Endscheider, Budgetverantwortlichen und Führungskräften wird seit Jahren vermittelt, dass „Advanced Analytics“ bessere Antworten auf fast alle Fragen im geschäftlichen Alltag liefern. Trotz des einfachen Zuganges schöpfen im Einzelhandel nur wenige Unternehmen alle Chancen der Digitalisierung in der Analyse aus. Gerade wegen der aktuellen Situation in unseren urbanen Ökosystemen fragt man sich unweigerlich, warum das so ist. Das Bedürfnis nach validen Antworten muss doch aktuell viel größer wiegen, als jede nötige Anstrengung, Advanced Analytics einsetzen zu wollen und zu implementieren.
Amazon, Walmart und einige weitere führende Einzelhändler an der Spitze der Datenpyramide nutzen historische, dynamische und sogar Live-Daten, um viele wichtige Entscheidungen auf der Grundlage der sich ständig veränderten Kundenbedürfnisse zu treffen. Wohingegen die Konkurrenz immer noch sehr einfache Tools nutzt, die lediglich in der Lage sind, die Vergangenheit aufzuzeigen, statt die Zukunft zu prognostizieren.
Die realen Folgen für die Branche sind bereits heute spürbar: die 25 leistungsstärksten Einzelhändler – von denen die meisten digitale Pioniere sind – waren während der Pandemie rund 83 % profitabler als die Nachzügler. Sie nahmen mehr als 90 % der Marktkapitalisierungsgewinne des Sektors mit nach Hause (Quelle: McKinsey). Man schätzt, dass alleine im LEH - eine Branche mit sehr niedrigen Margen - der Einsatz von smarten Analysen die Einnahmen um bis zu 2 % steigern würde. Definitiv ein möglicher Geldsegen für ein sehr schwieriges und komplexes Geschäft.
Natürlich, alles keine Neuigkeiten. Aber selbst Führungskräfte aus den Unternehmen, die sich nur langsam den neuen Gegebenheiten anpassen, müssen sich ab einer bestimmten Ebene bewusst sein, dass sie hier viel Geld auf der Straße liegen lassen. Trotz dem Verständnis für all seine Vorteile und dem Bewusstsein, dass ihre Konkurrenten in den letzten Jahren schnell profitiert haben, dass Startups oder Innovatoren immer fortschrittlichere Analytics-Lösungen entwickeln, scheinen die meisten Nachzügler die Führenden in absehbarer Zeit nicht einholen zu können.
Unter den Kunden von WHATALOCATION finden sich eine Vielzahl unterschiedlicher Nutzer. Von Expansion Manager, Finanzexperten, Immobilienmakler oder Shopping Center Betreibern. Alle weisen eine unterschiedliche Analytics-Reife auf und nutzen unsere Analysen für die unterschiedlichsten Use Cases. In unserem Netzwerk befinden sich auch Unternehmen, die sich gegen eine Zusammenarbeit mit WHATALOCATION entschieden haben, obwohl unsere Analysen sofort einen wirtschaftlichen Impact gehabt hätten. Diese sechs Faktoren spielten eine tragende Rolle, warum Unternehmen sich aktuell gegen Advanced Analytics entscheiden:
Unternehmen
Viele Unternehmen haben die Herausforderung das Gleichgewicht zwischen Zentralisierung und Dezentralisierung aufrechtzuerhalten. Zentralisierung für Effizienz, Skalierung und Konsistenz; und Dezentralisierung für mehr Flexibilität, eine bessere Anpassungsfähigkeit an lokale Gegebenheiten und für die Empfänglichkeit für kreative Ideen Probleme zu lösen.
Prozesse
Unternehmen verfügen nicht über unbegrenzte Ressourcen, um ihre Ziele zu erreichen. Einige unserer Gesprächspartner stellten fest, dass ihre Analyseprojekte intern oft zu viel Zeit in der Vorbereitung brauchen und so oft der Zeitpunkt des Impacts überschritten wird. Mit anderen Worten: Kommt das Ergebnis ist es schon zu spät, weil sich der Markt viel schneller weiterentwickelt hat. Hier bedarf es bessere Prozesse mit eindeutigen Verantwortlichkeiten für das Gesamtziel.
Einzellösungen
Viele Unternehmen haben sich in der Vergangenheit ein Sammelsurium an Legacy-Systemen zugelegt. Sie nutzen teilweise drei oder vier unterschiedliche Lösungen, die aber nur einen Use Case bedienen. Leider sind diese Unternehmen nicht in der Lage, mit dem exponentiellen Wachstum der verfügbaren Daten Schritt zu halten. Diskrepanzen zwischen der Ausgereiftheit der Daten und der Ausgereiftheit der Tools sind ebenfalls üblich.
Mindset
Einige Unternehmen leiden unter einer Risikoaversion und haben keine klaren Ziele für ein Analytics-Projekt. Oft wird in Frage gestellt, ob Daten überhaupt wichtig sind. Selbst wenn die Antwort ja lautet, wussten einige Ansprechpartner nicht warum. Andere entwickelten eine fast schon herablassende Sicht auf Advanced Analytics und betrachten diesen Prozess eher als Kunst, statt als Wissenschaft. Hier braucht es gerade in Deutschland einen Wandel im Mindset.
