Big Data und Analytics in der Automobilindustrie

Transkript

1 Big Data und Analytics in der Automobilindustrie

2 Analytics in der Automobilindustrie Die Auswertung großer und komplexer Datenmengen erlaubt zuverlässige Prognosen Die Herausforderungen für die Automobilindustrie wachsen kontinuierlich. Kostendruck, Konkurrenz, Globalisierung, Markverschiebungen, Volatilität nehmen zu. Mit Big Data und Analytics taucht nun ein Ansatz auf, der bislang undenkbare Möglichkeiten bietet, den Herausforderungen zu begegnen. Aus der Analyse historischer Daten Vorhersagen für die Zukunft zu entwickeln, ist nicht neu: Scoring der Kreditwürdigkeit wird seit Jahrzehnten genutzt. Und so handelt auch jeder Mensch: Aus gesammelten Erfahrungen und seinem Wissen heraus trifft er Entscheidungen für seine Zukunft. Kombiniert mit den immer besseren Möglichkeiten der Datenanalyse wird Predictive Analytics nun zu einem mächtigen Werkzeug, das enorme Effizienzverbesserungen erlaubt. Bereits jetzt stehen Unmengen von Daten, also Wissen und Erfahrung, zur Verfügung Massen, die lange kein Mensch und keine Technik auswerten konnte. Die Methoden von Analytics erlauben es nun, diese Informationen zusammenzuführen gleich ob es maschinenverständliche Sammlungen oder unstrukturierte Automobilindustrie bei Deloitte Deutschland. Der Autor: Dr. Thomas Schiller ist Partner und Leiter Daten wie Videos, Tondokumente oder Texte sind. Die Ergebnisse beeindrucken. In der Produktion lassen sich durch die Analyse historischer Daten Parameter und Parameterkombinationen identifizieren, die über i.o. oder n.i.o. entscheiden. Ausschuss wird nicht mehr aussortiert oder nachgearbeitet sondern er entsteht erst gar nicht, weil man frühzeitig die entscheidenden Parameter wieder in ihren Zielkorridor bringt. Das lässt sich auch auf Kunden und Zulieferer übertragen. Aus der Masse der Kundendaten können Automobilhersteller ableiten, an welchen Modellen, Ausstattungen oder Dienstleistung bestimme Kundensegmente vermutlich interessiert sein werden. Das ermöglicht maßgeschneiderte Angebote, die den Umsatz steigern. Durch Internet, soziale Medien und immer stärker vernetzte Fahrzeuge erhalten Hersteller zudem eine explodierende Menge an Daten über die Kunden, die immer exaktere Analysen erlauben. Die Daten der Lieferkette offenbaren dank Analytics-Ansätzen, welche Glieder der Supply Chain schwächeln könnten. Das erlaubt ein frühzeitiges Gegensteuern im Idealfall, bevor sich das drohende Problem manifestiert. Analytics ist ein starkes Tool. Es vorteilbringend einzusetzen, erfordert großes Know-how weit über Mathematik und IT hinaus. Wenn wir Ihnen, liebe Leser, mit den Beiträgen in dem vorliegenden Heft Ansätze zeigen und ein Gefühl dafür vermitteln können, welche Möglichkeiten Analytics für Ihr Unternehmen bietet und worauf bei der Anwendung zu achten ist, haben wir unser Ziel erreicht. Wir wünschen Ihnen eine unterhaltsame und inspirierende Lektüre und freuen uns auf Ihre Meinung. Die Evolution der Entscheidungsfindung verlangt einen neuen Management-Stil... 3 Analytics: Aus riesigen Datenmassen muss das relevante Wissen herausgefi ltert werden Erst ein klares Bild des Kunden ermöglicht maßgeschneiderte Marketingkampagnen... 4 Die wichtigsten Eigenschaften und Wünsche lassen sich aus vorhandenen Daten ermitteln Massenkommunikation mit der Relevanz eines persönlichen Gesprächs... 6 Facebook-Manager Stadeler: Kunden in den sozialen Netzen individuell ansprechen Big Data ermöglicht bahnbrechende Ansätze zur optimalen Kundenbindung... 8 Aus dem kollektiven Erfahrungsschatz eines Unternehmens erwachsen neue Strategien Titelseite: Bildmontage Thomas Dreher unter Verwendung von Motiven von PhotoStocker Fotolia.com (Auto) und istock.com/nadla (Tunnel). Abbildung unten: foto_don Fotolia.com Klarheit statt Spekulation: Die Effizienz von Marketingausgaben lässt sich messen Laufende Analytik des Marketingmix erlaubt die Zuordnung von Ursache und Wirkung Risikomanagement muss möglichst große Teile der gesamten Lieferkette absichern Beschränkung auf Schadensbegrenzung bei schon eingetretenen Problemen greift zu kurz Predictive Quality Analytics warnt vor Problemen schon bevor Ausschuss entsteht Qualitätsführerschaft wird für Hersteller unter Kosten- und Image-Aspekten wichtiger Impressum Herausgeber: Deloitte Consulting GmbH Rosenheimer Platz 4, München Redaktionelle Leitung: Dr. Thomas Schiller, Deloitte Redaktionelle Betreuung: Redaktionsbüro Gerd Scholz Layout: Hubert Lechner Vertrieb: Diese Publikation ist eine Sonderbeilage in Automobilwoche Druck: ADV SCHODER, Augsburger Druck- und Verlagshaus GmbH, Aindlinger Straße 17 19, Augsburg Ohne Genehmigung des Herausgebers ist eine Verwertung in jeglicher Form strafbar. Die Evolution der Entscheidungsfindung verlangt einen neuen Management-Stil Analytics: Aus riesigen Datenmassen muss das relevante Wissen herausgefiltert werden Der Autor: Nicolai Andersen ist Partner und Leiter Innovation bei Deloitte. Big Data ist das neue Öl. Big Data ist die nächste Evolutionsstufe für Innovation und Produktivität. Big Data ist Management-Revolution. Sätze wie diese haben es aus der Fach- in die Tagespresse geschafft, und es gibt kaum einen Manager, dem sie nicht präsent sind. Der Hype ist verständlich: Wir erleben regelmäßig Beispiele wissenschaftlicher Erfolge, neuer Geschäftsmodelle und gesellschaftlicher Veränderungen, die aus der Analyse großer Datenbestände resultieren: Amazon empfiehlt uns Bücher, Parship einen Partner und Netflix produziert mit House of Cards eine sagenhaft erfolgreiche Fernsehserie weil sie alle wissen, was uns gefällt. In diesem Heft werden begeisternde Potenziale von Analytics für Automobilhersteller aufgezeigt: Vorhersagen von Rücklaufquoten auf Basis von Kundendemografika, individueller Zuschnitt von Marketingkampagnen und Preisstrategien, Verbesserung der Kundenbindung durch gezielte Verhaltensanalysen. Dennoch ist es notwendig, das Thema etwas zu entzaubern: Analytics ist nicht neu. Entscheidungen von Menschen basieren im Wesentlichen auf ihrem Wissen. Wissen ist die Verarbeitung relevanter Informationen. Und Informationen sind verdichtete Daten. Dieses Prinzip galt schon bei der Erfindung der Buchführung; sie ist eine Form von Hindsight Analytics. Und auch Predictive Analytics ist nicht neu: Das Scoring der Kreditwürdigkeit wurde in den 1950er-Jahren eingeführt. Mehr Daten mehr Wissen Daher ist es übertrieben, von einer Revolution der Entscheidungsunterstützung zu sprechen. Evolution ist angesichts des Zeithorizonts der treffendere Begriff. Revolutionär ist die Menge an Daten, die heute verarbeitet, und damit die Menge an Informationen, die erzeugt werden kann. Entscheidend sind drei Entwicklungen: Mehr Datendetails: Höhere Rechengeschwindigkeiten ermöglichen das Verarbeiten größerer Datenvolumina. Mehr Datenarten: Spezifische Methoden ermöglichen das Verarbeiten unstrukturierter Daten (etwa Texte, Videos). Mehr Datenquellen: Externe Daten (wie Wetter-, Social-Media-Daten) können leicht mit internen Datenquellen kombiniert werden. Dieses Mehr an Daten führt zu einem Mehr an Informationen und theoretisch zu einem Mehr an Wissen. Nur ist nicht klar, welches zusätzliche Wissen tatsächlich zur Unterstützung von Entscheidungen genutzt werden sollte. Nicht alles zusätzliche Wissen, was dank mehr Daten möglich ist, ist nötig. Bei der Suche nach der Nadel im Heuhaufen findet man auch nicht zwingend mehr Nadeln, wenn man mehr Heu auf den Haufen packt. Der Nutzen einer Analytics-Initiative muss daher vor der Investition in die Initiative geklärt werden: Werden Entscheidungen besser unterstützt? Werden sie schneller un- Die Datenflut richtig managen Früher Entscheidungen Wissen Informationen Daten Was ist möglich? Was ist nötig? Die Masse der nutzbaren Daten steigt ebenso wie die Zahl der Datenquellen und Datenarten. Es muss geklärt werden, welche davon für bessere Entscheidungen wirklich relevant sind. Deloitte terstützt? Werden neue, zusätzliche Entscheidungen unterstützt? Wie wichtig sind die