Interview: Wie Nissan sich in der digitalen Welt wandelt

Dév Rishi Sahani: Der Begriff digitale Transformation wird in gewissem Maße überstrapaziert, es kommt also darauf an, wie Sie ihn definieren. Bei Nissan haben wir uns vor einigen Jahren auf den Weg der digitalen Transformation gemacht. Wir haben bei der technologischen Transformation gute Arbeit geleistet und werden dies auch weiterhin tun, aber das Wichtigste für uns ist, mit den Kunden Schritt zu halten. Unser ganzer Fokus liegt auf dem, was wir Customer Experience Transformation nennen, und wenn Sie es aus dieser Perspektive betrachten, dann sind die Herausforderungen ganz klar.

Die erste Herausforderung betrifft die Organisations- oder Betriebsstruktur. Die Customer Journey als einen linearen Pfad zu betrachten, ist eine traditionelle Art und Weise, sich vorzustellen, wie Ihre Kunden mit Ihrer Marke interagieren, aber letztlich beschränkt sie sich darauf, sehr transaktional zu sein und sperrt Sie in Silos ein. Um von Transaktionen zu Kundenbeziehungen überzugehen, müssen wir aufhören, die einzelnen Schritte oder Übergänge zwischen diesen Kanälen zu betrachten und diese Silos miteinander verbinden.

Dév: Im Laufe meiner Karriere habe ich die feste Überzeugung gewonnen, dass die Menge an data, die zur Verfügung steht, immer größer sein wird als die Bereitschaft der Unternehmen, diese Erkenntnisse zu nutzen und umzusetzen. Das ist weder schlecht noch gut, es ist einfach die Realität. Manchmal liegt der Grund für den Kampf einfach darin, dass das data mit der beabsichtigten Vorgehensweise kollidiert, die Sie ergreifen wollten.

Aber noch wichtiger ist es, wenn die Analyse keine klaren Implikationen oder Empfehlungen enthält - wenn das data Ihnen nicht sagt, was Sie als nächstes tun sollen, ist es ziemlich nutzlos. An dieser Stelle wird das Wort ‘Nutzung’ relevant; es verlagert den Schwerpunkt von der Anzahl der Personen, die das data verwenden, auf den Nutzen. Wir haben die Einführung des data in unserem Unternehmen vorangetrieben, indem wir seinen Nutzen für unsere Märkte, Geschäftsfunktionen und digitalen Teams klar definiert haben.

Auf der einen Seite steht der Input data, wie z.B. Dashboards und die unterstützenden Systeme, die eine vorgelagerte Planung und Entscheidungsfindung ermöglichen. Auf der anderen Seite steht der Output data, d.h. die Vorhersagemodelle und die data Wissenschaft, die die operativen Ergebnisse unserer Initiativen aufzeigt. Was diese beiden Bereiche miteinander verbindet, ist eine data-driven, hypothesengeleitete Test-und-Lern-Kultur.

Dév: In gewisser Weise war das unsere gesamte Reise in den letzten zwei oder drei Jahren... die Entwicklung von CEDAR, unserer internen Marke für die data-Analysefunktion. Sie steht für Customer Experience Data Analytics and Reporting. Es hilft uns, data in Informationen, Wissen und Weisheit zu verwandeln. Das ist der Punkt, an dem die Handlungsfähigkeit und die Benutzerfreundlichkeit ins Spiel kommen.

In den ersten paar Jahren waren wir ziemlich hartnäckig und haben alles organisiert. Der erste ‘Heureka!’-Moment war, als die gesamte Organisation erkannte, dass sie sich das data ansehen und Verbrauchertrends in 147 Märkten erkennen konnte. Anstatt Annahmen zu treffen, die auf Stichproben von z.B. 5.000 Personen basieren, können wir jetzt sehen, wie eine Million Besucher interagieren, und zwar jede einzelne Minute an jedem einzelnen Tag.

Vor ein paar Jahren brachten wir ein neues Auto in einem bestimmten Markt auf den Markt und stellten fest, dass viele Käufe zwischen den Segmenten stattfanden. Wir konnten sehen, wann Kunden ihre Meinung von dem Modell, von dem wir annahmen, dass sie es kaufen würden, zu dem Modell änderten, das sie tatsächlich kauften. Wir konnten auch feststellen, wer z.B. ein Automatikgetriebe oder ein Schaltgetriebe kaufen würde. Wir können jetzt data verwenden und signifikante Muster im Kaufverhalten der Kunden erkennen. Wir wollen wissen, was unsere Kunden wollen und darauf reagieren.

