Mehrere Branchenanalysten (Quelle, 2019) bestätigen, dass zwischen 50-80 % der Analyseinitiativen nicht den geplanten Geschäftswert erbringen. Einer der Hauptgründe dafür ist die Unfähigkeit, die Algorithmen erfolgreich zu operationalisieren. Mit anderen Worten - von den Daten zum Algo zu gelangen ist einfach, vom Algo zur Aktion zu gelangen ist schwierig. Um Geschäftsführern bei dieser Herausforderung zu helfen, haben wir bei Avaus eine Cookbook erstellt: AI in Marketing und Vertrieb, mit 50 Rezepten, die sich auf die Gleichung konzentrieren, bei der jeder gewinnen muss: Daten, Algo und Aktion.
Wenn Unternehmen über KI sprechen, konzentrieren sie sich in der Regel zu 80 % auf die Algo-Variable der Gleichung und nur zu einem geringen Teil auf die Datenerfassung und -aufbereitung, ganz zu schweigen von Maßnahmen und Aktivierung. Um Geschäftsergebnisse und langfristige Wettbewerbsvorteile zu erzielen, muss der Fokus anders aufgeteilt werden. Das perfekte Rezept für das Gesamtbild dürfte eher in der Größenordnung von 40-20-40 liegen: 40 % für die Datenaufbereitung, 20 % für die Modellentwicklung und 40 % für die Operationalisierung. In dem Maße, wie sich Daten- und Analyselösungen weiterentwickeln und Citizen Data Scientists sich zunehmend durchsetzen, wird der für "Algo" erforderliche Aufwand wahrscheinlich weiter sinken.
Damit diese Gleichung stimmt, empfehlen wir Ihnen, sich auf zwei Dinge zu konzentrieren: End-to-End-POCs (Proof of Concepts) und Operationalisierung.
End-to-End PoCs sind ein Muss
Der Teil "Aktion" Ihres End-to-End-Prozesses ist das, was Geschäftsergebnisse liefert oder nicht liefert, wenn es nicht entsprechend geplant ist. Ein typischer erster Schritt, sobald Daten gesammelt und für die analytische Modellierung zur Verfügung gestellt wurden, besteht darin, eine Reihe unterschiedlicher PoCs zu starten - alle mit einem reinen Algo-Fokus. Dies ist zwar ein guter Anfang, wird aber keinen langfristigen Erfolg bringen. Um den Erfolg langfristig zu sichern, sollte man sich frühzeitig darüber verständigen, wie ein erfolgreicher PoC aussehen soll und was die Überführung in das Pilotstadium und die anschließende Produktion aus einer End-to-End-Perspektive beinhalten sollte. Ein erfolgreicher analytischer PoC sollte als ein mehrphasiger Ansatz betrachtet werden. Dadurch wird sichergestellt, dass nicht nur die Daten und Algorithmen wie geplant einen Mehrwert liefern können, sondern auch, dass die Organisation bereit ist, das Modell zu operationalisieren - sowohl technisch als auch aus der Perspektive der Prozesse und Veränderungen.
Fokus auf Operationalisierung
Der analytischen Arbeit wird in der Regel die meiste Aufmerksamkeit gewidmet, aber die Auswirkungen auf das Geschäft ergeben sich erst bei der Operationalisierung der Modelle. Dies umfasst sowohl die technische Bereitstellung und Wartung der Modelle als auch die Integration in die Geschäftsprozesse. Im Falle von Marketing und Vertrieb müssen die Modellergebnisse in der Regel in die Lösungen in Ihrem Martech-Stack und in Kundenprozesse integriert werden, die über mehrere Plattformen mit Kundenkontakt laufen.
Eine gute Faustregel für den Ressourcen- und Arbeitsaufwand ist, dass Daten und Maßnahmen (Operationalisierung) etwa 80-90 % der aufgewendeten Zeit in Anspruch nehmen und die Algorithmenmodellierung nur etwa 10-20 %. Um die Effizienz in den beiden Schritten "Daten" und "Maßnahmen" zu steigern, sind ein Rahmen für maschinelles Lernen und eine Standardisierung der Operationalisierungsprozesse hilfreich.
Um mehr darüber zu erfahren, wie Sie Ihre Kundendaten in Geschäftsergebnisse umwandeln können, laden Sie die Avaus Cookbook: AI in Marketing und Vertrieb herunter:
Avaus herunterladen Cookbook