Digital Transformation Blog

Digital Transformation Blog

Opinions expressed on this blog reflect the writer’s views and not the position of the Capgemini Group

Digital Customer Experience in der Automobilindustrie: Mehr als nur große Ideen zur Implementierung von Big Data & Analytics Services in der Organisation

Unternehmen in der Automobilindustrie sind sich der Wichtigkeit von Big Data & Analytics zur Umsetzung von Geschäftspotenzialen mittlerweile weitestgehend bewusst. Laut einer weltweiten Capgemini Umfrage denken 60% der befragten Führungskräfte diverser Industrien, dass Big Data innerhalb der nächsten 3 Jahre einen disruptiven Einfluss auf ihre Branche haben wird.  Trotzdem haben nur 13% der befragten Unternehmen betriebsbereite Lösungen für Big Data Anwendungen implementiert. (Quelle: Capgemini Consulting Studie „Big Data Operationalisierung“) Wie sieht also eine optimale organisatorische Umsetzung für Big Data & Analytics Services in der Automobilbranche aus?

1.     Herausforderungen bei der Umsetzung und Implementierung von Big Data & Analytics Services

Nur 27% der befragten Unternehmen beschreiben ihre Big Data & Analytics Initiativen als „erfolgreich“ und nur 8% als „sehr erfolgreich“ (Quelle: Capgemini Consulting Studie „Big Data Operationalisierung“). Während zum einen eine fundierte Expertise in den Unternehmen fehlt (beispielsweise finden 4 von 5 Unternehmen nicht die Big-Data Experten, die sie bräuchten), gibt es weitere zentrale Herausforderungen in der Umsetzung der Initiativen:

1)   Bestehende Datensilos:
79% der Organisationen besitzen keine einheitliche, integrierte Datenbasis. In der Automobilbranche müssen insbesondere Datensilos aus verschiedenen organisatorischen und rechtlichen Funktionsbereichen zusammengeführt werden (lesen Sie auch unseren Leitartikel zu digitalen Transformationsprogrammen in der Automobilindustrie)

2)   Unklarer Business Case für Finanzierung und Implementierung:
67% der Unternehmen haben keine klaren Kriterien um ihre Big Data Initiativen zu messen

3)   Ineffektives Management von Big Data & Analytics Teams:
54% der Organisationen besitzen keine gemeinsamen Projektteams aus Fachbereichen und IT
53% folgen keinem Top Down Ansatz zur Entwicklung von Big Data Strategien

4)   Abhängigkeit von Altsystemen für Datenverarbeitung & -management
Nur 36% der Unternehmen nutzen Cloud-basierte Big Data und Analytics Plattformen

Ineffektive Governance Modelle, fehlende Unterstützung durch das Top Management und datenschutzrechtliche Bedenken und Hürden (lesen Sie hierzu auch den nächsten Artikel unserer Reihe, erscheinend am 08.06.2016), sind weitere Gründe für die komplexen Anforderungen erfolgreicher Analytics Initiativen.

2.     Lösungsoptionen: Zentrales Management und Start-up-ähnliche Analytics Service Units

Eine Lösungsoption liegt in einer starken Unternehmensorganisation, d.h. einer stringente Unternehmensstruktur und -organisation, einem systematischen Umsetzungsplan und einem starken Führungsteam. Gleichzeitig muss es das Ziel sein, Daten diverser Silos zu integrieren, um eine solide Basis für eine umfassende Kundensicht und die Generierung von Kundeninsights zu schaffen. Dies kann durch eine zentrale Einheit gelöst werden, deren Aufgabe es u.a. ist, Wissen und Ziele diverser Stakeholder sowie Einheiten zusammenzubringen und zu managen. Unternehmen, die eine spezielle Einheit für Business Analytics gebildet haben, weisen zum Beispiel eine 2,5 mal höhere Erfolgsrate auf als solche, die ad-hoc und mit isolierten Teams agieren. (Quelle: Capgemini Consulting Studie „Big Data Operationalisierung“) Doch OEMs müssen gleichzeitig schnell und flexibel agieren und neue Wege gehen um die raren Talente zu begeistern, die ihre Big Data & Analytics Initiativen vorantreiben können. Unweigerlich stellt sich die Frage, ob die Anforderungen durch „Make or Buy“ Aktivitäten gelöst werden können.

