360 Analytics ein datenorientiertes Geschäftsmodell für den Handel. Global Consulting Practice. White Paper

Transkript

1 Global Consulting Practice White Paper 360 Analytics ein datenorientiertes Geschäftsmodell für den Handel Wie Handelsunternehmen die Chancen der Digitalisierung nutzen

2 Über die Autoren Dr. Clemens Bachmann ist Lead Consultant für den Bereich Retail Central Europe bei Tata Consultancy Services (TCS). Er unterstützt Kunden aus der Handelsbranche darin, Optimierungspotenziale zu identifizieren und Lösungen zu entwickeln. Vor seinem Start bei TCS im Mai 2013 war Clemens Bachmann bereits nahezu 20 Jahre im deutschen und internationalen Retail- und Consumer-Geschäft tätig. Der Branchen experte leitete unter anderem digitale Transformationen für PwC Management Consulting und steuerte länderübergreifende Beratungsprojekte. Davor arbeitete er bei der METRO Group und bei Kurt Salmon Associates in verschiedenen leitenden Positionen. Dr. Kay Müller-Jones ist Leiter der Global Consulting Practice (GCP) Germany von TCS. Er verantwortet außerdem den Bereich Business- und IT-Consulting für Zentraleuropa. Vor seinem Eintritt bei TCS 2008 arbeitete Dr. Müller-Jones rund fünf Jahre als Niederlassungsleiter bei der Capgemini sd&m AG in Berlin und bis 2003 als Geschäftsbereichsleiter und technischer Direktor bei dem Beratungs- und IT-Dienstleister Logica Deutschland GmbH & Co. KG. Dort war er Mitglied des Global Technology Boards und führte außerdem das Technology Competence Center (TCC) des Unternehmens.

3 Management Summary Einzelhandelsunternehmen und Hersteller von Konsumgütern sehen sich den neuen Bedürfnissen des digitalen Konsumenten und neuen Wettbewerbern aus dem digitalen Umfeld gegenüber. Auslöser des Wandels sind Mobilität, soziale Medien, Big Data und Cloud. Sie stellen tradierte Geschäftsmodelle partiell, in einigen Bereichen sogar vollständig infrage. Wie können sich Handelsunternehmen darauf einstellen und die notwendige Transformation vieler Prozesse und unterstützender Systeme sogar als Chance nutzen? Die Autoren zeigen, wie eine ganzheitliche Betrachtung im Sinne des 360 -Analytics-Ansatzes die notwendigen Perspektiven für ein neues, datenorientiertes Geschäftsmodell schaffen kann und sich so die unaufhaltsamen Veränderungskräfte in nachhaltige Markt- und Wachstumspotenziale verwandeln lassen.

4 Inhalt Einführung: Digitalisierung im Einzelhandel 5 Herausforderungen der Digitalisierung für traditionelle Geschäftsmodelle 5 Chancen der Digitalisierung für Handelsunternehmen Analytics ein datenorientiertes Geschäftsmodell für Handelsunternehmen 12 Übersicht: Der 360 -Analytics-Ansatz im Handelsunternehmen 13 Kernfragen des 360 -Analytics-Ansatzes im Handelsunternehmen 14 Erfolgsfaktoren für die Transformation in ein datenorientiertes Geschäftsmodell 15 Zusammenfassung 19

5 Einführung: Digitalisierung im Einzelhandel Herausforderungen der Digitalisierung für traditionelle Geschäftsmodelle Ob Einzelhandelsunternehmen oder immer stärker vertikal ausgerichteter Hersteller von Konsumgütern: Sie alle sehen sich den neuen Bedürfnissen des digitalen Konsumenten und dem Wettbewerb mit starken Konkurrenten aus dem digitalen Umfeld gegenüber. Vier Haupttreiber sind verantwortlich für den digitalen Wandel (vgl. Abbildung. 1) und machen für die Marktteilnehmer eine integrierte Strategie der Digitalisierung erforderlich. Wie wird das eigene Unternehmen und seine gesamte Wertschöpfungskette durch Mobilität, soziale Medien, Big Data 1 und Cloud beeinflusst und wie verändert sich dadurch sein Umfeld? Immer stärkere Personalisierung Technologieaffine Mitarbeiter Schnelle Sichtbarkeit von Alternativen Schnelle Ausbreitung Offener Informationszugang Technologieaffine Kunden Wachsender Margendruck Unklare Schnittstellen der Zusammenarbeit Neues Verständnis der IT-Nutzung (XaaS) Hohe Bandbreiten Mobility Cloud Big Data Social Media Neue Marktgesetze (Realtime Collaboration) Neue Macht der Konsumenten Neues soziales Einkaufsverhalten Preistransparenz Neue Marktteilnehmer Hohe Kundenerwartung Tiefere Eintrittsbarrieren Abbildung 1: Herausforderungen der Digitalisierung für traditionelle Geschäftsmodelle Abbildung 1: Herausforderungen der Digitalisierung für traditionelle Geschäftsmodelle [1] Vgl. dazu auch: Ajay Parashar, TCS Whitepaper 2013: Big Data Adoption An Iterative Approach to Harness the Power of Big Data; Download unter resources/pages/filterresults.aspx?topic=services_big Data Solutions %26amp; Services&type=White Paper 5

