Daten aus unterschiedlichen Quellen gemeinsam betrachten, filtern, auswerten und interpretieren um wichtige und laufend aktuelle Informationen zu erhalten.

einen chatbot mit abis und der IBM cloud bauen

Die IBM Cloud bietet tolle Möglichkeiten, schnell und zuverlässig einen Chat Bot z.B. für den Kundensupport oder eine Webseite zu entwickeln. In unserem Beispiel beleuchten wir den Chat Bot, welchen ich für die Webseite erstellt habe. Dabei gehe ich zwar auf die Schritte ein, die für die Einrichtung eines Bots basierend auf IBM Watson notwendig sind. Viel wichtiger ist aber, die Funktion und Semantik einer Chat-Bot-Applikationen. Auch bei dem Bau von Chat Bots kann man sich im Kreise drehen oder gar verschätzen was die Komplexität betrifft. Wichtig ist das man vorher genau definiert wofür man den Bot einsetzen möchte.

Setup eines Chatbots auf der IBM Cloud

Dafür muss erstmal ein kostenloses Konto bei IBM erstellt werden. Die Freigabe dauert in der Regel bis zu 24 Stunden. Danach bekommt ihr die Zugangsdaten via E-Mail zugeschickt. Nach der Anmeldung könnt ihr eine “neue Ressource anlegen”. Dort findet ihr unter der Rubrik, künstlicher Intelligenz den “Watson Assistant”. Diesen könnt ihr dann einfach starten und in eure Anwendung oder WordPress Seite integrieren.

Man unterscheidet folgende Größen, die zur Konfiguration eines Chat-Bots genutzt werden können: 

“Intents” – s.g. Intensionen: Eine Intension drückt i.d.R. aus was ein Nutzer erwarten könnte, bzw. was ein Nutzer ausdrücken möchte. Der Bot kann mit Hilfe eines “Sets” an Intensionen, feststellen was gemeint ist und entsprechend eine Antwort aus dieser Kategorie zurückgeben.

“Dialog” – s.g. Dialogbereich: Bestimmte Themenbereiche werden in einem Graphen immer in s.g. Nodes definiert. Diese können, untereinander verschachtelt sein und in Beziehung miteinander stehen. Wichtig ist, dass man dabei die Pfade so exakt wie möglich definiert. Auch indem man händisch den Bot trainiert.

“Entities” s.g. Entitäten: Entitäten sind wie Substantive oder Keywords. Durch diese kann der Assistent zielgerichtete Antworten auf Fragen geben. Zum Beispiel “Wie viele Tische sind noch frei”, oder “wo finde ich die nächste U-Bahn”. Dort sind auch die System-Entitäten hinterlegt. Diese sind bspw. Systemzeit, Währung, Sprache etc. In den meisten Fällen benötigt man diese nicht. Entitäten sind erst interessant, wenn man weiterführende Prozesse abbilden möchte.

Folgendes Video geht detaillierter auf Entitäten ein:

Mit “Intents” und “Dialogs” einem Chatbot das Antworten beibringen

Wie vorhin bereits erklärt, kann mit s.g. “Intents” eine Intension eines Nutzers zum Ausdruck gebracht bzw. eingeschränkt werden. Diese Intensionen lassen sich dann auf einen Dialog “mappen”. Der Chat-Bot, erkennt nun die Semantik in einem Chat-Verlauf und kann je nach “Intent” dann entsprechend den Inhalt als Antwort wiedergeben. Man muss dem Bot also beibringen, welche Antwortmöglichkeiten es gibt. Kein Bot kann diese derzeit selbständig erraten. Immerhin ein Zeitersparnis wenn man bedenkt, wie oft Nutzer auf eine Webseite kommen und immer das Gleiche fragen wollen, dies aber häufig nicht können. Aus diesem Grund sind Chat-Bots derzeit vor allem im Bereich des Kundensupports und Vertriebs extrem beliebt. Was die wenigsten Leute wissen. Viele Lösungen und Anbieter im Markt verwenden genau diese Cloud-Werkzeuge, wie IBM Watson, um eigene Services und Produkte anzubieten. Da gehört in der Regel nicht viel technisches Know-How dazu. Außer man geht daher und baut selbst einen Chat-Bot. Die wesentliche Aufgaben besteht somit nicht in der Erstellung eines Bots perse, sondern in Konfiguration dessen Logik und dem Aufbau des Algorithmus. Falls Sie das Thema interessiert können Sie unser Team kontaktieren. Wir beraten Sie gerne und helfen Ihnen einen passenden Usecase zu finden oder einen Chat-Bot umzusetzen.

 

Probiert es einfach selbst mal aus

Rechts unten auf unserer Webseite befindet sich ein Bot der so trainiert wurde das er auch Emotionen erkennt. Fragt ABIS doch einmal mal wie es ihm geht oder woher er kommt 🙂

Steckt Deutschland am Anfang einer länger anhaltenden Systemkrise? Die Wirtschaftsleistung vieler mittelständischer Betriebe kühlt derzeit stark ab. Die Weltkonjunktur strauchelt, politische Spannungen bilden sich heraus und andere Länder wie China befinden sich bereits in der Zukunft. Doch wie sieht unsere Zukunft aus? Welche Chancen und Risiken ergeben sich daraus? Fest steht, dass der neue Rohstoff die Daten sind. Konzerne die Daten kontrollieren, kontrollieren auch die Macht. Aus der Geschichte lernen wir ganz klar, dass “Divide et impera” – Teile und herrsche, in wenigen Händen zum Problem werden kann. Doch gerade Deutschland hat gute Voraussetzungen, die Digitalisierung in eine sozialverträgliche und ökologische Bahn zu lenken. Sogar die Bundesregierung schaltet sich ein. Im Frühjahr 2020 soll eine interessante Cloud-Initiative mit der Bezeichnung Gaia X starten.

