Big Data – Wissen ist Macht

2,7 Milliarden „Likes“, 300 Millionen Fotos und 70.000 Datenbankabfragen – das sind Informationen, die allein Facebook täglich bewältigen muss. Daten mit diesem Volumen sind heute an vielen Stellen zu finden und werden als Big Data bezeichnet. Der Umgang mit Daten ist für Unternehmen ein alltäglicher Vorgang, neu ist für viele jedoch das kontinuierlich wachsende Volumen. Nutzer von Facebook hinterlassen auf diesen Online-Plattformen mit jedem Eintrag Informationen, wobei diese Daten entweder lokal oder in einer Cloud-Anwendung gespeichert werden. Doch nicht nur Internet-Plattformen, sondern auch Sensoren, GPS-Signale oder RFID-Leser sind potenzielle Datenquellen.

Unternehmen, die Big Data auswerten können, haben einen entscheidenden Vorteil: Sie sind in der Lage, diese gezielt zu filtern, um nützliche Informationen über Kunden zu erhalten und analytisch fundierte Entscheidungen zu treffen. Letztlich ist dies der Trend zurück zum Tante-Emma-Laden: Denn auch Tante Emma arbeitete bereits mit Kundendaten. Sie merkte sich die Informationen über ihre Kunden und konnte ihnen auf diese Weise einen individuellen Service anbieten. Übertragen auf Unternehmen bedeutet dies, dass sie mit der Analyse von Daten zahlreiche Informationen über einzelne Kunden sammeln und damit besser und schneller auf deren Bedürfnisse reagieren können. Unternehmen können sich so gegenüber Konkurrenten einen Wettbewerbsvorteil verschaffen.

Den Unternehmen kommt dabei entgegen, dass die Erfassung, Speicherung und Verarbeitung von Daten zunehmend günstiger wird. Jedoch stellt die Masse an Daten Unternehmen vor große Herausforderungen. Zum einen stellt die Speicherung und Verarbeitung von Big Data hohe Anforderungen an die IT-Infrastruktur eines Unternehmens. Zum anderen müssen die kostbaren Informationen aus den Daten mit Hilfe von Experten unter Verwendung von analytischen Auswertungsmethoden bewertet werden. Eine unstrukturierte Datenanalyse wäre nicht zielführend, weshalb eine enge Zusammenarbeit der Analytiker mit den Fachexperten aus Marketing und Vertrieb erforderlich ist. In den Fachabteilungen müssen Hypothesen definiert werden, auf Basis derer die Analytiker gezielte Analysen anstellen. Viele Unternehmen sehen sich aber nicht in der Lage, solche Datenmengen zu verarbeiten oder die relevanten Informationen zu filtern. Deshalb stellt sich für Unternehmen häufig die Make-Or-Buy-Frage.

Die wichtigsten Merkmale von Big Data

Eine einheitliche Beschreibung von Big Data existiert derzeit nicht, jedoch gibt es fünf charakteristische Merkmale:

1. Schnelle Generierung: Der Grund für die zunehmende Geschwindigkeit bei der Generierung von Daten liegt in der Entwicklung neuer Technologien. Durch intelligente Geräte wie Smartphones oder Sensoren findet eine kontinuierliche Datenübertragung statt. Um diese Informationen sofort beziehungsweise zeitnah sammeln und analysieren zu können, bedarf es entsprechender Werkzeuge und Datenbanken.

2. Enorme Masse: Zu Beginn der Speicherung von Daten handelte es sich um Megabyte, wenig später folgten Gigabyte, Terabyte und Petabyte. In naher Zukunft ist mit Exabyte und später Zettabyte zu rechnen. Diese wachsende Anzahl an Daten führt dazu, dass neue Wege zur Speicherung derartig großer Datenmengen gefunden werden müssen. Vorteilhaft ist die bereits erwähnte, kontinuierliche Preissenkung beim Speicherplatz, die die Verarbeitung riesiger Datenmengen bezahlbar macht.