Daten, Daten und ja, Daten
Daten - das größte Problem. Nahezu jedes Unternehmen, das an fortgeschrittenen Analysen scheitert, wird oft mit einer schlechten Datenqualität und Datenmanagement konfrontiert. Jene Unternehmen verwalten Daten an unterschiedlichen Orten oder denken ausschließlich in Datensilos. Einige Unternehmen sammeln nicht einmal die Daten, die sie benötigen. „Es gibt vielleicht irgendwo Daten über unsere Kunden aus dem Kundenbindungsprogram“, sagte eine Führungskraft. „[Wir] haben zwar eine Kunden-App, allerdings interessieren wir uns nicht für die Informationen über ihre Käufe oder welche Demographie unsere Kundschaft überhaupt hat.“
Ja, die meisten Mitarbeiter in schwächelnden Unternehmen sind hoch unzufrieden mit ihrer aktuellen Situation und hoffen, dass sie etwas bewegen können. Sie wollen Daten in der Cloud speichern, ein besseres Monitoring und mehr Kapital in bessere Technologie investieren, sodass das Kundenerlebnis nachhaltig verbessert wird. Sie wünschen sich Unterstützung bei der Entscheidungsfindung auf der Mikro-Ebene, Filiale für Filiale. Doch dafür müsste erst oft sehr aufwendig intern „aufgeräumt werden“.
Einige hatten uns mitgeteilt, dass sie sich mehr Hilfe bei Modellierung und Lösungsstrategien wünschen. Sie wünschen sich auch Hilfe bei der Integration von nicht traditionellen Daten, wie z. B. Mobilitäts- und demografische Daten, Daten über das Wetter, Kundenaktivitäten in der Filiale, Clickstreams, Social-Media-Aktivitäten oder Online-Suchtrends. Aber Achtung: es reicht eben nicht aus, die Daten zu erhalten. Sie brauchen auch die Tools, um diese Daten in umsetzbares Wissen umzuwandeln.
Menschen
Was wir in unseren Discovery-Meetings beobachten ist, dass die Analyse oft von Leuten betrieben wird, die das Geschäft nicht wirklich verstehen. Mittelständische Unternehmen sehen sich mit einem kritischen Mangel an Mitarbeitern mit den richtigen Fähigkeiten für die Entwicklung und Verwendung von Analysetools konfrontiert. Was diese Unternehmen am dringendsten benötigen, sind Mitarbeiter, die funktionale Lücken schließen können – also Mitarbeiter die als Übersetzer zwischen Analytics und dem Geschäft fungieren. Bisher haben wir eine solche Person nur ein einziges Mal in einem Fashion-Unternehmen angetroffen. Im Markt werden Tausende Datenwissenschaftler benötigt, aber jedes Jahr kommen nur wenige Hundert auf den Markt. Derzeit listet LinkedIn mehr als 8.000 Stellenangebote für Business Analytics in Deutschland, fast 43.000 in ganz Europa und mehr als 94.000 in den Vereinigten Staaten auf.
Machen Sie zunächst eine Bestandsaufnahme, wo das Unternehmen steht:
Was sind die wichtigen Entscheidungen, die Sie treffen und wie fortgeschritten ist die Analytik, mit der sie erstellt werden? Sind Sie so organisiert, dass einzelne Einheiten beim Einsatz von Analytics experimentieren und innovativ sein können, während Sie gleichzeitig aus diesen Erfahrungen lernen? Ist Ihre Unternehmenskultur bereit, einen evidenzbasierten Ansatz zur Entscheidungsfindung zu übernehmen? Verfügen wir über eine Systeminfrastruktur zum Sammeln, Speichern, Organisieren, Zugreifen und Verarbeiten aller Informationen, die für Analysen erforderlich sind? Haben Sie Mitarbeiter mit Fähigkeiten, die hin und her übersetzen können – beispielsweise von Geschäftsproblemen zu Analyseproblemen und dann von Analyseergebnissen zu Geschäftsempfehlungen?
Fragen Sie zusätzlich, welche Prozesse durch bessere Analysen unter Verwendung vorhandener Daten verbessert werden können: Wie können Sie die zur Analyse benötigten Daten verbessern? Wie können Sie Daten zukunftsorientierter und fortschrittlicher machen? Sobald diese erste Bewertung abgeschlossen ist, beginnt der eigentliche Weg. Und dieser Weg beinhaltet strategische Investitionen und eine organisatorische Neugestaltung.
