Data Science Competence Center

 

 

 

 

 

 

 

 

 

Kaum ein anderes Thema wird aktuell bei Händlern so intensiv diskutiert wie das der Datenanalyse. Begriffe wie Big Data, Data Science und Predictive Analytics stehen aber vielfach noch in den Kinderschuhen. Wie Händler schnell Potenziale ermitteln und nutzbar machen können, erklärt Jochen Freese, Geschäftsführer von Ingenico Marketing Solutions, einem führenden Anbieter von Omnichannel Loyalty Programmen und ROI-orientierten Data Analytics.

 

 

Herr Freese, worin bestehen aus Ihrer Sicht die aktuell größten Herausforderungen für den Handel in Bezug auf die Datenanalyse?

Gerade der stationäre Handel steht bezüglich der Datenanalyse noch im Schatten anderer Branchen und ist eher als Spätstarter im Bereich derTechnologie und Forschungeinzustufen. Das sehen wir fast täglich bei unseren Gesprächen vor allem mit mittelständischen Handelsunternehmen.
Häufig werden analytische Mechaniken und Methoden aus den 80er und 90er Jahren eingesetzt und viele Handelshäuser kämpfen insbesondere bezogen auf ihre IT und Systeme mit Altlasten.
In Deutschland gibt es mehrere hundert am Markt platzierte Kundenbindungsprogramme der Händler in unterschiedlichster Ausgestaltungsform.

Unsere Feststellung hier: je länger das Programm bereits am Markt ist und die Unternehmen dieses nicht als fundamentale strategische Säule des Geschäftserfolges ansehen und auch so handhaben, umso deutlicher werden Renovierungsstaus bzgl. Analytik und Datenhaltung. In manchen Fällen ist die Datenqualität so schlecht, dass erst einmal vielfältige Optimierungen durchgeführt werden müssen, um mit einer sauberen Datenbasis den Schritt in Richtung Informationsgewinnung antreten zu können.
Häufig besteht die einzige als solche zu bezeichnende Analytik darin, dass der kumulierte Kundenumsatz in eine ABC-Klassifizierung der Kunden überführt wird. Und diese wiederrum wird dann nur sporadisch für Marketingentscheidungen herangezogen. Ein Spannungsfeld existiert somit nicht nur bei der Technologie sondern genauso bei der Verfügbarkeit von analytischem Wissen.

Aber es gibt auch eine Reihe an positiven Beispielen.
Handelskonzerne, die entweder einen hohen Umsatzanteil über den eShop machen oder pure Online-Vertreter sind, sind hier häufig deutlich besser aufgestellt. Das liegt daran, dass digitale Geschäftsmodelle per se datengetriebener sind, häufig per Definition einen Kundenbezug besitzen und bewährte Analysemethoden wie die Recommendation Engines bewiesen haben, dass relevantere 1:1 Kommunikation Ergebniseffekte bewirken.

Es gilt somit auch, und das ist durchaus das Resümee an dieser Stelle, die positiven Erfahrungen aus der Online-Welt in den stationären Handel und Omnichannel-Handel zu überführen. Gerade da sehen wir eine große dynamische Entwicklung, da durch Data Science plötzlich ganz neue erfolgversprechende Anwendungsgebiete entstehen.

Genau die richtige Zeit, sich aus Sicht des Händlers mit einem noch größeren Fokus auf dieses Thema zu stürzen, um nicht vollends den Anschluss zu verlieren.

 

Gerade in der jüngeren Vergangenheit taucht verstärkt der Begriff „Data Science“ auf, wenn über Analyse gesprochen wird. Ist das nur alter Wein in neuen Schläuchen oder bietet Data Science im Gegensatz zur klassischen Analyse wirklich mehr?

Im heutigen Sprachgebrauch wird häufig der Begriff Data Science für die neueste Generation der Datenanalyse verwendet. Data Science geht gegenüber der herkömmlichen Arbeit des Datenanalysten einen Schritt weiter.
Der Data Scientist verbindet die statistisch-mathematischen Methoden mit dem Knowhow um die internen Geschäftsabläufe und baut mit Hilfe seiner Tool- und Technologie-Kenntnisse eine deutlich effektivere Brücke zwischen Auswertung und Management.
Wir bezeichnen Data Scientists daher auch gerne als Pfadfinder, die den Weg zu einem größeren Geschäftserfolg aufzeigen. Das liegt darin begründet, dass sie sich tief in die unternehmerischen Probleme hineindenken können und gleichzeitig die Sprache des Managements, der IT und der Mathematik beherrschen.

