Aktiviere die analytische Suchmaschine

Sven Arn (Happy Thinking People)

Von Sven Arn, Group Managing Director, H,T,P, Concept

Wie man Qualitative Insight Tools im Umgang mit Big Data nutzen kann

Die Datenmengen von heute stellen Analysten vor riesige Herausforderungen. Wie orientiert man sich in diesen umfangreichen Datensätzen? Wie bewertet man die teils sehr widersprüchlichen Daten? Wie entscheidet man, was wichtig und was unwichtig ist? Wie verarbeitet man Daten so, dass sie zu strategisch relevanten Handlungsempfehlungen führen?

Insight Prozesse sind schon immer darauf ausgerichtet gewesen, mit sehr unterschiedlichen Daten umzugehen und daraus Strategien abzuleiten. Eine Erweiterung der Anwendung von Insight Tools auf Big Data erscheint daher als ein nächster logischer Schritt.

Schritt 1: Die innere Suchmaschine einrichten

Der Beginn eines jeden Insight Prozesses ist es, eine Projektzielsetzung (ein "Business Objective") zu definieren. Somit wird das Business Objective zum Startpunkt zur sinnvollen und zielgerichteten Strukturierung von Daten und vermeidet, dass ein Prozess ins Nichts führt.

Nehmen wir mal das fiktive Beispiel eines Schuhportals. Fragt man lediglich, was man aus den angesammelten Daten über Kunden, Besucher auf der Seite, Clicks usw. lernen kann, dann ist das Feld relativ offen. Setzt man allerdings ein klares Business Objective fest – auch wieder ein fiktives Beispiel: "Wie verkaufen wir mehr Schuhe in Nürnberg?" wird die Datenmenge reduzierbar und greifbar.

Im nächsten Schritt müssen die Suchfelder (Search Questions) definiert werden. Genauso wie eine Suchmaschine nur so gut ist, wie die Suchaufträge, die vorgegeben werden, kann ein Datenaufbereitungsprozess nur funktionieren, wenn die Suche intelligent strukturiert wird.

Wenn wir unser Beispiel weiterverfolgen wären folgende Suchfelder denkbar: "Welche Produkte verkaufen sich besonders gut in Nürnberg? Welche werden besonders häufig angeschaut?", "Wie unterscheiden sich diese Produkte über die Größe der Städte?", "Wie haben sich die Verkaufsmuster in Nürnberg über die Zeit entwickelt? Wie ist das im Vergleich zu größeren und kleineren Städten?" usw.

Dieser Ansatz bedingt den Einblick in das Offensichtliche und erzwingt die Exploration angrenzender Themenfelder.

Schritt 2: Den Ergebnissen eine Form geben

Die Search Questions agieren wie ein Fischernetz im Meer der Datenquelle. Alle Daten, die helfen könnten, die definierten Fragen zu beantworten, werden nun eingefangen, sortiert und zur weiteren Verarbeitung bereitgestellt.

Nun können über klassische qualitative Analyseverfahren Bezüge hergestellt, häufig korrespondierende Phänomene herausgearbeitet und Widersprüche identifiziert werden.

So entstehen aus Daten Erkenntnisse, die wiederum als Basis für die Insight-Entwicklung dienen.

Ob nun für Team- oder Workshop-Prozesse, wird der 'Datenfang' entsprechend der Search Questions in verdauliche Bissen aufgeteilt und somit zu leicht ausführbaren Missionen.

Im Rahmen eines Workshops können die relevanten Dateninformationen nun wieder zusammengefügt und strukturiert werden – und zwar unabhängig von den ursprünglich gestellten Fragen! Denn die Erkenntnisse sollten aus den Daten entstehen und nicht aus der vorangestellten Hypothese.

Schritt 3: Von Erkenntnissen zu Insights

In den gängigen Insight Prozessen zugrundeliegenden Theorien gibt es einen klaren Unterschied zwischen Daten, Erkenntnissen und Insights.
Daten sind die essenzielle Basis für jeden Insight Prozess – aber ohne weitere Verarbeitung wertlos, wie die Herausforderungen um Big Data zeigen. Wenn wir zum Beispiel wissen, dass der bequeme Alltagsballerina in Nürnberg besonders häufig gekauft wird, dann ist das vielleicht interessant – aber hilft es uns wirklich weiter, um die Nürnberger Schuhkäuferin in all ihren Facetten zu verstehen?

Erkenntnisse entstehen aus der Bündelung von Informationen. Wenn wir zum Beispiel transparent machen, dass Schuhmoden in Nürnberg Bestand haben, die in Städten von ähnlicher Größe in anderen Teilen Deutschlands eher abnehmen, dann können wir es wagen, eine Aussage über das Modeverständnis und Modezyklen in der fränkischen Metropole zu treffen.

Insights entstehen wiederum in der Fokussierung und vertieften Reflektion von Erkenntnissen. Warum ist etwas so wie es ist? Was steckt dahinter? Über die Insight-Findung geben wir Erkenntnissen eine Bedeutung. Über die Reflektion werden die Daten letztendlich qualitativ gewichtet und priorisiert – und bilden erst jetzt eine Basis für Strategien.

Kommen wir ein letztes Mal nach Nürnberg zurück... Vielleicht lernen wir ja, dass die Nähe zu München der Nürnbergerin ein Selbstbewusstsein in Sachen Mode verleiht, dass sie weniger empfänglich für kurzfristige Trendströmungen macht.

Wäre das unser Insight, dann könnten wir beginnen eine Strategie zu entwickeln, die versichert, dass unser Nürnberger Publikum über den Alltagsballerina hinaus zielgruppengerechte Produkte zu sehen bekommt, und Trends in einer Tonalität vermittelt werden, die den fränkischen Modevorstellungen entsprechen.

Auf diese Art und Weise wird Big Data zu einer Quelle für ein vertieftes Zielgruppenverständnis mit Handlungsrelevanz.

Ein Grundprinzip: Offen bleiben, um auch zu finden, was man gar nicht sucht

Man könnte nun den berechtigten Einwand haben, dass man das Potenzial von Big Data unnötig limitiert und das Schöne an Big Data gerade die Tatsache ist, dass Daten entstehen, die keiner vorhersehbaren strategisch ausgerichteten Suche entsprechen.

Um Limitierung zu vermeiden, ist es wichtig, den systematischen Umgang mit Big Data so zu gestalten, dass er Raum lässt für Überraschungen und Entdeckungen.

Sehen wir zum Beispiel in unserer Suche, dass der Alltagsballerina ein generell wenig kauffreudiges Kundenprofil anspricht, so stellt das vielleicht das ursprüngliche Business Objective in Frage und verlangt nach einer Anpassung der Zielsetzung.

Oder wir entdecken in der Datensuche, dass die wichtigsten neuen Schuhtrends von München und Berlin ausgehen; eine Entdeckung, die vollkommen neue Zielsetzungen bedingt und Raum bietet für ganz neue Projekte mit Entwicklungspotenzialen.

Mit einem strukturierten Prozess kann Big Data zu einer Quelle strategisch relevanter Insights werden und zugleich neue strategische Impulse liefern… weit über Schuhe hinaus.