Big Data. Daten sind der neue Content: Wie Verlage mit Big Data neue Erlösquellen schaffen. September 2014

Transkript

1 Big Data Daten sind der neue Content: Wie Verlage mit Big Data neue Erlösquellen schaffen September 2014

2 Big Data revolutioniert das Verlagsgeschäft Über die Kurzstudie Qualitative Befragung von insgesamt 15 Verlagen in Deutschland Zeitraum der Datenerhebung und Analyse: Mai/Juni 2014 Autoren: Dr. Alexander Henschel, Marc Ziegler, Alexander Schumm Executive Summary Verlage verfügen über wertvolle Datenbestände, die bisher unzureichend kapitalisiert werden. Von den derzeit über 25 denkbaren Anwendungsmöglichkeiten von Big Data-Tools entlang der Wertschöpfungskette nutzen die befragten Verlage durchschnittlich unter 25% Verlage, die Big Data-Technologien konsequent für Prozessverbesserungen und zur Portfolioerweiterung nutzen, erwirtschaften einen höheren Digital-Umsatzanteil (>40%) und erzielen in der Regel eine überdurchschnittliche Gesamtrendite (>15-20%), allen voran internationale Fachinformationsanbieter wie Thomson Reuters, Reed Elsevier und Wolter Kluwer Zu den Haupterfolgsfaktoren der "Data-Leader" gehören: Klare und konsistente Big Data-Roadmap zur Einführung der Technologien Erschließung mehrerer, miteinander verzahnter Big Data-Anwendungsbereiche im Verlag Einsatz von Predictive Analytics-Tools zur Prognose in der Zukunft liegender Ereignisse Dedizierte Datenanalyse-Teams zentral organisiert (Abteilung berichtet an CEO/CDO) Konsequente Investitionen in digitale Infrastrukturen und Prozessverbesserungen Die vorliegende Kurzstudie beschreibt Möglichkeiten, mit Big Data-Tools zu Kosteneffizienzund Erlössteigerung entlang der Wertschöpfungskette zu gelangen Quelle: goetzpartners 2

3 Datenhaltungskosten per Gigabyte PPI: Datenverarbeitung und ähnliche Services (2000 = Index 100) Datenvolumen steigt an, Unternehmen nutzen ihre Daten aber noch unzureichend Big Data in Zahlen 7 durchschnittlich mit dem Internet verbundene Geräte pro Person Datenquellen >50% wächst das jährlich von Unternehmen verarbeitete Datenvolumen Datenvolumen 0,5% Datenmengen steigen kontinuierlich und durchschnittliche Speicherkosten sinken. Jedoch steigen die relativen Datenverarbeitungskosten OHNE Big Data-Ansatz zunehmend an der gesammelten Daten werden von Unternehmen bis dato genutzt Datennutzung Hintergrund Insbesondere getrieben durch das "Internet of Things" sowie durch Social Media steigt die Anzahl der Datenquellen rapide an Im Verlagskontext sind soziale Netzwerke, die weiter anhaltende Digitalisierung der Inhalteverarbeitung und Cloud Computing die wesentlichen Treiber für steigendes Datenvolumen in Unternehmen Mit Big Data-Technologien lassen sich diese Daten erstmals sinnvoll und effizient für die Entscheidungsfindung nutzen 10 Datenkosten , Zeitraum [1] Compound Annual Growth Rate Quelle: goetzpartners, Brynjolfsson, Gartner, IDC, Mashable, emarketer = Verfügbare Daten 3

