3.3.4 Nachweis von Business Value der Lösungen

Im Umkehrschluss möchte ich festhalten, dass analytische Methoden besonders erfolgreich in einem Umfeld sein können, bei denen ausreichend qualitativ hochwertige, vertrauenswürde historische Daten vorliegen. Weiterhin ist es wichtig die Ergebnisse einer statistischen Analyse immer zu hinterfragen und auf Plausibilität zu prüfen, um kostspielige Fehlentscheidungen zu vermeiden.

Coca-Cola gelang es bereits 2012 seine Produktstrategie erfolgreich durch Big Data Analysen an die Kundenwünsche anzupassen. Der damalige Chief Big Data Officer und heutige CIO Esat Sezer setzte schon früh auf die Analyse von Social Media Daten und konnte dadurch herausfinden, welche Geschmacksrichtungen für Soft Drinks bei den Kunden ankommen, wann, wie und wo sie die verschiedenen Getränke der Dachmarke Coca-Cola konsumieren. Damit konnte er auch die Werbestrategie des Unternehmens optimieren und zielgerichtet in der passenden Situation im passenden Kanal Werbung ausspielen und damit den Produktumsatz steigern[1].

Wie eine Studie von Deloitte zum Einsatz von Data Analytics im Mittelstand aus dem Jahr 2014 zeigte, ist es allerdings für kleinere Unternehmen noch wichtiger den Analyseprozess mit den richtigen Daten zu füttern und die richtigen Fragestellungen auszuwählen, um hier nicht die Kosten im Verhältnis zum Nutzen zu hoch zu treiben. Zwar lässt sich durch Data Science auch in Projekten bei kleinen Unternehmen Mehrwert erzielen, jedoch müssen auch hier oft Entscheidungen getroffen werden, ohne dass alle Daten vorliegen, weil die Auswertungs- oder Speicherkapazitäten nicht vorhanden sind[2] (siehe Abbildung 6).

Die Kapazitätsgrenzen in der IT sollte durch die heute umfassend und kostengünstig verfügbaren Cloud Dienste kein Problem mehr darstellen, dennoch bleibt der Aufwand für Datensuche und Aufbereitung hoch sowie die Verfügbarkeit geeigneter Experten zur Auswertung sehr begrenzt, sodass die Kosten hier herausfordernd sein können.

Gerade im Consumer Bereich existiert eine Vielzahl von Daten, die zur Auswertung herangezogen werden können, um die Kundenwünsche und die Customer Journey zu verstehen und durch zielgerichtete Maßnahmen zu beeinflussen. Heute basieren bereits viele moderne Unternehmen auf Geschäftsmodellen der Datenmonetarisierung, doch sind der Datenauswertung auch Grenzen durch den Datenschutz gesetzt. Mit Chancen und Grenzen der Monetarisierung von Daten möchte ich mich im nächsten Kapitel auseinandersetzen.

[1]

Bernard Marr, 2017

[2] Jürgen Reker, 2014