Zehn Big-Data-Irrtümer: Für wen die Wunderwaffe wirklich taugt

Klaas Bollhöfer , Chief Data Scientist beim Datendienstleister The Unbelievable Machine Company    sieht beim Blick in die Auftragsbücher, dass Big Data nicht nur Hype ist, sondern Realität: "Seit zwei Jahren wird darüber geredet - und wir spüren seit einem Vierteljahr, dass die Nachfrage nach Big-Data-Projekten steigt. Es gibt Budgets in den Unternehmen und langfristige Projekte werden initiiert." Doch die nahezu magisch anmutenden Versprechungen rund um Big Data scheinen viele Onlinehändler und andere im Internet aktiven Unternehmen weniger zu verzaubern - als vielmehr zu verunsichern und unter Druck zu setzen.

Umfragen bestätigen, dass Shops und Marken oft vor lauter Umsetzungshürden keine Big-Data-Strategie entwickeln können oder aber schlicht planlos sind, was sie mit den Daten anstellen sollen. Und selbst für Firmen, die frohen Mutes den Big-Data-Dienstleister ins Haus laden, kommt oft das böse Erwachen - wenn die gesammelten Daten sich als Kernschrott entpuppen, was nicht allzu selten vorkommt. Klaas Bollhöfer: "85 Prozent der Arbeit eines Data Scientists sind das Aufbereiten und Reinigen von Daten - dreckige Daten zu reinigen und in verwertbare zu transformieren."

Die Erfahrung aus den Unternehmen zeigt: Big Data ist operativ und strategisch herausfordernder als viele Marketingentscheider meinen und nur schwer in die Prozesse zu integrieren. Hoffnung und Realität liegen in Sachen Big Data weit auseinander, vor allem zehn Irrtümer sind bei den Projekten weit verbreitet:

Irrtum eins: 'Ich habe ausreichend Daten'

Oftmals sind die Datenberge, die Shops dem Big-Data-Dienstleister liefern unzureichend: Die relevante Info steckt einfach nicht drin - und rausholen lässt sich nur, was drin steckt. Was banal klingt, ist immer noch einer der verhängnisvollsten Fehler: Weil keiner vorher die Frage formuliert hat, die der Shop mit den Daten beantworten will, steckt die Antwort meist auch nicht drin.
Lösung: Rückwirkend gibt es keine Lösung, doch mit Blick auf die Zukunft sollten Shops die Frage definieren, die sie beantworten wollen und dann dafür die Daten sammeln. Größere Shops mit mehr Budgets sollten sich in Sachen Data Warehousing beraten lassen, um wirklich alle relevanten Daten verwertbar zu konservieren.

Irrtum zwei: 'Diese Daten benötigen wir bestimmt nie wieder!'

Big Data hat ein eingebautes Problem: Um herauszufinden, was ein Shop künftig machen soll, braucht es Daten aus der Vergangenheit. Man hätte also schon vor Jahren wissen müssen, dass man die Daten, die man da so eifrig sammelt und die jede Menge teuren Speicherplatz fressen, eines Tages mal benötigt. Da man es nicht wusste, hat man den ganzen vermeintlichen Datenmüll aber gelöscht. Und steht nun mit leeren Händen da.
Lösung: Neustarten: Relevante Fragen definieren, dafür die Daten neu und strukturiert sammeln, am besten mit Expertenanleitung.

Irrtum drei: 'Ich liefere viele Datentöpfe. Der Experte kann die dann ja zusammenschütten!'

Selbst wenn alle relevanten Daten vorliegen, können sie dennoch nutzlos sein: Nämlich wenn sich keine Verbindungen herstellen lassen. Ein Autohersteller etwa weiß vielleicht, was seine Kunden online getrieben haben, vom Erstkontakt bis zum Moment, da der Lead glühend heiß wird. Und er weiß, wer in welchen Filialen ein Auto gekauft hat. Aber die Datenkette zwischen on- und offline ist unterbrochen; es ist unmöglich herauszufinden, welcher Online-Lead zum Offlinekäufer wurde.
Lösung: Zerrissene Datenketten müssen strategisch repariert werden. Im Auto-Beispiel müsste der Hersteller den Lead massiv dazu auffordern, via Web einen Termin beim Händler zu vereinbaren, schon ist die Kette wiederhergestellt.