Daten sind der Treibstoff für die Digitalisierung

Vor allem klein- bis mittelständische Unternehmen tun sich bei der stetig steigenden Datenflut besonders schwer Daten effizient genug auszuwerten, um fundierte und nachvollziehbare Geschäftsentscheidungen besser treffen zu können. Insbesondere durch Schwächen im Datenmanagement ergeben sich für viele Betriebe immer größere Gewinneinbußen. Daher benötigen mittelständische Unternehmen immer mehr IT-Unterstützung. Teils teure oder veraltete Systeme bremsen ebenfalls die Digitalisierung aus. Die Innovationskraft einer Nation hängt davon ab. Nur gut 8% aller deutschen Unternehmen führen derzeit Big-Data-Analysen durch. Fast 46 % haben sich mit der Thematik noch gar nicht beschäftigt. Häufig fehlten das interne Knowhow und IT-Fachkräfte. [1]

“Unternehmen die ihr Datenmanagement im Griff haben können bis zu 30% mehr Umsatz bei 20% weniger Kosten erreichen.” – Think-With-Google

Und wie nun, können Unternehmen datenbasiert agieren, wenn sich die Daten in zu vielen unterschiedlichen Silos befinden? Im Schnitt verlieren Mitarbeiter bei der Suche nach Daten zwei Stunden am Tag. Die Effizienz sinkt dabei um 18%. Mitarbeiter verschwenden damit 3 Monate pro Jahr. [2]

Projekt Gaia X – Europäische Datenplattform auf Basis des Industrial Data Space

„Durch die Vernetzung von Daten, unterschiedlicher Geräte, Menschen und Maschinen können extrem wertvolle Erkenntnisse für die Industrie, Umwelt, Mobilität, Energie und Gesundheit gewonnen werden. Doch vor allem der Mittelstand in Deutschland, hat das Wesen der Daten und dessen Bedeutung noch nicht ausreichend verstanden.“ – so Bundeskanzlerin Angela Merkel an der Generaldebatte vom 27.11.2019.

Die aus Datenanalysen gewonnenen Erkenntnisse werden auch als Smart-Data bezeichnet. Ein wesentlicher Bestandteil ist auch die Künstliche Intelligenz. Die Bundesregierung plant dazu im Frühjahr 2020 auf Basis der Fraunhofer Technologie IDS [3], das europäische Cloud-Projekt GaiaX zu starten und Ende 2020 in den aktiven Betrieb zu nehmen. [4]

GaiaX ist eine großartige Möglichkeit die Bevölkerung für die Themen, Künstliche Intelligenz und Smart Data zu sensibilisieren.

Klingt etwas seltsam wenn man daran denkt, dass die Politik plant eine Plattform zu bauen und Unternehmen aus der Wirtschaft dazu einlädt teilzuhaben. Aber ich finde es gut das jemand den ersten Schritt wagt und tätig wird. Zwar fehle der Cloud noch die technische Basis. Dies geht aus einem aktuellen Beitrag vom Deutschlandfunk hervor. [5]  Aber keine Sorge, es wurde in der Rede der Bundeskanzlerin angedeutet, dass sich das Ganze im Open-Source-Umfeld und als Open-Data bewegen solle. Meiner Meinung nach der völlig richtige Weg. Denn Wissen und Technologie sollten stets als Allgemeingut für die Gesellschaft dienen.

Hintergrund zum Verfasser des Artikels:

David Patrick Chang ist Gründer der ABIS Analytics Cloud – Eine Plattform die Daten, Prozesse, Mitarbeiter und Künstliche Intelligenz miteinander verknüpft. Er und sein Team haben bereits im Mai 2014 damit begonnen an der Vision zu arbeiten. Im Herbst 2018 wurde die erste Version der Datenplattform ABIS, aus eigenen Mitteln erfolgreich fertigstellt und in den Testbetrieb genommen. Aktuell arbeitet das Team an der Beta-Version, mit Universitäten und Unternehmen aus der Region zusammen. Der offizielle Launch der Plattform ist für Sommer 2020 geplant.

Datenplattformen können den Austausch von Informationen, aber auch neue intelligente Dienste und die Automation von Verwaltungsprozessen fördern.

Die Informationsmöglichkeiten einer Stadt verbessern

Die Stadtverwaltung und öffentliche Einrichtungen bieten nützliche Informationen und Funktionen für ihre Bürger an. So soll es möglich sein für einen Standort auf einer interaktiven Karte, die genauen Öffnungszeiten, Kontaktinformationen und die geschätzte Wartezeit für Behördengänge anzuzeigen. Man könnte über eine mobile App sogar direkt einen Termin bei der Behörde vereinbaren.

