Big Data: Sieben Strategien, die auch bei kleinen Unternehmen funktionieren

Big Data ist weit mehr als eine Technikmode. Daten als eine - wenn nicht sogar als DIE Ressource - des eigenen Unternehmens zu verstehen, verändert Geschäftsprozesse grundlegend. Und macht sie erfolgreicher. Das belegen zunehmend mehr der von der Branche so geliebten Sucess-Stories: Mehr als die Hälfte der Unternehmen (56 Prozent), die Big Data nutzen, verzeichnet heute daraus bereits Geschäftsvorteile, zeigt eine von Forrester   in Westeuropa durchgeführte Studie.

74 Prozent erwarten sogar, dass sich aus Big Data gezogenes Wissen innerhalb von zwölf Monaten nach Implementierung positiv auf ihren Return of Investment (ROI) auswirkt. Doch in Sachen Big-Data-Kompetenz haben die meisten Firmen noch akuten Nachholbedarf: Die Studie zeigt, dass nur 20 Prozent der Befragten eine hohe Kompetenz im Umgang mit Big Data an den Tag legen. 31 Prozent hingegen, die Daten-Nachzügler, bleiben klar hinter ihren Erwartungen zurück. Die meisten, nämlich 49 Prozent, stehen zwischen diesen zwei Gruppen und werden als Daten-Entdecker definiert.

Vielen Unternehmen, allen voran, denen, die bisher die Finger von professioneller Datenanalyse gelassen haben, fehlt es an Orientierung. So fand das Business Application Research Center (BARC) in einer Studie heraus, dass 66 Prozent der deutschen Unternehmen Big Data als 'nicht so wichtig' erachten. Hingegen werden die Themen Datenintegration, Data Warehouse und Datenarchitektur von je 90 Prozent der Befragten als kritische oder wichtige Themen bezeichnet. Damit haben diese Unternehmen den ersten Schritt bereits getan. "Die Mehrzahl der Fachbereiche befindet sich jedoch noch in der Findungsphase zugehöriger fachlicher, analytischer Anwendungsfälle, die sich von den bekannten einfachen Anwendungen und Anbieterversprechen emanzipieren", hat Robert Hänsel, Big-Data-Analytics-Experte bei Sopra Steria Consulting  , beobachtet.

Für die Suche nach analytischer Anwendungsfällen gibt es ein strategisches Vorgehen. iBusiness hat in Zusammenarbeit mit Big-Data-Experten sieben Schritte formuliert, mit denen Unternehmen sinnvolle Big-Data-Einsatzgebiete identifizieren - und ihre professionelle Datenstrategie so gewinnbringend auf den Weg bringen.

Sieben Strategien, mit denen Sie zukünftige Big-Data-Anwendungsszenarien identifizieren

1. Pilotprojekt: Einfach mal loslegen

Es gibt kein 100-prozentiges Erfolgsrezept für Big-Data-Projekte. Statt dessen sollte man zu Beginn einfach mal verschiedene Dinge ausprobieren. "Der erste Schritt hin zu dem Thema Big Data ist für viele Menschen vermutlich ein psychologischer", hat Heiko Miertzsch, Geschäftsführer der Kasseler Data-Science- und Business-Intelligence-Beratung Eoda   beobachtet. "Man muss sich seiner Mathematik- und Statistik-Phobie stellen und sich auf Zahlen und Analysemethoden einstellen."

Für den Start reicht erst einmal ein überschaubarer Datenextrakt, den man zu einem bestimmen Thema analysieren kann - eine Art Pilotprojekt. "Man sollte dazu drei signifikante Kernfragen formulieren", rät Dirk Radetzki, Area-Manager DACH von Teradata  . Das Unternehmen bietet Big-Data-Analyse-Lösungen unter anderem für Marketing Ressource Management, Crosschannel-Marketing, digitales Marketing, Marketing Analytics und Services. "Durch deren Bearbeitung und Beantwortung lassen sich in Zukunft Schritt für Schritt neue Fragen entwickeln und so neue Potenziale heben, die man vorher gar nicht gesehen hat. So wächst das Thema, indem man sich ihm langsam annähert."

