Kleine Daten, große Chancen

Zusammenfassung

Einführung

Daten und Analysen sind in der Geschäftswelt schnell zu Schlagworten des Tages geworden. Es wäre schwierig, ein Journal zu knacken, ohne einen Hinweis auf zukunftsorientierte Unternehmen, die „Daten intelligent nutzen“, um Einblicke in das Kundenverhalten zu gewinnen, Risikoanalysen durchzuführen oder ihre Infrastruktur effizienter zu verwalten. Große, datenreiche Unternehmen, insbesondere solche der regulierten Art, beschäftigen sich seit Jahren mit datengestützter Entscheidungsfindung, was am besten durch Capital Ones Pionierarbeit in der Datenanalyse zum besseren Verständnis seiner Kunden veranschaulicht wird – Erkenntnisse, die anschließend verwendet werden, um sehr zielgerichtet und im großen Stil zu starten wirkungsvolle Marketingkampagnen, die zu seinem durchschlagenden Erfolg führten.

Doch trotz Nischenanfängen ist die Nutzung von Daten schnell zum Mainstream geworden. Es gibt heute nur wenige glaubwürdige Gründe für ein bestimmtes Unternehmen, unabhängig von Größe und Personalstärke, Analytik nicht als Kerngeschäftsprozess/-fähigkeit zu haben. Herkömmliche Einwände wie Kosten, Ressourcen und Know-how greifen nicht mehr. Im Gegenteil, intern generierte Daten werden schnell zu einem allgegenwärtigen strategischen Vermögenswert, der von wettbewerbsfähigen Unternehmen, die versuchen, wettbewerbsfähig zu bleiben, so genutzt wird, wie es alle anderen tun würden.

Dieser Artikel möchte seine Leser oberflächlich in die Welt der Daten und Analysen einführen und Sie durch die Marktdynamik, Tools, Akteure und Lösungen führen, die für beide einzigartig sind, bevor er die zweite Hälfte einem praktischen Implementierungsleitfaden und Framework für kleine Unternehmen widmet.

Ein Leitfaden für Laien zu Big und Small Data

Mit dem Aufkommen des Internets und damit E-Commerce, sozialen Medien und der Vernetzung von Geräten kam es zu einer Explosion des Volumens global verfügbarer und analysierbarer Daten für diejenigen, die über die Werkzeuge verfügen, um sie zu nutzen. Jeder Tweet, Post, Like, Wischen nach links, Wischen mit rechts, Doppeltippen, Überprüfen, Text und jede Transaktion – alle sind Daten, die verwendet werden können, um unsere digitalen Fußabdrücke abzubilden, die alles darüber aussagen, wer wir sind, wie wir Entscheidungen treffen, wo und warum. Diese Daten, die aufgrund ihrer Weite, Tiefe und Komplexität zu Recht als „Big Data“ bezeichnet werden, haben ein Meer von Möglichkeiten in der präskriptiven und prädiktiven Analytik erschlossen und die Hyperpersonalisierung so vieler Produkte, die wir täglich konsumieren, ermöglicht.

Formal beschreibt Big Data große Datensätze, die rechnerisch analysiert werden können, um Muster, Trends und Assoziationen aufzudecken, die sich meistens auf menschliches Verhalten und Interaktionen beziehen. Damit Daten als „groß“ bezeichnet werden können, muss die Menge/Bank so groß sein, dass fortschrittliche Datenmethoden und komplexe Systeme erforderlich sind, um Wert daraus zu ziehen.

In einem Forschungsbericht aus dem Jahr 2001 rahmte die META Group (jetzt Gartner) Big Data in drei Dimensionen ein, die als die drei Vs der Daten bezeichnet werden. Diese sind wie folgt: Volume (Menge), Velocity (Geschwindigkeit der Generierung/Übertragung) und Variety (Bereich von Art und Quelle). Diese drei Vs wurden anschließend von IBM zu vier Vs erweitert, um die Veracity (Qualität/Integrität) von Daten als letzte Dimension einzubeziehen, die erforderlich ist, um den Wert zu erfassen.

