BIG DATA - VORSPRUNG DURCH WISSEN INNOVATIONSPOTENZIALANALYSE - DIGITALE TECHNOLOGIEN
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
BIG DATA – Vorsprung durch Wissen INNOVATIONSPOTENZIALANALYSE
Inhaltsverzeichnis
Einleitung........................................................................................................................... 6
1. »Big Data – Big Opportunities«.................................................................................. 6 Online-Umfrage zur Nutzung von Big Data........................................................... 41
4.1 Methodik.................................................................................................................. 41
Executive Summary......................................................................................................... 7 4.1.1 Hypothesen............................................................................................................... 41
2. Die Innovationspotenzialanalyse................................................................................ 7 4.1.2 Zielgruppe der Befragung.......................................................................................... 41
2.1 Ergebnisse der Recherche nach Anwendungsfällen.................................................... 7 4.1.3 Grundsätzliches zum Studiendesign........................................................................... 41
2.1.1 Big-Data-Anwendungen tragen zu vielen Zielen bei................................................... 7 4.1.4 Rekrutierung............................................................................................................. 41
2.1.2 Es liegen vielfältige Aufgabengebiete für Big-Data-Anwendungen vor....................... 8 4.1.5 Repräsentativitätsproblematik.................................................................................... 41
2.2 Ergebnisse der Online-Befragung .............................................................................. 8 4.1.6 Ziel............................................................................................................................ 41
2.2.1 Potenzial von Big Data ist KMU bekannt.................................................................... 8 4.1.7 Statistische Angaben der Teilnehmer aus der Online-Umfrage.................................... 42
2.2.2 Steigerung der Wettbewerbsfähigkeit als wesentliches Ziel........................................ 8 4.1.8 Bekanntheit und Verbreitung des Begriffs Big Data.................................................... 44
2.2.3 Treiber ist das Management, nicht die IT.................................................................... 9 4.1.9 Bedeutung einzelner Datenarten für den Unternehmenserfolg................................... 44
2.2.4 Interne Ressourcen sind knapp und werden ausgebaut.............................................. 9 4.1.10 Funktionsbereiche, die Daten mit hoher Veränderlichkeit auswerten.......................... 45
2.3 Ergebnisse aus den Branchenworkshops.................................................................... 9 4.1.11 Big-Data-Anwendungsfälle........................................................................................ 46
2.3.1 Finanzwirtschaft: Effizienz nach innen, Individualisierung nach außen........................ 9 4.1.12 Ziele von Big-Data-Anwendungen............................................................................. 47
2.3.2 Telekommunikation und Medien: Braucht es noch Marktforschung?.......................... 9 4.1.13 Barrieren für Big Data................................................................................................ 47
2.3.3 Handel: Der Traum vom IT-gestützten Tante-Emma-Laden.......................................... 10 4.1.14 Technologien............................................................................................................. 48
2.3.4 Marktforschung: Markt für Marktforschung wird größer............................................ 10 4.1.15 Personal für Big Data................................................................................................. 49
2.3.5 Versicherungen: Der Trend zu Versicherungen in HD.................................................. 10 4.1.16 Budget...................................................................................................................... 50
2.4 Effizienz steigern durch Big Data............................................................................... 10 4.1.17 Erwünschte Fördermaßnahmen................................................................................. 51
4.2 Fazit der Online-Befragung........................................................................................ 52
Recherche nach Big DaTA Anwendungsfällen....................................................... 13
3.1 Kategorien................................................................................................................ 13 Ergebnisse der Branchenworkshops........................................................................ 54
3.1.1 Branche und Unternehmensbereich........................................................................... 13 5.1 Methodik.................................................................................................................. 54
3.1.2 Ziele.......................................................................................................................... 15 5.1.1 Betrachtete Fragestellungen je Branche..................................................................... 54
3.1.3 Aktualität und Reaktionsweise................................................................................... 16 5.1.2 Durchgeführte Branchenworkshops........................................................................... 54
3.1.4 Datenquellen ............................................................................................................ 20 5.2 Workshop Finanzen................................................................................................... 54
3.1.5 Aufgabe.................................................................................................................... 22 5.2.1 Datenquellen............................................................................................................. 54
3.1.6 Analyse..................................................................................................................... 24 5.2.2 Prozessverbesserungen.............................................................................................. 54
3.2 Gruppen ähnlicher Anwendungsfälle......................................................................... 26 5.2.3 Innovative Produkte................................................................................................... 55
3.2.1 Personalisierte Ansprache von Kaufinteressenten ...................................................... 27 5.2.4 Fazit.......................................................................................................................... 55
3.2.2 Personalisierte Ansprache von (potenziellen) Mitarbeitern ......................................... 29 5.3 Workshop Telekommunikation und Medien............................................................... 55
3.2.3 Marktmonitoring für Verkaufschancen....................................................................... 30 5.3.1 Datenquellen............................................................................................................. 55
3.2.4 Optimierung des Betriebs ......................................................................................... 31 5.3.2 Prozessverbesserungen.............................................................................................. 56
3.2.5 Finanzielle Risiken und Betrug.................................................................................... 34 5.3.3 Innovative Produkte................................................................................................... 56
3.2.6 Erkennung von Attacken........................................................................................... 36 5.3.4 Fazit.......................................................................................................................... 57
3.2.7 Innovative oder verbesserte Produkte und Dienstleistungen....................................... 37 5.4 Workshop Marktforschung........................................................................................ 57
3.2.8 Zusammenfassung..................................................................................................... 40 5.4.1 Datenquellen............................................................................................................. 57
2 35.4.2 Prozessverbesserungen.............................................................................................. 57
5.4.3 Innovative Produkte................................................................................................... 57
5.4.4 Fazit.......................................................................................................................... 58
5.5 Workshop Handel...................................................................................................... 58
5.5.1 Datenquellen............................................................................................................. 58
5.5.2 Prozessverbesserungen.............................................................................................. 59
5.5.3 Innovative Produkte................................................................................................... 59
5.5.4 Fazit.......................................................................................................................... 59
5.6 Workshop Versicherungen......................................................................................... 59
5.6.1 Datenquellen............................................................................................................. 59
5.6.2 Prozessverbesserungen.............................................................................................. 60
5.6.3 Innovative Produkte................................................................................................... 60
5.6.4 Fazit.......................................................................................................................... 60
5.7 Gemeinsame Themen in den Workshops................................................................... 61
FaziT...................................................................................................................................... 62
6.1 Chance »Effizientere Unternehmensführung«........................................................... 62
6.2 Chance »Massenindividualisierung von Services«....................................................... 62
6.3 Chance »Intelligente Produkte«................................................................................. 62
Anhang................................................................................................................................ 63
7.1 Steckbriefe der Big-Data-Anwendungsfälle................................................................ 63
4 5Einleitung Executive Summary
1. »Big Data – Big Opportunities« Neuere IT-Systeme können dabei helfen, Big Data zur Beant 2. Die Innovationspotenzialanalyse
1,8 Zettabyte an Daten wurden im letzten Jahr erstmals wortung existierender, aber auch neuer Fragestellungen Gefördert vom Bundesministerium für Wirtschaft und Technologie BMWi hat das Fraunhofer-
weltweit produziert – und Prognosen zufolge verdoppelt sich auszuwerten. Das ermöglicht sowohl Prozessverbesserungen Institut für Intelligente Analyse- und Informationssysteme IAIS in Sankt Augustin eine
das Volumen alle zwei Jahre. Das rasante Wachstum der Da- als auch Produktinnovationen. Die Vereinten Nationen etwa weitreichende Untersuchung zu Nutzung und Potenzial von Big Data durchgeführt. Ziel ist es,
tenmengen, das die Digitalisierung unseres Planeten mit sich können mittlerweile drohende Virusinfektionen, Hungersnöte das Thema stärker in der deutschen Wirtschaft zu etablieren.
