Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Big data im controlling gentsch kulpa-03-2016

125 views

Published on

Big data im controlling gentsch kulpa-03-2016

Published in: Business
  • Be the first to comment

  • Be the first to like this

Big data im controlling gentsch kulpa-03-2016

  1. 1. Mit externen Big Data neue Möglichkeiten erschließen 51.700.000 Treffer bei Google, unzählige Seminare und Konferenzen sowie voll- mundige Versprechungen von Beratern und Software-Anbietern zu Big Data, und dennoch scheint die Lücke zwischen der Popularität des Themas und seinem tat- sächlichen Nutzen für Unternehmen größer zu werden. Dabei gibt es eine Reihe nachhaltiger Anwendungen, insbesondere für das Controlling. Peter Gentsch, Andreas Kulpa 32 Controlling & Management Review  Sonderheft 1 | 2016 Nutzung | Datenquellen
  2. 2. Das Controlling gehört zu jenen Bereichen im Unternehmen, für die das Thema Big Data besondere Relevanz hat. Denn Controlling beschäftigt sich per se mit Informationen, insbesondere mit dem Ökosystem managemen- trelevanter Informationen. Solche Informationen finden sich nicht nur in unternehmensinternen Datenbeständen, sondern häufig auch in externen Datenkontexten. Zudem strebt das Controlling eine durchgängige Transpa- renz entlang der internen und externen unternehmerischen Wertschöp- fungskette an. Auch diese Transparenz wird durch Big Data zunehmend er- möglicht. Big Data aus externen Quellen kann aber auch als stetiger Treiber für das permanente Hinterfragen des eigenen Geschäftsmodells dienen. Es wird deutlich, ob selbiges digital weiterentwickelt oder gar neu erfunden werden kann oder muss. Damit kann Big Data wichtige Impulse zur Unter- nehmenssteuerung und zur Sicherung der Wettbewerbsfähigkeit geben. Dies korrespondiert mit der strategischen Planung als erstem Controlling-Haupt- prozess, der auf die Unterstützung des Managements bei der langfristigen Existenzsicherung und Wertsteigerung des Unternehmens fokussiert (Inter- national Group of Controlling 2011, S. 23). Die Möglichkeiten der automatisierten Gewinnung und Analyse von In- formationen aus externen Quellen wie Websites, Online-Unternehmensre- gistern, Social-Media-Netzwerken, Mobile Devices wie Smartphones oder Tablets sowie aus Ergebnissen von Suchabfragen sind für das Controlling vielfältig. Wie diese Möglichkeiten in der Praxis genutzt werden können und welche Best-Practice-Beispiele es bereits gibt, soll in der Folge aufgezeigt werden. Big-Data-Technologie für das Controlling Das Phänomen großer Datenmengen ist nicht neu. Kunden- und Kreditkar- ten-Sensoren am Point of Sale, die Produktidentifikation mittels Barcodes oder RFID sowie das Ortungssystem GPS produzieren schon lange große Datenmengen. Ebenso ist die Analyse unstrukturierter Daten, zum Beispiel in Form von Geschäftsberichten, E-Mails, Webformular-Freitexten oder Kundenbefragungen, häufig Bestandteil interner Analysen. Doch was ist nun neu an den Datenmengen, die in jüngster Zeit unter der Bezeichnung „Big Data“ so viel Aufmerksamkeit erregen? Natürlich ist die Menge an verfüg- baren Daten durch das Internet der Dinge (Industrie 4.0), durch Mobile De- vices und Social Media immens gestiegen. Entscheidend ist jedoch, dass durch die zunehmende Ausrichtung von Unternehmens-IT auf den End- kunden und die Digitalisierung der Geschäftsprozesse die Zahl der kunden- nahen Kontaktpunkte, die sowohl zur Generierung von Daten als auch zum systematischen Aussteuern der Kommunikation genutzt werden können, Andreas Kulpa ist Chief Operating Officer der Datalovers AG. Prof. Dr. Peter Gentsch ist Professor für internationale Betriebs- wirtschaftslehre, insbesondere für digitale Transformation an der HTW Aalen. Peter Gentsch HTW Aalen, Aalen, Deutschland E-Mail: peter.gentsch@hs-aalen.de Andreas Kulpa Datalovers AG, Mainz, Deutschland E-Mail: andreas.kulpa@datalovers.com „Big Data aus externen Quellen kann als steti- ger Treiber für das permanente Hinterfragen des eigenen Geschäftsmodells dienen.“  Entsprechend gekennzeichnete Begriffe finden Sie im Glossar am Ende des Beitrags. 33Controlling & Management Review  Sonderheft 1 | 2016 Nutzung | Datenquellen