Entscheidungen für das Unternehmen wirklich? Verknüpfung ist entscheidend Heute? Mehr Datendetails Mehr Informationen Mehr Datenquellen Mehr Datenarten Aus der wachsenden Bedeutung der Analytics-Initiativen entstehen nach unserer Auffassung wesentliche Veränderungen in Unternehmen: Aufbrechen von Bereichsgrenzen: Unternehmen, in denen funktionale Silos bestehen, können die Potenziale von Analytics nicht nutzen. Da die Kombination von Daten oft zu den wichtigsten Erkenntnissen führt, ist es notwendig, Analytics-Initiativen bereichsübergreifend aufzusetzen und dauerhaft zu steuern. Ausbreiten von Innovationskultur: Die neuen Möglichkeiten von Analytics erfordern eine Bereitschaft in Unternehmen, Dinge auszuprobieren. Auch traditionell wenig innovative Fachbereiche werden zunehmend flexibel und explorativ mit Daten umgehen müssen. Verschwimmen von Kompetenzen: Wenn weder das statistische Modell noch der Algorithmus noch die Datenquelle einer Analyse verstanden werden, kann es zu massiven Fehlentscheidungen kommen. Daher werden Manager immer wichtiger, die die Brücke von einem Fachthema in die statistische Modellierung und technische Realisierung bilden können. Pflege des Ökosystems: Analytics-Initiativen können so vielschichtig sein, dass es nicht sinnvoll ist, alle notwendigen Kompetenzen im Unternehmen aufzubauen. Es wird daher immer wichtiger, ein ebenso vielschichtiges Netzwerk von externen Partnern (spezialisierte Start-ups, Forschungsinstitute, Datenlieferanten) aufzubauen, das Analytics-Initiativen als gemeinsame Projekte realisiert. Steigern der Sensibilität: Die Bedeutung des verantwortungsvollen Umgangs mit Daten hat zugenommen. Unternehmen werden in allen Fachbereichen Sensibilität nicht nur für die rechtlichen, sondern auch die ethischen und gesellschaftlichen Implikationen einer Analytics-Initiative entwickeln müssen. Die schon weit fortgeschrittene Evolution der Entscheidungsunterstützung führt somit zu einer Evolution des Management-Stils. 2 3

3 Foto: industrieblick Fotolia.com Erst ein klares Bild des Kunden ermöglicht maßgeschneiderte Marketingkampagnen Die wichtigsten Eigenschaften und Wünsche lassen sich aus vorhandenen Daten ermitteln Was erwartet der Kunde? Wünsche und Bedürfnisse lassen sich recht klar ermitteln, wenn die an verschiedensten Stellen im Unternehmen vorhandenen Daten zusammengeführt werden. Durch Internet und soziale Medien verändern sich Ansprüche und Verhalten der Kunden immer stärker. Kommunikation und Suche nach Information finden zunehmend online statt. Kunden werden anspruchsvoller und erwarten vermehrt ein persönliches, auf sie zugeschnittenes Erlebnis. Darauf müssen Automobilhersteller reagieren und auf eine neue Weise mit Kunden und potenziellen Käufern interagieren. Dazu müssen die Hersteller viel mehr über ihre Kunden wissen und sie besser verstehen. Neue Ansätze der Analytik helfen, dieses Verständnis zu erreichen. Aus vorhandenen Daten lässt sich ein deutlich klareres Bild der Kunden und ihres Bedarfs entwerfen. Zwar stehen die verschiedenen Bereiche im Unternehmen dabei vor durchaus unterschiedlichen Fragestellungen. Allen gemein ist das Ziel, besser auf die individuellen Wünsche und Eigenheiten der Käufer einzugehen. Vorhandene Kunden sollen erhalten und mit ihnen möglichst hoher Umsatz generiert werden, Kunden anderer Hersteller für die eigene Marke begeistert werden. Neu am Ansatz von Analytik und Informationsmanagement ist, dass quantitative Techniken anstelle von qualitativen Beurteilungen eingesetzt werden. Konsolidierung ohne Verluste Welche Erfolge sich damit erzielen lassen, zeigt das Beispiel eines Automobilherstellers, der vor Kurzem eine Marke im Volumensegment aufgegeben hat. Aus ähnlichen Markenkonsolidierungen ist bekannt, dass etwa 90 Prozent der Kunden zu Marken außerhalb des Konzerns abwandern. Eine Gegenstrategie, um diese Verluste zu verhindern, ist im Kern recht einfach und bekannt: Der Hersteller entschied, zweigleisig vorzugehen. Zum einen galt es, die Kunden der verschwindenden Marke für andere Marken des eigenen Konzerns zu begeistern. Zum anderen sollten die Kunden über den Service gebunden werden. Mithilfe der Analytik lassen sich solche Ansätze aber viel effizienter umsetzen, als es bisher möglich war. Im konkreten Fall nutzte der Hersteller die Methoden der Analytik darüber hinaus, um zusätzlich neue Kunden zu gewinnen. Im Ergebnis gelang es, große Teile der 5,7 Millionen abwanderungsgefährdeten Kunden im Konzern zu halten und über ein Programm zur Kundengewinnung 1,2 Milliarden Dollar zusätzlichen Umsatz zu generieren. Die Nutzung von Kundendaten für derartige Ansätze ist sehr aufwendig. Denn es handelt sich um sehr große Datenmengen, die an vielen verschiedenen Stellen im Unternehmen und im Handel gespeichert sind. Sie befinden sich etwa in Customer-Relation-Ma nagement-systemen, in Callcentern, Händ ler manage ment sys te men, Ga rantie- und Qualitätssystemen sowie Datenbanken aus Vertrieb und Marketing. Zudem handelt es sich um unterschiedliche Datenarten, teilweise sind sie unstrukturiert. Doch nur durch Integration aller vorhandenen Daten ergibt sich die Qualität und die erforderliche Aussagefähigkeit, um daraus Kampagnen ableiten zu können. Möglich wird die Zusammenführung all dieser Daten erst mit Methoden der Analytik. Daraus lassen sich ein genaues Kundenverständnis und eine integrierte und gesamthafte Sicht auf die Kunden und ihre Profitabilität entlang des Kundenlebenszyklus entwerfen. Aus der Betriebswirtschaftslehre ist bekannt, dass Kundenbindung ein zentraler Erfolgsfaktor ist. Doch weil Unternehmen ihre Kunden meist nicht gut genug kennen, verfolgen sie oft falsche Ansätze oder wählen unpassende Maßnahmen. Daher ist das mit Methoden der Analytik gewonnene Kundenbild extrem wertvoll. So lassen sich Kunden besser segmentieren und zielgerichteter mit Marketing- und Vertriebsmaßnahmen ansprechen. Sind die Kunden in Gruppen mit ähnlichen Merkmalen aufgeteilt, lassen sich auf dieser Basis Der Autor: Ashwin Patil leitet die Analytics and Information Management Practice für den Produktionsbereich bei Deloitte Consulting LLP. Segmentierung: Für jede Kundengruppe das passende Wertversprechen Dimension Example attributes When to use Example Demographic Lifestyle Needs Attitude Value Behavioral differenzierte Produktangebote und Wertversprechen für jedes Segment entwickeln. Es können auch auf bestimmte Kundengruppen zugeschnittene Ausstattungspakete ausgearbeitet werden, um die Profitabilität zu steigern. Zudem unterstützt Segmentierung die Konzeption direkter Kommunikationskampagnen und die Entwicklung einer Strategie für das Kundenbeziehungsmanagement. Mit beiden Ansätzen kann der OEM auch seine Händler unterstützen, um deren Kundenansprache zu verbessern. Ein wachsender Trend ist die Segmentierung nach Haushalten statt Einzelkunden. In diesem Ansatz spiegelt sich die Vorstellung eines zusammenhängenden Mikrosegments wider, dessen Mitglieder Entscheidungen gemeinsam treffen, zumindest aber die Entscheidungen beeinflussen. So zeigte eine kürzlich von Deloitte durchgeführte Studie unter Verbrauchern in 19 Ländern, dass Familie und Freunde die Name/address Demographic data (e.g., age, income, marital status, children) Account type Third-party lifestyle segments (e.g., PRISM, Equifax niche) Leisure activities Car ownership Cost-benefit choice quantification Service level requirements Brand preference Promotion sensitivity Sensitivity to switch Estimated customer value Customer cost to serve Customer Lifetime Value (CLV) Purchase frequency Product mix Basket size Days since most recent purchase wichtigsten Informationsquellen darstellen, die einen Einfluss auf die Kaufentscheidung von Verbrauchern der Generation Y (geboren ) haben. Sie besitzen eine noch größere Bedeutung als Händler, soziale Medien oder Websites von Herstellern. Für Marketingkampagnen bedeutet das, dass sie sich über den Käufer hinaus auch an jene Personen in seinem Umfeld richten müssen, die Einfluss auf seine Kaufentscheidung ausüben. Die