 

Sie haben vor kurzem ein eigenes Data Science Competence Center ins Leben gerufen? Was macht dieses Competence Center und wer kann dieses nutzen?

Mit unserem Data Science Competence Center richten wir uns genau an die Handelsunternehmen, die nun schnell auf den Analyse-Zug aufspringen möchten. Wir fokussieren uns dabei auf kundenbezogene Fragestellungen, denn in der Optimierung der Customer Journey sehen wir die größten Umsatzpotenziale.
Dabei wird der Kundendialog mit den Produktaffinitäten und den präferierten Kommunikationskanälen in Einklang gebracht. Mit unserer über 25-jährigen Erfahrung als Dienstleister für Kundenbindungsprogramme kennen wir die entsprechenden Stellschrauben und Effekte sehr gut.

Wir gehen mit unserem Competence Center aber auch über die engen Grenzen des Handels hinaus und adressieren unsere Analyselösungen auch an handelsnahe Organisationen. Hierzu zählen wir neben anderen Bereichen insbesondere Petrol, Travel und Entertainment sowie den Gastronomie- und Hotellerie-Bereich.

 

 

Schauen wir ein wenig genauer auf den Handel und seine Anforderungen. Herr Freese, welche konkreten Lösungen können Sie uns als Beispiel nennen, an denen Sie arbeiten und die Sie schon in der Praxis zur Anwendung gebracht haben?

Wir entwickeln seit vielen Jahren analytische Lösungen für den Handel und unsere Data Scientists haben sich schon mit ganz unterschiedlichen Fragestellungen beschäftigt.
Im Competence Center bündeln wir nun sämtliches Knowhow und legen auch einen verstärkten Wert auf den Wissenstransfer in die Handelsunternehmen.
Enabling steht für uns nun auf der gleichen Ebene wie die Weiterentwicklung der analytischen Lösungen für den Handel.

Lassen Sie mich an dieser Stelle zwei Beispiele kurz skizzieren:
Eine unserer Lösungen beschäftigt sich mit der optimierten Ausgestaltung des Kundendialogs mit deutlichem Effekt in Richtung relevanterer Kundenangebote. Wir haben dazu Algorithmen aus dem Onlinehandel, die als Recommendation Engines bezeichnet werden, weiterentwickelt und bieten diese als Next Best Offer-Lösung auch für die Offline-Kommunikation des Händlers an. Hierüber werden dann unter anderem Direktmailings und E-Mailings ausgesteuert, in denen die erfolgswahrscheinlichsten Produktangebote des Händlers je Einzelkunde, z.B. in Form von Coupons, beworben werden.
Dieses bewirkt unter anderem eine Frequenzsteigerung in den Filialen und dem eShop und zeigt deutlich höhere Abverkaufserfolge gegenüber nicht-individualisierten Angebotsvarianten, teilweise mit Responsesteigerungen von über 60%.
Das Besondere ist, dass gegenüber herkömmlicher Recommendation Engines aus dem Online-Bereich, unsere Next Best Offer-Lösung auf den Daten aus dem Kundenbindungsprogramm des Händlers basiert und so auch Käufe aus unterschiedlichen Kanälen berücksichtigt werden können. Dieses setzt natürlich Einwilligungserklärungen des Endkunden voraus und wir empfehlen grundsätzlich unseren Handelskunden, bereits in den ersten konzeptionellen Gesprächen, die Datenschutzverantwortlichen zu involvieren.

