Aktuelle Herausforderungen im Datenkosmos

„Big Data“ und „Business Intelligence“

„Big Data“ und „Business Intelligence“ – zwei Buzzwords, die auf den ersten Blick wenig gemeinsam haben. Durch die Digitalisierung und Automatisierung von Geschäftsprozessen finden beide Begriffe allerdings zueinander. Da betriebliche Verfahren aufgrund der zunehmenden Datenmenge immer komplexer und schwerer kontrollierbar werden, helfen smarte Tools bei der Optimierung und Automation. Wie verarbeitet die Geschäftsanalytik heutzutage Daten? Wo liegen die Herausforderungen? Und welche Chancen bietet die digitale Ressource?

Informationen in Massen

Fahrzeugbewegungsdaten, Telekommunikationsdaten, Produktionsdaten – „Big Data“ sind Transaktionsdaten, die ständig in sehr großer Menge erzeugt werden, so groß, dass sie meist auf eigenen Servern nicht mehr gespeichert werden können. Um mit diesen Daten umzugehen, benötigen wir neuartige technische und rechnerische Verfahren. Sie werden auf verteilten Servern in einer Cloud gespeichert, also dezentral, und nur virtuell zusammengeführt, wenn einzelne Rechenoperationen dies erfordern. Business Intelligence (BI) ist das, was früher als „Berichtswesen“ bekannt war. Auf der Grundlage von Daten – ob intern anfallende oder extern erhobene – gilt es die für den Fachbereich relevanten Fragen zu beantworten. Moderne BI-Tools erhöhen dabei die Aktualität der Daten und ermöglichen im besten Fall sogar Echtzeitanalyse. Die Anforderungen müssen jedoch sorgfältig geplant werden, denn je nach interner Zielgruppe und Periodizität werden unterschiedliche Berichte benötigt, und nicht immer geht es dabei um Geschwindigkeit. So erhält das Management vielleicht einen Wochenbericht zu den wichtigsten Indikatoren zum Zustand des Unternehmens, wie beispielsweise Umsatz, Absatz, den Rentabilitätskennzahlen, und das im Vergleich zur Vorperiode. Während die Produktion hingegen einen täglichen, vielleicht stündlichen Bericht zur Ausschussrate, Geschwindigkeit oder etwa der Stückzahl benötigt.

Big Data meets Business Intelligence und Data Science

Beide Stichworte haben nur indirekt etwas miteinander zu tun, nämlich dann, wenn Big Data für Business Intelligence genutzt wird. Dann braucht es – zumindest zum erstmaligen Aufsetzen – spezielles Know-how. Die weitere Nutzung kann im Verlauf aber gut in die Hände des Fachbereichs übergeben werden, da es komfortable BI-Werkzeuge mit intuitiver Benutzeroberfläche zur Erstellung von Visualisierungen gibt. Allerdings steckt dahinter ein meist hochkomplexes Datenmodell und System von Metriken, die sich einem Laien nicht auf den ersten Blick erschließen. Es empfiehlt sich also durchaus, ein Initialisierungsprojekt an einen externen Berater zu vergeben, der dank seiner Erfahrungen aus anderen Unternehmen einen geschulten, aber unvoreingenommenen Blick mitbringt und diese grundlegenden technischen und logischen Strukturen aufbaut und die Fachabteilung bei den ersten Berichten unterstützt. Ziel sollte es aber auf jeden Fall sein, dass dieses Wissen auch in die Organisation hineingetragen wird. Der Berater sollte also mindestens einen Key User schulen, so dass er selbst nach zwei, drei Monaten nicht mehr benötigt wird.

Führt allerdings der Weg einen Schritt weiter in Richtung Data Science, und dort liegen eigentlich die wahrhaft neuen Potenziale der Big Data, bedarf es dazu langfristig solider mathematischer, statistischer und programmiertechnischer Kenntnisse. Bei Data Science geht es zum Beispiel um Vorhersagen von Kundenabwanderungen, Früherkennung von Trends, Generierung von Cross- und Upselling-Vorschlägen, Optimierung der Customer Journey, Scoring von Interessenten, Klassifizierung von Kundenpotenzialen – und vieles mehr. Die Algorithmen dafür werden mit statistischen Verfahren ermittelt und in die internen Systeme implementiert (zum Beispiel ein Scoring-Algorithmus wird in das Kampagnenmanagement implementiert, so dass die Selektion für bestimmte Kampagnen darauf zugreifen kann). Wenn die Daten es zulassen, kann sogar künstliche Intelligenz zum Einsatz kommen – dann werden sogenannte selbstlernende Algorithmen implementiert. Damit wäre man dann beim Machine Learning. Im Grunde sind die statistischen Algorithmen sogar etwas robuster gegenüber mangelnder Datenqualität als die Business Intelligence. Denn im letzteren Fall geht es ja um exakte Zahlen, die jederzeit und unter jedem Blickwinkel konsistent sein müssen; während die Data Science immer nur Schätzwerte liefern kann. Natürlich leben aber alle Anwendungen von der Qualität der zugrundeliegenden Daten. Man kann die schönsten Modelle rechnen und die interaktivsten und aktuellsten Grafiken bauen – all das nützt dem Geschäft gar nichts und kann sogar richtig schädlich sein, wenn es auf falschen Annahmen basiert. Daten müssten erst einmal zugänglich, korrekt, vollständig, aktuell und relevant sein, um nur die wichtigsten Anforderungen zu nennen.