wichtigsten Leitlinien Developing a customer census (e.g., how many customers are ) Customer interactions with brand/company/ product are unknown Marketing a new product or service Developing a customer census Developing an external relationship with a related vendor Key buying factors are not sufficiently differentiated Precision in attributes to tailor value propositions is needed Assess unmet needs and frustrations Measure the brand premium Understanding the decision-making bias Where customer buying factors are clear and different between segments Making trade offs between discounting and adding services Quick identification of need Simple sales force instructions Understanding switching behavior Eine Analytik-gestützte Kundensegmentierung sollte auf Basis unserer Projekterfahrungen diesen Leitprinzipien folgen: Ein Segment sollte eine Gruppe definieren, die möglichst ähnliche Bedürfnisse und ein entsprechendes Einkaufsverhalten zeigt, sodass für die Akquise in diesem Segment das gleiche Wertversprechen anwendbar ist. Die Umsetzung des Wertversprechens für jedes Segment sollte laufend gemessen werden, um die Wirksamkeit des Ansatzes und das Segment selbst zu beurteilen. Segmentierungen sollten so erstellt werden, dass sich daraus konkrete Vertriebs-, Service- und Marketingmaßnahmen ableiten lassen. Die Merkmale, anhand derer Kundengruppen gebildet werden, sollten trotz der sich wandelnden Gesellschaft nachhaltig Bestand haben, sodass das Segmentierungsschema längere Zeit genutzt werden kann. Alle wichtigen Gruppen, die im Unternehmen von der Segmentierung betroffen sind, sollten frühzeitig umfassend in die Entwicklung einbezogen werden, um ihr Wissen zu nutzen und ihre Akzeptanz zu gewinnen. Da stets zahlreiche Unternehmensbereiche involviert sind, ist es wichtig, eine effiziente Governance-Struktur für Kundendaten zu entwickeln, damit eine umfassende Auswertung der Daten aller Bereiche möglich wird. Baby Boomers Business customers Young actives Golfers Availability buyer Relationship buyer Full service buyer Loyalists Convenience shoppers Cherry pickers Strategic sourcers Price bottom feeders High luxury Single, urban and upscale Young families Retirees seeking value Die Aufteilung der Kunden und möglichen Käufer in Gruppen mit ähnlichen Eigenschaften und Wünschen erlaubt es, maßgeschneiderte Angebote für verschiedene Segmente zu erstellen und diese Kunden auf dieser Basis deutlich individueller anzusprechen. Deloitte Wenn diese Prinzipien eingehalten werden, lässt sich der Analytik-Ansatz sowohl im täglichen Geschäft als auch in der Strategieentwicklung erfolgreich nutzen. Wird die Analytik zur Weiterentwicklung des Kundenerlebnisses richtig eingesetzt, können Marketing und Interaktionen effektiver gestaltet und mehr zielgerichtete, persönliche Angebote realisiert werden. Zudem hilft dieser Ansatz den Automobilherstellern, die Kosten des Service in jedem Verbrauchersegment besser zu verstehen und dadurch profitablere Marketing- und Serviceprogramme zu entwickeln, so wie dies verschiedene Automobilherstellern bereits umsetzen. Strategisch bedeutsam ist das bessere Verständnis der Kundenpräferenzen beispielsweise, wenn die Erkenntnisse in die Fahrzeugentwicklung einfließen oder wenn dadurch Sonderausstattungen nachfrageorientierter angeboten werden und für eine höhere Marge sorgen. 4 5

4 Massenkommunikation mit der Relevanz eines persönlichen Gesprächs geht heute mit dem Kauf eines Fahrzeugs eine digital unterstütze Beziehung mit einer Marke ein. In dieser Beziehung muss die Marke über die Laufzeit einen Mehrwert für den Wie lässt sich der Erfolg messen? Bei allen drei Themen gilt es aufzuzeigen, dass Facebook als Kanal effi zient die unterschiedlichen KPIs, also die Key Performance Indicators, mobilhersteller im digitalen Schauraum oder gar im Konfi gurator waren, mit hoher Wahrscheinlichkeit aktiv auf der Suche sind. Doch nur etwa ein Prozent aller Besucher hinterlas- Viele Posts auf Facebook belegen das. Sie sind die glaubhaftesten Botschafter einer Marke, da sie wiederum all diejenigen beeinfl ussen können, die in der aktiven Evaluierungsphase sind Facebook-Manager Stadeler: Kunden in den sozialen Netzen individuell ansprechen Nutzer bereitstellen, um diesen zu binden und zu einem Botschafter der erzielen kann und dabei sowohl effi zienter als auch effektiver ist als sen Namen oder eine -Adresse. Mit Facebook können wir diese und in den nächsten acht bis zwölf Wochen ein Auto kaufen werden. Marke auszubauen. alternative Mediaplattformen. So Menschen fi nden und sie über alle Daher sollte man seinem Kunden- genau die Menschen und sprechen wird Facebook auch nicht anhand End geräte hinweg wieder erreichen. bestand immer kontinuierlich Neuig- sie an, die für die jeweilige Marke Nutzer statt Käufer was bedeutet von Social-Media-Messgrößen bewer- keiten und besondere Informationen und das jeweilige Fahrzeug wirklich dieser Ansatz für die Strategie? tet, sondern ganz klar am Beitrag, Wie lässt sich das realisieren? im News Feed zukommen lassen, relevant sind. Hersteller müssen künftig weit über den es zu den Geschäftszielen unserer Unsere Automobilkunden können um damit Brand Advocacy für die das Auto hinausdenken. Denn die Autokunden leistet. Nicht mehr und auf Facebook sogenannte Website Marke aktiv zu fördern. Bedeutet das Werbung ohne ganzheitliche Customer Experience nicht weniger. Custom Audiences generieren. Das Streuverluste? einer Marke wird zunehmend wich- sind individuelle Zielgruppen-Cluster, Wie lässt sich die Kundenbasis Über unsere einzigartigen Targeting- tiger als das Automobil selbst. Sie Automobilhersteller sorgen sich, die anhand der Interessen, die im erweitern? Möglichkeiten können wir Streu- müssen die ganzheitliche Nutzererfah- dass bei Aktivitäten mit Facebook Konfi gurator hinterlassen wurden Über unsere sogenannten Custom verluste dramatisch reduzieren. Hier rung ihrer Marke betrachten. Was die Privacy der Nutzer nicht ga- beispielsweise das Interesse an einem Audiences können Automobilherstel- liegt das eigentliche Potenzial von unterscheidet das Nutzererlebnis eines rantiert werden kann speziellen Modell, erstellt werden ler ihre Kundenbasis als Zielgruppe Facebook: Massenkommunikation Mercedes-Benz von dem eines Audi Selbstverständlich haben die Sicher- können. Diese Zielgruppe kann auf Facebook abbilden. Das erfolgt mit der Relevanz eines persönlichen oder BMW? Wo ziehen Hersteller die heit und der Schutz von Daten über die nächsten Wochen gezielt bei- beispielsweise durch einen verschlüs- Gesprächs. Grenze zwischen Daten, die sie allein für uns die höchste Priorität und spielsweise mit relevanten Pro dukt- selten Abgleich der -Adressen. besitzen oder die vom Fahrzeug an das überall auf der Welt. Bei allem informationen, Angeboten, Testfahrt- Aus allen Facebook-Nutzern lassen Wie verändert sich dadurch der Dritte gehen? Hier steht die gesamte was wir tun und entwickeln, steht ein ladungen angesprochen werden, sich dann jene herausfi nden, die sehr Media-Mix? Automobilbranche noch am Anfang, der Schutz von Informationen im was üblicherweise zu einer höheren viele Übereinstimmungen mit den Im Media-Mix ist mit Facebook ledig- und es bieten sich viele Einfallstore für Mittelpunkt. Dieses Prinzip nennen Verkaufsrate führt klassisches Bestandskunden aufweisen. Wer zu lich ein neuer eigenständiger Kanal Dritte. Facebook ist im Rahmen dieser wir Privacy by Design. Keine per- Retargeting also. Auch hier ist wich- dieser Lookalike Audience gehört, hinzugekommen, der andere wie TV, ganzheitlichen Customer Experience sön lichen Informationen verlassen tig: Es handelt sich immer nur um dürfte sich mit hoher Wahrscheinlich- Print oder Digital Display ergänzt einer der zentralen Kontaktpunkte jemals unser Haus. Übrigens, unser Zielgruppen, niemals Einzelpersonen. keit ebenfalls für die Marke gewinnen und diese in vielen Bereichen, etwa zum Kunden. internationales Hauptquartier lassen. Damit können Hersteller opti- bei Reichweite, Werbewirkung oder befi ndet sich in