Ideen für neue innovative Online-Services entwickeln

Insgesamt könnten alle öffentlichen Gebäude und Behörden auf der Karte verzeichnet werden. Bürger und Bürgerinnen können öffentliche Einrichtungen und Verwaltungsstellen der Stadt auf einer Karte über ein Formular bewerten. So kann die Stadtverwaltung die Qualität ihrer Angebote und Dienste auswerten, gezielter auf Beschwerden eingehen und ihre Leistungen punktuell verbessern. Angestellte der Verwaltung erhalten sogar ihr personalisiertes Cockpit (Dashboard) um tagesaktuelle Statistiken, Beschwerdeeingänge, Termine, Anfragen etc. zu überblicken.

Bewertungen von öffentlichen Einrichtungen und Diensten könnten auch anonymisiert abgegeben werden. Alle Bewertungen müssen vorher von einem entsprechenden Administrator der Stadt freigeschalten werden. Ein besorgter Bürger könnte ein Schlagloch auf dem Fahrradweg melden, andere Bürger aus der Nachbarschaft können dies entdecken und ebenfalls ihre Stimme laut machen damit der Schaden schnell behoben wird.

Menschen im Quartier vernetzen und Kooperationen stärken

Über öffentliche und private Chat-Kanäle können sich Bürger/innen untereinander, oder mit der Stadtverwaltung besser vernetzen. Die Kombination aus einer Karte, Suche und Chat-Möglichkeit in geschlossenen oder offenen Gruppen, ermöglicht viele neue Möglichkeiten. So können Bürger spielend leicht wie in einem offenen sozialen Netzwerk, Aktuelles aus der Stadt entdecken oder neue gemeinsame Initiativen starten.

(Behörden-)Alltag im Quartier verbessern und das Leben erleichtern

Über einen Chat-Bot können Formulare leichter und schneller angefragt bzw. heruntergeladen werden. Man könnte sogar eine automatisierte Hilfestellung anbieten um Formulare direkt auf dem Handy im Chat auszufüllen und gesichert an die Behörde zu übermitteln. Anschließend könnten sogar Termine oder Erinnerungen für einzelne Behördengänge über die App abgewickelt werden.

Nachbarschaften und Nachbarschaftshilfe im Quartier fördern

Da manche Chat-Räume öffentlich und über die Karte oder Suche schnell und einfach zu finden sind, können sich Bürger gezielt untereinander austauschen und zusammenschließen. Über die App können gemeinsame Initiativen angestoßen und organisiert werden die das Zusammenleben fördern und einen Schritt nach vorne machen um die Stadt der Zukunft mitzugestalten.

wenn intelligente analysebots die aufgaben eines datenanalysten übernehmen

Intelligente Analysebots könnten Daten bald selbständig auswerten und an Mitarbeiter kommunizieren

Laut einer Studie der IDC, soll sich die jährlich erzeugte Datenmenge, bis 2025 verzehnfachen. Viele mittelständische Unternehmen ersticken bereits jetzt, in einer Flut von Daten. Überall fehlen Fachkräfte und Analysten. Wer soll das enorme Potential von Daten überhaupt noch heben? Das Berichtswesen und die Datenanalyse werden immer zeitaufwendiger, die Kosten steigen.

Ein Abteilungsleiter einer Marketingagentur investiert fast 30% seiner Zeit, Auswertungen zu erstellen, Daten zu interpretieren, oder wichtige Erkenntnisse ad hoc an Kollegen weiterzuleiten. Gleichzeitig ist die Kommunikation von Kennzahlen und Auswertungen oft mühsam. Vor allem wenn komplexe Berichte von Mitarbeitern oder Kunden, ohne fachliche Vorkenntnisse, nicht ohne weiteres verstanden werden.

Ein Startup aus München arbeitet bereits an der Vision

In ABIS übernehmen intelligente Analysebots, die komplexen Aufgaben eines Datenanalysten. Damit müssen Mitarbeiter ihre Daten nicht mehr selbst laufend auswerten um aktuelle Ergebnisse zu erhalten. Bei signifikanten Vorfällen erstellt der Analysebot selbständig, einen leicht verständlichen Bericht, der dann an die verantwortliche Person kommuniziert wird.

Mitarbeiter können ihren Analysebots, ad hoc Auswertungen zuweisen und erhalten blitzschnell ein Ergebnis. Der Mitarbeiter bekommt ein automatisiertes Reporting auf Knopfdruck oder Zuruf. Zudem könnte ein Analysebot die Erhöhung eines Werbebudgets in sozialen Netzwerken vorschlagen, da diese sich womöglich, positiv auf die Ergebnisse einer Kampagne auswirken könnte. Der Mitarbeiter hat nun die Möglichkeit mit ABIS die vorgeschlagene Maßnahme direkt in Auftrag zu geben.

Smart Data City App München

Zu den beiden Firmengründern

Die Gründer David Patrick Chang und Daniel Janz sind überzeugte Datenaktivisten. Sie haben während ihrer Tätigkeit in Konzernen und mittelständischen Unternehmen bereits früh erkannt, dass Daten und Informationen ein wertvolles Allgemeingut sind und nicht einfach Wenigen überlassen werden sollten. Daten können Menschen dazu bewegen umzudenken. Aus diesem Grund möchten die Gründer die Daten-Demokratisierung weiter vorantreiben. Mehr erfahrt ihr hier 🙂

founder of abis cloud

Ähnlich wie bei einem Wetterbericht können mit Hilfe der prädiktiven Analytik, mögliche Szenarien der Zukunft mit einer gewissen Wahrscheinlichkeit vorhergesagt werden. Möglicherweise möchte der Marketingleiter eines E-Commerce Shops wissen ob es sich lohnt, weiterhin Geld in eine Maßnahme oder Online-Werbekampagne zu investieren. Mit Hilfe der prädiktiven Analyse kann der Marketingleiter auf Basis vergangener Messwerte, die Erwartungen der Zukunft ein Stück weit prognostizieren. Damit hat er eine viel bessere Entscheidungsgrundlage und verringert gleichzeitig die Wahrscheinlichkeit mehr Geld zu verlieren.