1)      Buy: Externer Dienstleister

Der Zukauf von Analytics Dienstleistungen erscheint zunächst verlockend für OEMs. Im Vergleich zum Aufbau interner Einheiten ist der Zugang zu externen analytischen Kompetenzen unmittelbar gegeben und schnell realisierbar. Ergebnisse und Erfolge können damit kurzfristig schneller erzielt werden und Investitionen geringer gehalten werden. Ein aufwendiger Aufbau von internen Strukturen und Kompetenzen ist nicht notwendig.

Trotzdem wiegen die Nachteile langfristig schwerer, wenn Analytics Dienstleistungen, die zukünftig eine entscheidende Kernkompetenz der OEMs sein sollen, komplett ausgelagert werden. Hohe Risiken durch Abhängigkeiten zu externen Dienstleistern (u.a. für CRM Dienstleistungen) sind für OEMs bereits jetzt ein großes Problem und sollten beim Thema Analytics auf keinen Fall weitergeführt werden. Würden (analytische) Daten und Kompetenzen bei einem externen Dienstleister liegen, würde die Abhängigkeit der Automobilhersteller von diesen steigen. Der Aufbau von Wissen durch die integration von Kundendaten und der Generierung von Kundeninsights ist für die OEMs jedoch essentiell, da sie ihre Kunden durch die bestehenden Datensilos und Zwischenschaltung externer Dienstleister bisher kaum oder nur wenig kennen. Dies wird durch die steigende  Relevanz  der „customer centricity“ für eine optimierte Customer Experience unumgänglich (lesen Sie hierzu auch unseren Artikel zur Transformation der Kundenbetreuung).  Das Beauftragen eines externen Dienstleisters würde zudem zu wenig Transparenz bezüglich Qualität und Kosten der ausgeführten Services führen. Eine direkte Steuerungsfähigkeit wäre nicht möglich.

Natürlich gilt es situationsbedingt abzuwägen. Grundsätzlich sollten die zentrale Steuerung und die Kernkompetenzen bei den OEMs verbleiben und das Management und Experten, wie beispielsweise Data Scientists, intern angesiedelt sein. Sehr wohl ist eine Einbindung externer technische Plattformen und Software-Lösungen aber sinnvoll, um gezielt Erfolge zu erreichen, auch in Hinblick auf rare HR Ressourcen. Der OEM sollte darum bemüht sein, Kompetenz im Bereich der analytischen Steuerung aufzubauen und nicht selbst zum IT Provider werden.

2)      Make: Interne Abteilung oder interner Dienstleister

Sieht man von den zunächst höheren Investitionen und der höheren Dauer für Aufbau und Implementierung ab, birgt der „Make“-Ansatz gegenüber dem „Buy“-Prinzip Chancen und Vorteile für OEMs. Laut einer Studie in Kooperation mit dem MIT Center für Digital Business weisen Unternehmen mit stärkerer digitaler Intensität höhere Umsätze und Profitabilität auf als Wettbewerber derselben Peer Group. (Quelle: Capgemini Consulting „The Digital Advantage – How Digital Leaders Outperform their Peers in Every Industry”)

Vorteile der internen Umsetzung ergeben sich im Umkehrschluss zu den Nachteilen des externen Dienstleisters. Wichtig ist vor allem der Aufbau interner analytischer Kompetenzen und Wissen durch den Zugang zu internen, qualitativ hochwertigen, analytischen Ressourcen und ein Aufbrechen von Datensilos. Dies bildet die Grundlage für verbesserte Businessprozesse und Entscheidungsfindung sowie Verbesserung von Kundenbetreuung und -zufriedenheit. Weiterhin kann im Rahmen datenschutzrechtlicher Fragen ein Vertrauensbonus der Kunden genutzt werden, wenn Kundendaten nur innerhalb der Organisation gespeichert und verarbeitet, jedoch nicht weitergegeben werden.

