Computer werden immer kleiner, Computerchips immer leistungsfähiger (Moores Gesetz). Das Ergebnis: Die Grenzen für Speicherung und Verarbeitung von Daten fallen. Big Data ist dabei schon lange Realität. Jeder Einzelne von uns produziert Big Data. Und die Menge der Daten explodiert, wächst exponentiell mit jedem neuen Gerät, mit dem wir uns oder andere Geräte vernetzen.

Daten sind aber zunächst nichts als digitale Signale und ohne großen Mehrwert. Dieser entsteht erst, wenn wir die Daten analysieren und interpretieren. So werden aus Daten Informationen.

Die meisten Daten sind irrelevant

Die große Aufgabe bei Big Data ist bekanntlich, die relevanten Daten im Grundrauschen der Datenflut zu erkennen und aus ihnen die richtigen Schlüsse zu ziehen. Unternehmen brauchen keine Daten, sie brauchen die daraus gezogenen Informationen und Einblicke in Lebens-, Konsum- oder Arbeitswelten.

Michael Wu, Chief Scientist bei Lithium, brachte es in einem Workshop der South by Southwest (SXSW) auf den Punkt: Die meisten Unternehmen zählen einfach und machen hübsche Berichte. Sie setzen auf einfachste Datenerhebung und Analyse und setzen hierfür das Einmaleins der Arithmetik ein. Doch das ist erst der Beginn! Denn das wahre Handwerk im Umgang und vor allem der Interpretation von Big Data besteht aus drei Disziplinen:

  1. Status Quo Analysen (descriptive analysis): Zählen, Summieren, Mittelwerte und Durchschnitt bilden, Anteile berechnen, usw. Daten werden vor allem beschrieben und in verständliche Informationshäppchen zusammengefasst. Es geht darum, zu verstehen, was passiert und vielleicht noch warum.
  2. Vorhersagen (predictive analysis): Ziel ist nicht vorherzusagen, was kommen wird, sondern was wahrscheinlich kommen mag. Das anschaulichste Beispiel ist die Wettervorhersage. Sie ist dank umfassender historischer Daten und erprobter Prognoseformeln meist recht verlässlich. Allerdings eben nur meist.
  3. Navigationshilfen: Überall dort, wo es darum geht, Entscheidungen zu treffen, kommt die Entscheidungsanalyse (prescriptive analysis) zum Einsatz.

 

Der ewige Menschheitstraum von der Vorhersage der Zukunft …

So gelingt die Stimmungsanalyse: Klare Eingrenzung des Themas, Analyseschema finden, Datengrundlage sichern, Autonomie der Meinung beachten.… er wird ein Traum bleiben. Die Krux: Niemand besitzt Daten über Ereignisse in der Zukunft. Bereits erkannte Gesetzmäßigkeiten aus der Statistik helfen jedoch, je nach Ausprägung, eine mehr oder weniger gute Vorhersage über zukünftige Ereignisse (und damit Daten) zu treffen. Unternehmen fragen sich häufig, wie beispielsweise ihre Kunden auf ein neues Angebot reagieren werden. Die Stimmungsanalyse ist ein oft genutztes Instrument, um Resonanzen der Vergangenheit und Gegenwart zu messen. Wu sollte nun mit seinem Team auf Basis einer Social Media Analyse den Ausgang der Wahl des Londoner Bürgermeisters 2012 prognostizieren. Er nutzte die Stimmungsanalyse, um das Wahlergebnis vorauszusagen. Das Ergebnis ist beeindruckend korrekt.

Der Versuch, so Wu, verdeutliche aber auch die arithmetischen Grenzen der Social Media Analyse: So kann man für Stimmung zwar einen Mittelwert bilden, dies führt jedoch in den allermeisten Fällen zu falschen Schlussfolgerungen. Die Stimmung ist eine Momentaufnahme und darf daher nicht zusammengefasst oder gemittelt werden. So wertete Wu rund 20 Social Media Beiträge eines Teilnehmers aus. Das Ergebnis: 19 positiv zu wertende Aussagen für Kandidat A, eine negative. Ein Mittelwert würde zu einem sehr positiven Bild führen. Die qualitative Analyse zeigt jedoch: Die negative Aussage war die zeitlich letzte und entstand während eines TV-Duells der Kandidaten. Diese letzte Meinungsäußerung überlagerte alle vorherigen positiven Beiträge – und kann somit stimmentscheidend sein.

