten zu ermöglichen. Dies verbesserte nicht nur die Data Discovery, sondern wirkte sich auch positiv auf Security und Compliance aus.

Da Data Analytics-Projekte oft experimenteller Natur sind, müssen Führungskräfte die Ergebnisse genau überwachen, um festzustellen, ob die Bemühungen auch tatsächlich auf die strategischen Ziele einzahlen.

Quick Wins anvisieren

Eine der besten Möglichkeiten, Vertrauen in eine datengestützte Kultur zu schaffen, besteht darin, Strategien zu entwickeln, die schnelle Ergebnisse liefern – unabhängig davon, ob es sich um eine verbesserte betriebliche Leistung, ein höheres Maß an Kundenorientierung oder um neue Anteile in nicht-traditionellen Märkten handelt. Der Einsatz von Design Thinking-Techniken hilft dabei, „low hanging fruits“ zu identifizieren und nach datengestützten Themen zu suchen, die zunächst erforscht werden können. Die Benutzererfahrung ist dabei ein wichtiger Faktor. Projekte mit hoher Sichtbarkeit können – sofern sie erfolgreich sind – dazu beitragen, Skeptiker innerhalb der Organisation zu bekehren und Unterstützung für größere Initiativen zu gewinnen.  

Menschliche Intelligenz freisetzen

Mit wachsender Reife bildet Data Analytics die Grundlage für die Automatisierung von Prozessen und für KI-Anwendungen – wodurch sich wiederum die traditionellen Rollen der Mitarbeiter weiterhin deutlich verändern werden. Die Anwendungen ersetzen jedoch nicht die menschliche Intelligenz, sondern befreien die Mitarbeiter von alltäglichen, repetitiven und häufig stupiden Aufgaben. Beispielsweise unterstützen Chatbots oder Action-Bots dabei, verschiedene Routineaufgaben – wie die Datenerfassung oder die Beantwortung grundlegender Kundenanfragen – zu automatisieren. Mitarbeiter haben damit mehr Zeit, sich auf kreativere Fähigkeiten zu konzentrieren. Lösungen für Analytik und künstliche Intelligenz helfen der menschlichen Intelligenz, um die besten Ergebnisse für die Organisation zu erzielen. Anstatt einer vollständigen Automatisierung, werden wir künftig eine Entwicklung hin zu KI-gestützten Lösungen sehen.

Das Ziel einer starken Datenstrategie sollte stets der Aufbau einer Organisation sein, bei der Agilität ein integraler Bestandteil ihrer DNA ist. Eine solche Organisation arbeitet mit einem Betriebsmodell, bei dem der Mitarbeiter und der Kunde im Mittelpunkt stehen. Das Modell stattet das Unternehmen mit der Fähigkeit aus, sich ändernde Geschäftsanforderungen schnell zu erkennen und sich kontinuierlich weiterzuentwickeln. Darüber hinaus müssen alle Stakeholder die Möglichkeit haben, sich mit Beteiligten in Echtzeit, mit Intelligenz und mit der Geschwindigkeit der Datenübertragung austauschen können, während gleichzeitig Privatsphäre und Sicherheit gewährleistet sind. Sobald dies erreicht ist, können Unternehmen darauf hoffen, ihre Daten effektiv zu monetarisieren und die besten Ergebnisse für ihre Kunden zu erzielen.

Satish HC, EVP – Head Global Services – Data und Analytics bei Infosys