Lernen Sie, wie Sie Big-Data-Initiativen mit der Strategie Ihres Unternehmens in Einklang bringen und Ihre Bemühungen mit Key Performance Indicators validieren können.

Schlüsselthemen des Artikels:

• Was ist Big Data?
• Herausforderungen von Big Data
• KPIs und Big Data
• Fokussieren Sie Big Data
• Machen Sie Big Data messbar
• Automatisierung mit BSC Designer

Sign-Melden Sie sich mit einem kostenlosen Plan an, um Zugriff auf Big Data Scorecard sowie 28 weitere Scorecard-Vorlagen zu erhalten.
Das Ende des Jahres ist ein guter Zeitpunkt, um über aufkommende Trends zu sprechen: selbstfahrende Autos, künstliche Intelligenz, virtuelle Realität und das Internet der Dinge. Welche Auswirkungen werden diese Trends auf Ihr Unternehmen haben? Wie können Sie einen möglichen Einfluss dieser bahnbrechenden Ideen berücksichtigen? Alle genannten Trends verdienen eine detaillierte Analyse, aber es gibt einen, der mit allen anderen verbunden zu sein scheint. Ich spreche von Big Data. KI wird sie brauchen, selbstfahrende Autos basieren auf ihr, und natürlich wird sie bereits von vielen Unternehmen genutzt.

Bei BSC Designer haben wir viel über KPIs und Strategie gesprochen. In diesem Artikel schlage ich vor, zu erörtern, wie eine gut beschriebene Strategie und maßgeschneiderte KPIs helfen können, sich auf Big-Data-Bemühungen zu konzentrieren. Hier ist unser Plan für diesen Artikel:

• Big Data. Was ist das? Was sind die wichtigsten Herausforderungen?
• KPIs für Big Data. 4 Ebenen von KPIs und Erreichen einer strategischen Ausrichtung.
• Aktionsplan. Messbare Umsetzung von Big Data.

Was ist Big Data?

Big Data ist die Analyse großer, unstrukturierter Datensätze.

Big Data kann durch 3 Vs charakterisiert werden:

• Volumen. Die Datensätze sollen groß sein. Es gibt einige Schätzungen, dass sie mindestens 10 GB oder 1 TB groß sein sollten, aber wahrscheinlich wäre es ein besseres Kriterium zu sagen, dass Big Data etwas ist, das verteilt werden muss (in Bezug auf Speicherung oder Berechnungen). Wenn man auf Hadoop oder ein ähnliches System umsteigen muss, dann wird es groß.
• Vielfältigkeit. Denken Sie an verschiedene Quellen für strukturierte und unstrukturierte Daten. Sie können aus Text, Video, Verkaufsdaten, sozialen Medien, Wettervorhersagen oder was auch immer in Ihrem Kontext Sinn macht, gewonnen werden.
• Schnelligkeit. Das hohe Datenvolumen ist ein Ergebnis der schnellen Datengenerierung. Denken Sie an Tausende von Flugzeugelementen, die ständig überwacht werden, oder an einen ständigen Strom von Kommentaren in den sozialen Medien oder an Echtzeitdaten, die tragbare Geräte liefern.

Oft (nehmen Sie IBM oder EY als Beispiel) gibt es auch ein viertes “V”, das für “Veracity” steht:

• Veracity. Wenn wir über Daten sprechen, haben wir es immer mit einem gewissen Grad an Unsicherheit zu tun. Wie wurden die Daten gewonnen? Haben wir alle Faktoren analysiert? Wurden sie manipuliert? Können wir diesen Zahlen trauen?

Wie werden die Daten verwendet?

Big Data wird für ein breites Spektrum an Vorhersage- und Verhaltensanalysen verwendet. Unternehmen setzen Big Data ein, um Kosten zu senken, Kundenbedürfnisse besser zu verstehen und Risiken zu mindern. Denken Sie an ein Unternehmen, das Big Data nutzt, um seinen Kunden ein maßgeschneidertes Erlebnis zu bieten; denken Sie an die Betrugsprüfung eines E-Commerce-Anbieters.

Am Anfang des Artikels habe ich einige aufkommende Trends erwähnt – Big Data ist an allen beteiligt. Um mehr über die praktische Nutzung von Big Data zu erfahren, empfehle ich die Fortsetzung von “7 Amazing Companies That Really Get Big Data” des international anerkannten Experten Bernard Marr.

Hauptherausforderungen von Big Data

Die beschriebene Vision von Big Data klingt sehr ambitioniert. Warum greifen die Unternehmen diesen neuen Trend dann nur langsam auf? Was sind die größten Herausforderungen von Big Data?