…aber Sie haben wahrscheinlich schon von Big Data gehört. Kleine Daten hingegen sind eine Unterklasse von Daten, die als bescheiden genug gelten, um sie für Menschen zugänglich, informativ und umsetzbar zu machen, ohne dass übermäßig komplexe Analysewerkzeuge erforderlich sind. Am besten formuliert vom Ex-McKinsey-Berater Allen Bonde: „Big Data dreht sich um Maschinen, während es bei Small Data um Menschen geht“ – genauer gesagt, sinnvolle Erkenntnisse, die für die Ableitung von Ursachen, Mustern und dem „Warum“ von Menschen organisiert und verpackt werden.

SaaS-basierte Analysen

Parallel zur Zunahme der Verfügbarkeit und Nützlichkeit von Daten entstand eine eigenständige Analysebranche. Einst der ausschließliche Treffpunkt von Statistikern, Datenwissenschaftlern und Analysten auf Master- und PhD-Ebene, hat sich die Analytik zu einer Branche funktional robuster, aber kostengünstiger Self-Service-Software-as-a-Service-Plattformen (SaaS) entwickelt, die selbst das Beste ermöglichen Anfänger von Benutzern, um Wert aus ihren Daten zu ziehen. Kleinere Unternehmen, denen früher das Fachwissen oder die Budgets fehlten, um diese Art von Analyse durchzuführen, konkurrieren jetzt auf Augenhöhe mit ihren besser ausgestatteten Kollegen und etablieren vertretbare Motes in ihren Märkten.

Zusätzlich zu den Kostenvorteilen des SaaS-Modells zeigt eine Studie der Aberdeen Group, einem Technologie- und Dienstleistungsforschungsunternehmen, dass Organisationen, die SaaS-Tools einsetzen, doppelt so viele Mitarbeiter haben, die Daten instinktiv nutzen, um Entscheidungen zu treffen und ihre ROI-Ziele zu erreichen 40 % schneller als diejenigen, die dies nicht tun. Für die meisten Unternehmen sind E-Mail-Marketingberichte, Google Analytics und andere webbasierte Analysetools von Drittanbietern bereits aktiv im Einsatz, zusätzlich zu intern erstellten Berichten aus Buchhaltungs-, Marketing-, ERP- und CRM-Systemen und als primärer Mechanismus für Monetarisierung ihrer kleinen Daten.

Mehr noch, und obwohl es sich um einen großen und wachsenden Markt handelt, dessen genaue Messung schwierig sein kann, schätzt IDC mit Forrester Research den weltweiten Markt für Business-Intelligence- und Analysetools auf fast 14 Milliarden US-Dollar (Stand 2017) mit einer Wachstumsrate von 11,7 % im Jahresvergleich , ein globales Marktforschungsunternehmen, prognostiziert eine CAGR von 15 % bis 2021.

Marktanteilsdaten

Es überrascht nicht, dass der Markt für Analysetools und -lösungen von der alten Garde der Softwareunternehmen dominiert wird – Unternehmen wie SAP, IBM, Oracle und Microsoft. Ab 2015 war SAP mit einem Marktanteil von 10 % und 1,2 Milliarden US-Dollar an Produktumsätzen in den Bereichen Analytik und Business Intelligence (BI) marktführend; SAS Institute war mit einem Anteil von 9 % die Nummer zwei; IBM, Dritter mit 8 %, und Oracle und Microsoft auf den Plätzen vier und fünf mit 7 % bzw. 5 %. Interessanterweise ist der Marktanteil der fünf größten Anbieter aufgrund des überdurchschnittlichen Wachstums von durch Risikokapital unterstützten Start-ups wie Sentiment Strategies, Tableau und Teradata zurückgegangen, was darauf hindeutet, dass ein Großteil des zukünftigen Wachstums der Branche von kleineren, schnellere, agilere Unternehmen.

Ein Data Analytics-Implementierungsleitfaden für kleine Unternehmen

Auf der höchstmöglichen Ebene gibt eine datenzentrierte Kultur dem Management mehr Vertrauen, dass es in der Lage ist, häufig und konsistent die bestmöglichen Entscheidungen zu treffen, während es auf der gleichen Version der Wahrheit basiert – einer transparenten, quantifizierbaren. Schließlich haben die meisten von uns Sitzungen erlebt, in denen streitende Führungskräfte verschiedene Argumente vorgebracht/verteidigt haben, indem sie sich auf verschiedene anekdotische Quellen, Faktenmuster und Interpretationen gestützt haben, wodurch die Integrität der Eingaben und damit der Ergebnisse schnell in Frage gestellt wurde. Daher ist die erste Entscheidung, die ein bestimmtes kleines Unternehmen treffen muss, das den Weg der Datenanalyse gehen möchte, ob dieses Unternehmen wirklich danach strebt, eine datengesteuerte Organisation zu werden.