6 Wie die Trefferliste einer einfachen Google-Suche nach den Schlüsselbegriffen zeigt, werden diese Faktoren bereits ausgiebig in der breiten Öffentlichkeit diskutiert. Für eine Einordnung der Zusammenhänge und eine systematische Definition sei an dieser Stelle auf das Whitepaper von Dr. Kay Müller-Jones Der digitale Wandel verwiesen. 2 Die vier Treiber der Digitalisierung haben für den Großteil aller Unternehmen eine disruptive Wirkung. Das heißt: Sie stellen die bisherigen Geschäftsmodelle zumindest teilweise, wenn nicht sogar vollständig infrage. Demzufolge erfordern sie eine Neuorientierung und es gilt, eine Transformation vieler bisher gewohnter Prozesse und unterstützender Systeme im Unternehmen einzuleiten. Davon ausgenommen sind nur rein online tätige Unternehmen, also die Pure Player wie Amazon, Google oder ebay. Erschwerend kommt hinzu, dass sich die Treiber gegenseitig bedingen und teilweise erheblich verstärken. Das macht eine ganzheitliche Betrachtung erforderlich. Im Folgenden sind beispielhaft für den Handel einige der in Abbildung 1 dargestellten Herausforderungen näher beleuchtet. Sie verdeutlichen die Kraft und Unaufhaltbarkeit der begonnenen Veränderung. Hohe Kundenerwartung durch immer bessere Serviceleistungen ausschließlich online aktiver Handelsunternehmen: Kostenloser Versand und problemlose Rückgabe, Lieferung am gleichen Tag und ein umfassendes Sortiment sind nur einige Faktoren, die zu steigenden Kundenerwartungen führen. In enormer Geschwindigkeit entstehen so weltweit neue Spielregeln, die auch für die Internationalisierung gelten. Die verfügbare Zeit für den erfolgreichen Markteintritt wird dadurch immer kleiner, die geforderte Qualität der Services und Sortimente entspricht rasch oder sogar schon zum Start des Angebots jener auf den Heimmärkten und eine schlichte Multiplikation des bisher erfolgreichen Handelskonzepts mit seiner Standort- und Merchandising-Konzeption ist immer weniger möglich. Zunehmende Preistransparenz und steigender Margendruck in immer mehr Warenkategorien und besonders bei Markenartikeln: Direkte Wettbewerber und völlig verschiedene Angebotsformen stehen im Web praktisch nebeneinander seien es Privatauktionen, Festpreisangebote oder zeitlich beschränkte Aktionen von Herstellern und Kundenclubs. Preise und Leistungen sind somit direkt vergleichbar. Der daraus resultierende Preisdruck wird noch verstärkt durch einfache Werkzeuge, die den unmittelbaren Preisvergleich zwischen allen Anbietern einleiten online und stationär, zu Hause und am physikalischen Verkaufsstandort (Point of Sale, POS). Preisroboter, die z. T. mit Barcode-Lesern interagieren, machen es beispielsweise möglich. [2] Dr. Kay Müller-Jones, TCS Whitepaper 2012: Digitaler Wandel und mobiler Kunde; Download unter 6

7 Offener, zeit- und standortunabhängiger Informationszugang für digitale Konsumenten: Er führt dazu, dass nahezu jede Kaufentscheidung zumindest online vorbereitet wird, indem Empfehlungen, Tests und weitere Produktinformationen recherchiert werden. Das hat Konsequenzen: Zum einen honorieren digitale Kunden eine abgestimmte Präsenz ihrer Lieblingsmarken- und -händler in allen Kanälen. Zum anderen stehen sie dem Verkaufspersonal auf der Fläche generell als selbstempfundene Experten gegenüber. Einschlägige Erfahrungen und der spielerisch einfache Zugang zu standort spezifischen Informationen im Servicebereich (z.b. bei Taxis oder Carsharing) wird die Erwartung der Konsumenten weiter verstärken und Händler zwingen, immer mehr standortabhängige und personalisierte Angebote zu machen. Rasche Ausbreitung der mobilen Verfügbarkeit sozialer Medien und des Webs über Smartphones und intuitiv nutzbare Apps: Dieser Trend hat nicht nur neue Märkte geschaffen, sondern die Eintrittsbarrieren in vielen Segmenten weiter gesenkt. Wie im stationären Handel hat sich von wenigen Ausnahmen abgesehen auch online das Fachmarktkonzept durchgesetzt. In jeder Warenkategorie agieren im Web internationale und lokale Spezialisten, die nicht selten breitere Sortimente, umfassendere Serviceleistungen und preislich ebenbürtige Angebote wie ihre stationäre Konkurrenz machen können. Chancen der Digitalisierung für Handelsunternehmen Jedoch darf nicht übersehen werden, dass diese vier Haupttreiber gerade für Handelsunternehmen mit ihrer Nähe zum digitalen Konsumenten auch enorme Chancen bieten können wenn die erforderlichen Transformationsschritte in Richtung eines datenorientierten Geschäftsmodells eingeleitet werden. Ein datenorientiertes Geschäftsmodell zeichnet sich dadurch aus, dass es systematisch und abteilungsübergreifend alle Daten nutzt, die Geschäftsziele ermöglichen. Entscheidend ist dabei, sich nicht durch die scheinbare Komplexität des Vorhabens abhalten zu lassen. Es ist wichtig, mutig die Reise anzutreten, frühzeitig neue Lösungen zu testen, Erfahrungen zu sammeln und aus Fehlern zu lernen. In Abbildung 2 sind beispielhaft die wichtigsten Chancen für Handelsunternehmen dargestellt. Für Handelsunternehmen ergeben sich viele Chancen direkt aus dem Treiber Big Data. Er ist für die Transformation in ein datenorientiertes Geschäftsmodell von entscheidender Bedeutung und wird deshalb nachfolgend genauer dargestellt. 7

