Goldgräberstimmung in der Datenmine Business Intelligence wird zum Geschäftsmodell für IT-Systemhäuser

Redakteur: Dr. Stefan Riedl

Früher war im IT-Fachhandel und bei Systemhäusern mit »Hardwareschieben« gutes Geld verdient. Heute ist klar: Nur wer Know-how verkauft, arbeitet langfristig lukrativ. Eine besonders profitable Aufgabe zeichnet sich derzeit im Mittelstand ab: Brach liegende Unternehmensdaten auswerten. Damit können IT-Dienstleister ihr Portfolio um attraktive Services erweitern.

Firmen zum Thema

SPSS-Chef Michael Mors weiß, dass mittelständische Unternehmen »Rundum-Sprglos-Partner« für Ihre Daten suchen.
SPSS-Chef Michael Mors weiß, dass mittelständische Unternehmen »Rundum-Sprglos-Partner« für Ihre Daten suchen.
( Archiv: Vogel Business Media )

Unter dem Schlagwort »Data Warehousing« fließen in immer mehr Unternehmen Daten aus immer ergiebigeren internen und externen Quellen in zentralen Sammelstellen zusammen. Diese Datenflut kurbelt seit geraumer Zeit das Lösungsgeschäft rund um Storage und Datacenter an. Mit der Menge an Daten, steigt aber auch deren Analysebedarf.

Althergebrachte Analysemodelle wie Kennzahlensysteme, Break-Even- und ABC-Analysen reichen nicht mehr aus, um das volle Potenzial aus diesen Datenbeständen zu schöpfen. Die große Stunde von Business Intelligence (BI) hat geschlagen; und zwar nicht nur in der Konzernwelt, sondern dank steigendem Wettbewerbsdruck auch im Mittelstand. Dort entwickeln sich die berühmt-berüchtigten Excel-Sheets zur Auswertung von Unternehmensdaten langsam aber sicher zu einem Anachronismus.

Bildergalerie

Allerdings wendet sich der Mittelständler aus dem örtlichen Gewerbegebiet in der Regel nicht an die großen Unternehmensberatungen wie Accenture oder McKinsey. Vor diesem Hintergrund steigen viele kleinere IT-Dienstleister oder Systemhäuser in das Geschäft mit Business Intelligence ein – in Form von Lösungsvertrieb oder bezahlten Services. Ein ganz besonders boomender Teilbereich ist hierbei das Data Mining (eingedeutscht oft Datenschürfung genannt), bei dem softwaregestützt mit speziellen Algorithmen Muster in den Daten gefunden und dann gewinnbringend genutzt werden.

Hypothesen und Prophezeiungen

Bei dieser Datenbank-nahen Arbeit belegen statistisch greifbare Muster im Datenbestand entweder bereits aufgestellte Hypothesen (»Online-Werbung hat unseren Umsatz erhöht«) oder es werden im Rahmen von »Predictive Analytics« (deutsch: vorhersagende Analyse) geschäftskritische Prophezeiungen abgegeben.

Dann geht es um Fragestellungen wie: Steht ein Kunde aufgrund verschiedener Verhaltensweisen davor, die Geschäftsbeziehung zu beenden? Deuten die Angaben in einer Schadensmeldung an die Versicherung darauf, dass ein Betrugsfall vorliegt? Produkte aus welcher Preisklasse sollten vom Kaufverhalten her am ehesten bei den einzelnen Kunden beworben werden? Welche Kunden in der Unternehmensdatenbank nervt Werbung per eMail und bei welchen verspricht sie Erfolg? Was sollte Websitebesucher X, auf Basis der vorliegenden Kundendaten, beim Besuch der Seite prominent angeboten werden, damit er zu einem Kunden wird? Wer diese Fragen beantworten kann, hat gute Karten auf der Hand.

CRM wird zu aCRM

Data Mining entwickelt sich zu einem Standard-Tool im Customer Relation Management. Aus CRM wird dann aCRM, sprich analytisches CRM, bei dem aus dem Datenbestand eines Unternehmens Informationen gewonnen und Zusammenhänge hergestellt werden, die ein menschliches Wesen kaum zu erkennen vermag, die Data-Mining-Software jedoch sehr wohl.

Branchenexperten sind sich einig: In nicht allzu ferner Zukunft wird es Standard sein, dass die Call-Center-Software den Kundenbetreuer warnt, wenn der anrufende Kunde mit seinem bisher gezeigten Verhalten dem statistisch ermittelten »Referenzkündigerkandidaten« zu nahe kommt. Zudem können anhand der vorliegenden Vergangenheitswerte relativ zuverlässige, vorausschauende Profitabilitätsprognosen für angehende Neukunden abgegeben und daraufhin individuell ausgelotete Angebote mit entsprechend optimierten Neukundenrabatten erstellt werden.

