DE | Deutsch
Von Big Data zu Smart Data.
Big Data ist eine große Sache – oder? Sind riesige Datenvolumen aber wirklich Voraussetzung für gewinnbringende Analysen? Ganz klar: nein. Denn es kommt nicht auf die Menge der Daten an – sondern auf die richtigen Fragen und die dafür relevanten Daten.

Immer mehr Experten nennen diesen Weg Smart Data. Manche auch Right Data. Andere Advanced Analytics. Smart Data soll nicht das eine Buzzword durch ein anderes ersetzen. Smart Data ist weder eine technische Lösung noch ein neues Managementmantra. Smart Data ist eine praktikable Haltung mit der Leitfrage: Wie nutzen Unternehmen Daten effizient, ohne sich selbst technisch, personell und finanziell zu überfordern?

 

Aus dieser Haltung ergibt sich eine iterative, also schrittweise vortastende, hypothesenbasierte Vorgehensweise. Der gesunde Menschenverstand ist dabei ein ebenso wichtiger Rohstoff wie die Daten. Der Smart-Data-Weg ist einer mit vielen Etappen. Die Route steht nicht von vornherein fest. Denn niemand weiß heute schon genau, was die Kunden in drei bis fünf Jahren wirklich wollen, wie sich Märkte verändert haben werden und welche Technologien sich durchgesetzt haben.

 

Das Management braucht natürlich eine Vorstellung von der Marschrichtung. Den genauen Weg, wie Kundenbedürfnisse in Zukunft besser bedient werden können, weisen aber Experimente. Aus einzelnen Smart-Data-Projekten entsteht bei systematischer Vorgehensweise ein selbstlernendes System. Immer mehr Menschen und Abteilungen im Unternehmen lernen auf diesem Weg, Daten immer intelligenter zu nutzen. Das Gelernte wird zum Automatismus.

 

Wenn dieses intelligente Vortasten gelingt, sind Smart-Data-Projekte Ausgangspunkte und Wegmarken für die digitale Transformation der gesamten Organisation. Diese Transformation muss dann nicht einmal so heißen. Die digitale Veränderung wird als so selbstverständlich und gewinnbringend empfunden wie die ständig zunehmenden Fähigkeiten des eigenen Smartphones als Alltagsassistent.

 

 

Richtig ist besser als größer.

Für die Praxis im Unternehmen bedeutet dies: Smart Data umfassen Ansätze und Verfahren zur geplanten und fokussierten Datenanalyse mit dem Ziel, Kosten zu senken oder zusätzliche Umsätze in bestehenden oder neuen Geschäftsfeldern/-modellen zu ermöglichen. Die Ansätze und Verfahren kombinieren Erfahrungswissen und theoretische Modelle mit statistischen Analysemethoden und den Fähigkeiten von lernenden Maschinen (machine learning algorithms). Der wichtigste Unterschied zwischen „big“ und „smart“ ist: Big-Data-Verfahren sammeln möglichst viele Daten und versuchen dann, mit enormer Speicher-, Rechner- und Analytikkapazität ergebnisoffen Zusammenhänge abzuleiten.

 

Smart-Data-Ansätze folgen der guten alten Pareto-Regel: 20 Prozent der Maßnahmen erbringen 80 Prozent des Erfolgs.

In Abgrenzung hierzu arbeiten Smart Data stark hypothesenbasiert und nutzen in der Regel kleinere Datensätze mit hoher Varianz. Smart-Data-Projekte sind in besonders hohem Maße ergebnisorientiert und zugleich ressourcenschonend. Die verwendeten IT-Werkzeuge müssen ihre Qualitäten laufend unter Beweis stellen. Ergebnisorientierung setzt Umsetzungsfähigkeit voraus. Der Umfang der Projekte darf die Organisation weder finanziell noch personell überfordern. Deshalb folgen Smart-Data-Ansätze auch der guten alten Pareto-Regel: 20 Prozent der Maßnahmen erbringen 80 Prozent des Erfolgs.

 

Smart schaut immer zuerst auf die niedrig hängenden Früchte. Und für die meisten Unternehmen in den meisten Branchen gilt Stand heute: Es gibt ausreichend niedrig hängende Früchte zu ernten, wenn folgende fünf Regeln im Mittelpunkt des Ansatzes stehen.

