Too big to use: Unternehmen mit vielen Datenquellen überfordert

Quelle: Sopra Steria Consulting

Fast jedes zweite Unternehmen in Deutschland, Österreich und der Schweiz hat ein Big-Data-Problem: Nur in acht Prozent werden unternehmensweit unterschiedlichste Datenquellen, inklusive Daten anderer Organisationen, zur Entscheidungsfindung genutzt. Bei 44 Prozent ist dieses Ziel teilweise erreicht. Viele Unternehmen verzetteln sich im Umgang und der systematischen Einbindung der Daten unterschiedlicher Herkunft. Vier von zehn klagen über fachliche Defizite, Daten für weiterführende Analysen einzusetzen. Die Folge: fehlende Wertschöpfung aus den Analytics-Investitionen.

Mit Advanced Analytics rückt die Vorhersage der Zukunft unter Einbeziehung differenzierter Datenquellen in den Fokus der Unternehmen. Viele digitale Dienstleistungen basieren auf künstlicher Intelligenz und Machine Learning. Dazu zählen beispielsweise Prognosen, wie sich Kunden und Märkte verhalten werden, um die Produktion zu steuern. Zudem wollen längst nicht mehr nur Online-Händler ihren Kunden Produkte empfehlen oder Alternativen zeigen, wenn das Wunschprodukt gerade nicht verfügbar ist. Algorithmen werten dazu viele Millionen von Datensätzen aus. Diese stammen aus einer steigenden Anzahl von Datenquellen, zum Beispiel Geo-, Social-Media- und Sensordaten.

Informationen verpuffen

Knackpunkt bei der Entwicklung neuer Geschäftsmodelle und Serviceleistungen ist weniger die technische Analysepower, sondern die fehlende fachliche Verwertung. 43 Prozent der für die BI & Analytics-Studie biMA 2017/18 von Sopra Steria Consulting in Zusammenarbeit mit dem Business Application Research Center (BARC) befragten Unternehmen haben Schwierigkeiten, aus Daten Wissen und Erkenntnisse abzuleiten und im Ergebnis Mehrwert durch Information zu schaffen. Mehr als jedes vierte Unternehmen (27 %) sieht Nachholbedarf bei der Integration und Verknüpfung von Daten in die fachliche Arbeit. Im Ergebnis verpuffen die Informationen, oder Unternehmen ziehen die falschen Schlüsse.

Datengetriebene Geschäftsmodelle erfordern neue Herangehensweise

Von der Strategie, möglichst viele Datenquellen und Datensätze zu nutzen, rücken einige Unternehmen mittlerweile ab. Firmen wie die Bank Goldmann Sachs und E-Commerce-Konzern Otto äußern sich, dass es beim Einsatz von Künstlicher Intelligenz und Machine Learning eher darum geht, die richtige Auswahl an Daten zu haben, die aber vollkommen verstanden wird.

Andere Unternehmen setzen auf neue Konzepte wie Data-Thinking – eine Methode, die das Design-Thinking mit der Datenanalyse und dem Data-Mining kombiniert. Die Beispiele zeigen, dass in vielen Branchen gerade ein Umdenken einsetzt, weg von Big Data-, hin zu Smart Data-Strategien.

„Es geht nicht darum, Weltmeister im Anzapfen möglichst vieler Datenquellen zu werden“, sagt Lars Schlömer, Leiter BI & Analytics bei Sopra Steria Consulting. „Nicht Datenmenge und -qualität entscheiden über die Güte datengetriebener Geschäftsmodelle, sondern das fachliche sowie analytische Know-how, mit den Daten etwas Wertschöpfendes anzustellen. Es kommt darauf an, qualifizierte Teams aus Data Scientists und Fachspezialisten zusammenzubringen, die in einer agilen Arbeitsumgebung systematisch Anwendungsfällen identifizieren und erschließen und die die Frage nach den tatsächlich benötigten Daten mitbeantworten“, so Schlömer.