Von Silodenken und anderen Hindernissen

Der Zugang zu Daten ist vielleicht die höchste Hürde dabei. Denn Daten fallen in verschiedenen Systemen an und werden dementsprechend an unterschiedlichen Orten abgespeichert. Ein Beispiel: Die Buchhaltung hat die Stammdaten der Kunden in der Debitorenliste, die Transaktionen im Hauptbuch und die Lieferanten in den Kreditoren. Jeder im Vertrieb führt wahrscheinlich eine Excel-Liste, damit ihm keiner über die Schulter schauen kann, vor allem nicht das Marketing. Das wiederum hat Marktforschungsdaten in der Schublade, die nicht mit den Online-Nutzungsdaten zu verknüpfen sind. Und der Einkauf weiß als einziger, welche Rabatte er bekommen hat. Um die Daten nun wirklich intelligent zu nutzen, etwa für einen Bericht oder eine einzelne Analyse, gilt es, sie zusammenzuführen, zum Beispiel in einem Data Warehouse oder auch in der Cloud.

Das zweite Problem liegt oft im Management. Wenn dies nicht sieht, auf welchem Schatz das Unternehmen sitzt, scheut es womöglich die Investition in Beratung, aber auch den Aufbau eines internen Teams. Somit existiert keine zentrale Rolle, die ein Mandat für die Pflege aller Daten hat, und es bleibt bei der verstreuten und fragmentierten Datenlandschaft. Eine perfekte Sackgasse. Als Chance betrachtet kann man aber vielleicht sagen, dass wenn die Entscheidung für professionelles Datenmanagement und konsequente Nutzung in der Business Intelligence gefallen ist und mitgetragen wird, die übrigen Datenqualitätsprobleme vergleichsweise leicht zu überwinden sind.

Aus Daten wird Wissen

Vielleicht fragen Sie sich jetzt „OK alles schön und gut, aber wofür brauche ich das denn eigentlich wirklich? Also so im echten Geschäft?“

Zum einen sind intelligent genutzte Daten gleichbedeutend mit Wissen. Selbst wenn wir jetzt einmal bei den bodenständigeren Business Intelligence Anwendungen bleiben, ist das sowohl operativ im Tagesgeschäft als auch für die Strategie Gold wert. Was bedeutet es denn, wenn ich weiß, dass ich einen Marktanteil von 25 Prozent besitze und damit Marktführer bin, und mein nächstbester Wettbewerber 18 Prozent? Es beeinflusst unmittelbar meine Marktstrategie! Wertvoller geht es wohl kaum. Oder: Mit welchen Kunden (genauso: Produkten, Regionen, Mitarbeitern, Vertriebskanälen) mache ich wie viel Prozent meines Umsatzes / Absatzes / Deckungsbeitrags und wie bewegt sich dieses Verhältnis über die Zeit? Werde ich nach Corona noch das gleiche Kundenportfolio haben? Wer sich dessen für das Jahr 2021 bewusst ist, hat sich einen entscheidenden Vorteil verschafft. Und das sind beliebige, auf der Hand liegende Beispiele. Aber auch operativ können Unternehmen natürlich nicht genug an der Datenqualität arbeiten. Oft muss man sich das Negativbeispiel vor Augen führen – Datenqualität erkennt man manchmal erst, wenn sie fehlt: Kennen Sie diese netten Emails, die mit „Sehr geehrte(r) [Nachname]“ anfangen? Lesen Sie die? Das ist das, was mit der Serienbrieffunktion passieren kann. Es wirkt einfach extrem unseriös, besonders im B2B-Vertrieb, der ja nochmal stärker auf der persönlichen Beziehung aufbaut. Außerdem bedeutet ein gepflegter Datenbestand natürlich auch weniger Fehler im Betrieb. Weniger Fehlbuchungen, versehentlich falsche Preise, falsche Prospekte, Produktionsmängel, vergessene Weihnachtskarten, im Ergebnis ganz handfest verpasste Geschäftschancen… Die Liste ist so lang wie ein Excel Sheet. Nahezu unendlich.

Beitragsbild Quelle: ©iStockphoto.com/NicoElNino