Die Erfolgsfaktoren
Den kulturellen Wandel aktiv begleiten. „The hardest part of a successful digital transformation is the cultural piece.“ Die Entscheidung, ein Data Science-Team aufzubauen, sollte als Transformationsprozess verstanden werden. Dadurch ändern sich bestehende Entscheidungsgrundlagen. Es entstehen neue Geschäftsprozesse und Organisationsstrukturen sowie neue Formen der Zusammenarbeit. Soll diese Transformation erfolgreich sein, ist ein Wandel der Unternehmenskultur erforderlich, der idealerweise durch ein professionelles Change Management begleitet wird.
Die Akzeptanz der Anwender fördern. Die Kundenbetreuer als Hauptnutzer der Analyseergebnisse wurden von Beginn an in die Selektion und Bewertung der Analyseszenarien sowie in die Evaluation der Ergebnisse eingebunden. Beispielsweise liefert eine selbstentwickelte Erklärungskomponente zu jeder Aktionsempfehlung Hinweise, aufgrund welcher kundenspezifischen Datenkonstellation der Prognosealgorithmus zu seiner Entscheidung kommt. Diese Transparenz erwies sich als wesentlich für die hohe Akzeptanz der Lösung.
Sofort mit Data Science 2.0 beginnen, oder: Ab dem ersten Tag an die Umsetzung denken. Viele Data-Science-Vorhaben bleiben im Pilotstatus stecken („Proof-of-Concept-Falle“), weil analytische Zwischenergebnisse – wie eine prototypisch erzielte hohe Prognosequalität – bereits als Projekterfolg gefeiert werden. Infolgedessen wird häufig bereits das nächste Projekt begonnen, bevor das erste tatsächlich im produktiven Einsatz ist. Data Science 2.0 bedeutet, möglichst früh die produktive Umsetzung in den Blick zu nehmen und ein Projekt erst dann als Erfolg zu werten, wenn ein analytisches Anwendungssystem regelmäßig genutzt wird.
Fazit & Ausblick
Für Kundenbetreuter am Sitz Zürich werden die beschriebenen Aktionsempfehlungen zur Steigerung der Kundenzufriedenheit bereits regelmäßig ausgespielt, nachdem sie zuvor in mehreren ausführlichen Coaching-Sessions in der Anwendung des Systems geschult wurden. In wiederkehrenden Feedback-Schleifen wird nun die Rückmeldung der Nutzer über die aktuellen Aktionsempfehlungen eingeholt, um dadurch die Qualität der Modelle weiter verbessern zu können. Die dabei gesammelten Erfahrungswerte flossen bereits in die Erstellung separater Prognosemodelle für weitere Standorte ein, die inzwischen ebenfalls in den produktiven Einsatz überführt sind.
Über die Autoren:
Ludwig Ressner ist Stabschef des COO & Head Intermediaries der Bank Julius Bär. In dieser Funktion ist er verantwortlich für angewandte Innovation und Data Science. Er hat an der LMU München in Volkswirtschaftslehre (Spieltheorie & Ökonometrie) promoviert.
Peter Neckel leitet den Bereich Customer Analytics bei der Managementberatung Mayato. Seine Schwerpunkte liegen in der Entwicklung kundenzentrierter Strategien und Prozesse, deren Verknüpfung mit datengetriebenen Ansätzen sowie in der Schulung von Data-Science-Teams.