6 Minuten Lesezeit 26 Juni 2019
Geschäftsmann vor Bildschirmen

So können Big-Data-Projekte von Innovationsmanagement profitieren

Unternehmen müssen häufig noch lernen, wie große Datenmengen strategisch Wert generieren können.

In der Theorie klingt es einfach und genial: Die Analyse von Big Data ist eine wahre Goldgrube für neue Umsatzquellen. Doch in der Praxis ist es ein weiter Weg von Big Data zu greifbarem Umsatz. In der Regel ist die konkrete künftige Umsatzquelle für die Unternehmen noch sehr unklar. Manche gehen aber auch mit konkreten Vorstellungen an die Analyse großer Datenmengen heran: Ein mittelständischer Fachverlag hat beispielsweise das Ziel, verstärkt Digitalabonnements an bestehende Kunden zu verkaufen. Dafür muss der Verlag zuerst herausfinden, was genau die einzelnen Kunden lesen und welche Medienformen genutzt werden. Die Grundlage dafür ist eine valide Datenbasis und eine solide Datenstrategie.

Ob gezieltes Vorgehen oder ergebnisoffene Suche nach Verbesserungspotenzial – Unternehmen stehen vor mehreren neuen Herausforderungen: Für die Auswertung von großen Datenmengen müssen neue Schnittstellen, Prozesse und die richtigen Kontexte geschaffen werden. Außerdem steigt mit der Menge der verfügbaren Daten auch deren Komplexität.

Voraussetzungen für eine erfolgreiche Datenanalyse

Analysen und große Datenmengen sind aber nicht nur eine technische Herausforderung, sie beeinflussen das gesamte Unternehmen und sämtliche Prozesse. Damit eine Analyse erfolgreich sein kann, sollte weniger Aufwand in den Aufbau komplexer und anspruchsvoller Modelle fließen. Besser ist es, sich auf die Integration der Ergebnisse in die bestehende (technische) Infrastruktur zu konzentrieren.

Außerdem kann nur dann Wert aus Daten generiert werden, wenn die Analysen mit den Fähigkeiten und Kompetenzen eines Unternehmens einhergehen und die Ergebnisse in einer kommerziellen Anwendung genutzt werden können – im Falle des Fachverlags mit dem Datensatz der Kunden, deren Bedürfnisse gezielt mit einem Digitalabo angesprochen werden können.

Doch was passiert, wenn die Vorgabe weniger klar definiert und weiter gefasst ist?

Schon bald sollen zertifizierte Smart-Meter-Gateways verschiedener Hersteller die hochsichere Drehscheibe für Datenströme im Energiemarkt sein.

Blick auf Big Data

Big Data, heute eher Smart Data genannt, wird in einer der gängigen Definitionen mit drei wesentlichen Kriterien beschrieben: Volumen (wie viele Daten), Geschwindigkeit (Geschwindigkeit der Datengenerierung) und Vielfalt der Datentypen. Neueste technische Verbesserungen (z.B. Cloud Computing, Big-Data-Architekturen) ermöglichen es, Daten im großen Umfang zu verarbeiten, zu analysieren und zu speichern.

Doch für viele (neue) Datentypen ist der genaue Geschäftswert noch unklar. Die verfügbaren Daten sind oft chaotisch und können selbst in bereinigter Form für versierte Datenwissenschaftler noch zu komplex sein. Eine der größten Herausforderungen besteht entsprechend darin, genau die Daten zu identifizieren, die den Anforderungen Ihres Geschäfts am besten entsprechen. 

  • Herausforderung Datenanalyse

    Die Datenwissenschaft beschäftigt sich mit der Wissensgenerierung aus Daten. Methoden aus unterschiedlichen Disziplinen wie Statistik, Wirtschaft oder Informatik werden angewendet, um Muster, Einflussfaktoren oder Abhängigkeiten zu identifizieren.

    Die Analyse von Daten wird allerdings durch die internen Richtlinien eines Unternehmens sowie durch jeweilige gesetzliche Vorschriften eingeschränkt.

    Weitere Herausforderungen sind die Qualität und Zuverlässigkeit der Daten. Das Kernproblem der Analyse besteht jedoch darin, den übergeordneten Rahmen zu erarbeiten und den Bedarf für das Unternehmen, die Datenquelle und Analyse auf einen Nenner zu bringen. 

Datenanalyseprozess grafik

Wie lässt sich Big and Smart Data innovativ auswerten?

Im Gegensatz zu klassischen Analysen fehlen bei Big-Data-Projekten in aller Regel spezifische Anforderungen und definierte Projektziele. Dies ist im Wesentlichen dadurch begründet, dass Daten im Big Data-Umfeld meist vorab gar nicht identifiziert sind. Durch die fehlende Strukturierung der Daten fehlt ebenso die Kenntnis darüber, welche Werte sich hier potenziell verbergen. Die Situation wird häufig zusätzlich noch durch verschiedene Interessensgruppen innerhalb der Unternehmen erschwert. Um das komplexe Zusammenspiel aus Geschäftsbedarf, Daten, IT-Infrastruktur und Datenanalyse besser zu durchdringen, helfen Methoden aus dem Innovationsmanagement. Die systematische Planung und Kontrolle von Innovationen ist in aller Regel ohnehin Teil jeder Unternehmensstrategie.

