Pascal Coggia: Was bedeutet die digitale Transformation f\u00fcr Nissan?<\/h2><\/div>D\u00e9v Rishi Sahani: Der Begriff digitale Transformation wird in gewissem Ma\u00dfe \u00fcberstrapaziert, 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 f\u00fcr 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.<\/p>\n
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 beschr\u00e4nkt sie sich darauf, sehr transaktional zu sein und sperrt Sie in Silos ein. Um von Transaktionen zu Kundenbeziehungen \u00fcberzugehen, m\u00fcssen wir aufh\u00f6ren, die einzelnen Schritte oder \u00dcberg\u00e4nge zwischen diesen Kan\u00e4len zu betrachten und diese Silos miteinander verbinden.<\/p>\n<\/div>
Pascal: Ok, k\u00f6nnen Sie uns sagen, wie Sie data einsetzen? Wie stellen Sie den Kunden in den Mittelpunkt?<\/h2><\/div>D\u00e9v: Im Laufe meiner Karriere habe ich die feste \u00dcberzeugung gewonnen, dass die Menge an data, die zur Verf\u00fcgung steht, immer gr\u00f6\u00dfer sein wird als die Bereitschaft der Unternehmen, diese Erkenntnisse zu nutzen und umzusetzen. Das ist weder schlecht noch gut, es ist einfach die Realit\u00e4t. Manchmal liegt der Grund f\u00fcr den Kampf einfach darin, dass das data mit der beabsichtigten Vorgehensweise kollidiert, die Sie ergreifen wollten.<\/p>\n
Aber noch wichtiger ist es, wenn die Analyse keine klaren Implikationen oder Empfehlungen enth\u00e4lt - wenn das data Ihnen nicht sagt, was Sie als n\u00e4chstes tun sollen, ist es ziemlich nutzlos. An dieser Stelle wird das Wort \u2018Nutzung\u2019 relevant; es verlagert den Schwerpunkt von der Anzahl der Personen, die das data verwenden, auf den Nutzen. Wir haben die Einf\u00fchrung des data in unserem Unternehmen vorangetrieben, indem wir seinen Nutzen f\u00fcr unsere M\u00e4rkte, Gesch\u00e4ftsfunktionen und digitalen Teams klar definiert haben.<\/p>\n
Auf der einen Seite steht der Input data, wie z.B. Dashboards und die unterst\u00fctzenden Systeme, die eine vorgelagerte Planung und Entscheidungsfindung erm\u00f6glichen. 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.<\/p>\n<\/div>
Pascal: K\u00f6nnen Sie uns ein Beispiel f\u00fcr ein data-Projekt nennen, das in Ihrem Unternehmen auf gro\u00dfe Resonanz gesto\u00dfen ist?<\/h2><\/div>D\u00e9v: In gewisser Weise war das unsere gesamte Reise in den letzten zwei oder drei Jahren... die Entwicklung von CEDAR, unserer internen Marke f\u00fcr die data-Analysefunktion. Sie steht f\u00fcr Customer Experience Data Analytics and Reporting. Es hilft uns, data in Informationen, Wissen und Weisheit zu verwandeln. Das ist der Punkt, an dem die Handlungsf\u00e4higkeit und die Benutzerfreundlichkeit ins Spiel kommen.<\/p>\n
In den ersten paar Jahren waren wir ziemlich hartn\u00e4ckig und haben alles organisiert. Der erste \u2018Heureka!\u2019-Moment war, als die gesamte Organisation erkannte, dass sie sich das data ansehen und Verbrauchertrends in 147 M\u00e4rkten erkennen konnte. Anstatt Annahmen zu treffen, die auf Stichproben von z.B. 5.000 Personen basieren, k\u00f6nnen wir jetzt sehen, wie eine Million Besucher interagieren, und zwar jede einzelne Minute an jedem einzelnen Tag.<\/p>\n
Vor ein paar Jahren brachten wir ein neues Auto in einem bestimmten Markt auf den Markt und stellten fest, dass viele K\u00e4ufe zwischen den Segmenten stattfanden. Wir konnten sehen, wann Kunden ihre Meinung von dem Modell, von dem wir annahmen, dass sie es kaufen w\u00fcrden, zu dem Modell \u00e4nderten, das sie tats\u00e4chlich kauften. Wir konnten auch feststellen, wer z.B. ein Automatikgetriebe oder ein Schaltgetriebe kaufen w\u00fcrde. Wir k\u00f6nnen jetzt data verwenden und signifikante Muster im Kaufverhalten der Kunden erkennen. Wir wollen wissen, was unsere Kunden wollen und darauf reagieren.<\/p>\n<\/div>
Pascal: K\u00f6nnen Sie mir mehr \u00fcber dieses CEDAR Dashboard - diesen BI-Hub - erz\u00e4hlen? Warum existiert es?<\/h2><\/div>D\u00e9v: Es war nicht das erste, was wir gebaut haben. Zun\u00e4chst konzentrierten wir uns auf das data - welche Fragen k\u00f6nnen 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 \u2018demokratisieren\u2019. 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.<\/p>\n