Dublin. Für uns Was können Hersteller und Händler male Lead-Generierungskampagnen Foto: Gerd Scholz Mediaeffi zienz, oft übertrifft. Wie unterscheidet sich erfolgreiche Werbung auf Facebook von klassi- Kann Facebook auch als Inte grationstool fungieren? Nur kontinuierliche und starke Präsenz auf Facebook sichert einem Her- gelten also die Datenschutzregeln der Europäischen Union. Wie weit kann man Segmentierung tun, um Kunden, die die eigene Marke gekauft haben, zu halten? Diese Kunden sind doppelt wichtig. Sie sind stolz auf ihr neues Auto. realisieren. Tatsächlich sehen wir bei Kampagnen auf Basis von Lookalike-Zielgruppen aktuell die besten Ergebnisse. Christoph Stadeler (50) ist seit 2012 Industry Lead Automotive EMEA bei Facebook. Damit ist er verantwortlich für schen Ansätzen? steller den Dialog mit und über seine treiben? den Bereich Automotive in der Region Europa, Mittlerer Osten und Afrika. Zudem leitet Stadeler Facebooks weltweite Gute Werbung bleibt gute Werbung Kunden, wenn diese sich auf Facebook Es geht nie nur um den einzelnen Zusammenarbeit mit der Volkswagen- und der BMW-Gruppe. auch auf Facebook. Wichtig sind die als Markenbotschafter engagieren. Kunden, sondern um Zielgruppen. Relevanz der Inhalte und die richtige Wir sehen Facebook auch als mögli- Gerade auf mobilen Endgeräten wird Ansprache der Menschen. Auf Face- chen Backbone eines ganzheit lichen Werbung, die auf die individuellen Gute Werbung bleibt gute Wer- Medienkonsums per Smartphone, Kommunikationsplattform und reich- book begegnen Marken ihren Kunden Ansatzes für das Customer-Relation- Bedürfnisse und Interessen der jewei- bung auch auf Facebook, sagt Tablet oder Laptop abwickeln. Smart- weitenstärkster Marketingkanal eine in einem sehr persönlichen Umfeld. ship-management CRM, indem ligen Zielgruppe eingeht, nicht als Christoph Stadeler. Trotzdem phones werden heute mehr genutzt entscheidende Rolle. Doch viele Un- Automobilhersteller haben die Chan- alle Touchpoints dieser Customer Jour- störend, sondern als relevant wahr- sei ein Umdenken erforderlich: als das Fernsehen. Digitale Medien ternehmen konzentrieren sich oft im- ce zwischen Inhalten von Freunden, ney über Facebook integriert werden. genommen. Dieses personalisierte Statt sich auf die eigenen Com- haben unseren Alltag nachhaltig ver- mer noch zu sehr auf das Managen Nachrichten und anderen Neuigkei- Marketing stellt den Menschen in den munitys zu beschränken, müss- ändert. ihrer Communitys. ten, mit ihren einzigartigen Ge- Welche neuen Möglichkeiten bieten Mittelpunkt. Unternehmen müssen ten die Automobilhersteller viel schichten in den News Feeds der die sozialen Medien? ihre Botschaften zielgruppenspezifi - stärker mit zielgruppenspezifi- Was bedeutet das konkret für Welche Reichweite bietet Facebook? Menschen stattzufi nden, um so für Drei Themen beherrschen die strate- scher, segmentierter und auf die schen Kampagnen in den sozia- Automobilhersteller? Facebook verbindet heute geräte- ihre Marke zu begeistern. gische Zusammenarbeit mit unseren jeweiligen Anforderungen der Kern- len Medien aktiv werden. Um die Menschen über alle Kontakt- übergreifend mehr als 1,3 Milliarden Automobilkunden: Das erste sind und der erweiterten Zielgruppen an- punkte hinweg zu erreichen, ist es Menschen. Allein in Deutschland Ist in dieser neuen Situation ein Launch- und Markenkampagnen. passen. Mit Facebook können diese Herr Stadeler, wie verändern sozi ale für Marken essenziell, das klassische sind mehr als 26 Millionen Menschen fundamentales Umdenken nötig? Das zweite ist die Lead-Generierung Teilzielgruppen durch umfangreiche Medien wie Facebook Automobil- Brand-Marketing-Medium TV zu- aktiv auf Facebook unterwegs. Zuneh- Teilweise. Erfolg wird noch immer über wie Broschüren-Downloads, Konfi - Targeting-Möglichkeiten sehr präzise werbung und -marketing? nehmend durch mobile Werbe- und mend kommen neue Nutzer aus den verkaufte Einheiten und Deckungsbei- gurationen und in einer zweiten Stufe und kosteneffi zient erreicht werden. Marketing in sozialen Medien ge- Marketingbotschaften zu ergänzen Altersgruppen über 35 Jahre hinzu, trag je Einheit defi niert. Diese Erfolgs- Angebotsanfragen oder Testfahrt- winnt einen immer höheren Stellen- und Kampagnen durch eine zielgrup- aus denen auch die Neuwagenkäufer größen greifen in der heutigen Welt vereinbarungen. Das dritte Themen- Wie erkennt man künftig seinen wert in der Werbung. Studien zeigen, dass Deutsche zwischen 16 und 45 Jahren mehr als zwei Drittel ihres penspezifi sche Aussteuerung mehr Relevanz zu verleihen. Dabei spielt Facebook als weltweit meistgenutzte stammen. Gemeinsam mit unseren Automobilkunden fi nden wir innerhalb dieser enormen Reichweite aber oft zu kurz. Hersteller müssen zukünftig nicht mehr in Käufern, sondern in Nutzern denken. Ein Kunde feld betrifft CRM und Always-on- Kommunikation mit Kunden und Interessenten. potenziellen Kunden? Aus zahlreichen Studien wissen wir, dass Kunden, die bei einem Auto- Foto: Facebook 6 7

5 Foto: gstockstudio Fotolia.com Big Data ermöglicht bahnbrechende Ansätze zur optimalen Kundenbindung Aus dem kollektiven Erfahrungsschatz eines Unternehmens erwachsen neue Strategien Der unbekannte Kunde: Um ihn zuverlässig halten zu können, müssten Automobilhersteller möglichst viel über ihn wissen. Angesichts drastisch zunehmender Datenmengen wird bei den Automobilherstellern immer häufiger über Big-Data-Analytik diskutiert oft mit einer gewissen Neugier und Unsicherheit, wofür dieser Begriff steht. Letztlich handelt es sich bei diesen Daten um die gesamten kollektiven Erfahrungen eines Unternehmens, die eine Leitlinie für Managemententscheidungen vorgeben können. Jede Interaktion mit Kunden führt zu einer Vielzahl von Datenpunkten, in denen Wissen über das Kundenverhalten verankert ist. Aus Millionen derartiger Datenpunkte wertvolle Erkenntnisse für die Zukunft abzuleiten, wird zu einer immer größeren Herausforderung. Daraus ergeben sich aber auch völlig neue Möglichkeiten, die Kundenbindung zu steigern. Eine geringe Kundenbindung macht Unternehmen verwundbar. Kundenbindung und nachhaltiges Wachstum hängen eng miteinander zusammen. Aber häufig bemüht sich die Mehrzahl der OEMs kaum um Kundenbindung, und falls doch, dann eher undifferenziert. Kundenbindungsraten sind zu wichtigen Kennzahlen der Unternehmensleistung geworden. Aber gute Kundenbindungsraten sind nur die halbe Miete. Um die Kundenbindung ganzheitlich zu optimieren, müssen die OEMs das Verhalten ihrer Kunden genau verstehen und auf dieser Basis ein möglichst ansprechendes Kundenerlebnis definieren. Dabei hilft die Analytik, die aus der gewaltigen Menge komplexer Daten wertvolle Erkenntnisse etwa über Vorlieben der Kunden gewinnt, die sich in Strategien zur Kundenbindung umsetzen lassen. Die Stadien des Eigentums aus Sicht des Kunden sind in drei Phasen eingeteilt: Kauf, Erfahrung nach dem Kauf, erneuter Kauf. In jeder dieser Phasen können Kunden abwandern. Ein kritischer Blick auf die Details der Kundendaten an jedem Berührungspunkt kann zu wertvollen Erkenntnissen führen. Beispielsweise könnte ein Vergleich der bei Händler und OEM zu einem Kunden vorhandenen Daten kleine, aber wichtige Abweichungen zeigen. Wenn etwa der Händler den Kunden auf einem Weg kontaktiert, der nicht mit dem vielleicht beim OEM gespeicherten vom Kunden bevorzugten Kontaktweg übereinstimmt, kann das die Bereitschaft des Kunden zur Abwanderung erhöhen. Ist das Problem erkannt, lässt sich diese Gefahr leicht beseitigen. Genauso müssen weitere Aspekte als Gesamtheit analysiert werden, um die Wahrscheinlichkeit der Kundenbindung zu erhöhen. Dazu zählen etwa die Stärke der Bindung an eine Marke, die durch Produkte und Dienstleistungen geprägt wird, und auch die Kundenzufriedenheit, die durch die Erfahrungen des Kunden bestimmt wird. Klarheit über die Ist-Situation Um umsetzbare Erkenntnisse zur Verbesserung der Kundenbindung an all jenen Punkten zu bieten, wo Kunden abwandern können, untergliedern wir die Analytik in zwei Kategorien: die