Datenintegration in das Geschäftsmodell als Chance für KMU?
Während die meisten kleinen und mittleren Unternehmen damit beschäftigt sind, die digitale Transformation mit all ihren technologischen, komplexen Aufgaben erfolgreich umzusetzen, wartet bereits eine nächste Herausforderung auf sie, die gleichwohl auch als Chance betrachtet werden sollte. Es geht nunmehr darum, jene Ressource nutzbar zu machen und effektiv einzusetzen, welche durch die digitale Transformation qualitativ und quantitativ eine zunehmend wachsende Bedeutung erlangt (Acharjya & Kauser 2016): Daten, eigentlich wenig komplexe Zeichenketten, die aber – sinnvoll verarbeitet und eine Bedeutung erhaltend – zu Informationen und schlussendlich, unter Rückgriff auf Erfahrungen, zu entscheidungsorientiertem Wissen zusammengeführt werden können (Cleve & Lämmel 2016). So können im Geschäftsalltag Daten genutzt werden, um komplexe Sachverhalte besser zu analysieren und daran operative und strategische Entscheidungen abzuleiten (Bose 2009). Somit können beispielsweise Kundenwünsche frühzeitig erkannt und zur Produkt(weiter)entwicklung eingesetzt, Marketingkampagnen besser gesteuert und Abläufe in der Produktion oder im Lieferantenmanagement verbessert werden (Coleman et al. 2016).
Jedoch ist der Anteil der Unternehmen, die komplexere Datenanalysen wie Verfahren des maschinellen Lernens zur Unterstützung von Entscheidungen anwenden, noch gering (Bitkom 2020; Fritsch & Krotova 2020). Besonders in den KMU, wo der Einsatz von Daten selten über eine sporadische und fragmentarische Nutzung hinausgeht, mangelt es häufig sowohl an konkreten Ideen, wo und wie Datenanalysen eingesetzt werden können, als auch an Vorgehensweisen, wie eine sinnvolle Datennutzung erfolgen kann (Coleman et al. 2016).
Für eine weitergehende erfolgreiche Bewältigung des nächsten Schrittes der Digitalisierung empfiehlt sich eine ganzheitliche Betrachtungsweise, die die Transformationsprozesse vom Jetzt-Zustand hin zum Geschäftsmodell mit konsequenter Datenintegration strukturiert begleiten kann. Ausgegangen wird von einer Analyse des Reifegrads des eigenen Geschäftsmodells. Hierbei erfolgt eine Einschätzung zum Status quo der Gesamtheit aller Bausteine des Geschäftsmodells mit Blick auf die zugrunde liegenden Quellen, Verarbeitungsprozesse und Zielstellungen von Datenanalysen. Daran anschließend lassen sich Potenziale des Einsatzes von Daten zur Produkt- und/oder Prozessoptimierung identifizieren und konkrete Handlungsempfehlungen für das gesamte Unternehmen ableiten.
Literaturübersicht
Acharjya, D. P.; Kauser, A. P. (2016): A Survey on Big Data Analytics: Challenges, Open Research Issues and Tools. International Journal of Advanced Computer Science and Applications 7 (2), S. 511-518.
Bitkom (2020): Unternehmen tun sich noch schwer mit Künstlicher Intelligenz. URL: https://www.bitkom.org/Presse/Presseinformation/Unternehmen-tun-sich-noch-schwer-mit-Kuenstlicher-Intelligenz (25.05.2021).
Bose, R. (2009): Advanced analytics: Opportunities and challenges. Industrial Management & Data Systems 109 (2), S. 155-172.
Cleve, J.; Lämmel, U. (2016): Data Mining. De Gruyter, Berlin.
Coleman, S.; Göb, R.; Manco, G.; Pievatolo, A.; Tort-Martorell, X.; Resi, M. (2016): How Can SMEs Benefit from Big data? Challenges and a Path Forward. Quality and Reliability Engineering International 32, S. 2151-2164.
Fritsch, M.; Krotova, A. (2020): Der Weg zu datengetriebenen Geschäftsmodellen – Eine modellbasierte Analyse. DEMAND-Gutachten, Köln.