CEDAR ist eine unabh\u00e4ngige Plattform, die Nissan- und funktions\u00fcbergreifend arbeitet und viele verschiedene Dashboards und Erkenntnisse enth\u00e4lt. Es ist unser Dreh- und Angelpunkt f\u00fcr Kundenerfahrungen und -einblicke - ein Ort, an dem unsere Mitarbeiter die Welt so sehen k\u00f6nnen, 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 anf\u00fchlen wie das Surfen auf unserer Website.<\/p>\n
Am wichtigsten ist, dass wir als data-Mitarbeiter die Analysen in CEDAR betrachten k\u00f6nnen, um zu verstehen, wie es genutzt wird, wo die Reibungspunkte sind, wo die Leute verloren gehen und welche Teile n\u00fctzlich oder nicht n\u00fctzlich sind. Anstatt nur zu fragen, wissen wir es.<\/p>\n<\/div>
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/03\/CEDAR-home-1024x496-1.png\" "\\"CEDAR-home-1024\u00d7496\\"")
<\/span><\/div>Pascal: Haben Sie erlebt, dass Menschen CEDAR nutzen, um Entscheidungen zu treffen, die sie vorher nicht treffen konnten? Oder hilft es ihnen nur, Zeit zu sparen?<\/h2><\/div>D\u00e9v: 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.<\/p>\n
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 \u00fcber CEDAR Bescheid. Das gibt uns eine Menge Aufschluss dar\u00fcber, wie data in unserem Unternehmen immer n\u00fctzlicher wird und von verschiedenen Gesch\u00e4ftsfunktionen genutzt wird.<\/p>\n<\/div>
Pascal: Erz\u00e4hlen Sie mir ein wenig \u00fcber das Team. Wer sitzt auf dem Fahrersitz?<\/h2><\/div>D\u00e9v: Data ist nicht alles; Sie m\u00fcssen wissen, wie Sie daraus Erkenntnisse gewinnen k\u00f6nnen. 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 \u00fcber drei Kerns\u00e4ulen - genannt Messen, Optimieren und Vorhersagen.<\/p>\n
Die S\u00e4ule 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 S\u00e4ule hei\u00dft Optimise und ist f\u00fcr die Durchf\u00fchrung von data-driven-Experimenten und Tests sowie f\u00fcr das Lernen zust\u00e4ndig - und davon machen wir eine Menge. Die dritte S\u00e4ule hei\u00dft Predict und ist die wissenschaftliche S\u00e4ule von data. Wir waren sehr vorsichtig, diese S\u00e4ule am Ende hinzuzuf\u00fcgen, um sicherzustellen, dass wir nicht \u00fcberst\u00fcrzt Talente einstellen, die sich sehr schnell langweilen w\u00fcrden, weil wir nicht die richtigen Anwendungsf\u00e4lle parat haben.<\/p>\n
Das direkte Team befindet sich gr\u00f6\u00dftenteils 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 M\u00e4rkten.<\/p>\n<\/div>
Pascal: Wie sieht also der Erfolg aus? Wie sehen Sie die Entwicklung Ihrer data-Projekte in den n\u00e4chsten Jahren?<\/h2><\/div>D\u00e9v: Erfolg bedeutet, dass das data, das wir erzeugen, sowohl f\u00fcr Nissan als auch f\u00fcr seine Kunden n\u00fctzlich ist. Dazu m\u00fcssen wir alles, was wir tun, mit unseren organisatorischen KPIs verkn\u00fcpfen. Wir k\u00f6nnen feststellen, wo wir aus organisatorischer Sicht einen Unterschied machen, und wir k\u00f6nnen dies auch mit den Qualit\u00e4tskennzahlen f\u00fcr unsere Kunden verkn\u00fcpfen, 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.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
D\u00e9v Rishi Sahani: Der Begriff digitale Transformation wird in gewissem Ma\u00dfe \u00fcberstrapaziert, 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 f\u00fcr 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.<\/p>\n
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 beschr\u00e4nkt sie sich darauf, sehr transaktional zu sein und sperrt Sie in Silos ein. Um von Transaktionen zu Kundenbeziehungen \u00fcberzugehen, m\u00fcssen wir aufh\u00f6ren, die einzelnen Schritte oder \u00dcberg\u00e4nge zwischen diesen Kan\u00e4len zu betrachten und diese Silos miteinander verbinden.<\/p>\n<\/div>
Pascal: Ok, k\u00f6nnen Sie uns sagen, wie Sie data einsetzen? Wie stellen Sie den Kunden in den Mittelpunkt?<\/h2><\/div>D\u00e9v: Im Laufe meiner Karriere habe ich die feste \u00dcberzeugung gewonnen, dass die Menge an data, die zur Verf\u00fcgung steht, immer gr\u00f6\u00dfer sein wird als die Bereitschaft der Unternehmen, diese Erkenntnisse zu nutzen und umzusetzen. Das ist weder schlecht noch gut, es ist einfach die Realit\u00e4t. Manchmal liegt der Grund f\u00fcr den Kampf einfach darin, dass das data mit der beabsichtigten Vorgehensweise kollidiert, die Sie ergreifen wollten.<\/p>\n
