Strategie anpassen, Erfolge messen

Konfrontiert mit den üblichen Herausforderungen eines Startups, schnell und kostengünstig einen Problem-Solution-Fit und anschließenden Product-Market-Fit zu erzielen -  zusätzlich verstärkt durch die hohen regulatorischen Anforderungen der Gesundheitsbranche - wollte das E-Health Unternehmen von Beginn an als datengetriebenes Geschäftsmodell Effektivitäts- und Effizienzvorteile erzielen. Dazu sollten das digitale Produkt und die Customer Experience immer entsprechend instrumentiert werden und die Messwerte in eine tragfähige Datenstruktur einfließen, um frühestmöglich nachhaltige Informationswerte zu akkumulieren.      

Entscheidungen zur Verbesserung und Weiterentwicklung des frühen Angebots  sollten konsequent datengetrieben getroffen werden - auf Basis zielgruppenbezogener Informationen wie der Activation Rate neu gewonnener Kunden, der Completion Rates bestimmter Inhalte, Churn Rates, Customer Retention Rates etc. 

Die Wahl eines externen Dienstleisters fiel auf Young Digitals: Unter anderem aufgrund des umfangreichen Verständnisses und Erfahrungen von und mit digitalen Produkten, nicht zuletzt im Health Bereich. Insbesondere auch die Kompetenz im Bereich Data Science basierter Product Performance sprach für die Zusammenarbeit mit der Berliner Consulting Boutique.  

Projektvorgehen

Um die Daten künftig zentral über ein Dashboard auszuwerten, mussten zunächst transaktionale Informationen aus zwei Datenbanken in eine BI-Datenbank konsolidiert werden. Diese sollte dann als „Single Source of Truth“ für die KPI-Analyse dienen. Für die Datenextraktion, -filterung und -bereinigung setzte das Team eine Python-Lösung auf. Die so befüllte BI-Datenbank sollte dann durch das Dashboard visualisiert werden.

Die Lösungen der BI-Datenbank und des BI-Dashboards und deren Umsetzung planten das Unternehmen und die Young Digitals auf agile Weise, also in kurzen Iterationen (einwöchigen Scrum Sprints), mit frühzeitigen Feedback-Möglichkeiten und in enger Zusammenarbeit zu entwickeln. 

Erste Etappe: Konzeption und Umsetzung des BI-Dashboards

Zunächst wurde der Einsatz einer vorhandenen Lizenz für Tableau als Business Intelligence und Analytics Tool und ihr Kostenmodell mit den übergeordneten geschäftlichen Anforderungen abgeglichen. Nach der Kostenfreigabe legte das Projektteam den Informationsbedarf in Form von KPIs mit internen Stakeholdern fest. Daraus wurden dann die benötigten Variablen abgeleitet sowie deren Quellen in den transaktionalen Datenbanken und -tabellen für den späteren Datentransferprozess verortet. 

Design und Testing des Dashboards erfolgte auf der Basis von statischen Mock-Daten während parallel die neue BI-Datenbank aufgesetzt wurde. Anschließend wurden beide miteinander verbunden.  

Zweite Etappe: Beratung und Unterstützung beim Aufbau einer BI-Datenbank

Den Kern der darauffolgenden Phase stellte die Analyse der Python-Anforderungen und den anschließenden Aufbau einer Python-Lösung und der BI-Datenbank dar. 

Der aus den Ziel-KPIs abgeleitete Datenbedarf wurde als Anforderungs-Input aggregiert und für die folgende Programmierung einer Python-basierten Datentransfer-Lösung durch ein Entwicklerteam des Unternehmens genutzt. Mit der Verbindung und einigen Testläufen war der erste Launch des Dashboards abgeschlossen und die Befüllung der zugrundeliegenden BI-Datenbank aus den laufenden Transaktions-Daten sichergestellt.