BÜYÜK VERİLER YERİNE DAHA KALİTELİ VERİLER

LAPP'ta şu anda yoğun şekilde hangi verilere gerçekten ihtiyaç duyulduğunu düşünüyoruz ve asıl olarak hepsinden önemlisi, neden? "Neden" sorusuna cevap vermek kolaydır: Müşterilerimize, kendilerinin daha iyisini yaratmalarını sağlayacak spesifik ürünler ve hizmetler sunmak istiyoruz. Daha yüksek kalitede, daha kısa sürede veya daha düşük maliyetle. Bu yüzden verileri sadece rastgele toplamakla kalmıyoruz, topladığımız tüm bilgilerde tam kullanım durumunu ve müşteri için katma değeri sorguluyoruz. Bu cevaplanamazsa, bu tür verileri toplamamız için hiçbir neden yoktur.

LAPP şu anda her zaman verilerin doğru kullanımıyla ilgilenen sayısız dijitalleştirme projesi yürütmektedir. Durum izleme ve öngörücü bakıma ek olarak, içerik yönetim sistemimizi de revize ediyor ve dijital ürün kataloğumuzu yeniden tasarlıyoruz. Daha erken bir aşamada başarı için belirleyici olan şeyin veri miktarı değil, kalitesi - büyük veri yerine daha iyi veriler olduğu sonucuna vardık. Bu yüzden sadece rastgele toplamakla kalmıyoruz, topladığımız tüm bilgilerde tam kullanım durumunu ve müşteri için katma değeri sorguluyoruz. Bu cevaplanamazsa, bu tür verileri toplamamız için hiçbir neden yoktur. Bunun veri ve gizlilik düzenlemelerine uygun olarak yapılması bizim için özellikle önemlidir. Kişisel verilerin değerini vurguladığı için GDPR'nin temel destekçisiyim. Uygulanmasında talepkar olduğu doğru, ancak aynı zamanda biz sağlayıcılar için netlik yaratıyor ve müşterilere kendi verileriyle ilgili kontrolü geri veriyor. GDPR uyarınca müşteri ilişkileri yönetimimizi revize ediyor ve veri kayıtlarını temizliyoruz. Çok iş gibi geliyor ama bilginin netliğine ve doğruluğuna ve dolayısıyla müşteri ilişkilerinde daha yüksek kaliteye katkıda bulunuyor.

Bu rakamlar ne kadar büyük bir görevle karşı karşıya olduğumuzu gösteriyor: LAPP kataloğu, metreye göre kablolardan konektörlere ve aletlere kadar yaklaşık 40.000 ürün içeriyor. Bu ürünlerin her biri için tüm ürün özelliklerini kontrol ediyoruz. Bunlar muhtemelen tahmini altı milyon ayrı değerdir. Ve sonra onları ayarlıyoruz, yenilerini ekliyoruz, nitelikleri ayırıyoruz ve hatta bazılarını atıyoruz. El ile. Şu anda, bunun sadece küçük bir kısmı otomatikleştirilebiliyor. Bunu başarmak için öncelikle ürün yönetimi ve satış departmanlarımızın uzun yıllara dayanan deneyimine ve uzmanlığına güveniyoruz.

Doğru yorumlama: Verilerin arkasında ne olduğunu bilmek

Nitelikleri değiştirdiğimizde, onları hem daha önce olduğu gibi hem de gelecekte her tür sistem için okunabilir ve kullanılabilir hale getirmeyi düşünmeliyiz. İşte bir örnek: Ürünlerimizin çoğu belirli bir sıcaklık aralığı için tasarlanmıştır: örneğin "-30 ° C ila + 120 ° C" özelliğine sahip bir kablo. Basılı katalogda da aynı şekilde yazılacak ve uzman olmayanlar bile anlamını anlayacaktı. Çevrimiçi katalogda zorluk biraz farklıdır: Bir müşterinin en az + 80 ° C'ye dayanabilen bir kabloya ihtiyacı olabilir. Bunu yapmak için, arama için "> 80" gibi bir filtre ayarlardı. Arama yazılımı, bunun alt ve üst aralık için farklı sıcaklık değerlerine neden olabileceğini ve ikinci olarak üst aralığın önemli olduğunu anlamalıdır. Aynı zamanda, bir Amerikalının ° Fahrenheit anlamına gelmemesi olasılığını da dışlamak zorundadır. Örnek, tüm bilgilerin basitçe dijitalleştirilmesinin yeterli olmadığını, aynı zamanda aralarındaki bağlantıları anlamanın da gerekli olduğunu göstermektedir. Analog baskı kataloğumuzu yıllar önce dijital hale getirdik, ancak şimdi asıl mesele düşünce şeklimizi uyarlamak ve müşterilerimizin öncelikli olarak tüm teklifleri dijital olarak kullanacağını varsaymak.

This is not only a technical challenge, it takes us even further. We know from the past, for example, that two product managers can weight the same product feature differently in terms of its significance. For example, is it something special that a specific cable can withstand +120 °C and should therefore be emphasized? Or is it just one property among many and therefore of minor importance? This decision still has to be made by a person, because expertise cannot be automated. The meaningful description of a product is an essential part of our value creation and is therefore treated with maximum care. Producing a cable that can withstand 120 °C is something our competitors can do as well. But we at LAPP also manage to explain to the customer why this particular product is exactly the right one for him and his requirements. If it is used in food production, for example, he must clean the cable with hot steam and be able to rely on its resistance despite chemical influences. Imagine what can happen if such a product description is faulty and the purchased product only withstands 80°C. Steam cleaning can cause cracks to emerge, which in turn can lead to a production stop or even personal injury. A catastrophe.

Flexibility and stringency - how to manage the balancing act

The know-how we have about our products as well as the challenges our customers face cannot be lost in the digitalization process. Ideally, our descriptions become even more accurate with the help of it. This is where the involvement of a wide range of different departments as well as the brainpower and expertise of many people is required. And because we do not take data governance lightly, we have formed a special committee for this purpose. It discusses and decides which attributes we ultimately introduce. But caution is called for here: If one product attribute changes, this may also be true for thousands of other products and descriptions. But the committee is only the tip of our big change management project for digitization at LAPP. Our managers have the clear responsibility to take people with them and free them from the fear that all they have to do now is knock figures and values in the data quarry. Rather, we have to make it clear which added value the customer receives and which advantages we derive from it.

For us, a key factor is to maintain a sufficient flexibility despite all the stringency. Before we started, we talked to other companies that were already a little further along in their projects. In some cases, very rigid rules were imposed on them for the collection and processing of data. Now they complained that they could no longer get out of the corset. We want to avoid this mistake by reconciling stringency and flexibility. To do this, we must ensure that people with their different expertise and skills communicate with each other. This will also help that this project, which is of course being pushed at great speed for the first time, is still alive years later.

I have already talked about the what for: We do it all for our customers. But how exactly can they benefit from better data quality in the future? We can imagine, for example, that we make our customers an offer - and perhaps even deliver the product - before they even know they need it. Not every customer wants that, of course. While some already know exactly what they need, others have a high need for advice and decision-making. We want to provide the best possible support for both customer groups, and that can only be achieved with data - better data, in my opinion.