Ich werde häufig gefragt, worauf es denn ankommt, um in der digitalen Geschäftswelt zu bestehen. Meine Antwort ist einfach: Daten. Sie bilden die Grundlage für neue Prozesse, auf denen Unternehmen innovative Geschäftsmodelle aufbauen. Egal ob mobile App, E-Commerce-Anwendung oder vernetzte Produktion: Daten sind in der digitalen Ära das neue Öl, welches bisher das industrielle Zeitalter befeuert hat.
Foto: Rawpixel.com - shutterstock.com
Soweit so bekannt. Worin liegt nun die Herausforderung? Sie liegt nicht in der Verfügbarkeit oder der Menge von Daten, davon haben alle Unternehmen reichlich. Sie liegt auch nicht in der Verarbeitungskapazität moderner Technologien, die sich nach dem Moore'schen Gesetz alle 18 Monate verdoppelt.
Der zentrale Aspekt, der über das Funktionieren eines digitalen Geschäftsmodells entscheidet, ist die Qualität der Daten. So wie qualitativ schlechter oder falscher Treibstoff einen Verbrennungsmotor irreparabel ruinieren kann, können auch qualitativ schlechte Daten in der digitalen Wirtschaft ein Unternehmen ruinieren.
Drei Eigenschaften qualitativ hochwertiger Daten
Daten sind dann "qualitativ gut", wenn sie vereinfacht dargestellt
korrekt,
detailliert
und aktuell sind.
Unternehmen, die ihr digitales Geschäftsmodell auf Daten aufbauen, die alle drei Eigenschaften auf einmal erfüllen, werden in der Kundenwahrnehmung überlegene Produkte beziehungsweise Services anbieten. Sie sind in der Lage, spontan auf geänderte Kundenbedürfnisse zu reagieren und passende Angebote zu unterbreiten. Sie zeichnen sich durch eine große Nähe zu ihren Kunden aus und wissen sehr genau, was diese wünschen - oft sogar im Voraus. Sie können viele ihrer Leistungen effizient, kundenindividuell und weitestgehend automatisiert erstellen. Damit erwirtschaften Sie mehr Umsatz und sind deutlich profitabler als ihre Wettbewerber.
Die Realität: kultivierter Datensumpf
In der Realität gibt es nahezu kein Unternehmen, in dem alle drei Eigenschaften für alle Daten gleichzeitig erfüllt sind. Und das obwohl die meisten sehr viel Geld in die Verbesserung der Datenqualität oder die Auswertung großer Datenmengen mittels analytischer Big-Data-Lösungen investieren. Woran liegt das?
- Piktochart
Vorlagen helfen beim Gestalten von topmodernen Infografiken. Die Pro-Sektion hält Vorlagen für typische Geschäftsthemen bereit. - Simpel, aber effektiv
Der Editor von Piktochart funktioniert wie ein stark abgespecktes Grafikprogramm. Mit simplen Werkzeugen können die Vorlagen editiert und angepasst werden. - Google Charts
Google Charts bietet eine Galerie mit allen erdenklichen verschiedenen Diagramm-Typen. - Eher etwas für Entwickler
Das Tool ist extrem flexibel, aber eindeutig ein Fall für Entwickler. - iCharts
Die nüchterne Oberfläche von iCharts ist im Windows-Stil gestaltet. - Datenfutter
Die Stärke von iCharts ist nicht gerade die Oberfläche oder Optik der damit generierten Diagramme, dafür gelingt es leicht, den Dienst mit Daten zu füttern. - Easel.ly
In den Tausenden Vorlagen bei Easel.ly findet sich fast für jeden Zweck ein schon vorgestaltetes Diagramm. - Oberfläche
Mit der komfortablen Oberfläche gelingen in kurzer Zeit top gestaltete Infografiken und Charts. - Galerie
Die Galerie von Easel.ly bietet über eine Million öffentliche Infografiken. Jede davon kann in den Editor Modus geladen werden. - Infogr.am
Die Oberfläche von Infogr.am ist sofort verinnerlicht und extrem übersichtlich. - Große Auswahl
Bei den Charttypen lässt Infogr.am keine Wünsche offen. - Datenupload
Infogram kann mit hochgeladenen Daten gefüttert werden und erzeugt daraus schicke, editierbare Charts. - ChartsBin
ChartsBin wandelt eingegebene Datensätze ins gewünschte Kartenformat um. - Teilen und kommentieren
Die fertigen Karten können leicht geteilt und kommentiert werden. - Venngage
Venngage beherrscht alle gängigen Diagramm-Typen. Bei ausgefallenen wird jedoch das Premium-Upgrade Pflicht. - Rechteverwaltung
Das Veröffentlichen (wahlweise public oder private) der Grafiken oder Teilen auf sozialen Netzen klappt mit einem Klick aus dem Editor heraus.