8 Handelsunternehmen Mobility Cloud Big Data Social Media Anywhere = zentrales Bedürfnis des Kunden XaaS vs. integrierte Cloud-Strategie Analytics I: Auswertung des Verhaltens bei Social Media Nutzung von Fans zur Imageförderung Smartphone Promotions am POS Sicherheit im internen und im öffentlichen Netzwerk Analytics II: Auswertung der Online-Transaktionen Einkäufe/ Tipps von Kunden an deren Freunde Rasche Verbreitung für regionale Markterweiterung Mobile/Mehr-Kanal- Vouchers Smartphones als Zahlungsmittel am POS Standortabhängige Angebote Anonymität und Opt-in- Management der Kundendaten Pay as you go-mentalität des IT-Nutzers Outsourcing von Standardfunktionen Collaboration und Flexibilität ohne Datensilos Analytics III: Kanalübergreifende Datenauswertung Marketing-ROI-Messung/ Echtzeitsegmentierung Vouchers zur kanalübergreifenden Frequenzsteigerung Schnelle Analyse unstrukturierter Daten Unterstützung des Einkaufs durch Sortimentsanalysen Social Media als Teil des Touchpoint-Marketings Vouchers zur X-Kanal- Frequenzsteigerung Links von Partnern/ Herstellern Supply-Chain-Optimierung Abteilungsübergreifende Algorythmen Abbildung 2: Chancen der Digitalisierung für Handelsunternehmen Schnelle Analyse steigender Mengen von externen und unstrukturierten Daten Grundlegend können sich Daten hinsichtlich ihrer Herkunft (intern oder extern) und ihrer Struktur (strukturiert, teil-strukturiert und unstrukturiert) unterscheiden. Aktuell und auch künftig nimmt der Anteil unternehmensextern generierter, teil- und unstrukturierter Daten rasant zu. Zum einen liegt das an der zunehmenden webbasierten Interaktion zwischen digitalen Kunden, beispielsweise via Facebook, Xing oder LinkedIn. Zum anderen kommunizieren auch digitale Kunden und Handels- oder Industrieunternehmen mehr miteinander und das auf vielen Kanälen. 8

9 Die Meldungen zu diesem wachsenden Datenvolumen überschlagen sich nahezu täglich: Schon vor drei Jahren hat der Google-Chef Eric Schmidt verkündet, dass weltweit alle zwei Tage so viele Informationen entstehen, wie in der gesamten Menschheitsgeschichte bis 2003 zusammen. Die damals von Schmidt ge nannte Größe für zwei Tage lag bei einem Datenvolumen von fünf Exabytes, das sind 5 Milliarden Gigabytes. 3 Und 2011 hat das Medien- und Research-Haus IDC in seiner zweiten Digital-Universe-Studie vorgerechnet, dass sich der weltweite Datenbestand auf absehbare Zukunft alle zwei Jahre verdoppeln wird. 4 Der Daten bestand wird 2013 allein in Westeuropa bereits bei über Exabytes liegen. 5 Trotz dieser extremen Wachstumsraten muss beachtet werden, dass die bloßen Daten allein keine neuen Einblicke und Erkenntnisse liefern. Dazu muss in jedem Unternehmen zuerst einmal geklärt werden, welche Datenquellen überhaupt vorhanden und nutzbar sind. Viele Datenbestände müssen vor der Auswertung erst noch hinsichtlich der Struktur und des Inhalts bereinigt werden. Und am entscheidendsten ist im Anschluss daran die Definition konkreter Algorithmen, die zum Vorteil des Endkunden und des Händlers gleichermaßen Handlungsanweisungen liefern und Fragen beantworten. Die technologischen Voraussetzungen sind dafür besser denn je: Es sind heute größere Rechnerleistungen und schnellere Verarbeitungsprogramme verfügbar, die erstmalig eine sinnvolle Speicherung und eine zeitnahe, handlungsorientierte und visualisierbare Auswertung dieser Daten ohne besondere Vorbehandlung ermöglichen. Die Auswertung kann anonymisiert erfolgen und lässt sich mit Blick auf den Datenschutz bei expliziter Zustimmung des Kunden für personalisierte Angebote beim Besuch einer Webseite oder eines Ladens einsetzen. Im Idealfall führt das Nutzungsverhalten in Echtzeit zu passgenauen Produktvorschlägen. Die Vorteile dieser beschleunigten Auswertung und optimierten Visualisierung gelten natürlich auch für interne und strukturierte Daten. Der besondere Nutzen besteht aber darin, dass die unterschiedlichen Quellen und Strukturen der Daten zusammengefasst und gemeinsam ausgewertet werden können. So ist es möglich, die Antworten auf wichtige Fragen genauer als bisher abzuschätzen und vorherzusagen, beispielsweise zur Akzeptanz eines Standorts oder eines neuen Produkts. Verknüpfung traditioneller Handelskennzahlen mit Kennzahlen aus dem Online-Bereich, sogenannter Digital Analytics, für fundierte Multichannel-Entscheidungen Die laufende Optimierung zentraler Online-Erfolgskennzahlen ist unbestritten ein wichtiges Ziel. Eine isolierte Ausrichtung beispielsweise auf die Konversionsraten eines einzelnen Kanals widerspricht aber zum einen dem übergeordneten Ziel einer kanalübergreifenden Kundenerfahrung, der sogenannten Integrated Multi-channel Customer Experience. 6 Zum anderen wird missachtet, dass verschiedene Shopping-Softwaresysteme teilweise völlig verschieden interpretiert werden müssen. Zudem wird durch die einseitige Orientierung am Durchschnitt die teilweise erhebliche Wirkung einzelner Produkte auf die Konversionsrate unterschlagen. [3] Eric Schmidt, heute Executive Chairman, damals CEO von Google, am 4. August 2010 auf der Konferenz Techonomy; vgl. dazu: [4] Vgl. dazu: [5] Digital-Universe-Studie von IDC. Das Datenvolumen in Westeuropa wächst jährlich um 30 Prozent ; vgl. dazu: articles/395599/ am 22. Februar 2013 [6] Anil Rajpal, Kedar Mehta, Abhishek Pangaria, Deepali Malhotra TCS Whitepaper: TCS-FICCI Massmerize Adapting to the Multi-channel Customer. A Roadmap for Integrated Multi-channel Retailing; Download unter 9