Entscheidungsbäume helfen Data Minern durch den Dschungel der Bestandskundendatei. Beispielsweise könnte eine erste Verzweigung die Teilmenge an Kunden herausfiltern, die über das unterstellte Mindesteinkommen der Zielgruppe verfügt. Die nächste Verzweigung könnte die Verheirateten von den Unverheirateten trennen, die darauf folgende die Kinderlosen von denen mit Kindern. In diesem Sinne kann der Entscheidungsbaum fortgesetzt werden, bis die Teilmenge mit der höchsten Kaufwahrscheinlichkeit vorliegt: Die Menge der verheirateten Väter mit einem Jahresgehalt von über 50 000 Euro, die bereits mit dem Auto in Urlaub gefahren sind, wird potenzielle Käufer für einen Luxuskombi oder einen mehrtägigen Urlaub in einem Erlebnishotel mit Kinderhort beinhalten.

CRM-Aufgabenstellungen dieser Kaliber werden in den maßgeschneiderten Systemen der Zukunft eine wichtige Rolle spielen – auch im Mittelstand.

SAS setzt auf Channel

Aufgrund dieser Entwicklungen verabschiedete sich im Mai dieses Jahres der BI-Hersteller SAS vom bis dato reinen Direktvertrieb und legte das erste Partnerprogramm in der 31-jährigen Firmengeschichte auf. Zuviel Umsatz ging dem Unternehmen, das sich bis dahin auf Konzernkunden konzentrierte, durch die Lappen. »Deswegen haben wir modular aufgebaute Pakete erarbeitet, die speziell auf die Anforderungen im Mittelstand ausgelegt sind, und ein Partnerprogramm aufgesetzt«, erläuterte SAS-Manager Jürgen Fritz im Gespräch mit IT-BUSINESS. Data Mining durfte als Gegenstand eines dieser Module nicht fehlen.

SPSS geht gen Mittelstand

Seit 1968 auf dem Markt zählt auch die Software von SPSS zu den Standard-Werkzeugen der Datenminenarbeiter. Auch hier merkt man deutlich, woher der Wind gerade weht, und freut sich über frische Umsätze aus dem SMB-Markt. Insbesondere die derzeit boomende mittelständische Industrie entdeckt Data Mining als brauchbare Methode, um Qualitätsprobleme auf Basis von Vergangenheitswerten vorherzusagen, zum Beispiel: Welche Produktionsmerkmale oder Ausstattungskombinationen führten zu erhöhten Ausschussquoten? »Da Unternehmen immer mehr Daten verarbeiten analysieren müssen, sind sie auf die Hilfe kompetenter Partner angewiesen, die ein Rundum-Sorglos-Paket anbieten«, so SPSS-Chef Michael Mors.

Windeln und Bier

Ein Paradebeispiel erfolgreichen Data Minings dreht sich um Windeln und Bier. Dabei hat eine Supermarktkette aus Vergangenheitswerten die Regel abgeleitet: »Ein männlicher Konsument, der samstags Windeln besorgt, kauft mit hoher Wahrscheinlichkeit auch Bier«. Daraufhin wurden verschiedene Cross-Selling-Konzepte umgesetzt, bei denen es um günstige Windel-Bier-Bundles ging, die Kunden anlockten, sowie um die räumliche Platzierung der Produkte nah beieinander.

Auch das immense eCommerce-Wachstum treibt die Datenanalyse voran. Ein prominentes Beispiel ist Amazon, der Data-Mining-Ergebnisse sehr offen nennt und beim Stöbern stets Produkte auflistet, die »andere Kunden gekauft haben, die diesen Artikel angesehen haben«. Die Claims sind abgesteckt, nur die Datenschürfer fehlen vielerorts. Das Know-how ist (noch) nicht allzu dicht gesät.

Meinung des Redakteurs

Man hat es ausgerechnet: Es ist sieben mal teurer einen Neukunden zu gewinnen, als einen Bestandskunden zu halten. Ebenso erwiesen ist, dass Kunden, die abspringen wollen, einander oft ähneln. Beispielsweise hat sich der »Referenzkündigerkandidat« einmal beschwert, hat nochmal die Preisliste auf der Website unter die Lupe genommen und ist älter als 30 Jahre.

Großunternehmen wie Mobilfunkkonzerne und Versicherungen haben bereits die richtigen Schlussfolgerungen gezogen: Wenn die Vergangenheitswerte eines Anrufers im Callcenter denen des Referenzkündigerkandidatens zu sehr ähneln, sollte das CRM-System den Mitarbeiter an der Hotline warnen, damit dieser spezielle Kundenbindungsmaßnahmen einleiten kann. Derlei ausgefuchstes CRM wird nun auch im Mittelstand nachgefragt. Systemhäuser und Dienstleister, die solche Erkenntnisse aus den vorhandenen Daten destillieren können, zählen zu den großen Gewinnern dieses Trends.

Artikelfiles und Artikellinks

(ID:2006249)