| Big-Data-Projekte
4632 0

18

Big Data gewinnt im Vertrieb an Relevanz

von
Für viele Unternehmen wächst mit exponentiell zunehmenden Datenmengen auch die Bedeutung des Themas Big Data.
Für viele Unternehmen wächst mit exponentiell zunehmenden Datenmengen auch die Bedeutung des Themas Big Data. (c) Blue planet studio/stock.adobe.com
18

Big Data und strategische Datenanalysen werden im Vertrieb weiter an Bedeutung gewinnen, ein neuer Markt entsteht, der neue Dienstleistungen mit sich bringt. Wie sieht nun ein mehrstufiges Vorgehensmodell für die Realisierung von Big-Data-Projekten aus? Es werden acht Phasen in der Planung, Realisierung und Optimierung von Big-Data-Projekten unterschieden. Nachfolgend stellen wir Ihnen die einzelnen Projektphasen mit ihren wichtigsten Arbeitspaketen vor.

8 typische Projektphasen eines Big-Data Projekts

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. Phase: 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. 

1. Phase: 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
18
Katja Rosner

Magistra Artium in Informationswissenschaft, Betriebswirtschaftslehre und Wirtschaftsinformatik. Mitinhaberin Wikom, IT-Consulting und Software GmbH

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.