4 Verlage verfügen mit ihren Daten über einen hohen Vermögenswert, den es noch besser zu nutzen gilt Auf einen Blick Was ist Big Data und welcher Teil davon ist wirklich wichtig für Verlage? Big Data bedeutet, dass den Verlagen mehr Daten aus verschiedensten Quellen und mit einer höheren Frequenz zur Verfügung stehen Der Datensammlung über diverse Touchpoints und der zentralen Datenhaltung kommt in Verlagen eine wichtige Bedeutung zu, kann aber grundsätzlich an externe Dienstleister mit hohen Sicherheitsstandards ausgelagert werden Erst die analytische Verarbeitung und deren Visualisierung generieren für die Entscheidungsfindung relevante Informationen. Diese beiden Big Data- "Disziplinen" müssen Verlage zukünftig zu ihren Kernkompetenzen ausprägen DATEN- QUELLEN Mitarbeiteraufzeichnungen Web Analytics Externe Auswertungen ERP CRM Social Media Echtzeit- BIG DATA CHARAKTERISTIKEN Volume: Stetig wachsende Datenmengen übersteigen die Kapazität traditioneller Datenbanken Variety: Der Anteil unstrukturierter und semistrukturierter Daten ist auf über 90% aller Daten angestiegen Velocity: Zunehmende Datengeschwindigkeit erhöht die Anforderungen an Erfassung und Verarbeitung BIG DATA ARCHITEKTUR Datenzugriff & Datenhaltung Erfassung aus multiplen Datenquellen Hadoop [1] für besseren Datenzugriff Schnellere In-Memory Datenhaltung Analytische Verarbeitung Data Mining/ Discovery Pattern Recognition Predictive Analytics Applikation/ Visualisierung Visuelle Darstellung und Entdeckung von Trends und Korrelationen Einbettung von Analysen in Applikation BIG DATA ERGEB- NISSE Entscheidungsrelevante Erkenntnisse auf nie dagewesenem Niveau Zukünftig wichtige Kernkompetenzen von Verlagen [1] (Apache) Hadoop ist ein open-source Software-Framework zur Verwaltung sehr großer Datenmengen, das bei den meisten Big Data-Systemen/Anwendungen zum Einsatz kommt Quelle: goetzpartners 4

5 Saldo Digital Print Verlage haben die Möglichkeiten zur Bewältigung des Strukturwandels bisher unzureichend ausgeschöpft Herausforderungen und Hebel zur Bewältigung des digitalen Wandels VERTRIEBSERLÖSE [1] ZEITUNGEN/MAGAZINE [2] ANZEIGENERLÖSE [1] ZEITUNGEN/MAGAZINE [2] % ( - 710) % (+583) e -127 Mio Mio. [1] In Deutschland in Mio. EUR; [2] Tages-/Wochenzeitungen, Publikums-/Fachzeitschriften Quelle: goetzpartners, PWC Global Entertainment Media Outlook ,9% ( ) ,1% (+473) e TRANSFORMATIONSPOTENZIALE IN VERLAGEN Erlöstreiber Signifikanter Reichweitenausbau Steigerung Customer Experience Datengetriebener Journalismus Time-to-Market neuer Produkte/ Services reduzieren Erlössteigerung Content-Monetarisierung Erschließung neuer Erlösquellen Mindset, Organisation, Prozesse Selbstverständniswandel Strategische Partnerschaften Digitalisierung von Strukturen/ Prozessen Der digitale Wandel und seine Folgen Während das Gros der Verlage kontinuierliche Reichweitenverluste in Print weitgehend durch Preissteigerungen kompensieren konnte, verzeichnen Verlage im Anzeigengeschäft weiterhin gravierende Umsatzeinbußen Die Zugewinne im Digitalgeschäft konnten die Verluste im Stammgeschäft bisher nicht ansatzweise auffangen mit der Folge durchschnittlich sinkender Profitabilität Die bisher eingeschlagenen Maßnahmen zur digitalen Transformation greifen zu kurz, um die Verluste im Stammgeschäft hinreichend zu kompensieren Infolge des immer noch unzureichenden Selbstverständniswandels ist es Verlagen noch nicht gelungen, das digitale Stammgeschäft hinreichend zu monetarisieren und neue Erlösquellen zu erschließen 5

