KPIs für Big Data-Initiativen

Lernen Sie, wie Sie Big Data-Initiativen mit der Strategie Ihres Unternehmens in Einklang bringen können, und validieren Sie Ihre Bemühungen mit Key Performance Indicators.

Hauptthemen dieses Artikels:

• Was ist Big Data?
• Herausforderungen von Big Data
• KPIs und Big Data
• Big Data fokussieren
• Big Data messbar machen
• Automatisierung mit BSC Designer

Quelle: Big Data-Scorecard.

Das Ende des Jahres ist ein guter Zeitpunkt, um über neue Trends zu sprechen: selbstfahrende Autos, künstliche Intelligenz, virtuelle Realität und das Internet der Dinge. Welche Auswirkungen werden diese Trends auf Ihr Unternehmen haben? Wie können Sie mögliche Auswirkungen dieser grundlegenden Entwicklungen in Betracht ziehen? All diese Trends verdienen eine detaillierte Analyse, aber es gibt einen, der mit allen anderen in Zusammenhang zu stehen scheint. Die Rede ist von Big Data. KI wird sie brauchen, selbstfahrende Autos basieren darauf, und natürlich wird sie bereits von vielen Unternehmen genutzt.

Bei BSC Designer haben wir viel über KPIs und Strategie gesprochen. In diesem Artikel schlage ich vor, darüber zu diskutieren, wie eine gut beschriebene Strategie und maßgeschneiderte KPIs helfen können, sich auf Big Data-Anstrengungen zu konzentrieren. Hier ist unser Plan für diesen Artikel:

• Big Data. Was ist das? Was sind die wichtigsten Herausforderungen?
• KPIs für Big Data. 4 Ebenen von KPIs und das Erreichen der strategischen Ausrichtung.
• Aktionsplan. Messbare Umsetzung von Big Data.

Was ist Big Data?

Bei Big Data geht es um die Analyse großer, unstrukturierter Datensätze.

Big Data kann durch 3 Vs charakterisiert werden:

• Volume (Volumen).. Die Datensätze sollen groß sein. Es gibt einige Stimmen, dass es mindestens 10 GB oder 1 TB sein sollten, aber eine bessere Definition wäre, dass Big Data etwas ist, das (in Bezug auf Speicherung oder Berechnungen) verteilt werden muss. Wenn Sie zu Hadoop oder einem ähnlichen Framework wechseln müssten, dann wird es umfangreich.
• Variety (Vielfalt). Denken Sie über verschiedene Quellen von strukturierten und unstrukturierten Daten nach. Sie können aus Text, Video, Verkaufsdaten, sozialen Medien, Wettervorhersage oder was auch immer in Ihrem Kontext Sinn macht, gewonnen werden.
• Velocity (Geschwindigkeit). Das hohe Datenvolumen ist ein Ergebnis der schnellen Datengenerierung. Denken Sie an Tausende von Flugzeugelementen, die ständig überwacht werden ¹, einen konstanten Fluss von Kommentaren in sozialen Netzwerken oder die Echtzeitdaten, die tragbare Geräte liefern.

Oft (z.B. IBM ² oder EY ³), gibt es auch ein viertes „V“, das für „Veracity:“ steht.

• Veracity (Tragfähigkeit). Wenn wir über Daten sprechen, haben wir es immer mit einem gewissen Grad an Unsicherheit zu tun. Wie wurden die Daten gewonnen? Haben wir alle Faktoren analysiert? Wurden sie manipuliert? Können wir diesen Zahlen vertrauen?

Wie werden die Daten verwendet?

Big Data wird für eine Vielzahl von Vorhersage- und Verhaltensanalysen verwendet. Unternehmen verwenden Big Data, um Kosten zu senken, Kundenbedürfnisse besser zu verstehen und Risiken zu mindern. Beispiele sind die Verwendung von Big Data, um ein maßgeschneidertes Erlebnis für die Kunden zu liefern, oder die Betrugsprüfung von E-Commerce-Anbietern.

Zu Beginn des Artikels habe ich einige sich abzeichnende Trends erwähnt – Big Data ist in allen von ihnen involviert. Um mehr über die praktische Nutzung von Big Data zu erfahren, empfehle ich, mit “7 Amazing Companies That Really Get Big Data⁴” des international anerkannten Experten Bernard Marr.

Hauptherausforderungen von Big Data

Die beschriebene Vision von Big Data klingt sehr ehrgeizig. Warum nehmen Unternehmen diesen neuen Trend dann nur langsam an? Was sind die größten Herausforderungen, die mit Big Data einhergehen?

