In modernen Volkswirtschaften haben Daten als Faktor in der Herstellung und Anwendung von Gütern und Dienstleistungen enorm an Bedeutung gewonnen. Daten leisten in unterschiedlichen Branchen und in unterschiedlichen Unternehmensfunktionen einen wichtigen Beitrag zur Wertschöpfung. Dies ist auf eine Reihe von unterschiedlichen Gründen zurückzuführen: eine Zunahme des Volumens an verfügbaren, strukturierten und unstrukturierten Daten aus unterschiedlichsten Quellen (ERP-Systeme, Internet, Maschinen); umfassendere und schnellere Rechnerkapazitäten für die Datenspeicherung und -verarbeitung, z.B. in Form von Cloud Computing; eine zunehmende Anzahl an geeigneten Programmiersprachen (z.B. Python) sowie benutzerfreundlichen Tools zur Datenanalyse und –visualisierung (z.B. Knime, Tableau).
Rund um die Nutzung von Daten werden verschiedenste Begriffe in der öffentlichen Diskussion genutzt, oftmals als Buzzwords und ohne einheitliches Verständnis. Beispielhaft seien nur drei Beispiele genannt. Der wahrscheinlich am häufigsten gebrauchte Begriff ist Künstliche Intelligenz, die – vereinfacht ausgedrückt - in der maschinellen Abbildung menschlicher kognitiver Prozesse besteht. Auch der Begriff des maschinellen Lernens ist häufig anzutreffen, der sich auf das Erkennen von Mustern in großen Datenmengen sowie das Treffen datenbasierter Vorhersagen bezieht. Schon länger im Gebrauch ist der Begriff Business Intelligence, der sehr unterschiedlich belegt ist und als Rahmenbegriff für Datenbanken und Tools zur Entscheidungsunterstützung angesehen werden kann.
Wir nutzen für unsere Projekte den Begriff Data Analytics und verstehen darunter die zielorientierte Zusammenführung und Auswertung von Daten aus verschiedenen Quellen sowie die Ableitung und Priorisierung datengestützter Entscheidungen und unternehmerischer Handlungsansätzen.
Aus praktischer Sicht haben wir aus unseren bisherigen Projekten einige wiederkehrende Erfahrungen in der Umsetzung von Data Analytics gemacht. Erstens tendieren einige Unternehmen zu einem daten- und technikgetriebenen Ansatz statt eines geschäftsmodell- und nutzerbasierten Ansatzes; im erstgenannten Fall werden so viele Daten wie möglich erhoben und ausgewertet, zielführender ist allerdings eine klare Definition von Use Cases entlang des vorhandenen Geschäftsmodells und der Bedürfnisse der Anwender. Zweitens sind in zahlreichen Unternehmen die Verantwortlichkeiten für Datenerfassung und –pflege nicht klar definiert, Daten werden in verschiedenen Systemen vorgehalten, nur unregelmäßig gepflegt und sind nicht kompatibel miteinander. Drittens wird in einigen Unternehmen anfänglich erheblich in technische Infrastruktur investiert und diese über einen langen Zeitraum ausgerollt, häufig eher durch IT-Abteilungen als durch Endnutzer getrieben, statt in deutlich kürzerer Zeit mit einfachen und weniger kostenintensiven Plattformen und Tools relevante Anwendungsfälle von Data Analytics zu schaffen.
Abschließend ist festzustellen, dass nach unserer Ansicht ein anwenderorientiertes Data Analytics auf Basis einer klaren unternehmerischen Fragestellung bereits mit überschaubarem Mitteleinsatz umgesetzt und im Laufe der Zeit systematisch erweitert werden kann.
Comments