Churn Prediction

Data Thinking: So minimieren Sie Kulanz- und Garantiekosten

Wer Garantie- und Kulanzfälle reduzieren will, kommt mit einer klassischen Fehler-Ursachen-Analyse oft nicht weiter. Data Thinking und die Suche nach auffälligen Mustern versprechen mehr Erfolg. Sechs Tipps für einen neuen Ansatz.

Von

Susanne Zach, Partnerin und Spezialistin für Risk IT bei Ernst & Young in Wien.

"Wer nur einen Hammer als Werkzeug hat, sieht zwangsläufig überall Nägel", sagt Susanne Zach, Director bei EY Österreich. Was die Expertin für Data Thinking meint: Die einfache Fehler-Ursachen-Analyse kann eine gute Methode sein, um einzelne Fehler zu identifizieren und zu vermeiden, in ihrem Kern funktioniert sie aber immer eindimensional. Hier ein Fehler – dort die Ursache, fertig. Wird die Ursache behoben, so die Hoffnung, taucht der Fehler nie wieder auf. Was er aber meist doch tut. Weil er eben nicht von einem Faktor allein abhängt, sondern von einer ganzen Reihe davon und von bestimmten Kombinationen. Mit einer Root Cause Analysis findet man solche Muster nur schwer. Mit Data Thinking – einer Kombination aus Design Thinking und Data Science Methoden – als ganzheitlicher Ansatz zur Beantwortung von Businessfragestellungen eher.

1. Verlieren Sie nie das Ziel aus den Augen!

Data Mining und Data Analysis sind mächtige Werkzeuge, oft werden sie aber zu einem Selbstzweck, bei dem man den ursprünglichen Grund für die diversen Auswertungsversuche aus den Augen verliert. „Gerade bei Data Thinking ist es extrem wichtig, den Business Need und die Businessfragestellung, die man hat, zu kennen. Sonst ist die Gefahr groß, dass die Sache unübersichtlich wird und die beteiligten Personen schnell das Interesse verlieren“, erklärt Susanne Zach. „Geht es darum, wie Garantie- und Kulanzkosten minimiert werden können, muss sich der gesamte Prozess an dieser Leitfrage orientieren, dann gleitet er auch nicht ins Nebensächliche ab.“

2. Bringen Sie die richtigen Leute zusammen!

Wenn die Fragestellung klar ist, fällt auch der nächste Schritt einfacher: die richtigen Leute zusammenzubringen. Wenn es um Reklamationen und Kulanzen geht, werden Data Scientists und IT-Spezialisten alleine nicht weit kommen. Sie brauchen für ihre Arbeit die unterschiedlichsten Sichtweisen all jener, die in irgendeiner Form mit dem Problem befasst sind. Und das können ganz schön viele sein: Controller, Verkäufer, Logistikverantwortliche, Techniker, Leute aus der Produktion. In der einen oder anderen Form betreffen Reklamationen ja alle von ihnen: den Controller, weil sie Kosten verursachen, den Verkäufer, weil sie die Marke schwächen, den Logistiker, weil er entweder Teile tauschen oder für eine Reparatur zwischenlagern muss, den Techniker, weil er das Produkt designt hat, und den Mitarbeiter in der Produktion, weil er oft als der direkt Verantwortliche für Fehler gesehen wird. „Um Menschen aus derart unterschiedlichen Bereichen in einen Gedankenaustausch kommen zu lassen, braucht es eine neutrale Moderation unter Anwendung erprobter Innovations-Methoden, die Generierung von Ideen unterstützt“, sagt Zach.

