Data Analytics in Zeiten von Corona.

Daten sind die Grundlage für jede intelligent gesteuerte Entscheidungsfindung. Data Analytics hilft Unternehmen dabei, sich sehr schnell auf neue Situationen einzustellen und erhöht damit deren Anpassungsfähigkeit an die sich immer schneller wandelnden Umweltbedingungen.

Unternehmen im Zeitalter der Digitalisierung sind zwar zu vielen Dingen in die Lage versetzt, von denen Manager von Unternehmen aus der Generation davor nur zu träumen gewagt haben. Doch tatsächlich hat Data Analytics auch das Potential, traditionelle Geschäftsmodelle nachhaltig zu verändern.

Unsere Zukunft wird durch Prognosen geprägt: Vom Wetter bis zu medizinischen Risikoeinschätzungen, vom Aktienkurs bis zur Routenberechnung (Gatterer 2020).

Beispielsweise lassen sich Flug-Ankunftszeiten durch intelligente Datennutzung wesentlich besser prognostizieren, als die vormals übliche Ankunftszeitenschätzung seitens der Piloten erlaubt hätte. Das hilft, kostenintensiven Leerlauf beim Bodenpersonal bei verspäteten Ankünften zu senken, genauso wie Wartezeiten für Crew, Maschine und Passagiere bei verfrühter Ankunft. Das US-Unternehmen Passur bietet einen Service für Ankunftszeitenschätzung (RightETA; Passur 2020). „Richtigere“ Zeiten als zuvor kalkuliert das Unternehmen, indem es öffentlich verfügbare Daten zu Wetter, Flugplänen etc. und unternehmenseigene Daten integriert, insbesondere Daten eines Netzwerks eigens installierter Radar-Stationen. Auch speichert das Unternehmen Zeitreihendaten. Die Frage, die die Daten intelligent beantworten, ist mithin: „Was passierte bei den letzten Malen, als ein Flugzeug sich unter den gegebenen Umständen dem Flughafen näherte? Wann landete das Flugzeug dann tatsächlich?“ (Harvard Business Manager 2012).

Auch half der gezielte Einsatz datenbasierter Planungsinstrumente besonders bei Automobilzulieferern, kurzfristig Szenarien über die zukünftige Auslastung von Produktionsstätten durchzuführen und damit die Finanzkrise erfolgreich zu überstehen (Endres 2020).

Auch in allen anderen Branchen kann Data Analytics großen Mehrwert schaffen. Beispielsweise bei der Frage, welche Kunden vertragsgebundene Leistungen zukünftig weiter in Anspruch nehmen werden – gegenüber denen, die mit hoher Wahrscheinlichkeit ihre Verträge kündigen. Denken wir an Versicherungen, Banken, Telekommunikation, bis hin zu Dienstleistungen in Bereichen wie Sport und Unterhaltung. Oder im Rahmen von Zeitreihenanalysen zu Wettbewerbsentwicklungen. Oder zur Prognose von Effekten unterschiedlicher Pricing-Strategien. Oder für Profitabilitätsprognosen neuer Technologien. Oder, oder, oder.

Im Bereich Marketing/Vertrieb kann Data Analytics dazu verwendet werden, Zielgruppen zu identifizieren, die mit einer bestimmten Wahrscheinlichkeit ein Produkt kaufen oder einen Service in Anspruch nehmen – mit dem Ziel, den Aufwand für Marketing-Kampagnen und Vertriebsaktivitäten zu optimieren. Dies führt zu einem besseren Kosten-Nutzen-Verhältnis in der Marktbearbeitung, was einen entscheidenden Beitrag zum Unternehmenserfolg leisten kann.

Das amerikanische Handelsunternehmen Sears wollte stärker von den riesigen Datenmengen über Kunden, Produkten und Werbeaktivitäten profitieren, die es über seine Marken Sears, Craftsman und Lands‘ End, sammelte. Offensichtlich lohnte es sich, diese Daten zu kombinieren, um maßgeschneiderte Werbung und spezielle Angebote an Kunden zu richten, ausgerichtet an lokalen Gegebenheiten (Harvard Business Manager 2012). Diese Datenintegration führte zu erfolgsversprechenderen Werbeangeboten als je zuvor – zeitlich passender, differenzierter und personalisiert.