3. Zeitkritische Verarbeitung: Oftmals lässt sich aus Daten nur dann ein Nutzen ziehen, wenn sie in Echtzeit verarbeitet werden. Das ist beispielsweise bei den Empfehlungen von Amazon der Fall, die nur bei der Anzeige in Realtime einen Mehrwert für die Kunden schaffen. Aus diesem Grund entsteht für Unternehmen die Notwendigkeit, Daten möglichst schnell erfassen und auswerten zu können.

4. Unterschiedliche Qualität: Eines der größten Probleme stellt für Unternehmen vor allem die Qualität und damit der wirtschaftliche Wert der Daten dar, der bei den verschiedenen Daten erheblich variiert. Es gilt, mit Hilfe analytischer Methoden die validen und wichtigen Informationen aus der Masse zu extrahieren.

5. Unterschiedliche Datenformate: Während Daten früher aus relationalen Daten bestanden, die wiederum in relationalen Datenbanken organisiert wurden, sind sie heutzutage weitaus komplexer. Lediglich bei einem geringen Anteil der global gesammelten Daten handelt es sich um strukturierte Daten, die für Maschinen einfach zu verarbeiten sind. Die überwiegende Mehrheit der Daten besteht aus unstrukturierten Daten in Form von Text, aber auch Audio, Bildern oder Video.

Vielfältige Chancen mit Big Data 

Durch Big Data ergibt sich eine Reihe von Chancen. Das hat mehrere Ursachen. Zum einen ermöglichen Analyse und Auswertung der Masse an Daten wertvolle Erkenntnisse. Die Vielzahl neuer Instrumentarien zur Erfassung und Auswertung von Daten lässt zunehmend tiefere Einblicke in die Eigenschaften und Präferenzen der Kunden zu. Die Masse an Informationen allein ist jedoch nicht entscheidend. Wichtig ist, dass die Daten in einer hohen Qualität vorliegen, da andernfalls falsche Rückschlüsse gezogen werden. Die Qualität der Daten verbessert sich im Zuge der Big Data stetig, da nun nicht mehr auf Mafo-Daten zurückgegriffen werden muss, die die bekannten Verzerrungseffekte, beispielsweise durch soziale Erwünschtheit, aufweisen, sondern reale Daten herangezogen werden können. Dies resultiert aus den zunehmenden Informationen zum Verhalten der Kunden. Beispielsweise kann heutzutage der gesamte Kaufprozess eines Kunden über verschiedene Touchpoints hinweg nachvollzogen werden. Auf Grundlage dieser behavioristischen Daten ist eine weitaus bessere Prognose möglich. Die Daten können einerseits in dispositiven Systemen gespeichert und mittels analytischer Methoden ausgewertet werden. Dadurch lassen sich beispielsweise Kundensegmente für CRM-Kampagnen ermitteln, die Take-Rate erhöhen und die Kosten einer Kampagne senken. Andererseits ist es häufig erforderlich, die Daten in Echtzeit in den operativen Systemen verfügbar zu haben. Dadurch kann neben einer Umsatzsteigerung auch eine erhöhte Kundenbindung erreicht werden.

Wie an diesen Beispielen ersichtlich wird, spielt Big Data in Marketing und Vertrieb eine immer wichtigere Rolle. Beim traditionellen Massenmarketing ging es vorwiegend darum, so viele Menschen wie möglich zur erreichen. Aufgrund der steigenden Anzahl an Kundensegmenten, Produkten, Marken, Medienkanälen, Wettbewerbern und Distributionskanälen ändert sich das. Inzwischen wird versucht, mit Hilfe von Big Data möglichst viele Informationen über einzelne Kunden und ihre Bedürfnisse zu erhalten und auf diese individuell einzugehen. So bekommen Anwender beispielsweise gezielte Angebote, die sie mit deutlich höherer Wahrscheinlichkeit interessieren als es bei Massenwerbung der Fall ist. An dieser Stelle bietet sich wieder ein Vergleich mit Tante Emma – sie wusste genau, welche Produkte einen einzelnen Kunden interessieren, da sie sich die Informationen über ihre Kunden gemerkt hat. Analog dazu ist dies im Rahmen von Big Data heute auch für Unternehmen möglich. Mücke, Sturm & Company zeigt verschiedene Wege auf, wie sie Big Data zu ihrem Vorteil nutzen können.