10 Die Chance für stationär, über Kataloge und online tätige Handelsunternehmen besteht darin, im Zuge des nächsten Relaunchs nicht nur auf die Ergonomie innerhalb des Webangebots zu fokussieren, sondern zugleich die Grundlagen einer kanalübergreifenden Analytics-Strategie zu definieren. Damit wird sichergestellt, dass schon jetzt die richtigen Daten gesammelt werden, die später möglicherweise zur Auswertung und Beurteilung der Leistungsfähigkeit der Kanäle erforderlich sind. Eine derart integrierte Betrachtung der Kundenpräferenzen ist heute notwendig, weil die Transaktion nicht immer online erfolgt. Webpräsenz oder Apps sind immer häufiger mitentscheidend für das Kaufverhalten am stationären POS. Ohne eine systematische kanalübergreifende Datenerhebung sind strategische Multichannel-Entscheidungen nicht mehr seriös machbar. Kunden kaufen Marken, nicht Kanäle diese Tatsache ist mittlerweile durch umfassende Marktforschung belegt und durch die Praxis bestätigt. 7,8 IT und Marketing nähern sich zunehmend an Durch erweiterte Kommunikationsmaßnahmen und Bestellmöglichkeiten auf mehreren Kanälen entsteht eine Vielzahl von Berührungspunkten mit den Kunden. Diese Customer Touch Points lassen sich entlang der Customer Journey nur mithilfe von Big-Data-Analysen aussagekräftig auswerten und dafür braucht es IT-gestützte analytische Kompetenz. Die Messung der Marketingeffizienz mithilfe von Big-Data-Analysen hilft, Kosten zu sparen und relevantere Angebote zu machen, und verstärkt den Fokus auf konkretere Zielgruppen (Stichwort: Mikro- und Echtzeit- Segmentierung. Die Datenanalysten benötigen dafür jedoch die Erfahrung und das Fachwissen aus Marketing, Merchandising und anderen kundennahen Bereichen, um die für die Datenauswertung relevanten Hypothesen über das Kundenverhalten und die Algorithmen für daraus abzuleitende Handlungsanweisungen erstellen zu können. Für Marketingführungskräfte bietet die neue, nun datengetriebene Argumentation die Chance, auch in Fachbereichen an Glaubwürdigkeit zu gewinnen, die bereits traditionell eher durch datengetriebene Entscheidungsfindung und Kommunikation geprägt sind. Fundierte Zahlen überzeugen schließlich mehr als das gern zitierte Bauchgefühl. Doch auch eine kundenzentrierte IT kann im Handelsunternehmen der digitalen Zukunft nur dann an Akzeptanz gewinnen, wenn es ihr gelingt, das eigene Portfolio an Kompetenzen und Fähigkeiten anzureichern oder neue zu rekrutieren: Der Big-Data-Support für Marketing ist daher durch ein zeitlich begrenztes, aktions- und kampagnenorientiertes Arbeiten gekennzeichnet. Es erfordert von den IT-orientierten Teammitgliedern sowohl Offenheit gegenüber scheinbaren Last Minute-Anforderungen als auch eine ausgeprägte Trial-and-Error-Kultur. [7] PwC Global multichannel consumer survey 2012: Demystifying the online shopper 10 myths of multichannel retailing (download unter ) und sowie E-Commerce Center Köln (ECC Köln), 2013, Factsheet Das Cross-Channel- Verhalten der Konsumenten sowie diverse weitere Publikationen unter [8] Interview mit Reiner Heckel (ehemaliger CEO redcoon GmbH):... Online-Shop ist die verdammte Pflicht eines jeden Retailers ; unter ecommerce/ /index.html 10