Data Mining ist keine große Herausforderung mehr

Ende Oktober habe ich auf einer von SCIP (Strategic and Competitive Intelligence Professionals) organisierten Konferenz gesprochen. Die Mitglieder dieser Organisation beschäftigen sich mit Big Data im Bereich der Marktintelligenz. Das Hauptthema der Konferenz war nicht das Mining von KI/BI-Daten, wie man vielleicht vermuten könnte, sondern die Ausrichtung von Business Intelligence-Bemühungen auf die Strategie eines Unternehmens. Mit anderen Worten, wenn ein Unternehmen erst einmal weiß, welche Fragen es stellen will, ist der Rest relativ einfach (siehe die nachstehenden Umfragen für einige Daten).

Wenn Data Mining kein Problem mehr ist, was sind dann die größten Herausforderungen?

Herausforderung 1. Fokussierung von Big Data

Die größte Herausforderung besteht darin, Big Data auf das Wesentliche zu fokussieren und sie dann in die richtigen Hände zu geben. Mit anderen Worten: Es sollte jemanden im Unternehmen geben, der die richtigen Fragen stellt.

Zur Veranschaulichung dieses Gedankens nehmen wir eine Geschichte von Target, die 2012 in den Schlagzeilen war. Dieses Einzelhandelsunternehmen nutzte erfolgreich Shopper-Analytics-Daten, um vorherzusagen, dass einige seiner Kunden schwanger waren. Schauen wir uns die Geschichte an (ohne den datenschutzrechtlichen Teil zu berücksichtigen) und sehen wir uns an, was tatsächlich passiert ist. Andrew Pole, ein Statistiker, der für Target arbeitete, lieferte nicht einfach nur alle möglichen Daten, sondern erhielt von seinen Kollegen aus dem Marketing eine ganz bestimmte Aufgabe – schwangere Käuferinnen im zweiten Trimester zu identifizieren.

Es gab einen Schwerpunkt, und mit diesem Schwerpunkt war ein enormer geschäftlicher Wert verbunden, da frischgebackene Eltern dazu neigen, ihre Kaufgewohnheiten zu ändern und alles in einem Einzelhandelsgeschäft zu kaufen. Es ging nicht nur darum, mit Daten zu spielen, sondern Daten zu finden, die zur Beantwortung einer ganz bestimmten Frage beitragen würden.

Herausforderung 2. Ausrichtung auf die Geschäftsstrategie

Big Data wird dann zum Wendepunkt, wenn es einen greifbaren geschäftlichen Nutzen bringt. Mit anderen Worten: Es sollte klar sein, wie die Big-Data-Initiativen die Strategie eines Unternehmens unterstützen. NewVantage Partners hat in ihrer Big Data Executive Survey die Befragten nach kulturellen Hindernissen für die Einführung von Big Data in Unternehmen gefragt. 42,6 % der Befragten wählten die Antwort “Unzureichende organisatorische Ausrichtung”. Zu den weiteren Optionen gehörten mangelnde Akzeptanz, das Fehlen einer kohärenten Datenstrategie und das Fehlen einer gemeinsamen Vision.

Um auf den Fall Target zurückzukommen, wurden zwei wichtige Komponenten erfolgreich angegangen:

1. Big Data konzentrierte sich auf eine bestimmte Anfrage: Ein Datenwissenschaftler wurde gebeten, schwangere Käuferinnen im zweiten Trimester zu identifizieren.
2. Ausrichtung an einer Geschäftsstrategie: Es gab einen klaren geschäftlichen Nutzen für die Daten – Familien, in denen ein Kind geboren wurde, wurden für lange Zeit Kunden eines Einzelhandelsgeschäfts.

Herausforderung 3. Datensicherheit und Schutz der Privatsphäre

Diese Herausforderung ist noch nicht allgemein bekannt, aber ich denke, es ist für jeden offensichtlich, dass die Sammlung und Analyse von Daten ethisch und rechtlich einwandfrei sein muss. Die General Data Protection Regulation (GDPR) ist seit dem 25. Mai 2018 in Europa in Kraft, und in anderen Ländern gibt es ähnliche Vorschriften. Unternehmen müssen sich bei der Verarbeitung personenbezogener Daten viel stärker an die Datenschutzrichtlinien halten.

Lassen Sie uns die KPIs im Kontext von Big Data diskutieren.

KPIs und Big Data

Wird Big Data die KPIs ersetzen? Nicht ganz. Big Data wird die KPIs mit genaueren und aktuelleren Erkenntnissen unterstützen.