Lassen sich Wahlergebnisse voraussagen? Michael Wu erreichte ein erstaunlich korrektes Ergebnis vor den Bürgermeisterwahlen in London 2012.Navigationshilfe für die unternehmerische Entscheidung

Begleiten wir Wu noch einen Schritt weiter und schauen uns die Entscheidungsanalyse (prescriptive analysis) an. Hier geht es nun um die Erstellung von Szenarien auf Grundlage von Aktion und Resultat. Die Grundannahme: Die Wahl der Aktion beeinflusst das (zukünftige) Resultat. Das benötigte Model dazu ist komplex und beinhaltet einen konstanten Zufluss von Feedback-Daten. Das Ziel: Entscheider gewinnen eine relativ tragfähige Entscheidungsgrundlage.

Ein Beispiel für die präskriptive Datenverarbeitung ist das Navigationsgerät. Mit der Eingabe des Zielorts beginnt der Entscheidungsprozess: Wie komme ich dort am besten hin? Die Wahl der Art der Route definiert das „gut“ (schnell, spritsparend, mit Aussicht), die unterschiedlichen Routen sind die Variablen, Daten zu Verkehrslage, Baustellen und Landschaft mögliche Einflussfaktoren. Das System gleicht ständig ab: Was passiert, wenn ich hier entlang fahre? Und bietet die für einen gewissen Zeitraum beste Option an. Die Fähigkeit zu dieser Flexibilität macht einen enormen Vorteil aus.

Denken wir beispielsweise an Händler A, der in seiner Filiale mit einer Tiefpreisgarantie wirbt. Die Preispolitik der großen Onlinehändler führt jedoch zu stark fluktuierenden Preisen. „Tatsächlich sind bestimmte Produkte an manchen Wochentagen billiger als an anderen“, erklärt Freya Oehle, Gründerin von Spottster, in brand eins (4/2015). Kennt Händler A diese Daten und kann sie schnell für das eigene Geschäft übersetzen, kann er seine Tiefpreisgarantie halten. Hat er sie nicht, werden ihm die Kunden in seiner Filiale ihre Smartphones mit den aktuellen Online-Preisen unter die Nase halten. Der Händler kann lediglich noch reagieren – oder sein Versprechen aufheben. Beides macht keine besonders gute Figur. „In England testet man gerade digitale Preisschilder im Laden, die sich permanent mit dem Internet abgleichen und den günstigsten Preis anzeigen“, berichtet Freya Oehle weiter.

Big Data kann also in ganz konkreten unternehmerischen Fragen helfen, durch den Entscheidungsprozess zu navigieren. Zukunftsfähige Unternehmen sind diejenigen, die agil genug sind, zu reagieren, wenn neue Verkehrsmeldungen eintreffen, und entsprechend ihre Route schnell ändern. Durch den erarbeiteten Informationsvorsprung werden sie die Nase im gesamtem Marketing vorne haben: vom Pricing und Promotion über Placement bis hin zum Produktdesign. Anpassungsfähigkeit als Erfolgsfaktor, das wissen wir seit Darwin!

Fazit: Im digitalen Zeitalter sind Daten der Treibstoff. Aber nur, wenn diese interpretiert und zielgerichtet eingesetzt werden.

Ich gehe nicht als Mathematiker aus diesem wirklich beeindruckenden Workshop. Aber ich nehme die Erkenntnis mit: Die zunehmende Vernetzung von Menschen und Geräten stellen Unternehmen vor große Herausforderungen, aber mindestens ebenso vielfältige Möglichkeiten – und manche davon werden ihnen erst langsam bewusst. Der Umgang mit Daten und die Fähigkeit, Daten zielorientiert aufbereiten und nutzen zu können, sind dabei entscheidende Erfolgsfaktoren.

Die Anforderungen von Big Data für Unternehmen werden uns auch weiterhin begleiten. Im kommenden Beitrag schaue ich mir die „New Working Class“ genauer an. Haben Sie Fragen oder Anmerkungen? Dann freue ich mich über Ihren Kommentar!


Wie die digitale Transformation die Arbeitswelt verändert, darüber habe ich auch mit Sabine Hockling von ZEIT ONLINE gesprochen.

Lesen Sie sich doch schon einmal ein!