Was bedeutet prädiktive Analytik und wo wird es eingesetzt?

Der Begriff “prädiktiv” beschreibt das Etwas prognostiziert, berechenbar, anbahnend bzw. vorhersehbar ist. Im lateinischen wird die Bezeichnung “prae” erwähnt, welches als Adverb “voran”,  bzw. “voraus” bedeutet [1] . Die prädiktive Analytik umfasst eine Vielzahl von statistischen Techniken aus den Bereichen Data Mining, Predictive Modeling und Machine Learning, die aktuelle und historische Fakten analysieren um Vorhersagen über zukünftige oder anderweitig unbekannte Ereignisse zu treffen.

Die prädiktive Analytik ist ein recht junger Teilbereich der Analytik und wird in vielen technologiegetriebenen Branchen eingesetzt. Eine der bekanntesten Anwendungen ist das Credit Scoring, das in allen Finanzdienstleistungen eingesetzt wird.

Zeitreihenmodelle werden zur Vorhersage oder Prognose des zukünftigen Verhaltens von Variablen verwendet

Die im Laufe der Zeit aufgenommenen Datenpunkte können interne Strukturen aufweisen die kaum vorhersehbar sind. Daher sollten Trends oder saisonale Schwankungen berücksichtigt werden. Infolgedessen können Standard-Regressionsverfahren nicht auf Zeitreihendaten angewendet werden. Dafür wurden spezielle Methoden entwickelt, um die Trend-, Saison- und Konjunkturkomponente der Serie zu zerlegen. Die Modellierung des dynamischen Pfades einer Variablen kann die Prognosen verbessern, da die vorhersehbare Komponente der Serie in die Zukunft projiziert werden kann [2].

Wie erstelle ich selbst eine prädiktive Analyse auf Basis meiner Daten?

Alteryx ist eines der bekanntesten Tools in diesem Bereich. Die Produkte des Unternehmens werden für die Datenwissenschaft und Analytik eingesetzt. Die Software wurde entwickelt, um fortgeschrittene Analysen zugänglich zu machen [3].

Das Analytics-Tool Alteryx, bietet eine kostenlose Testversion an. Die Preise für eine jährliche Lizenz starten ab ca. 5.000 Euro. Im folgenden Screenshot präsentiere ich einen Analytics-Workflow, wo Daten aus dem Facebook Werbeanzeigen Manager verwendet wurden, um wichtige KPIs wie die Click-Through-Rate, Cost-per-Click etc. vorherzusagen. Ich habe mich in meiner Zeitreihenanalyse für das ARIMA-Verfahren entschieden. ARIMA ist ein Akronym, das für Auto-Regressive-Integrated-Moving-Average steht. Es handelt sich dabei um eine Modellklasse, die eine Reihe von verschiedenen Standardzeitstrukturen in Zeitreihendaten erfasst. [4].

Workflow for predictive analytics based on arima for facebook business kpis

Die Grafik stellt den Fluss von Daten dar. Man fängt von links an zu lesen und bewegt sich nach rechts. Erstmal muss man auf einen Datensatz zugreifen, also eine “Quelle”, dazwischen kommen einige Verarbeitungsschritte bis es in eine “Senke” (Zieltabelle) zurückgeschrieben werden kann. Jeder Knotenpunkt stellt eine Operation dar. Knapp 70% meiner Zeit habe ich damit verbracht, die Daten in das richtige Format zu bekommen. Insgesamt habe ich für den Workflow knapp drei Arbeitstage benötigt. Dargestellt durch die “blauen” Knoten wird auch klar das ein Großteil des Workflows genau eben aus diesen Datenbereinigungsprozessen besteht.

Was war das Ergebnis meiner prädiktiven Analyse für die Facebook Business KPIs?

Im nachfolgenden Chart wird die Entwicklung der “CTR”, bzw. Click-Through-Rate eines Facebook Werbekontos dargestellt. Die CTR ist eine Social Media KPI, die das Verhältnis von Klicks zu Impressionen auf einer Werbeanzeige in Prozent berechnet. Die “blaue Linie” beschreibt den tatsächlichen Ist-Wert im täglichen Verlauf. Die anderen “Farben” grün, gelb, rot, orange und türkis, beschreiben mögliche Erwartungswerte basierend auf der prädiktiven Analyse. Klar, die CTR kann nicht negativ sein deswegen lassen wir die Betrachtung der “türkisen-Linie” außer Acht.

7 days forecast based on arima time series analysis and facebook ad manager click through rate

 

Wie man auf Basis einer prädiktiven Zeitreihen-Analyse Anomalien erkennen kann

Als Unternehmen ist es nicht nur wichtig Daten zu sammeln und auf einen “Haufen” zu werfen, siehe Big Data sondern eben diese Daten in Erkenntnisse umzuwandeln, siehe Smart Data. Wie oben beschrieben, kann man mit Hilfe der prädiktiven Analyse den Erwartungswert einer Kennzahl vorhersagen. Trifft diese Erwartung nicht ein, so spricht man von einer Anomalie, also einer Abweichung von der statistischen “Normalität”. In der Prüfung meiner eigenen Vorhersagen bin ich ziemlich nah an die tatsächliche Entwicklung der Kennzahl herangekommen.

time series forecast with predictive analytics based on facebook data in dashboard - abis reporting tool

Die CTR – Vorhersage hat sich als zutreffend herausgestellt. Es wurden auch einige Anomalien erkannt.

