Warum manche Digitalisierungsprojekte scheitern
© Pixabay / Geralt
Die digitale Transformation gehört für fast zwei Drittel der deutschen Großunternehmen zu den drei wichtigsten Firmenzielen (62 Prozent, Etventure und Marktforschungsunternehmens GfK, 2018, „Digitale Transformation 2018 – Hemmnisse, Fortschritte, Perspektiven“). Doch das bedeutet nicht, dass jedes Digitalisierungsprojekt automatisch gelingt. Unternehmen können ebenso scheitern. Die Gründe hierfür sind vielfältig und reichen von mangelndem Wissen über den Einsatz neuer Technologien, Festhalten an veralteten Strukturen, fehlendem Kulturwandel bis hin zu Sicherheitsbedenken - und einer mangelhaften Strategie. Und vor allem der falsche Umgang mit Daten ist ein großes Hindernis. So erschließt Deutschland gerade einmal etwas mehr als die Hälfte des potenziellen Wertes seiner Daten – und schöpft somit 88 Milliarden Euro an Datenwert nicht aus1. Doch eine erfolgreiche Digitalisierung ist äußerst eng mit der Fähigkeit verknüpft, das Potenzial seiner Daten heben zu können. Vernachlässigen Unternehmen also ihre Daten und schaffen es nicht, diese in einen gewinnbringenden Wert umzuwandeln, kann die Digitalisierung schlichtweg nicht gelingen.
Jedes vierte Unternehmen ist innerhalb der letzten zwei Jahre mit einem digitalen Projekt gescheitert. Im Schnitt hat sie dies über eine halbe Million Euro Verlust gekostet (Digital Realty und Development Economics, 2018, „Data Economy Report“). Das liegt zum einen daran, dass Unternehmen die wirkliche Disruptionskraft der Digitalisierung nicht verstehen. Für sie bedeutet der digitale Wandel, lediglich ihr bestehendes Geschäftsmodell und analoge Prozesse zu digitalisieren (55 Prozent, Etventure und Marktforschungsunternehmens GfK, 2018, „Digitale Transformation 2018 – Hemmnisse, Fortschritte, Perspektiven“).
Nur jedes vierte Unternehmen versteht unter digitaler Transformation auch die Entwicklung neuer digitaler Geschäftsmodelle und den Aufbau hin zu einer datengetriebenen Organisation. Und genau darum geht es im Kern der Digitalisierung: das eigene Unternehmen zu einer datengetriebenen oder datengesteuerten Organisation zu transformieren. Vor diesem Hintergrund sollten Unternehmen vor allem ihren Kundendaten einen hohen Stellenwert beimessen. Denn wer in der digitalen Welt seine Kunden nicht kennt, kann diese in der digitalen Welt auch nicht begleiten. Maßnahmen wie E-Mail-Marketing-Aktionen oder die Marketing-Automation können dann nicht präzise aufgesetzt und ausgerichtet werden. Die Gefahr ist also groß, dass Unternehmen die Bedürfnisse ihrer Kunden fehlinterpretieren, den Anschluss zum geänderten digitalen Verhalten der Kunden nicht schaffen, ihn schlussendlich falsch adressieren und digitale Geschäftsmodelle am Kunden vorbei konzipieren. Diese Schlussfolgerung unterstreichen auch die Analysten von Forrester Research: die eigenen Kundendaten zu optimieren, das sei ein zentraler Erfolgsfaktor für eine erfolgreiche digitale Transformation.
Um also erfolgreich zu digitalisieren, müssen Unternehmen ihre Kunden und deren Verhalten grundlegend und vollständig verstehen und sich daran anpassen. Doch es hapert allein schon daran, dass Unternehmen ihre bestehenden Kunden schlichtweg gar nicht kennen, geschweige denn künftige Bedürfnisse prognostizieren können. Laut einer repräsentativen Umfrage von Uniserv hat jeder zweite deutsche Verbraucher dies bereits erlebt. Sei es durch Falschansprache in E-Mail-Kampagnen, Werbemaßnahmen und fehlgeleitete Angebote auf Basis von falschen und veralteten Kundendaten. Eine hochwertige Kundendatenbasis und eine ebenso hohe Datenqualität sind daher das A und O, um darauf basierend Wünsche und Bedürfnisse, und ebenso künftige digitale Geschäftsmodelle, ableiten zu können. Dabei helfen können Analyse-Systeme wie Big-Data-Analytics- oder Machine-Learning-Lösungen.