Data Mining ist keine Hauptherausforderung mehr

Später im Oktober habe ich auf einer von SCIP ⁵ (Strategic and Competitive Intelligence Professionals) organisierten Konferenz. Die Mitglieder dieser Organisation befassen sich mit Big Data im Bereich der Marktforschung. Das Hauptthema der Konferenz war nicht, wie man erwarten könnte, die Gewinnung von CI/BI-Daten, sondern es ging darum, die Bemühungen um Business Intelligence mit der Strategie einer Organisation in Einklang zu bringen. Mit anderen Worten, sobald ein Unternehmen die Fragen kennt, die es stellen will, ist der Rest relativ einfach (einige Daten finden Sie in den Umfragen unten).

Wenn Data Mining kein Problem mehr ist, was sind dann die größten Herausforderungen?

Herausforderung 1. Fokussierung von Big Data

Die größte Herausforderung besteht darin, Big Data auf das Wesentliche zu fokussieren und sie dann in die richtigen Hände zu geben. Mit anderen Worten, es sollte jemanden in der Organisation geben, der anfängt, die richtigen Fragen zu stellen.

Um diese Idee zu veranschaulichen, nehmen wir den Fall von Target ⁶, die bereits 2012 in den Schlagzeilen standen. Dieser Einzelhändler nutzte erfolgreich Analysedaten über Kunden, um vorherzusagen, dass einige davon schwanger waren. Schauen wir uns die Geschichte an (ohne den mit dem Datenschutz zusammenhängenden Teil) und sehen wir, was tatsächlich passiert ist. Andrew Pole, ein Statistiker, der für Target arbeitete, lieferte nicht nur alle möglichen Daten, sondern erhielt von seinen Kollegen aus dem Marketing eine sehr spezifische Aufgabe – schwangere Käuferinnen im zweiten Trimester zu identifizieren.

Es gab einen Fokus, und mit diesem Fokus war ein enormer Geschäftswert verbunden, da neue Eltern dazu neigen, ihre Kaufgewohnheiten zu ändern und alles in einem einzigen Einzelhandelsgeschäft zu kaufen. Es ging nicht nur darum, mit Daten zu spielen, es ging darum, Daten zu finden, die bei der Beantwortung einer ganz bestimmten Frage helfen würden.

Herausforderung 2. Ausrichtung an der Geschäftsstrategie

Big Data wird grundlegende Veränderungen einläuten, wenn sie greifbaren geschäftlichen Nutzen bringen. Mit anderen Worten, es sollte klar sein, wie die Big Data-Initiative die Strategie eines Unternehmens unterstützt. NewVantage Partners befragte im Rahmen seiner Big Data Executive Survey ⁷ Führungskräfte nach kulturellen Hindernissen für die Einführung der Arbeit mit Big Data. 42,6% der Befragten wählten die Antwort „Unzureichende organisatorische Ausrichtung“. Andere Optionen beinhalteten eine mangelnde Akzeptanz, das Fehlen einer kohärenten Datenstrategie und das Fehlen einer gemeinsamen Vision.

Um auf den Fall Target zurückzukommen: Sie konnten zwei wichtige Komponenten erfolgreich angehen:

1. Big Data, die sich auf eine spezifische Anfrage konzentrieren: Ein Datenwissenschaftler wurde gebeten, schwangere Käuferinnen im zweiten Trimester zu identifizieren.
2. Angleichung an eine Geschäftsstrategie: Es gab einen klaren Geschäftswert für die Daten – Familien, in denen ein Kind geboren wurde, werden für lange Zeit Kunden eines einzigen Einzelhandelsgeschäfts.

Herausforderung 3. Datensicherheit und Datenschutz

Diese Herausforderung ist noch nicht im allgemeinen Sprachgebrauch, aber ich denke, es ist für jeden offensichtlich, dass die Datenerhebung und -analyse ethisch und legal sein muss. Die Datenschutz-Grundverordnung (DSGVO) ist seit dem 25. Mai 2018 in Europa durchsetzbar, und es gibt ähnliche Vorschriften in anderen Ländern. Unternehmen müssen sich bei der Verarbeitung personenbezogener Daten viel strikter an Datenschutzrichtlinien halten.

Lassen Sie uns über KPIs im Zusammenhang mit Big Data sprechen.

KPIs und Big Data

Wird Big Data KPIs ersetzen? Nicht unbedingt. Big Data wird die KPIs mit genaueren und aktuelleren Einblicken versorgen.