Nehmen wir den NPS (Net Promoter Score) als Beispiel:

• NPS jetzt. Wie wird der NPS (Net Promoter Score) in Ihrem Unternehmen heute berechnet? Wahrscheinlich führen Sie vierteljährlich eine Art Kundenumfrage durch. Daher ist dieser Indikator zeitlich verzögert. Wenn in Ihrem Unternehmen etwas passiert, zeigt der NPS dies erst einige Monate später an.
• NPS powered by Big Data. Stellen Sie sich nun vor, dass Sie ein Big-Data-Tool verwenden, das die Emotionen Ihrer Kunden in Echtzeit analysiert (siehe den Heedbook-Verweis unten). In diesem Fall wird Ihr NPS zu einem Echtzeit-KPI. Im Grunde können Sie die Reaktion eines bestimmten Kunden auf ein bestimmtes Angebot und einen bestimmten Verkaufsansatz sehen.

In einigen Fällen werden Sie daran interessiert sein, tiefer in die Daten einzudringen und zu den spezifischen Situationen zu gelangen, und in anderen Fällen werden Sie die aggregierten Daten für die Woche, den Monat oder das Jahr sehen müssen.

KPIs für Big Data

Im Falle von Big Data geht es um erhebliche Investitionen in neue Tools und Architekturen, so dass es sinnvoll ist, diese Initiativen mit harten Daten zu überwachen. Die Big-Data-Initiativen sollten auch quantifiziert und gemessen werden. Dies kann auf verschiedenen Ebenen geschehen.

Ebene 1. 3-V-Metriken

Die 3Vs (Volume, Variety, Velocity) von Big Data können leicht quantifiziert werden:

• Das Datenvolumen ist ein Maß für sich (GB, TB, etc.)
• Die Vielfalt kann als die Anzahl der verschiedenen Arten von Datenquellen quantifiziert werden
• Die Geschwindigkeit wird durch das Volumen der pro Zeitperiode erzeugten/analysierten Daten definiert

Das vierte V – Veracity – ist möglicherweise schwieriger zu quantifizieren. Sie müssen definieren, was Ihr Team als genaue Daten ansieht, und das hängt vom jeweiligen Kontext ab. Bei Fahrzeugen mit Verbrennungsmotor könnte beispielsweise die Messung der aktuellen Geschwindigkeit mit einer Fehlerquote von +-5 km/h als genaue Daten gelten, während dies bei Elektroautos nicht akzeptabel ist. Definieren Sie 1-2 Metriken, die einen Eindruck von der Datengenauigkeit in Ihrem Fall vermitteln.

Sind die 3-V-Metriken nützlich? Das hängt von Ihrem Kontext ab. Nehmen wir das selbstfahrende Auto von Google als Beispiel. Das Auto produziert 1 GB an Sensordaten pro Sekunde. Diese Zahl sieht beeindruckend aus! Wir können abschätzen, wie groß die Big Data sind, aber diese Zahlen helfen uns nicht bei den 3 genannten Herausforderungen.

Melden Sie sich mit einem kostenlosen Abo an, um Zugang zur Big Data Scorecard sowie zu 28 weiteren Scorecard-Vorlagen zu erhalten.

Level 2. Big-Data-Prozessmetriken

Lassen Sie uns auf die nächste Abstraktionsebene gehen und einen Blick auf den Big-Data-Prozess werfen. Das vereinfachte Modell sieht folgendermaßen aus:

• Abfrage
• Sammlung
• Analyse
• Berichterstattung

Die nützlichsten Metriken beziehen sich in diesem Fall auf die Zeit:

• Häufigkeit der Datenerfassung
• Zeit, die benötigt wird, bis die Daten für die Analyse zur Verfügung stehen
• Zeit, die benötigt wird, bis die Daten in Form von KPIs berichtet werden

Die Maßstäbe für die Zeit hängen von Ihrem geschäftlichen Kontext ab. Zum Beispiel:

• Das selbstfahrende Auto muss Daten in Echtzeit sammeln und analysieren, und die Millisekunden des Unterschieds spielen eine Rolle, aber
• Im Falle des NPS könnten Manager an der Überprüfung aggregierter wöchentlicher Daten interessiert sein

In Bezug auf die Prozesseffizienz können wir die:

• Abfrage zur Meldung der Konversionsrate, % verfolgen. In diesem Fall müssen wir zunächst das Konzept einer qualifizierten Abfrage definieren und dann den Prozentsatz der qualifizierten Abfragen verfolgen, die unsere Datenwissenschaftler beantworten konnten
• Datenerfassungsfähigkeiten. Das Genauigkeitsniveau der von uns erfassten Daten (die oben unter Veracity diskutierten Ideen). Für einige Unternehmen definieren diese Fähigkeiten ihren nachhaltigen Wettbewerbsvorteil.

