Logo Print
Beitrag von Alexander Vocelka

Beitrag von Alexander Vocelka

Digital basierte Steuerung -
Ein Performanceschub durch Big Data und Machine Learning? 

Ein Beitrag von Alexander Vocelka,
Partner & Head of Steering Lab, Horváth & Partner

 

Mithilfe von Big Data und Machine Learning lassen sich Unternehmen besser steuern und optimieren. Dabei ermöglichen quantitative Modelle mehr Präzision: über die gesamte Wertschöpfungskette hinweg.

Topevent für Topmanager
Die 4. Big Data & Machine Learning Conference von Horváth & Partners am 7. und 8. November in München. 
Jetzt informieren.

Created with Sketch.

Unternehmen zu steuern und ihnen die Richtung vorzugeben ist eine Kernaufgabe jeglichen Managements. Immer noch läuft diese Steuerung vor allem unter dem Gesichtspunkt der Ergebnisdimension – den Finanzkennzahlen. Damit aber bewegt man sich auf der Ebene der Symptomsteuerung.

Der Hauptgrund dafür ist, dass «weiche» Faktoren wie etwa die Kundenzufriedenheit oder die Produktqualität, die Kundenbedürfnisse, das Image oder die Marke bislang nur vereinzelt, sporadisch quantitativ messbar waren. Deren effiziente und kontinuierliche Quantifizierung war mit Instrumenten wie der herkömmlichen Balanced Scorecard (BSC) nicht möglich.

Die neue «Digital System Scorecard». 

Diese Begrenzung entfällt jetzt: Die «Digital System Scorecard» (DSC) basiert auf Big Data und Machine Learning. Sie berücksichtigt neben der Finanzdimension große Mengen strukturierter und unstrukturierter, interner und externer Daten, um die Unternehmensleistung auch auf der Ursachenebene zu messen. Ihr zeitlicher Horizont, ihre Granularität sind unlimitiert. Sie ist unübertroffen bei der Deskription für die Analyse, der Vorhersage und der Kontrolle für die Steuerung. 

Damit eröffnet die DSC völlig neue Möglichkeiten: Sie arbeitet in real-time, global und hyperdimensional. Erstmals kann zum Beispiel umfassend und schnell quantitativ erfasst und ausgewertet werden, was die Kunden denken und wünschen, wie sich die angebotenen Produkte während ihres gesamten Lebenszyklus bewähren, was der Wettbewerb macht oder wie sich der Markt täglich entwickelt. 

Und Manager können damit besser steuern, weil sie den Status und alle Aktivitäten in ihren Organisationen praktisch in Echtzeit im Blick haben – und das weltweit und auf granularer Ebene.
 

Working Asset Optimization. 

In welchen Bereichen aber liegen dann die größten Potenziale der Unternehmensoptimierung durch Big Data? Die Antwort: vor allem in der Logistik, in den Geschäftsprozessen und in den Produkten selbst. Konzentrierte man sich früher stark auf das «Working Capital Management», so ist dieser Begriff in der digitalen Welt wesentlich zu kurz gefasst. 

Heute geht es bei der Unternehmensoptimierung vielmehr um «Working Asset Optimization»: von den Mitarbeitern, den Maschinen, über die Produktionsstätten und Produktlager sowie entlang der gesamten Lieferkette vom ersten Lieferanten bis hin zum letzten Kunden im hintersten Winkel des Planeten. 

Die neuen Helfer: Roboter wie dieser Spiderbot von Siemens übernehmen in Wirtschaft und Gesellschaft immer mehr Aufgaben.

Quantitative Demand Management. 

Dank der quantitativen Verbesserungspotenziale gerade im operativen Geschäft und im Kundenservice lässt sich die Workforce-Optimierung in vielen Servicebereichen um bis zu 30 Prozent voranbringen. 

Die Verbesserung betrifft auch Sales und Marketing. Das Verfahren des «Quantitative Demand Management» etwa erlaubt es, die Bedürfnisse und Nachfrage der Kunden nicht nur isoliert, sondern im Kontext zu den angebotenen Produkten eines Unternehmens und seiner Wettbewerber exakt zu modellieren. Auf dieser Grundlage ist eine neue Form der Synthese möglich: die Modellierung des gesamten Soll-Angebots von der Einzelfunktion bis hin zum Pricing. 

QDM beinhaltet alle vier P des Marketings (Product, Price, Place, Promotion). Sie sind heute mittels Big Data und Maschinenlernen auf allen Ebenen modellierbar – selbst kleinste Einzelfeatures. Dieselbe Transparenz eröffnet sich bei der Analyse des Kundenverhaltens in immer weiter gefassten Kontexten. Die Basis dafür sind Tausende von Rezensions-, Preis-, Experten- und Beratungsplattformen. 