Aber noch wichtiger ist es, wenn die Analyse keine klaren Implikationen oder Empfehlungen enth\u00e4lt - wenn das data Ihnen nicht sagt, was Sie als n\u00e4chstes tun sollen, ist es ziemlich nutzlos. An dieser Stelle wird das Wort \u2018Nutzung\u2019 relevant; es verlagert den Schwerpunkt von der Anzahl der Personen, die das data verwenden, auf den Nutzen. Wir haben die Einf\u00fchrung des data in unserem Unternehmen vorangetrieben, indem wir seinen Nutzen f\u00fcr unsere M\u00e4rkte, Gesch\u00e4ftsfunktionen und digitalen Teams klar definiert haben.<\/p>\n
Auf der einen Seite steht der Input data, wie z.B. Dashboards und die unterst\u00fctzenden Systeme, die eine vorgelagerte Planung und Entscheidungsfindung erm\u00f6glichen. 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.<\/p>\n<\/div>
Pascal: K\u00f6nnen Sie uns ein Beispiel f\u00fcr ein data-Projekt nennen, das in Ihrem Unternehmen auf gro\u00dfe Resonanz gesto\u00dfen ist?<\/h2><\/div>D\u00e9v: In gewisser Weise war das unsere gesamte Reise in den letzten zwei oder drei Jahren... die Entwicklung von CEDAR, unserer internen Marke f\u00fcr die data-Analysefunktion. Sie steht f\u00fcr Customer Experience Data Analytics and Reporting. Es hilft uns, data in Informationen, Wissen und Weisheit zu verwandeln. Das ist der Punkt, an dem die Handlungsf\u00e4higkeit und die Benutzerfreundlichkeit ins Spiel kommen.<\/p>\n
In den ersten paar Jahren waren wir ziemlich hartn\u00e4ckig und haben alles organisiert. Der erste \u2018Heureka!\u2019-Moment war, als die gesamte Organisation erkannte, dass sie sich das data ansehen und Verbrauchertrends in 147 M\u00e4rkten erkennen konnte. Anstatt Annahmen zu treffen, die auf Stichproben von z.B. 5.000 Personen basieren, k\u00f6nnen wir jetzt sehen, wie eine Million Besucher interagieren, und zwar jede einzelne Minute an jedem einzelnen Tag.<\/p>\n
Vor ein paar Jahren brachten wir ein neues Auto in einem bestimmten Markt auf den Markt und stellten fest, dass viele K\u00e4ufe zwischen den Segmenten stattfanden. Wir konnten sehen, wann Kunden ihre Meinung von dem Modell, von dem wir annahmen, dass sie es kaufen w\u00fcrden, zu dem Modell \u00e4nderten, das sie tats\u00e4chlich kauften. Wir konnten auch feststellen, wer z.B. ein Automatikgetriebe oder ein Schaltgetriebe kaufen w\u00fcrde. Wir k\u00f6nnen jetzt data verwenden und signifikante Muster im Kaufverhalten der Kunden erkennen. Wir wollen wissen, was unsere Kunden wollen und darauf reagieren.<\/p>\n<\/div>
Pascal: K\u00f6nnen Sie mir mehr \u00fcber dieses CEDAR Dashboard - diesen BI-Hub - erz\u00e4hlen? Warum existiert es?<\/h2><\/div>D\u00e9v: Es war nicht das erste, was wir gebaut haben. Zun\u00e4chst konzentrierten wir uns auf das data - welche Fragen k\u00f6nnen 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 \u2018demokratisieren\u2019. 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.<\/p>\n
CEDAR ist eine unabh\u00e4ngige Plattform, die Nissan- und funktions\u00fcbergreifend arbeitet und viele verschiedene Dashboards und Erkenntnisse enth\u00e4lt. Es ist unser Dreh- und Angelpunkt f\u00fcr Kundenerfahrungen und -einblicke - ein Ort, an dem unsere Mitarbeiter die Welt so sehen k\u00f6nnen, 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 anf\u00fchlen wie das Surfen auf unserer Website.<\/p>\n
Am wichtigsten ist, dass wir als data-Mitarbeiter die Analysen in CEDAR betrachten k\u00f6nnen, um zu verstehen, wie es genutzt wird, wo die Reibungspunkte sind, wo die Leute verloren gehen und welche Teile n\u00fctzlich oder nicht n\u00fctzlich sind. Anstatt nur zu fragen, wissen wir es.<\/p>\n<\/div>
<\/span><\/div>Pascal: Haben Sie erlebt, dass Menschen CEDAR nutzen, um Entscheidungen zu treffen, die sie vorher nicht treffen konnten? Oder hilft es ihnen nur, Zeit zu sparen?<\/h2><\/div>D\u00e9v: 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.<\/p>\n
