Leseprobe
Inhaltsverzeichnis
1 Einleitung
1.1 Problemstellung
1.2 Gang der Untersuchung
2 Theoretische Grundlagen
2.1 Begriffliche Definition
2.2 Ziele und Definition von Big Data im wirtschaftlichen System
3 Big Data Strukturen im wirtschaftlichen Konsens
3.1 Implementierung ins Unternehmen
3.2 Finalisierung der Informationsverarbeitung
3.3 Anpassung der Methodenkompetenz am Beispiel des Controllings
4 Schlussbetrachtung
4.1 Fazit für Wirtschaftssubjekte
4.2 Ausblick
5 Quellen
Abkürzungsverzeichnis
BD Big Data
BI Business Intelligence
DM Data Mining
NLP Natural Language Processing
NoSQL Not only Structured Query Language
SQL Structured Query Language
Tabellenverzeichnis
Tabelle 1: Eigene Darstellung Big Data Kriterien im Überblick
1 Einleitung
1.1 Problemstellung
Durch die enorme Entwicklung der technologischen Innovationen im Zuge der Digitalisierung, entsteht unweigerlich ein immer größer werdendes Aufkommen an Daten. Dies hat zur Folge das nicht nur die Umstellung von analoger auf digitale Visualisierungformen notwendig ist, sondern auch die Veränderung des Kundenverhaltens und der Märkte durch digitale Innovationen messbar wird, sowie die aus ökonomiischer Sicht notwendigen Veränderungen von Geschäftsmodellen, Wertschöpfungsketten und internen Geschäftstrukturen optimiert werden müssen. Modewörter wie Big Data entstehen, welche suggerieren sollen, dass es einen ökonomischen Nutzen aus den Datenbergen gewonnen werden kann. Sie enthalten beispielsweise neues Wissen über Methoden zur Optimierung von Betriebsprozessen, Marktlücken, Kundenwünschen und mehr. Doch birgt der Begriff Big Data aus unternehmerischer Sicht noch viel Unwissen. Unternehmen scheuen oft die Methodische Auseinandersetzung mit unstrukturierten Informationen, auch aus Angst einer negativen Reputation. Die effektive Nutzung von Big Data erfordert einerseits geeignete technische Tools und andererseits "intelligente" Algorithmen. Mit diesen Algorithmen können die erforderlichen Daten aus dem vorhandenen Umfeld extrahiert, angezeigt und korreliert werden.1 Die Digitalisierung führt daher neben Veränderungen im Bereich Daten und Informationen zu weitgreifenden Umstrukturierungen von Branchen und Unternehmen. Wenn der Controller seine Rolle als Geschäftspartner weiterhin kompetent beibehalten und ausführen möchte, muss er die Möglichkeiten und Auswirkungen digitaler Informationen auf Geschäftsmodelle und -prozesse entsprechend verstehen. Big Data ist ein Begriff, der heute unter verschiedenen Bedingungen diskutiert wird. Politik und Wirtschaft sehen darin eine innovative Technologie, die genutzt werden muss, um nachhaltig zu bleiben.
Diese Hausarbeit befasst sich grundlegend mit der Thematik Big Data. Es wird auf die Fragestellung des Nutzens für Unternehmen eingegangen. Die Berufsgruppe der Controller und der Controlling-Bereiche wird als Beispiel dafür genutzt, in wie fern sich die methodischen Kompetenzen verändern und angepasst werden müssen.
1.2 Gang der Untersuchung
Das Ziel der nachfolgenden Hausarbeit besteht in der Erfassung des Nutzungspotenzials der weltweitauftretenden Daten und Informationsmengen unter dem Begriff Big Data. Das Grundlegende Potenzial von Big Data soll dementsprechend analysiert werden und auf wirtschaftlich arbeitende Subjekte angewendet werden.
Auf diese Einleitung aufbauend soll in Kapitel zwei die Begriffliche Abgrenzung erfolgen. Wesentlich im Zusammenhang von Big Data zu nennenden Begriffen werden erläutert und ausführlich voneinander abgegrenzt.
In Kapitel drei wird das Nutzenpotenzial von Big Data auf Unternehmen betrachtet. Hierbei werden die Schritte zur Implementierung und die Voraussetzung für eine erfolgreiche Beanspruchnahme definiert. Die aus diesem Kapitel gewonnen Erkenntnisse werden mit dem innerbetrieblichen Bereich des Controllings korreliert. Hierbei werden neue Methodenkompetenzen und Handlungsempfehlungen ausgearbeitet und definiert. Diese Hausarbeit schließt mit Kapitel vier ab. In diesem Kapitel wird sich mit der Schlussbetrachtung, der im Zuge der Thematik der Big Data auftretenden Chancen und Risiken befasst. Ein Fazit, welches auf die Nutzung und Problematik der wissenschaftlichen Fragestellung eingeht, wird formuliert und mit einem Ausblick beendet.