Die Metriken dieser Ebene geben uns eine bessere Vorstellung davon, wie effizient Big Data ist, aber wir haben immer noch keine Ahnung von den Auswirkungen von Big Data auf reale Geschäftsziele.

Ebene 3. Lagging KPIs. KPIs zur Validierung des Big-Data-Erfolgs.

Eine weitere Frage ist, wie der Erfolg von Big-Data-Initiativen im Unternehmen validiert werden kann. Einerseits werden erhebliche Investitionen in die Infrastruktur getätigt, andererseits sollte sich Big Data in Form von Geschäftseinblicken auszahlen. Wie können wir den Dollarwert dieser Erkenntnisse messen?

In diesem Fall müssen wir die Verbesserungen nachverfolgen, die dem Einsatz von Big Data zugeschrieben werden können:

• Welche Lehren haben wir aus Big Data gezogen? Welche Kosteneinsparungen wurden nach der Umsetzung dieser Ideen erzielt?
• Wie hat sich die Kundenbindungsrate durch die Bereitstellung eines maßgeschneiderten Erlebnisses verändert? Wie hat sich der Customer Lifetime Value verändert?
• Hilft Big Data, den Kundenservice effektiver zu gestalten? Wie hat sich die Lösungsquote beim ersten Anruf verändert?
• Wie haben sich die Einstellungsprozesse nach dem Einsatz von Big Data verändert? Wie hat sich die HR-Kennzahl “Zeit bis zur Leistung” verändert?

Wie Sie sehen, verwenden wir auf dieser Ebene die klassischen KPIs, die wir vorher verwendet haben. Wir versuchen, bestimmte Verbesserungen der Implementierung von Big Data zuzuschreiben.

Dieser Ansatz könnte einseitig sein:

• Wir neigen dazu, positive Veränderungen als unsere Errungenschaften zu werten, und
• wir betrachten negative Veränderungen als normale Schwankungen, die immer auftreten.

Die Lösung besteht darin, größere und greifbarere Ziele anzustreben.

Viele Unternehmen übergehen diesen Teil der Messung und kaufen einfach “einige große Daten”. Laut dem Bericht von Capgemini Consulting haben 67 % der befragten Unternehmen keine klar definierten Kriterien zur Messung des Erfolgs ihrer Big-Data-Initiativen. In Anbetracht der Höhe der Investitionen sollten die Unternehmen die Ziele und Erfolgskriterien der Big-Data-Implementierung systematischer festlegen.

Melden Sie sich mit einem kostenlosen Plan an, um Zugang zur Big-Data-Scorecard sowie zu 28 weiteren Scorecard-Vorlagen zu erhalten.

Stufe 4. Führende KPIs. Den Erfolg von Big Data sicherstellen.

Wir wissen jetzt, wie wir die Ergebnisse von Big-Data-Initiativen messen können, aber was ist mit dem führenden Teil? Was sollten wir tun, um eine erfolgreiche Implementierung von Big Data zu gewährleisten?

Der harte Teil von Big Data ist ziemlich greifbar, wir können ihn durch solche allgemeinen Metriken messen wie:

• In Big-Data-Initiativen investierte Gelder
• Zeitaufwand für Big-Data-Initiativen

Geschäftsziele fokussieren Big Data

Hier ein reales Szenario: Ein Unternehmen hat Millionen von Dollar in die Infrastruktur, die Tools und die Sammlung von Big Data mit dem Hadoop-Cluster investiert, und nichts Messbares ist passiert. Das ist genau das, worüber wir in Herausforderung 1 gesprochen haben: Big Data ist keine KI, sie kann nicht sprechen, und Ihr Team muss lernen, die Fragen zu stellen. Wie können wir dann die Rolle des Teams messen?

Hier sind einige Ideen für den Anfang:

• Big-Data-Schulungseffizienz. Stellen Sie sicher, dass wichtige Mitglieder Ihres Teams eine Schulung zu Big Data absolviert haben. Sie müssen nicht unbedingt zu Datenwissenschaftlern werden, aber sie müssen wissen, welche Fragen sie stellen können und wie sie diese Fragen formulieren können. In diesem Fall beziehen sich die Metriken auf die Wirksamkeit der Schulungen.
• % der strategischen Ziele mit Big-Data-Initiativen. Wir könnten die Anzahl der von jedem Team formulierten Big-Data-Abfragen verfolgen, aber dieser Ansatz wäre sehr formal und weniger nützlich. Eine bessere Möglichkeit besteht darin, die Ausrichtung zwischen Zielen und Big-Data-Abfragen zu verfolgen. Bitten Sie Ihr Team, sich seine strategischen Ziele anzusehen und dann zu erörtern, welche Daten es braucht, um im Kontext dieser Ziele bessere Entscheidungen zu treffen.

