| Big-Data-Projekte, Teil 2
25. Juli 2014 | 2388 Artikelaufrufe

Big Data im Vertrieb

Big Data im Vertrieb: Erste Schritte in einem neuen Aufgabenfeld

Die Erwartungen an Big Data Projekte sind vielfältig: Durch Datenanalysen soll mehr Kunden- und Markttransparenz gewonnen, stabilere Entscheidungsgrundlagen für strategische Entscheidungen geschaffen und treffsichere Maßnahmen für Marketing und Vertrieb abgeleitet werden.

Doch wie gestaltet sich die Umsetzung eines Big Data Projektes in der Praxis?

Wie können Unternehmen konkret in das Thema einsteigen und welche Aufgabenstellungen gilt es zu bewältigen?

Die strategische Analyse von Kunden- und Marktdaten gewinnt immer stärker an Bedeutung. Unternehmen, die in der Lage sind, Kunden- und Marktdaten aus verschiedenen Kanälen sinnvoll auszuwerten, können entscheidende Wettbewerbsvorteile generieren.

Dabei sehen sich Unternehmen im täglichen Umgang mit ihrer Datenbasis neuen Herausforderungen gegenübergestellt:

Daten, Daten, Daten!

  • Wachsende Datenmenge:

Die Datenmenge, die in den Unternehmen vorliegt, wächst stetig. Diese Daten müssen strukturiert, organisiert und nutzbar gemacht werden. Hierbei muss auch eine kritische Betrachtung erfolgen, welche Daten überhaupt gespeichert werden sollen.

  • Zunehmende Datenvielfalt:

Daten können extern bezogen (z.B. automatisiert über das Internet: Blogeinträge, Tweets, Informationen über Konkurrenz) oder intern generiert werden (z.B. RFID, Transaktionsdaten, Texte, Präsentationen etc.). Die erste Herausforderung besteht darin, die unterschiedlichen Datentypen mit ihrem jeweiligen Strukturierungsgrad zu vereinheitlichen.

  • Steigende Anforderungen an Datenübertragung und IT-Infrastruktur:

Daten werden in großer Masse in hoher Geschwindigkeit produziert. Sollen sie konstant in Echtzeit übermittelt und gespeichert werden, dann steigen die Anforderungen an Netzwerkkapazitäten.

Für viele Unternehmen stellt die vorhandene IT-Struktur ein Problem dar, wenn diese nicht flexibel genug auf neue Anforderungen angepasst werden kann.

Vor diesem Hintergrund ergeben sich zunächst folgende to do‘s:

1. Vorhandenes besser nutzen: Analysen optimieren

Zunächst gilt es, die eigenen Datenbestände und bereits vorhandene Analysetools kritisch zu betrachten. Datenquellen, die einen direkten Kunden- und Produktbezug aufweisen, sollten so weit wie möglich ausgeschöpft werden. Ein Beispiel hierfür sind Daten, die im Onlineshop generiert und in ERP- oder CRM-Systeme überführt werden.

Fragestellungen sind z.B.:

  • Inwieweit wurden bereits in der Vergangenheit Erkenntnisse aus den vorhandenen Informationen gewonnen?
  • Wurden bereits Kundensegmente definiert und in Zusammenhang mit bestimmten Absatzgewohnheiten gebracht?
  • Ist bekannt, welche Produkte vorrangig in welche Kundensegmente verkauft werden?
  • Lässt sich der Granulationsgrad der Informationen erhöhen?
  • Können bereits etablierte Analyseprozesse verbessert oder miteinander in Verbindung gebracht werden?
  • Können aus den bestehenden Analysen Prognosen abgeleitet werden?
  • Wie werden Analyseergebnisse visualisiert?
  • Und schließlich: welche Informationen/ Analysen fehlen konkret?

Aus diesen Erkenntnissen kann bereits ein erster Anforderungskatalog für zukünftige Datenanalysen erstellt werden.

2. Datenherkunft prüfen: Quellen bewerten

Unternehmen sollten prüfen, woher ihre Daten stammen und die Qualität ihrer Datenquellen bewerten. Welche Quellen liefern tatsächlich Daten, aus denen sich relevante Erkenntnisse ableiten lassen? Welche Daten liefern sinnvolle Erkenntnisse und sollen tatsächlich gespeichert werden?

3.  Erfolgsfaktoren identifizieren

Big-Data-Lösungen können wichtige Beiträge für die Wertschöpfung leisten, wenn Entscheider bestimmte Erfolgsfaktoren beachten, wie z.B. die Entwicklung einer Big-Data-Strategie und einer daraus abgeleiteten Roadmap, der Business-Fokus, die Etablierung eines umfassenden Innovationsprozesses, die regelmäßige Erfolgsprüfung sowie die der erforderlichen Expertise. (vgl. Bitkom Leitfaden, S. 38)

Beim Aufbau einer wertorientierten Big-Data-Strategie kann die Beantwortung folgender Fragestellungen helfen:

  • Wie sieht unsere Vision aus, welche Ziele sollen erreicht werden?
  • Wie kann ein Anforderungskatalog aussehen?
  • Wie sieht unser aktueller Ausgangspunkt aus, welche Vorgehensweise bietet sich an?
  • Welche Wege führen zum Ziel (Roadmap) und welche Maßnahmen müssen realisiert werden? 

4. Kompetenzen entwickeln, Zuständigkeiten definieren.

Big Data erfordert auch auf Seiten der Mitarbeiter Fach- und Methodenkenntnis. Um die erforderliche Expertise aufzubauen, können zum einen vorhandene Mitarbeiter geschult oder neue Mitarbeiter eingestellt werden. In vielen Fällen bietet sich auch die projektbezogene Zusammenarbeit mit einem externen Berater an.

 

Lesen Sie in „Big-Data-Projekte, Teil 2: Welche Projektphasen in einem Big Data Projekt durchlaufen werden.

 

Quelle:

Leitfaden „Management von Big Data Projekten“, BITKOM, Berlin 2013

https://www.bitkom.org/mobile/de/publikationen/38337_76511.asp,x

 

Text_Katja Rosner, Vertriebszeitung

Big Data im Vertrieb: Erste Schritte in einem neuen Aufgabenfeld
Bewerten Sie als erster diesen Artikel!

Print Friendly, PDF & Email

Magistra Artium in Informationswissenschaft, Betriebswirtschaftslehre und Wirtschaftsinformatik. Mehrjährige Erfahrung als Software Consultant sowie Projektmanagerin in IT-Projekten und EU Forschungsprojekten. Heute selbständig mit Schwerpunkt: Business Processes & Communication, Wissensmanagement, Web 2.0

Schreiben Sie einen Kommentar