InsightsHow we workTeamJoin English
Data Readiness Check
zurück zur Übersicht

„Big Data“ oder „Medienunternehmen gestrandet auf der Datenreise?“
Ein pragmatischer Ansatz für eine neue Reiseplanung

Marc Schröder, 22. Oktober 2020

Schon vor einem halben Jahrzehnt hat die Erkenntnis, dass global agierende Plattformen aus USA und China, die die Schnittstelle zum Kunden besetzen und ihren Wettbewerbsvorteil aus dem Zugang zu Daten beziehen, Schockwellen durch viele Branchen geschickt. Die Datenökonomie war geboren. Seitdem ist viel passiert – auch und insbesondere auf dem Medienmarkt.

Einerseits zeigen Beispiele wie Netflix oder Disney, dass auch in Zeiten der Datenökonomie traditionelle Wettbewerbsvorteile wie Zugang zu Talent und Qualität von Inhalten die entscheidende Rolle spielen können. Andererseits hat sich auch bei traditionellen Medienspielern die Sichtweise durchgesetzt, dass Daten und daraus generierte Erkenntnisse die notwendige Bedingung für überlegene Entscheidungen, Produkte und Dienstleistungen sind.

Natürlich wäre es grob fahrlässig zu behaupten, dass Medienentscheider in der Vergangenheit keine datenbasierten Entscheidungen getroffen hätten – man denke nur an das umfangreiche und sehr granulare AGF-TV-Zuschauerpanel, auf dessen Basis schon seit Jahrzehnten Programmentscheidungen vorbereitet werden. Aber bislang wurden Daten häufig für einen klar definierten und isolierten Zweck, eine spezifische Fragestellung erhoben. Weiterhin waren Daten häufig ein Abfallprodukt der Kernwertschöpfung, die teilweise erhoben werden mussten, z.B. um Dokumentationspflichten oder rechtlichen Anforderungen zu genügen.

Es gibt viele Versuche zu beschreiben, was eigentlich neu ist an der Betrachtung von Daten in der Datenökonomie. Und es gibt noch mehr Einschätzungen, was das für Medienunternehmen bedeutet,  sowie Empfehlungen, wie sie konkret handeln sollten.

Aus unserer Erfahrung ist es wichtig, dass Datenprojekte so pragmatisch wie möglich angegangen werden. Selbst in der Erarbeitung von Datenstrategien mit unseren Kunden haben wir die Erfahrung gemacht, dass völlig neue Ansätze in der Projektarbeit notwendig sind, um typische Fehler zu vermeiden und Strategien zu entwickeln, die eine realistische Chance auf Implementierung haben.     

Warum Datenprojekte in Medienunternehmen scheitern

Auch wenn offenbar die Erkenntnis verbreitet ist, dass „das Thema Daten“ relevant und wichtig ist und man in diesem Bereich noch Potential sieht, gibt es häufig noch Berührungsängste im Top Management. Daten werden als technisches und nicht als strategisches Thema gesehen, das häufig in die Technik- und IT-Abteilungen delegiert wird, aber nicht von den Geschäftsverantwortlichen geschweige denn der Geschäftsführung oder dem Vorstand getrieben wird. Warum ist das so?

Eine mögliche Ursache liegt darin, dass viele Industrie- und Beratungsunternehmen dem Phänomen Daten mit dem klassischen strategischen Instrumentarium begegnen. Abbildung 1 zeigt die klassische Vorgehensweise.

Am Anfang dieses klassischen Ansatzes steht wie üblich die Datenstrategie. Danach werden die technologischen, organisatorischen und kulturellen Rahmenbedingungen geschaffen und schließlich konkrete Anwendungen („Use Cases“) entwickelt. So weit, so problematisch.

Dieser Ansatz birgt nämlich eine Reihe von Gefahren. Hier einige Beispiele:

  • Die Strategie wird häufig auf der Basis von optimistischen Annahmen über die Verfügbarkeit und Verwendbarkeit von Daten entwickelt. Technische und datenschutzrechtliche Hürden fallen erst später im Prozess auf und erfordern zumindest eine Überprüfung der Strategie.
  • Mangels personeller und organisatorischer Voraussetzungen wird die Datenstrategie komplett extern entwickelt. Es fehlt häufig der interne „Daten-Champion“, der die Empfehlungen von außen einordnen, ihre Machbarkeit einschätzen und die Umsetzung im spezifischen Kontext des Unternehmens gewährleisten kann. Gerade in Medienunternehmen, die lange Zeit von der Erfahrung und der intuitiven Einschätzung ihrer kreativen Entscheider profitiert haben, ist dies sehr verbreitet.
  • Technologieentscheidungen werden häufig auf der Basis der „Faszination des Möglichen“ getroffen und nicht eng an den Erfordernissen der späteren Use Cases ausgerichtet. Häufig werden kostenintensive Programme gestartet, um das Unternehmen „ready for Big Data“ zu machen, obwohl dies im ersten Schritt gar nicht nötig gewesen wäre. So manche Anwendung kommt mit mySQL-Datenbanken aus und benötigt kein Hadoop-Cluster.
  • Wenn Use Cases auf Basis eines engen strategischen Korridors und bereits vorliegender technologischer Grundlagen entwickelt werden, werden häufig interessante Chancen verpasst. So werden Use-Cases häufig mit dem Ziel der Umsatz- oder Effizienzsteigerung entwickelt (vgl. Exkurs „Beispiele klassischer Data Use Cases in Medienunternehmen“ am Ende dieses Artikels). Dabei werden aber komplett neue datenbasierte Geschäftsmodelle übersehen, die vielleicht „off-strategy“ sind, aber dennoch Wert generieren können, indem man sie als Diversifikation betrachtet oder opportunistisch in eine Partnerschaft mit jemandem einbringt, für den diese Daten einen strategischen Wettbewerbsvorteil bieten.