Analytics-Lösungen sind in der Lage, große Mengen an Daten auszuwerten. Machine-Learning-Systeme sind darüber hinaus in der Lage, nicht nur eine Vielzahl an Informationen zu analysieren, sondern aus (Kunden-) Datenmengen zu lernen. Doch dazu muss eine verlässliche Datenbasis gegeben sein. Denn wenn schon Basisinformationen wie Name und Adresse oder Daten zu den Vorlieben eines Kunden falsch sind, dann sind es auch die Rückschlüsse, die ein Analytics-System aus ihnen zieht. Ein System kann immer nur so gut sein wie die Daten, die ihr zur Verfügung stehen. Dies trifft vor allem auf Machine-Learning-Lösungen zu. Denn sie lernen anhand von vorgegebenen Daten, um nach Beendigung der Lernphase später auch unbekannte Daten beurteilen und Rückschlüsse daraus ziehen zu können. Damit das System nicht falsch lernt und irrtümliche Prognosen erstellt, ist es kritisch, dass die zugrundliegende Datenbasis absolut fehlerfrei ist. Soll beispielsweise ein Machine-Learning-System Fragen beantworten wie: Was macht den Kauf eines Produktes aus und welche Kundensegmente gibt es? Ist die Datenbasis schlecht, beantwortet das System diese Fragen entsprechend falsch und daraus von Unternehmensentscheidern abgeleitete Handlungsoptionen wären fatal. Daten müssen daher über ihren gesamten Lebenszyklus hinweg gepflegt, geschützt und überwacht werden.
Dies gelingt Unternehmen über den sogenannten Golden Record. Über diesen ist es möglich, alle im Unternehmen verteilten Kundenstammdaten zu einem Datensatz zusammenzuführen und qualitätszusichern, sodass nur korrekte und aktuelle Kundenstammdaten vorliegen. Diese lassen sich zudem mit Bewegungsdaten wie Kunden-Verhaltensdaten, Kundencharakteristiken und Kundeninteraktionsdaten anreichern, um ein 360-Grad-Profil zu erhalten. Die Lösungs- und Prozessmethodik „Ground Truth“ wiederum kombiniert alle diese kundenbezogenen Stamm- und Bewegungsdaten und führt diese Informationen aus allen verfügbaren Unternehmenssystemen, wie ERP und CRM, einheitlich zusammen. So erhalten Unternehmen einen organisationsweit einheitlichen qualitätsgesicherten Datensatz zu jedem Kunden, das Golden Profile – und schaffen die benötigte Grundlage für das ML-System und somit selbstverständlich für das E-Mail-Marketing und die Marketing-Automation.
Es gibt viele Gründe, warum digitale Projekte scheitern können. Doch sie alle sind meist auf ein Problem zurückzuführen: Daten von schlechter Qualität. Um einem Scheitern entgegenzuwirken, sollten Unternehmen zuerst für eine gute, qualitätsgesicherte Datenbasis sorgen, die die Bedürfnisse der Kunden verrät. Erst, wenn die Marschrichtung klar ist, kann eine digitale Strategie erdacht und Technologien eingesetzt werden. Denn nur, wer Kundendaten als zentrales Asset begreift und die Digitalisierungsstrategie auf die Bedürfnisse der Kunden abstimmt, senkt die Wahrscheinlichkeit, dass ein digitales Projekt fehlschlägt.
Um das Thema dreht sich auch die Innovative 2018 – das Trendforum für Kundendaten am 14. Juni 2018 in Frankfurt am Main.
Digitale Projekte scheitern bei jedem vierten Unternehmen
Jedes vierte Unternehmen ist innerhalb der letzten zwei Jahre mit einem digitalen Projekt gescheitert. Im Schnitt hat sie dies über eine halbe Million Euro Verlust gekostet (Digital Realty und Development Economics, 2018, „Data Economy Report“). Das liegt zum einen daran, dass Unternehmen die wirkliche Disruptionskraft der Digitalisierung nicht verstehen. Für sie bedeutet der digitale Wandel, lediglich ihr bestehendes Geschäftsmodell und analoge Prozesse zu digitalisieren (55 Prozent, Etventure und Marktforschungsunternehmens GfK, 2018, „Digitale Transformation 2018 – Hemmnisse, Fortschritte, Perspektiven“).
Nur jedes vierte Unternehmen versteht unter digitaler Transformation auch die Entwicklung neuer digitaler Geschäftsmodelle und den Aufbau hin zu einer datengetriebenen Organisation. Und genau darum geht es im Kern der Digitalisierung: das eigene Unternehmen zu einer datengetriebenen oder datengesteuerten Organisation zu transformieren. Vor diesem Hintergrund sollten Unternehmen vor allem ihren Kundendaten einen hohen Stellenwert beimessen. Denn wer in der digitalen Welt seine Kunden nicht kennt, kann diese in der digitalen Welt auch nicht begleiten. Maßnahmen wie E-Mail-Marketing-Aktionen oder die Marketing-Automation können dann nicht präzise aufgesetzt und ausgerichtet werden. Die Gefahr ist also groß, dass Unternehmen die Bedürfnisse ihrer Kunden fehlinterpretieren, den Anschluss zum geänderten digitalen Verhalten der Kunden nicht schaffen, ihn schlussendlich falsch adressieren und digitale Geschäftsmodelle am Kunden vorbei konzipieren. Diese Schlussfolgerung unterstreichen auch die Analysten von Forrester Research: die eigenen Kundendaten zu optimieren, das sei ein zentraler Erfolgsfaktor für eine erfolgreiche digitale Transformation.