6 2. Operational Excellence 1. Strategie Big Data-Einsatz entlang Wertschöpfungskette Big Data liefert zentrale Ansatzpunkte, um diese Transformationspotenziale zu heben Auf einen Blick Big Data-Ansatzpunkte zur Lösung struktureller Herausforderungen Durch die zunehmende Datenverfügbarkeit und Analysemöglichkeiten in beinahe allen Geschäftsbereichen, hat Big Data diverse Ansatzpunkte in praktisch allen Wertschöpfungsstufen Big Data dient hierbei hauptsächlich der Transformation des bestehenden Geschäfts, aber auch der Anpassung vorhandener und der Erschließung neuer Geschäftsfelder Nur durch einen kombinierten Einsatz von Big Data-Tools und begleitendem Change Management-Programm können die adressierten Potenziale gehoben werden Big Data hat 2 generelle Ansatzpunkte Erschließung neuer datengetriebener Geschäftsmodelle Höhere Wertschöpfung aus bestehenden Erlösquellen durch Targetierung und Personalisierung Optimierung von Geschäftsprozessen Automatisierung von Prozessen durch Tools Anpassung an veränderte Wertschöpfungsketten mit Einsatzfeldern entlang der gesamten Wertschöpfungskette Inhalteerstellung Inhalte- Aggregation Inhalte- Transformation Multi-Plattform- Distribution Monetarisierung User Engagement Dadurch kann ein Großteil der Transformationspotenziale bedient werden Erlöstreiber Signifikanter Reichweitenausbau Steigerung Customer Experience Datengetriebener Journalismus Time-to-Market reduzieren Erlössteigerung Content-Monetarisierung Erschließung neuer Erlösquellen Mindset, Organisation, Prozesse Selbstverständniswandel Strategische Partnerschaften Digitalisierung von Strukturen/ Prozessen Quelle: goetzpartners Big Data-Tools als großer Hebel Eher geringer Hebel 6

7 Big Data-Potenziale werden von Verlagen überwiegend erkannt, aber noch nicht umfassend genutzt Primärerhebung unter deutschen Verlagen zur Nutzung von Big Data-Tools Big Data-Nutzung Verlagswertschöpfungskette Relevante Big Data- Use Cases [1] Ausschöpfungsgrad möglicher Big Data- Use Cases je Wertschöpfungsstufe der befragten Verlage Inhalteerstellung Content & Service Aggregation Content Transformation (Web, Mobile, Apps, E-Edition) Cross Platform Distribution und Konsum Content Monetarisierung User Engagement / Social Media # 4 # 5 # 3 # 4 # 6 # 3 25% 25% 40% 40% 20% 15% Unter den befragten deutschen Verlagen werden die Anwendungsmöglichkeiten von Big Data durchweg erkannt Big Data-Tools sind bei Verlagen entlang der gesamten Wertschöpfungskette im Einsatz, am stärksten im Bereich der Content-Distribution, durchschnittlich am schwächsten im Bereich User Engagement Trotz der relativ starken Verbreitung von Big Data-Tools werden diese in deutschen Verlagen nur in durchschnittlich unter 25% aller möglichen Anwendungsfälle eingesetzt Das Gros der Big Data- Anwendungen ist "rückwärtsgewand"; Predictive Analytics spielen bisher eine untergeordnete Rolle in Verlagen [1] Stand: 2014 Quelle: goetzpartners Primärerhebung, n=15 7