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 \u00fcber CEDAR Bescheid. Das gibt uns eine Menge Aufschluss dar\u00fcber, wie data in unserem Unternehmen immer n\u00fctzlicher wird und von verschiedenen Gesch\u00e4ftsfunktionen genutzt wird.<\/p>\n<\/div>
Pascal: Erz\u00e4hlen Sie mir ein wenig \u00fcber das Team. Wer sitzt auf dem Fahrersitz?<\/h2><\/div>D\u00e9v: Data ist nicht alles; Sie m\u00fcssen wissen, wie Sie daraus Erkenntnisse gewinnen k\u00f6nnen. 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 \u00fcber drei Kerns\u00e4ulen - genannt Messen, Optimieren und Vorhersagen.<\/p>\n
Die S\u00e4ule 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 S\u00e4ule hei\u00dft Optimise und ist f\u00fcr die Durchf\u00fchrung von data-driven-Experimenten und Tests sowie f\u00fcr das Lernen zust\u00e4ndig - und davon machen wir eine Menge. Die dritte S\u00e4ule hei\u00dft Predict und ist die wissenschaftliche S\u00e4ule von data. Wir waren sehr vorsichtig, diese S\u00e4ule am Ende hinzuzuf\u00fcgen, um sicherzustellen, dass wir nicht \u00fcberst\u00fcrzt Talente einstellen, die sich sehr schnell langweilen w\u00fcrden, weil wir nicht die richtigen Anwendungsf\u00e4lle parat haben.<\/p>\n
Das direkte Team befindet sich gr\u00f6\u00dftenteils 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 M\u00e4rkten.<\/p>\n<\/div>
Pascal: Wie sieht also der Erfolg aus? Wie sehen Sie die Entwicklung Ihrer data-Projekte in den n\u00e4chsten Jahren?<\/h2><\/div>D\u00e9v: Erfolg bedeutet, dass das data, das wir erzeugen, sowohl f\u00fcr Nissan als auch f\u00fcr seine Kunden n\u00fctzlich ist. Dazu m\u00fcssen wir alles, was wir tun, mit unseren organisatorischen KPIs verkn\u00fcpfen. Wir k\u00f6nnen feststellen, wo wir aus organisatorischer Sicht einen Unterschied machen, und wir k\u00f6nnen dies auch mit den Qualit\u00e4tskennzahlen f\u00fcr unsere Kunden verkn\u00fcpfen, 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.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
D\u00e9v: Im Laufe meiner Karriere habe ich die feste \u00dcberzeugung gewonnen, dass die Menge an data, die zur Verf\u00fcgung steht, immer gr\u00f6\u00dfer sein wird als die Bereitschaft der Unternehmen, diese Erkenntnisse zu nutzen und umzusetzen. Das ist weder schlecht noch gut, es ist einfach die Realit\u00e4t. Manchmal liegt der Grund f\u00fcr den Kampf einfach darin, dass das data mit der beabsichtigten Vorgehensweise kollidiert, die Sie ergreifen wollten.<\/p>\n
Aber noch wichtiger ist es, wenn die Analyse keine klaren Implikationen oder Empfehlungen enth\u00e4lt - wenn das data Ihnen nicht sagt, was Sie als n\u00e4chstes tun sollen, ist es ziemlich nutzlos. An dieser Stelle wird das Wort \u2018Nutzung\u2019 relevant; es verlagert den Schwerpunkt von der Anzahl der Personen, die das data verwenden, auf den Nutzen. Wir haben die Einf\u00fchrung des data in unserem Unternehmen vorangetrieben, indem wir seinen Nutzen f\u00fcr unsere M\u00e4rkte, Gesch\u00e4ftsfunktionen und digitalen Teams klar definiert haben.<\/p>\n
Auf der einen Seite steht der Input data, wie z.B. Dashboards und die unterst\u00fctzenden Systeme, die eine vorgelagerte Planung und Entscheidungsfindung erm\u00f6glichen. 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.<\/p>\n<\/div>
Pascal: K\u00f6nnen Sie uns ein Beispiel f\u00fcr ein data-Projekt nennen, das in Ihrem Unternehmen auf gro\u00dfe Resonanz gesto\u00dfen ist?<\/h2><\/div>D\u00e9v: In gewisser Weise war das unsere gesamte Reise in den letzten zwei oder drei Jahren... die Entwicklung von CEDAR, unserer internen Marke f\u00fcr die data-Analysefunktion. Sie steht f\u00fcr Customer Experience Data Analytics and Reporting. Es hilft uns, data in Informationen, Wissen und Weisheit zu verwandeln. Das ist der Punkt, an dem die Handlungsf\u00e4higkeit und die Benutzerfreundlichkeit ins Spiel kommen.<\/p>\n
In den ersten paar Jahren waren wir ziemlich hartn\u00e4ckig und haben alles organisiert. Der erste \u2018Heureka!\u2019-Moment war, als die gesamte Organisation erkannte, dass sie sich das data ansehen und Verbrauchertrends in 147 M\u00e4rkten erkennen konnte. Anstatt Annahmen zu treffen, die auf Stichproben von z.B. 5.000 Personen basieren, k\u00f6nnen wir jetzt sehen, wie eine Million Besucher interagieren, und zwar jede einzelne Minute an jedem einzelnen Tag.<\/p>\n
