Interview mit Sara Burdenski zu Advanced Analytics

Frau Burdenski, wie würden Sie die Arbeit mit Ihren Daten aktuell beschreiben?

Derzeit werten wir historische Daten aus, um gängige deskriptive Fragestellungen zu beantworten und entwickeln statische Scores. Wir nehmen zahlreiche Auswertungen und Reportings über Power BI vor und bauen außerdem ein flexibles Datenmodell auf, das perspektivisch Datenanalyse aus Kundensicht einfach ermöglicht.

Kennen Sie ihre Kunden und Kundinnen?

Noch nicht so gut, wie wir uns das wünschen.

Woran liegt das?

Daten liegen uns tatsächlich ausreichend vor, aber die Fülle unterschiedlicher Quellsysteme und der fehlende Kundenblick in den Daten vernebeln uns die Sicht. Wir haben oft nur einen eingeschränkten Blickwinkel auf den Kunden oder die Kundin und können nur über Umwege Fragen, die uns umtreiben, beantworten.

Deshalb verfolgen Sie nun konsequent den Aufbau eines Datenmodells aus Kundensicht. Um was genau geht es Ihnen hierbei?

Wir schaffen hiermit nicht nur die Basis für eine wirklich datenbasierte und automatisierte Kundenansprache, sondern auch für die Datenanalyse selbst. Wir erhoffen uns von dem Datenmodell aus Kundensicht auch die Vereinfachung von Datenzugriffen, die Reduktion der Komplexität des Daten-Managements sowie die Sicherstellung eines sogenannten Single Point of Data Truth für Datenanalyse, Advanced Analytics sowie alle datengetriebenen Unternehmensentscheidungen.

Sie sprechen in diesem Zusammenhang von der 360° Kundensicht, die Sie erreichen möchten.

Genau. Einen großen Schritt in die richtige Richtung machen wir durch den Aufbau eines flexiblen Datenmodells, das uns eine einfache Kundensicht für die Datenanalyse ermöglicht. Darüber hinaus versuchen wir, über den Einsatz der richtigen IT-Systeme und durch das besondere Augenmerk auf den Kundendatenfluss innerhalb unserer Systemarchitektur die 360° Kundensicht sicherzustellen.

Welche Vorteile ergeben sich dadurch sowohl marketingstrategisch als auch kundenseitig?

Diese Vorgehensweise ermöglicht uns eine konsistente und bedürfnisorientierte Kundenansprache. Außerdem identifizieren wir wertvolle Kunden und Kundinnen sowie deren Entwicklungspotenzial. Daten nutzen wir als wirtschaftliche Entscheidungshilfe. Nicht zuletzt sind wir in der Lage, Prognosen und Trendanalysen durchzuführen.  

Dafür bauen Sie auf Advanced Analytics als Teilbereich von Data Science. Welche grundlegenden Verbesserungen möchten Sie dadurch in der Ansprache Ihrer Nutzer und Nutzerinnen erzielen?

Wir forcieren die aktive Entwicklung werthaltiger Kunden und Kundinnen, indem wir jedem und jeder die passende Lösung bieten. Gleichzeitig erweitern wir mit Advanced Analytics nicht nur die emotionale Kundenbindung, sondern steigern zudem die positive Customer Experience. Und: wir lernen unsere Kunden und Kundinnen besser kennen.

Welche Methoden sind in diesem Zusammenhang besonders interessant für Sie?

Das sind Predicitve Modeling, Data Mining, Machine Learning, Cluster-Verfahren und Entscheidungsbäume. Mit diesen Methoden bewegen wir uns vor allem in der präskriptiven und prädiktiven Datenanalyse, die es uns ermöglicht, Kundenverhalten zu prognostizieren, Handlungsempfehlungen für das Unternehmen auszusprechen und somit vorausschauend auf Kunden- und Marktverhalten zu reagieren.

Können Sie uns einen Einblick in die Use Cases geben, die für Sie relevant sind?

Besonders interessant sind für uns die Ermittlung des Kundenwerts, die Kündigerprognose oder der Kündiger-Score, die Persona-Ermittlung und nicht zuletzt die Potenzialermittlung für die Vermarktung neuer Produkte beziehungsweise Cross-Selling-Produkte. 

Welche Herausforderungen sehen Sie bei der Umsetzung Ihrer Use Cases, sowohl analytisch als auch technologisch?

Aus technologischer Sicht ist der Aufbau der Kundensicht im Datenmodell sowie die Sicherstellung des Single Point of Data Truth, also der Datenfluss aus relevanten Quellsystemen in das Modern Data Warehouse der evm, eine größere Aufgabe für uns. Es muss sichergestellt werden, dass die Daten richtig wie eindeutig sind sowie der transparente Zugang zu allen relevanten Daten gewährleistet ist. Unsere Herausforderung aus analytischer Sicht liegt im noch fehlenden Datenverständnis, in der Bedeutung der Datenanalyse im Unternehmen sowie damit verbunden in der Ressourcenknappheit zur Durchführung von Datenanalysen.

Im Idealfall stehen für alle Phasen der Datenanalyse jeweils versierte Data Experts zur Verfügung. Welche Kompetenzen sollte ein Data Team aus Ihrer Erfahrung heraus idealerweise miteinander vereinen?

Wir haben in den letzten Jahren eine Vorstellung davon gewonnen, wie ein ideales Datenanalyse-Team aussehen könnte und verfolgen diese Vorstellung als Vision. Unserer Meinung nach sollten die Rollen Analytics Consultant, Data Scientist, Data Engineer und Analytics Developer besetzt sein. Die anfallenden Aufgaben in einem Datenanalyse-Team bearbeiten sie kollaborativ und entsprechend ihres vorhandenen Know-hows. Aus evm-Sicht haben wir schon wichtige Schritte in die richtige Richtung ergriffen.

Bleiben wir beim Thema Vision. Was denken Sie, wie wird die evm in naher Zukunft mit Daten arbeiten können?

Wir verfolgen echtes datengetriebenes Wirtschaften in Form der präskriptiven Datenanalyse. Datenanalyse wird bei der evm aus Kundensicht und als anfragenbezogener Standardprozess etabliert. Das Datenverständnis ist nicht nur in der gesamten evm-Gruppe gewachsen, sondern abteilungsübergreifend auf demselben Niveau.

Vielen Dank für die Einblicke, Frau Burdenski.