How to unleash Data Science with an MBA?

Servers record a copy of LHC data and distribute it around the world for Analytics

My Data Science journey starts at CERN where I finished my master thesis in 2009. CERN, the European Organization for Nuclear Research, is the home of the Large Hadron Collider (LHC) and has some questions to answer: like how the universe works and what is it made of. CERN collects nearly unbelievable amounts of data – 35 petabytes of data per year that needs analysis. After submitted my thesis, I continued my Data Science research at CERN.

I began to wonder: Which insights are to be discovered beyond Particle Physics? How can traditional companies benefit from Data Science? After almost four exciting years at CERN with plenty of Hadoop and Map/Reduce, I decided to join Capgemini to develop business in Big Data Analysics, and to boost their engagements in Business Intelligence. In order to leverage my data-driven background I enrolled for the Executive MBA program at Frankfurt School of Finance & Management including an Emerging Markets module at CEIBS in Shanghai.

Today companies have realized that Business Analytics needs to be an essential part of their competitive strategy. The demand on Data Scientists grows exponentially. To me, Data Science is more about the right questions being asked than the actual data. The MBA enabled me to understand that data does not provide insights unless appropriately questioned. Delivering excellent Big Data projects requires a full understanding of the business, developing the questions, distilling the adequate amount of data to answer those questions and communicating the proposed solution to the target audience.

„The task of leaders is to simplify. You should be able to explain where you have to go in two minutes.“ – Jeroen van der Veer, former CEO of Royal Dutch Shell

IMF Global Data Explorer

How about some visual takeaways from the IMF’s World Economic Outlook? Recently I prepared two nifty data visualizations with Tableau that I like to share with you.

These visualizations allow you to explore plenty of economical data, including IMF staff estimates until 2020. Don’t forget to choose „Units“ after switching „Subject“ on the right-side bar. A detailed description on each subject is displayed below.

Tableau

Digitale Banken: Welche Anforderungen bringt die Digitalisierung?

Skyline von Frankfurt am Main
Skyline von Frankfurt: Verpassen Banken den Sprung zur Digitalen Bank? (Foto: Flickr)

Retail-Banken stehen bereits in direktem Wettbewerb mit Nicht-Banken. Apple, Google und Paypal stoßen längst in das Privatkundengeschäft der Banken vor, rücken dabei die Kunden in den Mittelpunkt, lösen Banking von klassischen Mustern und schaffen neue Interaktionsmöglichkeiten. Authentifizierung erfolgt per Fingerabdruck und Pulsmessung, der Datenabgleich per Nahfeldkommunikation (NFC) und die Buchung erscheint in Echtzeit auf dem Smartphone oder der Apple Watch.

Diese neuen Player kommen mit ihren disruptiven Innovationen zu einer Zeit, die ohnehin Banken weltweit vor massive Herausforderungen stellt: ein wohl noch lange anhaltendes niedriges Zinsniveau, hoher Kostendruck, zunehmende Regulierung und schwindendes Vertrauen der Kunden. Ethikkodizes zeigen hier bislang keine wirkliche Abhilfe. Stattdessen sollten Retail-Banken selbst den Schritt zur digitalen Bank machen – und das besser früher als später, nicht unkoordiniert nach dem Gießkannenprinzip, sondern mit einer digitalen Strategie.

Das Beste aus zwei Welten

Digitale Banken können Vorteile aus zwei Welten vereinen: einerseits einen klaren Kundenfokus, die Optimierung des Filialnetzes und Transparenz  in der Außendarstellung, andererseits die Integration der Vertriebskanäle und ein effizientes und effektives Geschäftsmodell in der Innenbetrachtung – beides ermöglicht durch die Digitalisierung und den dazugehörigen Technologien, Prozessen und Organisationsstrukturen. Die damit einhergehenden Aufgaben werden allerdings nur jene Banken erfolgreich meistern, deren Management einen weitreichenden kulturellen und strategischen Wandel einleitet und auch Digital Natives bei der Entwicklung und Umsetzung intensiv mit einbezieht.

Es handelt sich dabei um einen Irrtum, dass der Digitalisierung mit der Entwicklung von Apps Genüge getan wäre. Sicher ist es wünschenswert, dass Kunden ihren Sparplan per Schieberegler auf verschiedene Fonds aufteilen können oder in Echtzeit per Push Notification über Zahlungseingänge, Orderausführungen und Kreditkartenbelastungen informiert werden. Doch dies allein wird nicht für den Ausbau des Geschäfts reichen. Vielmehr müssen sich auch die darunter liegende Geschäftsmodelle ändern. In der digitalen Welt gelten Modelle mit Sockel- oder Grundgebühren als überholt. Schließlich fallen bei Ordererteilung via Smartphone keinerlei manuelle und somit kostenintensive Tätigkeiten an.