Vor ein paar Jahren brachten wir ein neues Auto in einem bestimmten Markt auf den Markt und stellten fest, dass viele K\u00e4ufe zwischen den Segmenten stattfanden. Wir konnten sehen, wann Kunden ihre Meinung von dem Modell, von dem wir annahmen, dass sie es kaufen w\u00fcrden, zu dem Modell \u00e4nderten, das sie tats\u00e4chlich kauften. Wir konnten auch feststellen, wer z.B. ein Automatikgetriebe oder ein Schaltgetriebe kaufen w\u00fcrde. Wir k\u00f6nnen jetzt data verwenden und signifikante Muster im Kaufverhalten der Kunden erkennen. Wir wollen wissen, was unsere Kunden wollen und darauf reagieren.<\/p>\n<\/div>
Pascal: K\u00f6nnen Sie mir mehr \u00fcber dieses CEDAR Dashboard - diesen BI-Hub - erz\u00e4hlen? Warum existiert es?<\/h2><\/div>D\u00e9v: Es war nicht das erste, was wir gebaut haben. Zun\u00e4chst konzentrierten wir uns auf das data - welche Fragen k\u00f6nnen 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 \u2018demokratisieren\u2019. 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.<\/p>\n
CEDAR ist eine unabh\u00e4ngige Plattform, die Nissan- und funktions\u00fcbergreifend arbeitet und viele verschiedene Dashboards und Erkenntnisse enth\u00e4lt. Es ist unser Dreh- und Angelpunkt f\u00fcr Kundenerfahrungen und -einblicke - ein Ort, an dem unsere Mitarbeiter die Welt so sehen k\u00f6nnen, 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 anf\u00fchlen wie das Surfen auf unserer Website.<\/p>\n
Am wichtigsten ist, dass wir als data-Mitarbeiter die Analysen in CEDAR betrachten k\u00f6nnen, um zu verstehen, wie es genutzt wird, wo die Reibungspunkte sind, wo die Leute verloren gehen und welche Teile n\u00fctzlich oder nicht n\u00fctzlich sind. Anstatt nur zu fragen, wissen wir es.<\/p>\n<\/div>
<\/span><\/div>Pascal: Haben Sie erlebt, dass Menschen CEDAR nutzen, um Entscheidungen zu treffen, die sie vorher nicht treffen konnten? Oder hilft es ihnen nur, Zeit zu sparen?<\/h2><\/div>D\u00e9v: 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.<\/p>\n
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 \u00fcber CEDAR Bescheid. Das gibt uns eine Menge Aufschluss dar\u00fcber, wie data in unserem Unternehmen immer n\u00fctzlicher wird und von verschiedenen Gesch\u00e4ftsfunktionen genutzt wird.<\/p>\n<\/div>
Pascal: Erz\u00e4hlen Sie mir ein wenig \u00fcber das Team. Wer sitzt auf dem Fahrersitz?<\/h2><\/div>D\u00e9v: Data ist nicht alles; Sie m\u00fcssen wissen, wie Sie daraus Erkenntnisse gewinnen k\u00f6nnen. 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 \u00fcber drei Kerns\u00e4ulen - genannt Messen, Optimieren und Vorhersagen.<\/p>\n
Die S\u00e4ule 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 S\u00e4ule hei\u00dft Optimise und ist f\u00fcr die Durchf\u00fchrung von data-driven-Experimenten und Tests sowie f\u00fcr das Lernen zust\u00e4ndig - und davon machen wir eine Menge. Die dritte S\u00e4ule hei\u00dft Predict und ist die wissenschaftliche S\u00e4ule von data. Wir waren sehr vorsichtig, diese S\u00e4ule am Ende hinzuzuf\u00fcgen, um sicherzustellen, dass wir nicht \u00fcberst\u00fcrzt Talente einstellen, die sich sehr schnell langweilen w\u00fcrden, weil wir nicht die richtigen Anwendungsf\u00e4lle parat haben.<\/p>\n
Das direkte Team befindet sich gr\u00f6\u00dftenteils 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 M\u00e4rkten.<\/p>\n<\/div>
Pascal: Wie sieht also der Erfolg aus? Wie sehen Sie die Entwicklung Ihrer data-Projekte in den n\u00e4chsten Jahren?<\/h2><\/div>D\u00e9v: Erfolg bedeutet, dass das data, das wir erzeugen, sowohl f\u00fcr Nissan als auch f\u00fcr seine Kunden n\u00fctzlich ist. Dazu m\u00fcssen wir alles, was wir tun, mit unseren organisatorischen KPIs verkn\u00fcpfen. Wir k\u00f6nnen feststellen, wo wir aus organisatorischer Sicht einen Unterschied machen, und wir k\u00f6nnen dies auch mit den Qualit\u00e4tskennzahlen f\u00fcr unsere Kunden verkn\u00fcpfen, 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.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
