Turning Big Data Into Big Revenue

Понравилась презентация – покажи это...

Слайд 0

Unlock data possibilities Turning Big Data into Big Revenue Oliver Halter Principal, Management Consulting

Слайд 1

#1 Why this is important

Слайд 2

PwC's Global Data & Analytics Survey: Big Decisions™ >$1bn • Big decisions have a big impact on future profitability; however, more  big decisions are made opportunistically than deliberately • Highly data‐driven companies are three times more likely to report  significant improvement in decision making, but only 1 in 3 executives  say their organization is highly data‐driven.  62% 3X • The majority of executives rely more on experience and advice than  data to make business‐defining choices. • Many executives are skeptical or frustrated by the practical  application of data and analytics for big decisions, especially in  emerging markets. Source: PwC’s Global Data & Analytics Survey: Big Decisions™ Data  Quality Usefulness 1,135 senior  executives  interviewed from across the  world representing a  total of 18  industries where majority  (74%) of  companies  reported annual  revenues last year  of at least $1bn

Слайд 3

Making strategic decisions Company leaders often rely on gut instinct to guide them—what we think of as the ‘art’ of strategic  decision making. But what about the ‘science’ side of the equation: data and analytics?  85% 85% of CEOs told us  that data and analytics  creates value for their  organizations. The  question becomes— where and how are  they realizing that  value?  94% 38% 59% 16% While 94% of  respondents said that  senior management  believe they are  prepared to make their next big  decision… … just 38% relied on  data and analytics to  do so.  The majority of  respondents (59%) in  our survey pegged their  next big decision at a  value of $100 million or  more And 16% said its impact  to the business was in  the $1 billion to $5  billion range. How you approach these pivotal decisions matters Source: PwC’s Global Data & Analytics Survey: Big Decisions™

Слайд 4

Big impact on future profitability Big decisions have a big impact on future profitability; nevertheless, more big decisions are made 'in the  moment' (either reactively or opportunistically) than deliberately. Impact on Profitability Opportunistic NA 1 in  3 >$5bn  Motivators of Big Decisions < $10m  30% Delayed 25% Deliberate $1bn to  $5bn  $10m to  $100m  $100m to  $1bn  Source: PwC’s Global Data & Analytics Survey: Big Decisions™ 18% Experimental Reactive Mandatory 15% 9% 4% 33%

Слайд 5

Big improvement on decision making Highly data‐driven companies are three times more likely to report significant improvement in decision  making, but only 1 in 3 executives say their organization is highly data‐driven. How Data Driven? Significant Improvement? Other Partly  data‐ driven  0% Highly  data‐ driven  1 in  3 10% 20% 30% 40% Highly data-driven 43% 3X Somewhat data-driven 14% Somewhat  data‐driven  Partly data-driven Source: PwC’s Global Data & Analytics Survey: Big Decisions™ 15%

Слайд 6

Organizations that delay starting the Big Data journey risk being leapfrogged by more datasavvy competitors 58% PwC’s Digital IQ Survey 2014 respondents who  indicated transitioning from data to insight is a  major challenge 

Слайд 7

#2 How can your organization adapt and execute?

Слайд 8

Many organizations face challenges in adapting to the recent trends in the Big Data landscape Information explosion due to Digitization, Internet of Things and external data have increased the number  of data sources, volumes and complexity available for analytics to achieve competitive advantage Enterprises have to balance near‐term and long‐term goals while enabling data and analytics capabilities in  an agile manner, to realize iterative business value before committing to long‐term investments Proliferation of commoditized technologies to enable speed and sophistication of high volume data  processing and analytics have contributed to a complex technology landscape Data monetization strategies are increasingly adopted among competitors across many industries to  develop innovative products/services  and generate new revenue streams

Слайд 9

How can companies adapt and execute? The ‘DIAO’ mindset Big Data into Big Revenue – Journey Building Blocks SHAREHOLDER VALUE CREATION ACTIONS DISCOVERY INSIGHTS “Observations to Information” “Information to Insights” Discover value in your  internal and external data Apply analytic techniques on  internal and external data  for tailored, value creating  insights “Insights to Actions” Make decisions; deliver  quick wins; build operational  capabilities to enhance  products and services OPERATING MODEL OUTCOMES “Actions to Outcomes” Test and learn; link insights  and actions to financial and  operational metrics;  enhance shareholder value

Слайд 10

Discovery: Observations to Information D I A D1. Idea Intake • Develop a process to intake and build a pipeline  of ideas on improving business decisions with  data and analytics, both from internal  organization resources and external partners D2. Idea Qualification • D3. Identify Data Assets • Identify internal/external data sets required to  unlock the value out of the idea; e.g., data sets  may cover a broad spectrum of domains,  namely customers, products, services, sensors,  demographics, social media O Qualify ideas based on potential business value  (financial, operational, risk or quality metrics) D4. Platform, Tools and Infra. • Develop ‘data lake’ architecture; make  technology decisions and operationalize  infrastructure to capture and store data assets  from internal and external sources