bringt, sowie ihre Analyse und Auswertung haben den Begriff oder Unruhen über ganze Länder hinweg früher erkennen, da Das Projekt umfasste drei Säulen: eine internationale Recherche zum Umgang mit Big Data und
»Big Data« geprägt. Große, unterschiedliche Datenmengen Millionen öffentlicher Kurznachrichten mit Fotos und Videos konkreten Anwendungen, eine Onlinebefragung unter Unternehmen, sowie Workshops mit
entstehen in hoher Geschwindigkeit. So etwas passiert auswertbar sind. In Irland bietet eine Firma an, einen Wald mit Vertretern unterschiedlicher Branchen.
zum Beispiel, wenn ein Energieerzeuger auf die jährliche Lasern zu erfassen und nach kurzer Zeit zu berechnen, welche
Stromablesung verzichtet und dafür im Viertelstundentakt die Bäume es gibt und wie man den Wald besser bewirtschaftet. 2.1 Ergebnisse der Recherche nach Anwendungsfällen
Messdaten der Stromzähler elektronisch abliest. Oder wenn Und in naher Zukunft könnte das Smartphone bereits die Ergebnis der Recherche sind 55 Big Data-Anwendungsfälle. Die Anwendungsfälle decken ver-
ein Flugzeugturbinenhersteller bereits nach der Landung ana- attraktiven Plätze im Lieblings-Restaurant reserviert haben, schiedene Branchen und Unternehmensbereiche ab. Jedoch gibt es Schwerpunkte, und zwar in
lysieren möchte, welche Turbinen in die Inspektion müssen. wenn man gerade erst von der neuen Dienstreise erfahren hat. den Unternehmensbereichen, die für die jeweilige Branche am charakteristischsten sind: »Mar-
keting, Vertrieb und Kundenbetreuung« im Handel, »Produktion, technische und IT-Services«
Aktuell stehen viele Unternehmen vor der Herausforderung, Hinter all diesen Beispielen steckt Big Data – Technologien in der Industrie, »Finanz- und Risiko-Controlling« in Banken und Finanzen, »Dienstleistung und
dass sie immer größere Datenmengen speichern, verwalten und das spezielle Know-how, aus diesem unerschöpflichen Support« im Dienstleistungssektor.
und analysieren müssen, um sie für ihre Geschäftsprozesse Potenzial neue Mehrwerte zu erzeugen. In der vorliegenden
optimal verwerten zu können. Big Data ist nicht mehr länger Dokumentation wird zusammenfassend dargestellt, welches 2.1.1 Big-Data-Anwendungen tragen zu vielen Zielen bei
nur eine Herausforderung für eine spezifische Branche – das Potenzial Big Data für Prozessverbesserungen und Produktin- Die Steigerung der Umsätze und Einsparung von Kosten zählen zu den häufigsten Zielen,
Thema betrifft alle Wirtschaftszweige, Organisationen und novationen in deutschen Unternehmen mit sich bringt und und zwar maßgeblich im Handel. Bei Banken und Versicherungen ist die Erkennung von
Nutzer von digitalen Technologien. Weitere Beispiele sind welche offenen Fragen und Hürden aktuell bestehen. Compliance-Problemen, vornehmlich in Zusammenhang mit Betrugsversuchen, das wichtigste
Verbindungsdaten im Mobilfunk, Überweisungsdaten oder Ziel. Im Dienstleistungssektor, und hier besonders durch die evidenzbasierte Medizin, steht die
Echtzeitnachrichtendaten wie Twitter-Meldungen im Internet. datenbasierte Planung im Fokus. Im Industriesektor sind die Ziele sehr vielfältig.
Abbildung 1: Orientierung, Pläne und neue Produkte und DIenstleistungen durch Big Data können hohe Abbildung 2: Ziele von Big Data-Anwendungen nach Branche
Innovationspotenziale aufweisen
12
Disproportionale
Wertschöpfung 10
Anzahl Anwendungsfälle
8
Analysieren
Produkte & 6
Services
4
Orientieren
2
Strategie Branche offen
0 Industrie
(Fertigung)
en
e
e
t
e-
g
t-
itä
tz
kt
un
nc
ät k
st
sä
du
lit du
iv
Banken &
Ko
ia
an
m
kt
ro
ua Pro
pl
Pl
rU
du
n
Versicherungen
m
rP
vo
e
ro
Co
eq r
de
rt
ue
ic e
ng
rv g d
rP
ie
n
g
ne
IKT
s
en o
ru
n
de
ba
Se n
m v
ru
g
d hu
pa
le n
en
un
ng
ge
e
Handel
ns
un rhö
ob nn
at
kl
hu
ei
Ei
D
ic
St
Pr e
E
hö
tw
k
Dienstleistung
Er
Er
En
6 72.1.2 Es liegen vielfältige Aufgabengebiete für Big- Unternehmenserfolg einschätzen. Es wird deutlich, dass neben einer Branche zum Aufbau strategischer Wettbewerbsvorteile Data-Themen steigen sollte. Die Forschungs-Hypothese wird
Data-Anwendungen vor Daten aus Transaktions- sowie CRM-Systemen ein weites beitragen, wenn in dieser Branche insbesondere über die Pro- durch die Antworten der Teilnehmer aus der Online-Befragung
Die Anwendungsfälle dienen verschiedenen konkreten Aufga- Spektrum an unstrukturierten und veränderlichen Daten in duktivität konkurriert wird (Automobilbau). In anderen Bran- eher bestätigt. Die erforderlichen Ressourcen zum Arbeiten
ben. Um einen Überblick zu gewinnen und Gemeinsamkeiten den Unternehmen existieren und ihre heutige Relevanz noch chen kann die Kosteneinsparung zu den besonders relevanten mit großen Datenmengen sind in der Mehrzahl der KMU noch
herauszuarbeiten, wurden die Aufgaben so abstrahiert, dass untergeordneter Natur ist. Die Teilnehmer können weiterhin Zielen gehören, um an Wettbewerbsfähigkeit zu gewinnen nicht vorhanden, jedoch sollte sich dieses Bild in den nächsten
sich Gruppen mit ähnlichen Eigenschaften ergeben: benennen, welche Unternehmensbereiche Daten mit hoher (Handel). Das Potenzial von Big Data Anwendungen bedient fünf Jahren zum Positiven verändern. Um bestehenden Defizite
Veränderlichkeit auswerten. Daraus zeichnet sich ab, dass viele Ziele und steigert im Kern die Wettbewerbsfähigkeit. zu ändern, wünschen sich 95 Prozent der Befragten Förderung
II Marktmonitoring für Verkaufschancen insbesondere das Marketing und der Vertrieb sowie das in Form von Best Practices oder Trainings.
