Executive Summary: Banken und Versicherungen Wettbewerbsfaktor Analytics - Reifegrad ermitteln, Wirtschaftlichkeitspotenziale entdecken Lehrstuhl für Wirtschaftsinformatik und Electronic Government Universität Potsdam Chair of Business Information Systems and Electronic Government University of Potsdam Univ.-Prof. Dr.–Ing. habil. Norbert Gronau Lehrstuhlinhaber | Chairholder August-Bebel-Str. 89 | 14482 Potsdam | Germany Tel Fax +49 331 977 3322 +49 331 977 3406 E-Mail [email protected] Web lswi.de Nutzen aus verfügbaren Daten gewinnen - Aktuell und zukünftig 25 % Gewinnung von Innovationsspielräumen 45 % 65 % Zukunftsprognosen Aufdecken von Optimierungspotenzialen 70 % 45 % 50 % Erkennen von Wirkungszusammenhängen Identifikation von Schwachstellen Erstellen von Berichten 50 % 25 % Höhere Wertschöpfung Profitableres Wachstum 20 % 40 % 50 % 45 % Effizientere Unternehmenssteuerung Schnelles Reagieren auf Anforderungen in neuen Geschäftsfeldern Aktuell Mehrfachantworten möglich 55 % 30 % 35 % Erhöhung Zielgenauigkeit in Organisationsentscheidungen Definiton von KPI´s 60 % 40 % Proaktives Handeln 15 % 10 % 10 % Zukünftig 25 % 60 % 60 % 70 % 80 % 85 % Unterschiedlich starke Nutzung von Analytics in den Fachbereichen CRM/Kundenmanagement 48 % Marketing 44 % F&E 41 % Risikomanagement 39 % Finance 29 % General Management 27 % Vertrieb 26 % Qualitätsmanagement Service Mehrfachantworten möglich 21 % 9% Nutzung von Business Intelligence und Analytics im Vergleich 82 % General Management 18 % 71 % Finance 29 % 58 % F&E 42 % 70 % Marketing 30 % 66 % Risikomanagement Service Vertrieb Qualitätsmanagement CRM/Kundenmanagement 34 % 92 % 8% 86 % 14 % 90 % 10 % 71 % 29 % Mehrfachantworten möglich; Darstellung bezieht sich nur auf die Unternehmen die davor den Bereich als relevant genannt haben. Datenquellen Externe Marktforschungsdaten 81 % Customer Relationship Management 71 % Transaktionsdaten 60 % Standortdaten 31 % Point of Sale 26 % Social Media Webites ERP Mehrfachantworten möglich 16 % 12 % 11 % Probleme bei der Informationsversorgung Interpretierbarkeit 62 % Starke Abhängigkeit von Spezialisten 53 % Daten sind nicht individualisiert 34 % Menge an Informationen (zu viel/zu wenig) Verfügbarkeit der Analysen Fehlende Anpassbarkeit Mehrfachantworten möglich 22 % 14 % 9% Konsequenzen die aus der Entscheidung Big Data zu nutzen, gezogen werden können Umgestaltung der Prozesse 43 % Schulung von Analytics-Fachleuten 39 % Konsolidierung der Informationssysteme 35 % Erschließung neuer Datenquellen 29 % Analyse der Informationsbedürfnisse 23 % Schulung aller Mitarbeiter im Umgang mit Big Data Analytics Schaffung neuer Organisationseinheiten Mehrfachantworten möglich 11 % 3% Ziele von Big Data Analytics im Marketing Management Erhöhung des Gesamtumsatzes durch kundenspezifische Kampagnen 61 % Reduzierung der Abwanderung von Bestandskunden 56 % Steigerung der Neukundengewinnung 55 % Umsatzerhöhung durch Kundenbindung 48 % Umsatzerhöhung durch Cross Selling 46 % Senkung Vertriebskosten durch wirtschaftlichsten Vertriebsweg Optimierung der Markteinführungszeit Mehrfachantworten möglich 27 % 7% In welchen Bereichen nutzen Versicherungen Big Data Analytics 20 % Geobasierte Versicherungsprodukte 80 % 0% 0% Schaffung neuer Versicherungsprodukte 20 % 80 % 0% Kundenindividuelle Versicherungsprodukte 25 % 75 % 20 % 20 % Anwendung im Tarifmanagement 60 % 40 % Optmimierung im Forderungsmanagement 60 % 0% 0% Risikomanagement 60 % 40 % Stiften keinen Nutzen Quelle: Stiftet Nutzen Stiftet Nutzen, Projekte wurden realisiert In welchen Bereichen nutzen Banken Big Data Analytics 8% Kundescoring 25 % 17 % Einschätzung Kunden 8% 33 % 17 % 58 % 25 % 17 % 25 % 25 % 0% Trading Analysen Quelle: 67 % 0% Liquiditätsplanung Stiften keinen Nutzen 75 % 17 % Betrugsprävention Risk Management 50 % 33 % Individualisierte Servicedienstleistungen Echtzeitanalyse von Transaktionen 67 % Stiftet Nutzen 42 % 17 % 17 % 58 % 67 % Stiftet Nutzen, Projekte wurden realisiert Hürden *Nur Banken Fehlendes Know How 67 % Zu wenig interne Ressourcen 58 % Mangelndes Datenmanagement 47 % Rechtliche Hürden im Bereich der Kreditvergabe* 45 % Keine klare Verantwortlichkeit für das Thema Big Data 33 % Keine etablierten Analysenprozesse in den Fachabteilungen 22 % Fehlende Technologie Kein zusätzlicher Nutzen gegenüber herkömmlichen Verfahren 8% 0% Keine Unternehmensstrategie 0 % Mehrfachantworten möglich
© Copyright 2024 ExpyDoc