D\u00e9v: In gewisser Weise war das unsere gesamte Reise in den letzten zwei oder drei Jahren... die Entwicklung von CEDAR, unserer internen Marke f\u00fcr die data-Analysefunktion. Sie steht f\u00fcr Customer Experience Data Analytics and Reporting. Es hilft uns, data in Informationen, Wissen und Weisheit zu verwandeln. Das ist der Punkt, an dem die Handlungsf\u00e4higkeit und die Benutzerfreundlichkeit ins Spiel kommen.<\/p>\n
In den ersten paar Jahren waren wir ziemlich hartn\u00e4ckig und haben alles organisiert. Der erste \u2018Heureka!\u2019-Moment war, als die gesamte Organisation erkannte, dass sie sich das data ansehen und Verbrauchertrends in 147 M\u00e4rkten erkennen konnte. Anstatt Annahmen zu treffen, die auf Stichproben von z.B. 5.000 Personen basieren, k\u00f6nnen wir jetzt sehen, wie eine Million Besucher interagieren, und zwar jede einzelne Minute an jedem einzelnen Tag.<\/p>\n
Vor ein paar Jahren brachten wir ein neues Auto in einem bestimmten Markt auf den Markt und stellten fest, dass viele K\u00e4ufe zwischen den Segmenten stattfanden. Wir konnten sehen, wann Kunden ihre Meinung von dem Modell, von dem wir annahmen, dass sie es kaufen w\u00fcrden, zu dem Modell \u00e4nderten, das sie tats\u00e4chlich kauften. Wir konnten auch feststellen, wer z.B. ein Automatikgetriebe oder ein Schaltgetriebe kaufen w\u00fcrde. Wir k\u00f6nnen jetzt data verwenden und signifikante Muster im Kaufverhalten der Kunden erkennen. Wir wollen wissen, was unsere Kunden wollen und darauf reagieren.<\/p>\n<\/div>
Pascal: K\u00f6nnen Sie mir mehr \u00fcber dieses CEDAR Dashboard - diesen BI-Hub - erz\u00e4hlen? Warum existiert es?<\/h2><\/div>D\u00e9v: Es war nicht das erste, was wir gebaut haben. Zun\u00e4chst konzentrierten wir uns auf das data - welche Fragen k\u00f6nnen 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 \u2018demokratisieren\u2019. 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.<\/p>\n
CEDAR ist eine unabh\u00e4ngige Plattform, die Nissan- und funktions\u00fcbergreifend arbeitet und viele verschiedene Dashboards und Erkenntnisse enth\u00e4lt. Es ist unser Dreh- und Angelpunkt f\u00fcr Kundenerfahrungen und -einblicke - ein Ort, an dem unsere Mitarbeiter die Welt so sehen k\u00f6nnen, 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 anf\u00fchlen wie das Surfen auf unserer Website.<\/p>\n
Am wichtigsten ist, dass wir als data-Mitarbeiter die Analysen in CEDAR betrachten k\u00f6nnen, um zu verstehen, wie es genutzt wird, wo die Reibungspunkte sind, wo die Leute verloren gehen und welche Teile n\u00fctzlich oder nicht n\u00fctzlich sind. Anstatt nur zu fragen, wissen wir es.<\/p>\n<\/div>
<\/span><\/div>Pascal: Haben Sie erlebt, dass Menschen CEDAR nutzen, um Entscheidungen zu treffen, die sie vorher nicht treffen konnten? Oder hilft es ihnen nur, Zeit zu sparen?<\/h2><\/div>D\u00e9v: 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.<\/p>\n
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 \u00fcber CEDAR Bescheid. Das gibt uns eine Menge Aufschluss dar\u00fcber, wie data in unserem Unternehmen immer n\u00fctzlicher wird und von verschiedenen Gesch\u00e4ftsfunktionen genutzt wird.<\/p>\n<\/div>
Pascal: Erz\u00e4hlen Sie mir ein wenig \u00fcber das Team. Wer sitzt auf dem Fahrersitz?<\/h2><\/div>D\u00e9v: Data ist nicht alles; Sie m\u00fcssen wissen, wie Sie daraus Erkenntnisse gewinnen k\u00f6nnen. 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 \u00fcber drei Kerns\u00e4ulen - genannt Messen, Optimieren und Vorhersagen.<\/p>\n
Die S\u00e4ule 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 S\u00e4ule hei\u00dft Optimise und ist f\u00fcr die Durchf\u00fchrung von data-driven-Experimenten und Tests sowie f\u00fcr das Lernen zust\u00e4ndig - und davon machen wir eine Menge. Die dritte S\u00e4ule hei\u00dft Predict und ist die wissenschaftliche S\u00e4ule von data. Wir waren sehr vorsichtig, diese S\u00e4ule am Ende hinzuzuf\u00fcgen, um sicherzustellen, dass wir nicht \u00fcberst\u00fcrzt Talente einstellen, die sich sehr schnell langweilen w\u00fcrden, weil wir nicht die richtigen Anwendungsf\u00e4lle parat haben.<\/p>\n