Big Data hilft bei der Formulierung neuer Geschäftsziele

Der Prozess der Abstimmung von Geschäftskontext und Big Data ist bidirektional. Manchmal haben wir eine bestimmte Herausforderung vor Augen und suchen dann nach bestimmten Big-Data-Tools (wie im Fall von Target), manchmal finden wir ein interessantes Tool und versuchen dann, es mit unseren Zielen abzugleichen. Hier einige Beispiele:

• Jemand aus Ihrem Team hat Heedbook gefunden, einen Dienst, der die Emotionen von Kunden in Echtzeit analysiert. Der Dienst basiert auf Azure von Microsoft und ist in der Cloud verfügbar. Ihr Kundenservice-Team könnte auf die Idee kommen, diesen Dienst zu nutzen, um den NPS besser zu berechnen.
• Ihre IT-Mitarbeiter standen vor der Herausforderung, eine DLP-Software (Data Loss Prevention) zu finden. Sie sind auf SearchInform gestoßen, das nicht nur die Kommunikation und die übertragenen Dateien analysieren kann, sondern auch spezifische Sicherheitsrichtlinien durchsetzen kann. Die IT-Strategie Ihres Unternehmens kann unter Berücksichtigung der Möglichkeiten des DLP-Tools aktualisiert werden.

In jedem Fall ist es eine gute Idee, spezifische Geschäftsziele mit den Anforderungen an Big Data abzustimmen.

Aktionsplan. Machen Sie Big Data messbar.

Lassen Sie uns einige Schlussfolgerungen aus diesem Artikel formulieren. Ich ziehe es vor, dies in Form eines Aktionsplans zu tun.

1. Big Data überarbeiten. Wie die Daten jetzt gesammelt werden, welche Möglichkeiten der Datenerfassung Sie haben (verwenden Sie die Big-Data-Prozessmetriken als Rahmen).
2. Machen Sie Ihre Hausaufgaben. Lassen Sie Ihre Strategie auf der Strategy Map formulieren und an die Geschäftsbereiche weitergeben. Überprüfen Sie Ihre aktuellen KPIs.
3. Verbessern Sie Ihre Fähigkeiten. Planen Sie die Initiativen, um die Fähigkeiten des Teams in Bezug auf Big Data zu verbessern. Die Teammitglieder sollten wissen, welche Fragen sie stellen können und wie sie diese Fragen formulieren können.
4. Fokussieren Sie Ihre Big-Data-Bemühungen. Überprüfen Sie Ihre Strategiekarte und ermitteln Sie die Möglichkeiten, bei denen Big Data die Geschäftsziele unterstützen kann. Formulieren Sie Big-Data-Abfragen.
5. Implementierung. Analysieren Sie die durch Big Data gewonnenen Erkenntnisse und setzen Sie sie bei Bedarf in Form von KPIs um.

Ein kurzer Leitfaden für Benutzer der BSC Designer Software

Als Benutzer von BSC Designer verfügen Sie über eine leistungsstarke Software, die viele der in diesem Artikel behandelten Aspekte der Strategieausrichtung und der KPIs automatisiert:

• Strategische Ausrichtung und Fokussierung von Big Data. Erstellen Sie eine Strategiekarte, um Ihre Unternehmensziele darzustellen; richten Sie die KPIs an den Zielen auf der Karte aus. Wenn Sie noch keine Strategiekarte haben, können Sie mit einem Strategiekarten-Assistenten beginnen.

• Stellen Sie sicher, dass ein Team über Big Data-Fähigkeiten verfügt. Verwenden Sie eine Trainings-Scorecard (Sie können mit diesem Beispiel beginnen), um sicherzustellen, dass Ihr Team über die notwendigen Fähigkeiten für die Arbeit mit Big Data verfügt.
• KPIs mit Big Data auswerten. Verfolgen Sie Leistungskennzahlen für die Big-Data-Initiativen; verwenden Sie RESTFul API, um Big-Data-Berichte in Echtzeit in die Indikatoren einzugeben.

Wenn Sie noch kein Benutzer sind, können Sie mit einem kostenlosen Plan von BSC Designer beginnen, der online verfügbar ist.

Weitere Beispiele für die Balanced Scorecard