Richtunggebende Analytik und die Analytik für die Strategieplanung. Die Richtunggebende Analytik (Direction Setting Analytics, DSA) soll zu einem gründlichen Verständnis der Ist-Situation führen, das dann zur Planung konkreter Maßnahmen genutzt werden kann. DSA konzentriert sich auf drei Fotos: Deloitte Aspekte: Abwanderung, Ursachen und Prognose. Die Analyse der Abwanderungen: Im Aftersales ist es entscheidend zu verstehen, wann, in welchem Umfang und warum Kunden abwandern. Herkömmliche Analysemethoden können einen Gesamteindruck geben, bieten aber kaum Ansätze für konkrete und spezifische Maßnahmen. Die Analytik dagegen soll tatsächliche Abwanderungsmuster unterschiedlicher Kunden durch die Untersuchung ihres individuellen Verhaltens aufdecken. Das führt zu spezifischen Maßnahmenplänen für jede Kundenkategorie. Aufgrund der Komplexität und des Umfangs der Daten galt dieses Ziel mit herkömmlichen Analysemethoden als praktisch unerreichbar. Die Kausalanalyse: Ein hoher Kundenschwund trotz Kundenzufriedenheit gibt immer wieder Rätsel auf. Die Kausalanalyse wurde entwickelt, um wesentliche Einflussfaktoren auf die Kundenbindung zu identifizieren, von denen die Kundenzufriedenheit nur ein Element ist. Dieser Ansatz zeigt Kausalzusammenhänge zwischen verschiedenen Faktoren und der Kundenbindung. Beispielsweise kann auf diese Weise gezeigt werden, wie sich Qualität und Service bei Fahrzeugreparaturen auf die Kundenbindung auswirken. Diese Analytik stützt sich zwar auf ein mathematisches Modell, In jeder Phase lauert die Gefahr der Abwanderung 1 2 Identify 3 Identify current situation of overall customer leakage specific area of leakage Ownership journey Purchase Vehicle Purchase Customers Analysis Aftersales Experience Repurchase Aware Engaged Satisfied aber dieses muss auf der Basis von Kenntnissen des operativen Bereichs konzipiert werden, um einen praktischen Wert zu haben. Die Prädiktive Analyse: Die historischen Daten für jeden Kunden an sämtlichen Berührungspunkten erlauben es, ein Modell zu schaffen, mit dem sich ein prädiktives Muster definieren lässt. Dieses sagt voraus, wie sich der Kunde wahrscheinlich in nächster Zukunft verhalten wird. Aus dem Verhaltensmuster eines Kunden nach dem Kauf lassen sich beispielsweise Vorhersagen zu seinem Verhalten in einer bestimmten Eigentumsphase ableiten. Ebenso lässt sich prognostizieren, mit welcher Wahrscheinlichkeit er oder sie bestimmte Artikel kaufen wird. Die Autoren: Sharad Mohan Mishra (li.) ist Senior Manager bei Deloitte in Tokio und Experte für die Entwicklung und Umsetzung von Strategien zur Kundengewinnung und -haltung in der Automobilbranche weltweit. Masanobu Kurihara ist Senior Manager bei Deloitte in Tokio und hat umfassende Erfahrung in der grenzüberschreitenden Planung und Umsetzung von Geschäftsstrategien bei OEMs der Automobilbranche weltweit. AWARE about services/products Leaked Customers (partially or fully) ENGAGED with services/products Retained SATISFIED with services/products Retained RETAINED (Vehicle Servicing) RETAINED (Vehicle Repurchase) Retained RETAINED (Trade-in) Totally Retained Customers Customer Information Mgmt Analysis Value Chain Engagement Analysis Customer Satisfaction Analysis Retention Situation & Probability Analysis (Service, Vehicle Repurchase, Trade-in) Die Analytik für die Strategieplanung (Strategy Planning Analytics, SPA) soll drei der wichtigsten Einflussfaktoren auf die Kundenbindung erklären: Preis, Netzwerk und Wertschöpfungskette, was zu den Kategorien Analyse der Preiselastizität, Geo-Mapping und Simulation führt. Bei der Analyse der Preiselastizität handelt es sich um eine etablierte Methodik, um die optimale Preisspanne zu verstehen, mit der man, unabhängig vom verwendeten Leistungsindikator, das beste Ergebnis erzielt. Bisher ist jedoch die Verwendung einer Analyse der Preiselastizität im Zusammenhang mit der Kundenbindung unüblich. Eine Analyse der Preiselastizität im Kundendienst könnte zur Identifizierung von Möglichkeiten führen, Kunden durch eine differenzierte Preisbildungsstrategie abhängig von den Eigentumsphasen zu binden, um so den Gewinn oder die Einnahmen unter dem Aspekt der Kundenbindung zu optimieren. Geografische Analyse: Eine effektive Netzwerkstrategie ist das Ergebnis sorgfältig ausgewählter makro- und mikroökonomischer Daten, die nach geografischen Gesichtspunkten geordnet werden. Kombiniert man diese multidimensionalen Daten mit Informationen über das Kundenverhalten, kann dies geeignete Standorte für Händler aufzeigen, um die Kundenbindung zu verbessern. Overall Leakage Analysis I II Identify actionable insights Analytics Direction Setting Analytics Strategy Planning Analytics Um Kunden zu halten und zum erneuten Kauf zu motivieren, müssen sie bei allen Arten und in allen Phasen des Kontakts zur Marke zufriedengestellt werden. Analytik zeigt, was dafür zu tun ist. Die Simulationsanalyse hilft bei den letzten Schritten der Maßnahmenplanung. Sie zeigt, welche Auswirkungen Maßnahmen zur Kundenbindung auf das Geschäft haben, sowohl in Geld als auch anhand der gehaltenen Kunden ausgedrückt. Damit sollen alle beteiligten Gruppen im Unternehmen einbezogen und ihnen auf einer einfachen Visualisierungsplattform die sofortigen Auswirkungen auf das Geschäft gezeigt werden. Die Methoden stehen bereit Deloitte Angesichts der zunehmenden Datenmenge und -vielfalt wird die Analytik in der Kundenbindungsstrategie ein entscheidender Faktor sein, mit weitreichenden Auswirkungen auf die gesamte Branche. Fortschrittliche Analytik wie beispielsweise im Qualitätsbereich (die Qualitätskosten in der Automobilindustrie werden auf rund 25 Milliarden US-Dollar pro Jahr geschätzt) sollte sofort eingesetzt werden, um die operativen Kosten zu senken und gleichzeitig die Kundenzufriedenheit zu erhöhen. Wenn OEMs Daten stärker nutzen möchten, um ihr Geschäft schlanker, effizienter und profitabler zu machen, und sie den richtigen Weg zur Informationsbereitstellung für die Maßnahmenplanung suchen, dann ist Analytik bei jedem Schritt der richtige Ansatz. Die Frage ist, inwieweit die OEMs darauf vorbereitet sind. 8 9

6 Klarheit statt Spekulation: Die Effizienz von Marketingausgaben lässt sich messen Laufende Analytik des Marketingmix erlaubt die Zuordnung von Ursache und Wirkung Die dynamische Marktentwicklung und eine zunehmend komplexere Planung zwingen Automobilhersteller, ihre fixen und variablen Marketingbudgets zielgerichteter und effizienter einzusetzen. Eine Senkung der Marketingausgaben um ein oder zwei Prozent bei gleichem oder sogar besserem Ertrag beispielsweise kann bei weltweit agierenden OEMs Auswirkungen zwischen 1,5 und drei Milliarden US-Dollar haben. Gelingt den Herstellern die Optimierung nicht, können die Auswirkungen in Form von verpassten Gelegenheiten teuer werden. Aber Investitionen in Zeit, Ressourcen und Instrumente zur effizienteren Nutzung des Marketings können ebenfalls teuer und äußerst komplex sein. Bei dieser Gratwanderung kann den Automobilherstellern der gezielte Einsatz der Marketing-Analytik helfen. Intern fehlt es vielen Automobilherstellern an der analytischen Disziplin und lückenlosen Mechanismen, um den Erfolg von Marketingprogrammen zu beurteilen. Eine zunehmende Komplexität der Planung aufgrund immer breiterer Modellpaletten, sich ändernden Märkten und zusätzlichen Vertriebskanälen sowie mangelnde Preistransparenz stellen große Herausforderungen dar. Vielfach sind beispielsweise Vertriebsboni eine Reaktion auf mangelnde Präzision von Planung und Prognosen; sie wirken sich auf die Stärke der Marke, Restwerte und Margen aus. Außerdem wird es zunehmend schwieriger, eine verlässliche Integration von Preis-, Mengen- und Marketingplanung sowie der erforderlichen Umsetzungsprozesse zu erzielen. All dies bedeutet, dass die OEMs Märkte und Kunden besser Mit welchem Mix von Marketingmaßnahmen erreichen Automobilhersteller ihre Kunden am besten? Analytik zeigt klare Ursache-Wirkung-Beziehungen auf. verstehen müssen. Mit diesem Verständnis lassen sich die Steuerung