Das direkte Team befindet sich gr\u00f6\u00dftenteils 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 M\u00e4rkten.<\/p>\n<\/div>
Pascal: Wie sieht also der Erfolg aus? Wie sehen Sie die Entwicklung Ihrer data-Projekte in den n\u00e4chsten Jahren?<\/h2><\/div>D\u00e9v: Erfolg bedeutet, dass das data, das wir erzeugen, sowohl f\u00fcr Nissan als auch f\u00fcr seine Kunden n\u00fctzlich ist. Dazu m\u00fcssen wir alles, was wir tun, mit unseren organisatorischen KPIs verkn\u00fcpfen. Wir k\u00f6nnen feststellen, wo wir aus organisatorischer Sicht einen Unterschied machen, und wir k\u00f6nnen dies auch mit den Qualit\u00e4tskennzahlen f\u00fcr unsere Kunden verkn\u00fcpfen, 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.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
D\u00e9v: Es war nicht das erste, was wir gebaut haben. Zun\u00e4chst konzentrierten wir uns auf das data - welche Fragen k\u00f6nnen 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 \u2018demokratisieren\u2019. 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.<\/p>\n
CEDAR ist eine unabh\u00e4ngige Plattform, die Nissan- und funktions\u00fcbergreifend arbeitet und viele verschiedene Dashboards und Erkenntnisse enth\u00e4lt. Es ist unser Dreh- und Angelpunkt f\u00fcr Kundenerfahrungen und -einblicke - ein Ort, an dem unsere Mitarbeiter die Welt so sehen k\u00f6nnen, 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 anf\u00fchlen wie das Surfen auf unserer Website.<\/p>\n
Am wichtigsten ist, dass wir als data-Mitarbeiter die Analysen in CEDAR betrachten k\u00f6nnen, um zu verstehen, wie es genutzt wird, wo die Reibungspunkte sind, wo die Leute verloren gehen und welche Teile n\u00fctzlich oder nicht n\u00fctzlich sind. Anstatt nur zu fragen, wissen wir es.<\/p>\n<\/div>
<\/span><\/div>Pascal: Haben Sie erlebt, dass Menschen CEDAR nutzen, um Entscheidungen zu treffen, die sie vorher nicht treffen konnten? Oder hilft es ihnen nur, Zeit zu sparen?<\/h2><\/div>D\u00e9v: 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.<\/p>\n
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 \u00fcber CEDAR Bescheid. Das gibt uns eine Menge Aufschluss dar\u00fcber, wie data in unserem Unternehmen immer n\u00fctzlicher wird und von verschiedenen Gesch\u00e4ftsfunktionen genutzt wird.<\/p>\n<\/div>
Pascal: Erz\u00e4hlen Sie mir ein wenig \u00fcber das Team. Wer sitzt auf dem Fahrersitz?<\/h2><\/div>D\u00e9v: Data ist nicht alles; Sie m\u00fcssen wissen, wie Sie daraus Erkenntnisse gewinnen k\u00f6nnen. 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 \u00fcber drei Kerns\u00e4ulen - genannt Messen, Optimieren und Vorhersagen.<\/p>\n
Die S\u00e4ule 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 S\u00e4ule hei\u00dft Optimise und ist f\u00fcr die Durchf\u00fchrung von data-driven-Experimenten und Tests sowie f\u00fcr das Lernen zust\u00e4ndig - und davon machen wir eine Menge. Die dritte S\u00e4ule hei\u00dft Predict und ist die wissenschaftliche S\u00e4ule von data. Wir waren sehr vorsichtig, diese S\u00e4ule am Ende hinzuzuf\u00fcgen, um sicherzustellen, dass wir nicht \u00fcberst\u00fcrzt Talente einstellen, die sich sehr schnell langweilen w\u00fcrden, weil wir nicht die richtigen Anwendungsf\u00e4lle parat haben.<\/p>\n
Das direkte Team befindet sich gr\u00f6\u00dftenteils 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 M\u00e4rkten.<\/p>\n<\/div>
Pascal: Wie sieht also der Erfolg aus? Wie sehen Sie die Entwicklung Ihrer data-Projekte in den n\u00e4chsten Jahren?<\/h2><\/div>D\u00e9v: Erfolg bedeutet, dass das data, das wir erzeugen, sowohl f\u00fcr Nissan als auch f\u00fcr seine Kunden n\u00fctzlich ist. Dazu m\u00fcssen wir alles, was wir tun, mit unseren organisatorischen KPIs verkn\u00fcpfen. Wir k\u00f6nnen feststellen, wo wir aus organisatorischer Sicht einen Unterschied machen, und wir k\u00f6nnen dies auch mit den Qualit\u00e4tskennzahlen f\u00fcr unsere Kunden verkn\u00fcpfen, 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.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
D\u00e9v: 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.<\/p>\n
