Dass mein CRM System mittels Customer Analytics nun noch effizienter bei einer kundenzentrierten Customer Journey unterstützen kann, klingt vielversprechend. Dank Predictive Analytics weiß ich stets an welchen Touchpoints mein Kunde, welche Informationen für seine Kaufentscheidung benötigt – klasse! Nun muss ich nur noch die bekannten Kundendaten zur Verfügung stellen.
Das Sammeln, Bereinigen und Aufbereiten der Daten wird schnell zum Showstopper bevor die Reise beginnt. Häufig sind die Daten – also die Grundlage für gutes Analytics – über Ihre Kunden in verschiedenen, meist heterogenen Quellen. Nicht alle Quellen haben dieselben Qualitätsstandards und nicht alle werden regelmäßig aktualisiert, gepflegt und stehen anderen Abteilungen für Ihre Arbeit zur Verfügung. Anders formuliert: die Daten werden redundant, isoliert voneinander und in fragwürdiger Qualität irgendwo gespeichert.
Datenquellen bereinigen und konsolidieren
Die Daten lagen in diesem Fall nur als Flatfile Extrakte diverser Quellen vor. Das Analytics Pilotprojekt hatte zum Ziel diese heterogenen Daten zu validieren, zu bereinigen und in ein standardisiertes Schemata zu übertragen. Bei ausreichender Datenqualität wollten wir gemeinsam weitere Insights mittels deskriptiver und statistischer Methoden erarbeiten.
Die Flatfile Extrakte waren auch für einen Regelbetrieb vorgesehen und ermöglichten ein weitgehend agiles, unabhängiges Vorgehen von Vorsystemen und Datenquellen. Zur Validierung und Bereinigung der Daten programmierten wir „typische ETL Strecken“ individuell mit Python (und Erweiterungen, wie Panda und NymPy). Neben Bereinigungen von fehlerhaften Dateneingaben, wurden Mechanismen zur Datenvalidierung (z.B. Vollständigkeit der Adresse, mehrfach angelegte Kunden, und Ähnliches) erarbeitet.
Auf diesen Art bereinigten wir die Flatfiles aller Datenquellen und überführten die Daten in ein standardisiertes SQL Schemata. Die Datenhaltung in einer klassischen SQL Datenbank brachte mehrere Vorteile mit sich. Alles und jeder kann irgendwie mit SQL, d.h. egal ob Standard-Reporting bedient werden soll oder mittels advanced Analytics neue Insights zu erforschen waren, SQL ist eine solide Technik. Die Daten erhielten eine Zeitachse, d.h. die heterogen Datenquellen konnten erstmalig relativ unkompliziert in einem gemeinsamen Kontext interpretiert werden.
Datenanalyse und Reporting agil entwickelt
Zur Analyse der Daten zogen wir statistische und deskriptive Methoden heran. So konnte der Kunde erstmals ohne großen, manuellen Aufwand Kundensegmente anhand von Umsätzen betrachten und die Top 10 Produkte saisonal oder regional analysieren. Mit dem bisherigen Analysen auf Basis von Excel waren derartige Reportings aufwändig und im Umfang limitiert.
Bereits im Pilotprojekt wollten wir echten Mehrwert schaffen. Deshalb sammelten und priorisierten wir die Analysen (z.B.: Top 10 Produkte pro Region) nach Aufwand und Nutzen. Im Verlauf der ersten Umsetzungen bekam der Kunde und wir ein besseres Gefühl für die Daten und welche Insights im Tagesgeschäft tatsächlich nützlich waren. Durch die engen Abstimmungen mit dem interdisziplinärem Team konnten einzelne Prototypen effizient und schnell weiterentwickelt werden, bis die Analysen schließlich in einen Regelbetrieb übernommen wurden.
Gemeinsame Ziele schaffen gemeinsame Werte
Ein Big Design up front wäre in diesem Fall gar nicht möglich gewesen und hätte vermutlich nicht den vollen Analytics Nutzen geschaffen. Zu Beginn konnte niemand die Qualität der Daten einschätzen. Die Anforderungen veränderten und entwickelten sich erst im Laufe des Projektes, worauf in Festpreis-Projekten üblicherweise mit Change Requests reagiert wird und müssigen Diskussionen über Budgets zu führen sind. Hier entschieden sich alle Beteiligten von vornherein zu einem vertrauensvollem und integriertem Umgang. Das Ergebnis überzeugt. Gemeinsam konnten wir den Aufwand für das bisherige Reporting drastisch reduzieren. Bisher ungenutzt Daten schaffen heute zusätzliche Insights für das Tagesgeschäft. Das verbesserte die Planung und Steuerung des Geschäfts auf mehreren Ebenen. Und das Beste – wir konnten gemeinsam die Grundlage für eine vertrauensvolle Geschäftsbeziehung aufbauen.
Sie suchen Unterstützung für Ihr IBM Planning Analytics TM1 Projekt?