8 Die diversen Big Data-Einsatzmöglichkeiten entlang der Value Chain erfordern eine Priorisierung Auf einen Blick Potenziale, Einsatzfelder und Auswirkungen von Big Data in Verlagen Die Nutzung der durch Big Data gegebenen Möglichkeiten ist heute noch relativ gering und verteilt sich unterschiedlich stark auf die Schritte der Wertschöpfungskette Verlagswertschöpfungskette Inhalteerstellung Content & Service Aggregation Content Transformation (Web, Mobile, Apps, E-Edition) Cross Platform Distribution und Konsum Content Monetarisierung User Engagement / Social Media Das Big Data-Potenzial, gespiegelt am Einfluss auf die Unternehmensprofitabilität, steigt jedoch, getrieben durch die Digitalisierung und enorme Forschungsfortschritte in diesem Bereich, rasant an Big Data Nutzung heute Potenzial in den nächsten 3 Jahren Beispiel Automatische Textkörpervorschläge auf Basis von Algorithmen Predictive Analytics zur Identifizierung von zukünftig aufkommenden Themen Automatische Inhalteanpassung an diverse Endgeräte Konsequent targetierte Kampagnenaussteuerung auf Basis von Nutzer- und Nutzungsdaten Targetierung von "wertvollen" Kunden im Rahmen von Up- und Cross- Selling- Kampagnen Identifizierung der Social Multipliers (Meinungsbildner) in Netzwerken goetzpartners hat insgesamt über 25 relevante Anwendungsbeispiele von Big Data im Verlagsumfeld identifiziert Auswirkung Reduktion von Zeitaufwand bei Recherche und Texterstellung des Journalisten Zeitlicher Vorsprung gegenüber Wettbewerbern Reduktion des manuellen Aufwands Signifikante Reichweitensteigerung Steigerung der Vertriebserlöse durch individuelle Ansprache Erhöhter Inhaltekonsum Fallbeispiel 1 [1] [1] siehe Fallbeispiele auf den folgenden Seiten Quelle: goetzpartners Fallbeispiel 2 [1] Fallbeispiel 3 [1] = Big Data-Potenzial (Einfluss auf Profitabilität) innerhalb der nächsten 3 Jahre 8

9 Fallbeispiel 1: Mit Big Data-Tools zu schnelleren und besseren Newsroom-Entscheidungen Anwendungsbeispiele für Big Data in der Online-Redaktion 1. ÜBERSCHRIFTENTEST Option 1: Klicks "2:0! Sieg für Deutschland" 35% Option 2: vs. "Deutschland nach Sieg weiter!" 57% 2. BILDSELEKTION Option 1: Option 2: 3. ARTIKELPLATZIERUNG Option 1: Option 2: Artikel X B C Artikel Y C B Anwendungsbeispiele Klicks 65% vs. 52% Klicks 44% vs. 33% WORLD ONLINE NEWS A B C 4. Artikelgenerierung nach Nutzerrelevanz Internet Relevanz von Wettbewerber Themen European News Twitter Youtube Blogs Face book Quellen: Visual Revenue; MIT Technology Review, goetzpartners D E Thema 3 Thema 2 Thema 1 5. Live Performance-Tracking A B C D 40 EUR/h 2 Tsd. Klicks/h 120 EUR/h 6 Tsd. Klicks/h 60 EUR/h 3 Tsd. Klicks/h 80 EUR/h 4 Tsd. Klicks/h Effektivere Newsroom-Entscheidungen durch Big Data Aus der heutigen Flut an Informationen Relevantes zu filtern und daraus Inhalte mit Mehrwert zu formen, kostet Zeit Big Data-Tools können nicht die kreative Leistung von Journalisten ersetzen, ihnen wohl aber helfen, einige Entscheidungen schneller und zielgruppenspezifischer zu treffen Big Data-Tools können Verlage bspw. dabei unterstützen: Aufkommende Themen in Echtzeit zu erkennen Automatisch die thematische und inhaltliche Positionierung der Wettbewerber zu beobachten Artikel live zu optimieren (z.b. Bilder, Überschriften, Websiteplatzierung) Die Vermarktung der Inhalte durch zeitgenaues Performance-Tracking oder User-basierte Bannerselektion zu optimieren 9

