Einsparpotenziale mit Datenanalysen im Forderungsmanagement identifizieren

Auch wenn das im Internet bestellte Handy, das neue Buch oder die schicken Turnschuhe nicht schnell genug geliefert werden können, lässt sich der Kunde beim Begleichen der Rechnung gerne einmal Zeit. Doch wann zahlt er? Und zahlt er überhaupt? Diese Themen sind im Forderungsmanagement an der Tagesordnung.

Unternehmen im E-Commerce-Sektor verfügen oft über einen großen Fundus kundenspezifischer Datensätze. Allerdings muss das Potenzial dieser umfangreichen und heterogenen Informationen durch die kundenspezifische Anwendung von Analysemethoden erst gehoben werden.

So gibt es etwa zu den Fragen, in welchen Fällen Ratenzahlung die Zahlungswahrscheinlichkeit erhöht, wann eher schriftliche oder telefonische Mahnungen eine größere Aussicht auf Erfolg haben, oder ab wann es wirtschaftlich sinnvoller ist, sogar ganz auf eine Forderung zu verzichten, oftmals lediglich vage Erfahrungswerte, jedoch keine fundierten Erkenntnisse. Auf einem so dünnen Informationsfundament ein stabiles Handlungsgerüst mit konkreten Prozessschritten aufzubauen, ist für Unternehmen riskant.

Big-Data-Analysen können hier valide Ergebnisse liefern, auf die eine datenbasierte Steuerung der Prozesse aufgebaut werden kann. Das Forderungsmanagement birgt erhebliche Optimierungspotenziale bei den Geschäftsprozessen, wodurch die Erfolgsquote insgesamt erhöht und unnötige Prozesskosten vermieden werden können. Die Vorteile von Big Data liegen hier vorrangig in der Möglichkeit der Echtzeitanalyse der Daten und einer hohen Agilität.

ETL Prozess

Im Unterschied zum statischen Schema-on-Write der Business-Intelligence-Verfahren spricht man bei Big-Data-Konzepten vom „Schema-on-Read“. Die Daten werden zunächst ohne Transformation in eine Software für skalierbares und verteiltes Rechnen überführt. Hadoop ist hier der De-facto-Standard. Dabei ist es erst einmal unwesentlich, ob es sich um strukturierte oder unstrukturierte Daten handelt. Umso entscheidender ist jedoch, dass hier auf ein statisches Schema-Design verzichtet werden kann, das im aufwendigen Extract-Transform-Load (ETL)-Schritt erst aus den Daten erzeugt werden muss. Weitere Pluspunkte sammeln Big-Data-Werkzeuge durch einfaches Hinzufügen neuer Daten und deren sofortige Verwendung – mit eine der Ursachen für die hohe Reaktionsgeschwindigkeit und Agilität. Durch die Fülle der zur Verfügung stehenden Data-Mining-Algorithmen können Fragen beantwortet werden, die vorher entweder nicht gestellt oder nie empirisch überprüft wurden.

Teil 2: Wann Big Data im Forderungsmanagement sinnvoll ist

Autor:
Erschienen am 14. August 2014
Original Blogbeitrag: http://blog.neofonie.de/2014/08/14/wie-man-mit-datenanalysen-einsparpotenziale-im-forderungsmanagement-identifiziert/

Ähnliche Beiträge