II Personalisierte Produktempfehlung Management und die Produktion zu den Big Data-affinen 2.2.3 Treiber ist das Management, nicht die IT
II Kündigerfrüherkennung Unternehmensbereichen zählen. Mit Blick auf die Funktionen der Teilnehmer der Online- 2.3 Ergebnisse aus den Branchenworkshops
II Mitarbeitergewinnung Befragung zeigt sich, dass sich der größte Teil der Teilnehmer Die Angaben aus der Online-Befragung bestätigten sich
II Absatzprognose für Planung und Steuerung Es ist den Teilnehmern möglich, eine Bewertung potenziell nicht eindeutig einem Funktionsbereich zuordnen kann, die auch in den Zukunftsworkshops mit Vertretern der Branchen
II Vorausschauende Instandhaltung relevanter Anwendungen auf Basis von Big Data in ihrem zweitgrößte Gruppe jedoch aus dem Management stammt. Telekommunikation/Medien, Handel, Finanzwirtschaft, Versi-
II Umsichtige Steuerung Unternehmen vorzunehmen. So werden Anwendungen Häufige Titelnennungen in den Freitextantworten zur Funktion cherung und Marktforschung. Die Ergebnisse der Diskussionen
II Betrugserkennung als besonders relevant eingeschätzt, die eine Prognose der weisen auf kaufmännische Tätigkeiten hin, während ver- um Anforderungen, Ziele und Herausforderungen für den
II Finanzielle Risikoabschätzung Werbewirksamkeit, Abverkäufe und Mikrosegmentierung gleichsweise wenige Titel eindeutig auf IT verweisen. Das hohe Einsatz von Big Data wurden in Roadmaps zusammengefasst.
II Erkennung von Attacken ermöglichen, gefolgt von Anwendungen zum Monitoring von Interesse an Anwendungen im Bereich Marketing und Vertrieb Insgesamt zeigte sich in der qualitativen Analyse, dass Big
II Produktverbesserung Markenwahrnehmung, Wettbewerbern, Marktpreisen und sowie das Ziel der Wettbewerbssteigerung deutet darauf hin, Data kein reines Technologie-, sondern vor allem ein Strategie-
II Innovative Produkte Kaufinteressenten im Web sowie Besucherströmen vor Ort. dass Big Data eher ein Management-Thema ist, als dass es thema ist.
Auch die automatische Preissetzung, Kündigeranalyse sowie durch die IT dominiert wird. Inwieweit es damit zusammen
Schwerpunkt im Handel sind Absatzprognose, Marktmo- personalisierte Kundenansprache zählen zu den favorisierten hängt, dass es datenbasierte Entscheidungen erleichtert, kann 2.3.1 Finanzwirtschaft: Effizienz nach innen,
nitoring und umsichtige Steuerung. Marktmonitoring, Big Data Anwendungen. Es kann davon ausgegangen werden, nicht eindeutig beantwortet werden. Individualisierung nach außen
vorausschauende Instandhaltung sowie innovative und dass KMU die Potenziale von Big Data bekannt sind. Kurzfristig sehen die Teilnehmer des Workshops, dass die
verbesserte Produkte sind typische Aufgaben in Industrie und Die datenbasierte Planung und Entscheidungsfindung ist als Finanzbranche stark an Effizienzgewinnung durch die Nutzung
Dienstleistung. Bei Banken und Versicherungen geht es um 2.2.2 Steigerung der Wettbewerbsfähigkeit als eines von vielen Zielen in Bezug auf den Big Data Einsatz in von Big Data interessiert ist. Belastbare Kosten-Nutzen-
Betrugserkennung und Risikoabschätzung. wesentliches Ziel einem Unternehmen und einer Branche benannt. Kalkulationen stehen im Vordergrund. Allerdings wird auch
Das größte Potenzial von Big Data sehen die Befragten mit gesehen, dass neue Anbieter u.a. aus fremden Branchen in
2.2 Ergebnisse der Online-Befragung deutlichem Abstand im Aufbau strategischer Wettbewerbs- 2.2.4 Interne Ressourcen sind knapp und werden der Lage sein könnten, dank Big Data potenziell interessantere
Die Online-Befragung hatte zum Ziel, das Verständnis über vorteile (69 Prozent). Es folgen die Steigerung der Umsätze ausgebaut Finanzprodukte anzubieten, sofern dies regulativ möglich ist.
die Potenziale von Big Data bei kleinen und mittelständischen (61 Prozent) und die Einsparung von Kosten (55 Prozent). Die Die Teilnehmer der Online-Befragung sehen sich in ihren Das Innovationspotenzial von Big Data in der Finanzbranche
Unternehmen (KMU) in Deutschland abzufragen. Insgesamt Erhöhung der Produktivität und die datenbasierte Planung Unternehmen aktuell nicht optimal aufgestellt, wenn es um die wurde von allen Beteiligten gesehen. Allerdings ist offen,
nahmen Entscheider aus 82 KMU und Großunternehmen und Entscheidungsfindung sind weitere Ziele, die mit Big notwendigen Ressourcen für die Arbeit mit Big Data geht. Das welches deutsche Unternehmen dieses Potenzial nutzen wird.
unterschiedlicher Branchen an der Onlinebefragung teil. Data erreichbar scheinen. Diese Ergebnisverteilung macht beginnt mit fehlenden oder unzureichenden internen Budgets
deutlich, dass die Anwendung von Big Data nicht allein einem und endet mit unklaren personellen Verantwortlichkeiten und 2.3.2 Telekommunikation und Medien:
2.2.1 Potenzial von Big Data ist KMU bekannt bestimmten Ziel dienen muss. ausbaufähigen Kompetenzen. In den kommenden fünf Jahren Braucht es noch Marktforschung?
Die Online-Befragung zeigt, dass die Unternehmen sollte nach Angaben der Teilnehmerinnen und Teilnehmer die Im Workshop Telekommunikation und Medien bildete sich die
mehrheitlich angeben können, welche Daten in ihrem Un- Je nach Anwendung können auch mehrere Ziele gleichzeitig Personalausstattung deutlich steigen. Ähnliches gilt für das gemeinsame Auffassung, dass die Branche bereits heute über
ternehmen vorliegen und wie sie deren Bedeutung für ihren unterstützt werden. Eine Erhöhung der Produktivität kann in Budget: 67 Prozent sind der Meinung, dass das Budget für Big- sehr viele Daten verfügt, diese jedoch erst in geringerem Maße
8 9in die Verbesserung von Prozessen und noch weniger in die lung, auch als »Data Science« beschrieben, wird mittelfristig Regularien und Praktiken in Bezug auf Datenschutz mitunter Maschinen. Bisherige standardisierte Dienstleistungen werden
Entwicklung neuer Produkte und Dienstleistungen einfließen. deutlich zunehmen. Kurzfristig sind Experten mit Data-Science- sehr von den Vorgaben in den USA unterscheiden. Mittel- bis zunehmend individualisiert angeboten.
