Strukturierte Data Driven Innovation

Breuning Gerling 2

Viele Unternehmen haben bereits erkannt, dass Daten ein wertvoller Rohstoff sein können und sammeln diese, um sie in einem zweiten Schritt gewinnbringend einzusetzen. Doch wie können Daten gewinnbringend sein und wie stellt man die richtigen Fragen, um den Daten die relevanten Antworten zu entlocken? Prof. Dr. Markus Breunig und Godehard Gerling widmen sich diesen Herausforderungen in unserem Beitrag.

Prof. Dr. Markus Breunig ist Professor an der Hochschule für angewandte Wissenschaften in Rosenheim, wo er sich auf businessrelevante Aspekte der Informatik fokussiert. Seine besonderen Schwerpunkte liegen im Bereich Data Science und Data Analytics, Big Data, Interaction Design sowie Produktmanagement und Innovation.

Prof. Dr. Markus Breunig begann seine berufliche Laufbahn bei einem Startup im Silicon Valley, das später von Microsoft übernommen wurde, und ist bis heute als Berater unter anderem in der Startup-Szene der Bay Area aktiv.

Daten – Kostenfaktor oder wertvoller Rohstoff?

Die „Digitale Transformation“ ist in aller Munde. In ihrem Zentrum steht das Entstehen deutlich umfangreicherer Datensammlungen als in der Vergangenheit: Seit der Jahrtausendwende werden mehr Daten digital gespeichert als analog. Geschätzt verdoppelt sich die weltweit gespeicherte Datenmenge alle 2 Jahre, und eine Verlangsamung ist nicht abzusehen. Viele Unternehmen haben bereits erkannt, dass diese Daten ein potentiell wertvoller Rohstoff sein können und haben daher entschieden, sie in einem ersten Schritt zu sammeln, um sie in einem zweiten Schritt gewinnbringend einzusetzen. Dieses Vorgehen erschafft eine unentbehrliche Basis für zukünftige Geschäftsinitiativen, es ist jedoch zuerst einmal mit Investitionen verbunden und erzeugt erhebliche laufende Kosten.

Godehard Gerling ist Managing Partner von go3consulting PartG und  hat mehr als 20 Jahre Erfahrung in Senior Management-Positionen in der IT und Software-Industrie von Startups bis zu internationalen Großunternehmen.

Vor dem Wechsel in die Beratung war er unter anderem als Senior Vice President für Product Management und Brand Strategy bei Siemens SHC (später Gigaset Communications) verantwortlich. Davor baute er als General Manager und VP Business Development das europäische Geschäft von Destinator Technologies auf.

Big Data Technology Stack und Advanced Analytics

Der erste Schritt, das Sammeln und Speichern (und gegebenenfalls zuvor das Erzeugen) der Daten, stellt aufgrund der großen Datenmengen, der hohen Geschwindigkeit mit der diese Daten entstehen, der Unterschiedlichkeit der Datenformate und der stark schwankenden Qualität der Daten eine nicht unerhebliche Herausforderung dar. In den letzten Jahren 15 Jahren wurden jedoch diverse Ansätze entwickelt, mit denen sich diese Aufgabe adressieren lässt. Zu nennen sind hier (aktuell) Technologien wie Hadoop, Spark oder NoSQL DBMS, die unter dem Stichwort Big Data zusammengefasst werden, und mit denen sich skalierbare Datenbanken, Data Warehouses oder Data Lakes aufbauen lassen. Ebenso finden sich unter dem Stichwort Data Science fortgeschrittene Algorithmen, Systeme und sogar Berufsbilder, um die gespeicherten Daten mittels fortgeschrittener analytischer Methoden im Rahmen des zweiten Schrittes auswerten zu können.

 

künstliche intelligenz konferenz

Daten sprechen nicht, sie antworten

Die vermutlich größte Herausforderung stellt somit nicht die informationstechnische Lösung dar, sondern die geschäftliche Anwendung, die sich in dem Satz „Daten sprechen nicht, sie antworten“ plakativ zusammenfassen lässt: Es gibt kein magisches Verfahren, mit dem man aus gesammelten Daten, seien Sie auch noch so umfangreich, automatisch Wissen, Erkenntnisse oder neue Geschäftsmodelle generieren könnte. Der zielführende Ansatz beginnt mit der geschäftlichen Sicht, und stellt Fragen an die Daten, die von Data Science-Algorithmen beantwortet werden. Je konkreter die Fragestellungen, umso hilfreicher sind die Ergebnisse. Dennoch tritt typischerweise der Fall ein, dass die ersten Fragen basierend auf den vorhandenen Daten nicht oder nicht in ausreichender Qualität beantwortet werden können, wodurch sich ganz automatisch die Notwendigkeit eines iterativen Vorgehens ergibt: Fragen führen zu Einsichten, diese führen zu weiteren Fragen beziehungsweise der Notwendigkeit, weitere Daten hinzuzuziehen, was zu neuen Fragen führt.