Im ersten Schritt sind keine enormen Investitionen notwendig. Es reichen oftmals sogar Stift und Papier, sicher aber Excel oder andere einfach Tools, die das Unternehmen ohnehin zur Hand hat. Heiko Miertzsch: "Ich bin überzeugt, dass man jeden Big-Data-Use-Case mindestens als Prototyp mit lizenzkostenfreien Tools in Verbindung mit vorhandener Infrastruktur soweit modellieren kann, dass man erst später entscheiden kann, was an Analysetools noch beschafft werden muss." Denn irgendwann kann man die Datenanalyse mit einfachen Werkzeugen allein nicht mehr bewältigen. Stefan Scharein , Senior Sales Manager und Data Scientist bei Neofonie   , empfiehlt: "Die Open-Source-Plattform Apache Hadoop ist eine ideale generische Basis und ein guter Einstieg in Big Data, mit der man nichts falsch macht."

Ein klassischer Startpunkt ist zum Beispiel die Optimierung der IT-Infrastruktur. Damit schlägt man zwei Fliegen mit einer Klappe. Denn nebenbei bereitet man bereitet die Daten auf weitere Analysen vor, sagt John Kreisa, Vice President Strategic Marketing von Hortonworks  , Entwickler von Big-Data-Tools auf Basis von Apache Hadoop. "Dann können die Daten durch transformative Prozesse so bearbeitet werden, dass sie leichter zu analysieren sind und ihr Potenzial offenbaren." Eine erste Menge von Daten, mit der sie schnell loslegen könnten, hätten die meisten Unternehmen seiner Erfahrung nach bereits gesammelt und gespeichert.

Drei Typen von Big-Data-Entscheidern

Heiko Miertzsch von Eoda identifiziert drei Typen von Entscheidern in deutschen Unternehmen in Bezug auf die Herangehensweise an Big Data und bewertet sie: Die Macher sind sich sowohl der Chancen als auch der Risiken bewusst und fahren selektive Proof-of-Concept-Projekte, um weitere Erfahrungen mit Big Data zu sammeln und sich zu orientieren. "Sie fahren auf Sicht, wie es so schön heißt, und sind damit meist auch sehr erfolgreich." Die Architekten entwerfen ein großes umfassendes Big-Data-Szenario und stellen die Technologie in den Vordergrund. Die Ergebnisse kommen dann oft aus der Black Box, ohne dass die dahinter steckenden Details bekannt sind. "Das kann funktionieren, muss aber nicht, und ist oft mit hohen Kosten und langwierigen Entscheidungs-Prozessen verbunden." Die Bedenkenträger fahren dagegen gar nicht erst los und sind somit auch nicht orientierungslos, da sie kein Ziel verfolgen. "Risikoscheue Entscheider, die bei Big Data eher den Kopf in den Sand stecken, halten die Unternehmen damit in einer Art Schockstarre."

2. Trial and Error: Aus Fehlern lernen

Zum Ausprobieren gehört es, Fehler zu machen. Deshalb sollte die Trial-and-Error-Methode Teil des Big-Data-Konzepts sein. In der Tat sind diejenigen Big-Data-Verantwortlichen - die Macher - sehr erfolgreich, die sich der Chancen und Risiken bewusst sind und trotzdem progressiv verschiedene Strategien testen. Wichtig ist nur, die Fehler schnell zu beheben und aus ihnen zu lernen. Eine entsprechende Kultur, die das Scheitern akzeptiert, sollten Unternehmen dezidiert fördern.

Aus finanzieller Sicht können sich große Unternehmen das Scheitern vielleicht eher leisten als kleine. Dafür dürften kleine Unternehmen die Nase vorn haben, wenn es darum geht, Projekte schnell um zusetzen.

3. Probleme und Ineffizienzen identifizieren

Big-Data-Anwendungsfälle reichen von

1. effizienteren Unternehmensprozessen und
   
2. strategischem Marketing und besserer Kundenansprache über
   
3. Verbesserung der Produkte/Services bis hin zur
   
4. Identifizierung neuer Geschäftsmodelle.

Die einfachsten Anwendungen findet man, in dem man nach, erstens, ineffizienten oder problematischen Prozessen im Unternehmen sucht. Die gibt es überall und meist sind sie bereits bekannt, werden aber toleriert. Dirk Radetzki rät, sich die Leistungsindikatoren des Unternehmens vorzunehmen und zu überprüfen, wo es an den Schnittstellen zwischen den einzelnen Prozessen Defizite gibt. Er nennt ein Beispiel aus der Logistik. Hier lassen sich verschiedene Prozesse betrachten, die Verbesserungspotenzial aufweisen: Was kann aus Kostensicht verbessert werden, wie kann die Pünktlichkeit der Lieferung optimiert werden und wie wird die Leistung aus Marketing- und Vertriebssicht bewertet?

