| Big-Data-Projekte, Teil2
12. August 2014 | 2492 Artikelaufrufe

Big Data im Vertrieb

Big Data gewinnt im Vertrieb an Relevanz

Laut einer aktuellen Befragung des BITKOM von über 500 Unternehmen ist das Thema Big Data für 71% der Unternehmen relevant, 9% setzen Big Data bereits ein und 31% planen den Einsatz von Big Data bereits konkret. 28% „überlegen noch“ und 33% der Unternehmen haben sich noch nicht mit dem Thema beschäftigt.

Die Zahlen zeigen das Potenzial von Big Data auf. Strategische Datenanalysen werden in Zukunft an Bedeutung gewinnen, ein neuer Markt entsteht, der neue Dienstleistungen mit sich bringt.

Im ersten Teil unseres Artikels hatten wir Ihnen die grundlegenden Aufgabenstellungen vorgestellt, die ein Big Data Projekt mit sich bringt. Heute möchten wir Ihnen ein mehrstufiges Vorgehensmodell für die Realisierung von Big-Data-Projekten vorstellen. Dabei werden acht Phasen in der Planung, Realisierung und Optimierung von Big-Data-Projekten unterschieden.

Typische Projektphasen

17150-Bitkom-Leitfaden-Big-Data-vorgehensmodellNachfolgend stellen wir Ihnen die einzelnen Projektphasen mit ihren wichtigsten Arbeitspaketen vor.

(Abb.: BITKOM, Leitfaden „Management von Big Data Projekten“)

 

1. Phase: Assessment

  • Identifizierung von Einsatzpotenzialen für Big Data:
    Für welche Unternehmensbereiche könnten umfassenden Datenanalysen neue Erkenntnisse liefern?
  • Identifizierung von Herausforderungen technischer und personeller Art
  • Ansatzpunkte für Big-Data für verschiedene Unternehmensbereiche
  • Priorisierung von Potenzialen
  • Bewertung von Big-Data-Szenarien (Machbarkeit, Betriebs- und Wartungskonzept, Kosten-/Nutzenbetrachtung)
  • Überführung ausgewählter Szenarien in eine Big Data-Strategie
  • Detaillierte Darstellung der zeitlichen Umsetzung in einer Roadmap 

2. Phase: Readiness

  • Definition von Anforderungen an erforderliche Hard- und Softwareinfrastruktur
  • Auswahl geeigneter Technologien
  • Evtl. Aufstocken der Netzwerkinfrastruktur und Serverkapazitäten
  • Definition von Anforderungen an Datenschutz und Datensicherheit 

3. Phase: Implementierung und Integration

  • Design und Implementierung der Big-Data-Lösungen
  • Integration der Big-Data-Lösungen in bestehende IT-Strukturen
  • Zukünftig werden Big-Data-Services vor allem aus der Cloud bezogen, daher ist die Anbindung an die Cloud wichtig. 

4. Phase: Konsolidierung und Migration

  • Ausschöpfen der Möglichkeiten je nach Zielsetzung: sollen z.B .vorhandene IT-Infrastrukturen verbessert oder neue Datenquellen erschlossen werden?
  • Abhängig von der Strategie: Durchführen von Datensimplifikationen, Erstellung von Prozessbeschreibungen
  • Wichtig: Klare Verantwortlichkeiten auf Mitarbeiterseite, wenn es um Datennutzung und Gewährleistung von Transparenz in der Datenvielfalt und um Datenqualität geht 

5. Phase: Nutzung der neuen Daten

  • Gewinnbringende Nutzung der neuen Datenquellen
  • Aufbereitung der Daten für Entscheidungsfindung
  • Einbindung analytischer Plattformen 

6. Phase: Reporting und Predicitive Analytics

  • Nutzung der neuen Erkenntnisse als Grundlage zur Optimierung vorhandener Reportingprozesse
  • Erstellung von Prognosen zukünftiger Trends
  • Erarbeitung von Konzepten zur langfristigen Sicherstellung von Datenqualität und zur Vermeidung von Verlusten und Verfälschungen. 

7. End-to-End-Prozesse

  • Stetige Anreicherung von Daten zu komplexen Geschäftsprozessen durch neue, aktuelle Daten.
  • Aufbau eines kompletten Monitorings von Geschäftsprozessen mit der Möglichkeit, diese immer wieder zu optimieren oder neue Geschäftsprozesse abzuleiten. 

8. Optimierung:

  • Zuverlässiger Betrieb der Big-Data-Landschaft
  • Optimierung der Betriebskonzepte, der implementierten Lösungen und Prozesse 

 

Das Thema Big Data ist komplex

Je nach strategischer Ausrichtung kann sich ein solches Projekt auf einen eng abgegrenzten Unternehmensbereich (z.B. Vertrieb oder Marketing) auswirken. Es kann jedoch auch ein Innovationsprozess stattfinden, der es dem Unternehmen erlaubt, ganz neue Geschäftsprozesse aufzubauen. Ein strategisches Vorgehen ist in Big Data Projekten erfolgsentscheidend. Datenanalysen sollen schließlich nicht zum Selbstzweck durchgeführt werden, sondern unternehmerisches Risiko minimieren und stabile Entscheidungsgrundlagen schaffen.

Schnelle Reaktion auf Kunde und Markt wird erfolgsentscheidend

Wer frühzeitig Expertise im Umgang mit Big Data aufbaut, kann sich entscheidende Wettbewerbsvorteile sichern, weil eine schnellere Reaktion auf Markt- und Kundenbewegungen erfolgen kann. Einige Beispiele:

  • Marketingkampagnen können besser auf die Bedürfnisse der Kunden abgestimmt werden.
  • Kundenpotenziale können treffender ermittelt werden
  • Die Kundensegmentierung kann granularer erfolgen
  • Bewegungen, Trends, Auffälligkeiten in Kundendaten können identifiziert werden.
  • Die Vertriebsaktivitäten können treffender geplant werden
  • Die Preisgestaltung kann optimiert werden
  • Prognosen hinsichtlich Kundenverhalten / Marktentwicklungen können erstellt werden
  • Detailliertere Wettbewerbsanalysen können durchgeführt werden
  • Die Identifikation von von Cross- und Up-Selling-Potenzialen wird möglich

 

Lesen Sie in „Big-Data-Projekte, Teil 1: Erste Schritte in einem neuen Aufgabenfeld

 

Quellen:

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

„Einsatz von Big Data vor dem Durchbruch“. Bitkom

Studie „Big Data Analytics, Auf dem Weg zur datengetriebenen Wirtschaft“, BARC-Institut, Würzburg, März 2014

 

Katja Rosner, Vertriebszeitung

Big Data gewinnt im Vertrieb an Relevanz
Bewerten Sie als erster diesen Artikel!

Print Friendly

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