11 Diese Kombination von Fähigkeiten ist nur in geringem Maße mit den Eigenschaften vereinbar, die innerhalb einer klassischen IT zur Kontrolle und für das Funktionieren der wesentlichen Backbone-Systeme erforderlich waren und es oftmals auch noch heute sind: Null-Fehler-Toleranz, absolute Stabilität und exakt prognostizierbare, langsame Zyklen der Skalierbarkeit. Die Annäherung von IT und Marketing kann nur durch eine gemeinsame Perspektive der Leitung der beiden Bereiche gelingen: durch Pilotprojekte in gemeinsamen Teams, klar messbare Ertragsziele und ein zu nehmendes Vertrauen in die gebündelten Kompetenzen. Auch der verstärkte Einsatz moderner Vorgehensweisen in der IT, beispielsweise die agile Entwicklung, kann hier zu mehr Flexibilität und Time-to-Market beitragen. Fehlt es an der internen Bereitschaft zum Aufbau neuer Kompetenzen, droht die Gefahr von isolierten Schatten-ITs in Gestalt externer Dienstleister, die allein vom Fachbereich kontrolliert werden und sich damit außerhalb des Einflusses der zentralen Unternehmens-IT bewegen. Am stärksten ist dieser Druck im Marketing zu spüren. Nach Berechnungen von Gartner wird dieser Bereich bereits 2017 höhere IT-Ausgaben haben als die IT-Abteilung, um dem Bedürfnis nach datengetriebener Ergebnismessung und -visualisierung nachkommen zu können. 9 Big-Data-Analysen lösen Probleme in allen Abteilungen Nicht nur den scheinbar besonders kundennahen Funktionen im Unternehmen (Marketing, Vertrieb und Kundendienst) können Big-Data-Analysen helfen, an Leistungsfähigkeit zu gewinnen. Offensichtlich ist ein hoher ergebniswirksamer Nutzen insbesondere für die Einkaufsverantwortlichen, die durch aussagestarke und einfach handhabbare Sortimentsanalysen klare Informationen zu den Verkaufszahlen und Präferenzen aus allen Kanälen für Lieferantengespräche erhalten. Neben diesen eindeutig erlöswirksamen Fragestellungen stehen für viele Bereiche jedoch andere Ziele im Mittelpunkt. Für Forschung und Entwicklung oder für die Supply Chain sind das beispielsweise die Risiko reduzierung (etwa durch verbessertes Kredit-Scoring von Kunden oder sicherere Transportrouten) und die Optimierung von Prozessen (wie beispielsweise eine verbesserte Warenverfügbarkeit oder weniger Kapazitätsengpässe in der Logistik). Auch hier lassen sich aus Big-Data-Analysen wertvolle Schlüsse ableiten. Die möglicherweise überraschende Erkenntnis, dass eine Vielzahl von Abteilungen von Big Data profitieren kann, wird durch die Ergebnisse einer weltweiten Studie von TCS gestützt. Nahezu Führungskräfte aus verschiedenen Branchen und Abteilungen wurden unter anderem nach dem erwarteten Nutzen aus Big-Data-Projekten befragt. 10 [9] Die Gartner-Analystin Laure McLellan prognostizierte in einem Webinar im Januar 2012 eine fundamentale Veränderung des Buying Centers im Laufe der nächsten Jahre, wenn Marketingverantwortliche aus ihrem Budget marketingbezogene IT-Investitionen tätigen; vgl. unter 02&mode=2&PageID=5553&resId= oder unter [10] TCS, 2013: The Emerging Big Returns on Big Data. A TCS 2013 Global Trend Study, Seite 9 f. Download unter 11

12 Das Ergebnis: Mehr noch als Marketing, Vertrieb und Kundendienst, die fast ein Drittel der Big-Data-Budgets auf sich vereinen, verknüpfen insbesondere die Abteilungen Supply Chain und Finanzen hohe ROI- Erwartungen mit ihren laufenden Big-Data-Projekten. Die Logistik wünscht sich vor allem ein verbessertes Monitoring ihrer Transporteinheiten, klare Aussagen zu Einsparpotenzialen und den richtigen Lagerbeständen. Die Finanzabteilung hofft vor allem, finanzielle Risiken früher zu erkennen und insgesamt eine höhere Budgetgenauigkeit zu erreichen. Big Data richtet Abteilungen auf übergeordnete, kundenzentrierte Fragestellungen aus Fluch und Segen für die meisten Big-Data-Initiativen ist der Umstand, dass sich viele Fragestellungen nur mit hilfe von Daten aus verschiedenen Quellen im Unternehmen untersuchen lassen deshalb sind über ge ordnete Teams von Datenspezialisten und Bereichsspezialisten erforderlich. Die bereits oben genannte TCS-Studie zeigt jedoch, dass es vielen Befragten große Sorgen bereitet, Informationen über organisatorische Silos hinweg zu teilen. 11 Diesem Punkt muss daher frühzeitig durch unabhängige Datenspezialisten, messbare Zwischenergebnisse und eine klare, unterstützende Kommunikation seitens der Leiter der Unternehmensbereiche begegnet werden. Auch dem bereits erwähnten Phänomen der Schatten-ITs muss in diesem Zusammenhang entgegengewirkt werden. Sonst werden mögliche Synergien aus der Entwicklung integrierter und unternehmensweit verwendbarer Big-Data-Analytics-Lösungen verhindert. 360 Analytics ein datenorientiertes Geschäftsmodell für Handelsunternehmen Damit Handelsunternehmen die beschriebenen Chancen der Digitalisierung nutzen können, muss jeder einzelne Unternehmensbereich zwei Fragen beantworten: 1. Welche Daten werden für die Erreichung unserer Ziele benötigt? 2. Welche Fragestellungen bzw. Antworten sollen in unsere Strategien und Maßnahmen einfließen? Ein datenorientiertes Geschäftsmodell basiert demzufolge auf der von allen Beteiligten getragenen Überzeugung, dass jede Strategieformulierung im Kern eine datenorientierte Entscheidungsfindung ist. Und da diese Kernfragen meist abteilungsübergreifende Datenquellen und die Zusammenarbeit der Bereiche zur Definition von Hypothesen und Handlungsanweisungen in Form geeigneter Algorithmen erfordern, sprechen wir von einem datenorientierten Geschäftsmodell. [11] TCS, 2013: The Emerging Big Returns on Big Data. A TCS 2013 Global Trend Study, Seite 33 12

