customer analytics studien zusammgengefasst

10 Studien zu Customer Analytics und Business Intelligence

Big Data, Kundendaten und Predictive Analytics – die Zukunft des Kundenmanagement gehört der Datenanalyse. Da auch wir von der ec4u seit Oktober mit dem Kauf der Insight Dimensions GmbH unsere Expertise in Sachen Business Intelligence verstärkt haben, möchte ich im Folgenden ein paar handfeste Gründe nennen, welche Mehrwerte die effektive Auswertung bietet und welche Grundlagen dafür notwendig sind.

10 Studien-Ergebnisse zu Data Analytics

Bevor ich Ihnen aufzeige, welche Vorteile der Einsatz von Data Analytics in Ihrem Unternehmen hat und welche Grundlagen dafür notwendig sind, kann Ihnen unser Erklärvideo zum Bereich Customer Analytics eine kurze Einführung in das Thema geben:

Voraussetzungen für den effizienten Einsatz von Daten

Eine der größten Hürden im aktuellen Bereich der Data Analytics ist der Status quo von Daten in Unternehmen. Die zentrale, unternehmensübergreifende Datenbank ist oftmals noch nicht realisiert, stattdessen gibt es sogenannte „Datensilos“, also einzelne Datensammlungen, die innerhalb von Unternehmensbereichen Verwendung finden, jedoch nicht abteilungsübergreifend geteilt werden. Die Probleme, die sich daraus ergeben, sind vielfältig:

  • Daten werden teilweise redundant gesammelt. Dadurch entstehen mehr Kosten in der Aufbewahrung und Verarbeitung.
  • Kunden müssen bei abteilungsübergreifenden Prozessen oftmals mehrfach ihre Daten angeben, da diese nicht weitergegeben werden.
  • Es fehlt teilweise das Wissen um Datensätze, die für Data Analytics eingesetzt werden könnten.
  • Daten sind unstrukturiert und liegen ungenutzt „brach“. Dadurch entstehen einerseits Datenschutzrisiken (wenn personengebundene bzw. sensible Daten nicht entsprechend sicher aufbewahrt werden, weil sie nicht als sensibel identifiziert wurden) und andererseits Mehrkosten (durch die Aufbewahrung).

Verknüpfung von Daten und Prozessen ist Grundlage für Data Analytics

Eine gute Verknüpfung von IT-Prozessen, Analytics und einem guten Management (Execution) sind Voraussetzungen für Customer Analytics, die dem Unternehmen auch Mehrwerte bieten (dabei sind alle drei Bereiche fast gleichbedeutend). (McKinsey, Why customer analytics matter, 2016, PDF)

60% aller Unternehmen halten Datensilos für die größte Hürde, um Kundenerlebnisse (Customer Experience) zu optimieren. (Think with Google, Why customer analytics are the key to creating value, 2016)

Für Banken sind die drei größten genannten Hürden zur effektiven Datenanalyse Datensilos (57%), die Zeit, die für eine Big Data-Analyse gebraucht wird (44%) und der Mangel an Fachpersonal in diesem Bereich (40%). (Capgemini, Big Data Alchemy: How can Banks Maximize the Value of their Customer Data?, 2014, PDF)

Fachpersonal und Strategie unterstützen Analytics-Vorhaben

Auch die richtige Expertise ist notwendig, um die Big Data (Datenmengen, die nicht mehr manuell ausgewertet werden können) so zu nutzen, dass sie tatsächlich einen Mehrwert für das Unternehmen haben.

Unternehmen, die Data Analytics-Aufgaben nur nebenbei als Zusatz zum Tagesgeschäft angehen, haben daher kaum Chancen, sich wirklich als konkurrenzfähig im Customer Data und BI-Geschäft zu positionieren.