  3. 3. gestiegen ist. Hinzu kommt die hohe Geschwindigkeit, mit der die entsprechenden Daten erfasst, verarbeitet und genutzt werden. Neue Data-Mining -Methoden wie Deep Lear- ning  und Semantic Analytics  sowie Predictive Ana- lytics  und Prescriptive Analytics  heben die analyti- sche Wertschöpfung auf eine neue Qualitätsstufe. Die Gewinnung und Bereitstellung von Daten erfolgen im klassischen Controlling in der Regel durch den Zugriff auf in- terne Datenbanken und Excel-Sheets. Für die Erhebung hoch- volumiger Datenströme aus Online-Medien wie Websites, Blogs und Social Networks sowie aus Offline-Medien sind Crawling - und Parsing -Ansätze erforderlich. Sie hel- fen, relevante Online-Informationsquellen zu identifizieren und zu durchforsten beziehungsweise daraus systematisch strukturierte Informationen zu gewinnen. Wer auf diese Wei- se computerunterstützt Informationen sammeln und nutzen möchte, sollte wie folgt vorgehen. Strukturierte Informationen extrahieren Der größte Teil der Daten, die heute generiert werden, sind Textdaten, und ihre Zahl verdoppelt sich jedes Jahr. Das heißt, dass eine wachsende Menge an wertvollen Informationen existiert, die aufgrund ihrer Unstrukturiertheit schwer zu er- schließen ist. Mithilfe von Information Extraction, einer Me- thode des Text-Minings, mit der aus Texten Schlagworte, Per- sonen, Datumsangaben, Adressen und andere konkrete Infor- mationen extrahiert werden, kann diese Aufgabe gelöst werden. Information Extraction ist ein fundamentaler und unerlässlicher Schritt, wenn es um die Verarbeitung von Da- ten aus Textdateien geht. Daten aggregieren und klassifizieren Häufig gibt es in Unternehmen Vorgaben, wie Daten zu struk- turieren sind, so zum Beispiel in Workflow-Systemen, in de- nen Dokumente in vorgegebene Kategorien eingeordnet wer- den. Dies kann vollautomatisch durch Computer erfolgen, die durch maschinelles Lernen „trainiert“ sind. Der Computer lernt dabei anhand von Trainingsdokumenten, Muster und Zusammenhänge zu erkennen. Auf dieser Basis kann er dann neue Texte entsprechend ihren Inhalten und ihrer Struktur den richtigen Klassen zuordnen. Daten aufbereiten und Detailanalysen ermöglichen In der letzten Phase geht es darum, die erhobenen Informati- onen für das Controlling möglichst effizient und intuitiv auf- zubereiten. Es gilt, auf einer hohen Ebene die Informationen so zu verdichten, dass sie sich mit geringem kognitiven Auf- wand erfassen lassen. Allerdings ist es nicht weniger wichtig, dem Anwender jederzeit auch tiefergehende Analysen und Einsichten zu ermöglichen, um Ursachen oder Zusammen- hänge aufzudecken. Die auf diese Weise gewonnenen Ergeb- nisse können über Dashboards und Such-Schnittstellen, die die diversen Analysen übersichtlich in Datenpunkten und Graphen darstellen, visualisiert werden. Die Suchergebnisse lassen sich per Facettensuche  sehr effizient segmentieren und auf diese Weise Stück um Stück in der Tiefe erschließen. So erhält der Anwender schnell und einfach aus den Daten das Wissen, das er für seine täglichen Arbeitsabläufe braucht. Bewertung von Unternehmen und Märkten Im Zeitalter der zunehmenden Digitalisierung der Wirtschaft, in der Daten als Rohstoff und Wirtschaftsfaktor