Irrtum vier: 'Daten liefern eindeutige Handlungsanweisungen'

Es ist das geringere Problem mittels Analyse etwas herauszufinden - etwa dass alle Mitbewerber ihre Newsletter gegen neun Uhr mailen. Doch diese Tatsache in eine Handlungsanweisung zu übersetzen ist die Kunst: Sendet man nun bewusst vor neun? Oder auch um neun, da es ja alle anderen auch tun?
Lösung: Eine von vielen möglichen Schlussfolgerungen aus den Daten einfach ausprobieren. Klappt? Gut. Klappt nicht? Andere Konsequenz ziehen und ausprobieren. AB-Tests sind hier hilfreich. Stephan Reimann, Spezialist für Big Data und Data Warehouse bei IBM   sagt: "Jede gewonnene Erkenntnis sollte man mit Tests entweder bestätigen oder widerlegen, das sollte zum Standard gehören."

Checkliste: Vier kritische Faktoren für eine Big-Data-Strategie

In Sachen Big Data macht nichts so sehr den Erfolg aus, wie der Business Case - Shops müssen sich die Frage stellen, was sie mit Big Data eigentlich herausfinden wollen und inwiefern sich dadurch Prozesse optimieren, Margen erhöhen oder Umsätze steigern lassen. Vier Faktoren sind kritisch, sagt Daten-Experte Heiko Miertzsch. Umsetzbarkeit: Kann man Analyseergebnisse überhaupt umsetzen? Angenommen, ein Shop identifiziert verschiedene Kundengruppen auf der eigenen Webseite - kann er sie überhaupt ansprechen und das Wissen um die Zielgruppe ausnutzen? Problemdefinition: Ein Shop muss in der Lage sein, eine genaue Frage an die Analyse zu stellen, auf die hin die Daten dann durchforstet werden. Einfach mal schauen, was drinsteht, funktioniert nicht. Es sollte einen Wunsch, ein Problem geben, das die Daten lösen können, sonst wird nur in den Nebel geschossen. Datenmengen und -qualität: Sind die Daten strukturiert, vernetzt, präzise? Liegen sie in ausreichender Menge über einen ausreichend langen Zeitraum vor? Wenn nein, wird eine Analyse nur Quatsch zutage fördern. Technisch-rechtliche Stabilität des Umfeldes: Darf ich machen, was ich vorhabe, oder steigt mir die Datenschutzbehörde auf's Dach? Kann ich sicherstellen, dass die Schnittstellen, die mir Daten liefern fortbestehen werden? Ändert beispielsweise ein soziales Netzwerk seine ADBs und liefert keine snychronisierbaren Daten mehr, reißt meine Datenkette ab. Big Data muss aber nicht bedeuten, sämtliche Vorgänge im Shop zu messen und zu analysieren. Es kann genau so gut punktuell eingesetzt werden, um sich vom Wettbewerb abzuheben. Beispiel: Ein Shop stellt fest, dass die Konkurrenz Probleme mit der Logistik hat. Er durchleuchtet daraufhin seine Prozesse gezielt nach Verbesserungspotenzial bei Versand, Lieferung, Retouren mithilfe von Big Data. Sobald die Verbesserungen fruchten, positioniert er sich offensiv im Marketing über den Vorsprung, den er so gegenüber dem Wettbewerb erzielt hat.

Irrtum fünf: 'Es gibt Wettervorhersagen und Amazons berühmte Empfehlungen: Da sieht man, dass das doch so schwer nicht sein kann!'

Wie kompliziert es ist, Big Data in operatives Tagesgeschäft umzusetzen, zeigen zwei andere Business Cases, die auf großangelegter Datenanalyse basieren: Die Wettervorhersage und Amazons berühmtes Empfehlungssystem ('Kunden die das gekauft haben, kauften auch...'). Denn beide funktionieren erschreckend oft überhaupt nicht. Jeder Amazon-Nutzer weiß, wie oft der Shopriese uninteressante Produkte empfiehlt und jeder Mensch weiß, wie oft die Wettervorhersage in Teilen oder komplett daneben liegt. "Die Wettervorhersage ist tendenziell genauso schwer vielleicht sogar einfacher als die von Shops ersehnte Vorhersage von Konsumentenverhalten", sagt Heiko Miertzsch, Geschäftsführer/Managing Director bei der auf Datenanalyse spezialisierten Unternehmensberatung Eoda GmbH  . "Und hinter dem Wetter steckt ein enormer Business Case - da werden Unsummen für IT, Modellierungen, Messungen und Daten ausgegeben. Und trotzdem stimmt es oft nicht."
Lösung: Den Aufwand nicht unterschätzen - und sich vor allem als mittlerer bis kleiner Shop nicht an Erfolgsgeschichten messen, hinter denen sich Milliarden Dollar verbergen.

