3 Beispiele wie Unternehmen mit Data Analytics ihr Business transformiert haben

Einige Data Analytics Beispiele sollen den Nutzen dieses dreistufigen Prozesses etwas konkreter aufzeigen und thematisieren, wie Unternehmen dadurch einen Wettbewerbsvorteil erlangen können.

Wie bedeutend Daten sind, zeigt sich beispielsweise bei einem Formel-1-Wagen. Man mag zunächst denken, dass Fahrer dadurch einen Vorteil erlangen, dass sie besonders gut fahren können, dass ihr Auto den besseren Motor hat oder die bessere Aerodynamik. Die entscheidende Basis für den Sieg legt aber etwas anderes: die Analyse verschiedener Sensordaten. Jedes Formel-1-Auto ist mit über 150 Sensoren ausgestattet, die die wichtigsten Leistungsdaten in Echtzeit sammeln – Kraftstoffeffizienz, Reifendruck, Bremshitze, GPS oder Windgeschwindigkeit. Jeder Sensor ist eine Quelle von Daten, die sich während des Rennens analysieren lässt und dem Team so einen Wettbewerbsvorteil bietet. Die Daten liefern zum Beispiel Indizien, wann der beste Zeitpunkt für einen Boxenstopp ist. Es lässt sich dabei festhalten: Die Daten, die die Sensoren liefern, sind zwar wichtig, der eigentliche Mehrwert ergibt sich aber aus der Daten Analyse.

Im gewissen Sinne sind Unternehmen wie Rennautos: Mit der Sammlung und Analyse der Daten ergibt sich ein Mehrwert, der Unternehmen einen Wettbewerbsvorteil gegenüber Konkurrenten geben kann.

Big Data vs. Data Analytics

Während eines Rennens sammelt ein Formel-1-Auto etwa 3TB an Daten. Nach einer Saison mit ca. 20 Rennen hat sich das bereits auf 60TB summiert. Das ist zunächst einmal eine große Menge Daten. Doch werden Rennen nicht anhand der Datenmenge an sich entschieden, sondern durch die von den Mechanikern gestellten Fragen, die mit Hilfe der Daten beantwortet werden müssen und können.

Dabei muss zunächst unterschieden werden zwischen Big Data und Data Analytics. Big Data sind volumenstarke, schnelle und stark variierende Informationsbestände (Daten), die innovative Formen der Datenerhebung benötigen, um sie zu sammeln, bereinigen, speichern und nutzen. Die 3TB, die während eines Autorennens gesammelt wurden, sind zunächst beispielsweise Big Data. Es ist eine große Menge verschiedener Datentypen, sowohl strukturiert als auch unstrukturiert. Analysten und Data-Scientists müssen diesen Typ von Daten mittels leistungsstarker Rechner und Algorithmen verarbeiten und analysieren, um Trends und Korrelationen zu erkennen, die dabei helfen können, Probleme zu lösen.

Dieser Typ einer Big Data Analyse führt normalerweise zu größerer Effizienz auf dem Makro-Level. Um noch einmal auf das Beispiel des Formel-1-Teams zurückzukommen: Durch die Big Data Analyse kommen die Mechaniker und Technikexperten zu der Erkenntnis, dass das Auto immer dann langsamere Rundenzeiten fährt, wenn eine bestimmte Sorte Treibstoff im Tank ist. Das heißt, tauschen sie den Treibstoff, hat das Team eine größere Chance das Rennen auch zu gewinnen.

Was aber ist nun der Unterschied zu Data Analytics? Data Analytics ist dem gegenüber der Prozess der Datenuntersuchung mittels einer spezifischen Fragestellung und mit dem Ziel, Antworten zu finden, die dabei helfen evidenzbasierte Entscheidungen zu treffen. Data Analytics dient also dazu bestimmte Fragen zu beantworten, die sich speziell auf ein spezifisches Unternehmensziel beziehen. Noch einmal anhand des Formel-1-Teams betrachtet, könnte dies folgende Fragestellung sein: Das Team möchte gerne wissen, welches die ideale Runde für einen Boxenstopp ist, damit dieser möglichst effizient ist und möglichst wenig Zeit kostet. Nicht nur in diesem Beispiel hilft Data Analytics solche sehr präzisen und themenbezogenen Fragen zu beantworten, die nicht nur ein Formel-1-Team zum Sieg führen, sondern eben auch Unternehmen helfen Optimierungspotential aufzudecken.

Beispiele wie mit Data Analytics Probleme gelöst werden konnten

Data Analytics nutzt Daten – also Fakten – um Probleme zu lösen, egal ob dabei die Daten manuell analysiert werde oder mithilfe einer automatisiert. Sie startet also mit einer Frage und beginnt erst dann mit der Analyse der vorliegenden Daten.