Mittelfristig ist auch hier der Trend zu Prozessen und Dienst- Kompetenzen wenig verfügbar, aber sehr gefragt. langfristig angelegte Produkt- und Serviceinnovationen auf
leistungen zu erkennen, die auf eine kontinuierliche Analyse Basis von Big Data erfordern entsprechend qualifiziertes Intelligentere Produkte durch Big Data
von Daten aufsetzen und damit die Basis für effizienteres 2.3.5 Versicherungen: Der Trend zu Versicherungen in HD Personal, welches idealerweise das strategische Wissen des Schon heute verfügen viele Maschinen und Anlagen über Sen-
Unternehmensmanagement und neuartige Monitoring- Für die Versicherungsbranche sahen die Experten eine Reihe Unternehmens bündelt. Hier wird es seitens der jeweiligen soren, die über den Wartungszustand etc. Auskunft geben. Es
Dienstleistungen für Endkunden bilden. Langfristig stellen sich aktueller und künftiger Herausforderungen, die durch den Unternehmensführung erforderlich sein, die notwendigen gibt selbstlernende Thermostate, selbstregulierende Häuser,
die Teilnehmer vor, dass eine zunehmende Automatisierung Einsatz von Big Data bestehen. Im Status quo ist dank des Schritte zum Aufbau der entsprechenden inhouse-Expertise autonom fahrende Fahrzeuge. In Zukunft werden immer mehr
und Individualisierung sehr komplexe Geschäftsmodelle wie heutigen Datenschutzes und der Einwilligungen seitens der und zur Investition in mittel- bis langfristig wirksame Produkte Produkte und Maschinen mit eigener Big-Data-Intelligenz aus-
das der Smart Cities und Smart Grids ermöglichen, deren kon- Kunden der Umgang mit personenbezogenen Daten geregelt. und Services auf Basis von Big Data einzuleiten. Entscheidend gestattet sein, um die Sensordaten direkt zu verarbeiten und
krete Anwendungen bislang nur in groben Zügen erkennbar In Zukunft könnten weitere Datenquellen, die z.B. durch Mo- für beide skizzierten Stränge ist, dass die Unternehmensfüh- zu reagieren, sich zum Beispiel auf besondere Anforderungen
sind. Auch hier gilt, dass die Nutzung von Big Data immer vor nitoring bzw. Prognose entstehen, die Basis für verhaltensori- rung die Chancen aber auch kulturellen Herausforderungen einzustellen und sich selbst zu reparieren.
dem Hintergrund der Datenschutzbestimmungen gesehen entierte Versicherungsprodukte bilden. Beispielhaft zu nennen (an-)erkennt, stärker datengetrieben zu operieren und die
werden und die Gesellschaft angesichts der Zukunftserwar- sind hier Daten aus Telematik-Systemen, aus Social Media oder Fähigkeit zur intelligenten Nutzung von Daten in Produkten Die deutsche Wirtschaft hat das Innovationspotenzial von Big
tungen der Teilnehmer viele neue Antworten finden muss, um digitalen Patientenakten. Ob derartige Innovationspotenziale und Services als schwierig kopierbaren Wettbewerbsvorteil zu Data trotz aller begrifflichen Unschärfen erkannt. Vielfältige
gesellschaftlich akzeptablen Fortschritt zu ermöglichen. auch von den Endkunden angenommen werden, bleibt offen. entwickeln. Anwendungsmöglichkeiten sind sowohl im Dienstleistungs-
bereich als auch in der Industrie gegeben. Es sollte daher mit
2.3.3 Handel: Der Traum vom IT-gestützten Tante-Emma- 2.4 Effizienz steigern durch Big Data Zusammenfassend lassen sich aus dem fachlichen Innovations- entsprechenden gesellschaftlichen Klärungen und Weiterent-
Laden Im Gesamtkontext der Innovationspotenzialanalyse fiel auf, potenzial von Big Data-Anwendungen, der hohen Relevanzein- wicklungen im Bereich des Datenschutzes und der Datensi-
Der Handel sieht klare Modernisierungschancen durch Big dass in den branchenspezifischen Zukunftsworkshops ähnliche schätzung durch die KMU und den konkreten Innovationspo- cherheit möglich sein, das Innovationspotenzial durch höhere
Data. Datengetriebene Infrastrukturen werden zunehmend Muster in der Wahrnehmung von Nutzungsmöglichkeiten von tenzialen aus den Branchenworkshops drei Chancen für den Effizienz, stärkere Individualisierung von Dienstleistungen und
als Service angeboten und können dadurch auch kapital- Big Data bestehen. Einsatz von Big Data in deutschen Unternehmen ableiten: zunehmend intelligente Produkte zu realisieren, um auch als
schwächeren Handelsunternehmen oder Einzelhändlern einen Volkswirtschaft an Wettbewerbsfähigkeit zu gewinnen.
schnelleren Zugang zum (Online-)Markt liefern. Mittelfristig So ließen sich kurzfristig in allen Branchen unmittelbare Po- Effizientere Unternehmensführung durch Big Data
ist es auch hier die Individualisierung (Tante-Emma-Laden als tenziale in der Effizienzsteigerung der Unternehmensführung So lassen sich etwa im Einzelhandel genauere Prognosen
Metapher), die den Unterschied in der Kundenansprache und durch Big Data erkennen. Branchenspezifisch waren jeweils die treffen, wann welches Produkt verkauft wird und nachbestellt
Kundenbindung ausmacht. Längerfristig scheinen die Daten entsprechenden Anwendungen und Datenquellen. Langfristig werden muss. Die Energiebranche kann besser vorhersagen,
selbst zum Produkt zu werden. war in allen Branchen von einer Massenindividualisierung von wie viel Strom wann benötigt wird. Und bei einfachen Prozes-
Services und zunehmend intelligenten Produkten die Rede, die sen wie der Postbearbeitung können lernende Systeme durch
2.3.4 Marktforschung: Markt für Marktforschung von Big Data und der jeweils notwendigen Analysefähigkeit automatisierte Abläufe für mehr Effizienz sorgen.
wird größer profitieren. Da die Durchführung von kurz- bis mittelfristigen
Die Marktforschung sollte nach Meinung der Experten wie Projekten zur Effizienzverbesserung von belastbaren Kosten- Massenindividualisierung durch Big Data
kaum eine andere Branche von der Nutzung von Big Data profi- Nutzen-Kalkulationen abhängt, sind deutlich mehr branchen- Wenn Systeme während der Bearbeitung einer Anfrage
tieren. Neue Angebote werden entstehen, die auf Algorithmen spezifische Referenzbeispiele notwendig. Hier liegen speziell relevante Informationen über den Kunden mitlernen,
und neuartigen Visualisierungsverfahren basieren und Kunden in Deutschland noch nicht viele öffentlich kommunizierte können Dienstleistungen künftig auf die einzelne Person
einen aktuelleren und detaillierteren Einblick in Märkte bieten. Referenzprojekte vor und es herrscht bei den Unternehmen oder das Objekt individualisiert werden. Nutzungsbezogene
Sowohl Kunden als auch Anbieter arbeiten in Zukunft stärker eine gewisse Unsicherheit, inwieweit erfolgreiche Projekte Versicherungsprodukte, tägliche Gesundheitsdiagnosen, indivi-
mit computerbasierter Statistik. Eine solche Kompetenzentwick- aus den USA als Vorlage dienen können, da sich die hiesigen dualisierte Unterhaltung oder der vorausschauende Service bei
10 11Recherche nach Big DaTA
Anwendungsfällen
Innovationspotenzial- Um genauer zu verstehen, welche innovativen Anwendungs-
fälle für Big Data in der Wirtschaft bereits existieren, wurde
3.1 Kategorien
Die Fälle wurden in folgende Kategorien eingeteilt:
analyse Big Data –
zunächst eine Recherche im World Wide Web durchgeführt. II Unternehmensbereich
Anschließend wurden die identifizierten Anwendungsfälle von II Branche
Big Data aus einer fachlichen Sicht analysiert. Die wichtigsten II Ziele
Auswahlkriterien waren: II Aktualität
II Reaktion
Ergebnisse im Detail
II Verarbeitung von umfangreichen, veränderlichen Daten- II Datenquellen
mengen II Aufgaben
II Analytische Fragestellungen II Analysen.