Zudem hilft Data Analytics Unternehmen, Onlinekäufe besser zu antizipieren, basierend auf einer Vielzahl an Produkt-Eigenschaften in Verbindung mit kundenindividuellen Daten zu Präferenzen und Kaufverhalten. Dies erleichtert auch die Gestaltung des Channel Mix.

Es sind dabei nicht nur die Führungskräfte, für die Zugang zu Data Analytics von großem Nutzen ist. Vielmehr steigt die Entscheidungsqualität von Fachkräften aus allen Bereichen des Unternehmens: Der Vertrieb kann datengestützt Entwicklungen der Wettbewerbslage überwachen und Potenzial für neue Offerings identifizieren. Das Marketing kann soziale Medien im Hinblick auf Kundenstimmung beobachten, Multiplikatoren ausmachen und die Generierung von positivem Word of Mouth forcieren – mit Implikationen für verbessertes CRM, Imageentwicklung und Markenpositionierung. Der F&E-Bereich kann neue Technologien und Markttrends sowie deren Nutzbarmachung für eigene Entwicklungen besser einschätzen. Das Controlling kann interne und externe Kennzahlen besser integrieren, und die Budgetplanung darauf umfassend abstimmen. Diese Aufzählung lässt sich beliebig weiter fortsetzen.

Auch hier existieren zahlreiche Beispiele für Anwendungen in der Praxis: Data Analytics wird im Supply Chain Management angewandt, um nachzuvollziehen, warum Ausschussquoten der Produktion auf einmal steigen oder die Supply-Chain-Performance sinkt. Im Bankenbereich kann mit Hilfe von Data Analytics eine Einstufung von Kunden und Verträgen durchgeführt werden, um Betrugsfällen vorzubeugen und um Ausfallrisiken zu minimieren. Zudem kann Data Analytics bei der Bekämpfung von Geldwäsche zum Einsatz kommen, um diese früh zu erkennen, schnellstmöglich zu reagieren und Strafen vermeiden zu können (Datenbanken verstehen 2020). Data Analytics hilft auch dabei, die Gesundheit von Millionen von Menschen kontinuierlich zu beobachten, zu unterstützen und zu lenken – aktuelle Beispiele sind Wearables als Datenüberträger zur Prävention, Diagnoseunterstützung und Überwachung in diversen gesundheitlichen Zusammenhängen; genauso, wie die Betrachtung der Ausbreitungswege von Corona per Datenspende-App (RKI 2020).

Fehleinschätzungen sind keine Seltenheit:
Präsident Trump bezeichnete Corona lange als “hoax”, also als Schwindel oder falschen Alarm – während New York allein Stand heute die Marke von demnächst 20.000 Corona-Toten erreicht. Mehr Menschen sterben heute an zu viel Essen als an zu wenig Essen; mehr Menschen sterben an „Alter“ als an Infektionskrankheiten (Harari 2019), und mehr Menschen sterben bei dem Versuch, ein Selfie zu machen als welche von Haien gefressen werden. Nicht nur sind Menschen gegen Katzen allergisch, sondern Katzen können auch – selten, aber es kommt vor – gegen Menschen allergisch sein. Männer fangen im Durchschnitt nach 26min Shoppingtrip an sich furchtbar zu langweilen, Frauen hingegen erst nach 2h – so dass bspw. Durchschnittsbetrachtungen über KundInnen hinweg hier wenig Sinn ergeben. 7 % der erwachsenen Amerikaner glauben, dass Kakao direkt von braunen (statt gefleckten) Kühen kommt. Der gesündeste Ort der Welt liegt nicht in der Schweiz oder Skandinavien, sondern in Panama, und über 100 Jahre lang zeigten Seekarten eine von James Cook „entdeckte“ Insel vor Australien, von der sich 2012 herausstellte, dass es sie gar nicht gibt. Letzteres fiel übrigens erst auf, als australische Statistiker vor Ort Daten zu der Insel erfassen wollten.