Irrtum sechs: 'So viel kann das ja nicht kosten - die Daten liegen doch hier 'rum!'

Ja, die Daten liegen da herum. Und sogar in nicht strukturierten Datenbergen liegen oft wertvolle Erkenntnisse versteckt. Unabhängig von der Datenqualität muss man bereit sein, Geld auszugeben und auch ein Risiko einzugehen, sagt Heiko Miertzsch: "Dann muss ein Mitarbeiter abgestellt werden, der in Handarbeit Datamining betreibt, das kostet Zeit und Geld. Und man muss das Risiko aushalten, dass er am Ende sagt. 'Sorry, es ist nichts Verwertbares dabei herausgekommen.'"
Lösung: Nutzen eines Erfolgs und Kosten eines Fehlschlags kalkulieren, abschätzen, ob es sich lohnt - dann machen oder lassen.

Irrtum sieben: 'Am Ende werden die Konsumenten es honorieren, wenn wir ihnen mit Datenanalyse tolle Angebote machen'

In der Digitalisierung hängt die Industrie die Gesellschaft hin und wieder ab. Sprich: Nicht alles, was technisch geht, ist auch erwünscht. Sobald ein Kunde merkt, dass ein Shop ihn datentechnisch so gut es nur geht vermisst, kann dies Ressentiments hervorrufen. "Das kann durchaus darin resultieren, dass der Kunde abwandert und seine Waren bei einem Shop bestellt, der die Daten sensibler handhabt.", sagt Heiko Miertzsch.
Lösung: Realistisch sein. Analysen dosieren, anonymes Surfen zulassen.

Irrtum acht: 'Datenschutz? Pfff. Langweilt mich nicht mit sowas.'

Big Data kann schnell in schwierige Gewässer führen. Physische Adressen und IP-Adressen für Crossmedia-Werbestrategien zusammenzubringen ist für manche Konzerne durchaus machbar: Verlage, große Logistiker oder Amazon könnten das durchaus und Onlinebanner mit physischen Werbesendungen kombinieren. Doch der gläserne Nutzer, der dabei herauskäme, würde Datenschützer alarmieren - von den Nutzern zu schweigen.
Lösung: Nicht alles was machbar ist, darf man machen. Fragen Sie Ihren Anwalt.

Irrtum neun: '... jetzt müssen nur noch alle Abteilungen an einem Strang ziehen.'

Abteilungen sind Unternehmen im Unternehmen. Man darf bloß nicht die Erkenntnis erwarten, dass etwa die IT bereitwillig Daten ans Marketing rausrückt, nur weil das langfristig aller Jobs sichert. "Da geht im Handumdrehen das Silodenken los", sagt Klaus Kuenen, Experte für Digitale Strategien.
Lösung: "Das Management muss sich als Stakeholder positionieren und klarstellen, dass das jetzt durchgezogen wird."

Irrtum zehn: 'Amazon macht das - also brauchen wir das auch.'

Amazon ist ein Internetriese mit enormen Umsatzvolumina, Traffic und Datenbergen, von denen die meisten Shops nur träumen können. Das nachbauen zu wollen muss im Scheitern enden. "Hinzu kommt: Amazon lebt als Unternehmen und Marke von Innovation, das liegt in seiner DNA", sagt Klaus Kuenen. "Daher muss Amazon auch bei Big Data mehr Dampf machen als der Rest der Welt. Das aber zu imitieren ist wenig ratsam."
Lösung: Manchmal ist das Verzichten auf eine Big-Data-Strategie besser als eine Big-Data-Strategie mit der Brechstange einzuführen. "'Wer bin ich?' und 'Was tue ich?'; 'Gibt es in meinem Geschäftsmodell überhaupt Anwendungsszenarien für Big Data' - das müssen Shops sich fragen bevor sie Big Data betreiben", sagt Heiko Miertzsch. "Falls es in Frage kommt, gehen die Fragen weiter: 'Was kann ich als Shop überhaupt leisten?'; 'An welcher Stelle passt Big Data in meine Gesamtstrategie?'"