Zwar werden immer noch viele dieser Internetseiten schlampig gepflegt, und die meisten Unternehmen wissen kaum, welch’ ein Informationsschatz dort lagert. Aber die ersten klassisch geführten Unternehmen beginnen, ihn jetzt zu heben. Die größere Übersicht bewirkt nicht nur eine Revolution im Marketing oder Vertrieb, sondern auch bei der Entwicklung und dem Management der Produkte: Es zeichnet sich ab, dass die Produktentwicklung, das Design und die gesamte Vermarktung in erster Linie von Big Data und Machine Learning getrieben werden.

Intelligente Geräte statt Produkte. 

Es macht durchaus Sinn, das «Quantitative Demand Management» noch weiter zu treiben: zum Beispiel dadurch, dass Produkte wie etwa Autos mithilfe vernetzter Sensoren von sich aus berichten, was genau mit ihnen passiert und wie es den Kunden mit ihnen ergeht. 

Grundsätzlich können alle Produkte – angepasst an ihren Lebenszykluskontext – mit Intelligenz aufgeladen werden. Das geht so weit, dass höherwertige Produkte eine besondere Intelligenz entwickeln, um mannigfaltige Umgebungsinformationen zu verarbeiten. 

Für die Verbraucher bringt beispielsweise eine intelligente Waschmaschine große Vorteile, die während ihrer gesamten Nutzungsdauer mit dem Herstellerunternehmen in Verbindung bleibt: Nicht nur, weil sie die Nutzungsdaten an den Hersteller weitergibt, sondern in umgekehrter Richtung auch verbesserte Funktionen übermittelt bekommt. 

Mit hoher Wahrscheinlichkeit werden viele unserer Basisroboter künftig sehr viel intelligenter sein: Statt etwa nur stumpfsinnig den Rasen zu mähen, erkennen sie wie ein Biologe das Unkraut, quantifizieren es und zupfen es Pflanze für Pflanze aus dem Rasen. Sie können einschätzen, ob zum Beispiel die Buchsbäume von Larven attackiert werden, darüberhinaus den Boden analysieren und über die Verbindung mit dem Hersteller des Geräts Ratschläge zur Pflege und zu den optimalen Zierpflanzen an jeder Stelle des Grundstückes machen – und das alles rund um die Uhr. 

Es entstehen intelligente Hausgeräte, die heute bereits miteinander verbunden werden. Und schon ergeben sich die entsprechenden Organigramme und Intelligenzhierarchien für künftige Anwendungen: Wer etwa entscheidet, ob der Staubsauger nebenbei die Wohnung beaufsichtigt und zum Beispiel meldet, wenn er einen Sprung im Fenster bemerkt oder eine Lampe nicht mehr funktioniert? Das könnte der Staubsauger selbst übernehmen. Oder erzwingt etwa die elektronische Hausintelligenz, die gerade mit der Autointelligenz hart um das Drinnen- oder Draußen-Parken verhandelt, solche Meldungen nur durch sie abzusetzen? 

Nicht allein der private Bereich verändert sich durch die neuen Helfer stark, auch in den Unternehmen legen intelligente Maschinen und Produkte ungeahnte Potenziale frei und ermöglichen damit völlig neue Geschäftsmodelle.


Topevent für Topmanager

Wollen Sie tiefer in das Thema einsteigen? Die 4. BIG DATA & MACHINE LEARNING Conference von Horváth & Partners am 7. und 8. November in München bietet ein hochwertiges Forum für Entscheider und digitale Promotoren in Unternehmen, um sich über die relevantesten, aktuellsten und künftigen Entwicklungen und Anwendungen im Bereich von Big Data, Machine Learning und Artificial Intelligence umfassend zu informieren. 

Die Vorträge und die Live-Demonstrationen bieten Referenten von Unternehmen wie unter anderem Allianz, BMW, Deutsche Telekom, Google, SBB oder VW. Für die Teilneh- mer besteht die Gelegenheit zu Gesprächen mit den Key Note Speakern und Referenten. 

Ziel der Konferenz ist es, Managern zu helfen, die digitale Transformation in ihren Organisationen zu beschleunigen und wesentliche Weichenstellungen frühzeitig und unter Berücksichtigung aller Möglichkeiten und Potentiale vornehmen zu können, Herausforderungen richtig einzuschätzen und Ihre Ressourcen auf die Initiativen mit der größtmöglichen Wertschöpfung zu konzentrieren. 

Weitere Informationen gibt es unter: www.horvath-partners.com/bdml.