Wie soll mit Daten umgegangen werden und wie kann man daraus Werte schaffen? Auf mittel- bis langfristige Sicht ist die Beantwortung dieser Fragestellung für viele Unternehmen als existenziell und erfolgskritisch anzusehen. Prof. Dr. Michael Feindt gab einen Einblick, wie insbesondere der Vertrieb von Predictive Analytics-Methoden profitiert.

Bedeutung von Big Data-Lösungen für Unternehmen

In allen Unternehmen jeglicher Größe und Branche hat der Umfang an Daten, deren Vielfältigkeit und Frequenz enorm zugenommen. Dies ist vor allem im Vertrieb, das heißt an der Schnittstelle zum Kunden, zu erkennen: Schnellere Daten- und Speichertechnologien, veränderte Informationsbedürfnisse von Kunden unter anderem in Richtung Real-Time-Information, Digitalisierung und der erhöhte Wettbewerb um Kunden. Diese Entwicklungen werden auch in Zukunft weiter anhalten und alle Marktteilnehmer vor große Herausforderungen stellen. Gleichzeitig bieten diese Trends auch erhebliche Erfolgspotenziale für Unternehmen, die den optimalen Umgang mit einer Vielzahl von strukturierten und unstrukturierten Daten erlernen und daraus Werte schaffen. Das Marktforschungsunternehmen Gartner prognostiziert ein Markwachstum für Big Data-Lösungen auf 48 Mrd. $ für das Jahr 2017. Ausgehend von der Marktbedeutung im Jahr 2012 entspricht dies einem jährlichen Marktwachstum von 34 %. Allein daran lässt sich erahnen, dass für Unternehmen derzeit und zukünftig ein großer Handlungsbedarf besteht, durch Prognose und Entscheidungsautomatisierung Werte aus großen Datenmengen zu generieren.

Die bereits mit mehreren Innovationspreisen prämierte Blue Yonder GmbH hat sich diesem Zukunftsfeld verschrieben und bietet datengetriebene Prognosetechnologien und -algorithmen für Unternehmen an. Der verwendete und ursprünglich aus der Elementarteilchenphysik stammende NeuroBayes®-Algorithmus basiert auf einem künstlichen neuronalen Netzwerk. Mit ihm erstellt das Unternehmen Prognosen mit einem sehr hohen Automatisierungsgrad auf Basis von Wahrscheinlichkeitsverteilungen. Der Algorithmus nutzt möglichst viele Informationen aus strukturierten und unstrukturierten Daten. Daraus lassen sich Prognosen für jeden beliebigen Einzelfall mit einer hohen Eintrittswahrscheinlichkeit treffen. Dabei handelt es sich um ein selbstlernendes System. Das heißt, dass durch permanent hinzukommende aktuelle Daten die Prognosegenauigkeit laufend erhöht wird. Die Technologie erfordert einen Zugriff auf die firmeneigenen Daten und erlaubt zusätzlich die Anbindung externer Datenquellen. Die Lösungen von Blue Yonder stehen als Software-as-a-Service zur Verfügung, die bereits von einer Vielzahl gewerblicher Kunden verwendet wird.

Sich ausschließende Ziele gleichzeitig erreichen

Durch Predictive-Analytics-Methoden wird es zukünftig möglich sein, bis zu 99 % aller operativen Entscheidungen in Unternehmen automatisiert auf Basis mathematisch optimaler Entscheidungen zu treffen. Auch wenn dies derzeit noch nicht umsetzbar ist, sind die Erfolge von auf Algorithmen basierten Analyse- und Entscheidungsmethoden bereits heute beeindruckend und wurden anhand von vier Beispielen aus dem Vertrieb aufgezeigt:

  • Die Otto-Group erreichte mit Hilfe von individualisierten Prognosen für die Absatzplanung eine Prognoseverbesserung um 40 %. Damit einhergehend wurden die sich gegenseitig konkurrierenden Ziele der ständigen Lieferbereitschaft und der Reduzierung von Restbeständen realisiert.
  • Durch die Möglichkeit, Kausalitäten zwischen Aktionen und Absatz zu prognostizieren, erreichen Prognosen im Database-Marketing eine völlig neue Güte. Für einen Cash & Carry-Markt konnte unter anderem die Kundenaktivität um 2,8 % erhöht werden, während gleichzeitig das Werbebudget um 36 % gesenkt wurde (s. Abb. 1).
  • Auch für das Pipeline-Management lassen sich durch den Predictive-Analytics-Algorithmus zum Beispiel Quartalsumsätze wesentlich robuster prognostizieren als in vielen CRM-Systemen. Dies liegt unter anderem daran, dass Ausreißer besser erkannt und korrigiert werden.
  • Mittels „Dynamic Pricing“ lässt sich auch Absatz, Umsatz und Rohgewinn steigern. Anhand eines Beispieles aus dem Einzelhandel stellte Prof. Dr. Michael Feindt ausgehend von der Preis-Absatz-Funktion vor, wie die optimalen Preise berechnet und sofern gewünscht, durch Preis-Regeln wie zum Beispiel Wettbewerbspreise oder min/max-Preise angepasst werden. Die Auswirkungen der unterschiedlichen Preise auf KPIs oder Bestände können zusätzlich durch Dynamic Pricing simuliert werden. Dadurch lassen sich in Verbindung mit Bestandsprognosen Preisänderungen ermitteln, um Bestände zum besten Preis zu vermarkten (s. Abb. 2).

An den aufgezeigten Beispielen wird das beeindruckende Potenzial von Predictive-Analytics-Lösungen für den Vertrieb deutlich. Es bleibt festzuhalten, dass diese Technologie auch für andere betriebswirtschaftliche Anwendungen Potenziale bietet, sofern viele volatile und dynamische Daten zur Verfügung stehen. Beispiele hierfür sind Bewegungen von Handelsartikeln oder Lagermaterialen.

Hier geht's zur Bilderserie "Im Vertrieb aus Daten Werte schaffen"

Schlagworte zum Thema:  Vertriebsmanagement, Big Data, Controlling