Ohne Daten gibt es keine Digitalisierung. Sie sind das Gold des 21. Jahrhunderts. Kein Wunder, dass Konzerne, größere mittelständische Unternehmen und IT-Dienstleister derzeit händeringend Datenanalysten suchen, im Fachjargon auch Data Scientisten genannt.
Daten als Basis
Daten beziehen sich z. B. auf Personen (Verhalten, Bewegung, Gesundheit etc.), Maschinen, Geräte, Verkehr, Wetter, Märkte, Produkte, Prozesse oder Finanzen. Sie liegen in den Unternehmen in strukturierter und unstrukturierter Form vor, meist in Maschinen, unterschiedlicher Software sowie in Word- und Excel-Dateien.
Alle großen Tech-Unternehmen sind auf der Jagd nach ihnen. Auch die Finanz-, Pharma- und Autoindustrie kämpft um die Datenhoheit. Bei vielen kleinen und mittelgroßen Unternehmen (KMU) jedoch ist der Nachholbedarf groß. Was ist also zu tun?
- Datenstrategie: Nicht alle internen und externen Daten sind für Unternehmen strategisch relevant. Daher ist es wichtig, zunächst das relevante Datenfeld zu definieren und sich dann darauf zu konzentrieren.
- Messsysteme: Danach müssen alle relevanten Daten, die im Unternehmen vorhanden sind, am besten zentral in einem Data Warehouse gebündelt werden. Es gibt aber auch noch Daten, die noch nicht genutzt werden. Sie können z. B. mit Kameras und Sensoren an Produkten (Geräten) und in Geschäften (Point-of-Sale) gemssen werden. Auch sind Schnittstellen zu relevanten externen Datenbanken (z. B. Satelliten- und Wetterdaten) zu schaffen.
- Verarbeitung: Rohdaten müssen dann zu wertvollen Informationen verarbeitet und verknüpft werden. Dafür sind quantitative Methoden und Software mit Künstlicher Intelligenz notwendig.
- Visualisierung: Um Daten besser zu verstehen, werden sie heute in didaktisch wertvollen Grafiken, Schaubildern und Dashboards aufbereitet. Dafür gibt es spezielle Programme wie Power BI von Microsoft.
- Interpretation: Für diese Prozesse und das Ableiten von Schlussfolgerungen benötigen Sie im Unternehmen vermehrt mathematisch und statistisch geschulte Datenanalysten. Sie stellen den Engpass der Zukunft dar, wie zu Beginn bereits ausgeführt.
Daten-Anwendungen
- Prognosen: Im Lebensmitteleinzelhandel und in der Gastronomie kann auf Basis von Wetter und Kundendaten der Absatz z. B. von Fleisch und Fisch prognostiziert werden, was die Warenverfügbarkeit sichert, Ausschuss reduziert und die Lagehaltung optimiert. In Industrieunternehmen zeigen Maschinendaten rechtzeitig den Wartungsbedarf an (Predictive Maintenance). In der Landwirtschaft wird der Düngemitteleinsatz durch Wetter-Boden und Schädlingsdaten prognostiziert.
- Angebote: Kunden erhalten in Echtzeit individuelle Angebote, durch Geomarketingdaten sogar am aktuellen Aufenthaltsort. Preise werden dynamisch im Online-Shop angepasst, zunehmend aber auch in Geschäften mit digitalen Preisschildern.
- Prozesse: Betriebliche Geschäftsprozesse in der Produktion, Logistik und Verwaltung laufen mit Daten, Robotern und Künstlicher Intelligenz immer autonomer und damit menschenleerer (Robotic Process Automation). Auch im Marketing passiert mit Programmtic Advertising Vergleichbares.
Daten als Geschäftsmodell
Die Königsdisziplin ist aber aus Daten ein neues Geschäftsmodell zu kreieren. Die Sportradar AG aus St. Gallen in der Schweiz nahe dem Bodensee ist so ein Best-Practice-Beispiel. Das börsennotierte Unternehmen spinnt buchstäblich aus Sportdaten Gold. Es generiert Live-Daten von über 750.000 Spielen (Events) pro Jahr in über 80 Sportarten und in über 500 Sportligen. Um diese Daten verwerten zu können, zahlt Sportradar den Verbänden (z. B. DFL, UEFA, NBA, NHL) Lizenzgebühren. Die Daten werden dann z. B. an Sportmedien, Sportvereine und Wettanbieter verkauft. Über Schnittstellen (APIs) können spezielle Datenpakete geschnürt und Kunden direkt beliefert werden. Der Daten-Content wird von Sportradar zusätzlich durch Videos und Grafiken veredelt. Auch in anderen Branchen wird an neuen datenbasierten Geschäftsmodellen getüffelt.