der Marketingausgaben und die Entscheidungsfindung deutlich verbessern. Dreistellige Milliardenbeträge Verschiedene Schätzungen verdeutlichen, um welch hohe Summen es hier geht. So sollen die variablen Ausgaben für Marketing und Leistungsprämien im Jahr 2014 weltweit 124 Milliarden US-Dollar übersteigen und bis 2020 um 22 Prozent zunehmen. Außerdem wird prognostiziert, dass die Werbeausgaben aller OEMs weltweit mehr als 50 Milliarden US-Dollar betragen werden. Fixe Marketingkosten (etwa für Werbung) sowie variable Marketing ausgaben, unter anderem für spezielle Finanzierungs- und Leasingangebote, stellen zwei entscheidende Elemente der Nachfragegenerierung in der Automobil branche dar. Daher glauben wir, dass die richtige Vorgehensweise der Hersteller bei Werbung und Anreizen messbare Auswirkungen nicht nur auf die Vertriebsleistung, sondern auch auf die Rentabilität hat. Unsere Erfahrungen zeigen, dass Marketing-Analytik Antworten auf viele entscheidende Geschäftsfragen liefern kann, beispielsweise: Welche Kriterien werden zur Feststellung von Modellen und Konfigurationen eingesetzt, die durch variable Marketingausgaben unterstützt werden müssen? Welche Eingangsdaten (zusätzlich zu den Elastizitäten) sollten verwendet werden, um Art und Höhe der Incentive-Programme je nach Modell und Konfiguration zu bestimmen? Wie sollten Anreize zur Unterstützung sonstiger Strategien zur Generierung von Nachfrage für ein bestimmtes Modell konzipiert sein? Wie lässt sich sicherstellen, dass es nur für solche Konfigurationen Anreize gibt, die diese auch wirklich brauchen? Wie wird der Erfolg eines Programms gemessen (etwa anhand von Vertriebszielen, Gewinnzielen, Kapitalrendite oder sonstigen Messgrößen)? Wie sieht die richtige Mischung von fixen und variablen Marketingausgaben aus, um ein rentables Wachstum zu erzielen? Welche geschlossenen Mechanismen und Instrumente gibt es, um Werbe- und Anreizprogramme zu modifizieren? Wie sollte bei diesen Programmen der Return on Investment gemessen werden? So kann beispielsweise der Einsatz einer stimmigen Reihe von Kennzahlen zur Steuerung der Entwicklung von Anreizprogrammen OEMs helfen, ihre strategische Planung zu verbessern und die Rendite variabler Marketing- Foto: istock.com/lvdesign77 Fotos: Deloitte ausgaben (etwa höhere Abverkäufe, niedrigere Ausgaben pro Verkauf) zu steigern. Entscheidend ist dabei eine laufende Analytik des Marketingmix (Marketing Mix Analytics, MMX). Sie identifiziert Anreizprogramme und misst, welche das Wachstum auf effektivste Weise vorantreiben. Klare Kausalzusammenhänge MMX erlaubt es, die Auswirkungen einzelner Marketingaktivitäten auf Verkaufsergebnisse, Umsatz und Absatz zu quantifizieren. Langfristig und bei vollständiger Umsetzung kann die Analytik des Marketingmix auch eingesetzt werden, um eine Marketingplanung auf der Basis von Szenarien, die Budgetallokation für die Portfolien, Leistungsprognosen und eine Optimierung des Medieneinsatzes zu unterstützen. So können die Hersteller Ursache und Wirkung, Kosten und Nutzen der Marketing- und Media-Aktivitäten besser zuordnen. Dazu steht ihnen ein standardisierter Katalog von ausbalancierten Leistungsmessgrößen zur Verfügung. Darüber hinaus kann die Analytik des Marketingmix helfen, die Auswirkungen von gesamtwirtschaftlichen und Umweltfaktoren etwa Wetter oder Wirtschaftslage zu quantifizieren. Dadurch wird deutlich, wie viel Einfluss das Marketing und sonstige Faktoren auf den Absatz haben. OEMs wissen auch zu schätzen, dass diese konsequent datengestützte Methode strategische und taktische Leitlinien in Leistungsmanagement überführt, Anleitungen für integrierte Marketingpläne bietet, ein Portfoliomanagement ermöglicht und Daten für kausale Prognosen liefert. ändern. Sie werden den Marketingaufgaben in anderen Branchen immer ähnlicher. Im Kern werden sich vier Rollen herauskristallisieren, die Marketingexperten in der Automobilindustrie ausfüllen müssen. Dazu zählen das Engagement für ein positives Kundenerlebnis, Wir sehen die klare Zurechenbarkeit von Ursache und Wirkung als den bedeutendsten Vorteil des Ansatzes. Denn dadurch wird ein gezieltes Leistungsmanagement möglich, weil nun klar erkennbar ist, welche Aktivitäten das Absatzwachstum vorantreiben und wie sich die Marketingausgaben am effizi- bung und das Management von Anreizen Entscheidungen über die jeweiligen Modelle auf nationaler, regionaler und Händlerebene unterstützen. Auf nationaler Ebene können die so gewonnenen Einblicke Herstellern Informationen dazu liefern, welche Art von Anrei- entesten einsetzen lassen. Marketing ist wichtig aber teuer. Wenn Hersteller durch höhere Effizienz nur ein Prozent einsparen, kann das Milliarden bringen. Der Nutzen wird weiter gesteigert, wenn man die so gewonnenen Erkenntnisse einsetzt, um aktiv eine Planung auf der Basis von Szenarien und das Erstellen von Geschäftsprognosen voranzutreiben. Die zunehmende Verfügbarkeit von Big Data und die den Führungskräften der Automobilbranche zur Verfügung gestellten Analytik-Tools werden die Aufgaben der Marketingfachleute weiter ver- die Verantwortung für Wachstum und Innovation, der Auf- und Ausbau von Marketingfähigkeiten sowie die Steuerung des Marketingbetriebs und der damit verbundenen Investitionen. Ein Unternehmen, das alle vier Aufgaben in Angriff nahm und die Analytik zur Verbesserung des Kundenerlebnisses einsetzte, erzielte eine 15-prozentige Steigerung der Kundenbindung sowie eine zen (etwa Rabatte, Finanzierung, Inzahlungnahme) unter welchen Umständen am effektivsten waren. Auf lokaler Ebene kann Analytik zeigen, welche Auswirkungen Anreize für ein bestimmtes Modell in einem bestimmten geografischen Raum oder sogar bei einem bestimmten Händler haben. Zusammengenommen können diese Informationen unterstützt durch Cockpits und Planungswerkzeuge siebenprozentige Steigerung der helfen, die Leistung ständig zu Kundenzufriedenheit. Der Umsatz überwachen und einen effizienten stieg um 62 Prozent. Die Rentabilität Einsatz künftiger Marketingausga- der Marketingausgaben konnte ben zu erreichen. um 15 Prozent gesteigert und bei Dabei können Automobilhersteller den Ausgaben für Agenturen konnten von den Erfahrungen ande- 20 Prozent eingespart werden. rer Branchen profitieren. Sie müssen jedoch möglichst rasch die Defizite schnell ausgleichen erforderlichen Instrumente und Automobilhersteller haben einen Methoden entwickeln und einsetzen, gewissen Nachholbedarf beim Einsatz insbesondere die Analytik des der Analytik für ein besseres Marketingmix. Ein zweistelliges Verständnis ihrer Kunden und ein Absatzwachstum und die gleichzei- Die Autoren: Kevin Mercadante (li., Los Angeles) ist Senior Manager in der Strategy & Operations Practice und Mitglied der globalen Automotive Practice von Deloitte. Er leitete viele globale Projekte für führende OEMs. Dr. Marco H. Hecker (Shanghai) ist Automotive Consulting Managing Partner. Schwerpunkte für ihn sind Entwicklung und Umsetzung von Vertriebs- und Marke ting- Strategien, Customer Experience Management sowie Customer Analytics. effektives Management ihrer Marketingbudgets. Im Einzelhandel und dem Bankwesen ist diese Vorgehensweise schon seit Jahren üblich. Richtig umgesetzt, soll die Analytik für die Automobilwertige Optimierung gewaltiger Marketingbudgets wird nicht möglich sein ohne Investitionen in die Analytik und ohne verbesserten Einblick in Märkte und Kundenverhalten. Foto: industrieblick Fotolia.com 10 11