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 \u00fcber CEDAR Bescheid. Das gibt uns eine Menge Aufschluss dar\u00fcber, wie data in unserem Unternehmen immer n\u00fctzlicher wird und von verschiedenen Gesch\u00e4ftsfunktionen genutzt wird.<\/p>\n<\/div>
Pascal: Erz\u00e4hlen Sie mir ein wenig \u00fcber das Team. Wer sitzt auf dem Fahrersitz?<\/h2><\/div>D\u00e9v: Data ist nicht alles; Sie m\u00fcssen wissen, wie Sie daraus Erkenntnisse gewinnen k\u00f6nnen. 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 \u00fcber drei Kerns\u00e4ulen - genannt Messen, Optimieren und Vorhersagen.<\/p>\n
Die S\u00e4ule 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 S\u00e4ule hei\u00dft Optimise und ist f\u00fcr die Durchf\u00fchrung von data-driven-Experimenten und Tests sowie f\u00fcr das Lernen zust\u00e4ndig - und davon machen wir eine Menge. Die dritte S\u00e4ule hei\u00dft Predict und ist die wissenschaftliche S\u00e4ule von data. Wir waren sehr vorsichtig, diese S\u00e4ule am Ende hinzuzuf\u00fcgen, um sicherzustellen, dass wir nicht \u00fcberst\u00fcrzt Talente einstellen, die sich sehr schnell langweilen w\u00fcrden, weil wir nicht die richtigen Anwendungsf\u00e4lle parat haben.<\/p>\n
Das direkte Team befindet sich gr\u00f6\u00dftenteils 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 M\u00e4rkten.<\/p>\n<\/div>
Pascal: Wie sieht also der Erfolg aus? Wie sehen Sie die Entwicklung Ihrer data-Projekte in den n\u00e4chsten Jahren?<\/h2><\/div>D\u00e9v: Erfolg bedeutet, dass das data, das wir erzeugen, sowohl f\u00fcr Nissan als auch f\u00fcr seine Kunden n\u00fctzlich ist. Dazu m\u00fcssen wir alles, was wir tun, mit unseren organisatorischen KPIs verkn\u00fcpfen. Wir k\u00f6nnen feststellen, wo wir aus organisatorischer Sicht einen Unterschied machen, und wir k\u00f6nnen dies auch mit den Qualit\u00e4tskennzahlen f\u00fcr unsere Kunden verkn\u00fcpfen, 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.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
D\u00e9v: Data ist nicht alles; Sie m\u00fcssen wissen, wie Sie daraus Erkenntnisse gewinnen k\u00f6nnen. 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 \u00fcber drei Kerns\u00e4ulen - genannt Messen, Optimieren und Vorhersagen.<\/p>\n
Die S\u00e4ule 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 S\u00e4ule hei\u00dft Optimise und ist f\u00fcr die Durchf\u00fchrung von data-driven-Experimenten und Tests sowie f\u00fcr das Lernen zust\u00e4ndig - und davon machen wir eine Menge. Die dritte S\u00e4ule hei\u00dft Predict und ist die wissenschaftliche S\u00e4ule von data. Wir waren sehr vorsichtig, diese S\u00e4ule am Ende hinzuzuf\u00fcgen, um sicherzustellen, dass wir nicht \u00fcberst\u00fcrzt Talente einstellen, die sich sehr schnell langweilen w\u00fcrden, weil wir nicht die richtigen Anwendungsf\u00e4lle parat haben.<\/p>\n
Das direkte Team befindet sich gr\u00f6\u00dftenteils 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 M\u00e4rkten.<\/p>\n<\/div>
Pascal: Wie sieht also der Erfolg aus? Wie sehen Sie die Entwicklung Ihrer data-Projekte in den n\u00e4chsten Jahren?<\/h2><\/div>D\u00e9v: Erfolg bedeutet, dass das data, das wir erzeugen, sowohl f\u00fcr Nissan als auch f\u00fcr seine Kunden n\u00fctzlich ist. Dazu m\u00fcssen wir alles, was wir tun, mit unseren organisatorischen KPIs verkn\u00fcpfen. Wir k\u00f6nnen feststellen, wo wir aus organisatorischer Sicht einen Unterschied machen, und wir k\u00f6nnen dies auch mit den Qualit\u00e4tskennzahlen f\u00fcr unsere Kunden verkn\u00fcpfen, 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.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
D\u00e9v: Erfolg bedeutet, dass das data, das wir erzeugen, sowohl f\u00fcr Nissan als auch f\u00fcr seine Kunden n\u00fctzlich ist. Dazu m\u00fcssen wir alles, was wir tun, mit unseren organisatorischen KPIs verkn\u00fcpfen. Wir k\u00f6nnen feststellen, wo wir aus organisatorischer Sicht einen Unterschied machen, und wir k\u00f6nnen dies auch mit den Qualit\u00e4tskennzahlen f\u00fcr unsere Kunden verkn\u00fcpfen, 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.<\/p>\n<\/div><\/div><\/div><\/div><\/article>