10 Fallbeispiel 2: Durch kombinierten Analytics-Tooleinsatz zur signifikanten Reichweitensteigerung Empfehlung Web-, Mobile-, Social Media- und Multi-Device-Tracking im Zusammenspiel Der von den meisten Verlagen praktizierte Einsatz von weiteren Web Analytics-Tools neben Google Analytics ist eine wesentliche Grundlage zur Steigerung erzielbarer Reichweiten User & Usage Analytics-Tools Web Analytics Mobile Analytics Social Media Analytics Multi-Device Tracking Durch den zusätzlichen und konzertierten Einsatz von Mobile- und Social Media- Analytics sowie Multi-Device Tracking Tools können Verlage ihre Reichweiten, den Kundenwert und somit die Monetarisierungschancen signifikant steigern Sammeln und Auswertung von Nutzerverhalten auf stationären Webseiten (Woher? Was? Wie häufig?) Sammeln und Auswertung von Nutzerverhalten auf mobilen Webseiten & Apps (Woher? Was? Wie oft? Welche Endgeräte?) Messung, Analyse, Interpretation von Nutzerinteraktion und Verbindungen zwischen Peers, Themen und Ideen/Anregungen Eindeutiges Tracking einzelner Nutzer und deren Verhalten über unterschiedliche Endgeräte hinweg Neben der Orchestrierung der Tools ist die Echtzeit- Einbindung externer Reichweitenpartner (z.b. Affiliate- Netzwerke, Real Time Bidding-Plattformen) auf Basis der gewonnen Datenerkenntnisse für die Monetarisierung relevant Optimierung der Webseite, des Traffics und der Onsite- Conversion Rates, besseres Targeting Optimierung der mobilen Website/App, des Traffics und der In-App Conversion Rates, besseres Targeting Nutzerstimmungen über unzählige Online-Quellen hinweg erkennen und targetieren Weitere Optimierung der Targetierungsmöglichkeiten einzelner Nutzer Quelle: goetzpartners 10

11 Fallbeispiel 3: Up- und Cross-Selling-Potenziale durch den Einsatz von Predictive Analytics-Tools Wissen, was der Kunde tut, bevor er es tut. Big Data-gestützte Prognosemethoden ermöglichen fundierte Entscheidungen in Echtzeit und eröffnen ein erhebliches Up- und Cross-Selling-Potenzial Daten analysieren CRM Selektion und Analyse historischer und aktueller Kunden-/ Nutzerdaten mit Big Data-Tools Profile erstellen Interaktionshistorie Beschwerden Zahlungsmethoden Nutzungsprofil Vertragsdaten Laufzeit Typ Erstellung individueller Kunden-/ Nutzerprofile anhand speziell definierter Kriterien Verhalten modellieren Kaufverhalten Kündigungsverh. Prognose von Kundenverhalten zur Einschätzung von Kaufabsicht sowie Kündigungsrisiko Maßnahmen ableiten und umsetzen Profil Maßnahme Gezielte Auswahl spezifischer Maßnahmen und Produktvorschläge anhand prognostizierter Erfolgswahrscheinlichkeiten je Kunde bzw. Nutzer Beispielszenarien für Maßnahmenbewertung A) Kunden mit gleichen soziodemographischen Merkmalen kaufen zu 77% Produkt "XYZ" B) Nutzer mit gleicher Click-Through- Historie abonnieren zu 53% Zusatzservice "ABC" C) Nutzer mit gleichem Medieninteresse kündigen Probeabo "123" nur zu 32% Bezahlart Erfolgstracking der einzelnen Maßnahmen in Echtzeit sowie visuelle Darstellung Kernprodukte Komponenten Info- Service/ Research Erfolg visualisieren Daypass Monatsabo Jahresabo Print epaper Events CDs/ DVDs Wein eevents App Kunst Dossiers, Bücher & Editionen ebooks Studien Medienprodukte Guides & Specials elearning Neue digitale Plattformen Auf einen Blick Die Bestandskundenbasis bietet große Umsatzsteigerungspotenziale Predictive Analytics-Tools können Verlage dabei unterstützen, diese Potenziale gezielt zu adressieren Dabei werden große Datenmengen verwendet, um Upund Cross-Selling-Maßnahmen kundenindividuell zu gestalten und gezielt umzusetzen Verlage können die bereits vorhandenen Kunden- und Nutzerdaten gewinnbringend einsetzen Mit exakten Prognosen können kundenspezifische Kampagnen in Echtzeit geschaltet werden Signifikante Steigerungen in der Conversion Rate führen zu steigenden Umsätzen Quelle: goetzpartners 11