13 Übersicht: Der 360 -Analytics-Ansatz im Handelsunternehmen Ein datenorientiertes Geschäftsmodell entsteht aus einer Nutzung von Big Data Analytics mit 360 -Perspektive. Abbildung 3 veranschaulicht, welche Bereiche und Themen besonders von neuen Formen der Datenauswertung profitieren können und auch müssen, wenn sie die Chancen der Digitalisierung wirklich nutzen wollen. Operations/Finance Optimierte Personalplanung Kanalübergreifende Produktivitätsmessung Integriertes KPIund Financial Controlling IT Neue Rolle für IT und CIO XaaS-Cockpit Cross-funktionale Zusammenarbeit Data Scientists Last Minute -Kultur Das datenorientierte Geschäftsmodell Marketing Effizienteres Marketing (ROM) Echtzeit-Segmentierung Cross-Selling Proaktives Opt-in-Management 360 Analytics Multichannel- Integration Kundenindividuelle Angebote am Verkaufsort Standortbezogene Personalisierung Präzisere Absatzprognosen Kanäle Supply Chain Lagerbestandsreduktion Logistikoptimierung Input für Lieferantengespräche Sortimentsoptimierung Preisoptimierung Optimierte Produktplatzierung Designoptimierung Kanalunabhängige Kundenerfahrung Kundendienst in Echtzeit Retourenoptimierung Innovative Kundenanalysen Kundendienst Merchandising Abbildung 3: 360 Analytics ein datenorientiertes Geschäftsmodell für Handelsunternehmen 13

14 Kernfragen des 360 -Analytics-Ansatzes im Handelsunternehmen Für die erfolgskritischen Unternehmensbereiche sind im Rahmen des 360 -Analytics-Ansatzes eine Reihe von Kernfragen zu beantworten. Für Handelsunternehmen sind das vor allem: Marketing Welche Kampagnen, Medien und Kanäle haben die größte Wirkung auf Besuche, Kauf und Kundengewinnung? Nach welchen Kriterien können wir Besuchern welche Angebote nahezu in Echtzeit unterbreiten? Welche Daten können mit Zustimmung der Kunden gesammelt und ausgewertet werden, um willkommene Kaufvorschläge zu machen? Kanäle Wie müssen wir unsere Prozesse anpassen, um mit den Kunden kanalübergreifend zu kommunizieren und ihnen integrierte Einkaufserlebnisse zu ermöglichen? Wie lassen sich unsere Angebote stärker personalisieren und dadurch Zusatzverkäufe stimulieren? Können wir unseren Kunden während des Besuchs stationärer Shops oder kurz zuvor Angebote machen, die ihr Kaufverhalten positiv beeinflussen? Wie unterscheiden sich unsere Angebote und Preise je nach Standort? Durch Berücksichtigung welcher Daten kann der erwartete Umsatz zutreffender als bisher prognostiziert werden? Kundendienst Wie schaffen wir eine wirklich kanalübergreifende Kundenerfahrung? Welche internen und externen Daten ( Insights ) helfen, das Besucher- und Käuferverhalten besser zu beschreiben und vorauszusagen als traditionelle Kundenbefragungen? Wie sorgen wir dafür, dass unsere Callcenter-Mitarbeiter nahezu in Echtzeit über das Nutzungsverhalten der Interessenten informiert sind? Wie lassen sich kunden-, produkt- und anlassbezogene Ursachen bisheriger Retouren effizient analysieren und zukünftige Retourenquoten senken? Merchandising Welche Warenkategorien, Marken und Eigenmarken sollen wir an welchen Standorten hervorheben? Wie ändern sich kurzfristig die Preiselastizitäten der Nachfrage unter Berücksichtigung von Abschriften? Wie können aus Verkaufszahlen und Web Analytics wertvolle Rückschlüsse auf die verkaufsförderndste Platzierung im Laden und das Design der Website gezogen werden (z.b. durch Produktbilder, 3-D- Anwendungsbeispiele, Empfehlungen, Rankings)? 14

15 Supply Chain Welche Daten sind nötig, um den Lagerbestand zu reduzieren und gleichzeitig das Risiko von Verfügbarkeitslücken im Verkauf ( Lost Sales ) zu senken? Wie können Dauer und Kosten des Flotteneinsatzes beispielsweise mittels GPS und Routenoptimierung reduziert werden? Mit welchen Informationen und Auswertungen lässt sich die Position der Einkäufer stärken? Operations/Finance Wie bestimmen wir den richtigen Mix von festen und flexiblen Mitarbeitern auf der Fläche? Wie lässt sich die Produktivität über die Kanäle hinweg messen? Welche KPIs (Key Performance Indicators) lassen sich auch für das Controlling verwenden? IT Wie verändert sich die Rolle der IT im Allgemeinen und wie die des CIOs im Speziellen durch Themen wie XaaS, Social Media Listening, IT der zwei Geschwindigkeiten, Stabilität vs. agile Entwicklung und Fehlerkultur sowie Zusammenarbeit mit Marketing? Welche Kompetenzen braucht die neue IT? Wie stellen wir die ausreichende Verfügbarkeit von Data Scientists sicher? Wie betten wir sie organisatorisch ein? Wie agieren wir als IT, wenn Stakeholder-Gruppen im Unternehmen immer später, immer mehr Daten immer schneller und individueller auswerten wollen? Erfolgsfaktoren für die Transformation in ein datenorientiertes Geschäftsmodell Aus Kundenprojekten und aus den Ergebnissen der oben erwähnten TCS-Studie zum Thema Big Data haben wir eine Reihe von pragmatischen Hands-on -Empfehlungen für Analytics- bzw. Big-Data-Projekte abgeleitet und zusammengefasst. Deutlich wird dabei, dass neben den bereits genannten Kompetenzen auch besondere Fähigkeiten des Change- und Programmmanagements erforderlich sind. Letzteres spricht durchaus dafür, die Transformation zu einem datenorientierten Geschäftsmodell mithilfe externer Unterstützung durchzuführen. Die folgenden Erfolgsfaktoren sind jedoch mehrheitlich auch eigenständig umsetzbar. 15