White Paper zum Thema

3. Lassen Sie die Gedanken fließen!

Der größte Fehler, den man bei der Suche nach neuen Ideen machen kann, ist, zu früh einen Teil der Ideen zu verwerfen – weil technisch unlösbar, weil zu teuer, weil zu ausgefallen. „Machen Sie es anders: Schließen Sie keine Idee von vornherein aus und kritisieren Sie keine Idee zu früh“, rät die EY-Spezialistin Zach. Denn bei der Ideenfindung geht es zunächst einmal um Quantität, nicht Qualität. Zum Aussortieren bleibt später immer noch Zeit. Gerade wenn es um Themen geht, die ein Unternehmen langfristig beschäftigen, wie die Minimierung der Kosten von Reklamationen, sollte man sich auch einen gewissen Weitblick bewahren: „Ideen, die heute aufgrund der Datenlage noch unrealistisch scheinen, könnten schon bald machbar sein“, gibt Zach zu bedenken. Und rät daher, solche Ideen im Rahmen des Data Thinking- Prozesses auch dann zu sichern, wenn sie vorläufig undurchführbar wirken.

4. Fokussieren Sie auf die erfolgversprechendsten Ideen!

Aufgrund unzureichender Evaluierung und Selektion werden erfahrungsgemäß oft nicht jene Ideen weiterverfolgt, die den größten Erfolg versprechen, sondern jene, die sich am einfachsten umsetzen lassen. Oder die besonders spektakulär wirken. Begehen Sie diesen Fehler nicht. „Definieren Sie Kriterien zur Identifikation der lohnendsten Ideen. Wenn es an die konkrete Umsetzung geht, fokussieren Sie auf die wesentlichen Garantie- und Kulanzfälle“, empfiehlt Susanne Zach. Überlegen Sie allerdings, ob aus scheinbar unbefriedigenden Ideen durch Ergänzung weiterer Datenfelder und Quellen nicht doch noch brauchbare Use Cases werden können. Am Ende sollten Sie sich aber auf jeden Fall auf die erfolgversprechendsten Ideen konzentrieren und diese weiterentwickeln.

5. Bauen Sie Prototypen, verschätzen Sie sich aber nicht beim Aufwand!

Prototypen eignen sich gerade bei Analyse- und Visualisierungslösungen besonders gut, um die entsprechenden Modelle auf ihren potenziellen Nutzen zu testen. Um solche Prototypen entwickeln zu können, ist Expertenhilfe allerdings unerlässlich: „Verschätzen Sie sich nicht beim Aufwand. Am aufwendigsten ist in der Regel die Sammlung der Daten aus den unterschiedlichsten Fachbereichen und ihre Aufbereitung. Dabei warten viele Stolpersteine. Deshalb ist auf dieser Stufe die Beiziehung von erfahrenen Data Scientists sehr wichtig“, erklärt Zach. Ansonsten gilt aber: Mehr ist weniger. Professionalisieren kann man Prototypen immer noch. Zunächst sollen sie einmal laufen und grundsätzlich überzeugen.

6. So vermeiden Sie den "Powerpoint-Exit"!

„Ein gelungener Prototyp ist schön, bringt aber noch keinen konkreten Business Benefit“, merkt Zach an. Viele Projekte enden dennoch bereits an diesem Punkt. In einer schönen Ergebnispräsentation wird dann noch per Powerpoint der Mehrwert dargestellt, der sich bei einer Implementierung erwarten lässt, und das war es dann. Die Überführung funktionierender Prototypen zu integrierten Businesslösungen findet nicht statt. Die Gründe dafür können vielfältig sein: unzureichende Erfassung von Daten, mangelnde Akzeptanz im Management oder auch bei den Mitarbeitern. „Deshalb ist eine frühzeitige Einbindung aller relevanten Stakeholder essenziell“, sagt Zach. „Sonst bringen sie ein Projekt womöglich noch im letzten Moment zu Fall.“ Und wenn die Datengrundlage tatsächlich unzureichend sein sollte? Dann hilft nur eins: einen Schritt zurücktreten und überlegen, wie man sie verbessern kann – durch Maßnahmen zur Verbesserung der Datenqualität wie zum Beispiel die Schaffung von Data Governance Strukturen und Information Management Prozessen? Durch Verbesserung der Granularität der Daten? Durch Anhebung der Frequenz, in der die Daten erhoben werden? Möglichkeiten gibt es inzwischen so viele, dass heute an fehlenden Daten eigentlich kein Projekt scheitern sollte.

Verwandte tecfindr-Einträge