an Bedeutung kontinuierlich zunehmen, funktionieren die klassischen An- sätze der Erstellung eines Unternehmensprofils, beispielswei- se über Wirtschaftsklassen, Umsatzklassen oder Mitarbeiter- klassen, nur unzureichend. Da inner- und überbetriebliche Unternehmensprozesse immer digitaler werden, spielen digi- tale Daten zur Beschreibung und Erklärung von Unterneh- men eine immer wichtigere Rolle. Zudem lassen sich rein di- gitale Unternehmen sowie Start-up-Unternehmen nur unzu- reichend mit klassischen Unternehmensdaten aussagekräftig darstellen. Unternehmen lassen sich heute nicht allein per Umsatz, Wirtschaftszweig und anderen Firmographics erfas- sen. Unternehmenswebseiten, Präsenzen in sozialen Netzwer- ken, der digitale Reifegrad des Unternehmens sowie die in di- gitalen Medien wahrgenommene Leistung prägen die exter- ne Einschätzung. Zusammenfassung • Externe Big Data eröffnen dem Controlling ganz neue Möglichkeiten, besonders im Monitoring und in der Prognose. • Zur Nutzung von Big Data aus externen Quellen müs- sen Controller wissen, welche technischen und ana- lytischen Möglichkeiten sie für welche Zwecke nut- zen können. • Eine Reihe von Best-Practice-Beispielen zeigt, wie ex- terne Big Data bereits erfolgreich von Unternehmen genutzt werden. 34 Controlling & Management Review  Sonderheft 1 | 2016 Nutzung | Datenquellen
  4. 4. Der Big-Data-Spezialist Datalovers AG erfasst ein Unter- nehmen beispielsweise durch folgende Profilparameter: • Firmographics: Größe (Anzahl der Mitarbeiter und der Standorte), Bilanz- und Vermögenskennzahlen, Bonität Wirtschaftszweig, Lage • Topics: Themenschwerpunkte und Schlagworte, die das Unternehmen charakterisieren • Business Activity: Jobangebote, Pressemitteilungen, Erwäh- nungen in Nachrichten • Web Technology: Web-System, Shop-System, Content-Ma- nagement-System, … • Web Activity: Update-Frequenz von Technologie und Web- site, Interaktionsfrequenz, … • Influencer Network: Verbindungen zu zentralen Meinungs- machern und Portalen • Social-Media-Engagement: angebotene Social-Media-Ka- näle, Social Media Performance, Anzahl der Follower und Fans, et cetera. Mittels dieser Parameter konnte ein umfassender Index mit über • 5,2 Millionen Unternehmen, • 70 Millionen durchsuchbaren Seiten, • 12 Milliarden einzelnen Begriffen (Termen) im Content erstellt werden. All diese verschiedenen Profile ermöglichen eine vielseitige und ausführliche Sicht auf ein Unternehmen. So erlaubt die Erstellung von Profilen nach Themenkreisen eine detaillier- tere, präzisere und aktuellere Charakterisierung im Vergleich zu der groben und eher statischen Profilbildung nach Wirt- schaftszweigen. Die Themen werden automatisch aus dem Content der Webseiten und anderer Quellen extrahiert. Abbildung 1 zeigt eine thematische Analyse der Unterneh- men in Deutschland nach Umsatzstärke. Die Webseiten der Unternehmen wurden verschlagwortet und abhängig vom Umsatz gescored. Je größer ein Thema in dem Graphen dar- gestellt wird, desto wichtiger ist es gemessen am Umsatz. Abb. 1   Thematische Analyse deutscher Unternehmen nach Umsatzstärke Quelle: eigene Darstellung 35Controlling & Management Review  Sonderheft 1 | 2016 Nutzung | Datenquellen