"Um herauszufinden, welche der Faktoren für das Unternehmen überhaupt das größte Verbesserungspotenzial bieten und wie die einzelnen Prozesse optimiert werden müssen, um die optimale Balance für alle drei Betrachtungsweisen herzustellen, sollte man ein Prozess- sowie sowie ein logisches Datenmodell entwickeln. Sie zeigen, wie die Prozesse und Daten miteinander in Verbindung stehen. Aus der Kombination beider entstehen oft viele Erkenntnisse." Wer an diesen Stellen ansetzt, erhält mit hoher Wahrscheinlichkeit einen erfolgreichen Business Case.

4. Die richtigen Fragen an die richtigen Leute stellen

Wer Einsatzgebiete abseits vom Offensichtlichem finden will, muss etwas tiefer graben. Und das am besten im ganzen Unternehmen. Deshalb sollten die Verantwortlichen mit unterschiedlichen Geschäftsbereichen zusammenarbeiten und theoretisch jeden einzelnen Mitarbeiter einbeziehen. Nur so lassen sich die Bereiche und Herausforderungen identifizieren, die von einer schnelleren Datenanalyse profitieren würden.

Grundsätzlich gibt es zwei Herangehensweisen, mit denen man Nutzungsszenarien entwickelt, erklärt Robert Hänsel: Beim Top-Down-Vorgehen passt man Anwendungen aus anderen Branchen oder von der Konkurrenz auf das eigene Unternehmen an. Alternativ orientiert man sich am Angebot von Big-Data-Anbietern und an den Anwendungen, die mit den Tools möglich sind. Beim Bottom-Up-Vorgehen schaut man sich die eigenen Daten an und überlegt sich auf deren Basis Nutzungspotenzial.

Auf der Suche nach Anwendungsfällen können sich Unternehmen und ihre Big-Data-Verantwortlichen folgende Fragen stellen:

Allgemeine Fragen:

• An welcher Stelle fallen Detaildaten an, deren schnelle Auswertung für das eigene Geschäft bisher nicht praktikabel war?
  
• Kann die Sicht auf bestehende Daten um zusätzliche operative Details erweitert werden, die bisher nur bei Spezialfragestellungen zur Geltungen kommen?
  
• Welche vorgefertigten Lösungsbausteine und Templates haben Big-Data-Anbieter im Portfolio?
  
• Welche Anwendungsfälle werden auf Big-Data-Veranstaltungen vorgestellt - gibt es hier Adaptionsmöglichkeiten?
  
• An welchen Stellen der Wertschöpfungskette ersetze ich heute schon menschliche Intelligenz durch Maschinen. An welchen Stellen kann ich das zukünftig tun?
  
• Welche zusätzlichen Algorithmen - zum Beispiel Maschine Learning, Natural Language Processing oder Statistik - können den Erkenntnis- und Entscheidungsprozess zusätzlich unterstützen?

Fragen im Bereich strategisches Marketing und bessere Kundenansprache:

• Können aufgenommene Daten um Kunden- und Marktsicht erweitert werden?
  
• Wie können noch detailliertere Nutzer-Profile erstellt werden, um ein personalisiertes Erlebnis zu schaffen und kaufwillige Nutzer zu identifizieren?
  
• Wie kann ich meine Kundendatenbank automatisieren und die Kosten für Gestaltung und Pflege reduzieren?
  
• Big Data heißt sehr oft Geschwindigkeitsgewinn bis hin zur Echtzeit. Wie beeinflusst diese Beschleunigung das Marketing?
  
• Existieren Big-Data-Anwendungsfälle in anderen verwandten Branchen, die erfolgreich sind - und gibt es eine Anpassungsmöglichkeit auf die eigene Branche?

