5. Big Data-Management

5. Big Data-Management

von Christoph Wortmann

„Big Data sind unstrukturierte Daten über den Nachfrager, generiert aus sozialen Medien, der Webseitennutzung, Online-Käufen und standortbezogenen GPS-Informationen. Die Herausforderung besteht in der Verknüpfung dieser unstrukturierten Daten mit unternehmensintern bereits vorhandenen, strukturierten Kundendaten und ihrer kundennutzenorientierten Analyse und Verwertung.“

Definiton (Burmann, Kleine-Kalmer, & Hemmann, 2013).

 

Best Practice-Beispiele

Big Data kann zur Verkaufsprofessionalisierung beitragen. Dies macht es auch im B2B-Bereich attraktiv und ist somit folglich nicht mehr nur auf den B2C-Bereich beschränkt. Durch die Integration verschiedener Datenquellen (z.B. Zensusdaten und aktuelle Vertriebsdaten) können Marktgrösse und die Arbeitsbelastung des Vertriebs modelliert und vorausgesagt werden. Auf dieser Basis kann dann der Verkauf besser orchestriert werden (z.B. Einstellen von mehr Verkaufsmitarbeitern).

Quelle: Columbus (2016).

Abb. 1: Big Data Analyse. Quelle: Columbus (2016).

 

DHL

Big Data wird auch erfolgreich im Supply-Chain-Management eingesetzt. Die DHL nutzt beispielsweise verschiedene Datenquellen, um potenzielle Störungen in der Lieferkette zu minimieren. In der Konsequenz werden somit Produktionsstopps und Umsatzverluste vermieden. Eine reibungslose Lieferkette fördert die Kundenzufriedenheit und die frei gewordenen Erlöse können in andere Bereich reinvestiert werden (z.B. Verkaufsmassnahmen).

Abb. 2: Big Data in der Logistik. Quelle: DHL (2013).

Zudem hat die DHL das sogenannte „DHL Parcel Volume Prediction“-Modell entwickelt. Diesbezüglich werden Wechselbeziehungen zwischen Wetterbedingungen, Grippewellen und Onlineverkaufsverhalten von Privatpersonen analysiert. Als Konsequenz können bestehende Prozesse optimiert und der Kundenservice verbessert werden, was die Kundenzufriedenheit verbessern und somit die Unternehmensperformance steigern sollte.

Quelle: DHL (2013).

 

Hewlett-Packard Enterprise

Hewlett-Packard Enterprise: Das Cape2Cape-Projekt. 1 Auto, zwei Fahrer und modernstes IP-Equipment und Spezialsensorik an Bord. Mit der Rekordfahrt vom Nordkap zum Kap Agulhas wurde verdeutlicht, was mit Big-Data-Auswertungen heute alles realisierbar ist. Integration verschiedenster Datenquellen (Biodaten vom Fahrer, Sensordaten vom Auto + externe Daten, wie z.B. Bilddaten oder Auswertungen über Radio und Twitter) zur Ableitung von Marketing Use Cases.

Abb. 3: Hewlett-Packard Enterprise: Das Cape2Cape-Projekt. Quelle: HPE (2016).

Es können u.a. folgende Use Cases für das Marketing abgeleitet werden:

a) Insights über das Fahrverhalten, welche dann wiederum für Versicherungen interessant sein könnten (Stichwort: Risikobewertung bei Versicherungsabschluss).

b) Die Qualität und Sicherheit der Strassen können Logistikprozesse (gerade in nicht-europäischen Ländern) verbessern und somit zur Wertsteigerung beitragen.

c) Verbindung verschiedener Datenquellen als Vorlage für andere Unternehmen.

d) Sicherstellung von Datensicherheit – Wie kann das Eingreifen von externen Personen bzw. Unternehmen verhindert werden?

Quelle: Kremer & Stark (2016).

 

Gründe für nachhaltige Relevanz

Wettbewerbsvorteile sichern.