Neubau der Europäischen Zentralbank (EZB)
Neubau der Europäischen Zentralbank (Foto: Flickr)

Das Multi-Channel-Erlebnis und Crowd Investment

Um das Geschäftsmodell konsequent an den Kunden auszurichten, ist neben dem Erweitern bestehender Dienstleistungen auch eine nahtlose Integration der Vertriebskanäle erforderlich. Die Bankfilialen können mit längeren Öffnungszeiten punkten. In urbanen Zentren bietet sich zudem die Einrichtung von Flagship Stores an. Bei der Beratung stehen die Kunden im Fokus, und nicht die vorgegebenen Vertriebsziele. Unterstützt werden die Kundenberater dabei mit analytischen Tools, die in Echtzeit die Finanzsituation des Kunden voraussagt und zum Beispiel verschiedene Varianten der Baufinanzierung oder das Fremdwährungsrisiko bestimmter Investmentoptionen auf einem Tablet grafisch aufzeigt.

Informationen, die die Kunden preisgeben, werden in einem Customer Relationship System (CRM) gespeichert, und zwar vom Vertriebskanal unabhängig. Auf der anderen Seite bekommen Kunden auf den Online-Portalen stets maßgeschneiderte Empfehlungen. Eine Chatfunktion ermöglicht die persönliche Beratung auch jenseits der Öffnungszeiten. Das kommt insbesondere der attraktiven Zielgruppe der hochvermögende Personen, sogenannte High Net Worth Individuals (HNWI), entgegen, da dieser Personenkreis sehr informationsaffin ist und sich nicht selten erst spät abends oder sonntags neuen Investitionsmöglichkeiten widmet.

Eine entsprechende Community bietet ein Forum für den Austausch der Kunden unter einander. Werden in einem solchen Forum Aktien, Fonds oder Basisprodukte genannt, so werden diese automatisch zu den entsprechenden Angeboten der Bank verlinkt. Einen Schritt weiter geht der Ansatz des Crowd Investments, bei dem sich Kunden den Entscheidungen anderer Anleger anschließen und so beispielsweise Umschichtungen im Depot automatisiert vollzogen werden. Zusätzliche Motivation könnte hierbei durch Gamification in Form von Rankings und Awards geschaffen werden, wie es heute schon bei Fitness-Plattformen üblich ist.

Die Zukunft nicht verpassen

Heute stehen einem solchen Kundenerlebnis häufig IT-Systeme gegenüber, die Daten in abgeschotteten Silos halten und die direkte Verknüpfung, Aggregation und Auswertung somit erschweren. Diese Hürden gilt es zu beseitigen, um die Grundlagen der Digitalisierung zu legen. Verpassen die Banken den Sprung zur Digitalen Bank, werden andere Marktteilnehmer diese Lücken füllen. Die zurückbleibenden Banken müssen sich auf eine Abwanderung von Kunden und sinkende Erträge einstellen. Wie schnell das gehen haben, haben schon andere Branchen leidvoll erfahren müssen. Vor nicht allzu langer Zeit wurden noch Milliarden mit Nokia-Telefonen und dem Versenden von Kurzmitteilungen (SMS) umgesetzt. Beides fand ein sehr schnelles Ende…

Was meinen Sie? Sehen Sie Ihre Bank den Anforderungen der Digitalisierung gewachsen? Ich freue mich darauf, mit Ihnen zu diskutieren.

Beitrag zuerst veröffentlicht am 27.03.2015 im Capgemini IT-Trends-Blog.

Ist der Mittelstand der Digital Transformation gewachsen?

Frankfurt
Digital Transformation: eine Investition in neue Märkte

Technologieaffine Konsumenten verlassen sich bei der Auswahl von Restaurants und für Preisvergleiche schon längst auf zahlreiche Dienste, die Daten qualitativ aufbereiten und nutzbar machen. Aus dem Alltag der Digital Natives sind Technologien wie Cloud, Mobile, und Big Data nicht mehr wegzudenken. Internet of Things (IoT) hat auf Gartner’s Hype Cycle sogar den Gipfel der Erwartungsskala erreicht. Obwohl auch viele Unternehmen dem potenziellen Nutzen der Digital Transformation beipflichten, beschäftigen sich tatsächlich nur sehr wenige Unternehmen ernsthaft mit dieser Entwicklung. Insbesondere viele mittelständische Unternehmen sehen diesen Trend mit Skepsis und finden häufig auch Bestätigung bei ebenfalls risikoscheuen Unternehmen aus demselben Umfeld. Ich möchte Ihnen in diesem Beitrag einige Gründe für das Zögern der mittelständischen Unternehmen beim Thema Digital Transformation näher bringen. Meiner Meinung nach bieten diese neuen Technologien Mittelstands-CIOs eine Chance das Geschäftsfeld auszuweiten.

Die Sunk Cost Fallacy

Die meisten Unternehmen, auch die mittelständischen, haben bereits in bestimmte Technologien investiert und sind oft nicht bereit eine überlegene neue Technologie zu implementieren oder auch nur zu testen. Hier schnappt die Sunk Cost Fallacy zu, da die Unternehmen schon besonders viel Zeit, Geld und Energie investiert haben. Das investierte Geld wird dann zur Begründung, mit der bestehenden Technologie weiterzuarbeiten, selbst wenn es objektiv betrachtet keinen Sinn mehr macht.