  5. 5. Aufbauend auf dieser thematischen Analyse hat das Insti- tut der deutschen Wirtschaft gemeinsam mit der Datalovers AG einen Operationalisierungsrahmen für die digitale Ver- messung von Unternehmen und Märkten entwickelt. Dabei werden online gewonnene Daten mit klassischen Unterneh- mensdaten wie Unternehmensgröße, wirtschaftliche Perfor- mance, Organisationstruktur et cetera verknüpft. Erst die Verknüpfung der klassischen internen mit der externen Da- tenwelt ergibt ein vollständiges Unternehmensbild. Dabei werden Entwicklungen und Aktivitäten aller Unternehmen in Deutschland anhand von Themen, Pressemeldungen, der technischen Qualität der Webseite, deren Suchmaschinenop- timierung (SEO ), des Traffics auf der Website und an- hand der Social-Media-Affinität analysiert. So können auf eine völlig neue Weise Profile von Unternehmen gezeichnet und miteinander verglichen werden. Ein Ergebnis ist bei- spielsweise die digitale Unternehmenslandkarte (Abbildung 2). Sie zeigt den Grad der Digitalisierung der Unternehmen in den verschiedenen Bundesländern. Hierfür wurde der Mittelwert des Digital-Index je Bundesland berechnet und grafisch dargestellt. Im Vergleich schneiden die Stadtstaaten deutlich besser ab als Flächenländer. Monitoring und Frühwarnung Dem Anwender im Controlling bietet Big Data die Möglich- keit, von der üblichen Ex-post-Rationalität zunehmend weg- zukommen und sich in Richtung eines aktiven, zukunftsori- entierten Analyse-Paradigmas zu entwickeln. Big Data kann dem Controller helfen, interessante, möglicherweise überra- schende Muster und Strukturen, die sich in den Geschäftsda- ten finden, aufzudecken. Anders als bei SQL oder OLAP-Ab- fragen des Standard-Reportings geht es bei Predictive Ana- lytics insbesondere um die Entdeckung früher Signale, die aufgrund des Geschäftsalltags und fehlender Frühwarnsyste- me sonst untergehen würden – ganz nach dem Motto: „Häu- fig sind die wichtigsten Dinge die, von denen wir gar nicht wissen, dass wir sie nicht wissen.“ Das Big Data Monitoring ermöglicht es darüber hinaus, in Echtzeit Wettbewerber, Themen und Trends zu beobachten und aktiv über Änderungen zu informieren. So können auf Basis des Preis- und Sortiments-Crawlings Preise dynamisch optimiert und Wettbewerbsvorteile gewonnen werden. Eben- so können Trends in Patent-Datenbanken und wissenschaft- lichen Veröffentlichungen automatisch erkannt und in die Produktentwicklung und die Produktoptimierung aufgenom- men werden. Die Trend-Erkennung ist dabei nicht auf Diens- te wie Twitter begrenzt, sondern lässt sich auf digitale Quel- len wie Suchmaschinen, soziale Netzwerke, Blogs, Foren oder News-Seiten anwenden. Daraus lassen sich relevante Signale wie die Gründung einer Firma, eine Expansion ins Ausland, Personalwechsel oder Entwicklungen bei Wettbewerbern er- kennen und nutzen. Beispiele für eine erfolgreiche Nutzung von Big Data aus ex- ternen Quellen im Controlling gibt es bereits. Zwei seien hier vorgestellt. Abb. 2   Digitale Unternehmens­- l­andkarte 2015 Quelle: Datalovers AG „Erst die Verknüpfung der klassischen in- ternen mit der externen Datenwelt ergibt ein vollständiges Unternehmensbild.“ 36 Controlling & Management Review  Sonderheft 1 | 2016 Nutzung | Datenquellen
  6. 6. Marketing und Media Controlling bei Otto Dank Big Data Tracking lassen sich die Aktivitäten eines Kun- den über verschiedene Berührungspunkte (Touchpoints) wie Suchmaschinen, Social Media und Online-Werbung systema- tisch messen. Mithilfe des sogenannten Attribution Model- lings hat das Versandhaus Otto auf Basis dieser so gewonne- nen Daten seine Media- und Marketing-Planung optimiert. Das Modell berechnet aus einer Vielzahl von Daten- und Zeit- punkten den optimalen Mix an Kommunikationskanälen, in- dem es den Wertbeitrag – die Attribution – jedes Touchpoints automatisch ermittelt. Damit lässt sich genau sagen, an wel- chen Touchpoints der Kunde unmittelbar zum Kauf animiert wird, welche also eine direkte Konvertierungs-Funktion und welche eher eine Assistenz-Funktion haben. Ebenso lassen sich die zeitlichen Ursache-Wirkungs-Ketten ableiten. Daraus leitet Otto systematisch Marketing-Maßnahmen und Media- Budgets ab. Die