Die vier Phasen des Innovationsmanagements

Während die klassische IT-Entwicklung mit externen Anforderungen beginnt, basiert eine Big-Data-Analyse oft explorativ auf einem Datensatz und einer Hypothese. Entsprechend gehört das Beziehen der Daten oder das Abrufen der Daten aus bestehenden Systemen zu den ersten Schritten.

Damit eine Analyse erfolgreich wird, muss die IT-Infrastruktur soweit angepasst werden, dass Lösungen und verschiedene Datenquellen integriert werden können. Hier liegt eine weitere Herausforderung: All das läuft parallel zur bestehenden IT-Infrastruktur des Unternehmens.

Damit aus Big Data ein kommerziell nutzbarer Wert wird, stellen wir Ihnen einen Analyseprozess aus vier Phasen vor: 

  • Phase 1: Ideengenerierung

    So können Sie ansetzen:
    Analyseprojekte beginnen mit einer Ideationsphase. So können alle Beteiligten abteilungsübergreifend Ideen formulieren. Weiter werden im ersten Schritt die Punkte herausgearbeitet, die durch eine Big-Data-Analyse geklärt werden können. Datenwissenschaftler prüfen diese Ideen anschließend auf technische Machbarkeit, Parameter und Methodik.

    Aus organisatorischer Sicht ist es wichtig, dass Sie Entscheidungsträger aus allen Bereichen einbeziehen. Aufgabe Ihrer Chefetage ist es, Interessenskonflikte zu lösen und das Projekt voranzutreiben. Ihr mittleres Management muss Experten aus anderen Projekten freistellen und Projektteilnehmern die jeweiligen Verantwortungsbereiche zuweisen.

    Das Ergebnis ist ein Portfolio mit Ideen für Konzeptnachweise. Meist werden mehrere Runden der Ideationsphase benötigt, bevor die nächste Phase beginnen kann. 

  • Phase 2: Konzeptnachweise (Proof of Concept/PoC)

    So können Sie ansetzen:
    Um Ihre Ideen aus der ersten Phase zu prüfen, werden entweder Prototypen (PoC) gebaut oder – häufiger noch – lauffähige Konzeptnachweise, sogenannte Minimum Viable Products (MVP) erstellt. MVP oder auch PoCs sind erste Untersuchungen der Daten, teilweise gekoppelt an die Forderung, auch erste messbare Wertbeiträge liefern zu können. Dafür müssen die Daten allerdings auch zur Verfügung stehen. Typische Probleme sind rechtliche Grundlagen oder organisatorische Hindernisse. Insbesondere PoCs erlauben Ihnen eine erste Einschätzung der Daten, samt Stärken und Schwächen. 

  • Phase 3 und 4: Test der PoCs und Integration

    So können Sie ansetzen:
    Die PoCs werden anschließend in Ihre bestehende IT-Infrastruktur eingearbeitet. Die Hauptfrage ist jetzt: Lässt sich dieses Modell auf Ihren großen Datensatz anwenden? Wenn diese Phase erfolgreich abgeschlossen ist, können Prototypen oder erfolgreiche PoCs integriert und als Anwendung bereitgestellt werden.

    Ziel ist, den Prototyp oder PoC so anzupassen, dass das Projekt ohne den langfristigen Support durch Datenwissenschaftler, sondern durch Ihre internen IT-Experten weitergeführt werden kann. Nach so einer Phase hätte ein PoC üblicherweise den Charakter eines MVP.

Fest steht: Smarte Daten inkl. Big Data bieten Unternehmen völlig neue Möglichkeiten für die Umsatzgenerierung. Das kann, wie beim plakativen Beispiel des Fachverlags, mit einer konkreten Umsatzidee starten, oder mit dem generellen Ziel, neue Umsatzquellen zu erschließen. Grundsätzlich gilt: Der genaue Geschäftswert einer einzelnen großen Datenanwendung ist im Vorfeld schwer zu messen. Trotzdem lohnt sich die Mühe – auch wenn der Übergang Zeit, personelle Ressourcen, sowie etliche Änderungen und Anpassungen innerhalb Ihres Unternehmens erfordert. Mit Hilfe der vier Phasen des Innovationsmanagements kann aus Daten jedoch eine Goldgrube werden, in der Sie die nächsten Jahrzehnte schürfen können.  

Fazit

Smarte Daten versprechen, sich zunehmend zu neuen Umsatzströmen zu entwickeln. Doch bevor es dazu kommen kann, müssen Unternehmen die richtigen Rahmenbedingungen schaffen. Wir stellen vier Phasen aus dem Innovationsmanagement vor, die sich ideal auf die Wertschöpfung durch Daten und das Umfeld Big and Smart Data übertragen lassen.  

Über diesen Artikel

EY Deutschland
Von EY Deutschland

Building a better working world

  • Facebook
  • LinkedIn
  • Twitter
  • Link wurde kopiert
Gefällt mir