Die zweite Lösung, die ich kurz erläutern kann, optimiert Direktmarketing-Kampagnen auf eine ganz andere Art und Weise. Die Lösung heißt Uplift Modeling. Die Haupteigenschaft dieser Lösung besteht darin, dass mittels einer speziellen analytischen Methodik Kunden aus der Kampagnen-Selektion ausgeschlossen werden, die zwar eine hohe Affinität zu den beworbenen Angeboten besitzen, diese aber auch ohne den Marketinganstoß gekauft hätten. Da der Marketinganstoß im Handel häufig Vorteilsangebote mit Rabattenbeinhaltet, wird hier sofort Einsparungspotenzial wirksam. Denn zum einen kauft der sogenannte „Ehda-Kunde“ zum Normalpreis ein und zum anderen wird der Kampagnenhebel auf Kunden mit Potenzial für Zusatzumsatz, im englischen „Uplift“, gelegt.

 

Sie sprachen eben auch einen Wissenstransfer an. Was genau verbirgt sich dahinter und wie können Sie Handelsunternehmen gerade in der Data Science-Startphase dahingehend unterstützen, dass diese schon bald selbständig Analysen durchführen können?

Hierzu haben wir unser Retail Data Science Lab ins Leben gerufen. Das Retail Data Science Lab ist ein Workshop-Format, mit dem zielgerichtet individuelle Unternehmensfragestellungen schnell und lösungsorientiert analysiert werden.
Es ist auf Händler ausgerichtet, die entweder mit der Datenanalyse erstmalig starten wollen oder die ihr eigenes Knowhow in der Datenanalyse weiterentwickeln möchten. Es geht uns dabei vor allem darum, eine Wissensgenerierung aus den aktuell bereits verfügbaren Kundendaten herbeizuführen.

Wir führen einen Workshop mit Ansprechpartnern des Unternehmens durch, definieren und priorisieren dabei gemeinsam alle Fragestellungen, die das Unternehmen über seine Kundenstruktur, seine Kampagnen und seine Kundenprozesse hat und beleuchten, welche Daten zur Analyse verfügbar sind. Anschließend werden diese Daten in unsere Big Data Analyseumgebung geladen. Die Daten können je nach Fragestellung anonymisiert sein oder mit einem Token versehen werden, sodass nur der Händler selbst einen Rückschluss auf einen Endkunden herbeiführen kann. Anschließend erfolgen Analyseschleifen. Wir führen dazu vorbereitend einige initiale Auswertungen durch und starten mit den ersten Erkenntnissen in gemeinsam geführte Tages-Workshops. Dabei werden die interessantesten Ergebnisse durch weitere Analysen vertieft. Der Händler hat darüber hinaus jederzeit die Möglichkeit, aktiv auf den dann nachfolgenden Analyseschritt einzuwirken.

Unsere Infrastruktur stellt sicher, dass im Workshop nicht lange auf die nächsten Analyseergebnisse gewartet werden muss, sodass man sich sehr schnell dem Kern einer Fragestellung und somit der Lösung nähert. Sehr häufig gibt es da während solch eines Workshops mehrere Aha-Erlebnisse und Ausrufe des Erstaunens, da unbekanntes Terrain beschritten wird. Flankiert werden die Workshops mit kurzen Einführungen in die verwendeten Methoden und es wird besprochen, wie die Integration der Ergebnisse in das Unternehmen zur operativen Nutzung erfolgen kann.

 

Können Sie ein paar typische Fragestellungen nennen, die Sie mit dem Retail Data Science Lab beantworten?

Das startet häufig mit einfachen Auswertungen zu der vorhandenen Datenqualität und kann an diesem Punkt schon in den ersten Optimierungen münden.

Dann stehen verstärkt Kundensegmentierungen in homogene Verhaltenscluster oder nach Kundenwert und zukünftigem Kundenpotenzial im Vordergrund. Hierüber lassen sich die Ausgestaltung und Intensität der Kommunikation sowie erste Business Rules zur Kundenbetreuung steuern.

Für viele Händler ist es wichtig, sofort Umsatzeffekte zu erzielen, daher sind wir auch oft mit Themen rund um Prognosen zur Responseoptimierung und Potenzialhebung beim Cross- und Up-Selling oder bzgl. Rabattsensitivitäten beschäftigt.