Bestandskunden-Management

Besitzt ein Unternehmen viele Informationen über die Eigenschaften und Präferenzen seiner Kunden, so kann es sich diese zunutze machen. Die Analyse von Big Data in dispositiven Systemen ermöglicht es Unternehmen, eine trennscharfe Segmentierung der Kunden vorzunehmen. Mit Hilfe der Daten können ihre Eigenschaften und Präferenzen ermittelt und so individuell zugeschnittene Angebote gemacht werden. Im Vergleich zum traditionellen Massenmarketing, bei dem vor allem eine hohe Reichweite im Mittelpunkt steht, wird in diesem Fall die individuelle Ansprache einzelner Kunden(gruppen) beabsichtigt. Durch eine erhöhte Take-Rate kann der Umsatz über Kampagnen gesteigert werden. Darüber hinaus lassen sich durch eine präzise Analyse unnötige Kampagnen vermeiden und somit Kosten sparen.

Aber nicht nur die Analyse von Big Data in dispositiven Systemen bietet Vorteile, genauso relevant ist die Nutzung von Big Data in operativen Systemen. Amazon beispielsweise nutzt die Analyse von Big Data für seine Empfehlungen. Anhand der bisherigen Käufe werden die Präferenzen der Kunden ermittelt und Nutzerprofile erstellt. Das geschieht auf Basis von Realdaten, die im direkten Kundenkontakt ermittelt werden. Aufgrund der Ähnlichkeit zwischen Nutzern beziehungsweise ihren Profilen erfolgt ein automatisches User-Matching, wobei man auch von „Collaborative Filtering“ spricht. Basierend auf diesen Informationen werden Produkte in Echtzeit empfohlen. Auf diese Weise ist die Wahrscheinlichkeit sehr hoch, dass der Kunde an dem ihm empfohlenen Produkt interessiert ist und er es möglicherweise kauft, was wiederum zu einer Umsatzsteigerung führt. Zudem kann durch eine kontinuierliche Befriedigung der Kundenbedürfnisse auch die Kundenbindung gesteigert werden. 

Data Mining

Durch das Handling von Big Data ist es Unternehmen möglich, die Qualität ihrer Ergebnisse und Entscheidungen zu verbessern. Hintergrund für diese Entwicklung ist die immer größere Bandbreite der für die Sammlung und Auswertung großer Datenmengen zur Verfügung stehenden Instrumentarien. Dadurch erfolgt eine unverfälschte Übertragung aller Daten, die durch Kunden hinterlassen werden – von GPS-Daten über Klicks im Internet bis hin zu Äußerungen in sozialen Medien. Die Qualität der Realdaten ist gegenüber oftmals verwendeten MaFo-Daten deutlich höher, da Informationen von den Kunden direkt und nicht von vermeintlich repräsentativen Gruppen stammen. Darüber hinaus können keine Verzerrungen der Daten bei der Befragung entstehen. Aus Sicht von MS&C wird deshalb das Thema Big Data die Bedeutung von Marktforschung in Marketing und Vertrieb deutlich vermindern.

Data Mining spielt sich in den dispositiven Systemen eines Unternehmens ab. Dabei wird die Masse an gesammelten Daten aus den verschiedenen Kanälen systematisch analysiert. Im Gegensatz zur Verarbeitung von Informationen für operative Systeme wird hier der Fokus auf die Generierung von Erkenntnissen für strategische oder taktische Entscheidungen gelegt. Beispielsweise lassen sich aus den Daten Trends und Zusammenhänge ableiten, die Einfluss auf die generelle Ausrichtung von Marketing und Vertrieb haben können. Meist werden die Erkenntnisse durch Hypothesentests erlangt. Die gewonnenen Erkenntnisse können in Marketing und Vertrieb eingesetzt werden und somit den Umsatz steigern und Kosten einsparen. Darüber hinaus lassen sich diese Informationen beispielsweise auch für die Präferenzprofile der Kunden in der Produktentwicklung nutzen. 