Sobald diese Top-Down-Entscheidung getroffen wurde, muss ein Rahmen geschaffen werden, um das Potenzial und den Nutzen der neuen strategischen Priorität zu optimieren. Zu Beginn müssen einige Fragen gestellt werden. Erstens, was sind die kurz- und langfristigen Ziele der jeweiligen Firma, des Projekts, der Initiative oder der Abteilung? Zweitens, wer sollte für die Bemühungen und ihre Ergebnisse verantwortlich sein? Drittens, welche spezifischen Probleme möchte die Firma, das Projekt, die Initiative oder die Abteilung mit Daten lösen? Und viertens, welche Instrumente sollten verwendet werden, um die Initiative voranzutreiben?

Sobald diese Fragen beantwortet sind, besteht der nächste Schritt darin, einen konkreten Ausführungsplan zu formulieren, der mit ein wenig Planung, Organisationsstruktur, Top-Down-Richtung und Bottom-Up-Enthusiasmus die jeweilige Organisation in die Lage versetzt, reale und messbare Ergebnisse zu erzielen Ergebnisse konsistenter als in der Vergangenheit. Das folgende Diagramm soll einen Rahmen bieten, um die verschiedenen Elemente eines einfachen Datenanalyseansatzes zu betrachten.

Zur Frage der Ziele

Dies ist die erste wichtige Frage, die richtig gestellt werden muss. Auf hoher Ebene besteht das übergeordnete Ziel für jedes Unternehmen, das seine Daten nutzen möchte, darin, einen systematischen Prozess zu entwickeln, um fundierte Geschäftsentscheidungen zu treffen – einen Prozess, der konsistent und wiederholbar ist und messbar bessere Ergebnisse liefert. An dieser Stelle ist es wichtig zu beachten, dass der Weg zu einer soliden datenorientierten Organisation eine Reise und kein Ziel ist, und daher sind „Buy-in“ von oben und Konsens von unten wichtige grundlegende Schritte, die sich als entscheidend erweisen werden bis hin zur Massenakzeptanz und vollständig genutzten analytischen Assets. Nachdem die Zustimmung erreicht wurde, besteht ein erprobter nächster Schritt darin, strategisch einige „schnelle Erfolge“ zu arrangieren, um die Aufregung und das Engagement zu steigern, die erforderlich sind, um diesen Prozess zum Erfolg zu führen. Konsensbildung, Zustimmung und erzielte schnelle Erfolge, sowohl die Forschung als auch meine Erfahrungen diktieren einen Implementierungsansatz, der die folgende Struktur, Reihenfolge und Überlegungen annimmt:

Beginnen Sie mit deskriptiven Analysen – einem einfachen visuellen Dashboard, das die Unternehmensleistung anhand vorhandener Transaktionsdaten hervorhebt, um Schlussfolgerungen zu ziehen, die sich zuvor ohne quantifizierbare Daten als nicht schlüssig erwiesen hatten. Entwickeln Sie als Nächstes Drilldown-Funktionen in Ihrem Dashboard, um Einblicke, Leistungsmitnahmen und Selbsthilfeanweisungen strategisch und mit den richtigen Kollegen/Organisationsbeeinflussern auszutauschen. Dies wird sowohl den Verbreitungsprozess an ihre Untergebenen als auch die Kultur der Datenabhängigkeit, die Sie pflegen möchten, ankurbeln.

