Nachfrage-Management

Quantitätsversprechen.

Beim Messen der Marktnachfrage ermöglicht «Quantitative Demand Management» einen ganzheitlichen Blick. Damit können Unternehmen komplexe Angebots- und Nachfragestrukturen als Systeme steuern.  

* Von Alexander Vocelka, Dr. Andrei Belitski, Dr. Hans Bauer

Obwohl in der digitalen Wirtschaft die Kunden maßgeblich bestimmen sollten, was Unternehmen produzieren und anbieten, dominiert in vielen Märkten noch immer das Angebot die Nachfrage. Das liegt daran, dass viele Sektoren noch gar nicht entwickelt sind und in großen Teilen der Welt noch eine Mangelwirtschaft besteht.

Ein anderer Grund ist, dass viele Unternehmen angebotsorientierte Geschäftsmodelle bevorzugen, weil sie wesentlich effizienter sind. Wegen des Vorteils der Skalenwirtschaftlichkeit produzieren sie für den globalen Markt möglichst hochstandardisierte Produkte – und aktivieren dann die Nachfrage durch intensive Marketingmaßnahmen.

Mit «Quantitative Demand Management» kann diese ineffektive Orientierung vermieden werden. Die Methode befähigt ein Unternehmen, die Ursachen der Nachfrage nach Produkten und Dienstleistungen zu entschlüsseln und so zu beeinflussen, dass es den Bedarf im wettbewerbsintensiven Umfeld möglichst effizient durch ein passgenaues Angebot erfüllen kann. Tatsächlich liegt der Fokus heute noch stark darauf, eine Nachfrage zu erzeugen (Demand Creation) statt Bedürfnisse zu entdecken und zu verstehen (Demand Discovery).

Die globale Digitalisierung der Märkte führt zu einer tektonischen Verschiebung, die den Konsumenten und damit die «Demand Discovery» in das Zentrum des Demand Managements rückt. Dank des Internets ist heute selbst für die einzelnen Konsumenten Global Sourcing möglich. Sogar Nischenprodukte können sie weltweit direkt von einem beliebigen Hersteller beziehen.

Parallel dazu bewirkt in der Produktion das 3D-Printing, dass Verbraucher nicht nur Ersatzteile, sondern auch einfachere Produkte selbst herstellen können. So verringert sich die Abhängigkeit von komplexen Wertschöpfungsketten, und selbst kleine Unternehmen können Individualprodukte kostengünstig nach Kundendesign über Nacht anfertigen.

Auch die Stellung des Kunden im B2B-Geschäft verändert sich durch die vernetzte Wirtschaft: War bisher jeweils der nächste Abnehmer in der Lieferkette der relevante Kunde, ist heute der Endkunde das Maß der Dinge. Die klassische Regel, dass wer transaktional näher am Endkunden ist, auch mehr über ihn wisse, gilt in der digitalen Welt nicht mehr. Im Internet sind sich alle gleich nah.

Der Wandel der Märkte kommt von vielen Seiten: Der westliche Konsument dient nicht mehr länger als Blaupause für den Rest der Welt, und mit der steigenden Kaufkraft der globalen Mittelschichten steigt die Nachfragemacht der lokalen Märkte. Hinzu kommt, dass smarte Produkte – die intelligent und im Internet of Things sowie den Produktionsketten der Industrie 4.0 vernetzt werden – aktiv in die Marktvorgänge eingreifen: Sie melden zurück, aus welchen spezifischen Komponenten sie bestehen, in welchem Zustand sie sich befinden, wie lange sie voraussichtlich noch leben werden und wie sie gepflegt und gewartet werden müssen.

Für das Quantitative Demand Management (QDM) ist das eine Goldgrube an Informationen. Es bedeutet aber auch, dass Manager in Echtzeit reagieren müssen.

