• Dr. Stefan Stöckl

Use Case- Car-Sharing

Wie man Daten für optimale Prozesse und die Entwicklung neuer Geschäftsmodelle einsetzen kann




Der Schlüssel zu neuen Geschäftsprozessen liegt in einer optimalen Nutzung des vorhandenen Datenmaterials. Hierfür kommt es jedoch vor allem auch auf die Qualität des Datenvorrats an. Möchte man beispielweise ein neues Produkt entwickeln oder das bereits bestehende Angebot verbessern, so sollten Datenauswertungen die Interessen und Bedürfnisse der Zielgruppe widerspiegeln, welche man mit seinem Angebot schlussendlich erreichen möchte. Zu diesem Zweck kommt es weniger auf strukturierte Daten an, die ohnehin in Form von Excel-Tabellen hinterlegt sind, wie etwa Namen oder Adressen, vielmehr geht es um unstrukturierte Daten, die bspw. durch die Nutzung von Internet und Social Media an zentralen Kommunikationsschnittstellen des Unternehmens entstehen und damit wertvolle Hinweise auf die aktuelle Bedürfnislage der Kundschaft liefern können.


Worauf es bei der Nutzung unstrukturierter Daten ankommt, soll nun anhand eines Projektbeispiels aus dem Bereich Car-Sharing veranschaulicht werden. Das Konzept des Car-Sharing basiert grundsätzlich auf der Idee, dass ein Auto mit anderen Nutzern geteilt wird. Der ursprüngliche Halter des Autos ist dabei meist ein Car-Sharing Anbieter. Nachfolgende Car-Sharing Varianten sind denkbar:


  1. Stationsbasiertes Car-Sharing:

Das Fahrzeug hat einen festen Stellplatz, an dem es abgeholt und auch wieder abgestellt werden muss.



2. Free-Floating:


Das Fahrzeug hat keinen festen Stellplatz, kann irgendwo abgeholt und auch irgendwo wieder abgestellt werden.



3. Peer-to-Peer-Car-Sharing:


Eine Privatperson bietet die Nutzung Ihres Fahrzeuges an.



4. Ride-Sharing:


Privatpersonen bieten eine Mitfahrgelegenheit in Ihrem eigenen PKW an.



Viele Anbieter eröffnen Kunden über eine App die Möglichkeit die Verfügbarkeit von Fahrzeugen in einem gewünschten Umkreis nachzuvollziehen. Findet der Kunde jedoch kein nahstehendes Fahrzeug, wird er wieder auf öffentliche Verkehrsmittel zurückgreifen. Zentral ist demnach, dass angebotene Produkte und Dienstleistungen dem Kunden auch genau dort zur Verfügung stehen, wo sie gebraucht werden. Um die Kundenzufriedenheit in diesem Bereich zu erhöhen, ist es natürlich wenig sinnvoll Fahrzeuge kreuz und quer über die Stadt zu verteilen, vielmehr geht es darum herauszufinden, wo Kunden diese Fahrzeuge am häufigsten nachfragen.


An dieser Stelle wird die Bedeutung unstrukturierter Daten besonders deutlich.

Denn allein durch das Studieren von Kundenregistern lässt sich dieses Problem nicht lösen. Demnach stellt sich die Frage, anhand welcher Techniken und Methoden Unternehmen unstrukturierte Daten generieren und wie diese Daten für eine verbesserte Unternehmensperformance eingesetzt werden können.


Im Gegensatz zu strukturierten Daten, welche man anhand ihrer teils eindimensionalen Merkmale leicht einer bestimmten Kategorie zuordnen kann, entstehen unstrukturierte Daten bspw. durch Kommunikation und die anschließende Interpretation des Gesagten. Der Car-Sharing Anbieter könnte nun die Kundenkommunikation auf sozialen Medien verfolgen, um etwaige Bereitstellungsprobleme zu erkennen und diese gleichzeitig durch nachfragegerechtes Positionieren von Fahrzeugen zu lösen. Die Informationen auf sozialen Medien sind zunächst höchst unstrukturiert, erlauben jedoch Kundenwünsche zwischen den Zeilen herauszufiltern und eine anschließende Entwicklung von passenden Maßnahmen. Für diesen Vorgang existiert in den seltensten Fällen ein passender Prozess oder gar eine Funktion im Unternehmen, somit muss dieser erst noch organisatorisch verankert werden.


Unstrukturierte Daten können jedoch auch im Rahmen von Kreativtechniken entstehen. Dabei wird versucht aus bereits vorhandenem Datenmaterial, das meist aus Umfragen , Recherchen oder Statistiken stammt, neue Kombinationen zu entwickeln, die dann entweder zu neuen Erkenntnissen führen oder sogar die Neuentwicklung von Produkten und Dienstleistungen vorantreiben können. So könnte bspw. die Funktion der App dahingehend erweitert werden, dass sie das Öffnen und Schließen der Fahrzeuge erlaubt und den Kunden somit die lästige Schlüsselabnahme erspart bleibt. Auch eine Erweiterung der App um eine Kalenderfunktion erleichtert das Buchen von Fahrzeugen, indem man schneller Auskunft zur Verfügbarkeit der einzelnen Fahrzeuge erhält. Durch das Strukturieren von Informationen aus unterschiedlichen Quellen und der anschließenden Auswertung anhand entsprechender Analyse-Methoden lassen sich aus Informationen Fakten generieren, die zur weiteren Verbesserung der Customer Experience herangezogen werden können.



Eine in den meisten Unternehmen weitestgehend unterschätze Quelle unstrukturierten Datenmaterials, findet sich im Bereich des Kundenservice. Aufgrund einer mangelnden oder nicht vorhandenen Fehlerkultur bleiben Entwicklungspotenziale, welche sich aus Fehlern ergeben häufig völlig unbeachtet. Da Fehler oder Beschwerden meist als unangenehm eingestuft werden, suchen die meisten Unternehmen schnellst möglich nach einer Beseitigung der Fehlerquelle, statt entsprechende Lehren aus ihren Fehlern zu ziehen. In diesem Zusammenhang wird häufig das sogenannte Konzept der Lessons Learned herangezogen. Demnach geht es darum vergangene Erfahrungen und Erkenntnisse entsprechend zu dokumentieren, um Fehler aus der Vergangenheit erfolgreich zu vermeiden. Auch diese Daten sind solange unstrukturiert bis sie entsprechenden Kategorien, bspw. in Form von Fehlerquellen und Bereichen zugeordnet worden sind.



Das Praxis-Beispiel veranschaulicht recht treffend, wie Unternehmen zum einen unstrukturierte Daten generieren und zum anderen für ihre weitere Geschäftsentwicklung gewinnbringend nutzen können. Kreativtechniken führen zunächst zu einer Anhäufung unstrukturierter Daten, die erst noch analysiert und entsprechenden Datenkategorien zugeordnet werden müssen. Zusammenfassend lässt sich somit feststellen, dass unstrukturierte Daten den Innovationsprozess von Unternehmen positiv beeinflussen.







Quelle:



D. Frick et al., Data Science, (S. 321-335), https://doi.org/10.1007/978-3-658-33403-1_20






9 Ansichten0 Kommentare

Aktuelle Beiträge

Alle ansehen