Слайд 11

Insights: Information to Insights D I A I1. Analytics Techniques • Categorize the type of analytics techniques  (forecasting, clustering, regression, time series,  machine learning, etc.) required for the ideas  and map analytics tools to purpose I2. Analytics Architecture • I3. Ideation Sandboxes • Develop a holistic ideation sandbox strategy  and tool environment to empower practitioners  in their data discovery process. Consider cloud  models and tools available as an enabler O Develop the ‘right fit’ architecture with tools to  enable a rapid prototyping environment.  Consider scalable in‐memory analytics and  visualization tools as core components I4. Process Agility • Develop efficient processes in the discovery  lifecycle which promotes agility and eliminates  administrative bottlenecks; e.g., a self‐service  sandbox provisioning model

Слайд 12

Actions: Insights to Actions D I A A1. Decision Model • Define decision models and rights that  categorize and specify the decisions that get  made, insights, options, subsequent actions  and potential for automation A3. Embed results • Embedding decision results into new products  and services design could be a game changer  and avenue for many organizations to add  shareholder value O A2. Automation • Integrate and automate decisions made from  models with company’s existing business  processes, operations and technology in real‐ time; e.g., Are your sales processes ready to  handle the predicted cross‐sell / up‐sell  scenarios?

Слайд 13

Outcomes: Actions to Outcomes D I A O1. Impact Linkage • Establish tighter link and integration between  insights generated, actions taken and impact to  financial, operational and risk metrics O2. Monitor and Observe • O3. Test and Learn • Foster ‘test and learn’ culture where people  can implement change in decisions and actions  in a limited form, observe the results, and  change the model to reflect reality O Monitor any deviation from the expected outcome  of predicted business impact, filter external factors  (e.g., inflation, dynamic market trends)  to  measure effectiveness of management decisions O4. Data Monetization • Explore monetization strategies with the  insights gained as an additional revenue source  for the organization; e.g., licensing fee for  aggregated data sets as an event indicator

Слайд 14

Operating with a DIAO mindset requires rethinking the data and analytics operating model Four Primary Types of Operating Models Information Enabler Functional • Team typically reports to the CIO  and provides data delivery,  reporting and business  intelligence services • Team reports to functional  leaders (e.g., Marketing, Sales,  etc.) that build targeted data  marts and analytic models to  improve functional performance • Team reports to a cross‐ functional business role (e.g.,  CFO, COO) to deliver cross‐ functional analysis to support  strategic, financial and  operational decisions that span  multiple functions Business Unit / P&L Owner Cross Functional • Investment focused on  Infrastructure and Tools • Primary focus on acquiring,  storing, managing and reporting  the information as opposed to  developing deep analytic  modeling skills • Less focus on innovation and  usage of 3rd party data • Relies on the services provided  in the “information enabler  model” as well as their own  specialists to enable data  capabilities • Heavy focus on 3rd party data  and exploring new analytic  techniques and tools  • Investments are made in  innovation, 3rd party data sets  and tools, as well as proprietary  analytic models • Skills include data scientists and  deep quantitative experience • The group reports to business  unit or P&L owners (e.g., chief  digital officer, VP of  online/mobile) and  creates  value by embedding data and  analytics‐driven offerings into  new or existing products and  services • Focus is on the impact to  revenue, profit and shareholder  value growth • Investments are made in  innovation and 3rd party data,  as well as deep analytic models The Data and Analytics Operating Model Determines Your Speed to New Value

Слайд 15

Key takeaways Big decisions have a big impact on future profitability. Organizations which delay embedding data and  analytics in their decision making culture will be left far behind their competition. Adopt the DIAO mindset. Start small, validate existing decisions, select the necessary infrastructure, drive  new decisions, understand the ROI, invest and scale. A robust operating model is critical. Adopt an operating model which fits the culture of your organization  and foster a collaborative and agile ‘test and learn’ culture to enable innovation. For your organization to win … Unleash analytics and empower talent to drive insights to action across  your business.

Слайд 16

#3 Putting Big Data to work: Case Studies

Слайд 17

Make space for profits! Consumer product goods company Business Issues Action Results • Inventory stock out average of 13% vs.  8% industry average • Design and execution of a pilot initiative • Out of stock conditions reduced on  average to 6% • Difficulty accurately predicting demand  across a distribution network of over  1000 area sales managers • Supply chain challenges:  backroom  inventory at 24% of volume – and rising • Sought a demand driven inventory and  shelf optimization system that provided  accurate demand forecasts for use by  sales managers on a daily basis — Time series analysis models predict  demand at a store SKU level — Forecasting variables include effects  of price, promotions, seasonality,  product sales velocity, day of the  week , delivery constraints and others • Develop business case, design, develop,  roll out and implement solution • Measure performance and results • Improved cash flows due to reduced  back room inventory • Projected $30m EBITDA contribution a  year. 