Der pragmatische Ansatz – iterative und agile Datenstrategie

Die obigen Beispiele zeigen, dass eine klassische sequentielle Vorgehensweise bei der Entwicklung und Umsetzung einer Datenstrategie erhebliche Gefahren birgt.

Wir empfehlen daher eine gleichzeitige Bearbeitung der einzelnen Module - der Analyse der internen und externen Datenquellen auf Verfügbarkeit und Verwendbarkeit, der Identifikation der notwendigen technischen und organisatorischen Voraussetzungen („Infrastruktur“), sowie die Entwicklung von Use Cases im Kerngeschäft und darüber hinaus. Flankiert werden diese Aktivitäten mit einer laufenden Überprüfung, ob die Ergebnisse im Kern kompatibel mit der Unternehmensstrategie sind. Die Daten-Strategie ist hier bewusst nicht Ausgangspunkt aller Überlegungen, sondern teilweise deren Ergebnis.

Dabei können natürlich klassische Projektmanagement-Tools eingesetzt werden. Bei diesem Vorgehen bietet sich aber insbesondere ein agiler Projektansatz an. Abbildung 2 zeigt diese Vorgehensweise.

In unterschiedlichen Phasen – oder wie hier angedeutet Sprints – des Projekts können die einzelnen Module unterschiedlich gewichtet sein. So liegt typischerweise in frühen Phasen der Fokus auf der Bestandsaufnahme der Verfügbarkeit und Verwendbarkeit von internen Daten, um überhaupt einschätzen zu können, welche Wertpotentiale das Unternehmen aus Daten ziehen kann. Zeitgleich können erste Brainstormings über Use Cases angestellt werden. In späteren Phasen treten dann strategische Überlegungen in den Vordergrund, die sich erst auf Basis der ersten internen Erkenntnisse ergeben. Zeitgleich können auf der Basis einer ersten Liste von Use Cases auch die technischen Notwendigkeiten diskutiert werden. Wichtig ist, dass die Ergebnisse der verschiedenen Phasen am Ende eines Projekts in einem robusten, gut strukturierten und in unterschiedlichen Detaillierungsgraden kommunizierbaren Datenstrategie zusammengefasst werden.

 

Fazit

Die Datenökonomie ist Realität. Die meisten Medienunternehmen sind bereits auf der Datenreise. Jetzt ist die Zeit zur Überarbeitung der Reiseplanung auf Basis eines pragmatischen, iterativen und möglicherweise agilen Prozesses.

Exkurs: Beispiele klassischer Data Use Cases in Medienunternehmen

Werthebel 1: Steigerung von Effektivität und Umsatz

Verbesserung und Personalisierung des Produkterlebnisses:

  • passive Personalisierung von Inhalten in digitalen Medien
  • Empfehlungsfunktion bei Streaming-Angeboten
  • Dynamische Optimierung der Werbeinsel-Platzierung im linearen TV zur Minimierung des Zapping-Faktors
  • (Proprietäre) Empfehlungsfunktion bei digitalen redaktionellen Inhalten
  • Optimierung des Storytelling oder Casting bei Film- und Videoproduktionen
  • Neue Produkte auf Basis von Gesichts-/Mustererkennung in Bild und Video

(Semi-)Automatisierung von Pricing-Entscheidungen:

  • automatisiertes A-/B-Testing für Aktions-Angebote
  • Preisoptimierung für Werbekontakte im programmatischen und nicht-programmatischen Bereich
  • Dynamische Preissetzung für Print-Anzeigen im Buchungstool in Abhängigkeit von zu erwartenden zusätzlichen Druckkosten

Veredlung von Werbekontakten für Targeting durch Anreicherung mit (proprietären) Daten

Dynamische Aussteuerung von Markteting- und Vertriebskanälen

Lead Scoring für Outbound-Vertriebsaktivitäten

Werthebel 2: Steigerung von Effizienz und Reduktion der Kostenbasis

  • Automatisierung von Management-Reportings in allen Unternehmensbereichen über Visualisierungstools (z.B. Tableau oder PowerBI)
  • Teil-Automatisierung von Jugendschutz-Prozessen (Textabschnitte, Szenen in Videos werden automatisiert als jugendgefährdend markiert)
  • Automatisierte Content-Generierung: Redaktionelle Artikel (derzeit z.B. bei Finanz- und Wetter-Angeboten etabliert), Videoclips, Personalisierte Newsletter/Aktivierungsmails
  • Optimierung von Prozessen im Produktionsmanagement (für Produzenten und deren Auftraggeber) durch Etablierung von automatischen Feedback-Schleifen und Benchmarks
  • Scoring-Modelle auf Basis automatischer (Text-) Analyse von Scripts, Konzepten und sonstigen kreativen Produkten
Logo© 2019 - 2020 LSP Digital GmbH & Co. KG
ImpressumDatenschutz