Vielzahl an digitalen Touchpoints und Gerä- ten sowie deren extrem variable Nutzung durch den Kunden lassen sich nicht mehr alleine durch Erfahrung und Bauchge- fühl optimieren. Diese empirische Erdung und Objektivie- rung des Marketings helfen, die häufig durch den jeweiligen Kanal geprägten Meinungen und Barrieren im Marketing zu hinterfragen, und tragen zu einer deutlichen Steigerung sei- ner Effektivität bei. Echtzeit-Auswertung von Kundenmeinungen bei BSH Um die Einschätzung von Konsumenten zu Produkten zu er- halten, verfügt die klassische Marktforschung über ein um- fangreiches Instrumentarium: Fokus-Gruppen, Kundenbefra- gungen, Panels et cetera. Der wesentliche Nachteil solcher Pri- märforschung ist der damit verbundene Aufwand. Im Internet lassen sich hingegen Tausende von Produktbewertungen je- derzeit automatisch analysieren – systematisch allerdings nicht ohne Big Data. Die Bosch Siemens Hausgeräte GmbH (BSH) managt auf Basis einer Big-Data-Infrastruktur als Soft- ware as a Service (SaaS ) den gesamten Prozess der Gene- rierung, Erfassung, Analyse und Nutzung von Kundenmei- nungen. Dazu müssen Bewertungen und Rezensionen (Ra- tingsundReviews),dieüberverschiedeneInternet-Plattformen global verteilt sind, intelligent erfasst und integriert werden. Mithilfe von Semantic Analytics werden die zentralen Kun- denaussagen aus den Freitexten automatisch gewonnen. Um tiefergehende Einblicke zu gewinnen, müssen die gewonne- nen Erkenntnisse mit anderen Daten wie Reklamationen, Umsatz oder Kundenzufriedenheit korreliert werden. Durch diese automatischen Analysen können Kundenbewertungen sowohl qualitativ als auch quantitativ untersucht und zur nachhaltigen Umsatzsteigerung sinnvoll genutzt werden. Die internen Auswertungen von BSH zeigen beispielsweise auf, dass Produkte mit positiven Bewertungen einen Umsatzan- stieg von bis zu 30 Prozent erreichen. Diese Analysen von Pro- dukt-Ratings und Reviews werden damit gleichzeitig zum modernen Goldschürfen und zur neuen Stiftung Warentest. Big Data im Controlling: Was ist zu tun? Um das Potenzial von Big Data im Controlling zu nutzen, müssen Unternehmen keine Infrastruktur mit Petabyte-Spei- cherkapazität aufbauen und Heerscharen von Data Scientists anstellen. Über SaaS können entsprechende Ansätze auch von mittelständischen Unternehmen realisiert werden. Neben die- ser Daten- und Analytik-Thematik sind insbesondere die not- wendigen organisatorischen und kulturellen Veränderungen erfolgsentscheidend. Ein von Analyse und Daten getriebenes Handeln ist in den meisten Unternehmen nicht gelernt und wird nicht gelebt. Entsprechende Reifegrad- und Vorgehens- modelle, wie sie beispielsweise vom SME Industriekreis unter www.social-media-excellence.de angeboten werden, können Unternehmen bei der notwendigen digitalen Transformation helfen. Handlungsempfehlungen • Nutzen Sie über „Big Data Analytics as a Services“ auch als Mittelständler die Möglichkeiten von Big Data im Controlling. • Sorgen Sie auch für die notwendige organisatorische und kulturelle Veränderung in Ihrem Unternehmen, um Big Data erfolgreich zu nutzen. • Nutzen Sie entsprechende Reifegrad- und Vorgehens- modelle, um die notwendige digitale Transformation in Ihrem Unternehmen zu bewältigen. Kernthesen • Externe Daten sind strukturiert einsetzbar und er- möglichen bislang verborgene Einblicke. • Big Data bedeutet einen Paradigmenwechsel zum da- tengetriebenen Real Time Business. • Die Erklärung der Analyseergebnisse wird auch in Zeiten von Big Data die Domäne des Controllers sein. 37Controlling & Management Review  Sonderheft 1 | 2016 Nutzung | Datenquellen