Слайд 18

Make space for profits! Big Data, analytics and decisions 1. DATA 1 2. ANALYTICS 2 Classification of products  based on average volume sales  Classification of high volume items based on formats and volume of sales High Volume  Items Complete  Sales Data 3 Low Volume  Items Low Volume  Item Forecast 3. DECISIONS 8 Area Sales  Manager Handheld 9 Updated Forecast Make overrides if necessary NEXT DAY DELIVERY Daily Sales  Information for  past 12 weeks Splitting the  weekly forecast Forecasting for  low volume  items based n  the sales of last  8 weeks Correct the  sales time  series based  on discount  data to get  base demand  + 7 High Volume  Item Forecast 4 Input sales data  in respective  time series for  every  combination 5 + Complete  forecast creation  6 for 3 wks Complete  Price Information (past 2 years) Forecast  calculation for  every sales‐item  combination based on  best time series model 

Слайд 19

New revenue from where streets have no names B2B specialty pharmaceutical sector Business Issues Action Results • Flat revenues over three years • Big Data pilot using advance analytics • 5%‐7% revenue lift • Recent 16% reduction of sales force • Development of a customer value  assessment framework  • More efficient sales force (16% leaner)  • Inefficient sales  force optimization,  workloads rewards and compensation • Poor employee  morale • Identification of  high value customer  segments  • New targeting strategy • Redesign of sales territories • Reprioritization of sales resources and  deployment • Development of a business case for 2012  revenue impact • Improved insight into high potential  accounts

Слайд 20

New revenue from where streets have no names Customer segmentation and sales targeting 1. DATA 2. ANALYTICS Customer segmentation… Data integration… Consumer Data • Demographic • Insurance • Lifestyle  Master Data Who to target? Value based segmentation techniques  determine  • High potential customers • Best potential customers When to target and where? An independent RFM process was run to segment priority customers by: • Average spend per prescription refill • Average time between prescription orders • Transactions by zip code Patient Data • Office location • Visit frequency • Services used Sales Data • Product revenue by agent  / market / territory • Sales agent  location  by market / territory 3. DECISIONS Redesign sales territories and sales force deployment…. 1 Define Principles Define workload,  potential and  performance based  principles to act as  territory balancing  criteria 2 Define  Constraints Build constraints to  meet  specifications(e.g.  balanced workload)  and maintain  geographic continuity 3 Perform Optimization Use statistical tools  and algorithms to  meet design  objectives and  constraints 4 Calculate  Metrics Calculate and forecast  key metrics of new  territories 5 Target Markets &  Customers Generate customer  level targeting lists.   Develop a visual  representation of  targeted and omitted  customers on  potential map

Слайд 21

Consumer insights journey Global retailer company Business Issues Action Results • Goal was to enhance how they spend  $400m in customer based marketing  across multiple channels annually to get  the largest return on our investment  (higher sales, margins) • Funded an enterprise wide initiative for   Customer Data to • Increased gross margin (GM) per  customer by capturing 10% more  margin for 5% of identified customer  across each of our value tiers • Biggest foundational challenges  identified was the number of Customer  Data silos, quality of data and analytics   around the enterprise causing customer  disappoints and hurting sales (e.g.  thanked 20,000 customers for purchases  they never made, misplaced loyalty  points in other customer accounts) — better understand the transactions  and interactions of all its customers  across all of its channels by the usage  of analytics (Customer Identification,  Segmentation, Clustering) • Company was spending $4‐5m annually  in marketing messages and campaign  activities with improvement  opportunities — Integrate the customer data across  multiple channels – stores, online,  mobile under one analytics repository  — Use the insights generated using  analytics to better target customer  based on their preferences. Integrated  the results into 1‐1 marketing and  personalization initiatives like the  online recommendation engine • Improved efficiency in the TV/Digital  marketing spend, duplicate mail savings  and identified cost take outs of  ~5m in  annual budgets • Increased offer conversion rate by 10%  on a quarterly basis  • Projecting hard benefits in the range of  50 – 55m this year  in Net Operating  Profits as a cumulative effect of the  customer data program 

Слайд 22

Consumer insights journey Big Data, analytics and decisions 1. DATA 1 2. ANALYTICS Single view of customer transactions and interactions for  products and services across all channels Stores Online Single View of  Customer 2 Created multiple rich segments of customers integrated across channels based on a set  of key drivers through segmentations and clustering techniques  to enable personalized  targeting of offers and promotions Customer  Engagement Customer  Value Customer  Behavior Demographics Mobile 3. DECISIONS Best Customers Price Sensitive New Customer Important Quality before  Price Most Loyal Opportunistic Product based  promotions Retained /Reactivated Uncommitted 3 Presented relevant offers, recommendations. Increased  Prefer online  shopping Buy online, pickup store conversion rate, profits and customer delight Mobile Shopping Portal Web Passed the insights to the  personalization/ decision engine  feeding the online and mobile  portals Decision  /Personalization  Engine Filtered a sample of most loyal members who  mattered and shopped online

Слайд 23

Thank you © 2015 PricewaterhouseCoopers LLP. All rights reserved. PwC refers to the United States member firm, and may sometimes refer to the PwC network. Each member firm is a separate legal entity. Please see www.pwc.com/structure for further details.

Слайд 24