Genau wie ein Formel-1-Wagen mit all seinen Sensoren produzieren auch Unternehmen eine Vielzahl von sehr unterschiedlichen Daten. Jede operative Kernaufgabe, jede Interaktion mit einem Kunden oder Zulieferer erstellt wertvolle Daten. Durch eine entsprechende Analyse können diese als faktenorientierte Basis für Unternehmensentscheidungen genutzt werden und neue Erkenntnisse liefern, die Unternehmen von Grund auf verändern. Diejenigen Unternehmen, die dies gezielt anwenden, haben bislang mit ihrem Erfolg die gesetzten Erwartungen übertroffen. Das hat beispielsweise McKinsey in einer Studie bestätigt. Davon profitieren fast alle Bereiche inklusive Betriebsführung und Marketing, ebenso wie das angebotene Produkt selbst.

Um das noch etwas konkreter zu machen, seien einige konkrete Beispiele genannt, die zeigen, wie Unternehmen ihr Geschäft durch Daten verändert haben.

Beispiel 1: UPS

UPS hat über 10.000 seiner Lieferwagen mit Sensoren ausgestattet, um die gefahrenen Routen zu optimieren. Dabei starteten sie mit einer ganz einfachen Fragestellung: Können wir den Verbrauch dadurch reduzieren, dass wir schnellere Routen für unsere Fahrer finden? Mit Hilfe der so gewonnenen Daten ließen sich tatsächlich rund 38 Millionen Liter Kraftstoff einsparen. Die Fahrer fuhren zudem insgesamt rund 19,5 Millionen Kilometer weniger im Jahr.

Beispiel 2: T-Mobile

T-Mobile nutzte Data Analytics um die Kundenfluktuation zu reduzieren. Das Unternehmen verwendete dabei Social Media Daten und glich diese mit ihrer CRM Software (Customer-Relationship-Management) und der internen Rechnungsstellung ab, um loyale Kunden zu identifizieren und eine personalisierte Kampagne zu starten, die entsprechend auf diese Kunden zugeschnitten war. T-Mobile konnte so die Abwanderungsquote um 50 Prozent verringern.

Beispiel 3: Netflix

Auch Netflix nutzt Daten Analytics, um zu planen, welche Inhalte, Serien und Filme sie als nächstes produzieren. Anhand der Nutzerdaten entwickelt Netflix Inhalte, bei denen eine hohe Wahrscheinlichkeit besteht, dass Nutzer sie auch annehmen und schauen. Die Datenanalyse 2017 produzierte dabei Einsichten in das Nutzerverhalten unter anderem geordnet nach Ländern. Diese zeigte welche Serien zum Beispiel in Deutschland besonders häufig geschaut wurden, oder dass Mexiko das Land ist, in dem die meisten Nutzer tatsächlich jeden Tag Netflix schauen. Die Auswertung von Daten hat bei Netflix den Verkauf um 36 Prozent ansteigen lassen. Mehr noch: Netflix gehört heute zu den Garanten von Top-10-Serien. Man denke beispielsweise an die international erfolgreiche Hit-Serie „The Crown“.

Data Analytics erfolgreich nutzen

Wenn sich ein Unternehmen erstmals entscheidet, derartige Strukturen zur Datenanalyse aufzubauen und zu nutzen, mag das erst einmal aufwendig erscheinen. Entsprechende Tools sind jedoch oft mit geringen Anpassungen direkt einsetzbar und ermöglichen schnelle Resultate. Dabei sollten Unternehmen jedoch logisch vorgehen: Zunächst geht es darum, klare Zielvorstellungen zu definieren. Geht es beispielsweile um eine Kostenreduktion oder soll der Kundenservice verbessert werden? Ist das Ziel einmal gesetzt, lassen sich auch die entsprechenden Fragen besser definieren. Danach geht es darum, an den richtigen Stellen die passenden Daten zu erheben und einen Datensatz aufzubauen, der dafür geeignet ist, die gestellten Fragen auch zu beantworten. Die Auswahl des richtigen Tools ist natürlich ebenfalls entscheidend – sei es ein eigenes Tool oder eine bereits auf dem Markt existierende Anwendung.

Ist die Datenanalyse erst einmal erfolgreich durchgeführt, sind daraus natürlich auch die entsprechenden Konsequenzen zu ziehen. Eine noch so gute Analyse hilft nichts, wenn hinterher nicht die entsprechenden Schritte unternommen werden, um die gewonnenen Erkenntnisse auch in einer Strategie zu implementieren. Denn erst das schafft einen Wettbewerbsvorteil.