Von der prädiktiven Analyse zum intelligenten und digitalen Assistenten

Falls nun bestimmte Grenzen einer Kennzahl unter- oder überschritten werden, so kann innerhalb der Software ein intelligenter Alert ausgelöst werden. Diese Grenzen passen sich dynamisch im Laufe der Zeit je nach Erfahrungswert selbst wieder an. Der Algorithmus lernt so zu sagen selbständig mit. Dieses Prinzip kann flächendeckend auf unterschiedliche Zeitreihen und Dimensionen angewendet werden. So wäre es denkbar, eine komplette Webseite in Echtzeit zu monitoren um passive Benachrichtigungen erst dann zu erhalten, wenn sich auch wirklich etwas in den Daten ändert. Der intelligente Algorithmus übernimmt den Job es Analysten. Damit kommen wir dem Web Operating System noch einen Schritt näher. Für den Marketingleiter eine super Sache, denn damit muss er nicht mehr selbst, proaktiv in die Zahlen reinschauen. Er kann nun in Echtzeit reagieren und die Daten im Dashboard erst prüfen, wenn der digitale Analyse-Assistent interessante Vorkommnisse gemeldet hat.

 

Fazit: 

Mittels der prädiktiven Analytik kann man mit einer gewissen Wahrscheinlichkeit die Entwicklung einer Kennzahl vorhersagen und mit dem Abgleich der Ist-Werte auch Anomalien erkennen, falls der Erwartungswert nicht eintrifft. Man sollte jedoch darauf achten wie man die Parameter einstellt. Das kann von Industrie und Branche sehr unterschiedlich sein. Vor allem im Handel sind meist saisonale Schwankungen die Regel. Zum Beispiel das Kaufverhalten eines neuen Produktes vorherzusagen ist ziemlich schwer, wenn noch keine validen Erfahrungswerte vorhanden sind.

 

Quellen:

[1] http://www.enzyklo.de/Begriff/pr%C3%A4diktiv

[2] https://en.wikipedia.org/wiki/Predictive_analytics

[3] https://en.wikipedia.org/wiki/Alteryx

[4] https://machinelearningmastery.com/arima-for-time-series-forecasting-with-python/

 

Vor allem in Zeiten einer schwächelnden Konjunktur ist es für den Fortbestand eines Unternehmens unerlässlich eine Kostenanalyse zu betreiben. Mit einer umfangreichen Kostenanalyse können Kostentreiber und Einsparungspotentiale identifiziert werden. Hierbei sollte man nicht den Fehler machen, durch falsche Budgetkürzungen das Geschäft zurückzubauen. Für viele Unternehmen ist und bleibt die Kostenanalyse eine Gratwanderung.

Mit der Kosten-Nutzen-Analyse überflüssige Ausgaben erkennen

Bei dieser Analyse werden die Kosten und der entsprechende Nutzen miteinander verglichen. Dabei wird häufig eine zu erwartende Zielgröße einem Geldeinsatz gegenübergestellt. Im weitesten Sinne spricht man auch vom Return-on-Investment (ROI). Beim ROI wird die Profitabilität einer Investition gemessen.

Die Gedankengänge sind ähnlich, wenn man betrachtet wie viel Geld ein Mitarbeiter erwirtschaftet hat oder wie viel Zeiteinsparung eine Softwarelizenz für die Arbeitseffizienz bringt. Grundlegend ist es meist schwer zu sagen wie viel Einfluss denn nun ein Mitarbeiter auf die Gesamtleistung eines Unternehmens hat. Vielleicht sieht man den direkten Nutzen einer Arbeit auch erst wenn der entsprechende Mitarbeiter nicht mehr im Unternehmen ist? Klar ist, die Kosten zu ermitteln und auf einzelne Positionen aufzuschlüsseln ist relativ einfach. Den Nutzen aber direkt zuzuordnen nicht.

Big Data Analytics hilft bei der Bewertung des tatsächlichen Nutzens

Der Schlüssel für eine erfolgreiche Kostenanalyse, liegt in der Erhebung von quantitativen Messgrößen und deren regelmäßige Auswertung. In folgendem Artikel befinden sich die nötigen Schritte um eine Kostenanalyse zu erstellen. Wir beschäftigen uns primär nicht mit dem zu erwartenden Gewinn, sondern vielmehr mit Faktoren und Kennzahlen, die helfen können den tatsächlichen Nutzen einer Ausgabe zu ermitteln.

Es geht erstmal darum die richtigen Messgrößen zu definieren, an den relevanten Stellen zu erheben und auszuwerten.