16 12. Datenschutz steigert Vertrauen und Kundenbindung 1. Konsequent an Geschäftszielen ausrichten 2. Das Topmanagement muss Flagge zeigen 11. Die IT-Abteilung muss sich neu erfinden 3. Ressourcen umsichtig planen und beschaffen 10. Strategische Partner statt Investitionen in Hardware Das datenorientierte Geschäftsmodell 360 Analytics 4. Teilergebnisse dokumentieren und präsentieren 9. Ergebnisse klar und entscheidungsorientiert bereitstellen 5. Relevante Informationen und deren Nutzen identifizieren 8. Spezialistenteam bilden 7. Beteiligte früh einbinden und informiert halten 6. Den Projekterfolg messbar machen Abbildung 4: Erfolgsfaktoren für die Transformation in ein datenorientiertes Geschäftsmodell in Form von 360 Analytics 1. Konsequent an Geschäftszielen ausrichten Big-Data-Projekte müssen an konkreten Geschäftszielen ausgerichtet werden, sonst haben sie keine Berechtigung. Idealerweise sind dazu Fragestellungen zu identifizieren, die an den Kaufkriterien der Kunden ansetzen. Außerdem muss im gleichen Schritt festgelegt werden, welche Datentypen für welche Entscheidungen erforderlich und auch tatsächlich verfügbar sind. Die daraus resultierenden Fragestellungen sollten nicht zwingend nur einzelne Abteilungen betreffen, sondern eine bereichsübergreifende Zusammenarbeit erforderlich machen. 16

17 2. Das Topmanagement muss Flagge zeigen Eine umfassende und dauerhafte Unterstützung durch die Unternehmungsleitung ist erfolgskritisch: Sie ist in der Projektorganisation zu verankern und fortlaufend zu kommunizieren. Nur so ist es möglich, die Gesamtstrategie umzusetzen, notwendige Ressourcen zu sichern und schnellen Fortschritten des Transformationsprozesses den Weg zu ebnen. Die kommunikative Rückendeckung von oben sorgt dafür, dass abteilungsübergreifend gearbeitet wird und abteilungsspezifische Datensilos aufgebrochen werden oder gar nicht erst entstehen. 3. Ressourcen umsichtig planen und beschaffen Die Verfügbarkeit der technischen und analytischen Ressourcen muss langfristig sichergestellt sein vor allem für den Übergang vom Pilot- in den Umsetzungsbetrieb. Um keine Zeit zu verlieren, sollte auch externe Unterstützung hinzugezogen und eine Trial-and-Error-Kultur geschaffen werden. 4. Teilergebnisse dokumentieren und präsentieren Frühzeitig und regelmäßig müssen Zwischenergebnisse abgeliefert werden. Am besten in Form einer nachweislichen Ausrichtung auf ein konkretes Geschäftsziel. Nur so lässt sich eine positive Grundeinstellung unter den Mitgliedern des Steering Committees, den Promotern und den Nutzern, aufrechterhalten. 5. Relevante Informationen und deren Nutzen identifizieren Die Startvoraussetzungen eines Pilotprojekts müssen mit allen Beteiligten geklärt sein. Wichtig sind vor allem Antworten auf folgende Fragen: Welche Informationen würden uns unabhängig von bekannten oder unbekannten Quellen helfen, mehr Umsatz zu erzielen, Risiken zu vermeiden oder Prozesse zu optimieren? Und wie ist das konkret mithilfe dieser Informationen möglich? 6. Den Projekterfolg messbar machen Wie lässt sich der Erfolg der Transformation belegen? Zunächst einmal muss Einigkeit über einen messbaren Ausgangspunkt erzielt werden, um die Projektergebnisse vergleichen zu können. Folglich kommt es darauf an, die Projektziele zu quantifizieren und genau festzulegen, wie und wann Vergleichsmessungen erfolgen sollen. 7. Beteiligte früh einbinden und informiert halten Es muss sichergestellt werden, dass wirklich alle an einer Aktion beteiligten Personen in eine neue Lösung integriert und alle betroffenen Prozesse bedacht sind. Beispielsweise muss das Personal am POS über eine standortbezogene Coupon-Verteilung an bestimmte Kunden rechtzeitig informiert werden, damit es die Aktion bei Bedarf vor Ort unterstützen kann. 17