II Abdeckung möglichst verschiedener Branchen und Unter-
nehmensbereiche 3.1.1 Branche und Unternehmensbereich
II Verschiedenartigkeit der Anwendungsfälle Die Kategorie »Unternehmensbereich« bestimmt sich aus den
II Möglichst Nennung eines Anwenders Antwortmöglichkeiten in der Befragung:
II Marketing, Vertrieb und Kundenbetreuung (im folgenden
Anwendungsfälle, wo bisherige Daten in neuartige kurz »Marketing«)
Datenbanken transferiert werden und dadurch eine bessere II Produktion, technische und IT-Services (kurz »Produktion«)
Skalierbarkeit, Kosteneinsparung oder ein rein quantitativer II Dienstleistung und Support
Zeitgewinn erreicht wird, fallen damit aus der Betrachtung II Distribution und Logistik
heraus. Durch eine beschleunigte Verarbeitung oder durch die II Finanz- und Risiko-Controlling, Compliance
Kombination von Datenquellen sollen in Unternehmen neue II Forschung und Produktentwicklung
analytische Fragestellungen beantwortet werden. II Management, Geschäftsführung
Ergebnis der Recherche sind 55 Anwendungsfälle, die im Die Kategorie »Branche« oder »Sektor« orientiert sich eben-
Anhang als Steckbriefe gelistet werden. Um sie zu vergleichen, falls an der Umfrage, nimmt hier jedoch eine feinere Unter-
wurden Kategorien gebildet, die sich im Wesentlichen an der teilung des Sektors »Dienstleistung« vor (siehe Tabelle 1). So
Unternehmensbefragung (siehe Abschnitt 4) orientieren. können die Anwendungsfälle für Banken und Versicherungen
bzw. für IKT-Unternehmen differenziert betrachtet werden.
Tabelle 1: Bezug zwischen Sektor in der Umfrage und der Kategorie Sektor
Sektor in der Umfrage Sektor in den Steckbriefen
Handel II Handel, inkl. Gastronomie
Dienstleistung II Banken und Versicherungen
II IKT
II Dienstleistung inklusive Medien, Medizin, öffentliche Sicherheit
Industrie II Industrie, inklusive Energie
12 13Die ausgewählten Anwendungsfälle decken die verschiedenen »Marketing, Vertrieb und Kundenbetreuung« im Handel, 3.1.2 Ziele Jedem Fall wurde ein möglichst spezifisches Ziel zugeordnet.
Branchen und Unternehmensbereiche gut ab, wie die »Produktion, technische und IT-Services« in der Industrie, Auch die Ziele der Anwendungsfälle wurden den Optionen der Gemäß der folgenden Abbildung sind die Steigerung der Um-
folgende Grafik veranschaulicht. Es gibt jedoch Schwerpunkte, »Finanz- und Risiko-Controlling« in Banken und Finanzen, Befragung angelehnt und wie folgt eingeteilt: sätze und die Einsparung von Kosten die häufigsten Ziele, und
und zwar in den Unternehmensbereichen, die für die jeweilige »Dienstleistung und Support« im Dienstleistungssektor. II Steigerung der Umsätze zwar maßgeblich im Handel. Bei Banken und Versicherungen
Branche am charakteristischsten sind: II Einsparung von Kosten ist die Erkennung von Compliance-Problemen, vornehmlich in
II Erhöhung der Produktivität Zusammenhang mit Betrugsversuchen, das wichtigste Ziel. Im
II Aufbau strategischer Wettbewerbsvorteile Dienstleistungssektor, und hier besonders durch die evidenz-
II Datenbasierte Planung und Entscheidungsfindung basierte Medizin, herrscht die datenbasierte Planung vor. Im
Abbildung 3: Unternehmensbereich und Branche
II Entwicklung neuer Produkte und Dienstleistungen Industriesektor sind die Ziele am vielfältigsten.
16 II Verbesserung des Kundenservices
II Erkennen von Compliance-Problemen
14 II Erhöhung der Produkt- und Servicequalität
12
Anzahl Anwendungsfälle
Abbildung 4: Ziele und Branche
10
12
8
10
6
Anzahl Anwendungsfälle
Branche offen
8
4
Industrie
(Fertigung)
6
2 Banken &
Versicherungen
IKT 4
0
Marketing, Produktion, Finanz- und Forschung und Management, Handel
Vertrieb technische und Risiko-Controlling, Produktentwicklung Geschäftsführung
Dienstleistung 2
und Kundenbetreuung IT-Services Compliance
Branche offen
0 Industrie
(Fertigung)
en
e
e
t
m e-
lit t-
g
itä
tz
kt
ua uk
un
le nc
ät
st
en
sä
du
iv
Banken &
Ko
ob lia
eq d
an
m
kt
ic ro
ro
Pr mp
Pl
rU
du
n
rv P
Versicherungen
rP
vo
e
Se er
ro
Co
de
rt
ue
d
ng
rP
sie
n
ng
ne
g
IKT
vo
ru
de
un un
ba
ru
g
pa
en
öh
en
d
un
ng
ge
Handel
ns
nn
at
h
kl
hu
ei
Ei
Er
D
ic
St
ke
hö
tw
Dienstleistung
Er
Er
En
14 153.1.3 Aktualität und Reaktionsweise
Abbildung 5: Aktualität und Reaktionsweise Tabelle 2: Kombination von Aktualität und Reaktionstyp
Die Kategorie »Aktualität« (oder Geschwindigkeit, Velocity)
fragt danach, wie oft Analysen auf aktualisierten Daten durch- 30
Reaktion
geführt werden. Drei Möglichkeiten werden unterschieden:
25 nicht automatisiert automatisiert
II laufend: (fast) in Echtzeit, auf Datenströmen laufend
II täglich: ein oder mehrfach täglich 20 Es werden laufend anfallende Daten analysiert Es werden laufend anfallende Daten analysiert
II seltener und die Reaktion ist nicht automatisiert und die Reaktion ist automatisiert
15
Analysen, die nahezu in Echtzeit erfolgen, werden auf täglich
Aktualität
10
Datenströmen durchgeführt. Die Geschwindigkeit der Daten Es werden täglich anfallende Daten analysiert Es werden täglich anfallende Daten analysiert
bestimmt nicht unbedingt die Häufigkeit der Analyse. Analysen und die Reaktion ist nicht automatisiert und die Reaktion ist automatisiert
5
werden benötigt, wenn Entscheidungen in Geschäftsprozessen
anstehen. Abrechnung nach Nutzung oder Maßnahmen, um 0 bei Bedarf
die Abwanderung von Mitarbeitern zu verhindern, sind tägliche laufend täglich Bei Bedarf Die Daten werden für Analysen bei Bedarf
Aktivitäten, auch wenn die Daten laufend eingehen. In einem Daten aktualisiert und die Reaktion ist nicht
Nicht automatisch automatisch
sozialen Netzwerk können die Nutzer laufend Erfahrungen automatisiert
mit Medikamenten hinzufügen, die Inhalte müssen aber nicht
unbedingt täglich in eine Analyseumgebung für evidenzbasierte
Medizin eingebracht werden. Nimmt man an, dass Analysen, auf die vollautomatisch
reagiert wird, verlässlicher sein müssen, so lassen sich die Tabelle 2 schlüsselt Aktualität und Reaktionsweise weiter auf tägliche eher automatisch reagiert. Unter die täglichen
Die Einteilung der Anwendungsfälle nach Reaktionstyp ist nicht Kategorien »Automatisierte Reaktion« und »Aktualität« nach Branchen auf. Nun zeigt sich, dass der Schwerpunkt Analysen fallen zum Beispiel vollautomatische Abrechnungen
immer einfach, je nachdem, wo man die Grenze zwischen gut kombinieren. Je dunkler die Farbe in Tabelle 2, umso der Fälle in der Industrie auf laufenden Analysen liegt, auf die nach Nutzung. Nicht für alle Fälle werden Anwender genannt.