  7. 7. Für Unternehmen bedeutet Big Data einen Paradigmen- wechsel zum datengetriebenen Real-Time Business. Mit die- ser Herausforderung sind aber auch die Potenziale durch Big Data verknüpft. Gelingt es einem Unternehmen, die Daten systematisch schnell zu erfassen, zu verarbeiten und entspre- chende Maßnahmen umzusetzen, lässt sich – wie in den Best- Practice-Beispielen gezeigt – Nutzen aus einer höheren Effi- zienz, aus einer Kostenreduktion, aus Umsatzsteigerungen und über Wettbewerbsvorteile erzielen. Big Data kann seine Stärke in der automatischen Erfassung, Generierung und Analyse von Daten ausspielen. Die Erklä- rung von Ursache-Wirkungs-Beziehungen, Signalen und Auf- fälligkeiten wird auch zukünftig die Domäne des Controllers im Sinne der Human Intelligence sein. Angesichts der zu er- wartenden weiteren Zunahme von Menge, Geschwindigkeit und Relevanz der Daten werden die beschriebenen Ansätze eine immer wichtigere Rolle für operative und strategische Unternehmensprozesse spielen. Für das Controlling sind in Zukunft zwei Neuerungen der eher externen Big-Data-Perspektive wichtig: Mit der Erschlie- ßung externer Datenquellen wie Social Media, mobiler End- geräte oder des gesamten Internets vergrößert sich der poten- ziell relevante Daten- und Erklärungsraum signifikant. Um dieses Datenuniversum für die Erzielung von Wettbewerbs- vorteilen systematisch nutzen zu können, wird die Big Data Performance der Near- und Real-Time Analytics eine wichti- ge Rolle spielen. „Real-Time“ ist damit zugleich Treiber und Lösung eines zunehmend durch Big Data bestimmten Ge- schäftes. Weitere Empfehlungen der Verlagsredaktion aus www.springerprofessional.de zu: externe Big Data Gluchowski, P./Chamoni, P. (Hrsg.) (2016): Analytische Informationssysteme – Business Intelligence-Technologien und -Anwendungen, 5. Auflage, Wiesbaden. www.springerprofessional.de/link/6659196 Mehanna, W./Rabe, C. M. (2014): Big Data in der Konsumgü- terindustrie: Kunden verstehen, Produkte entwickeln, Marketing steuern, in: Buttkus, M./Eberenz, R. (Hrsg.): Controlling in der Konsumgüterindustrie, Wiesbaden, S. 69- 90. www.springerprofessional.de/link/4298282 Glossar Crawling: Automatisches Auslesen von Webseiten. Data Mining: Analyse von großen Datenbeständen mittels spezifischer Algorithmen und statistischer Ver- fahren, zum Beispiel zum Erkennen von Mustern, Strukturen und zeitlichen Entwicklungen oder zur Zuordnung von Texten zu Klassen. Deep-Learning: Algorithmen aus dem Bereich Machine Learning, die immer weiter und tiefer bis zum theore- tischen Optimum analysieren. Grenzen sind in Form von Datenmaterial und verfügbarer Rechnerzeit gesetzt. Facettensuche: Einschränkung von Suchergebnissen auf Basis von Eigenschaften wie Datum, Branche oder Autor, wobei . diese Eigenschaften zum Beispiel über Schlagworte teilweise automatisch er- hoben werden. Parsing: Zerlegen und Aufbereiten von Inhalten auf Webseiten mit dem Ziel, strukturierte Informatio- nen aus Texten zu extrahieren. Predictive Analytics: Disziplin des Data Minings, welche versucht, anhand bekannter Daten aus der Vergangenheit auf zukünftige Daten zu schließen und so möglichst gute Vorhersagen zu treffen. Prescriptive Analytics: Analyseverfahren, die Vorhersage, Entscheidungsoption und Wirkung zusammenfassen. SaaS (Software as a Service): Software, die von einem externen Dienstleister betrieben und vom Kunden genutzt werden kann. Semantic Analytics: Semantische Auswertung von Texten, wobei die Bedeutung der einzelnen Begriffe bei der Analyse einbezogen wird. SEO (Search Engine Optimization): Optimierung von Webseiten zur Verbesserung des Rankings in den Suchergebnissen. 38 Controlling & Management Review  Sonderheft 1 | 2016 Nutzung | Datenquellen
  8. 8. 1/1 Seite Anzeige

×