Das Ziel dieser Arbeit ist zum einen, einen weitreichenden Einblick rund um das Thema Open Data zu geben und zum anderen ein hilfreiches Instrument zum Einsatz in der Kundenakquise des Software-Startups ‚One Logic‘ zu entwickeln. In Unternehmen werden derzeit hauptsächlich Daten verwendet, die innerhalb der eigenen Organisation gewonnen werden. Öffentlich zugängliche Datensätze werden nur sporadisch oder viel zu selten in die Wertschöpfungskette aufgenommen. Da das Gebiet um offene Daten noch recht neu und speziell der Mehrwert, welcher durch die Verwendung von Open Data erzeugt werden kann, zu wenig erforscht ist, soll die Anfertigung eines Analyserahmens genauere Einblicke zu Anforderungen an die Daten und möglichen Mehrwerten für Betriebe geben. Verschiedene Aspekte des Business Value durch Open Data (BVdOD) werden genauer untersucht und verständlich dargestellt. Ferner bringen eindeutige Begriffsbestimmungen zu Open Data, Big Data und BVdOD Klarheit über die Thematik. Im Zuge dieser Arbeit wird Führungspersonen in Unternehmen bewusst gemacht, welche Möglichkeiten durch Open Data entstehen können.
Der Analyserahmen wird auf Anwendungsfälle von Unternehmen aller Branchen anwendbar sein, wobei das Hauptaugenmerk bei denen liegt, die sich der Kernkompetenz Datenverarbeitung widmen. Mit Hilfe des Schemas soll dem Kunden während der Akquise einfach und anschaulich erläutert werden, welches Potenzial öffentlich zugängliche Datensätze für den Anwendungs-fall seines Unternehmens haben können.
„Daten sind wertvoll.“ Ebenso wie „Informationen gewinnen [sie] immer mehr [an] Bedeutung. So bezeichnet die EU-Kommissarin für die Digitale Agenda, Neelie Kroes, diese als [das] Gold des digitalen Zeitalters, auf deren Basis neue, wertschaffende Inhalte entstehen und deren Vorteile sich auf alle Bereiche der Gesellschaft auswirken.“ Daten sind im digitalen Zeitalter die Schlüsselressourcen für wirtschaftliche, politische und gesellschaftliche Aktivitäten. In nahezu allen Gebieten wissensbasierter Gesellschaften entwickeln sie sich zu einem wesentlichen Rohstoff im heutigen Informationszeitalter. Eine der prägendsten Veränderungen, die dazu beiträgt, ist die Digitalisierung. „The digitization of just about everything […] is one of the most important phenomena of recent years”, beschreiben Brynjolfsson und McAfee die Entwicklung. Im Zuge dieser Erscheinung wird alles, was quantifizierbar, sprich messbar ist, in ein digitales Format übertragen und abgespeichert.
Inhaltsverzeichnis
1 Open Data als Ressource im digitalen Zeitalter
1.1 Wirtschaftliches Potential von Open Data
1.2 Zielsetzung der Arbeit
1.3 Aufbau und Vorgehensweise
2 Grundlagen zu „Big Open Data“ und „Big Company Value“
2.1 Definition zentraler Begriffe anhand einer Literaturanalyse
2.2 Abgrenzung von Open Data zu Big Data
2.3 Arten, Quellen und Anwendungsbereiche von Open Data
2.4 Einsatzbeispiele aus der Praxis
2.5 Marktanalyse von Open Data-Anbietern
3 Erstellung eines Analyserahmens zur Einordnung von Anwendungsfällen
3.1 Vorgehen bei der Entwicklung des Analyserahmens
3.2 MECE-Bäume zur Problemstrukturierung
3.3 Skalenentwicklung und Gewichtung der Indikatoren
3.4 Achsenwertberechnung mit Beschreibung der Extrema
3.5 Entwicklung und Einordnung beispielhafter Anwendungsfälle
4 Evaluierung des Analyserahmens mit Hilfe einer Expertenbefragung
4.1 Vorgehen und Durchführung der Befragung
4.2 Auswertung der Erkenntnisse
5 Kritische Bewertung von Open Data
5.1 Unternehmerische und akademische Relevanz
5.2 Herausforderungen und Probleme zu Open Data
5.3 Staat, Gesellschaft und Bürger als Gewinner
Zielsetzung & Themen
Die vorliegende Arbeit zielt darauf ab, einen umfassenden Einblick in das Thema Open Data zu vermitteln und ein praktisches Instrument zur Kundenakquise für das Software-Startup ‚One Logic‘ zu entwickeln. Dabei steht die Erstellung eines Analyserahmens im Mittelpunkt, der es ermöglicht, das Potenzial öffentlich zugänglicher Datensätze für spezifische unternehmerische Anwendungsfälle zu bewerten und einzuordnen.
- Grundlagen und Definitionen von Open Data sowie Abgrenzung zu Big Data.
- Entwicklung eines Analyserahmens mittels MECE-Strukturbäumen zur Bewertung der Open Data Verwendbarkeit und des Business Value.
- Untersuchung von Mehrwertpotenzialen (BVdOD) durch datengestützte Analysen und Prozessoptimierung.
- Validierung des Analyserahmens durch eine Expertenbefragung innerhalb eines datenverarbeitenden Unternehmens.
Auszug aus dem Buch
2.2 Abgrenzung von Open Data zu Big Data
Aufbauend zu den Definitionen wird in diesem Kapitel auf Unterschiede und Gemeinsamkeiten von Open und Big Data eingegangen. Um die Aspekte der Konzepte Big Data und Open Data nochmals in Erinnerung zu rufen, werden sie in Abbildung 5 als zwei Kreise dargestellt, die eine Schnittmenge in Form von gleichen bzw. ähnlichen Eigenschaften besitzen. Die Überschneidung der zwei Datenarten wird mit ‚Big Open Data’ bezeichnet.