7 portfolios der Automobilhersteller, die dadurch alle Kundensegmente bedienen wollen. Hier zeichnet sich möglicherweise ein Paradoxon in der Art und Weise ab, wie Automobilhersteller mit Risiken der Lieferkette umgehen. Zwar ist ihnen das Risikomanagement zweifellos wichtig aber sie gehen es eher isoliert und situationsbezogen an. Doch gerade jene Risikobereiche, die als die wichtigsten identifiziert wurden, erfordern ein strategisches Frühwarnsystem und eine Langfristplanung, wenn sowohl die Gefahren für die Lieferkette reduziert als auch das Risikomanagement erfolgversprechend eingesetzt werden sollen. ferkette zu definieren. In vielen Unternehmen ist die Verantwortlichkeit nicht klar, das Risikomanagement wird nur isoliert und in beschränktem Umfang wahrgenommen. Vorstand und Aufsichtsrat steuern weder angemessen, noch geben sie eine strategische Richtung vor. Und Mitarbeitern Die fortschrittliche Analytik der Lieferkette stellt eine Abkehr von Managementmodellen dar, die auf der Reaktion auf Daten basieren. Neue Möglichkeiten auf diesem Gebiet erlauben einen neuen Risikomanagementansatz, mit dem Automobilhersteller kontinuierlich die Veränderungen in ihrem Ge- nen, funktionsübergreifenden Austausch von Daten konzentrieren. Stattdessen rücken die bessere Steuerung und ein verbesserter Datenfluss zwischen allen Partnern der Supply Chain in den Mittelpunkt. Insellösungen im Bereich der Lieferkette werden verschwinden. In einigen Jahren werden zen- Foto: industrieblick Fotolia.com Schwächen in der Lieferkette können teuer werden, besonders dann, wenn Fahrzeuge wegen Mängeln in die Werkstätten zurückgerufen werden müssen. Risikomanagement muss möglichst große Teile der gesamten Lieferkette absichern Beschränkung auf Schadensbegrenzung bei schon eingetretenen Problemen greift zu kurz Die Steuerung ihrer Lieferketten wird für die Automobilindustrie immer herausfordernder. Die Globalisierung, Strategien zur Optimierung des Herstellungsprozesses und der Umgang mit Regularien etwa zum Local Content sind nur einige der Faktoren, die das Managen der Lieferkette erheblich schwieriger werden lassen. Unternehmen, die ihre Supply Chain optimal managen, können dadurch Wettbewerbsvorteile erringen. Fehler aber können die Hersteller rasch in schwierige Situationen bringen, angefangen von Engpässen bei Bauteilen über hohe Qualitätskosten bis hin zu verpassten Wachstumschancen. Moderne Supply-Chain-Analytik besitzt dabei eine zentrale Bedeutung: Diese Methoden und Instrumente ermöglichen es den Automobilherstellern, Muster und Korrelationen zu erkennen, die sie in der Vergangenheit möglicherweise übersahen. Damit können sie ihr Geschäft und die Lieferkette aus einem neuen, bisher unvorstellbaren Blickwinkel betrachten. Die Basis für die nötigen Optimierungen ist glücklicherweise bereits vorhanden: Im Geschäft mit den Zulieferern wurden gewaltige Datenmengen angehäuft, die nun genutzt werden können, um die Risiken in der globalen Wertschöpfungskette zu beherrschen. Infolge von Rückrufaktionen wie jüngst in den USA, Naturkatastrophen wie der Tsunami in Japan und Kapazitätsengpässen etwa bei Seltenen Erden sehen sich viele Hersteller die verfügbaren Daten inzwischen genauer an, um derartigen Risiken besser begegnen zu können. Die Frage ist, ob die Anstrengungen der Automobilbauer weit genug reichen. Eine kürzlich von Deloitte in Zusammenarbeit mit der Original Equipment Suppliers Association (OESA) durchgeführte Befragung von Führungskräften der Automobilhersteller deutet darauf hin, dass dem nicht so ist. In rund zwei Dritteln der Interviews hieß es zwar, das jeweilige Unternehmen befasse sich mit Risikomanagement in der Supply Chain. Aber in den meisten Fällen geschieht dies nur situativ bedingt oder informell. Der Fokus richtet sich also eher auf Situationen und Umstände, die bereits als kritisch identifiziert sind. Es fehlt in der Regel aber ein proaktiver Ansatz, um Risiken vorausschauend zu vermeiden. Regulierung als Herausforderung Als wichtigste Risikobereiche nannten die gleichen Befragten drei Themenfelder: Das regulatorische Umfeld, also die Komplexität der Anforderungen etwa bezüglich Emissionen, Gesundheitsschutz, Treibstoffarten und -verbrauch sowie länderspezifische Standards. Den Umfang und die Komplexität der Marktverschiebungen und Konsolidierungen im Zuge der Globalisierung. Die Erweiterung des Produkt- Risikoresistente Lieferketten Wie entwickeln Automobilhersteller risikoresistente Lieferketten? Wie kann ein besseres Management von Big Data kombiniert mit einer fortschrittlichen Analytik zur Entwicklung effektiver Methoden führen, die die Lieferkette vor Risiken schützen und diese sozusagen vorausahnen? Dabei gilt es zunächst zu verstehen, warum Autobauer nach wie vor signifikante Betriebsstörungen und unangenehme Überraschungen erleben. Unserer Erfahrung nach spielen dabei drei Faktoren eine Rolle: Es gelingt vielen Unternehmen nicht, die strategische Ausrichtung sowie die Verantwortung für Kontrolle und Überwachung des Risikomanagements der eigenen Lie- Der Autor: Siddharth Patil ist Senior Manager im Bereich Supply Chain & Manufacturing Operations bei Deloitte Consulting LLP in den USA. Leere Bänder: Die Lieferkette ist der Blutkreislauf der Automobilindustrie. Wird die Teileversorgung unterbrochen oder stimmt die Qualität nicht, drohen den Automobilherstellern gewaltige Ausfälle. fehlen häufig das nötige Verständnis und die Erfahrung, um mit komplexen Risikoproblemen umzugehen. Das Risikomanagement ist nur auf das eigene Unternehmen und die wichtigsten Tier-1-Lieferanten konzentriert, findet aber nicht entlang der gesamten Wertschöpfungskette statt. Es fehlt eine übergeordnete Verknüpfung aller involvierten Bereiche beim OEM. Darunter leidet die Fähigkeit der Beteiligten, Risiken schäftsumfeld wahrnehmen und darauf reagieren können. Darüber hinaus kann eine derartige Supply- Chain-Analytik die Autobauer bei der Auswertung immer größer werdender Datenmengen unterstützen. Eingesetzt werden dabei erprobte analytische und mathematische Techniken, einschließlich der Regressionsanalyse, stochastischer Modelle sowie linearer und nicht linearer Optimierung. Nichtstun kann keine Option sein trale oder allein stehende Datenbanken zur Ausnahme werden. Stattdessen wird eine einzige, umfassendere Lieferkette entstehen eine, die besser vernetzt und eher in der Lage ist, Risiken wahrzunehmen, auf sie zu reagieren und sie aktiv zu managen. Die Komplexität der Lieferkette wird auch weiterhin die Risiken für Automobilhersteller und -zulieferer wachsen lassen. Ein Verharren im Status quo kommt für die Automobilhersteller daher nicht infrage. frühzeitig zu erkennen und proaktiv Aber die fortschrittliche Supply- Zahlen unterstreichen eindringlich, zu managen. Zudem fehlen Kommunikationsinstrumente, die nicht nur die wichtigsten Interessengruppen verbinden, sondern auch die relevanten Daten interpretieren können. Projekterfahrungen zeigen, dass ein ganzheitlicher und proaktiver Ansatz erforderlich ist, um entscheidende Schwächen rasch zu lokalisieren. Für die Einordnung der Risiken nach Prioritäten stehen moderne Programme zur Verfügung. Chain-Analytik ist mehr als die Anwendung alter Mathematik auf vorhandene Probleme. Tatsächlich wendet sie neue Technologien und Methoden beim Umgang mit ständig wachsenden Datenmengen an. Eines ist jedoch sicher: Die fortschrittliche Analytik der Lieferkette wird deutlich an Bedeutung gewinnen, da auch die Zahl der Einzel daten und Aufzeichnungen zunimmt. Der Fokus wird sich aber in Zukunft verschieben: Man wird sich weniger auf den inter- wie bedeutsam dieses Thema für den Erfolg der Automobilhersteller ist. Nach unseren Berechnungen verlieren die OEMs zwischen zwei und 2,5 Prozent ihres Umsatzes durch Qualitätskosten und unzufriedene Kunden. Unsere Erfahrungen zeigen, dass Automobilhersteller, die das Risiko über mehrere Ebenen der Lieferkette erfolgreich managen, einen Wettbewerbsvorteil erringen und ihr Wachstum vorantreiben können. Foto: istock.com/purdue