In zunehmend gesättigten Märkten wird es immer schwerer, sich vom Wettbewerb zu differenzieren. Durch den Einsatz neuartiger Datenquellen (Big Data) kann die Kundenakquisition und –bindung professionalisiert werden, so dass sich strategische Wettbewerbsvorteile ergeben. Durch die verbesserten Customer Insights können mehr Ressourcen für das Customer Relationship Management investiert werden und die reine Durchführung von Kampagnen verliert an Bedeutung.

 

Strukturierung der bestehenden Organisationsformen.

Mittels des Einsatzes von Big Data werden auch bestehende Organisationsformen transformiert. Die hier noch ungeklärten Fragen: Wie wird das Big Data-Management sinnvoll in vorhandene Organisationsmodelle eingebaut? Kommt es zu einer Verschmelzung von IT und Marketing? Welche Qualifikationen müssen Marketeers zukünftig mitbringen, um erfolgreich zu sein?

 

Komplementär und nicht Substitute.

Trotz der zunehmenden Fokussierung auf Big Data und Data Intelligence müssen Marketeers weiterhin ihrem „Kerngeschäft“ nachgehen. Das bedeutet: Die klassischen Marketingaufgaben bleiben im Unternehmen von Relevanz– trotz des Einsatzes von Big Data. Hier sollte man das klassische Marketing und Big Data nicht als substituierbar ansehen, sondern vielmehr als komplementär. Nach dem Motto: Klassische Marketingaufgaben, wie z.B. das Preismanagement, können durch Big Data profitieren, müssen aber weiterhin in der gewohnten Qualität ausgeführt werden.

 

Handlungsimplikationen und Fragen für Führungskräfte

Big Data soll Wert steigern – und zwar messbar.

Big Data sollte nie zum Selbstzweck durchgeführt werden – es muss ein klarer betriebswirtschaftlicher Nutzen entstehen. Idealerweise sollte es durch eine ROI-Initiative getrieben sein, was bedeutet, dass durch Big Data-Projekte eine nachvollziehbare Wertsteigerung im Unternehmen geschaffen werden sollte.

 

Sprechen Sie die gleiche Sprache – nicht jeder beherrscht die Datenterminologie.

Ferner sollte unternehmensweit ein gleiches Verständnis der Datenterminologie vorherrschen. Wo liegt der Unterschied zu klassischen Datenquellen, die bereits im Unternehmen vorhanden sind (z.B. CRM und Marktforschungsdaten)? Ein gleiches Verständnis hilft bei der Verwirklichung des unterliegenden Wertschöpfungspotenzials von Big Data.

 

Die Qualität der Datenbasis determiniert die Qualität der Analysen.

Seien Sie kritisch im Umgang mit externen Datenquellen. Nicht umsonst ist „Veracity“ einer der konstituierenden Faktoren von Big Data (Demchenko, Ngo, Laat, Membrey, & Gordijenko, 2014). Bei unklarer Herkunft sollte die Vertrauenswürdigkeit und Reliabilität überprüft werden, um nicht Fehlschlüsse aus den nachgelagerten Analysen abzuleiten. Ganz nach dem Motto: „Garabage in – garbage out“.

 

Klare Business Cases statt „Data Lakes“.

Definieren Sie klare Business Cases, was bedeutet, dass sie eine problemgeleitete Fragestellung haben sollen. Ein wildes Durchsuchen im „Datenberg“ bringt häufig nicht das gewünschte Ergebnis, sondern generiert Trugschlüsse.

 

Korrelation bedeutet nicht Kausalität.

Gefundene Korrelationen implizieren keine Kausalitäten. Reflektieren Sie folgendes Beispiel: Analysen haben gezeigt, dass die Scheidungsrate in Maine stark mit dem Gesamtkonsum von Margarine in den USA korreliert (HBR, 2015). Hieraus eine kausale Beziehung abzuleiten, wäre jedoch Unfug. Kausalitäten und Gesetzmässigkeiten lassen sich nur in einem experimentellen Umfeld sicherstellen – hier hat und wird Big Data immer Grenzen haben.