Die Digitalisierung führt insgesamt zu einer dramatischen Beschleunigung der Innovationszyklen und einer Steigerung der Produktvarianten. Dies verlangt vom Unternehmen höchste Agilität bei der Produktentwicklung und im Service. Neue Geschäftsmodelle wie die Sharing Economy entstehen.


Variable On-Demand-Ökonomie.
Die durch die digitale Transparenz des Internets emanzipierten Kunden wachen rund um die Uhr und weltweit darüber, dass Unternehmen alle Standards und Vorgaben einhalten – und die Produkte nicht nur den funktionalen Bedarf, sondern auch gesundheitlichen, ökologischen und ethischen Ansprüchen genügen.

Tausende von Foren, Marktplätzen und Bewertungsportalen haben eine nie gekannte Markttransparenz geschaffen. Preisentwicklungen von Produkten werden online prognostiziert, und die Kunden werden benachrichtigt, sobald der Preis des neuen Bildschirms bestimmte Budget-obergrenzen unterschreitet. Kunden drohen mit negativen Internet-Rezensionen, wenn der Service nicht stimmt.

So wird aus der standardisierten Angebotswirtschaft eine sehr variable On- Demand-Ökonomie mit dem Kunden als dem digitalen König im Zentrum. Oft weiß dieser mehr über das Produkt als das Unternehmen selbst.

Aber wieviel wissen die Unternehmen über ihre Kunden? Über deren Bedarf, Bedürfnisse und Ansprüche? Viel zu wenig! Zwar teilt sich der digitale Kunde schon seit vielen Jahren dem Unternehmen via Internet mit. Nur wurde er bislang kaum gehört oder gar verstanden.

Dank der neuen quantitativen Methoden und Instrumente im Nachfragemanagement ändert sich das. Nun können Unternehmen ihre Märkte und Kunden mit einer bisher nicht gekannten Klarheit wahrnehmen und verstehen.  
Vier wesentliche Instrumente bilden den Kern des Quantitative Demand Managements: das Demand-Offer-Modell, das Innovationsradar, das Customer Value- Modell, das Customer Interaction-Modell.


Das Demand-Offer-Modell.
Die Grundidee des Demand-Offer-Modells ist einfach, nicht aber dessen Umsetzung. Anstatt den Kunden und das Produkt getrennt zu betrachten, integriert man beide ganzheitlich in einem Modell. Ganzheitlich bedeutet dabei, dass alle bekannten Aspekte des Kunden und dessen Reflexion zum Produkt genutzt werden: Wer ist der Kunde? Warum hat er das Produkt gekauft? Wer hat es empfohlen? Was mag er daran, was nicht? Wie war die Lieferung, wie die Installation? Wie nutzt er es? Wer nutzt es sonst noch? Alle verfügbaren Aussagen werden also für die Modellierung genutzt.

Das Demand-Offer-Modell ermöglicht es, den Bedarf, die Bedürfnisse und die Produkterfahrung quantitativ zu erfassen. Dabei können auch Angebote von Wettbewerbern als Teilmodelle eingebunden werden. Zwar gilt auch weiterhin das Primat der vier Ps (Product, Package, Price, Promotion), aber es wird hierbei stark quantifiziert, durch Hunderte von Variablen. Dementsprechend entwickeln sich das Design der Produkte sowie die Produkt- und Portfolioplanung zur komplexen Optimierungsaufgabe.

Dabei sind die Variablen oft hochgradig heterogen, und die externen Daten sind nicht selten hundertmal umfangreicher als die internen. Für die Analyse ist die Datenmenge an sich jedoch weit weniger entscheidend als die Wahl des richtigen Modells, die Struktur der Variablen und die Leistungsfähigkeit der Algorithmen. Denn ein Großteil der QDM-Informationen liegt in Textform vor und wird mithilfe von Machine-Learning-Algorithmen semantisch aufbereitet.  