Nehmen wir den NPS (Net Promoter Score) als Beispiel:

• NPS jetzt. Wie wird der NPS (Net Promoter Score) in Ihrer Organisation aktuell berechnet? Wahrscheinlich führen Sie vierteljährlich eine Art Kundenumfrage durch. Daher läuft diese Kennzahl zeitlich nach. Wenn in Ihrem Unternehmen etwas passiert, wird der NPS es einige Monate später zeigen.
• NPS mit Big Data. Stellen Sie sich nun vor, Sie verwenden ein Tool für Big Data, das die Emotionen der Kunden in Echtzeit analysiert (siehe die Heedbook-Referenz unten). In diesem Fall wird Ihr NPS zu einem Echtzeit-KPI. Im Grunde werden Sie in der Lage sein, die Reaktion eines bestimmten Kunden auf ein bestimmtes Angebot und einen bestimmten Verkaufsansatz zu sehen.

In einigen Fällen werden Sie daran interessiert sein, tiefer in die Daten einzutauchen und zu den konkreten Situationen zu gelangen, und in einigen Fällen müssen Sie sich die aggregierten Daten für die Woche, den Monat oder das Jahr anschauen.

KPIs für Big Data

Im Fall von Big Data sprechen wir über erhebliche Investitionen in neue Tools und eine neue Architektur, weshalb es sinnvoll ist, diese Initiativen mit einigen harten Daten zu überwachen. Die Big Data-Initiativen sollten außerdem quantifiziert und gemessen werden. Wir können das auf mehreren verschiedenen Ebenen tun.

Ebene 1. 3-V-Kennzahlen

Die 3Vs (Volume, Variety, Velocity) von Big Data können leicht quantifiziert werden:

• Volume von Daten ist ein Maß in sich (GB, TB, etc.)
• Variety kann als die Anzahl der verschiedenen Arten von Datenquellen quantifiziert werden
• Velocity ist definiert durch das Volumen der pro Zeitperiode generierten/analysierten Daten

Das vierte V – Veracity könnte etwas schwieriger zu quantifizieren sein. Sie werden definieren müssen, was Ihr Team als genaue Daten qualifiziert, und das hängt vom Kontext ab. Zum Beispiel könnte für Autos mit Verbrennungsmotor die Messung der aktuellen Geschwindigkeit mit einem Fehlerniveau von +-5 km/h als genaue Daten angesehen werden, während das bei Elektroautos nicht akzeptabel ist. Definieren Sie 1-2 Kennzahlen , die eine Vorstellung von der Datengenauigkeit in Ihrem Fall geben.

Sind die 3-V-Kennzahlen nützlich? Das hängt vom Kontext in Ihrem Fall ab. Nehmen wir das selbstfahrende Auto von Google als Beispiel. Das Auto produziert 1 GB an Sensordaten pro Sekunde ⁸. Diese Zahl sieht beeindruckend aus! Wir können abschätzen, wie groß dieser Fall von Big Data ist, aber diese Zahlen helfen uns nicht bei den drei zuvor erwähnten Herausforderungen.

Quelle: Big Data-Scorecard.

Ebene 2. Kennzahlen für Big Data-Prozesse

Gehen wir auf die nächste Abstraktionsebene und werfen wir einen Blick auf den Big Data-Prozess. Das vereinfachte Modell sieht wie folgt aus:

• Abfrage
• Sammlung
• Analyse
• Bericht

Die nützlichsten Kennzahlen beziehen sich in diesem Fall auf die Zeit:

• Häufigkeit der Datenerhebung
• Zeit, die benötigt wird, damit die Daten für die Analyse zur Verfügung stehen
• Zeit, die benötigt wird, damit Daten in Form von KPIs berichtet werden können

Die Maßstäbe für das Timing hängen von Ihrem geschäftlichen Kontext ab. Zum Beispiel:

• Das selbstfahrende Auto muss Daten in Echtzeit sammeln und analysieren, und es kommt auf die Millisekunden der Differenz an, aber
• Im Falle von NPS könnten Manager daran interessiert sein, wöchentlich die aggregierten Daten zu überprüfen

Was die Prozesseffizienz betrifft, so können wir folgendes verfolgen:

• Anfrage-zu-Bericht-Konversionsrate, %. In diesem Fall müssen wir zuerst das Konzept einer qualifizierten Anfrage definieren und dann den Prozentsatz der qualifizierten Anfragen verfolgen, die unsere Datenwissenschaftler beantworten konnten
• Datenerfassungsfähigkeiten. Der Genauigkeitsgrad der Daten, die wir erfassen (die oben unter „Veracity“ diskutierten Ansätze). Für einige Unternehmen definieren diese Fähigkeiten ihren nachhaltigen Wettbewerbsvorteil.

