Laut der aktuellen Studie "Big Data Analytics - Auf dem Weg zur datengetriebenen Wirtschaft" des Barc-Institutes aus dem Jahre 2014 erhoffen sich viele Unternehmen zunächst eine Verbesserung von Geschäftsprozessen und Verringerung von Prozesskosten durch die Implementierung von schnelleren Data Analytics Anwendungen. Im Fokus stehen hierbei einerseits die Anwendung von schnellen Analysemöglichkeiten durch Dashboards und die Visualisierung von Daten. Anderseits ist aber auch der Wunsch nach dem Einsatz von Prognose-Modellen ("Predictive Analytics") besonders stark - etwa zur Vorhersage von Kündigern oder zur Berechnung von Produktkaufwahrscheinlichkeiten.

Insbesondere in diesem Bereich der Prognose-Modelle sehen Unternehmen Potenziale für die Senkung von Prozesskosten und die Verbesserung von Geschäftsprozessen. Als Hindernis wird aber unter anderem das Fehlen von fachlichem und technischem Know-how kritisch gesehen. Auch die konkrete Einbindung von Analytics Ansätzen in die betrieblichen Prozesse stellt häufig ein Hemmnis für die Nutzung von Big Data / Predictive Analytics-Ansätzen dar.

Mit der strategischen Zielplanung fängt alles an

Die Bewertung von Customer Analytics sollte immer die strategischen Ziele im Unternehmen, und daraus abgeleitet, die Ziele im Marketing und Customer Relations Management als Startpunkt nehmen. Dies beginnt mit den allgemeinen Geschäftszielen, die sich ein Unternehmen gesetzt hat - wie Steigerung des Umsatzes, Senkung von Betriebskosten und Einführung neuer Produkte. Die daraus abgeleiteten Ziele für Marketing- beziehungsweise CRM-Abteilungen oder Data Mining-Teams sind dann ein zentraler Ausgangspunkt für die Bewertung und die weitere Nutzung von Customer Analytics Modellen.

Ziele für CRM- oder Data Mining-Abteilungen können zum Beispiel die Entwicklung von Kundensegmentierungs-Modellen zur effizienteren Zielgruppenansprache oder die Erhöhung von Responsequoten von Direktmarketing-Maßnahmen sein (sh. Abbildung 1).

Im nächsten Schritt wird dann ermittelt, welche Analytics-Ansätze zu welchen Zwecken bereits im Unternehmen eingesetzt werden und wie erfolgreich diese umgesetzt werden oder ob noch Verbesserungsansätze bestehen.

Am Anfang einer solchen Bestandsaufnahme und Bewertung steht immer eine Analyse des Datenmanagements. Hierbei werden vorhandene Daten auf ihre Qualität überprüft (Befüllungsgrade oder Aktualität) sowie die Vollständigkeit von Daten in den Bereichen wie Kaufdaten, soziodemographische Daten, Daten zur Kanalnutzung, Responseverhalten auf Marketingaktionen oder mikrogeographische Daten ermittelt.

Weiterhin stehen dann die eigentlichen Analytics Ansätze wie Kundenstrukturanalysen, Kundenwert-Modelle (ABC-Analysen oder weiter entwickelte Kundenmodelle) an. Darüber hinaus zählt aber auch die Ermittlung von Ansatzpunkten für mögliche Verbesserungen zu dieser Ist-Analyse. Auf Basis dieser Bestandsaufnahme kann der Reifegrad einzelner Ansätze sowie der Gesamtreifegrad im Bereich Customer Analytics ermittelt werden. Dieser lässt sich in folgende Stufen einteilen:

Analytics Reifegrade:

1. Keine Anwendung von (Ad-hoc-)Kundenanalysen

2. Unregelmäßige Ad-hoc-Analysen / Kunden-Analysen mit einfachen Analytics-Ansätzen (einfache Kunden ABC-Analysen)

3. Regelmäßige Kundenanalysen mit einfachen Analytics-Ansätzen

4. Regelmäßige Kundenanalysen mit teilweise komplexen Analytics-Modellen (Scoring-Modelle, Kundenwertprognose-Modelle)

5. Kontinuierliche Analysen mit komplexen Modellen

Um den Reifegrad der Customer Analytics-Ansätze in einem Unternehmen zu ermitteln, hat es sich bewährt, die beteiligten Abteilungen in die Bewertung mit einzubeziehen. Im Rahmen von Workshops und Interviews kann so eine valide Bestandsaufnahme der Customer Analytics-Aktivitäten abgebildet werden. Daran anknüpfend können dann die Zielperspektiven - im Rahmen dieser Workshops und Interviews - ermittelt und konsolidiert werden. Die Ergebnisse der Ist-Aufnahme und der Soll-Perspektive können dann in einem Netzwerkdiagramm zur Soll- und Ist-Situation anschaulich dargestellt werden.