Ein paar Beispiele für Performance-Kennzahlen:

  • Umsatz pro Mitarbeiter: Vor allem im Vertrieb eine nützliche Kennzahl um zu ermitteln wie viel Umsatz ein Mitarbeiter generiert hat. Die Kennzahl kann aber auch über den gesamten Jahresumsatz / Anzahl der Mitarbeiter berechnet werden.
  • Marketing ROI (ROMI): Errechnet sich aus den Werbeausgaben, zum Beispiel nach Plattform aufgeschlüsselt. Man möchte wissen, welche Werbeausgaben an welchen Platzierungen, wie viele Abschlüsse und welche Abschlusswerte erzielt haben. Zum Tracking dieser Kennzahlen kann ein Webanalyse Tool eingesetzt werden.
  • EBIT – Earnings before interest and taxes pro Mitarbeiter: Der EBIT ist der Gewinn vor Steuern und wird meist zu Ende eines Jahres berechnet, kann aber auch während des Jahres laufend berechnet und ausgewertet werden. Das geschieht meist auf monatlicher Basis. Wenn man nun wissen möchte wie viel Gewinn ein Mitarbeiter im Durchschnitt erwirtschaftet so kann man dies wie folgt berechnen. EBIT / Anzahl der Mitarbeiter = Erwirtschafteter Gewinn pro Mitarbeiter

Um dies überhaupt erst zu ermöglichen müssen die korrekten Kennzahlen aus dem Unternehmen gemessen und analysiert werden. Dies kann sich von einem Spreadsheet, welches ein Mitarbeiter am Ende eines Tages ausfüllt bis hin zu einem automatisierten und komplexen Tracking-Verfahren erstrecken. Es gilt immer abzuwägen was im Rahmen einer Messung für Aufwand sinnvoll ist denn selbst hier muss der Nutzen klar abgewogen werden.

Binden Sie ihre Mitarbeiter in den Vorgang der Kostenanalyse mit ein und schaffen Sie Transparenz

Die Mitarbeiter sind das Gold Ihres Unternehmens. Gleichzeitig nehmen die Personalkosten meist auch den höchsten Kostenanteil ein. Keiner möchte Schwächen preisgeben oder gar seinen Arbeitsplatz verlieren. Als Führungskraft sollten Sie daher sehr vorsichtig mit dem Thema umgehen denn demotivierte und gar in der Luft hängende Mitarbeiter bringen nur Unruhe in den Betrieb und sorgen dafür das eine “Ellenbogen-Atmosphäre” aufkommt.

team play is important for mastering crisis in companies

Gemeinsam als Team kann man Krisen besser meistern

Sorgen Sie dafür das ihre Mitarbeiter selbst Vorschläge zur Messung von Kennzahlen zur Bewertung der Kosten und des Nutzens mitbringen. Es kann sogar sein das ihre Mitarbeiter Ideen mitbringen an die sie selbst gar nicht gedacht hatten. Der nötige Respekt und die Transparenz sorgen dafür, das sich Mitarbeiter aktiv in diesen komplexen Prozess einbinden. Am Ende entscheidet das Team was wichtig und relevant ist. So kann jedes Unternehmen eine Krise meistern.

Mit einem Social Business Intelligence Tool können Auswertungen Spaß machen

Social Business Intelligence bindet ihre Mitarbeiter da ein wo die Analyse stattfindet. Gleichzeitig kann mit dem Faktor “social”, wie in einem sozialen Intranet gemeinsam über Ausgaben diskutiert werden um kollektive Entscheidungen zu treffen, die von allen Mitarbeitern mitgetragen und mitbestimmt werden können.

data driven marketing dashboards on smartphone with group of people

Business Intelligence Lösung der ABIS Analytics Cloud für die Kostenanalyse einsetzen – Hier mehr erfahren

Business Intelligence 2.0 (BI 2.0) bezeichnet eine Weiterentwicklung des bestehenden Business-Intelligence-Modells, das Mitte der 2000er Jahre begann. Die Bezeichnung 2.0 wird aus der Terminologie Web 2.0 abgeleitet, die verwendet wurde um die Entwicklung des Internets in verschiedenen charakteristische Phasen zwischen 1.0 bis 4.0 zu unterteilen.

Bezeichnend für die Entwicklung des Business Intelligence 2.0 ist die Fähigkeit, dass Nutzer  in die Lage kommen, Daten einfacher abzurufen, zu analysieren und zu verteilen. Business Intelligence 2.0 Applikationen werden zudem kennzeichnend mit Cloud-Analytics-Technologien umgesetzt. Damit hat man als Nutzer die Möglichkeit auch über den Browser auf entsprechende Dashboards zuzugreifen. Dies steht im Gegensatz zu früheren proprietären Abfragetools, die bisherige BI-Software charakterisieren.

Einer der technischen Hauptfaktoren für die Entwicklung von BI 2.0 Systemen, ist der Einfluss von serviceorientierten Architekturen, auch als SOA bezeichnet. In einer SOA-Architektur werden Bausteine der Software wie die Datenbank, Server und Websites in Dienste gekapselt und dann so koordiniert, dass sie auf einer höheren Ebene orchestriert werden können.

„SOA ist ein Paradigma für die Strukturierung und Nutzung verteilter Funktionalität, die von unterschiedlichen Besitzern verantwortet wird.“

Ziel dabei ist die Wiederverwendung von Services und Komponenten um Ressourcen und Aufwände einzusparen. Gleichzeitig soll der Datenaustausch einfacher gemacht werden. Es soll möglich sein, Daten schnell aus einer Quelle abzurufen, auszuwerten und die Erkenntnisse intern besser zu verteilen.

Das Ziel der Datenanalyse ist die Informationsgewinnung. Wissen kann aber nur daraufhin entstehen wenn diese Informationen unter Mitarbeitern geteilt werden. Weitergefasst spricht man auch von Social BI, da es die Prinzipien eines sozialen Netzwerks adaptiert und mit Business Intelligence kombiniert. BI 2.0 ist zudem weborientierter als herkömmliche Datenabfrage- und Analysetools.

