Advanced Analytics als Accelerator für eine erfolgreiche ... / 4 Advanced Analytics als Accelerator für eine erfolgreiche digitale Transformation

Digitale Transformation führt zu datengetriebenen Geschäftsmodellen

Die digitale Transformation eines Unternehmens führt zu einer zunehmenden Fokussierung auf Daten und Datenverfügbarkeiten. Mittels einer Datenstrategie bzw. Daten-Governance wird der ganzheitliche unternehmerische Umgang mit Daten allgemein und in seiner Spezifikation für verschiedene Datenarten und -typen festgelegt. Das Potenzial der Daten soll schließlich im Unternehmenssinne realisiert werden.^[1]

Der Wert der oben beschriebenen Datenschätze für Unternehmen wächst exponentiell über die Jahre an. Umfangreiche und vielschichtige Daten sind jedoch nicht nur ein wertvolles Asset für Unternehmen, sondern ebenfalls ein attraktives Ziel für Cyber-Angriffe.

Angriffe können hierbei zweierlei Natur haben (absichtlich oder unabsichtlich) und von unterschiedlichsten Parteien kommen, z. B. von kriminellen Hackern mit dem Ziel des Weiterverkaufs des erbeuteten Datensatzes, von Konkurrenten mit dem Ziel, technische Geheimnisse auszuspionieren oder von unabhängigen Vereinigungen mit politischen Motivationen. Zudem können unvorsichtige Mitarbeiter in Unternehmen ein Sicherheitsrisiko darstellen, wenn sie z. B. unautorisiert mobile Endgeräte im Firmennetzwerk nutzen.

Angriffe (unabhängig ob kriminell motiviert oder nicht) gefährden die Daten von Unternehmen hinsichtlich 3 unterschiedlicher Schutzziele:^[2]

• Vertraulichkeit,
• Integrität,
• Verfügbarkeit.

Abhängig von der jeweiligen Art der entwendeten Daten kann die Verletzung eines der Schutzziele existenzbedrohend für ein Unternehmen sein. Beispielhaft sind die Daten zur Steuerung einer Produktionsstraße für teilweise individuell gefertigte Produkte wie Autos, insbesondere hinsichtlich Verfügbarkeit und Integrität bedroht. Trotz eines Verlustes an Vertrauen, welcher ggf. auch zu Imageschäden führen kann, stellen etwaige Produktionsausfälle ein wesentlich höheres Risiko dar. Kundendaten als weiteres Beispiel sind insbesondere hinsichtlich ihrer Vertraulichkeit und Integrität zu schützen, eine vorübergehende Nicht-Verfügbarkeit wäre unschön, aber nicht signifikant.

Unabhängig von der eigentlichen Natur der Angriffe, wird im weiteren Verlauf von Cyber-Attacken oder Cyber-Angriffen gesprochen. Abb. 4 gibt einen beispielhaften Überblick, welche Potenziale und Risiken die Kernbereiche der digitalen Transformation umgeben.

Abb. 4: Kernbereiche der digitalen Transformation mit ihren jeweiligen Potenzialen und Risiken^[3]

Interessanterweise können Analytics-Methoden und -Funktionen auch zur Vermeidung/Verringerung von Risiken, welche im Rahmen der digitalen Transformation auftreten, genutzt werden. In den folgenden Abschnitten wird anhand von 2 Beispielen die Nutzung von Analytics als beschleunigender Faktor im Rahmen der digitalen Transformation beschrieben.

[1] Vgl. Colas et al., 2014, S. 1-18.

[2] Vgl. https://www.de.capgemini-consulting.com/blog/digital-transformation-blog/2017/cybersecurity-und-trends, Abrufdatum 15.8.2017.

[3] Capgemini Consulting-MIT Analysis, 2012.

4.1 Verbesserung der Kundenerfahrung

Ein weiterer Anwendungsfall für Advanced Analytics ist die Customer-Lifetime-Value-(CLV)-Analyse und -Vorhersage. Bei der Analyse des CLV werden die Daten der gesamten Geschäftsbeziehung eines Kunden berücksichtigt und die Kundenbeziehung somit nicht als rein statisches Objekt angesehen.^[1]

Auch wenn die klassische Berechnung des Kundenwertes aus Unternehmenssicht (meist) lediglich auf finanziellen Informationen beruht, wird eine Vielzahl von nicht-finanziellen Informationen in eine daran anschließende Kundensegmentierung mit einbezogen. Diese erlaubt es einem Unternehmen im Nachgang an die Berechnung des Wertbeitrages Kunden in homogene Cluster einzuordnen. Diese nicht-finanziellen Daten zur Kundensegmentierung können in 4 Klassen eingeteilt werden:

1. Identifikationsdaten (z. B. Kontaktdaten, Vertragsdaten),
2. Sozio-demografische Daten (z. B. Geschlecht),
3. Daten zur Persönlichkeit (z. B. Lebensart, politische Einstellung) sowie
4. Verhaltensdaten (z. B. Verhaltensweisen, Bewegungsprofil).

Die einzelnen Datenkategorien können in weitere vielzählige Unterkategorien unterteilt werden. Aus Komplexitätsgründen wird im Rahmen dieses Beitrages darauf verzichtet.

Abb. 5: Klassen von Kundendaten

Mithilfe eines solchen Models können Input- wie Output-Kanäle strukturiert sowie ein Kundenmodell etabliert werden, welches es ermöglicht die gewonnenen Informationen wie z. B. das Alter, die Präferenzen eines Kunden, sein Wertbeitrag etc. letztlich im Rahmen von Advanced Analytics zu verwenden. Daraus können Aussagen über die Wahrscheinlichkeit zukünftiger Käufe/Vertragsabschlüsse mit dem Unternehmen getroffen werden. Das Kundendatenmodell, der CLV und das dadurch mögliche Clustering der Kunden bieten einem Unternehmen verschiedene Mehrwerte:

• individualisiertes Marketing und Vertragsverhandlungen,
• zukünftige strategische Verkaufsentwicklung/-planung,
• Produkt- und Service-Verbesserungen und
• einen Überblick über die gesamte Interaktion mit dem jeweiligen Kunden.

Zusammenfassend lässt sich fe...