18 8. Spezialistenteam bilden Die TCS-Studie belegt, dass vor allem die Unternehmen einen hohen Nutzen aus ihren Big-Data-Projekten ziehen, die ihre Datenspezialisten, ihre Data Scientists, in einer separaten Einheit bündeln. Das so geschaffene Klima eines Centers of Excellence fördert die Umsetzungsgeschwindigkeit, den Kompetenzaufbau und den Wissenstransfer. Eine hohe Spezialisierung macht außerdem den Arbeitsplatz attraktiver und erleichtert das Recruiting. Nicht zuletzt ist die organisatorische Unabhängigkeit von den Fachabteilungen auch für eine erfolgreiche Beantwortung bereichsübergreifender Fragestellungen unverzichtbar. 9. Ergebnisse klar und entscheidungsorientiert bereitstellen Ergebnisse müssen einfach, verständlich und ansprechend visualisiert werden, beispielsweise in Form von Cockpits oder Dashboards. Sie sollten neben den wichtigsten KPIs auch klare Handlungsanweisungen beinhalten und neue Einsichten entscheidungsreif für die Nutzer in den Fachabteilungen aufbereiten. 10. Strategische Partner statt Investitionen in Hardware Gegebenenfalls ist es sinnvoll, die Unterstützung eines strategischen Partners zu prüfen beispielsweise um ohne eigene Investitionskosten die erforderliche IT-Infrastruktur zu erhalten, mit deren Hilfe sich große Volumina sehr unterschiedlicher Daten in hoher Geschwindigkeit verarbeiten und interpretieren lassen. 11. Die IT-Abteilung muss sich neu erfinden Die IT muss im Zusammenhang mit Big Data zunehmend aktiver werden und neue Aufgaben übernehmen: Gefragt sind neue Fähigkeiten und Verständnis für neue Technologien und Systeme. Darüber hinaus muss sie sich ihrer veränderten Aufgabe als Coach der Fachabteilungen bewusst werden und damit ganz neuer Anforderungen hinsichtlich Geschwindigkeit und Fehlertoleranz. In anderen Worten: CIOs und IT-Leiter stehen vor der Herausforderung, die Zielsysteme der IT-Mitarbeiter immer stärker an externen Kundenbedürfnissen auszurichten. 12. Datenschutz steigert Vertrauen und Kundenbindung Datenschutzthemen müssen proaktiv und als Chance verstanden werden, damit ein nachhaltiges Vertrauen bei den Kunden aufgebaut werden kann beispielsweise indem die Anonymisierung der Daten vor der Speicherung und Auswertung dokumentiert wird oder durch neue Formen des Opt-in-Managements für den Kunden. Zukünftig sollten Kunden oder Interessenten zeitlich befristet und thematisch ganz klar beschränkte Freigaben für gewisse persönliche Daten geben können. Das erhöht das Vertrauen zum Anbieter und eröffnet gleichzeitig dessen Chancen, dem Kunden noch relevantere Angebote zu unterbreiten. 18

19 Zusammenfassung Bei kritischer Betrachtung kann angemerkt werden, dass die meisten der im datenorientierten Geschäftsmodell aufgeführten Fragestellungen nicht grundsätzlich neu sind: Auch im bisherigen Handelsgeschäft wird schließlich bereits umfangreich auf Datenanalysen zurückgegriffen. Das tatsächlich Differenzierende liegt darin, dass Big Data Analytics wesentlich umfassendere Möglichkeiten bieten, wichtige Fragestellungen deutlich aussagekräftiger zu beantworten. Es stehen erweiterte Auswertungsmöglichkeiten bereit, die Big Data im Sinne riesiger Mengen von strukturierten und unstrukturierten Daten erstmals zeitnah nahezu in Echtzeit sogar in fundiertes Entscheidungswissen und klare Antworten verwandeln. Einfach nutzbare Analyseinstrumente mit umfangreichen Visualisierungsmöglichkeiten vergrößern darüber hinaus den Interessentenkreis für Datenauswertungen über alle Abteilungen hinweg und potenzieren so den Geschäftsnutzen von Big-Data-Analyseanwendungen. Die Digitalisierung bietet folglich gerade Handelsunternehmen ein enormes Potenzial, den Bedürfnissen der Kunden noch besser zu entsprechen. Diese Chance lässt sich nutzen und in einen dauerhaften Wettbewerbsvorteil verwandeln wenn es gelingt, eine Transformation des Unternehmens im Sinne des 360 -Analytics-Ansatzes in Richtung eines datenorientierten Geschäftsmodells einzuleiten. 19

20 Kontakt Für weitere Informationen stehen wir Ihnen jederzeit gerne zur Verfügung: Über Tata Consultancy Services (TCS) Tata Consultancy Services ist ein weltweiter Anbieter von IT- und Outsourcing-Services, Consulting und Geschäftslö sung en, die global agierenden Unter nehmen schnellen, nachhaltigen Nutzen eröffnen und das mit einem guten Gefühl von Sicherheit. Das einzigartige Global Network Delivery Model TM von TCS beinhaltet ein beratungsorientiertes, integriertes IT-Portfolio und IT-gestützte Services. Es gilt als Benchmark für exzellente Softwareentwicklung. TCS gehört zur Tata Group, dem größten industriellen Mischkonzern Indiens, und ist weltweit aktiv. Das Unternehmen ist in Indien an der National Stock Exchange und der Bombay Stock Exchange notiert. Weitere Informationen finden Sie unter IT Services Business Solutions Consulting Alle hier aufgeführten Inhalte/Informationen sind ausschließliches Eigentum von Tata Consultancy Services Limited (TCS). Die vorliegenden Inhalte/ Informationen sind zum Zeitpunkt der Veröffentlichung korrekt. Ohne die vorherige schriftliche Erlaubnis von TCS darf dieses Material nicht kopiert, verändert, vervielfältigt, erneut veröffentlicht, hochgeladen, übertragen, versendet oder in sonstiger Form verbreitet werden. Nicht autorisierter Gebrauch der hier publizierten Inhalte/Informationen kann Copyright- und Markenrechte sowie weitere entsprechende Gesetze verletzen und eine strafrechtliche Verfolgung nach sich ziehen. Copyright 2013 Tata Consultancy Services Limited TCS Design Services M 09 13