12 EBITDA-Marge in % Durch konsequenten Big Data-Einsatz zu erfolgreicherem Digitalgeschäft Mit Big Data zu erfolgreicherem Digitalgeschäft Digitalumsatz und EBITDA-Marge ausgewählter Verlage Verlage, die konsequent Big Data-Technologien zu Prozessverbesserungen und Portfolioerweiterung nutzen, haben einen höheren Digital- Umsatzanteil. Insbesondere Fachverlage, die einen Großteil ihres Geschäfts auf datengetriebene Produkte/ Geschäftsmodelle verlagert haben, erzielen die höchsten Renditen in der Branche. Weitere Merkmale, die Big Data einsetzende Verlage von anderen unterscheiden, sind: Konsolidierte, unternehmensweite Datensammlung und -speicherung Signifikante Investitionen in Big Data-Tools CIO auf Board-Level Chief Data Scientist orchestriert Daten-Teams für diverse Use Cases Aktive Digital-Transformation Gannett NZZ G+J Ringier 844 NY Times NYT gehört zweifelsohne zu den Big Data Leadern, hat den Transformationsprozess aber später eingeleitet "Big Data-Leader" im Zeitungsumfeld, die Big Data-Tools zur Prozess-verbesserung und Monetarisierung konsequent einsetzen Tamedia Holtzbrinck 264 Financial Times Group Axel Springer Schibsted Guardian Media Group "Big Data-Leader" im Fachinformationsumfeld mit eigenen, innovativen und erfolgreichen Big Data-Produkten Anteil des Digitalgeschäfts am Gesamtumsatz (in %) Wolters Kluwer Reed Elsevier Thomson Reuters Quelle: goetzpartners, Unternehmensangaben = Umsatz in MEUR

13 Big Data Handlungsfelder Auf dem Weg zur "Big Data Company" Welche Meilensteine Verlage ins Visier nehmen sollten Big Data-Anwendungen sollten schrittweise, aber konsequent im Verlag eingeführt werden Portfolioerweiterung Organisation/ Management Tool-Unterstützung Jetzt 1-2 Jahre 3-5 Jahre >5 Jahre Erste datengetriebene Produkterweiterungen, z.b. zur Anreicherung von Paywall Angeboten Interactive Storytelling Einsatz von ersten Data Scientists Erstellung Big Data-Roadmap/ Use Case- Definition Intensivierung des Web Analytics-Einsatzes und in Richtung Mobile & Social Media- Analytics Personalisierung Targeting Eigenständige "Daten-Produkte" (z.b. automatisch kompilierte Dossiers, Workflow Solutions) Ausbau einzelner Daten-Teams für die wichtigsten Anwendungsfelder Verstärkter Einsatz von Predictive Analytics-Tools Fokusbereiche: Vertrieb (Up/ Cross-Selling) und Redaktion Verzahnung aller im Unternehmen eingesetzten Daten und Tools Eigenständiges Geschäftsfeld "Data driven Products/ Services" mit Umsatzanteil >15-20% Anzahl an Software- Ingenieuren über-steigt Anzahl an Journalisten Weitgehend alle Wertschöpfungsstufen mit Big Data-Tools unterfüttert Anzahl der Anwendungsfälle je Stufe deutlich gestiegen Verlage erwirtschaften einen Großteil der Umsätze mit Produkten außerhalb ihres ehemaligen Kerngeschäfts >50% der Verlagsmitarbeiter arbeiten mit statistischen Programmen/Tools Handlungsempfehlungen Meilensteine Big Data und die daraus entstandenen Möglichkeiten werden die Verlagsbranche nachhaltig verändern Tools werden die Publisher zunehmend in allen Bereichen unterstützen und ggfs. langfristig auch einen Teil der journalistischen Arbeit übernehmen Für die Organisation bedeutet dies, dass zunächst mit dem Aufbau von Big Data-Teams, (Data Scientists) begonnen werden muss. Die Zahl dieser datengetrieben arbeitenden Personen wird stark ansteigen Die Konzentration auf Umsätze mit Inhalten und Werbung wird langfristig nicht erfolgreich sein, sondern es müssen neue Erlösquellen erschlossen werden 13