Auch Verhaltensprognosen, z.B. in Richtung Weiterempfehlung, Inaktivität und Abwanderung stehen im Mittelpunkt. Im Grunde orientieren sich die Analysen an der jeweiligen Customer Journey und den dortigen Problemfeldern. Und nicht zu vergessen ist, dass sich sehr viele Detailfragen an obige Segmentierungen und Prognosen anschließen, die dann für den Händler teilweise noch handlungsrelevanter sein können.

Zum Beispiel kann festgestellt werden, dass nur in einem bestimmten Kundensegment die Abwanderungsquote erhöht ist, sodass hier gegebenenfalls der Kundennutzen im Loyalty-Programm optimiert werden muss.
In einem anderen Fall kann die Analyse nach dem durchschnittlichen Zeitraum zwischen Kundenregistrierung und erstem Kauf zu sofortigen Rückschlüssen auf den optimalen Zeitpunkt der Zusendung des Willkommenspakets oder des ersten Aktivierungsmailings führen.

Um die Bandbreite einmal mit einem Beispiel zu versehen: für einen Handelskunden haben wir beispielhaft gleich im ersten Workshop innerhalb der ersten Stunde festgestellt, dass dieser seit geraumer Zeit ein regelmäßiges Standardmailing immer doppelt an die Kunden versendet hat. Eine überraschende Erkenntnis, vor allem, weil diese Frage gar nicht im Mittelpunkt stand. Es zeigt, dass der Data Scientist gewohnt ist, auch über den Tellerrand hinaus zu schauen.

 

Sie haben soeben eine ganze Bandbreite an Analysen genannt. Auch die Fragestellungen, die Sie erwähnten, können ja offensichtlich sehr facettenreich sein. Welche Daten werden für die Analysen und Lösungen denn überhaupt benötigt?

Da wir uns schwerpunktmäßig mit endkundenbezogenen Fragestellungen beschäftigen, ist es gar nicht so kompliziert und komplex, wie man vielleicht von außen denken würde.

Wir beziehen unsere Analysen in aller Regel auf vier Datenquellen. Hierzu gehören die Kundenstammdaten, z.B. der in einem Kundenbindungsprogramm registrierten Endkunden, die Kaufdaten und die flankierenden Daten zu dem Artikel- und Filialstamm.

Wie oben schon einmal erwähnt, benötigen wir keine personenbezogenen Daten für die Analysen. Die Extraktion und Bereitstellung der Daten ist auch für den Händler mit etwas veralteten Datenstrukturen in aller Regel leicht zu bewältigen.
Ab dann übernimmt der Data Scientist.

 

Und welche Daten erhält der Händler wieder zurück bzw. wie werden die Ergebnisse für den Händler operativ nutzbar gemacht?

Es gibt drei Ebenen der Ergebnisübergabe an den Händler.
Zum einen können aus den Analysen Ergebnisse entstehen, die in Form von Modellen an die Daten herangespielt werden. Das kann zum Beispiel das Kundensegment sein, zu dem der Kunde analytisch zugeordnet wurde oder ein Wahrscheinlichkeitswert aus einem Prognosemodell zur Responseoptimierung für die nächste Marketingkampagne. Diese Daten werden dann durch den Händler zum Beispiel mittels eines Tokens direkt in dessen Datenbank importiert, mit den Kundendaten verbunden und für die Übergabe an einen Lettershop weiterverarbeitet.

Die zweite Variante stellen Datenbank-Algorithmen dar, die wir an den Händler übergeben. Diese werden anschließend für die regelmäßige und wiederholende Anwendung in die Datenbank integriert. Auch hierbei unterstützen wir natürlich und lassen den Händler nicht alleine.

Last but not least werden auch viele Ergebnisse erarbeitet, die rein als Erkenntnisse zu werten sind. Auf Basis dieser Erkenntnisse verändert dann der Händler zum Beispiel Regeln im Kundenbindungsprogramm oder optimiert die Ausgestaltung der Kommunikation für ein bestimmtes Kundensegment. Auch Ableitungen für Prozessverbesserungen entstammen häufig dieser Art an Analyseergebnissen. Auch hier helfen wir dem Händler durch Empfehlungen aus unserem Erfahrungsschatz.

