1. Stadium: It’s all about Data
Daten werden erfasst und gespeichert. Als Gefäss dienen Datenbanken oder Big-Data-Plattformen. Dabei werden Daten in Echtzeit eingespeist, wie zum Beispiel Logins und Logouts von Benutzern und Mitarbeitenden. Andere Daten wie Pendenzen oder Kundenkontakte werden periodisch erfasst. Nochmals andere werden im Rahmen eines Projektes einmalig aufgezeichnet.
Ob real time, periodisch oder einmalig – täglich werden in jedem Unternehmen Unmengen an Daten generiert. Doch was macht man mit dieser Datenflut?
2. Stadium: Verwandlung in Information
Auf diesem Level beginnt Datendarstellung. Die Daten werden in Tabellen gefüllt und anhand von Kreisen oder Balken visualisiert. Reports extrahieren die gewünschten Informationen aus der Datenflut und aggregieren diese. In dieser Form können sie den Mitarbeitenden und dem Management einfach zugänglich gemacht werden. Die tägliche Anzahl Logins gibt beispielsweise einen Überblick über die Kundenmenge. Die Anzahl Produktverkäufe informiert über den Geschäftsverlauf.
3. Stadium: Extraktion von Wissen
Im nächsten Schritt wird aus Information Wissen. Man taucht tiefer. Die Daten werden mit weiteren Informationen angereichert und korreliert. So können zum Beispiel erste Anzeichen für einen abgehenden Kunden identifiziert werden (Churn Management). Es können Charaktermuster von Kunden erstellt werden, die Produkt x gekauft haben, die für andere Kundengruppen oder -produkte relevant sein könnten. Oder es kann nachvollziehbar gemacht werden, wie sich das Kaufverhalten der Kunden nach einer Marketingaktion verändert.
4. Stadium: Generation von Mehrwert
Das im Stadium 3 erarbeitete Wissen kann genutzt werden, um konkreten Mehrwert zu generieren. Treten bei einem Kunden erste der modellierten Anzeichen für einen Abgang auf, werden Aktionen zur Kundenrückgewinnung lanciert. Produktabschlüsse können mit geringerem Aufwand gesteigert werden, indem die Charaktermuster der Produkt-x-Kunden für personalisiertes Marketing verwendet werden. Die Marketingaktionen können in ihrer Performance optimiert werden, wenn die Muster zeigen, auf welche Trigger die Kunden am ehesten positiv reagieren.
Natürlich sind auch bislang in den Unternehmen bereits Daten erfasst und ausgewertet worden. Doch was bislang in Excel-Tabellen oder ERP- und CRM-Systemen verarbeitet wurde, ist vergleichsweise simpel zu dem, was sich unter dem Stichwort «Advanced Analytics» verbirgt. Hochperformante Analytics Engines sind dazu in der Lage, insbesondere im Stadium 3 und 4 die Prozesse zu automatisieren und somit viel grössere Datenmengen sinnvoll zu verarbeiten, als dies in der Vergangenheit möglich war. Kombiniert mit Technologien wie Machine Learning ode KI ergeben sich Chancen, anhand von Daten in die Königsliga der Data-Analyitcs aufzusteigen, zum Beispiel mit personalisierten Kundenansprachen, indem Kundenverhalten konsequent «data-driven» messbar gemacht und rasch individuell darauf reagiert wird.