Haltungen, Meinungen und Emotionen zu Produkten und Dienstleistungen durch Fragebögen zu erforschen, ist in der digitalen Welt nicht mehr zeitgemäß. Gut, dass es mittlerweile Social Media gibt und künstliche Intelligenz (KI), um selbst Gefühlslagen aus Tweets und Posts herauszulesen – und das praktisch in Echtzeit. Hier der Theorieteil zur so genannten Sentimentanalyse.
Data Analytics
Google, Amazon, Facebook und Apple (GAFA) verstehen es wie kaum ein anderes Unternehmen, Daten ihrer Nutzer systematisch in Geschäft zu verwandeln. Kritiker sprechen schon von Surveillance Capitalism, zu Deutsch: Überwachungskapitalismus. Das Einsatzspektrum beschränkt sich längst nicht mehr auf die Online Community, sondern erfasst auch die Offlinewelt, wie zwei interessante Beispiele im Handel verdeutlichen.
Timing ist ein Schlüsselfaktor im Mobile Commerce. In der Smartphone-Welt entscheidet der richtige Inhalt im richtigen Moment, ob ein Konsument Inhalte von Unternehmen oder seine Produkte als relevant wahrnimmt. Für Unternehmen ist es wichtig zu wissen, in welcher Suchphase sich ein Konsument befindet, wenn er zum Smartphone greift. Jeder dieser Mikromomente erfordert eine besondere Ansprache.
Amazon, Alibaba, und Flipkart schwören darauf, Otto sowieso – die Rede ist von Predictive Analytics. Gemeint ist die umfassende Verwendung datengetriebener Trendanalysen zur Vorhersage (prediction) von Zukunftsszenarien. Ziel im Handelsumfeld ist einzuschätzen, wie sich Kunden künftig verhalten, um zum Beispiel daraufhin Warenkörbe, Preise, Lieferungen, Retouren, Payment-Lösungen auszurichten.
„Alles, was wir machen, machen wir messbar“. So lautet das Credo datengetriebener Agilität. Wer allerdings nicht nur datengetrieben, sondern auch agil arbeiten möchte, braucht Analytics-Architekturen, die viele verschiedene Daten von Menschen und Maschinen verdichten und daraus Informationen generieren, die schnelle Entscheidungen unterstützen. Hierzu einige Erkenntnisse aus unserer Studie Datengetriebene Agilität.
Das Digitale rückt für die Automobilbranche immer mehr in den Fokus der Wertschöpfung. Der Schwenk zum Elektroauto setzt eine Zeitenwende in Gang. Platinen und Software verdrängen Metall und Schmierstoffe. Mit massiven Veränderungen für die Zulieferer. Denn nicht jedes Geschäftsmodell wird in der digital vernetzten Online-E-Auto-Welt noch Platz haben oder sich daran anpassen lassen.
Die permanent steigende Datenflut birgt erhebliches Geschäftspotenzial, davon sind Fach- und Führungskräfte in Industrie und Wirtschaft überzeugt. Aus den heterogenen Big Data nützliches Wissen zu extrahieren und sich zu einer „Data-driven Company“ zu entwickeln, ist Herausforderung und Erfolgsfaktor in einem. Methodische Ansätze gibt es viele, um datenbasierte Analysen und Prognosen systematisch für die eigene Geschäftstätigkeit zu verwenden.
Data Scientists sind die neuen Hoffnungsträger für die Digitalisierung. Ihre Mission: Sie verwandeln Big Data in Smart Data und aus der Summe entstehen zufriedene Kunden und neues Wachstum. So lautet der Plan, auf den immer mehr Unternehmen setzen. Für diese Aufgabe werden Spezialisten gesucht. Ihr Fachgebiet lautet Data Science.
Von Liquid Big Data ist die Rede, wenn Wettbewerber untereinander Cloud-Technologien und Verfahrensweisen einsetzen, um offen große Datenvolumen miteinander zu teilen und zu analysieren. Der Ansatz bietet für beide Seiten Vorteile. Zugleich riskieren Unternehmen durch diese Kombination aus Kooperation und Wettbewerb („Co-opetition“) allerdings, Wettbewerbsvorteile und Marktanteile zu verlieren. Überwiegt der strategische Nutzen die Risiken?