Fehleinschätzungen und Missverständnisse gibt es gleichermaßen in vielen betriebswirtschaftlichen Zusammenhängen, beispielsweise bei Design und Interpretation von Kennzahlen. Es ist sehr leicht, Korrelation und Kausalzusammenhänge zu verwechseln und falsche Anreize basierend auf vermeintlichem Dateninput zu setzen. Beispielsweise richtete eine US-Fastfood-Kette übergangsweise ihre Tätigkeit anhand der Kennzahl „chicken efficiency“ aus: Dabei wurde die Anzahl der verkauften Chicken-Teile den (wegen Lagerzeitüberschreitung) weggeworfenen Teilen gegenübergestellt. Zur Verbesserung der Kennzahl entschied das Management, das Huhn sollte erst direkt bei Bestellung gegrillt werden. Die resultierende Wartezeit führte allerdings dazu, dass Kunden ohne zu kaufen das Weite suchten. Die Kennzahl-Verbesserung und damit beabsichtigte Effizienzsteigerung hatte also bemerkenswerte Kundenzufriedenheits- wie auch Umsatzverluste zur Folge (Brown 2004; Howell 2006).

Einer solchen Gefahr von kontraproduktiver Fokussierung kann vor allem durch die integrierte Betrachtung von Daten(quellen) und Bildung einer Kennzahlenhierarchie begegnet werden – was wiederum zu erhöhten Anforderungen an Datensammlung, -management, -auswertung sowie -interpretation führt sowie zu der Notwendigkeit von Expertenwissen für eben diese Aufgaben.

Welche Folgen hat eigentlich die Corona-Krise für Ihre Geschäftstätigkeit? Für Konsumenten, für Ihre Absatzmärkte, Supply Chains, Prozesse, Budgets, Innovations(miss)erfolge, Unternehmenskooperationen, Arbeitsplätze?

Absatzzahlpotentiale, Marktposition, Kundenzufriedenheit und Konkurrenzlage werden in Zukunft noch stärker von Ihnen beobachtet werden müssen. Supply-Chain-Gestaltung, Prozesse, und Auslastung müssen laufend optimiert und Budgets regelmäßig angepasst werden. Es braucht eine angemessene Mitarbeitermotivation.

Lohnt sich für Sie gegenwärtig F&E-Aktivität und sind Ihre Kooperationspartner morgen überhaupt noch am Markt? Kurz, Sie benötigen den permanenten Überblick über alle Problembereiche, in denen sich in Krisenzeiten Defizite besonders kritisch offenbaren. Und: Wir sprechen hier insbesondere von Defiziten, die vor Corona noch verschmerzbar gewesen sein mögen – doch diese Zeiten sind vorbei.

Wenn ja, brauchen Sie Strategien, Ideen und Lösungen wie Sie schneller als die Konkurrenz aus der Corona-Krise kommen – durch datenbasierte Technologien, Produktentwicklung und Geschäftsmodelle. Dies erfordert die Erfassung und Zusammenführung von Datenquellen, den professionellen Einsatz von Data Analytics und die fortlaufende Entwicklung neuer Analyseverfahren. 

Es gibt viele Einflussfaktoren, die nach Corona über die wettbewerbliche Neuordnung entscheiden werden. Data Analytics ermöglicht, diese integriert zu betrachten, zielfokussiert zu verdichten, und ergebnismaximal zu entscheiden. Die Würfel sind geworfen. Wie sie fallen, liegt an zukunftsorientierten Entscheidungen im Hier und Jetzt.

Ohne Fragen bleiben viele Hürden. Es gibt generell viel zu wenige Spezialisten, die solche Datenmengen intelligent analysieren können. Data Analytics ist noch neu und in vielen Fällen ungewohnt in der sinnvollen Anwendung. Es ist leicht, Korrelation und Kausalzusammenhänge zu verwechseln und falsche Schlüsse aus den Daten zu ziehen. Auch werden Daten für Informationsgewinnung und Wissensdokumentation innerhalb eines Unternehmens heute häufig immer noch über viele verschiedene Plattformen abgewickelt, was die Trennung von mehr oder minder relevanter Information und die Strukturerkennung erschwert. Komplexe Prozesse im Bereich der Informationssammlung, bei unternehmensinterner Datenpflege und Verbreitung von Informationen müssen nutzerorientiert vereinfacht werden. Die kulturellen Herausforderungen sind enorm und Fragen des Datenschutzes werden künftig weiter an Bedeutung gewinnen. Aber die zu Grunde liegenden Trends, sowohl was die Technologie als auch was die Vorteile für die Unternehmen betrifft, sind schon länger unverkennbar (Harvard Business Manager 2012).

Damit gilt eindeutig: Datengestützte Entscheidungen sind in jeder Hinsicht besser. Diejenigen Unternehmen, die nun auf die Kraft der Daten setzen, werden nach Corona beachtlich schneller als die Konkurrenz Wettbewerbsvorsprünge auf- und ausbauen.