Wo Smart Data den ROI steigert (Fallbeispiele)

Big Data ist eines der meist gefragten Businessthemen unserer Zeit, aber auch eines der meist diskutierten. Gemäß diverser aktueller Studien von Accenture, GE und IBM sind inzwischen 92% der Top-Entscheider aus Firmen, die mit Big Data arbeiten, mit den Ergebnissen zufrieden. Zeit, sich ein paar Beispiele anzusehen.

Laut einer
Studie von Accenture, setzen Unternehmen, die schon zumindest ein Big Data Projekt durchgeführt haben, die Chancen von Big Data einer Revolution gleich (89%), die die Business-Prozesse langfristig verändern werden. Zudem prognostizieren 85% der Antwortenden, dass Big Data die Art und Weise, wie Business zukünftig gemacht wird, drastisch verändern wird.

Der Bericht von GE
„Industrial Insights Report for 2015“ stimmt ein, indem 75% der Befragten Wachstum als die größte Chance von Big Data sehen. 89% denken, die Nichtanpassung an Big Data kommt dem Risiko gleich, Marktanteile aufzugeben. 84% der Befragten glauben, dass die Analyse von Big Data die „eigene Landschaft des Mitbewerbs“ innerhalb eines Jahres oder in drei Jahren (87%) verändern wird.

Die Daten verdeutlichen die Chancen, die sich mit der Nutzung von Big Data ergeben. Aber auch Kostenreduktion und Effizienzsteigerung lassen sich an einem ganz konkreten Beispiel festmachen. Gerade die Arbeit von
Pedro Desouza, Data Scientist von EMC, zeigt die Klasse von Big Data. So schaffte er es die Kosten der Analyse von Big Data einer Organisation von $10 Millionen auf $100.000 pro Jahr zu verringern.

Anhand von drei weiteren konkreten Beispielen aus verschiedenen Industrien wollen wir mal den Umgang mit Big Data beleuchten.

Autobauer werden zu Technologiefirmen

Dass Tesla schon vorbildlich die Analyse von Big Data bei ihren Produktionsprozessen nutzt, erscheint wenig verwunderlich. Nutzt man doch alle Chancen, die Reichweite der Fahrzeuge, Kundendienst und Kundenzufriedenheit zu erweitern. Tesla gilt grundsätzlich als Branchenprimus, was die Nutzung von Sensoren und Rücksendung von Daten an das Unternehmen mittels Apache Hadoop® Technologie angeht. Der Kunde hat so eine Art Frühwarnsystem. Er weiß schon bevor der Wagen stehenbleibt, welcher Fehler sich bald einstellt und ob das Fahrzeug in die Werkstatt muss. Ein klarer Vorteil, der dem stetigen Argument nach mangelnder Reichweite positiv entgegensteht.

Fiel Ford noch kürzlich durch seine Social Media Affinität auf, so hat man auch beim Thema Big Data immer mehr die Finger im Spiel. In der Marketingabteilung analysiert die Firma in zahlreichen Datenstreams, was gebaut, verkauft und beim Verkauf auf Halde steht sowie, was Kunden gerade auf Webseiten suchen. Zusätzlich wird das Ganze mit lokalen Wohndaten und Angestelltenzahlen angereichert, um besser und natürlich auch mehr Autos an den Kunden zu bringen.

Zudem nutzt man inzwischen Transport-Analyse und Big Data, um Versicherungskosten, Fahrzeug-Qualität, Beförderungsintelligenz und Fahrverhalten zu verbessern. Ford wird
zu einer Technologiefirma. Ihr CEO ist sich dessen auch bewußt, denn für ihn zählen alle Daten, die man irgendwie nutzbringend verwenden kann. Warum würde man sonst rund
200 Big Data-Analysten beschäftigen, die den Entscheidungsprozess bei F&E unterstützen sollen?

Finanzindustrie setzt auf Loyalität

Um Loyalitätsverhalten voraussehen zu können, hat
American Express (AMEX) sich angesehen, wie ihr Business sich entwickelt. Hierzu hat das Unternehmen altbewährte Reporte der Business Intelligence Abteilung gegen Predictive Modeling ersetzt. Man analysierte mit über 115 Variablen abgeschlossene Transaktionen, um potentielle “Churn Rates” zu erkennen. So ist man im australischen Markt der Meinung, 24% der Kunden zu identifizieren, die in den nächsten vier Monaten kaufen werden.

Bei der American International Group (AIG) setzt man hingegen nicht nur auf Big Data sondern dabei vor allem auf
Daten-Visualisierung, um Täuschung vorbeugen zu können. Vor allem Heat Maps sollen hier bevorzugte Forderungsansprüche von Anfang an auf Täuschungsversuche untersuchen. Hierbei müssen die Datenbanken der Forderungsansprüche untersucht werden nach strukturierten und unstrukturierten Daten. Aber vor allem die handgeschriebenen Änderungen werden zusätzlich in Betracht gezogen. Der Mensch lernt also sozusagen mit dem System, wenn die Mitarbeiter den Algorithmus mit verändern können, aber auch das System lernt vom Input der Mitarbeiter.

Logistikfirmen werden effizienter

Wenn man sich nur mal die Anzahl der Pakete verdeutlicht, die bei
UPS durch die Lager sausen, muss man sich vermutlich von der Wichtigkeit der Nutzung Big Data wenig überzeugen lassen: über 4 Milliarden Teile werden über UPS pro Jahr verschickt – in rund 100.000 Fahrzeugen. Das Thema Big Data nimmt dort große Züge an.

Dennoch geht es fast weniger um die Pakete und Briefe als um die Effizienz und Optimierung der Fahrzeuge. Die Zusammenstellung der Routen, die Standzeit der Fahrzeuge oder das Anstehen von Servicezeiten – alles wird über Algorithmen erfasst und optimiert. Der ROI lässt sich leicht erkennen: 39 Millionen Gallonen Sprit hat man seit dem Start des Programmes einsparen können und 364 Millionen Meilen Strecke hat man den Fahrern ebenfalls erspart. Damit aber nicht genug: Was eben noch auf der Strasse ging, soll jetzt in die Luft (Frachtflugzeuge) übertragen werden. Man ist also erst am Anfang.


Bei soviel Euphorie, was Big Data alles kann, bleibt einem irgendwie dennoch bloß die Hoffnung, dass sich so ein Big Data Analyst nicht verrechnet. Sonst regnet es bald Pakete vom Himmel, stranden Autos am Strassenrand und Banken suchen (nicht zum ersten Mal), wie Löcher in die Kassen kamen. Aber davon will man ja erstmal bei einer ROI Betrachtung nicht ausgehen. Oder…?

Dieser Post entstand in Zusammenarbeit mit dem
HP Business Value Exchange Blog.