 

Big Data kann ein Hemmschuh für Ihr Innovationsmanagement sein.

Seien Sie vorsichtig beim Einsatz von Big Data im Innovationsmanagementkontext. Inkrementelle Innovationen, wie z.B. kontinuierliche Produktverbesserungen (iPhone 6s, iPhone 7 usw.), lassen sich mithilfe von Big Data gut verwirklichen. Demgegenüber ist die Entwicklung völlig neuartiger Innovationen – sogenannte disruptive Entwicklungen – nur schwerlich möglich. Da Big Data, wie alle Datenquellen, auf historischen Daten basiert, kann nur schwer etwas vorhergesagt werden (z.B. ein neues Produkt), was in der Vergangenheit noch nie eingetreten ist.

 

Implementieren Sie Big Data in bestehende Organisationsformen.

Bauen Sie Big Data-Analysen in bestehende Prozesse ein. Erst wenn neuartige Datenquellen und Analysemethoden in bestehende unternehmensweite Prozesse (z.B. Business Intelligence) eingebettet werden, lässt sich das Wertsteigerungspotenzial realisieren.

Quelle: Bridgwater (2015).

 

Gegenthesen bzw. kritische Reflexion

Big Data Analysen decken zwar Korrelationen in grossen Datensätzen auf, können aber keine Aussagen über die entsprechende Sinnhaftigkeit machen.

Big Data kann klassische Marketingmassnahmen weiter verbessern und optimieren – nie aber komplett ersetzen.

Big Data-Analysen können leicht manipuliert werden – v.a., wenn die Untersuchten den Algorithmus verstehen.

Big Data-Analysen sind weniger robust als man annehmen würde. Dies trifft v.a. dann zu, wenn Prognosen in einer relativ unsicheren Umgebung gemacht werden.

Big Data generiert sich zu einem grossen Teil aus dem Internet – das kann ein entscheidender Nachteil sein, wenn bei der Generierung der Daten bereits Fehler passieren.

Big Data-Analysen finden zwar Korrelationen, aber keine Kausalitäten.

Bei vielen Big Data-Anwendungen stehen häufig unpräzise Fragestellungen im Raum – und häufig – so scheint es – kann Big Data eben diese lösen, was ein Trugschluss ist. Es bedarf einer konkreten Problembeschreibung (Was möchte ich eigentlich womit lösen?), um zu einer Wertschaffung zu gelangen.

Big Data-Analysen scheitern bei der Analyse von extrem seltenen Ereignissen, da jeder Algorithmus auf historischen Daten basiert. Wenn Ereignisse selten oder gar nicht eintreffen, können diese mithilfe von Big Data auch nicht analysiert werden.

Abschliessend: Bedenken Sie bei all Ihren Big Data- Handlungen, dass Vieles in der aktuellen Diskussion ein Hype ist. Bleiben Sie kritisch und evaluieren Sie das Wertschöpfungspotenzial für Ihre Firma – nur dann macht der Einsatz von Big Data Sinn.

 

Wertvolle Resourcen und Links

Empfohlene Lektüren (“Must reads”)

Buhl, H.U., Röglinger, M., Moser, F., & Heidemann, J. (2013). Big Data - A Fashionable Topic with(out) Sustainable Relevance for Research and Practice. In: Business and Information System Engineering, 5(2), pp. 65-69.

Iansiti, M., & Lakhani, K. R. (2016). Digital Ubiquity: How Connections, Sensors, and Data are revolutionizing business. In: Harvard Business Review, 2014.

LaValle, S., Lesser, E., Shockley, R., Hopkins, M. S., & Kruschwitz, N. (2010). Big Data, Analytics and the Path from Insights to Value. In: MITSloan Management Review, December.