Fragen im Bereich Produktverbesserung und Identifizierung neuer Geschäftsmodelle:

• Wie kann sich das eigene Geschäftsmodell in einer Welt hoher Transparenz und geringer Informationslatenz entwickeln?
  
• Kann die Ad-hoc-Verfügbarkeit und -Auswertbarkeit operativer Daten die eigenen Entscheidungsprozesse beeinflussen?
  
  

  Bild: Neofonie

  Stefan Scharein, Neofonie

• Wie würden sich Prozesse gestalten, wenn die Auswirkung von Entscheidungen in Simulationen und Szenarien im Detail prüfbar wäre?
  
• Könnten eigene Produkte und Dienstleistungen auf Basis schnell verfügbarer Detaildaten zum Kunden noch weiter verfeinert werden?

Bei all dem Optimierungspotenzial sollten Unternehmen immer die Customer Jurney in die Überlegungen einbeziehen. "Sie ist ein zentraler Aspekt, denn immer wenn der Endkunde bessere Leistungen und Produkte erhält oder bessere Services genießt, steigert das direkt den Wert der angebotenen Waren und Services", sagt Stefan Scharein. Dabei helfe eine serviceorientierte Sichtweise, um neue Leistungen und Geschäftsfelder zu identifizieren, sowie ein Blick dafür, wie das Unternehmen zusätzliche Dienste für seine Kunden zur Verfügung stellen kann. Heiko Miertzsch fügt hinzu: "Am Ende liegt der Schlüssel in der Kreativität der Mitarbeiter, das richtige Thema mit einem passenden Business Cases auszuwählen, sowie in der Unterstützung der Unternehmensleitung, das Projekt dann auch umzusetzen."

5. Erfolgversprechende Anwendungsszenarien identifizieren

Hat man sich erst einmal eine Anwendung ausgedacht, stellt sich die Frage, ob er auch umsetzbar ist und sich insgesamt für das Unternehmen rentiert. Diese Frage lässt sich beantworten, indem man die folgenden Faktoren abwägt:

Problemdefinition: Ein Unternehmen 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", weiß Heiko Miertzsch. Es sollte einen Wunsch, ein Problem geben, die die Daten lösen können.

Umsetzbarkeit: Kann man Analyseergebnisse überhaupt umsetzen? Angenommen, ein Händler identifiziert verschiedene Kundengruppen auf der eigenen Webseite - kann er sie überhaupt ansprechen und das Wissen um die Zielgruppe ausnutzen?

Preis und Leistung: "Das Kosten-Nutzen-Verhältnis auszuwerten, stellt einen guten Weg dar, um zu beurteilen, ob ein Modell sinnvoll ist", beschreibt John Kreisa. Dafür sollten die Investitionskosten am Anfang niedrig sein, was zum Beispiel mit einer Open-Source-Software gelingt. "Zum Beispiel im Fall von Hadoop überschätzen viele Unternehmen die Initial-Kosten um den Faktor zehn." Die Kosten müssen in Relation zu den Chancen hinsichtlich Mehr- und Zusatz-Umsatz gesetzt werden. Diese lassen sich anhand von KPIs bewerten. "In der Regel liefern alle Big-Data-Lösungen im Betrieb eine Vielzahl an neuen KPIs, mit denen sich der Erfolg einer Lösung sehr schnell bewerten lässt", sagt Stefan Scharein.

Datenmengen und -qualität: Sind die Daten strukturiert, vernetzt, präzise? Liegen sie in ausreichender Menge über einen ausreichend langen Zeitraum vor? Wenn nein, werden die Ergebnisse nicht signifikant und damit nicht aussagekräftig. Gleichzeitig müssen sie leicht zugänglich sein. "Außerdem stellt sich die Frage, welche Daten das Unternehmen von Dritten zukaufen muss, wie Wetter, Nachrichten oder Scoring-Daten, und was das kostet", erinnert Stefan Scharein. "Hier erlebt man in der Praxis oft unangenehme Überraschungen."

Technisch-rechtliche Stabilität des Umfeldes: Darf ich machen, was ich vorhabe, oder gibt es rechtliche Probleme mit dem Datenschutz? Kann ich sicherstellen, dass die Schnittstellen, die mir Daten liefern, fortbestehen werden? Heiko Miertzsch nennt ein Beispiel: "Ändert beispielsweise ein soziales Netzwerk seine AGBs und liefert keine snychronisierbaren Daten mehr, reißt meine Datenkette ab."