Omni-Channeling

Bis es bei Kunden zu einer Kaufentscheidung kommt, durchlaufen sie verschiedene Phasen. Das AIDAModell wird oft zur Beschreibung dieser Phasen verwendet. Zunächst wird der Kunde auf ein Produkt aufmerksam (attention) und entwickelt ein grundsätzliches Interesse dafür (interest), ehe er den konkreten Wunsch entwickelt, dieses Produkt zu besitzen (desire) und er es schließlich kauft (action). Bislang konnten die Einflussfaktoren auf die Kaufentscheidung eines Kunden und der Kaufvorgang selbst nur erahnt werden. Dazu wurde vor allem die Marktforschung eingesetzt und darauf basierende Indikationen abgeleitet. Mittlerweile kann der gesamte „Purchase Funnel“ anhand von behavioristischen Realdaten betrachtet und durch die Verarbeitung von Big Data ausgewertet

werden. Dadurch erhalten Unternehmen die Möglichkeit, gezielt den Kaufprozess von Kunden zu steuern und zu beeinflussen. Das kann beispielsweise an den verschiedenen Touchpoints erfolgen, den die Kunden im Zuge des Kaufprozesses durchlaufen. Einerseits kann durch Kenntnis der gängigen Klickpfade gezielt Werbung geschaltet und somit passiv Einfluss genommen werden. Andererseits lässt sich auch durch direkte Interaktion mit dem Kunden direkt in den Kaufprozess eingreifen. Dabei spielt die Realtime-Erfassung und Verarbeitung von Big Data eine entscheidende Rolle. Chancen durch Big Data ergeben sich jedoch längst nicht nur im Handel oder im Online-Umfeld, wenngleich dort die Vorteile am greifbarsten sind. 

Big-Data-Potenzial in der Automobilbranche

Auch in Branchen wie Automobil, Finanzen, Telekommunikation, Gesundheit, Transport und Logistik sowie Energie und Versorgung kann die Verarbeitung von Big Data nach Einschätzung von Mücke, Sturm & Company gewinnbringend eingesetzt werden. Dieses Potenzial soll zunächst anhand der Automobilbranche aufgezeigt werden. In der Automobilindustrie ist derzeit das Stichwort „Connected Car“ in aller Munde. Dabei werden dem Fahrer im Auto Applikationen zur Verfügung gestellt. Diese sollen möglichst auf die Vorlieben und Präferenzen des Fahrers abgestimmt sein. Deshalb ist bei einigen Herstellern angedacht, eine dauerhafte Verbindung des Fahrzeugs zu einer Cloud herzustellen. In der Cloud werden alle Daten zum Automobil gesammelt und entsprechend des Nutzungsverhaltens des Fahrers die Rückmeldungen der Applikationen beeinflusst.

Beispielsweise wird einem Autofahrer, der mehrfach eine Route über die Landstraße einer schnelleren Strecke über die Autobahn vorgezogen hat, als erste Option eine Strecke über die Landstraße angezeigt. Für diese präferenzbasierte Bereitstellung der Connected Services ist eine Realtime-Verarbeitung großer Datenmengen erforderlich. Somit sind Unternehmen in der Lage, sich durch die Verarbeitung von Big Data einen Wettbewerbsvorteil gegenüber Unternehmen ohne präferenzbasierte Services zu erarbeiten. Insbesondere kann, basierend auf der lernenden Kundenbeziehung, eine Lockin-Situation für den Kunden erzeugt werden, da ein anderer Automobilhersteller die Präferenzen des Fahrers erst neu erlernen müsste. 