14 Handlungsempfehlungen - Vorgehen Der Erfolg und die Nachhaltigkeit des Big Data-Einsatzes hängt entscheidend von der Konzeptionsphase ab Die isolierte Einführung von Big Data in einzelnen Verlagsbereichen führt zu einer suboptimalen Nutzung der vorhandenen Potenziale Vor dem unternehmensweiten Rollout sollten Verlage über ein Big Data-Pilotprojekt Machbarkeit überprüfen goetzpartners hat diverse Verlage bei der Big Data- Einführung begleitet Gerne stehen wir Ihnen für ein Gespräch zur Verfügung, um die Big Data-Potenziale in Ihrem Verlag auszuloten Big Data-Vorgehensmodell: Die Konzeptionsphase entscheidet über den Erfolg und die Nachhaltigkeit Roadmap für die Big Data-Einführung Big Data Reifegrad Feinkonzeption für priorisierte Big Data-Anwendungsbereiche im Verlag Aktuelle Datenund Systemlandschaft 1 Neuorganisation und Aufbau von Big Data-Kompetenzen; Einleiten von "Change" 2 3 Evaluierung von Big Data- Potenzialen und Entwicklung einer Big Data-Roadmap Datenkonsolidierung, Migration und Einführung/Einsatz der Big Data-Tools 4 5 Umsetzung eines Big Data- Pilotprojekts (Machbarkeit und Überzeugungsarbeit) 6 7 Tool-/Anbieter-Auswahl, Implementierung und Integration in Systemlandschaft t Konzeptionsphase (Kernkompetenz goetzpartners) Umsetzungsbegleitung Quelle: goetzpartners 14

15 Über goetzpartners Beratung für Strategie, M&A und Transformation goetzpartners steht für unabhängige Beratung entlang der Kernfragen unternehmerischen Handelns: Strategie, M&A und Transformation. Kunden erzielen durch diesen einzigartigen Ansatz messbar mehr Erfolg. Dabei unterstützen international 250 Berater in 12 Büros und 9 Ländern. Das Unternehmen zählt zu den 10 größten deutschen Beratungsunternehmen (Lünendonk ). Bei "Best of Consulting 2014" belegte goetzpartners einen 1. Platz in der Kategorie "Project Excellence". Daten & Fakten 250 Berater Büros: München, Düsseldorf, Frankfurt, London, Madrid, Mailand, Moskau, Paris, Prag, Zürich, Peking und Shanghai Branchenfokus: TMT Energy Industrials & Automotive Healthcare Financial Institutions Retail & FMCG Disclaimer Diese Publikation ist urheberrechtlich geschützt. Die Vervielfältigung, der Verleih sowie jede sonstige Form der Verbreitung oder Veröffentlichung, auch auszugsweise, bedürfen der Zustimmung von goetzpartners. Die eigenen Analysen und Annahmen für diese Publikation wurden nach bestem Wissen und Gewissen angefertigt. Für die Richtigkeit und Vollständigkeit der Analysen und Annahmen übernimmt goetzpartners keinerlei Gewähr. Es liegt in der Natur der Sache, dass die vorliegende Publikation nicht die Umstände des jeweiligen Einzelfalls berücksichtigt. Sie kann daher weder die individuelle fachkundige Beratung noch die eigene ausführliche Recherche des Dritten ersetzen. 15

16 goetzpartners Prinzregentenstr München T Dr. Alexander Henschel Managing Director Marc Ziegler Head of Digital Business henschel@goetzpartners.com ziegler@goetzpartners.com München l Düsseldorf l Frankfurt l London l Madrid l Mailand Moskau l Paris l Prag l Zürich Peking Shanghai