Aus dem Unterricht des CAS Digital Leadership mit Dozent Oliver Staubli (CEO und Data Scientist) berichtet Claudia Bläuenstein:

Nach einer kurzen Einführung von Patrick Comboeuf startet Oliver Staubli ins Thema “From Big Data to Actionable Insights”. Wir starten mit einer Vorstellungsrunde: Jeder Teilnehmer stellt sich vor und nennt “seine” Kunden und die Daten die “sein” Unternehmen hat, verwenden könnte oder bereits verwendet. In den meisten Unternehmen scheinen eine Unmenge an Daten vorhanden zu sein – werden oder können jedoch meist nur marginal genutzt werden.

Der Referent stellt sich ebenfalls vor, er ist ein Data Scientist und weist gemäss diesem Bild folgende Skills auf:

Big Data

Es existieren verschiedene Definitionen von Big Data; er empfiehlt uns die vier Vs (der Data Science Central) zu merken, da diese – wie im Bild unten dargestellt sind – visualisiert besser verinnerlicht werden können:

Die Entwicklung der vorhandenen Daten bei Unternehmen hat sich in den letzten zehn Jahren sehr stark verändert. Waren wir vor zehn Jahren noch mit zu wenig Daten bestückt und konnten aufgrund dieses Mankos weniger fundierte Entscheidungen treffen, so steigt heute die Datenmenge exponentiell. Diese heute sehr grosse Menge an Daten erhöht die Komplexität immens und fordert Unternehmen heraus, eine sinnvolle Nutzung zu ermöglichen.

Analytics

Mit erhobenen Daten sollen Informationen generiert werden können.

Daten können verschiedentlich visualisiert werden. Es macht eher keinen Sinn KPIs auf Wochenbasis zu analysieren, sondern es sollen auch längere Perioden und vor allem Trends aufgezeigt und erkannt werden.

Was ist die Kohortenanalyse?

Die Kohortenanalyse zeigt auf, wie sich die Einnahmen bezüglich Neukunden und Bestandskunden über die Zeit entwickeln. Als Basis wird der Umsatz genommen (Neukunden- und Stammkundenumsatz). Diese Art von Analyse braucht sehr wenig Daten, eigentlich nur Transaktionsdaten, und zeigt die Entwicklung der Kundenbasis über eine gewisse Zeit auf.

Eine Kohorte ist eine Gruppe von Kunden mit einer gemeinsamen Eigenschaft oder Erfahrung in einer definierten Zeitperiode (Definition gemäss www.revolytics.com).

Fragen wie…:

  • Wann hat der Kunde das erste Mal gekauft?
  • Kann daraus ein Trend erkannt werden?
  • Wie verhält oder verändert sich die Kundenloyalität?

… können mit der Kohortenanalyse beantwortet werden.

Daten Qualität

Der Data Scientist ist hauptsächlich damit beschäftigt (60% der Zeit), die Daten zu bereinigen und zu hinterfragen im Sinne von:

  • Stimmen die Daten?
  • Sind die Daten vollständig (als Beispiel: sind alle Filialen berücksichtig)?
  • Werden die korrekten Daten herbeigezogen?
  • Stimmt der Prozess (als Beispiel: ist der Neukunde effektiv Neukunde oder hat er sich bei früheren Käufen bereits als Gastkunde angemeldet)?

Erst wenn ein gutes Gefühl bezüglich der Datenqualität besteht, können diese analysiert und ausgewertet werden!

Dashboard

In einem Dashboard werden managementgerecht Daten (Umsätze, Trends, Mitarbeiter Sales Zahlen, Absatzkanäle, etc.) aufbereitet und vor allem visualisiert dargestellt. Es muss definiert werden, in welcher Periodizität die Daten aktualisiert werden sollen.

Data Flow Map

Zeigt auf, von wo die Daten für das Dashboard bezogen werden können (interne Daten: Applikationen, Tools, Teams, etc. externe Daten: Twitter Analytics, etc.).

Gruppenarbeit:

Welche KPIs sollen für den CEO ersichtlich sein? Gruppe bestimmt ein CEO, mit dem Ziel, in einer zweiten Phase das Data Flow Map zu zeichnen (Flipchart):

Das Data Flow Map zeigt visuell auf, von wo die Daten kommen, welche Typen es gibt und wo diese verlinkt sind?

Wichtig auch: Wo werden die Daten zentral fürs Dashboard in einer Datenbank abgelegt?

Advanced Analytics

Advance Analytics wird für die Vorhersage zukünftiger Ereignisse und Verhaltensweisen angewendet. Dazu gehört Predictive Analytics, welche ermöglicht, Muster zu erkennen und frühzeitig zu reagieren.

Beispiel dazu ist die Cluster Analyse:

Daten von Kunden sollten sortiert werden, damit sie besser verstanden werden. In der Cluster Analyse werden Kundenverhalten aufgrund von Daten analysiert. Es zeigt das Kundenprofil.

Als Beispiel:

Das Kaufverhalten eines Kunden kann in Dimensionen zugeteilt werden. Sobald Gruppierung sauber gemacht wird, kann gesagt werden, dass ein typischer Kunde (eine definierte Persona) beim Kauf des Artikels X ebenfalls den Artikel Y erwirbt.

Ziel des Clustering ist, dass die Kunden in den jeweiligen Dimensionen (oder eben Produkte) besser beworben werden.

So im Sinne…