---

Whitepaper: Big-Data-Projekte erfolgreich realisieren

Dieses Whitepaper beantwortet Marketing- und Vertriebsentscheidern sowie CEOs/CMOs/CTOs mittlerer und großer Unternehmen die wichtigsten Fragen für den Einstieg in "Big Data", welcher Lösungsansatz ihre Big-Data-Aufgaben erfüllt und ob die Open-Scource-Lösung "Hadoop 2" hierfür geeignet ist.

---

Die Big-Data-Erfahrungen der Vergangenheit zeigen vor allem eines: Auf Big Data zu verzichten kann eine ebenso große Leistung sein, wie die Installation einer Strategie. Künftig wird die Integration von Big-Data weitergehen: Besonders in der Prozessoptimierung wird sie eine noch größere Rolle spielen. Wie es weitergeht, geben vor allem fünf Trends vor.

Wie es mit Big Data weitergehen wird - Fünf Trends

"Big Data ist ein unaufhaltsamer Trend. Irgendeiner meiner Konkurrenten wird sich damit befassen und mich vielleicht so abhängen - daher besteht Handlungszwang" lautet die Prognose von Heiko Miertzsch. In den kommenden Jahren werden vor allem fünf Trends die Entwicklung bestimmen.

Trend eins: Granulare Out-of-the-box-Lösungen
Für spezielle Analysen wird es immer präzisere Lösungen geben, die Shops ohne einen Experten oder Hilfe von außen installieren können. Auf diese Weise werden häufige Probleme von vorgefertigten Softwarelösungen abgedeckt, sobald die Mechanismen dahinter ausgereift sind. Folge: Immer mehr Shops können bei Big Data mitspielen.

Trend zwei: Lernende Maschinen
Einer der nächsten Schritte in den kommenden Jahren wird die intelligente Analyse-Lösung sein. Beim Machine Learning lernen Programme aus Datenbergen selbstständig Muster zu erkennen und entsprechend zu handeln. Ein Einsatzfeld etwa wäre das Durchforsten von Transaktionsdaten nach Optimierungspotenzial - die Lösung erkennt beispielsweise selbst, wann und wieso Zahlungsausfälle entstehen.

Trend drei: Kaufwahrscheinlichkeiten
Ein besonders heißes Feld beim maschinellen Lernen wird das Erlernen von Kaufwahrscheinlichkeiten sein: Shops füttern Big-Data-Lösungen mit Daten und die Lösungen bilden daraus Käufergruppen, denen sie Kaufwahrscheinlichkeiten zuzuordnen lernen.

Trend vier: Big Data wird zum Schäfer an einer virtuellen Grenze
"Besonders attraktiv wird Big Data für Publisher, die ein Hoheitsgebiet aus mehreren Webseiten besitzen - etwa die großen Verlage", glaubt Klaas Bollhöfer. Hier wird Big Data dazu benutzt werden, die Nutzer innerhalb des eigenen Ökosystems aus Webseiten zu halten: Werbung, individuell generierte Links und Content-Targeting etwa führen den Nutzer immer wieder von einer Seite zur nächsten im eigenen Publishing-Portfolio. Big Data wird der Schäfer, der die Nutzer gewaltfrei am Verlassen des Ökosystems hindert.

Trend fünf: 'Wann?' statt 'was?'
Die Fokussierung beim Targeting wird sich ändern. Statt zu fragen, was man einem potenziellen Käufer zeigt, wird die Frage wichtiger, wann man es ihm zeigt, um ihn im Stadium maximaler Kaufbereitschaft zu erwischen, in den Mittelpunkt rückt die Optimierung des Timings im Rahmen der Customer Journey statt die Individualisierung der Botschaft.

Vor diesem Hintergrund bieten sich vier Szenarien als wahrscheinlich für die Big-Data-Zukunft in Deutschland an.