Dév: Es war nicht das erste, was wir gebaut haben. Zunächst konzentrierten wir uns auf das data - welche Fragen können wir dem data stellen? welche Antworten wird das data geben? Das haben wir im ersten Jahr des Programms in den Griff bekommen. Dann ging es darum, dieses data zu ‘demokratisieren’. Wir erkannten, dass die Herausforderung nicht darin bestand, das data zu haben, sondern darin, es sinnvoll zu nutzen. So entwickelten wir unsere Partnerschaft mit Artefact, um CEDAR home zu schaffen.

CEDAR ist eine unabhängige Plattform, die Nissan- und funktionsübergreifend arbeitet und viele verschiedene Dashboards und Erkenntnisse enthält. Es ist unser Dreh- und Angelpunkt für Kundenerfahrungen und -einblicke - ein Ort, an dem unsere Mitarbeiter die Welt so sehen können, wie unsere Kunden sie sehen. Jeder im Unternehmen kann dorthin gehen, und wenn Sie noch kein Login haben, melden Sie sich einfach an. Es sollte sich genauso einfach anfühlen wie das Surfen auf unserer Website.

Am wichtigsten ist, dass wir als data-Mitarbeiter die Analysen in CEDAR betrachten können, um zu verstehen, wie es genutzt wird, wo die Reibungspunkte sind, wo die Leute verloren gehen und welche Teile nützlich oder nicht nützlich sind. Anstatt nur zu fragen, wissen wir es.

Dév: Wir haben viele Leute, die gute Entscheidungen treffen, aber der Beweis, dass die Leute CEDAR nutzen, um andere Entscheidungen zu treffen oder Entscheidungen zu treffen, die sie vorher nicht treffen konnten, ist sehr zufriedenstellend.

Wir haben diese Reise aus der Perspektive der Kundenerfahrung begonnen. Wir wollten, dass jeder, der an der Kundenerfahrung arbeitet, diese Erkenntnisse nutzen kann. Aber sehr schnell haben sich auch Teams aus anderen Bereichen, wie z.B. der erweiterten Produktplanung und der Marktbeobachtung, daran beteiligt. All diese verschiedenen Funktionen auf globaler und Marktebene wissen über CEDAR Bescheid. Das gibt uns eine Menge Aufschluss darüber, wie data in unserem Unternehmen immer nützlicher wird und von verschiedenen Geschäftsfunktionen genutzt wird.

Dév: Data ist nicht alles; Sie müssen wissen, wie Sie daraus Erkenntnisse gewinnen können. Hier hilft es, das richtige Team zu haben. Als ich im November 2017 zu Nissan kam, gab es zwei Mitarbeiter in der globalen data-Praxis und von da an wuchs das Team über drei Kernsäulen - genannt Messen, Optimieren und Vorhersagen.

Die Säule Messen hat die Aufgabe, zu verstehen, wie wir das data organisieren und in Informationen umwandeln. Wir sind in einer sehr kollaborativen Weise mit Partnerschaften aufgewachsen, wie mit Artefact und anderen Unternehmen. Wir wussten, dass wir die Maschine brauchten, um das aufzubauen. Die zweite Säule heißt Optimise und ist für die Durchführung von data-driven-Experimenten und Tests sowie für das Lernen zuständig - und davon machen wir eine Menge. Die dritte Säule heißt Predict und ist die wissenschaftliche Säule von data. Wir waren sehr vorsichtig, diese Säule am Ende hinzuzufügen, um sicherzustellen, dass wir nicht überstürzt Talente einstellen, die sich sehr schnell langweilen würden, weil wir nicht die richtigen Anwendungsfälle parat haben.

Das direkte Team befindet sich größtenteils im Global Customer Experience Center in London, zusammen mit einigen Leuten in unserem Hauptsitz in Yokohama, Japan, und wir arbeiten mit eingebetteten Analyseteams in allen Märkten.

Dév: Erfolg bedeutet, dass das data, das wir erzeugen, sowohl für Nissan als auch für seine Kunden nützlich ist. Dazu müssen wir alles, was wir tun, mit unseren organisatorischen KPIs verknüpfen. Wir können feststellen, wo wir aus organisatorischer Sicht einen Unterschied machen, und wir können dies auch mit den Qualitätskennzahlen für unsere Kunden verknüpfen, die zeigen, wie wir kurzfristige Gewinne oder langfristige Langlebigkeit erzielen. So sieht der Erfolg des Kundenerlebnisprogramms aus. Der Erfolg des data-Programms besteht darin, es weiterhin sehr einfach zu gestalten und es weiter auszubauen.