Die Kennzahlen auf dieser Ebene geben uns eine bessere Vorstellung davon, wie effizient Big Data ist, aber wir haben immer noch keine Ahnung, wie sich Big Data auf echte Geschäftsziele auswirken.

Ebene 3. Nachlaufende KPIs. KPIs zur Validierung des Erfolgs von Big Data.

Eine andere Frage ist, wie der Erfolg von Big Data-Initiativen im Unternehmen validiert werden kann. Auf der einen Seite gibt es einige bedeutende Investitionen in die Infrastruktur, auf der anderen Seite sollte sich Big Data in Form von Geschäftserkenntnissen auszahlen. Wie können wir den Wert dieser Erkenntnisse in Dollar messen?

In diesem Fall müssen wir die Verbesserungen verfolgen, die auf die Verwendung von Big Data zurückzuführen sind:

• Was haben wir aus Big Data gelernt? Welche Kosteneinsparungen wurden nach der Umsetzung dieser Ideen erzielt?
• Wie hat sich die Kundenbindungsrate aufgrund der Bereitstellung eines maßgeschneiderten Erlebnisses verändert? Wie verändert sich der Kunden-Lebensdauerwert?
• Hilft Big Data dem Kundenservice, effektiver zu sein? Wie hat sich die Auflösungsrate beim ersten Anruf verändert?
• Wie haben sich die Einstellungsprozesse nach dem Beginn der Nutzung von Big Data verändert? Wie hat sich die HR-Kennzahl Zeit bis zur Leistungserbringung geändert?

Wie Sie auf dieser Ebene sehen können, verwenden wir klassische KPIs, die wir bereits zuvor verwendet haben. Was wir versuchen, ist, bestimmte Verbesserungen der Implementierung von Big Data zuzuschreiben.

Dieser Ansatz könnte voreingenommen sein:

• Wir neigen dazu, positive Veränderungen als unsere Errungenschaften zu zählen und
• Negative Veränderungen als normale Fluktuationen zu sehen, die immer auftreten.

Die Lösung besteht darin, größere und greifbarere Ziele anzustreben.

Viele Organisationen beherrschen diesen Teil des Messens und kaufen einfach „etwas Big Data“. Dem Bericht ⁹ von Capgemini Consulting zufolge haben 67% der befragten Unternehmen keine klar definierten Kriterien, um den Erfolg ihrer Big Data-Initiativen zu messen. In Anbetracht der Höhe der Investitionen sollten Unternehmen die Ziele und Erfolgskriterien für die Implementierung großer Dateninitiativen systematischer definieren.

Quelle: Big Data-Scorecard.

Ebene 4. Vorauslaufende KPIs. Sicherstellen eines Erfolgs von Big Data.

Jetzt wissen wir, wie man den nachlaufenden Teil von Big Data-Initiativen messen kann, aber wie sieht es mit dem vorauslaufenden Teil aus? Was sollten wir tun, um eine erfolgreiche Umsetzung von Big Data-Initiativen sicherzustellen?

Der harte Teil von Big Data ist ziemlich greifbar, wir können ihn anhand einiger einfacher Kennzahlen messen:

• Kapital, das in Big Data investiert wurden
• Zeitaufwand für Big Data-Initiativen

Geschäftsziele Fokus auf Big Data

Hier ist ein reales Szenario: Ein Unternehmen investierte Millionen von Dollar in die Infrastruktur, Werkzeuge und eine Big Data-Sammlung mit dem Hadoop-Cluster, und nichts Messbares geschah.
Genau darüber sprachen wir in Herausforderung 1: Big Data ist keine KI, die Daten können nicht sprechen und Ihr Team muss lernen, die Fragen zu stellen.
Wie können wir dann die Rolle des Teams messen?

Hier sind einige Ansätze für den Anfang:

• Effektivität von Big Data-Schulungen. Achten Sie darauf, dass wichtige Mitglieder Ihres Teams eine Schulung zu Big Data absolviert haben. Sie müssen nicht unbedingt Datenwissenschaftler werden, aber sie müssen wissen, welche Fragen sie stellen können und wie sie diese Fragen formulieren müssen. In diesem Fall beziehen sich die Kennzahlen auf die Schulungseffektivität ¹⁰.
• % der strategischen Ziele mit Big Data-Initiativen. Wir könnten die Anzahl der Big Data-Abfragen verfolgen, die von jedem Team formuliert wurden, aber dieser Ansatz wäre sehr formal und wenig hilfreich. Eine bessere Option ist es, die Übereinstimmung zwischen Zielen und Big Data-Abfragen zu verfolgen.
  Bitten Sie Ihr Team, sich seine strategischen Ziele anzusehen und dann zu erörtern, welche Daten es braucht, um um Zusammenhang mit diesen Zielen bessere Entscheidungen treffen zu können.