Analysemodul und Weiterverarbeitung im Geschäftsprozess anspruchsvoller wäre die Anwendung. aber nicht automatisch reagiert wird. Zum Beispiel wird bei Das betrifft auch die Fälle von Echtzeitanalysen für Banken
zieht. Analyse-Module ohne automatische Reaktion können der präventiven Instandhaltung auf den Verdacht meist nicht und Versicherungen. In konkreten Anwendungen können die
beim Kunden in Prozesse mit vollautomatischer Reaktion vollautomatisch reagiert. Im Handel gehen viele automatisierte Analyseergebnisse in konkrete automatisierte Geschäftspro-
eingebaut werden. Ein Beispiel sind Überwachungskameras, Reaktionen auf Echtzeitanalysen mit Produktempfehlung in zesse eingebaut werden.
die Besucher zählen und diese Daten in die automatisierte Online-Systemen zusammen. Auf täglich durchgeführte Analy-
Personaleinsatzplanung einfließen lassen. sen wird eher manuell reagiert, zum Beispiel für die Disposition. Das Cluster »bei Bedarf durchgeführte Analysen ohne
automatische Reaktion« beherrscht den Dienstleistungs-
Die Anwendungsfälle unterscheiden sich auch darin, ob das Bei Banken und Versicherungen verhält es sich eher sektor. Hierein fallen Analysen auf großen Datenmengen in
Analyseergebnis zu einer vollautomatisierten Reaktion führt oder umgekehrt. Auf laufende Analysen wird nicht automatisch, der Medizin.
ob es von Menschen weiter verarbeitet wird. Abbildung 5 zeigt,
dass in den meisten Fällen die Daten laufend analysiert werden,
gefolgt von täglichen Analysen. Automatische und nicht auto-
matische Reaktionen sind etwa gleich verteilt. Seltenere Analysen
»bei Bedarf« führen nicht zu automatisierten Reaktionen.
16 17Abbildung 6 stellt die Aktualität der Daten den Unterneh- wendungsfällen aus den Unternehmensbereichen »Produk-
Tabelle 3: Aktualität, Reaktion und Branche
mensbereichen gegenüber. Dazu passend wurde in der tion, technische und IT-Services«, »Marketing, Vertrieb und
Umfrage nach der Veränderlichkeit der Daten gefragt. Sich Kundenbetreuung« sowie »Finanz- und Risiko-Controlling
Aktualität nicht automatisierte Reaktion automatisierte Reaktion laufend verändernde Daten findet man am meisten in An- und Compliance«.
laufend
Industrie 7
Handel 2 5 Abbildung 6: Aktualität der Daten und Unternehmensbereich
IKT 1 1
10
Banken&Versicherungen 5 2
Dienstleistung 1 2 9
offen 1
täglich 8
Industrie 2 1
7
Handel 4 1
IKT 1 6
Banken&Versicherungen 1 3
Dienstleistung 1 5
offen 2
4
bei Bedarf
Industrie 2 3
Handel 1
2
IKT
Banken&Versicherungen
1
Dienstleistung 3
offen 0
un d
nc -
vi e
un d
un ,
pp ng
gi on
ia o
hr nt
eu un
er ch
ic un
pl isik
g
s
e
g
g
t
ik
Su tu
Lo ti
fü e
ce
or
-S is
st
tr b
ts em
d ibu
w g
om d R
d eis
IT n
be rie
nt un
kl
d ech
äf g
un istr
un stl
en ert
, C un
ch na
te ch
un , t
n
laufend
D
nd , V
uk rs
es Ma
ie
ng -
n
lli nz
od Fo
D
tio
Ku ing
ro a
In allen Fällen sollten die Analysen auf aktualisierten Daten eine Ähnlichkeitsfunktion für die Produktempfehlung nicht täglich
n
uk
et
nt Fi
G
od
k
ar
Pr
durchgeführt werden können. Das bedeutet, die Datenvor- dauernd neu trainiert werden, Regeln für die Betrugserken- Pr
bei Bedarf
M
Co
verarbeitung muss automatisiert erfolgen. Es bedeutet jedoch nung aber wohl. Eine Kategorisierung der Fälle nach (selbst)
nicht unbedingt, dass die Analyseverfahren alle selbstlernend lernenden Verfahren wäre sicher interessant, aber diese
sind. Denn es müssen nicht immer neuartige Muster erkannt Information konnte aus den Fallbeschreibungen oft nicht, oder
und dafür neue Regeln gelernt werden. Zum Beispiel muss nur mit großer Unsicherheit, entnommen werden.
18 193.1.4 Datenquellen II Geschäftsdaten: Stammdaten/Falldaten, CRM-Daten, Laut Abbildung 8 ergibt sich zwischen der Art der Datenquel- alleine keine automatischen Reaktionen erzeugen, dazu
Die Datenquellen lassen sich nach ihrem Ursprung grob in drei Transaktionsdaten len und der Reaktionsweise kein Zusammenhang – mit der werden wohl zusätzliche Geschäftsdaten benötigt.