Auch wenn dies offensichtlich erscheinen mag, ist die Identifikation der „richtigen“ Fragen alles andere als trivial. Laut einer Studie aus dem Jahre 2013, sind 64 Prozent der befragten Firmen dabei oder kurz davor, Big Data-Technologien einzusetzen, aber gleichzeitig kämpfen 56 Prozent damit, wie sie daraus Wert schöpfen können. Unseren Erfahrungen nach hat sich diese Situation in den letzten Jahren nicht grundlegend geändert.

 

Data Driven Innovation

Zur Identifikation von Fragestellungen empfiehlt sich ein strukturiertes Vorgehen, ausgehend sowohl von der unternehmensinternen Perspektive als auch aus Kundensicht. Bekannte und bewährte Techniken hierfür sind zum Beispiel das Business Modell Canvas(1), eine strategische Vorgehensweise um das existierende Geschäftsmodell zu dokumentieren und zu analysieren. Oder das Customer Journey Mapping, das die (direkten und indirekten) Interaktionspunkte eines Kunden mit dem Unternehmen betrachtet, die vor (und auch nach) dem Kauf des Produktes/der Dienstleistung durchlaufen werden. Basierend auf den dadurch erlangten Einsichten zieht man strukturierte Innovationstechniken heran, die jedoch spezifisch auf datengetriebene Elemente fokussiert beziehungsweise um datengetriebene Aspekte erweitert werden. Je nachdem wie disruptiv man dabei vorgehen möchte, bieten sich hierfür Erweiterungen von Innovations-Frameworks wie Doblins Ten Types Of Innovation bis hin zu spezialisierten Toolkits basierend auf Design Thinking(2) an.

Die ganzheitliche Sicht als Schlüssel zum Erfolg

Die Transformation zur digitalen Datenspeicherung eröffnet umfangreiche Potentiale, von der Steigerung der Wettbewerbsfähigkeit, über den Ausbau der Produkte oder Dienstleistungen bis hin zu vollständig neuen Geschäftsmodellen. Die informationstechnischen Verfahren zur Speicherung und Auswertung der Daten existieren, und mit einem datengetriebenen, strukturiert-innovativem Ansatz lassen sich die richtigen Fragestellungen identifizieren. Der Schlüssel ist die ganzheitliche Sicht auf das Geschäftsmodell, den Kunden, die Daten, die Big Data- und Data Science-Technologien und das passende Vorgehensmodell – die Data Driven Innovation.

Informieren Sie sich jetzt!

In unserem Seminar Der Data Scientist erfahren Sie, wie Sie mit dem Wissen aus Daten Geschäfte generieren können. Sie erlangen nicht nur die neusten Erkenntnisse über die Datenwissenschaft, sondern hören von 8 Experten aus Praxis und Wissenschaft die besten Use Cases aus Industrie- und Wirtschaftsunternehmen.

Quellen:

  • Osterwalder et al.: Business Model Generation: Ein Handbuch für Visionäre, Spielveränderer und Herausforderer. Canvas Verlag. 2011.
  • Liedtka at al: Designing for Growth: A Design Thinking Tool Kit for Managers. Columbia Business School Publishing. 2011

Marina Vogt

Bei Management Circle bin ich für die Digitalisierungs- und Immobilien-Themen sowie die Assistenz-Veranstaltungen zuständig. In den drei Blogs informiere ich Sie über neue Entwicklungen in diesen Bereichen. Vor meiner Tätigkeit bei Management Circle habe ich Germanistik in Frankfurt und Paderborn studiert. Ich freue mich über Fragen, Anregungen und einen
regen Wissensaustausch!

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

NEU: Künstliche Intelligenz und ihre Anwendungsfelder

KI in nur 5 Schritten einsetzen - informieren Sie sich jetzt über Hintergrundinformationen, Expertenmeinungen und Anwendungsbeispiele in unserem kostenlosen eBook.

Jetzt kostenlos herunterladen!

Download: KI - Aus Kundendaten Geld machen