Big Data hilft bei der Formulierung neuer Geschäftsziele

Der Prozess des Abgleichs von Geschäftskontext und Big Data ist bidirektional. Manchmal haben wir eine bestimmte Herausforderung vor Augen und suchen dann nach bestimmten Big Data-Werkzeugen (wie im Fall von Target), manchmal finden wir ein interessantes Werkzeug und versuchen dann, es mit unseren Zielen abzugleichen. Hier sind einige Beispiele:

• Jemand aus Ihrem Team hat Heedbook ¹¹ entdeckt, ein Dienst, der die Emotionen von Kunden in Echtzeit analysiert.
  Der Dienst baut auf Microsofts Azure auf und ist in der Cloud verfügbar. Ihr Kundenservice-Team könnte auf die Idee kommen, diesen Dienst zur besseren Berechnung seines NPS zu nutzen.
• Ihr IT-Team stand vor der Herausforderung, eine DLP-Software (Data Loss Prevention) zu finden. Sie stießen auf SearchInform ¹², das nicht nur Kommunikation und übertragene Dateien analyisieren kann, sondern auch konkrete Sicherheitsrichtlinien durchsetzen kann. Die IT-Strategie Ihrer Organisation kann unter Berücksichtigung der Möglichkeiten des DLP-Tools aktualisiert werden.

In jedem Fall ist es sinnvoll, spezifische Geschäftsziele mit den Anforderungen an Big Data abzugleichen.

Aktionsplan. Big Data messbar machen.

Lassen Sie uns einige Erkenntnisse aus diesem Artikel zusammenstellen. Ich mache das gerne in Form eines Aktionsplans.

1. Big Data überarbeiten. Wie die Daten jetzt gesammelt werden, welche Datenerfassungsmöglichkeiten Sie haben (verwenden Sie die Kennzahlen für Big Data-Prozesse als Rahmen).
2. Machen Sie Ihre Hausaufgaben. Formulieren Sie Ihre Strategie auf der Strategiekarte und kaskadieren Sie sie in die Geschäftsbereiche. Überprüfen Sie Ihre aktuellen KPIs.
3. Fähigkeiten verbessern. Planen Sie die Initiativen, die sich mit den Fähigkeiten des Teams in Bezug auf Big Data befassen. Schlüsselmitglieder sollten verstehen, welche Fragen sie stellen können und wie sie diese Fragen formulieren können.
4. Big Data-Bemühungen fokussieren. Überprüfen Sie Ihre Strategiekarte, erkennen Sie die Möglichkeiten, bei denen Big Data die Geschäftsziele unterstützen kann. Formulieren Sie Big Data-Abfragen.
5. Umsetzung. Analysieren Sie die Erkenntnisse, die von Big Data geliefert werden, und spiegeln Sie sie bei Bedarf in Form von KPIs wider.

Kurzanleitung für Anwender der BSC Designer Software

Als Benutzer von BSC Designer verfügen Sie über eine leistungsstarke Software, die viele der in diesem Artikel besprochenen Aspekte der Strategieausrichtung und der KPIs automatisiert:

• Strategische Ausrichtung und Fokussierung von Big Data. Erstellen Sie eine Strategiekarte zur Darstellung Ihrer Unternehmensziele; richten Sie die KPIs an den Zielen auf der Karte aus. Wenn Sie noch keine Strategiekarte haben, verwenden Sie einen Strategiekarten-Assistenten, um loszulegen.

• Sicherstellen, dass ein Team über Big Data-Kapazitäten verfügt. Verwenden Sie eine Schulungs-Scorecard (Sie können mit diesem Beispiel beginnen), um sicherzustellen, dass Ihr Team über die erforderlichen Fähigkeiten für die Arbeit mit Big Data verfügt.
• KPIs mit Big Data füttern. Leistungskennzahlen für Big Data-Initiativen verfolgen; RESTFul API verwenden, um Berichte über Big Data in Echtzeit in die Kennzahlen einzugeben.

Wenn Sie noch kein Benutzer sind, dann können Sie mit einem kostenlosen Abonnement von BSC Designer beginnen, das online verfügbar ist.

Weitere Beispiele für die Balanced Scorecard