Gruppen unterteilen: Ausnahme, dass Analysen von menschengeneriertem Content
Abbildung 7 zeigt, dass die gesammelten Fälle das Spektrum
II Maschinengeneriert: Sensordaten, Logdaten, Sprache/Audio/ der verschiedenartigen Datenquellen gut abdecken, aber ein
Video, Datendienste deutlicher Schwerpunkt auf der Kombination von Maschinen-
Abbildung 8: Art der Datenquellen und Reaktion
II von Menschen generierter Content: Social Media, Korres- daten mit Daten aus Geschäftssystemen liegt. Das ist im We-
pondenz, Publikationen/Patente, Bilder, Freitext, Formulare1, sentlichen auf den Industrie- und IKT-Sektor zurückzuführen. 16
Open Data/Web Content, Sprache/Audio/Video
14
12
Abbildung 7: Sektor und Art der Datenquellen
10
16
8
14
6
12
Anzahl Anwendungsfälle
4
10
2
8
0
6 Content Content & Geschäftssysteme Maschinen Maschinen & Content,
Geschäftssysteme Geschäftssytseme Maschinen &
Branche offen
Geschäftssysteme
4 Industrie
(Fertigung)
Nicht automatisch automatisch
2 Banken &
Versicherungen
IKT
0
Content Content & Geschäftssysteme Maschinen Maschinen & Content, Handel
Geschäftssysteme Geschäftssytseme Maschinen &... Dienstleistung
1 Formulare wurde als neue Art von Content mit aufgenommen.
20 21Ergänzt man Abbildung 8 um die Aktualität, so erhält man Big-Data-Analysen profitieren. Dass es keine Anwendungsfälle
Tabelle 5: Aufgaben
alle drei Dimensionen aus der Definition von »Big Data«. Das für tägliche Analysen gibt, die alle drei Arten von Datenquellen
Ergebnis in Tabelle 4 zeugt von der Vielfalt der Fälle, die von verarbeiten, ist vermutlich Zufall. Thema Aufgaben
Verkaufschancen nutzen II Marktmonitoring für Verkaufschancen
Personalisierte Ansprache von Kaufinteressenten II Personalisierte Produktempfehlung
Tabelle 4: Aktualität, Reaktionstyp und Verschiedenartigkeit der Datenquellen II Kündigerfrüherkennung
Personalisierte Ansprache von (potenziellen) Mitarbeitern II Mitarbeitergewinnung
Optimierung des Betriebs II Absatzprognose für Planung und Steuerung
Aktualität Nicht automatisierte Reaktion Automatisierte Reaktion
II Vorausschauende Instandhaltung
laufend
II Umsichtige Steuerung
3 Arten von Datenquellen 2 Finanzielle Risiken und Betrug II Betrugserkennung
2 7 5
II Finanzielle Risikoabschätzung
1 7 1
Erkennung von Attacken II Erkennung von Attacken
täglich 2
innovative oder verbesserte Produkte und Dienstleistungen II Innovative Produkte
3 Arten von Datenquellen 2
II Produktverbesserung
2 4
1 5
bei Bedarf 1
3 Arten von Datenquellen 1 1 Abbildung 9 zeigt die Verteilung der Aufgaben auf die Die Grafik zeigt auch, dass die Aufgaben Mitarbeitergewin-
Branchen. Schwerpunkt im Handel sind Absatzprognose, nung, Kündigerfrüherkennung und Erkennung von Attacken
2 3 1
Marktmonitoring und umsichtige Steuerung. Marktmonito- in wenige Anwendungsfälle aufgenommen wurden. Sie bilden
1 2 3
ring, vorausschauende Instandhaltung sowie innovative und trotzdem wichtige Aufgabenbereiche für Big-Data-Analysen.
verbesserte Produkte sind typische Aufgaben in Industrie und
Dienstleistung. Bei Banken und Versicherungen geht es vor
3.1.5 Aufgabe sich Gruppen mit ähnlichen Eigenschaften ergaben. Sie werden allem um Betrugserkennung und Risikoabschätzung.
Die Anwendungsfälle dienen verschiedenen konkreten Aufga- in Abschnitt 3.2 präsentiert. Tabelle 5 gibt einen Überblick über
ben. Um einen Überblick zu gewinnen und Gemeinsamkeiten die Aufgaben und die Themen, in die sie sich einordnen lassen.
herauszuarbeiten, wurden die Aufgaben so abstrahiert, dass
22 23Abbildung 10 zeigt, wie sich Aufgaben und Analysemethode Abschätzung, vorausschauend oder Empfehlung auf prädiktive
Abbildung 9: Aufgabe und Branche
entsprechen. Wörter wie Erkennung, umsichtig oder Analysen. Explorative Analysen herrschen insbesondere bei der
8 Monitoring in der Aufgabenbezeichnung deuten indirekt Produktverbesserung vor.
auf Monitoring-Analysen; Wörter wie Früherkennung,
7
Abbildung 10: Aufgabe und Analysemethode
6
Anzahl Anwendungsfälle
9
5
8
4
7
3
6
2
5
1
4
Branche offen
0
Industrie
ha ng
ng
g
ng
ng
n
g
te
g
ng
ng
er r
e e
en
g
un
ke
un
un
eu fü
pf rt
3
uk
(Fertigung)
un
sc ri
nu
ru
ltu
zu
g pro hlu
nc
m sie
ac
nn
er
nn
uf ito
St se
od
e
ät
in
ha
tt
eu
ss
te ali
d no
ke
ke
ka on
ch
ew
Pr
A
be
nd
Banken &
uk on
St
un g
r
er
bs
er tm
n
he
e
rg
er
ta
e
vo
tiv
gs
od ers
oa
Versicherungen
r V rk
ig
tv
te
rü
s
2
u
In
va
un tz
P
g
sik
ht
uk
fü Ma
ei
rf
tr
un
an sa
no
e
rb
ge
Be
sic
od
Ri
nd
Pl b
IKT
nn
ita
Pr
In
i
m
A
lle
nd
Pr
ue
U
ke
M
ie
Kü
ha
Handel
Er
nz
1
sc
na
us
Fi
Dienstleistung
ra
Vo
0
g
g
ng
ng
te
ng
g
n
ng
g
er r
n r
g
eu fü
ce fü
n
n
un
un
ke
un
uk
zu
ltu
lu
nu
nu
nu
ac
St se
er
er
an g
eh
od
ät
en
in
n
ch in
ha
d no
tt
ss
eu
ke
ch
pf
ew
Pr
fs tor
A
be
rk
nd
3.1.6 Analyse nisse, die man registrieren und verarbeiten möchte und auf
un g
St
er
m
bs
n
g pro
e
se
rg
er
au ni
ta
üh
tiv
e
vo
te
oa
ug
rk o
tv
ig
te
s
uk
un tz
In
Ve ktm
va
fr
Klassifikation
sik
g
In die Auswertung der Recherche nach Anwendungsfällen die man ggf. reagieren möchte.
k
ht
ei
tr
an sa
un
r
du
od
no
de
Be
rb
ge
sic
Ri
Pl Ab
ar
nn
o
Pr
ita
en
In
i
m
Explorativ
le
nd
Pr
M
wurde des Weiteren die Kategorie des Analysetyps einbezogen:
U
ke
au
te
M
el
Kü
zi
Er
er
ch
n Monitoring
isi
na
ss
II Explorativ: Es werden verschiedene Analysen oder Analyse-
al
au
Fi
on
r
Prädiktiv
Vo
rs
II Prädiktiv: Ergebnis ist eine in die Zukunft gerichtete möglichkeiten für die aufbereiteten Daten angeboten. Hierzu
Pe
quantitative Prognose, die man zur Planung nutzen kann, die zählen Anwendungen zur Entscheidungsunterstützung.
