Wozu Daten im Unternehmen?
Der wertschöpfende Einsatz der „neuen Ressource“ Daten generiert zunehmendes Interesse bei Unternehmer*innen, denn immerhin wird hier eine wesentliche Basis erfolgreicher zukünftiger wirtschaftlicher Bestrebungen gesehen. Die Sammlung von Daten und eine sich daran anschließende Analyse relevanter Informationen – erhält zusätzliche Relevanz, denn mit der stetig voranschreitenden Digitalisierung nimmt auch die Menge an Daten zu. Ebenso wächst nunmehr das Interesse, jene Daten als Ressource einzusetzen, d. h. Daten aus ihren Quellen zu extrahieren, zu analysieren und schlussendlich in entscheidungsorientiertes Wissen zu überführen (Otte et al. 2020).
Nun sind Prozesse der Generierung von Informationen und unternehmensrelevantem Wissen aus Daten keine allzu neue Problemstellung. Im betriebswirtschaftlichen Kontext werden entsprechende Lösungen in Form von Business-Intelligence-Anwendungen längst eingesetzt (Seiter et al. 2018). Aufgrund des (exponentiellen) Wachstums aber entstehen nunmehr Datenbestände, die in ihrer Größe die klassische Datenhaltung, -verarbeitung und -analyse auf einem normalen Rechner mit gewöhnlicher Hardware übersteigen. Die Herausforderung ist deshalb eher darin zu sehen, den Prozess der Datenintegration in das Geschäftsmodell sowohl quantitativ (Stichwort: Big Data) als auch qualitativ (Stichwort: Künstliche Intelligenz) weiter fortzuführen und aktiv zu gestalten.
Um die ansteigende Menge strukturierter und unstrukturierter Daten in all ihren Dimensionen als Ressource einzusetzen, um daraus Erkenntnisse zu gewinnen und darauf aufbauend strategische unternehmerische Entscheidungen zu treffen, müssen auch geeignete Mittel und Methoden für Datenanalysen identifiziert werden. Jene wurden zudem in den letzten Jahren stetig weiterentwickelt. Unter dem Schlagwort der Künstlichen Intelligenz, wobei zumeist Verfahren des maschinellen Lernens gemeint sind, entstanden Methoden, die eine rein deskriptive Darstellung von Daten („What happened?“) und abgeleitete Diagnosen („Why did it happen?“) überstiegen. Im Fokus stehen nunmehr eher Modelle und Anwendungen, die zukünftige Entwicklungen oder das Eintreffen von Ereignissen wahrscheinlichkeitstheoretisch vorhersagen („What will happen?“) oder sogar Empfehlungen zur Optimierung zukünftiger Entscheidungen („How can we make it happen?“) ableiten können (Davenport & Harris 2007).
Literaturübersicht
Davenport, T. H.; Harris, J. G. (2007): Competing on Analytics – The New Science of Winning. Boston, Harvard Business Review Press.
Otte, R.; Wippermann, B.; Schade, S.; Otte, V. (2020): Von Big Mining bis Big Data: Handbuch für die industrielle Praxis, Carl Hanser Verlag.
Seiter, M.; Treusch, O.; Esser, L. (2018): Business Analytics im Mittelstand – Die Relevanz von Daten uns Algorithmen für Familienunternehmen. FuS – Zeitschrift für Familienunternehmen und Strategie, S. 15-20.