5 Regeln für Smart-Data-Projekte.
1. Die richtigen Daten.

Nicht die Datenmenge ist entscheidend, sondern die richtigen Daten mit einer ausreichenden Heterogenität (Diversität). Viele Unternehmen haben heute mehr Daten, als sie de facto auswerten können. „Richtige Daten“ heißt „relevante Daten“. Natürlich weiß auch der beste Datenwissenschaftler im Vorhinein nicht genau, welche Daten relevant sind. Aber es sinkt der Aufwand und steigt die Wirkung von Datenprojekten erheblich, bei denen die Projektverantwortlichen ausreichend Zeit und Energie in Vorüberlegungen bei der Auswahl der Daten investieren. (siehe unten „Die richtigen Hypothesen“) Dazu gehört: Oft sind die Daten zu einheitlich. Heterogenität ist in den meisten Anwendungsfeldern das wichtigste Kriterium bei der Auswahl der richtigen Daten. Das Volumen ist oft zweitrangig für die Qualität der Ergebnisse.

 

Zudem wird der Wert unstrukturierter Daten, zum Beispiel aus Facebook, Twitter, Instagram und Blogs, oft überschätzt. Dort postet eine selektive Auswahl von Leuten, die nicht unbedingt die Kunden repräsentieren. Die Datenspuren, die sie hinterlassen, können daher verzerrenden Charakter haben. Dagegen zeigt die Erfahrung: Anzahl und Wert der nicht gehobenen Datenschätze in den eigenen Kundendatenbanken werden häufig unterschätzt.

 

2. Die richtigen Hypothesen.

Startpunkt von Smart-Data-Projekten sind immer Hypothesen, die sich aus systematischen Vorüberlegungen und Erfahrungswissen ergeben. Es gilt also: erst denken, dann handeln. Wer die richtigen Fragen stellt, erhält auch die besseren Antworten.

 

3. Die richtige Haltung.

Mit Hypothesen arbeiten bedeutet ausdrücklich nicht, Ergebnissen schon am Anfang des Prozesses vorzugreifen. Dann können sich alle Beteiligten den Aufwand direkt sparen. Die (Kunden-)Welt ist nicht, wie wir erwarten, dass sie ist. Kunden bleiben – um es mit dem Ökonomen Dan Ariely, Professor an der Duke University, zu sagen – vorhersagbar irrational. Hypothesen sind immer nur Ausgangspunkt für zu begründende Schlussfolgerungen. Sie unterliegen der ständigen Überprüfung, Veränderung, erneuten Überprüfung und Optimierung.

 

4. Die richtigen Werkzeuge.

Nicht die komplexesten Analytikwerkzeuge bringen den höchsten Mehrwert, sondern die passendsten. Eine Excel-Analyse zur regionalen Aufschlüsselung der Profitabilität von Direct Mailings führt oft zu wertvolleren Erkenntnissen als die teuerste Datenerhebung zum Beitrag viraler Effekte in sozialen Netzwerken für die Steigerung des Markenwerts. Auch die Rückbesinnung auf Brot-und-Butter-Methoden der Statistik – zum Beispiel durch regelmäßige Stichprobenkontrollen (Interferenzstatistik) – schützt vor mancher Fehlentscheidung, die sich bei schlecht durchgeführter und/oder interpretierter Massendatenanalyse ergeben mag.

 
5. Der richtige Einsatz der Ressourcen.

Im Kontext Smart Data für Marketing und Sales ist es wichtig, sich immer wieder in Erinnerung zu rufen: Das Ergebnis zählt. Denn besonders deutsche Entscheider neigen dazu, jeden funktionalen Zusammenhang verstehen zu wollen. Am Ende eines induktiven Datenanalyseprozesses wissen wir aber oft nur, dass es einen bestimmten Wirkungszusammenhang gibt. Die Zielgruppe A reagiert auf Kampagne B mit Spontankäufen im Umfang C. Wir wissen aber oft nicht, warum. Müssen wir auch nicht. Die Tatsache selbst können wir trotzdem für uns nutzen.

 

magazin_digitalisierung_cover_140.jpg

Dies ist ein Artikel aus dem Bechtle Special Release ZUKUNFTSSTARK zum Thema Digitalisierung. Lesen Sie hier das gesamte Magazin.

 

 

Ansprechpartner.

Bechtle update Redaktion
update@bechtle.com

 

Links.

 

Veröffentlicht am 13.04.2017.