Phase zwei: Graduieren Sie sich zu anspruchsvolleren Predictive Analytics-Funktionen, entweder mit internen technischen Ressourcen oder mit Hilfe von Drittanbietern. Diese Vorhersagefunktionen vereinen sowohl interne als auch externe Datenquellen, um spezifische Geschäftsfragen wie „Wie hoch ist die Wahrscheinlichkeit, dass ein Kunde abwandert?“ oder „Kunden, die X kaufen, normalerweise auch zeitlicher Einblick in die Leistung einer Abteilung oder einer bestimmten Initiative. „Externe Datenquellen“ umfassen in diesem Fall Social-Media-Daten, Vertriebsmitarbeiterdaten oder Benutzererfahrungsdaten, die alle reichhaltige und statistisch signifikante Erkenntnisquellen bieten, wobei interne Daten noch zu begrenzt sind, um allein genutzt werden zu können.

Die dritte Stufe besteht darin, zu fortschrittlichen, präskriptiven Analysen überzugehen, die dabei helfen, die geeigneten Maßnahmen zu bestimmen, um das Verhalten von Verbrauchern, Unternehmen, Konkurrenten, Mitarbeitern oder Lieferanten vor dem Hintergrund historischer Daten zu steuern/vorzubeugen. Es sollte jedoch beachtet werden, dass diese Phase normalerweise den Übergang von Small Data zu Big Data markiert; Dennoch ist es ein notwendiger Schritt, der in Ihren unternehmensweiten Entscheidungsprozess integriert werden sollte, um ein Höchstmaß an Input-Output-Integrität und Konsistenz bei der Entscheidungsfindung zu gewährleisten.

Eingehender Überblick über die verschiedenen Stadien der Analyse

Beschreibende Analytik – Dashboards

Es ist eine Binsenweisheit, dass das, was gemessen wird, verwaltet wird, und so sind Führungskräfte innerhalb einer Organisation durch die Entwicklung einer einzigen datendeterministischen Wahrheit besser in der Lage, fundiertere, einheitlichere Entscheidungen zu treffen. Dashboards sind der Ausgangspunkt solcher Analysereisen und die visuelle Darstellung der datendeterministischen Wahrheit eines Unternehmens. Natürlich kann das, was für eine Gruppe relevant ist, für eine andere bedeutungslos sein, daher sollte der Zweck oder das Thema eines bestimmten Dashboards gebührend berücksichtigt werden, welche Informationen enthalten sein sollten, wer die relevante Zielgruppe für seinen Inhalt ist und was die Frage/Problem ist, dass besagte Gruppe versucht, eine Antwort/Lösung zu finden.

Gut gestaltete Dashboards fördern die Entscheidungsfindung, anstatt nur historische Informationen zu präsentieren, und die besten lenken die Aufmerksamkeit effektiv auf Trends und wiederkehrende Muster (sowohl positive als auch negative), während sie die Vitalitäten eines Unternehmens genau darstellen. Anspruchsvollere Dashboards bieten Drilldown-Funktionen, die es Führungskräften ermöglichen, die Ursachen eines diagnostizierten Problems mit Anmerkungs- und Freigabefunktionen zu ermitteln, die eine dynamischere Anzeige in Echtzeit ermöglichen.

Predictive Analytics – Datenverschmelzung, Exploration und Abfrage

Sobald der Dashboard-Prozess abgeschlossen ist, kann die aufstrebende datengesteuerte Organisation beginnen, ehrgeiziger zu werden. Dazu besteht ein typischer nächster Schritt darin, „umfangreiche und vielfältige Daten zu verwenden, um fortgeschrittenere Analysen durchzuführen und dem Entscheidungsbereich eine weitere Dimension zu verleihen“. Durch die Zusammenführung unternehmensspezifischer Daten, die weiter mit denen von Drittanbietern angereichert werden, die von branchenspezifischen Anbietern wie Experian, Acxiom und D&B bis hin zu Social Media- oder Vertriebsdatenanbietern wie Facebook, Twitter und Salesforce reichen, kann das jeweilige Unternehmen größere, breitere, vielfältigere und statistisch signifikantere Sets für neue und bessere Einblicke in die Leistung des Unternehmens und das Kundenverhalten.