Die Datenquellen sind sehr unterschiedlich strukturiert. Dies muss bei den automatisierten Schnittstellen berücksichtigt werden. Wichtig ist, dass das charakteristische «Bias» (Verzerrung der Informationsparameter) und das «Rauschen» (Übertragungsfehler beim Informationstransfer) herausgefiltert werden. So lässt sich aus einer unterschiedlichen Anzahl von Webquellen ein leistungsstarkes Demand-Offer-Modell als Basis für alle weiteren Analysen entwickeln.


Das Innovationsradar.
Sind die vielen aufwendigen Ideenfindungs- oder Innovations-Workshops in den Unternehmen noch zeitgemäß? Angesichts der neuen Dynamik eher nicht. Selbst wenn die Teilnehmer aus unterschiedlichsten Bereichen ihrer Wertschöpfungsnetze kommen, sind sie mit einem Bias belastet. Zwangsläufig ist die zur Verfügung stehende «Crowd Intelligence» durch die limitierte Teilnehmerzahl begrenzt und die Meinungsbildung nicht repräsentativ. Die wesentlich größeren sogenannten Web-Jamming-Sessions bringen zwar oft eine Fülle an Ideen, jedoch oft ebenfalls zum Preis eines hohen Bias. Auch ist die Organisation aufwendig.

Innovation aber findet zu jeder Minute an jedem Ort der Welt statt. Dutzende von Universitäten forschen an neuen Batterietechnologien, Tausende von Patenten werden angemeldet, zahllose Start-Ups entwickeln täglich neue Produkte.
Für ein Unternehmen ist es kaum möglich, mit klassischen Mitteln all diese Entwicklungen systematisch, kontinuierlich und gleichzeitig effizient zu verfolgen. Noch schwieriger erscheint es, latente relevante Innovationen und Trends früh genug zu entdecken und bei der eigenen Angebotsstrategie zu berücksichtigen.

Ein Innovationsradar ermöglicht es, sowohl Innovationen und Trends differenziert und quellenbasiert zu erkennen und rund um die Uhr zu beobachten, als auch neue Geschäftsfelder zu suchen und Portfolio-Lücken auszumachen. Nach einer halbautomatisierten Initialisierungsphase arbeitet es bereits selbständig – anhand von Suchmustern, die sich dynamisch entwickeln.

Eine Vielzahl alternativer Fokus- und Filtereinstellungen ermöglicht ein differenziertes Target-Setting. Umgekehrt lässt sich auch eine völlig offene und intelligente dynamische Suche initiieren.

Das Radar sucht dann von selbst nach relevanten bekannten und noch unbekannten Themen und findet somit Innovationen und Trends, die den Menschen sonst verborgen bleiben.


Das Customer Value-Modell.
Ein weiteres wesentliches Instrument ist das Customer Value-Modell. Dieses wird auf dem bestehenden Kundenstamm und dem historischen und aktuellen Portfolio aufgebaut. Zu diesem Zweck werden alle internen Datenvariablen interaktionaler als auch transaktionaler Natur genutzt.

Hinzu kommen externe Datenvariablen, die das Modell stark anreichern. Customer Value-Modelle werden vor allem für die Kundenentwicklung benötigt. Sie beinhalten anders als die Demand Offer-Modelle im Kern das Stammkunden- und das Produktmodell.

Dies erlaubt nicht nur eine sehr feine Kundensegmentierung und eine differenzierte Vorhersage des Kundenbedarfs, sondern auch eine Optimierung des kombinierten Kunden-Produkt-Lebenszyklus.


Das Customer Interaction-Modell
Vom Customer Value-Modell lassen sich nicht nur die bekannten Empfehlungswerkzeuge ableiten, sondern auch die wesentlich leistungsfähigeren Customer Interaction-Modelle.

Diese können an allen Kundeninteraktionspunkten eines Unternehmens genutzt werden und geben so Empfehlungen für strategisch und taktisch verbesserte Kundeninteraktionsketten.

Somit ermöglicht das Quantitative Demand Management (QDM) nicht nur die bedarfsgerechtere Entwicklung von Produkten und Lösungen, sondern auch einen viel besseren Gesamtservice.