Quellen:

https://en.wikipedia.org/wiki/Business_Intelligence_2.0
https://de.wikipedia.org/wiki/Serviceorientierte_Architektur

data driven marketing dashboards on smartphone with group of people

Diejenigen, die im datengesteuerten Marketing erfolgreich sind, sehen erhebliche Vorteile – bis zu 30 % bei der Kosteneffizienz und 20 % mehr Umsatz. Forschungsergebnisse der Boston Consulting Group und Google – Januar 2018

Bereits in 2015 wurden in den USA 162 Manager von Forbes befragt, ob sie “data-driven Marketing” wichtig finden. 64% der Befragten stimmten nachdrücklich zu, dass datengesteuertes Marketing für den Erfolg in einer wettbewerbsintensiven globalen Wirtschaft entscheidend ist. Doch was hat sich seither in Unternehmen wirklich getan?

Eine datengesteuerte Katastrophe ist ein ernsthaftes Problem, das durch einen oder mehrere ineffektive Datenanalyseprozesse verursacht wird.

disaster if not using data driven structure can cost alot of trust

Die Illustration bringt es humorvoll auf den Punkt, doch das Problem ist ernster zu nehmen als man denkt. Im Zuge der Globalisierung stehen vor allem Unternehmen aus Europa unter enormen Druck mit den großen Spielern der Digitalisierung Schritt zu halten. China und die USA sind führend im Bereich “Künstliche Intelligenz – KI”.

Es herrscht zudem Unmut bei vielen Unternehmen aus Deutschland, denn es fehlen massiv Fachkräfte.

Vor allem die Softwareentwicklung und Data Science verzeichnen einen starken Zuwachs. Gleichzeitig steigt die Datenmenge in den nächsten 5 Jahren nochmal um das zehnfache an. Was also tun, wenn Fachkräfte fehlen und man schlichtweg keine Lösung für die kommende Datenflut hat?

Vielleicht kann Cloud Analytics helfen, doch was ist das?

Cloud Analytics verwendet eine Reihe von Analysewerkzeugen und -techniken, um Unternehmen dabei zu unterstützen, Informationen aus umfangreichen Daten zu extrahieren und in einer Weise darzustellen, die leicht kategorisiert und über einen Webbrowser schnell zugänglich gemacht werden kann.

Ein Zitat von TMR-Research aus 2018 bringt es auf den Punkt:

„Unternehmen nutzen Cloud-Analytics-Reporting-Tools, um die heutigen Geschäftsanforderungen zu erfüllen, die Mobilität ihrer Mitarbeiter zu erhöhen, den Mangel an IT-Know-how zu überwinden und nachhaltige Gewinne bei hohen Betriebskosten und sinkenden Gewinnmargen aufgrund des intensiven Marktwettbewerbs zu erzielen.

Die Nachfrage nach Cloud-Analysen steigt ebenfalls, da die Technologie die Pay-as-you-use Struktur und Software-as-a-Service (SaaS) Lizenzstruktur nutzt, die keine Hard- und Software-Installationen vor Ort erfordert. Die große Flexibilität, Einfachheit der Konnektivität und Datenkommunikation durch Cloud-Analyse-Tools sind auch einige der wichtigen Faktoren, die Unternehmen dazu bewegen, sich für Cloud-Analysen gegenüber herkömmlichen Lösungen zu entscheiden.“

Social BI als Data-Driven-Marketing Wunderwaffe für alles?

Im Marketing wurden schon immer “Key-Performance-Indicators”, kurz KPIs ausgewertet und für die Steuerung von Prozessen verwendet. Ist das wirklich so? Schauen sie doch mal selbst in Ihre Unternehmen hinein. Wer hat denn wirklich Lust auf langweilige und komplizierte Tabellenkalkulationen? Allein der Aufwand einen umfassenden Bericht für mehrere Webseiten auf Basis von Google Analytics zu erstellen ist kaum zu bewältigen. Viele Teams und Abteilungen scheitern bereits, an der Datenqualität und Infrastruktur, die viele Probleme und damit auch hohe Wartungskosten mit sich bringt.

Es ist notwendig, sich gründlich zu überlegen, ob es noch Sinn macht, weiterhin an manuellen Analyseverfahren festzuhalten. Es gibt mittlerweile ein breites Angebot an Dienstleistern und Plattformen, die eine Erlösung aus dem Excel Chaos versprechen sollen.

website optimization and better conversion rate through data driven marketing

Vielleicht können Social Business Intelligence Lösungen dabei helfen, datengesteuertes Marketing zu implementieren? Social BI, oder Social Business Intelligence, bezieht sich auf die Erstellung, Veröffentlichung und Freigabe von, benutzerdefinierten Business Analytics-Berichten und Dashboards durch Endanwender von Cloud-Technologien. Das Abrufen von Daten aus verschiedenen Social Media Netzwerken und die Erstellung von einfach verständlichen Berichten, wird dem Unternehmen helfen, sich für weitere Schritte zu entscheiden. Klingt erstmal doch nicht schlecht oder?

