Big Data im Forderungsmanagement: Wie man mit Datenanalysen Einsparpotenziale identifiziert.

Unternehmen im E-Commerce-Sektor verfügen oft über einen großen Fundus kundenspezifischer Datensätze. Allerdings muss das Potenzial dieser umfangreichen und heterogenen Informationen durch die kundenspezifische Anwendung von Analysemethoden erst gehoben werden.

So gibt es etwa zu den Fragen, in welchen Fällen Ratenzahlung die Zahlungswahrscheinlichkeit erhöht, wann eher schriftliche oder telefonische Mahnungen eine größere Aussicht auf Erfolg haben, oder ab wann es wirtschaftlich sinnvoller ist, sogar ganz auf eine Forderung zu verzichten, oftmals lediglich vage Erfahrungswerte, jedoch keine fundierten Erkenntnisse. Auf einem so dünnen Informationsfundament ein stabiles Handlungsgerüst mit konkreten Prozessschritten aufzubauen, ist für Unternehmen riskant.

Big-Data-Analysen können hier valide Ergebnisse liefern, auf die eine datenbasierte Steuerung der Prozesse aufgebaut werden kann. Das Forderungsmanagement birgt erhebliche Optimierungspotenziale bei den Geschäftsprozessen, wodurch die Erfolgsquote insgesamt erhöht und unnötige Prozesskosten vermieden werden können. Die Vorteile von Big Data liegen hier vorrangig in der Möglichkeit der Echtzeitanalyse der Daten und einer hohen Agilität.

Im Unterschied zum statischen Schema-on-Write der Business-Intelligence-Verfahren spricht man bei Big-Data-Konzepten vom „Schema-on-Read“. Die Daten werden zunächst ohne Transformation in eine Software für skalierbares und verteiltes Rechnen überführt. Hadoop ist hier der De-facto-Standard. Dabei ist es erst einmal unwesentlich, ob es sich um strukturierte oder unstrukturierte Daten handelt. Umso entscheidender ist jedoch, dass hier auf ein statisches Schema-Design verzichtet werden kann, das im aufwendigen Extract-Transform-Load (ETL)-Schritt erst aus den Daten erzeugt werden muss. Weitere Pluspunkte sammeln Big-Data-Werkzeuge durch einfaches Hinzufügen neuer Daten und deren sofortige Verwendung – mit eine der Ursachen für die hohe Reaktionsgeschwindigkeit und Agilität. Durch die Fülle der zur Verfügung stehenden Data-Mining-Algorithmen können Fragen beantwortet werden, die vorher entweder nicht gestellt oder nie empirisch überprüft wurden.

Ob diese Analyseverfahren für ein Unternehmen sinnvolle Ergebnisse bringen, kann aber nicht pauschal beantwortet werden. Wer sich aufmacht, den Datenschatz des eigenen Unternehmens zu heben, sollte aber vor dem ersten Spatenstich folgende Fragen mit einem Ja beantworten: Speist sich der Bestand aus einer Vielzahl heterogener Daten? Ist die Reaktionsgeschwindigkeit bei der derzeitigen Analyse zu gering? Besteht hoher Zeitdruck bei der Einführung neuer KPIs und Methoden? Und gibt es überhaupt eine grundsätzliche Bereitschaft, datengesteuerte Prozesse umzusetzen?

Auch wenn diese Kriterien erfüllt sind, ist für den konkreten Einzelfall zu prüfen, inwiefern es sinnvoll ist, sich mit neuen Methoden auf das unbekanntes Terrain vorzuwagen. Deshalb sollte zu Beginn einer Big-Data-Analyse ein Pre-Test stehen. Dort entwickeln Datenspezialisten gemeinsam mit Fachleuten aus dem Unternehmen Ziele und mögliche Fragen. Auf dieser Basis wird dann die Qualität und Eignung der Datenstrukturen anhand ausgewählter Datensätze des Unternehmens getestet und die Ergebnisse explorativ ausgewertet und diskutiert. Kommen die Beteiligten hier zu einem positiven Fazit, wird die Analyse ausgeweitet. Die Erfahrungen von Neofonie bei Big-Data-Analysen haben gezeigt, dass gerade die explorative Zusammenarbeit von Analysten auf Unternehmensseite mit den externen Informatikern unabdingbare Voraussetzung ist, um die Analyseergebnisse bewerten und sinnvolle Rückschüsse für das Business ziehen zu können.

Im Erfolgsfall liegen nach der Implementierung eines Big-Data-Systems quantifizierte Daten für eine KPI-Steuerung vor. Beispielsweise weiß das Unternehmen dann nicht nur, welche Prozessschritte im Call Center im konkreten Fall am erfolgversprechendsten sind, sondern auch, wie hoch die Wahrscheinlichkeit ist, dass ein einzelner Prozessschritt – etwa ein zusätzlicher Anruf beim Kunden – zur Zahlung führt.

Autor: Holger Düwiger ist CTO bei Neofonie. Seit über 15 Jahren beschäftigt er sich mit technologiegetriebenen Innovationen. Sein Interesse gilt besonders innovativen Ansätzen und Konzepten, bei denen das Internet und Daten im Fokus stehen. Als CTO und Intermediär zwischen Business und Technologie sorgt er dafür, dass Innovationen im Sinne des Businessnutzens anwendbar werden. Holger Düwiger ist diplomierter Mathematiker der TU Berlin. 

RSS Feed

Entdecken Sie die Printmagazine des WIN-Verlags