Fehler vermeiden
6 Irrtümer bei Big Data-Projekten
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."
- Big Data: Neue Berufsbilder
In den teilweise euphorischen Einschätzungen von Markforschern und IT-Unternehmen ist immer wieder die Rede von neuen Berufsbildern, die Big Data mit sich bringen soll. Dazu zählen unter anderem folgende Tätigkeiten: - Data Scientist
Er legt fest, welche Analyseformen sich am besten dazu eignen, um die gewünschten Erkenntnisse zu erzielen und welche Rohdaten dafür erforderlich sind. Solche Fachleute benötigen solide Kenntnisse in Bereichen wie Statistik und Mathematik. Hinzu kommen Fachkenntnisse über die Branche, in der ein Unternehmen beziehungsweise tätig ist und über IT-Technologien wie Datenbanken, Netzwerktechniken, Programmierung und Business Intelligence-Applikationen. Ebenso gefordert sind Verhandlungsgeschick und emotionale Kompetenz, wenn es um die Zusammenarbeit mit anderen Abteilungen geht. - Data Artist oder Data Visualizer
Sie sind die "Künstler" unter den Big-Data-Experten. Ihre Hauptaufgabe besteht darin, die Auswertungen so zu präsentieren, dass sie für Business-Verantwortliche verständlich sind. Die Fachleute setzen zu diesem Zweck Daten in Grafiken und Diagramme um. - Data Architect
Sie erstellen Datenmodelle und legen fest, wann welche Analyse-Tools Verwendung finden und welche Datenquellen genutzt werden sollen. Auch sie benötigen ein umfassendes Know-how auf Gebieten wie Datenbanken, Datenanalyse und Business Intelligence. - Daten-Ingenieur
Diese Aufgabe ist stark auf die IT-Infrastruktur ausgerichtet. Der Dateningenieur ist das Big-Data-Analysesystem zuständig, also die Hard- und Software sowie Netzwerkkomponenten, die für das Sammeln und Auswerten von Daten benötigt werden. Eine vergleichbare Funktion haben System- und Netzwerkverwalter im IT-Bereich. - Information Broker
Er kann mehrere Rollen spielen, etwa die eines Datenhändlers, der Kunden Informationen zur Verfügung stellt, oder die eines Inhouse-Experten, der Datenbestände von unterschiedlichen Quellen innerhalb und außerhalb des Unternehmens beschafft. Außerdem soll er Ideen entwickeln, wie sich diese Daten nutzbringend verwenden lassen. - Data Change Agents
Diese Fachleute haben eine eher "politische" Funktion. Sie sollen bestehende Prozesse im Unternehmen analysieren und anpassen, sodass sie mit Big-Data-Initiativen kompatibel sind. Nur dann lässt sich aus solchen Projekten der größtmögliche Nutzen ziehen. Wichtig sind daher ausgeprägte Kommunikationsfähigkeiten, Verständnis für Unternehmensprozesse sowie Kenntnisse im Bereich Qualitätssicherung und Qualitätsmanagement (Six Sigma, ISO 9000).
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.