Betrachtet man die organisatorischen Umsetzungsmöglichkeiten, haben interne Abteilungen dabei allerdings den Nachteil unflexibel und behebig zu sein. Interne Dienstleister in Form einer „Analytics Service Unit“ bzw. eines „Center of Compentence“ bieten währenddessen Vorteile, die das Kerngeschäft stärken und analytische Transformation möglich machen. Dies resultiert aus der flexiblen Gestaltungsfähigkeit eines internen Dienstleisters, welcher nicht den typischen Strukturen und Rollen des Mutterkonzerns folgen muss. Gemäß des Ambidexterity-Konzeptes sollte eine Analytics Service Unit eher den Ansatz der „Exploration“ verfolgen und dem Unternehmen neues Wissen zur Verfügung stellen. Eine Start-up-ähnliche Gestaltung des Center of Competence mit dezentralen Strukturen und flachen Hierarchien und eher breitgefächerten Skills bietet zum einen die Grundlage für eine schnellere Entwicklungsmöglichkeit zur analytischen Reife. Zum anderen ist sie geeignet um die raren Talente anzulocken, die notwendig sind um eine solche Unit erfolgreich aufzubauen und zu monetarisieren. Dies wird durch Standortvorteile noch unterstützt: die Unit muss nicht am Sitz des Mutterkonzerns aufgebaut werden, sondern dort, wo Talente leichter zu akquirieren sind. Diverse Beispiele finden sich beim Aufbau von Innovation Labs im Silicon Valley (z.B. @WalmartLabs) oder in München und Berlin. (lesen Sie hierzu auch unseren Artikel zum Thema „Ambidexterity“, erscheinend am 22.06.2016).

Natürlich ist zu beachten, dass für den Aufbau eines Center of Competence an innovativen Standorten höhere Kosten entstehen können, da der Hype auch die Konkurrenz anzieht, die ebenfalls versucht, dort rare Talente anzulocken. Nichtsdestotrotz bieten Analytics Service Units die Möglichkeit einer übergreifenden Verteilung von Daten und Insights durch einen Unternehmens- und Abteilungsübergreifenden Ansatz für Datenmanagement und Analytics sowie eine Reduktion interner Kosten durch den wirksamen Einsatz einer Shared Service Plattform. (Quelle: Capgemini Consulting „Analytics Service Unit“)

Dieser Post ist der 5. Teil der Serie „Digital Experience in der Automobilindustrie“ Lesen Sie auch
 
“Wer baut hier die meisten Leuchttürme” , Warum wir im Automobilhandel über mehr als nur Technologie sprechen müssen”, „Die Kundenbetreuung der Zukunft ist keine Einbahnstraße“ und „Die Renaissance der Kundenportale“

Über den Autor

Julia Bartel
Julia Bartel
Julia Bartel ist Senior Consultant im Bereich Digital Customer Experience. Als Expertin für innovatives CRM hilft Sie dabei, digitale Trends in Kundenlösungen zu übersetzen. Einer ihrer Schwerpunkte liegt dabei auf der Entwicklung von Mobile Solutions. In den letzten Jahren hat sie Projekte für Automotive, Retail- und Medienunternehmen im globalen Maßstab umgesetzt.

Julia Bartel is a Senior Consultant specialising in Digital Customer Experience, and her main area of expertise is developing eCommerce and mobile solutions for her clients. As an expert of innovative CRM, Julia aims to transform digital trends in innovative customer solutions, and in the last few years she has implemented projects for global companies in the automotive, retail and media sectors.

Kommentar hinterlassen

Ihre E-Mail-Adresse wird nicht veröffentlicht. Pflichtfelder sind mit einem * gekennzeichnet.