Praktisch alle Daten in einem Unternehmen werden redundant, also mehrfach vorgehalten. Untersuchungen von IDC bei Unternehmen zwischen 1.000 und 10.000 Mitarbeitern haben ergeben, dass Originaldaten in bis zu 27 verschiedenen Datentöpfen gehalten und von jedem dieser Datentöpfe durchschnittlich 13 Kopien erstellt werden (Quelle: IDC white paper #259143 "Common gaps in data control", Sept. 2015). Es gibt einige wenige Fälle in denen eine redundante Daatenhaltung sinnvoll ist, zum Beispiel aus Sicherheitsgründen oder zu Testzwecken. In den allermeisten Fällen jedoch sind diese Redundanzen Folge eines über 30 Jahre alten IT-Paradigmas, nämlich der Client-Server-Architektur. Jeder einzelnen Anwendung wird ein eigener, exklusiver Datentopf zugestanden. Der Austausch von Daten zwischen Anwendungen findet über Schnittstellen statt, die zumeist asynchron, also zeitversetzt arbeiten.
Redundante Daten sind teuer
Der auffälligste Nachteil von Redundanz ist ein ungeheures Aufblähen der IT-Landschaften, denn alle diese Kopien müssen ja gespeichert, verwaltet und verteilt werden. Die daraus entstehende Komplexität frisst heute einen Großteil der IT-Budgets.
Viel schlimmer jedoch: Es ist nahezu unmöglich, mehrfach asynchron kopierte Daten über einen längeren Zeitraum konsistent zu halten. Wenn also eine kundenkritische Anwendung, zum Beispiel eine mobile App, mit kopierten Daten arbeitet, so ist es für diese Anwendung unmöglich nachzuvollziehen, wo diese Daten herkommen, ob sie korrekt und wie aktuell sie sind. Dazu kommt, dass aus technischen Gründen Daten zwischen Systemen in der Praxis nicht vollständig ausgetauscht werden. Dazu ist die Datenmenge einfach viel zu groß. Das wiederum führt dazu, dass das System, das mit Daten versorgt wird, nur einen Ausschnitt der Daten erhält oder diese durch Filterung, Aggregation, Segmentierung und ähnlichen Maßnahmen verändert wurden und damit weniger Details enthalten.
Mit anderen Worten: Bei jeder Kopie von Daten gehen Informationen verloren. Und mit jeder Kopie einer Kopie (einer Kopie, einer Kopie, …) wird das Problem größer.
Redundante Daten sind schlecht für das Geschäft
Die Folgen für Unternehmen können verheerend sein, wie Praxisbeispiele belegen:
Ein Automobilhersteller kann das Fahrzeug eines Kunden nicht termingerecht reparieren, weil wichtige Informationen zum Reparaturvorgang nicht korrekt sind und ein benötigtes Ersatzteil fehlt. Der Kunde bekommt einen Ersatzwagen und ist verärgert, weil er unnötig viel Zeit opfern muss. Er denkt über einen Wechsel der Marke nach.
Eine Supermarktkette bietet einigen seiner treuesten und umsatzstärksten Kunden seit vielen Jahren immer wieder rabattierte Hygieneartikel für Babys an, obwohl deren Kinder längst dem Babyalter entwachsen sind und lange keine entsprechende Käufe mehr getätigt wurden. Die Kunden fühlen sich missachtet, hinterlassen kritische Kommentare in den sozialen Medien und kaufen schließlich woanders ein.
Ein Finanzinstitut ist nicht in der Lage, den von der Bundesanstalt für Finanzdienstleistungsaufsicht (BaFin) geforderten Herkunftsnachweis von risikorelevanten Kennzahlen lückenlos und automatisiert zu erstellen. Die Folge sind zum Teil unvollständige Berichte trotz extrem hoher Kosten für manuelle Arbeiten.
Die Liste lässt sich beliebig in allen Branchen fortsetzen. Das Bedrohliche hieran für etablierte Unternehmen ist, dass es Wettbewerber gibt, die es in der Wahrnehmung der Kunden besser können. Sie heißen zum Beispiel Amazon, Apple, Google oder Tesla.