McAfee, A., & Brynjolfsson, E. (2012). Big Data. The Management Revolution. In: Harvard Business Review, October.

Sanders, N. R. (2016). How to Use Big Data to Drive Your Supply Chain. In: California Management Review, 58(3), pp. 26-48.

 

Empfohlene weitergehende Internetquellen

Spencer, J. (2014). 5 Ways Marketers Can Actually Use Big Data.
https://www.salesforce.com/blog/2014/11/5-ways-marketers-can-actually-use-big-data-gp.html

Goodwin, T. (2016). The Dark Side of Big Data.
http://www.forbes.com/sites/tomfgoodwin/2016/07/14/the-dark-side-of-big-data/#1123341d38a2

Schmitt, S. (2016). Schöner smarter Staat.
http://www.zeit.de/2015/51/big-data-smartphones-gesellschaft-staat-digital

Marcus, G., & Davis, E. (2014). Eight (No, Nine!) Problems With Big Data.
http://www.nytimes.com/2014/04/07/opinion/eight-no-nine-problems-with-big-data.html?_r=0

Artz, M. (2016). Predictive Business Analytics.
http://blog.frankfurt-school.de/predictive-business-analytics/

 

Empfohlene Videos

[Doku 2017] *** Big Data Business Unsere Daten, das digitale Gold *** [HD] by Calvin Johnson (2017)
Eine gute Dokumentation über Big Data als das Gold des 21. Jahrhunderts

Richard David Precht - Big Data – Wer kontrolliert die digitalen Supermächte? by Bridget Michael (2017)
Eine philosophische Auseinandersetzung mit dem Begriff Big Data – ist alles ethisch, was technisch möglich ist? Eine wichtige Frage, mit der sich auch Marketers auseinandersetzen müssen

Why do companies use Predictive Analytics? by Frankfurt School of Finance & Management (2016)

Referenzen und weitere Quellen

Bridgwater, A. (2015). The Seven 'Simple' Steps To Big Data. Abgerufen auf http://www.forbes.com/sites/adrianbridgwater/2015/10/15/the-seven-simple-steps-to-big-data/#2a525caf7545

Burmann, C., Kleine-Kalmer, B., & Hemmann, F. (2013). Big Data, Big Impact? Anspruch und Wirklichkeit für die marktorientierte Unternehmensführung. Arbeitspapier Nr. 216. Bremen.

Columbus, C. (2016). Ten Ways Big Data Is Revolutionizing Marketing And Sales. Abgerufen auf http://www.forbes.com/sites/louiscolumbus/2016/05/09/ten-ways-big-data-is-revolutionizing-marketing-and-sales/#2d087d93115e

Demchenko, Y., Ngo, C., Laat, C. de, Membrey, P., & Gordijenko, D. (2014). Big Security for Big Data: Addressing Security Challenges for the Big Data Infrastructure. In: Secure Data Management. Springer, pp. 76–94.

DHL (2013). Big Data in Logistics: A DHL perspective on how to move beyond the hype. Abgerufen auf http://www.dhl.com/content/dam/downloads/g0/about_us/innovation/CSI_Studie_BIG_DATA.pdf

HBR. (2015). Beware Spurious Correlations. Harvard Business Review, June 2015 Issue.

HPE (2016). Cape2Cape 2.0: A Lab on 4 Wheels. Abgerufen auf http://www.swip.ch/hpe-explore-2016/pdf/sd/06_Cape2Cape.pdf

Kremer, R., & Stark E. (2016). Weltrekordfahrt als Digitalisierungs- und IoT-Modellfall. Abgerufen auf https://businessvalueexchange.com/de/2016/02/25/mit-digitalisierung-und-dem-internet-der-dinge-um-die-halbe-welt/

weiter zum nächsten Trend

Kommentare sind geschlossen