 

Muss der Händler nicht vor der Analyse oder der Anwendung der angesprochenen Algorithmen erst umfangreich in das Thema Big Data Infrastruktur investieren?

Da haben wir eine eindeutige Meinung. Wir selbst nutzen hauptsächlich Open Source Tools wie Hadoop, Spark und R, um die Analysen durchzuführen. Diese Werkzeuge besitzen inzwischen eine sehr große Community, sodass viele Kniffe und Tricks öffentlich zugänglich sind. Und sie sind äußerst leistungsstark.

Darüber hinaus spielt das Thema Big Data bei traditionellen Kundenbindungsprogrammen kaum eine Rolle, da die über Jahre angesammelten Datenmengen selten als wirklich groß zu bezeichnen sind. Big Data Technologien kommen erst dann ins Spiel, wenn sehr komplexe Analyse-Algorithmen verwendet werden, zum Beispiel zur Berechnung eines Next Best Offer Modells.
Abgesehen davon wird das Thema Big Data auch relevant, wenn verstärkt Daten aus dem online- oder mobilen Bereich analysiert werden sollen, da hier sehr große Datenmengen in kurzer Zeit generiert werden können.
Unsere Devise: lieber erste Erfahrungen sammeln, um dann Gewissheit über die benötigte Infrastruktur zu erlangen.

 

Datensicherheit und Datenschutz sind für den Handel wichtig: Wie weit sind Händler in diesem Kontext sensibilisiert? Wo gibt es Ihrer Meinung nach Handlungsbedarf?

Daten werden schon heute als Unternehmens-Asset verstanden und die eigenen Kundendaten stellen dabei eines der schutzwürdigsten Güter für das Unternehmen dar. Das wissen die Händler. Themen wie Datenschutz und Datensicherheit spielen bei jeder Diskussion über mögliche Potenziale eine bedeutende Rolle. In der Regel wird schon zu den ersten Gesprächen der Datenschutzbeauftragte eingebunden und bei der Verarbeitung von personenbezogenen Daten geschieht nichts ohne entsprechenden Vertrag zwischen den Parteien.
Wichtig ist aber auch die Verwendungvon geeigneten Datenschutzhinweisen für die Endkunden. Diese regeln, was mit den erhobenen Daten gemacht werden darf und zu welchen Zwecken und von wem zum Beispiel Analysen erfolgen dürfen.

Unsere grundsätzliche Empfehlung lautet: in einem ersten Schritt die Fragestellungen, die dem Unternehmen helfen, fest umreißen. Dann gilt es, die Analysemöglichkeiten und die Granularität der Analyse mit dem Datenschutzbeauftragten abzustimmen und anschließend die zulässigen Detaildaten auszuwerten oder wenn notwendig, auf anonymisierte Datenaggregate auszuweichen.

 

Wir hatten eben schon einmal das Thema der Data Scientist gestreift. Dieser Personenkreis scheint ja ganz besondere Fähigkeiten zu haben. Wie leicht oder schwer ist es denn für einen Händler, selber ein Team aufzubauen?

Die Berufsgruppe der Data Scientists stellt aktuell eine der begehrtesten Fachrichtungen überhaupt dar. Die Nachfrage ist sehr hoch und wird noch weiter steigen. Das Angebot an qualifizierten Fachkräften ist hingegen noch zu gering.

Hochschulen haben das erkannt und bieten immer mehr Studiengänge in diese Richtung an. Die Lage wird sich aber auch deshalb noch zuspitzen, weil nicht nur der Handel auf diesen Markt schaut. Vielmehr ist das Thema Big Data und Data Science fast flächendeckend und branchenübergreifend ein Wachstumsbereich.

Unternehmen stehen daher vor der Frage, wie auch ohne eigene Ressourcen schnell und kurzfristig Wissen aus Daten entstehen kann und greifen zunehmend auf externe Dienstleister zurück, die auf Datenanalyse spezialisiert sind.

 

Vielen Dank für das Gespräch, Herr Freese!

 

Interviewpartner:
Jochen Freese,
Geschäftsführer von Ingenico Marketing Solutions

 

Weiterführende Informationen:

Ingenico Marketing Solutions GmbH