Führende Unternehmen im Einzelhandel tätigten bereits vor Jahren erhebliche Investitionen in ihre Infrastruktur für Daten und Analyse. Sie haben sich strategisch gegen Legacy-Systeme und für die Transformation zu Cloud-basierten Systemen entschieden. Dieser Move löst die zentrale Herausforderung, die bei der Aktualisierung von Legacy-Systemen besteht: die Integration des Neuen und des Alten. Mitarbeiter sind genervt von unfähigen Schnittstellen, die sich nicht mit bestehenden Systemen verbinden können. Cloud-basierte Systeme umgehen solche Herausforderungen und werden skalierbar konzipiert. Sie wachsen mit den Notwendigkeiten von Big Data und Co..
Genauso wichtig wie die zentrale Speicherung ist auch die Datenqualität. Eine der identifizierten Herausforderungen ist die Isolation von vorhandenen Daten. Datensilos machen es Mitarbeitern extrem schwer unternehmensweite Daten in die Entscheidungsfindung einzubeziehen. Entscheidungen, die einen Impact in der Zukunft provozieren, beinhalten das Übertreten von Organisations- und Abteilungsgrenzen (z. B. Expansion und Marketing oder von Finance zum C-Level). Das bedingungslose Aufbrechen von Datensilos, damit beispielsweise Marketingteams operative Faktoren wie Expansionsvorhaben in Vorlaufzeiten einbeziehen können, kann die Unternehmensleistung nur verbessern.
Am wichtigsten erachten wir aber ein strategisches Investment in Talente sowie in eine Pipeline solcher Schlüsselfiguren. Arbeiten Sie mit Universitäten zusammen, die Data-Science-Studiengänge anbieten. Studenten dieser Einrichtungen suchen ständig an realen Projekten an denen sie arbeiten können. Zwei Fliegen mit einer Klappe: Studenten erwerben praktisches Wissen über ein Business und können die Kommunikation analytischer Lösungen an Abteilungsleiter üben. Auf der anderen Seite lernt das Unternehmen die neuesten Tools kennen und eine reale Vorschau auf einige der Talente für zukünftige Einstellungsmöglichkeiten. Denken Sie über Schulungsprogramme nach. Maßgeschneiderte Inhouse-Programme können dem C-Level einige der Grundlagen der Analytik beibringen und/oder Personen in rein analytischen Rollen Kenntnisse über die Geschäftsdomäne vermitteln.
„Think big, start small, and scale fast“ - Marktführer im Einzelhandel haben ein zeitgemäßes Mindset und eine Unternehmenskultur, die das Experimentieren wortwörtlich feiert. Genau wie WHATALOCATION betrachten solche Unternehmen Daten als ihre DNA oder gar als ein lebenswichtiges Element. Das Gestalten einer modernen Unternehmenskultur ist keine leichte Aufgabe, aber wir glauben, dass mit einer Neuformulierung der Unternehmenswerte in Bezug auf Analytics ein erster guter Schritt gemacht werden kann.
Führungskräfte können eine interne Kampagne anführen, in der betont wird, dass Analysen Entscheidungsträger stärken und nicht ersetzen sollen. Mitarbeiter sollten dafür belohnt werden, dass sie die Vorhersagen und Handlungsempfehlungen auch verstehen, die von Analysetools generiert werden, anstatt einfach nur die Empfehlungen auszuführen und die Einhaltung zu belohnen. Es muss das erste Ziel werden, dass die datengetriebene Entscheidungsfindung zu einem der wichtigsten Eckpfeiler der Unternehmenskultur wird.
Erfolgreiche Unternehmen haben diese experimentelle Kultur durch ein erfolgreiches Organisationsdesign ergänzt. Sie nutzten eine Hub-and-Spoke-Struktur, in der ein Teil des Fachwissens in bestimmte Geschäftsprozesse eingebettet wird und ein Teil in einem Exzellenzzentrum für Analysen angesiedelt ist. Ein Exzellenzzentrum kann denjenigen, die an der Analytik arbeiten, eine Community bieten, die Aufsicht erleichtern, den Wissensaustausch fördern und Ressourcen bündeln. Natürlich sollten einige Mitglieder jener Teams auch im operativen Bereich tätig sein. So vermeidet das Unternehmen die Risiken, die bestehen, wenn das Kompetenzzentrum isoliert arbeitet. Insbesondere das Risiko, dass Teams an Problemen arbeiten, die eher technisch ansprechend als praktisch relevant sind.
Technologische (R)evolutionen erfolgen in der Regel in zwei sich überschneidenden Phasen: das Anschaffen von Werkzeugen, gefolgt vom Erwerb des Know-Hows, um mit den Werkzeugen auch umzugehen. Allerdings können diese zwei Phasen, die Entwicklung des Know-hows zur Nutzung der neuen Tools auch häufig die Akzeptanz verlangsamen. Zu Beginn von Alexander Graham Bells Karriere gab es nicht viele Telefonisten. In dieser Hinsicht ist die Data-Analytics-Revolution nicht anders. Was anders ist, ist die Geschwindigkeit, mit der diese neuen Tools entwickelt werden. Im Zeitalter des Überflusses an Daten sind diejenigen, die zuerst agieren, um von ihren Erkenntnissen zu profitieren, mit Sicherheit in einen massiven betrieblichen Vorteil gegenüber ihren Konkurrenten.