Prescriptive Analytics – Einsatz von Analytics in Geschäftsprozessen

Unternehmen auf Unternehmensebene mit unterschiedlichen Anforderungen in Bezug auf Daten, Kunden, Vorschriften und spezifische geschäftliche Probleme/Probleme sowie mit unterschiedlichen Budgets und internen Fähigkeiten werden wahrscheinlich Technologieanbieter haben, die ihre spezielleren Anforderungen erfüllen. Sie arbeiten in einer Größenordnung, in der die Fähigkeit zur Operationalisierung der Analysen in ihren Geschäftsprozessen und Arbeitsabläufen wichtiger und wirtschaftlicher wird. Diese Unternehmen sind häufig in regulierten Branchen tätig, in denen sie nachweisen müssen, dass sie über faire und wiederholbare Behandlungen verfügen.

Kreditgeber zeigen keine Voreingenommenheit in ihrer Kreditvergabepolitik, sei es in Bezug auf Geschlecht, Einkommen oder Rasse.

Zur Frage der Verantwortung

Es ist eine Sache, eine bestimmte Aktion festzulegen, und eine andere, sie umzusetzen. Es muss eine Verbindung zwischen Diagnose, Verschreibung und Entscheidung und einer Person/Gruppe geben, die für das gewünschte Ergebnis verantwortlich ist. Hier wird die Rolle des Executive Sponsors wichtig.

Sowohl bei kleinen als auch bei großen Unternehmen ist der leitende Sponsor – der nominierte Verfechter der Datenanreicherung und de facto Chief Data Officer – eine Person, normalerweise der CEO, CFO oder CMO von Anfang an, die bereits in Daten und Analysen eingetaucht und darauf eingestellt ist Art von Problemen, die am besten durch Daten gelöst werden können, oder zumindest an das transformative Potenzial der Datenanalyse glauben.

Neben diesem Protagonisten erfordert der Prozess in der Regel auch einen sekundären, praktischeren Champion, insbesondere wenn das Unternehmen beginnt, von deskriptiver zu prädiktiver Analytik überzugehen. Traditionell war diese Person ein technisch ausgebildeter interner Datenwissenschaftler, hat sich aber in letzter Zeit zu einem technisch versierten Enthusiasten entwickelt, der oft als Citizen Data Scientist bezeichnet wird. Diese Person wählt sich normalerweise selbst aus – ein bekennender Tabellenkalkulationsjockey mit der richtigen Balance aus intellektueller Neugier und Geschicklichkeit, aber einer, der bereit ist, im Unkraut der Implementierung zu leben. In vielen Fällen ist diese Person dem Management voraus, wenn es darum geht, das Wirkungspotenzial zu erkennen, das ein formaler Datenanalyseprozess in ihrem Unternehmen schaffen kann, aber es fehlte einfach der Status oder die Glaubwürdigkeit, die erforderlich sind, um ihre Vision zu verkaufen.

Zur Frage des Geschäftsproblems

Jedes erfolgreiche und scheiternde Unternehmen hat seine einzigartigen Herausforderungen, die nur durch die geeignete Kombination von Ressourcen, Prozessen und spezifischen Fähigkeiten bewältigt werden können. Allerdings können die Arten von geschäftlichen Herausforderungen, die sich am besten für die Bewältigung durch Daten eignen, in den meisten Fällen reduziert, kategorisiert und mithilfe des in Abbildung 7 dargestellten Rahmens angegangen werden.

Darüber hinaus wurden im Laufe der Jahre einige anekdotische Richtlinien / Parameter entwickelt, die die Chancen weiter optimieren, nicht nur die richtigen Arten von Problemen zu identifizieren, die mit Daten angegangen werden müssen, sondern auch ihre Chancen, erfolgreich gelöst zu werden. Diese Richtlinien/Parameter lauten wie folgt: Wählen Sie zunächst einfache, klare Fragen, deren Implikationen von großer Bedeutung sind; Zweitens: Streben Sie bei der Suche nach Antworten aus Daten eher nach der Praktikabilität der Lösung als nach der Perfektion einer akademischen Antwort. Drittens sollten Sie bei der Bereitstellung der Diagnose und Lösung die Natur und die Wissensbasis Ihres Empfängerpublikums im Hinterkopf behalten. und schließlich nur Probleme auswählen, die messbar und mit bereits vorhandenen Daten und Lösungen quantifizierbar sind, die gleichermaßen nachverfolgt werden können.