Die grundlegenden Funktionen eines sozialen Netzwerkes sind so gut wie Jedem bekannt. Daher liegt es nahe, dass sich die Prinzipien eines sozialen Netzwerkes auch bei der Datenanalyse in Teams durchsetzen wird, denn es bietet folgende Vorteile:

  • Das Teilen von Auswertungen so einfach wie mit einem Social Media Posting.
  • Die Möglichkeit, direkt auf Datenanalysen zu reagieren und Rückfragen zu stellen.
  • Analysen nachvollziehen und weitere Datenauswertungen anhängen.
  • Doppelarbeit in großen Teams vermeiden.
  • Ergebnisse und Maßnahmen dokumentieren.
  • Flexibler Austausch, von Daten und Informationen.

Und die Liste kann noch länger werden. Doch was machen wenn man keinen passenden Anbieter findet der Social Business Intelligence Tools bereitstellt?

Hier eine kleine Auflistung von Social BI Anbietern:

Yellowfin ist ein in Australien ansässiger Anbieter von Business Intelligence, Analytics, Dashboard und Reporting-Software. Es entwickelt und vermarktet eine Reihe von Produkten, die zur Transformation, zum Zugriff, zur Analyse und zum Bericht über Daten aus gängigen Geschäftsquellen wie Tabellenkalkulationen, Web-APIs und Datenbanken verwendet werden.

Domo, Inc. ist eine cloud-basierte Plattform, die den Entscheidungsträgern im gesamten Unternehmen mit minimalem IT-Aufwand einen direkten, vereinfachten und zeitnahen Zugriff auf Geschäftsdaten ermöglicht.

ABIS Analytics Cloud ist eine cloud-basierte Plattform aus München, die Online-Marketing Teams ermöglicht, schnell und einfach Daten abzurufen und im gemeinsamen Datenraum miteinander zu teilen. ABIS vereinfacht die Interpretation von Daten und fördert Smart Data in datengesteuerten Teams.

business kpi on dashboard

KPI ist eine englische Bezeichung für Key-Performance-Indicator. Im Internet unterscheidet man zwischen bezahlter und unbezahlter Sichtbarkeit. Wenn ein Interessent eine Anzeigenschaltung gesehen und auf die Webseite gewechselt hat, nennt man das Inbound-Traffic, bzw. eintreffender Nutzer auf die Webseite. Häufig wird der unbezahlte Bereich auch “Organischer Traffic” genannt. Der bezahlte Bereich hingegen wird oft auch als, “Paid Traffic” bezeichnet. Diesen kann man vor allem durch Maßnahmen in Sozialen Netzwerken, oder durch das händische Teilen von Blogbeiträgen erzielen.

Ein weiteres Prinzip im Web ist Search & Social

“Search”, beschreibt den Vorgang aktiv nach einem gewünschten Inhalt an Hand eines Suchbegriffs im Web zu suchen. Die tatsächliche Zielseite ist den Nutzer meist vorher noch nicht bekannt. Suchmaschinen wie Google bieten Suchfunktionen an, um Webseiten über ein Verzeichnis, mittels einer kontextsensitiven Suche bereitzustellen.

“Social”, bezeichnet die Phase eines Nutzers, der zum Beispiel in der Timeline, Beiträge sieht und dann auf diese reagiert, ohne nach etwas Bestimmtem zu suchen.

Folgende Marketing Kanäle werden häufig verwendet

Organic Search: Bezeichnet den unbezahlten organischen Bereich von der Suchmaschine. Man wird hier gelistet wenn man entsprechend seine Inhalte und die Struktur auf der Webseite, für Nutzer und dann Suchmaschinen, freundlich gestaltet hat.

Paid Search: Bezeichnet den bezahlten Bereich der Suchmaschine. Man wird hier gelistet wenn man entsprechend Inhalte auf Werbeplattform einstellt.

Social Media Organic: Wenn Postings in sozialen Netzwerken viral verteilt werden, ohne das die Anzeige hierfür beworben wurde.

Social Media Paid: Wenn Postings in sozialen Netzwerken durch bezahlte Kampagnen in der Timeline anderer Teilnehmer des Netzwerks angezeigt werden.

Der reguläre Verlauf eines Online Nutzers der mit einem Inhalt oder Angebot interagiert:

Nachdem eine Werbeanzeige von einem Nutzer gesehen wurde, könnte er auf die Anzeige klicken. Dies führte ihn dann zu einem gesetzten Ziel, z.B. eine Unterseite auf einer Webseite. Man kann demnach folgende Unterteilung vornehmen:

Impressions -> Klick auf die Anzeige -> Weiterleitung auf eine neue Webseite oder Inhalt -> Folgt dem Conversion Pfad auf der Webseite -> Abschluss auf der Webseite z.B. Kauf

SEO KPI conversion rate

Die meist verwendeten Online Marketing KPI

Impressions – Die Anzahl der Einblendungen des geteilten Inhalts im organischen oder bezahlten Bereich des Plattformbetreibers.

Klicks – Aus Impressionen resultierende Aktionen. Häufig Weiterleitung auf eine neue Seite.

Click-Through-Rate ist die Klickrate, also das Verhältnis von Klicks zu Impressionen.

Conversions sind die Zielabschlüsse die man für sein Geschäft auf einer Internetseite definiert hat.

Conversion Rate ist die Zielabschlussrate. Diese sollte man erhöhen damit auch die Kosten pro Werbeausgaben sinken können.

Ziel im Online Marketing ist es meist immer, die Kosten pro Werbeschaltung gering zu halten und die Abschlüsse zu steigern. Online KPIs können Auskunft darüber vermitteln, wie die Leistung einer Webseite aktuell ist.