Besonders wertvoll ist die Cross Selling-Leistung der Customer Interaction-Modelle. Alle Modelle sind außerdem jeweils stark rückgekoppelt und lernen quasi über Nacht aus den neuen Daten des vergangenen Tages.


Die Vorteile der QDM-Methoden.
Insgesamt ermöglicht es das Quantitative Demand Management, Märkte, Kunden und Produkte als das zu betrachten, was sie im Kern darstellen: ganzheitliche komplexe Systeme.

Um aber diese und damit Angebot und Nachfrage richtig zu verstehen und in allen Dimensionen beeinflussen zu können, bedarf es spiegelbildlich einer hohen sys-temischen oder besser multidisziplinären Kompetenz der Unternehmen selbst: durch eine stete innere, beschleunigte Vernetzung ihrer Funktionen und Expertenteams.  

Die nebenstehende Tabelle zeigt wesentliche Leistungsmerkmale, durch die sich die quantitative Modellierung vom klassischen Demand Management unterscheidet.

Allerdings erweist sich das quantitative Nachfragemanagement in der Praxis oftmals als harter Brocken. Denn die Methode ist zwar logisch, aber nicht unbedingt intuitiv für den Menschen.


Die praktische Einführung.
Gerade bei komplexen Big Data-basierten Modellen und mysteriöser Mathematik entsteht sehr schnell der Black Box-Effekt: Das Management und die Mitarbeiter trauen einer Black Box im Zweifel nicht, weil sie sie nicht verstehen.
Deshalb sollte das Management vor der Implementierung eine Reihe von Best Practices finden, die den Nutzen intuitiv ersichtlich machen und die Möglichkeit einer Umsetzung in kurzen Phasenabschnitten anhand klarer und nachprüfbarer Ergebnisse aufzeigen.


Leichtes Mensch-Maschine-Lernen.
Denn immer dann, wenn aus großen Datenmengen plausible Muster abgeleitet werden können, die einem Menschen vorher verborgen blieben, entsteht ein positiver Erkenntniseffekt. Sind die Modelle zudem sehr deklarativ und die Resultate direkt verifizierbar, dann verwandelt sich Misstrauen sehr schnell in Neugier und zur Erkenntnis einer Nutzenperspektive.  
Mithilfe derartiger Modelle kann zudem auch Expertenwissen leichter direkt in die Unternehmenspraxis einfließen. Sie ermöglichen ein effektives Mensch-Maschine-Lernen, das oft sogar sportliche Züge annehmen kann. Schließlich ist es der Homo ludens, der Neues am liebsten und am besten lernt.    

 

*) Alexander Vocelka ist Partner bei Horváth & Partners und Leiter des Steering Lab. Er ist ein gefragter Sprecher zu Themen wie Digitalisierung, Big Data, Business Modeling und Quantitative Demand Management, Herausgeber von «Die moderne Finanzfunktion» (Gabler 2007) und Autor zahlreicher White Paper und Artikel. Zuvor war er u.a. bei IBM Global Business Services und KPMG tätig. AVocelka@horvath-partners.com


Dr. Andrei Belitski ist Senior Quantitative Business Modeler im Horváth & Partners Steering Lab in München. Er promovierte in Computational Modeling und seine Schwerpunktthemen im Steering Lab beinhalten probabilistische Entscheidungsunterstützungssysteme und quantitative Steuerungsmodelle.
ABelitski@horvath-partners.com

Dr. Hans Bauer arbeitet als Quantitative Business Modeler bei der Horváth & Partner GmbH.
HBauer@horvath-partners.com

 

Quelle: BUSINESS INTELLIGENCE MAGAZINE, www.bi-magazine.net 
© ProfilePublishing Germany GmbH 2016. Alle Rechte vorbehalten. 
Vervielfältigung nur mit Genehmigung der ProfilePublishing Germany GmbH

Business Intelligence Magazine: Springe zum Start der Seite