Antizipation einer Chance, die man wahrnehmen kann oder II Klassifikation: Eine Situation oder ein Fall wird bewertet, um
eines Risikos, das man verhindern möchte. zwischen verschiedenen Möglichkeiten der Weiterverarbei-
II Monitoring: In zeitbezogenen Daten werden Veränderungen tung auszuwählen. Hierzu zählt auch das Filtern von Daten.
erkannt, insbesondere mehr oder weniger komplexe Ereig-
24 25Tabelle 6 bezieht die Analysemethode auf Aktualität und von Monitoring bzw. prädiktiver Analyse mit automatischer Die Abbildung zeigt auch die vorherrschend verwendeten das liegt vermutlich an Beispielen, die nur Produkte und nicht
Reaktionsweise. Alle Anwendungsfälle für Analysen bei Bedarf bzw. nicht automatischer Reaktion in laufend bzw. täglich Datentypen für jede Aufgabengruppe. Bei den meisten ihren Einsatz beim Anwender beschreiben.
sind explorativ. Davon abgesehen gibt es alle Kombinationen durchgeführten Anwendungen. Gruppen dominieren nicht automatische Reaktionen, aber
Tabelle 6: Aktualität, Reaktion und Analysetyp Abbildung 11: Aufgaben, Aktualität, Analysemethode und Art der Datenquellen
Aktualität nicht automatisierte Reaktion automatisierte Reaktion Explorativ Monitoring Prädiktiv
laufend laufend Umsichtige Steuerung Personalisierte
Produktempfehlung
Prädiktiv 6 4
Erkennung von Attacken Vorausschauende
Monitoring 10 6 Instandhaltung
Explorativ 1 Betrugserkennung
Klassifikation Marktmonitoring
für Verkaufschancen
täglich Innovative Finanzielle
4 Produkte Risikoabschätzung
Prädiktiv 4 täglich
Monitoring 4 1 Absatzprognose
Explorativ 1
Mitarbeitergewinnung Kündigerfrüherkennung
Klassifikation 1 1
bei Bedarf bei Bedarf Produktverbesserung
Prädiktiv
Monitoring
Explorativ 6
Klassifikation
3.2.1 Personalisierte Ansprache von Kaufinteressenten Netzwerken, Online Spielen, Aufenthaltsdaten etc. Wichtig
Für die Umsatzsteigerung im Handel sind personalisierte ist nicht nur, das passende Produkt anzubieten, sondern auch
Produktempfehlungen eine Art der Direktwerbung, die persön- zur passenden Gelegenheit. Es handelt sich meist um laufende
3.2 Gruppen ähnlicher Anwendungsfälle Monitoring, während prädiktive Analysen laufend bis täglich liche Daten über den Kunden nutzen. Typischerweise werden prädiktive Analysen mit der Kundenansprache als automatische
In diesem Abschnitt werden die Kategorien genutzt, um stattfinden. Explorative Analysen bei Bedarf sind typisch Geschäftsdaten (Kunden- und Verkaufsdaten) genutzt und nach Reaktion.
Gruppen ähnlicher Fälle zu bilden und zu charakterisieren. für die Verbesserung von Produkten und Dienstleistungen. Möglichkeit mit Daten aus anderen Quellen kombiniert: Sozialen
Die fachlichen Aufgabenstellungen wurden so gewählt, Obwohl diese Gruppe nicht die Aktualität der Daten ausnutzt,
dass die Anwendungsfälle möglichst viele Gemeinsamkeiten profitiert sie davon, dass verschiedenartige Daten in großen
aufweisen. Das betrifft insbesondere die Analysemethode Mengen analysierbar werden. So können historische Daten für
und Aktualität, oft auch die Datentypen, seltener die Art neue Fragestellungen genutzt werden, die sich erst nach der
der Reaktion. Wie Abbildung 11 verdeutlicht, liegen die Speicherung der Daten ergeben.
meisten Gruppen mit ihren Schwerpunkten im laufenden
26 27Tabelle 7. Typische Eigenschaften von Beispielen für die personalisierte Tabelle 8. Typische Eigenschaften von Beispielen für die Erkennung
Produktempfehlung von Kündigungsrisiken
Aufgabe Personalisierte Produktempfehlung Aufgabe Personalisierte Produktempfehlung
Unternehmensbereich Marketing Unternehmensbereich Marketing
Sektor Handel, IKT Sektor alle
Ziel Umsatzsteigerung Ziel Einsparung von Kosten
Automatische Reaktion meist ja Automatische Reaktion nein
Arten von Datenquellen Geschäftsdaten, auch kombiniert mit Maschinendaten oder Arten von Datenquellen Maschinendaten kombiniert mit Geschäftsdaten
menschengeneriertem Content Aktualität meist täglich
Aktualität meist laufend Analysemethode meist prädiktiv
Analysemethode meist prädiktiv Anwendungsfälle und II Telekom Italia (HP) – Verbindungsdatenanalyse
Anwendungsfälle und II Foursquare – Standortbezogenes Social Network Stichwörter
Stichwörter II BigPoint (GameAnalytics) – Game Analytics
II VMware (Lattice Engines) – sales intelligence
II Tesco – Next best offers
Beispiel Telecom Italia: Die Firma Telecom Italia wollte potenzielle Abwanderer recht-
II Sense Networks – Geo-retargeting
zeitig erkennen und durch gezielte Angebote an das Unternehmen binden. Dazu wurden
II LinkedIn – Social Network für Berufstätige
nach eigenen Angaben die Verbindungsdaten der Kunden analysiert, eng vernetzte
II Opera Solutions – Automatische 1:1 Zielgruppenansprache
Benutzer geclustert, ihre Rolle im Kommunikationsnetz und ihre Verbindung zu Kündi-
gern oder Nutzern aus anderen Telekommunikationssnetzen analysiert. Im Ergebnis wird
ein Score für das Risiko eines Anbieterwechsels für jeden Kunden errechnet. Außerdem
Beispiel Sense Networks: Sense Networks sammelt und analysiert Milliarden von Ortsdaten sollen im Kommunikationsnetz bestehender Kunden latente Neukunden identifiziert und
von mobilen Telefonen, Taxis, Kameras und GPS-Geräten in Echtzeit. Die eingesetzte Software angeworben werden.
gleicht nach eigenen Angaben die Koordinaten mit Geschäftsstandorten und demographi-
schen Daten ab und ordnet den Straßenabschnitten Nutzerprofile zu. Dabei werden mehr als
2000 Attribute genutzt. Die Citisense App informiert, wo sich viele Menschen befinden. Beim 3.2.2 Personalisierte Ansprache von (potenziellen) Mitarbeitern
Geotargeting können Personen sehr gezielt beworben werden. Beispiel: Personen, die sich drei Fehlendes qualifiziertes Personal ist ein Kostenfaktor. Für die Personalsuche bieten sich dem
Mal pro Woche im Umkreis von einem Kilometer von einem bestimmten Geschäft befinden, Management Monitoringdienste an, die in sozialen Medien nach unzufriedenen Fachleuten su-
können angesprochen werden, kurz vor oder nach einem Besuch in dem Geschäft. chen. Täglich ausgewertet können die Betroffenen frühzeitig persönlich angesprochen werden
(also ohne automatische Reaktion).
Kundenerhalt bedeutet Kostenersparnis in allen Branchen. Das Risiko einer Kündigung oder
Abwanderung kann durch prädiktive Analysen in täglichen Geschäftsprozessen ermittelt
werden, auf die automatisch oder nicht reagiert werden kann. Genutzt werden Geschäftsdaten
(Kunden- und Verkaufsdaten), wenn möglich kombiniert mit Kundenverhaltensdaten aus
anderen Quellen.
28 29Sie können auch lesen