Zunehmende Bedeutung im Energiebereich

In der Energieindustrie spielt das Thema Big Data eine immer wichtigere Rolle. Aufgrund aktueller Entwicklungen müssen auch dort immer größere Datenmengen gesammelt und ausgewertet werden. So entfällt beispielsweise durch die Einführung intelligenter Stromzähler (Smart Meter) die bisher manuelle Ablesung. Inzwischen werden in kurzen, regelmäßigen, bis zu stündlichen Abständen alle Daten der Zähler gesammelt. Hinzu kommen die Daten von Sensoren wie etwa in Solarzellen. Durch die Analyse all dieser Daten können Energieversorger die Auslastung des Netzes messen und beispielsweise für die Nutzung von Geräten wie Waschmaschinen außerhalb der Spitzenzeiten preiswerte Tarife anbieten. Vernetzt man alle Akteure von den Stromerzeugern bis hin zu den Verbrauchern und nutzt diese Daten effizient, entsteht ein intelligentes Stromnetz (Smart Grid). Um dies zu ermöglichen, ist wiederum die Realtime-Verarbeitung von Big Data erforderlich.

Herausforderungen durch Big Data

Durch die Möglichkeit der Verarbeitung von Big Data und den sich daraus ergebenden Chancen sind Unternehmen in der Lage, sich einen entscheidenden Wettbewerbsvorteil gegenüber Wettbewerbern zu erarbeiten. Zwar ist die Big-Data-Thematik mittlerweile vielen Unternehmen ein Begriff, jedoch zeigt die Praxis, dass längst nicht jedes Unternehmen fähig ist, diese Chancen auch zu nutzen. Grund dafür sind systemische und strukturelle Voraussetzungen, die vielerorts fehlen, um Big Data erfassen und auswerten zu können. Im ersten Schritt muss dafür gesorgt werden, dass alle relevanten Daten erfasst und dem Unternehmen zugänglich gemacht werden. Häufig werden jedoch einige Datenquellen wie Social Media nicht in ausreichendem Maße beachtet. Darüber hinaus bedarf es einer IT-Infrastruktur, die den Anforderungen von Big Data gewachsen ist. Durch die große Masse der Daten, noch mehr allerdings durch die Anforderung, Daten in Echtzeit zu verarbeiten, erwachsen hohe systemische Anforderungen. Diese sind aufgrund der Komplexität von Big Data mit einer herkömmlichen IT-Infrastruktur, wie sie in den meisten Unternehmen zu finden ist, nicht oder nur unzureichend zu erfüllen.

Doch nicht nur die technischen Aspekte stellen Unternehmen vor Herausforderungen. Ebenfalls nicht zu vernachlässigen ist der enorme Wissensbedarf im Zusammenhang mit Big Data.

Neben den technischen Voraussetzungen braucht es Fachleute für Datenverarbeitung und den Umgang mit statistischen Methoden und analytischen Modellen. Problematisch ist, dass diese Berufsgruppe in Unternehmen meist unterrepräsentiert ist und auch am Arbeitsmarkt übersteigt die Nachfrage das Angebot nach Datenspezialisten bei weitem. Die Analytiker allein würden in Anbetracht der großen Datenmengen nur einen begrenzten Nutzen stiften können. Um wichtige Informationen aus den Daten erlangen zu können, müssen gezielte Analysen auf Basis von Hypothesen durchgeführt werden. Die Hypothesen müssen dabei von den Fachexperten aus Marketing und Vertrieb bereitgestellt werden.

Aufgrund der hohen Anforderungen rückt bei vielen Unternehmen die Make-or-Buy-Fragestellung in den Fokus. Sie  sind – zumindest kurzfristig – nicht in der Lage, die Anforderungen zu erfüllen und greifen deshalb auf spezialisierte Dienstleister zurück. Das ist in einigen Fällen auch durchaus sinnvoll. Mittel- bis langfristig sollten Unternehmen aus Sicht von Mücke, Sturm & Company das Datenmanagement jedoch selbst betreiben, da andernfalls ein Großteil der wertvollen Informationen verloren geht. Nur bei kontinuierlicher Arbeit mit den Daten, dem Testen von Hypothesen und der Beobachtung von Veränderungen kann das volle Potenzial von Big Data ausgeschöpft werden. (ak)