Die Analyse von Kundendaten ist erfolgsentscheidend
Um also erfolgreich zu digitalisieren, müssen Unternehmen ihre Kunden und deren Verhalten grundlegend und vollständig verstehen und sich daran anpassen. Doch es hapert allein schon daran, dass Unternehmen ihre bestehenden Kunden schlichtweg gar nicht kennen, geschweige denn künftige Bedürfnisse prognostizieren können. Laut einer repräsentativen Umfrage von Uniserv hat jeder zweite deutsche Verbraucher dies bereits erlebt. Sei es durch Falschansprache in E-Mail-Kampagnen, Werbemaßnahmen und fehlgeleitete Angebote auf Basis von falschen und veralteten Kundendaten. Eine hochwertige Kundendatenbasis und eine ebenso hohe Datenqualität sind daher das A und O, um darauf basierend Wünsche und Bedürfnisse, und ebenso künftige digitale Geschäftsmodelle, ableiten zu können. Dabei helfen können Analyse-Systeme wie Big-Data-Analytics- oder Machine-Learning-Lösungen.
Schlechte Kundendaten sind Ursache der Probleme
Analytics-Lösungen sind in der Lage, große Mengen an Daten auszuwerten. Machine-Learning-Systeme sind darüber hinaus in der Lage, nicht nur eine Vielzahl an Informationen zu analysieren, sondern aus (Kunden-) Datenmengen zu lernen. Doch dazu muss eine verlässliche Datenbasis gegeben sein. Denn wenn schon Basisinformationen wie Name und Adresse oder Daten zu den Vorlieben eines Kunden falsch sind, dann sind es auch die Rückschlüsse, die ein Analytics-System aus ihnen zieht. Ein System kann immer nur so gut sein wie die Daten, die ihr zur Verfügung stehen. Dies trifft vor allem auf Machine-Learning-Lösungen zu. Denn sie lernen anhand von vorgegebenen Daten, um nach Beendigung der Lernphase später auch unbekannte Daten beurteilen und Rückschlüsse daraus ziehen zu können. Damit das System nicht falsch lernt und irrtümliche Prognosen erstellt, ist es kritisch, dass die zugrundliegende Datenbasis absolut fehlerfrei ist. Soll beispielsweise ein Machine-Learning-System Fragen beantworten wie: Was macht den Kauf eines Produktes aus und welche Kundensegmente gibt es? Ist die Datenbasis schlecht, beantwortet das System diese Fragen entsprechend falsch und daraus von Unternehmensentscheidern abgeleitete Handlungsoptionen wären fatal. Daten müssen daher über ihren gesamten Lebenszyklus hinweg gepflegt, geschützt und überwacht werden.
ML-Systeme können nur bei hochwertigen Daten lernen
Dies gelingt Unternehmen über den sogenannten Golden Record. Über diesen ist es möglich, alle im Unternehmen verteilten Kundenstammdaten zu einem Datensatz zusammenzuführen und qualitätszusichern, sodass nur korrekte und aktuelle Kundenstammdaten vorliegen. Diese lassen sich zudem mit Bewegungsdaten wie Kunden-Verhaltensdaten, Kundencharakteristiken und Kundeninteraktionsdaten anreichern, um ein 360-Grad-Profil zu erhalten. Die Lösungs- und Prozessmethodik „Ground Truth“ wiederum kombiniert alle diese kundenbezogenen Stamm- und Bewegungsdaten und führt diese Informationen aus allen verfügbaren Unternehmenssystemen, wie ERP und CRM, einheitlich zusammen. So erhalten Unternehmen einen organisationsweit einheitlichen qualitätsgesicherten Datensatz zu jedem Kunden, das Golden Profile – und schaffen die benötigte Grundlage für das ML-System und somit selbstverständlich für das E-Mail-Marketing und die Marketing-Automation.
Fazit: Gute Datenbasis ist das A und O
Es gibt viele Gründe, warum digitale Projekte scheitern können. Doch sie alle sind meist auf ein Problem zurückzuführen: Daten von schlechter Qualität. Um einem Scheitern entgegenzuwirken, sollten Unternehmen zuerst für eine gute, qualitätsgesicherte Datenbasis sorgen, die die Bedürfnisse der Kunden verrät. Erst, wenn die Marschrichtung klar ist, kann eine digitale Strategie erdacht und Technologien eingesetzt werden. Denn nur, wer Kundendaten als zentrales Asset begreift und die Digitalisierungsstrategie auf die Bedürfnisse der Kunden abstimmt, senkt die Wahrscheinlichkeit, dass ein digitales Projekt fehlschlägt.
Um das Thema dreht sich auch die Innovative 2018 – das Trendforum für Kundendaten am 14. Juni 2018 in Frankfurt am Main.