Jedoch befriedigen solche bestehen Technologien höchstens die Bedürfnisse, die Konsumenten heute haben. Den Anforderungen, die die Kunden morgen haben werden, wird das Unternehmen hiermit nicht gerecht. Angesichts des heutigen dynamischen Geschäftsumfeldes ist die Technologie, die die Erwartungen der Kunden erfüllt bereits obsolet bis diese zum Einsatz kommt.

Disruptive Innovationen

Wenn Unternehmen nicht selbst ihr Geschäft durch disruptive Innovationen umkrempeln, werden es neue Wettbewerber tun. Auch wenn viele mittelständische Unternehmen die Vorteile der Digital Transformation erkennen, sind sie zurückhaltend bei der Einführung einer unerprobten Technologie in ihre aktuelle Infrastruktur. Noch mehr Zurückhaltung erfährt die Überarbeitung der Geschäftsprozesse, die für eine datengetriebenen Denkweise und somit für disruptive Innovationen unabdingbar ist.

Somit warten immer noch viele dieser Unternehmen in der Hoffnung, dass ihre Wettbewerber den ersten Schritt in Richtung Digital Transformation machen. Dieses Verhalten wird von Sozialpsychologen Pinguin-Effekt genannt. Mittelstandsunternehmen könnten jedoch durch Digital Transformation von zahlreiche First-Mover-Vorteilen profitieren, einschließlich des Wettbewerbsvorsprungs gegenüber der Konkurrenz. Solche Pionierunternehmen können, zumindest für eine gewisse Zeit, die Exklusivität des erweiterten Geschäftsmodells nutzen und sich die dadurch erhöhte Medienpräsenz zu Nutze machen.

Technologie als Innovationstreiber

Digital Transformation ist eine Investition in neue Märkte und Chancen, aber nur, wenn Unternehmen verstehen, wie Technologie zum Innovationstreiber wird. Um mittelständischen Unternehmen den Weg der Digital Transformation zu ebnen, ist es notwendig, deren Wertschöpfung deutlich hervorzuheben. Ein umfassender Business Case, der eine Wertschöpfung deutlich zeigt, wird solche Unternehmen veranlassen, Pilotprojekte aufzusetzen, die zeigen, dass die suggerierten Vorteile von Digital Transformation in der Tat erreichbar sind. Solche kleinen Erfolge sind für die weitere strategische Planung der Digital Transformation unverzichtbar. Unternehmen, die ihre datenzentrischen Fähigkeiten ausbauen sind gut aufgestellt, um auf lange Sicht am Markt zu gewinnen.

Viele Mittelstandsunternehmen aus Deutschland sind in ihrem Bereich Marktführer und extrem innovativ. Wachstum ist Teil ihres Geschäftsmodells. Ist Ihr Unternehmen für die Expansion in andere Märkte vorbereitet und kann Schritt mit den Anforderungen der Digital Transformation halten? Ich freue mich auf Ihren Kommentar.

Beitrag zuerst veröffentlicht am 13.03.2015 im Capgemini IT-Trends-Blog.

A Data Processing Guide in the Big Data Jungle

14514437527_f687202d5d_k
Too many choices? Don’t get lost!

We are deep in the Big Data jungle. According to Gartner’s Hype Cycle for Emerging Technologies, Big Data has now officially passed the “peak of inflated expectations”, and is now on a one-way trip to the “trough of disillusionment”. Gartner says it’s done so rather fast, because we already have consistency in the way we approach this technology, and because most new advances are additive rather than revolutionary.

Pig, Hive, Impala, Tez and Spark: which one suits for which use case?

With so much hype and so many new advances, it’s easy to get lost. This little guide gives you an overview on data processing technologies in the Big Data jungle and tries to identify the best use cases for each.

  • Pig: Pig is often useful for pulling apart unstructured and nested data like text or JSON. Since Pig Latin is a procedural language, it is a very good choice for developing data pipelines on Hadoop. Pig is based on MapReduce and has tools for data storage, data execution and data manipulation.
  • Hive: Hive was original “relational on Hadoop” and is the first Hadoop SQL (HiveQL to be precise) query engine. Hive is still the most mature engine from all in this guide, as well as the slowest one. Hive is also based on MapReduce and is a very good choice for heavy ETL tasks where reliability is important, eg. daily aggregation jobs.
  • Impala: Impala is the only native open-source SQL query engine in the Hadoop world. It skips MapReduce entirely and is best used for SQL queries over big volumes. Impala is also capable of delivering results interactively over bigger volumes and with a much faster speed than other Hadoop query engines.
  • Tez: Tez may be considered as a better and faster base for query engines like Pig and Hive. Tez gets around limitations imposed by MapReduce and enables use cases with near-real-time performance and Machine Learning, which do not fit well into the MapReduce paradigm.
  • Spark: Spark is an in-memory query engine that also skips MapReduce. Perfect use cases for Spark are streaming, interactive data processing and ad-hoc analysis of moderate-sized data sets (as big as the cluster’s RAM). The ability of Spark to reuse data in-memory is the real highlight for these use cases. Spark SQL offers relational connectivity.