Die wirtschaftliche Bewertung von Big-Data-Anwendungsszenarien kann sich von Unternehmen zu Unternehmen unterscheiden. "Um die richtigen Entscheidungen zu treffen, braucht man schon gewisse Entrepreneur-Skills" sagt Dirk Radetzki. Bei mancher Anwendung dagegen liege das Erfolgspotenzial auf der Hand: Zeitkritische Projekte und hohes Optimierungspotenzial sind zwei Faktoren, die mit relativer Sicherheit ein erfolgversprechendes Nutzungsszenario identifizieren.

6. Die richtigen Leute beauftragen

Erfolgreiche Big-Data-Anwendungen entstehen nur, wenn das verantwortliche Team die notwendigen Kompetenzen aufweist und über die entsprechenden Kapazitäten verfügt. Das ist gerade in Zeiten des Fachkräftemangels - besonders unter Data Scientists - eine Herausforderung. Denn die Analysten müssen sich nicht nur mit Daten auskennen, sondern genauso gut mit den Business-Prozessen, gibt Dirk Radetzki zu bedenken: "Schließlich lautet ihre Aufgabe, die Daten mit der Geschäftslogik in Einklang zu bringen." Solche Mitarbeiter gibt es nicht zuhauf. Deshalb rät er Unternehmen, auch die eigenen Mitarbeiterreihen nach geeigneten Kandidaten zu durchsuchen. "Durch den digitalen Wandel setzen wir uns alle mehr mit Daten auseinander und werden versierter auf dem Gebiet. Dadurch lassen sich immer häufiger Menschen mit entsprechenden analytischen Fähigkeiten finden, die Interesse an dem Thema haben." Diese kann man durch Schulungen weiterentwickeln.

Wenn selbst das den Mangel an Personal in der Data-Science-Abteilung nicht löst, greift man auf externe Unterstützung zurück. Das lohnt sich vor allem "in der Startphase", sagt Robert Hänsel, "um den internen Ressourcen- und Erfahrungsaufbau zu beschleunigen". Zum Beispiel von Beratungsunternehmen, externen Dienstleistern oder freien Daten-Experten. Aber: Da Daten zum einen zum Kerngeschäft eines jeden Unternehmens gehören und zum anderen enorme Geschäftspotenziale bieten, raten die Experten, die Datenanalysen langfristig wieder ins Unternehmen zu holen.

Wer jetzt noch Aufträge nach außen vergibt, sollte sich gleichzeitig um den Aufbau der eigenen Kompetenzen kümmern. Mitarbeiter schulen, Auszubildende einstellen, Absolventen rekrutieren. Das müssen nicht immer Informatiker und Physiker sein, wie Neofonie berichtet: "Bei Neofonie beschäftigen wir Wissenschaftler aus fast allen Studiengängen, von Medizin über Biologie, Physik und Chemie. In Big-Data-Projekten haben sich Zweier-Teams aus einem Naturwissenschaftler und einem Informatiker sehr bewährt, um sowohl analytische und IT-Kenntnisse einzubringen", erzählt Stefan Scharein.

7. Eine Datenkultur schaffen

Die Kreativität der Mitarbeiter in Sachen Big Data fördern Unternehmen nur, wenn sie das Thema bedingungslos unterstützen: "Unternehmen müssen eine Kultur entwickeln, die Daten zum Teil der Unternehmensstrategie macht", fordert Dirk Radetzki. Gleichzeitig sollten sie Erneuerungen und Veränderung ermöglichen und besser noch unterstützen. Und Scheitern darf kein Tabu-Thema sein, denn es gehört vor allem zu den Anfängen dazu.

Big Data sollte nicht von der Chefetage aufoktroyiert werden, sondern auch von unten nach oben wachsen. "Gerade traditionelle Unternehmen müssen darauf achten, die einzelnen Mitarbeiter, auch wenn sie weniger digital- und datenaffin sind, in ihrer Big-Data-Bewegung mitzunehmen." Schließlich ist langfristig jeder einzelne gefragt, dabei mitzuhelfen, Verbesserungspotenziale und Anwendungsfälle zu identifizieren.