Zur Frage nach den richtigen Tools und Methoden

Die letzte unserer ursprünglich vier Rahmenfragen, wenn es um den Aufbau einer nachhaltigen datenorientierten Organisation geht, betrifft die Auswahl von Tools, Methoden oder Plattformen. Dazu möchte ich zunächst sagen, dass sich Datenanalysetools in den letzten Jahren erheblich weiterentwickelt haben, mit verschiedenen Vor- und Nachteilen für den Geschäftsanwender. Zu den Vorteilen gehören ein erheblicher Rückgang der mit dem Leasing solcher Tools verbundenen Kosten sowie eine Zunahme der Funktionsliste und der Komplexität der verfügbaren Optionen, da sie von funktionsspezifischen Tools zu Plattformen mit sich überschneidenden Funktionen übergegangen sind. Darüber hinaus bieten SaaS-Anbieter kostenlose Testversionen an, allerdings mit Einschränkungen hinsichtlich Volumen und Datentyp; Neue Patrons haben die Möglichkeit, nach dem Testen mehrerer Plattformen eine fundierte Kaufentscheidung zu treffen.

Der Hauptnachteil dieser Plattformen besteht darin, dass die Anbieter, um miteinander wettbewerbsfähig zu bleiben, so aggressiv in Richtung Komplexität innovativ sind, dass ihre Angebote jetzt eine Funktionssättigung mit Angeboten erreichen, die über den Nutzen des durchschnittlichen Geschäftsbenutzers hinausgehen. Das unglückliche Ergebnis ist die Überwältigung des unerfahrenen Benutzers, was es schwieriger macht, die zuvor besprochenen „schnellen Erfolge“ zu erzielen, und somit die Wahrscheinlichkeit verringert, dass sich die Datenkultur in einem bestimmten Unternehmen durchsetzt.

Glücklicherweise stehen viele Ressourcen zur Verfügung, um potenziellen Benutzern zu helfen, konkurrierende Business-Intelligence-Lösungen zu bewerten und zu vergleichen, obwohl ein gewisses Wissen über gemeinsame Kernfunktionen hilfreich ist, um sie mit den spezifischen Anforderungen und Prioritäten eines Unternehmens zu vergleichen. Einige dieser Funktionen umfassen: Anzahl und Umfang der Datenverbindungen, Verfügbarkeit vorgefertigter Dashboards, Drilldown-, Veröffentlichungs- und Freigabefunktionen, Integration mit Datenverschmelzungs- und Explorationssoftwarefunktionen, Skalierungspotenzial (sowohl in Bezug auf Volumen- als auch auf Sortenparameter), Anzahl und Genauigkeit der Modellierungsansätze und die Kundenreferenzbasen pro spezifischer Branche. Obwohl in seiner Zusammenfassung zugegebenermaßen einfach, zeigt Diagramm 7 oben einige wichtige Anbieter, die in verschiedenen Kategorien (deskriptiv, prädiktiv, präskriptiv) spielen.

Kleine Daten, große Chancen

Trotz seiner Nischenanfänge ist klar, dass sich die Datenanalyse und der Markt für SaaS-basierte Analysetools in den letzten Jahren erheblich weiterentwickelt haben, was dem Citizen Data Scientist und seinem Unternehmen sehr zugute kommt. Big Data, Small Data, Self-Service-Tools – sie alle sind inzwischen ausreichend Mainstream, um ihre Berücksichtigung als Kernkompetenz selbst der am wenigsten technischen Unternehmen zu rechtfertigen. Anders gesagt, bei so vielen nützlichen, verwertbaren Daten, die generiert werden und die Kosten für Self-Service-Tools sich umgekehrt zu den angebotenen Funktionen und Fähigkeiten bewegen, wird es selbst für kleine Unternehmen nur wenige Gründe geben, Daten nicht in gewisser Weise zu nutzen.

Dieser Artikel sollte verdeutlicht haben, dass selbst Ihr Startup mit ein wenig Planung, Zielsetzung und Auswahl der Auftraggeber beginnen kann, die Wettbewerbsbedingungen mit den Titanen der Branche, die Sie aufbrechen wollten, auszugleichen und dabei einen enormen wirtschaftlichen Wert für Sie freizusetzen und Ihre Stakeholder. Sie müssen nur anfangen; Also los – fangen Sie an!