Die drei Bereiche der Datenanalyse, die für Unternehmen die höchste Komplexität haben, sind Analyse (44%), Verteilung (42%) und Sammlung (43%). Mit 30% ist die Datenaufbewahrung weniger aufwändig für Unternehmen. (Janrain, Unlock the Promise of Customer Data, 2014, PDF)

Eine Business Intelligence- und Analytics-Strategie sorgt dafür, dass Angestellte bis zu 69% mehr Umsatz machen und kann bis zu 20% an Investitionskosten in BI-Anwendungen sparen. (SAP, Benefits of a Business Intelligence and Analytics Strategy, 2012, PDF)

Vorteile der professionellen Datenauswertung

Big Data, Customer Analytics, Predictive Analytics – wer mit einer gut organisierten Datensammlung, Expertise und einer klaren Strategie Kunden- und Unternehmensdaten misst und auswertet, hat erhebliche Vorteile gegenüber der Konkurrenz. Daten können Hinweise auf Kundenverhalten, -profile, Markttendenzen und Problempunkte von Abläufen und Unternehmensbereichen geben. So können sie nicht nur dafür verwendet werden, bestehende Prozesse zu optimieren, sondern eröffnen auch neue Geschäftsbereiche.

Unternehmen, deren Analytics-Kompetenzen weiterentwickelt sind, können Entscheidungen fünf Mal schneller fällen als die Konkurrenz, setzen Entscheidungen geradliniger um und sind mit höherer Wahrscheinlichkeit im oberen Viertel der umsatzstärksten Unternehmen in ihrer Branche. (Bain & Company, Big Data: The organizational challenge, 2013, PDF)

Unternehmen, die Performance Management-Tools verwenden, konnten ihren ROE (Return on equity, zu dt. „Rückzahlung von Eigenkapital“) verdoppeln. (AT Kearney, Better Decision Making with Proper Business Intelligence, 2011, PDF)

Kundenmanagement mit Datenanalyse effizienter gestalten

Besonders Customer Analytics, also die Auswertung und Nutzung von Kundendaten, kann Unternehmen dabei helfen, Kunden individueller und persönlicher anzusprechen und Kundenprozesse so zu gestalten, dass die Kundenerlebnisse positiver verlaufen. Gerade im Wettbewerb um die Aufmerksamkeit des Kunden im Informationszeitalter heben sich die Unternehmen vom Durchschnitt ab, die wissen, was Kunden wollen (und zwar wann und auf welchen Kanälen).

Unternehmen, die vermehrt Erkenntnisse aus Customer Analytics einsetzen, haben mehr als doppelt so gute Ergebnisse für Umsatz, Vertrieb, Wachstum und ROI (Return on Investment). (McKinsey, Using customer analytics to boost corporate performance, 2013, PDF)

Personalisierte Strategien beeinflussen Aufmerksamkeit und Akquise von Kunden bis zu 70%. (Janrain, Unlock the Promise of Customer Data, 2014, PDF)

Eine führende europäische Bank konnte durch erweiterte Analysen die Konversion von Leads um das Siebenfache steigern. (Capgemini, Big Data Alchemy: How can Banks Maximize the Value of their Customer Data?, 2014, PDF)

3 Lesetipps für Ihre Analytics-Pläne:

In unserem Blogbeitrag „3 Möglichkeiten der Big Data-Analyse“ erläutert Alexander Beck, mit welchen Methoden man welche Erkenntnisse aus seinen Daten gewinnen kann. Erklärt werden hier auch die Begriffe „Descriptive (beschreibend)“, „Predictive (voraussagend)“ und „Prescriptive (vorschreibend)“ im Rahmen von Data Analytics.

Mit unserem Whitepaper „Einführung zur Customer Journey“ erhalten sie das, was der Titel verspricht: eine Begriffserklärung, Anwendungsbereiche und Beispiele, wie Kundendaten eingesetzt werden können, um Konversionen und Umsätze zu steigern und gleichzeitig das Kundenerlebnis persönlicher zu gestalten.

Und zu guter Letzt möchte ich Ihnen noch einen Blick in die Zukunft mitgeben: unser Blogbeitrag „Uplift Modeling“ zeigt eindrucksvoll, wie Customer Analytics eingesetzt werden können, um nur die Kunden anzusprechen, die auch wirklich durch eine Mail, einen Anruf oder einen Brief von ihrem Angebot überzeugt werden können.

 

0 Kommentare

Dein Kommentar

Want to join the discussion?
Feel free to contribute!

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.