8 Predictive Quality Analytics warnt vor Problemen schon bevor Ausschuss entsteht Qualitätsführerschaft wird für Hersteller unter Kosten- und Image-Aspekten wichtiger steht bei diesem Ansatz typischerweise die Aufnahme und Bewertung des Status quo. Welche Datenbanken stehen in welcher Qualität zur Verfügung? Wie läuft der Prozess des Recall-Managements ab und wie funktioniert der Informationsaustausch? Diese Informationen erlauben ein Urteil darüber, wie ausgereift die bestehenden Rückrufmanagement-Prozesse im Vergleich zu Best Practices in der Industrie sind. Im nächsten Schritt wird ein Analytics-Pilot entwickelt, in dem erste Modelle erstellt und im iterativen Prozess die Analysen verfeinert werden. Methoden und Techniken, die sich dabei bewährt haben, werden dann in der schlussendlichen Analytics-Lösung umgesetzt und operationalisiert. ßig auftretenden Qualitätsproblemen. Ereigniszeitanalysen bestimmen die erwartete Überlebensdauer eines Bauteils. Das System verarbeitet Gewährleistungsdaten und übersetzt diese in Graphen, die Trends und Abweichungen von der fall die effektivsten sind. Die schrittweise Umsetzung in Bewertung, Pilotierung und schließlich Implementierung stellt aber nicht nur sicher, dass die richtigen Analysemethoden Anwendung finden und entsprechend verfeinert werden. von Informationen und Daten fördert. Externe Daten ergänzen interne Daten, werden regelmäßig auf den neuesten Stand gebracht und erlauben damit weiter reichende Einblicke. Foto: Karin & Uwe Annas Fotolia.com Reparaturen besonders an noch jungen Fahrzeugen sind für Kunden unangenehm. Herstellern können Qualitätsprobleme massive Kosten aufbürden. Das Qualitätsmanagement bei Automobilherstellern bewegt sich im herausfordernden Spannungsfeld zwischen Kundenzufriedenheit und Kostenkontrolle. Predictive Quality Analytics erlaubt es, Qualitätsprobleme sehr früh zu entdecken und gegenzusteuern. Innovationen, Variantenvielfalt und zunehmende Produktkomplexität bergen die Gefahr, fehlerhafte Produkte in den Markt zu bringen. Dabei erhöhen Baukastensysteme und produktlinienübergreifende Gleichteile das Gesamtrisiko im Falle eines Rückrufs dramatisch. Gleichzeitig senken unter anderem aggressive Sales-Offensiven die Gewinnmarge, was den Druck auf die Gewährleistungskosten erhöht. Auf der anderen Seite aber steigen Kundenanforderungen und Wettbewerbsdruck. Die Gewinner und Verlierer im Qualitätsrennen sind nicht nur dank bekannter Ratings und Tests durch die Fachpresse schnell herausgefunden auch der Erfahrungsaustausch über soziale Netzwerke beeinflusst zunehmend die Kaufentscheidung beim Kunden. Qualitätsführerschaft ist daher erklärtes Ziel vieler Automobil hersteller die frühzeitige Erkennung potenzieller Qualitätsprobleme spielt dabei eine essenzielle Rolle. Die Rücklaufquote vorhersagen Predictive Quality Analytics bietet hierfür eine Lösung. Ausgereifte Analytics-Systeme verarbeiten große Datenmengen, bieten verschiedene Analysen an und ermöglichen es so, potenzielle Mängel im Voraus aufzudecken und entsprechende Gegenmaßnahmen zu ergreifen. Die Prognose-Modelle sind beispielsweise in der Lage vorherzusagen, mit welcher Wahrscheinlichkeit ein Produkt innerhalb eines gewissen Zeitraums vom Kunden zurückkommt. Sie können auch Aussagen darüber treffen, welchen Einfluss bestimmte Kundendemografika und das damit verbundene typische Nutzungsverhalten auf die Rücklaufquote haben. Abhängig von den Parametern, die in das Modell einfließen, lassen sich sowohl Defekte prognostizieren, die unmittelbar nach dem Kauf auftreten, als auch solche, die innerhalb eines längeren Zeitraums zu einem Gewährleistungsfall führen würden. Analytics-Modelle unterstützen außerdem das frühzeitige Erkennen von Fehlerquellen bei Lieferanten. Mit diesen Analysemöglichkeiten ist der Einsatz von Predictive Quality Analytics insbesondere in der Prototypenentwicklung, der Supply-Chain- Optimierung oder dem Recall-Management sinnvoll. Welch hohe Bedeutung dem Qualitätsmanagement bei Automobilherstellern zukommt, zeigen nicht nur umfassende Rückrufaktionen in jüngster Zeit. Zunehmende Regulierung verschärft die Situation noch zusätzlich, und moderne Kommunikationsmedien sorgen dafür, dass sich Nachrichten über Rückrufe binnen Minuten weltweit verbreiten. Diese Einflussfaktoren erhöhen die Brisanz von Rückrufen. Neben den hohen Kosten, die solche Aktionen verursachen, zahlen Automobilhersteller vor allem auch immateriell einen hohen Preis in Form des Imageschadens, den die Marke dabei erleidet. Vor diesem Hintergrund entscheiden sich führende Automobilhersteller, massiv in ihr Recall-Management zu investieren und hierbei insbesondere auf Analytics- Lösungen zu setzen. Am Anfang Auswertetechniken kombiniert Eine typische Predictive-Quality- Analytics-Plattform ist in mehreren Ebenen aufgebaut. Auf der Datenebene werden diverse Datenquellen konsolidiert und bilden die Basis für Auswertungen. Die Analytics-Ebene ermöglicht verschiedene Auswertungstechniken wie Textanalysen, Ereigniszeitanalysen oder Poisson-Regressionen. Textanalysen verarbeiten unstrukturierte Textdateien und fassen Wörter mit ähnlicher Bedeutung zu Clustern zusammen. Begriffe, die in Bezug auf Fahrzeugfehler wiederholt genannt werden, lassen sich hierdurch schnell identifizieren. Die Textanalyse zeichnet damit ein klares Bild von regelmä- Der Autor: Frank Siemes ist Director Strategy & Operations bei Deloitte mit dem Schwerpunkt Qualitätsmanagement und Vertrieb. Klassische Qualitätskontrolle: Statt Teile auszusortieren, die nicht in Ordnung sind, können Analytics-Methoden dazu beitragen, Fehler erst gar nicht entstehen zu lassen. unter normalen Umständen erwarteten Wie bei der Einführung aller Eskalationsmechanismen sind Überlebensdauer eines Teils aufzeigen. Auch in Poisson-Regressionen werden Daten aus der Gewährleistung verarbeitet. Diese Verarbeitungstechnik zeigt die erwartete Häufigkeit eines Ereignisses innerhalb eines bestimmten Zeitraums auf also beispielsweise wie oft bei einem Teil innerhalb eines Jahres ein Fehler auftreten wird. Eine grafische Darstellung in U-Charts ist leicht lesbar und zeigt kritische Abweichungen. Die Modelle sind also in der Lage, Datenquellen auf breiter Ebene zu integrieren, ermöglichen effizientes Data Mining und nutzerfreundliche neuen Systeme muss auch bei der Implementierung eines Predictive- Quality-Analytics-Systems auf den buy in innerhalb der Organisation geachtet werden. Die Vorteile, die das System bringt, müssen klar kommuniziert werden. Darüber hinaus sollten die Nutzer des Systems Gelegenheit haben, sich mit der Analytics-Plattform anzufreunden. Grundvoraussetzung hierfür ist, dass das System bei Einführung reibungslos funktioniert und die erwarteten Ergebnisse liefert. Dies kann durch eine schrittweise Implementierung und eine Testphase mit dem Analytics-Piloten sichergestellt werden. klar definiert für den Fall, dass die Datenauswertungen potenzielle Qualitätsprobleme aufzeigen. Technologie und Infrastruktur in Form von Hard- und Software unterstützen eine effiziente Datenintegration. Visualisierung von Informationen unterstützt die Ursachen-Identifizierung von potenziellen Qualitätsproblemen. Die Einführung derartiger Predictive-Quality-Analytics-Systeme wird das Recall-Management dramatisch verändern, zu erheblichen Effizienzsteigerungen führen und massive Einsparungen im Bereich der Gewährleistungskosten bewir- Auswertungen, die ken. Einmal aufgedeckt, können sich schließlich auf der Reporting- Die wichtigsten Stellschrauben potenzielle Qualitätsprobleme frühzeitig Ebene in leicht lesbare Berichte für Wesentliche Stellschrauben für unter Kontrolle gebracht den Endnutzer oder Führungskräfte umwandeln lassen. Die genannten Auswertungsmethoden stellen nur Beispiele neben zahlreichen anderen möglichen Techniken dar. Hier bewährt sich die Testphase im Rahmen eines Analytics-Piloten, um zu bestimmen, welche Methoden im Einzel- ein erfolgreiches Predictive-Quality- Analytics-System sind in der Zusammenfassung: Datenverfügbarkeit: Interne Daten werden funktionsübergreifend gesammelt und den Nutzern zugänglich gemacht. Datentransparenz: Es herrscht eine Kultur, die freien Austausch werden. Bereits eine um ein Prozent verringerte Fehlerrate macht sich dabei signifikant in den Gewährleistungskosten bemerkbar zusätzlich zu immateriellen Effekten wie erhöhter Kundenzufriedenheit und einem verbesserten Markenimage. Foto: Comstock 14 15

9 Move faster than the speed of change A new era is emerging that will transform the automotive industry. Stay ahead of everyone else. Neugierig? Mehr zu Innovation auf Deloitte Consulting