Open und Big Data sind zwei verwandte, aber verschiedenartige Konzepte. Im Gegensatz zu Open Data sind manche Merkmale von Big Data alles andere als offen. Werden in einer Firma Kundendaten erhoben werden diese ausschließlich im Unternehmen verwendet, um interne Prozesse zu optimieren und bessere Marketingmaßnahmen zu entwickeln. Je genauer ein Unternehmen die Bedürfnisse seiner Kunden kennt, desto zielgerichteter können Produkte entworfen und vertrieben werden.
Bevor die Gemeinsamkeiten erläutert werden, wird auf die Unterschiede der beiden Phänomene eingegangen. Offenheit (Open) von Daten beschreibt, wie verfügbar und übertragbar sie sind, wohingegen die Größe (Big) von Daten die Menge und die Komplexität der Datensätze meint. Big Data bezieht sich auf Datensätze, die äußerst voluminös, vielfältig und aktuell sind. Open Data kann oft Big Data sein. Ein Unterschied ist, dass die Datensätze oft kleiner sind. Big Data beschreibt lediglich Datensätze, die eine extreme Größe vorweisen. Open Data ist öffentlich, wohingegen Big Data meistens privat ist. Der Ursprung bzw. die Quelle von Open Data ist zum Großteil die Regierung oder Einrichtungen der öffentlichen Verwaltung, wobei auch ein kleiner Teil der Nichtregierungsorganisationen und anderen Firmen Daten veröffentlichen. Bei Big Data sind die Datenquellen überaus vielfältig, weshalb sie in strukturierter, semistrukturierter oder unstrukturierter Form vorliegen können.
Zusammenfassung der Kapitel
1 Open Data als Ressource im digitalen Zeitalter: Einführung in die Bedeutung von Daten als wirtschaftliche Schlüsselressource und Vorstellung der Zielsetzung der Arbeit.
2 Grundlagen zu „Big Open Data“ und „Big Company Value“: Detaillierte Definition der Fachbegriffe sowie Abgrenzung der Konzepte Open Data und Big Data anhand ihrer Merkmale.
3 Erstellung eines Analyserahmens zur Einordnung von Anwendungsfällen: Entwicklung einer methodischen Taxonomie zur Bewertung von Datenanwendungsfällen basierend auf MECE-Prinzipien.
4 Evaluierung des Analyserahmens mit Hilfe einer Expertenbefragung: Qualitative Untersuchung und Validierung des entwickelten Schemas durch Experten aus der Praxis.
5 Kritische Bewertung von Open Data: Zusammenfassende Betrachtung der unternehmerischen Relevanz, der Herausforderungen sowie des gesellschaftlichen Nutzens von Open Data.
Schlüsselwörter
Open Data, Big Data, Analyserahmen, Business Value, Datenverarbeitung, Datenanalyse, Expertenbefragung, Entscheidungsfindung, Prozessoptimierung, Unternehmensperformance, Datensätze, Innovationsfähigkeit, Wissenstransfer, Wirtschaftsinformatik, Public Sector Information.
Häufig gestellte Fragen
Worum geht es in dieser Bachelorarbeit grundsätzlich?
Die Arbeit befasst sich mit der Nutzung von Open Data als wirtschaftliche Ressource für Unternehmen und entwickelt einen Analyserahmen, um das Potenzial solcher Daten für konkrete betriebliche Anwendungsfälle messbar zu machen.
Was sind die zentralen Themenfelder der Arbeit?
Die zentralen Themen sind Open Data, Big Data, die Generierung von Business Value aus Daten (BVdOD) sowie die methodische Strukturierung und Bewertung von Datenanwendungsfällen.
Was ist das primäre Ziel oder die Forschungsfrage?
Ziel ist es, ein hilfreiches Instrument zu schaffen, das datenverarbeitende Unternehmen bei der Kundenakquise unterstützt, indem es den potenziellen Mehrwert öffentlich zugänglicher Datensätze für Kunden transparent und anschaulich darstellt.
Welche wissenschaftliche Methode wurde verwendet?
Die Autorin verwendet eine Literaturanalyse zur Begriffsklärung, das MECE-Prinzip (Mutually Exclusive Collectively Exhaustive) zur Strukturierung des Analyserahmens sowie eine qualitative Expertenbefragung zur Evaluierung der Ergebnisse.
Was wird im Hauptteil behandelt?
Im Hauptteil werden nach einer theoretischen Fundierung der Begriffe ein Analyserahmen konstruiert, Skalen zur Gewichtung der Indikatoren definiert und beispielhafte Anwendungsfälle (Use Cases) in das Modell eingeordnet.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die wichtigsten Begriffe sind Open Data, Big Data, Business Value, Datenanalyse, Analyserahmen, Innovationsfähigkeit und Expertenbefragung.
Wie wurde die Gewichtung der Indikatoren im Modell vorgenommen?
Die Gewichtung erfolgte nach dem Bottom-Up-Ansatz, wobei untergeordnete Aspekte innerhalb der MECE-Strukturbäume in Abhängigkeit von ihrer Relevanz für das jeweilige übergeordnete Ziel gewichtet wurden.
Welche Erkenntnisse lieferte die Expertenbefragung?
Die Befragung bestätigte die Eignung des Analyserahmens für Kundengespräche, zeigte jedoch, dass die subjektive Einschätzung bei der Gewichtung variieren kann und dass der Aufwand der Datenaufbereitung eine zentrale Herausforderung darstellt.
- Citar trabajo
- Michael Aringer (Autor), 2015, Von Big Open Data zu Big Company Value, Múnich, GRIN Verlag, https://www.grin.com/document/341095