2 Theoretische Grundlagen
2.1 Begriffliche Definition
Um den Einfluss von Big Data auf das betriebswirtschaftliche Controlling zu konkretisieren, bedarf es zunächst der näheren Betrachtung des Terminus und einer obligaten Definition.
Mit der Begrifflichkeit Big Data gehen diverse Interpretationen einher. Interpretationen die je nach Branche und Unternehmen unterschiedlich ausfallen können. Im Zuge dieser Hausarbeit wird sich auf die ökonomische Sicht der Big Data Strukturen bezogen.
Zunächst sollte der Ausdruck Data (Deutsch: Daten) näher betrachtet werden. Daten werden in der Wirtschaftsinformatik digital erfasste Zeichen, welche als Angaben über Sachverhalte und Prozesse als Informationen dargestellt werden, bezeichnet.2 Daten sind folglich elektronisch erfasste Informationen, die der digitalen Weiterverarbeitung dienen.
Aus wirtschaftlicher Perspektive werden Informationen speziell charakterisiert. Informationen sind der Teil einer Nachricht, der einen Wert für den Empfänger hat. Informationen werden verwendet, um bestehende Wahrscheinlichkeitsurteile in Bezug auf die wirtschaftliche Einheit zu bestimmen und werden durch entscheidungsrelevante Daten oder Ereignisse verändert.3 Informationen sind demnach sehr relevant für Unternehmen. Sie haben einen wirtschaftlichen Mehrwert für das Wirtschaftssubjekt, denn diese werden bei mehrfacher Benutzung nicht verbraucht und können durch Abtretung der Verfügungsrechte handelbar gemacht werden. Angesichts neuer Kommunikationstechniken geschieht der Transport der Informationen schnell und kostengünstig.
Der namensgebende Bestanteil Big bezieht sich auf die Kapazität der Informationsmenge. Es liegt nahe das eine gewissen Menge an Informationen vorhanden sein muss, um im Kontext mit Big Data in Verbindung gebracht zu werden. Eine exakte Definition über den genannten Umfang gibt es nicht.4 Davenport definierte 2014 einen Mindestumfang von ein Zehntel Petabyte.5 Eine hohe Anzahl an Informationen reichen für eine im ökonomischen Kontext für Big Data Strukturen, für diese Hausarbeit, nicht aus. Um eine differenziertere Definition zu finden, trifft man in der Wirtschaftswissenschaft auf weitere Kriterien.
Big Data lässt sich weitergehend in drei Dimensionen beschreiben und durch weitere Dimensionen ergänzen.6 Douglas Laney aus der META Group definierte Big Data 2001 als einer der Ersten, als jene Methode, welche sich im Zuge der Digitalisierung und der immer größer werdenden Informationsflut, eine dreidimensionale Perspektive zu eigen macht: „Big data is high volume, high velocity, and/or high variety information assets that require new forms of processing to enable enhanced decision- making, insight discovery and process optimization”7
2.1.1 Volume
Die Volume (Datenmenge) der jährlichen weltweit generierten digitalen Datenmengen lag 2018 bei 33 Zettabyte. Laut einer Prognose erhoben durch Statista, wird diese Datenmenge 2025 auf 175 Zettabyte ansteigen.8 Dies ist hauptsächlich auf unsere zunehmend digitalisierte Welt und die damit verbundene Zunahme der Datenquellen zurückzuführen. Ausschlaggebend sind die Relevanz und Gültigkeit der Daten, die verwendet werden können. Big Data bezieht sich auf Datensätze, deren Größe die Fähigkeiten typischer Datenbanksoftware zum Speichern, Verarbeiten und Analysieren übersteigt.9
Neben internen Informationen, welche das Unternehmen selbst produziert, durch Maschinen- oder Produktionsdaten, fließen auch externe Informationen wie, Daten aus sozialen Netzwerken, Finanzmarktdaten oder Daten von mobilen Endgeräten, dem Wirtschaftssubjekt zu.10 Das Volumen bilden die Ausgangslage für Big Data Strukturen.
2.1.2 Variety
Durch das stark zunehmende Volumen der Daten, steigt unweigerlich auch die Datenvielfalt. Die Daten werden aus unterschiedlichen Quellen und verschiedenen Datenformaten gewonnen. Die Datenvielfalt bedeutet bei Big Data die Speicherung von strukturierten, halbstrukturierten und unstrukturierten Informationen.11 Dies ist somit elementarer Unterschied von BD zu großen Datenmengen, denn BD-Software Anwendungen machen auch die Untersuchung von unstrukturierten Daten möglich.
2.1.3 Velocity
Velocity (Geschwindigkeit) zeigt die Geschwindigkeit auf, mit der bei Big Data Informationen ausgewertet und verfügbar gemacht werden.12 Dies wird in Bezug auf die großen Datenmengen und die Datenvielfalt relevant. Daten müssen in Echtzeit oder in sekundenbruchteilen ausgewertet werden. Besonders aufgrund der Bereiche Sensorik oder Social Media werden dem Unternehmen Daten direkt in den Geschäftsprozess integriert.13
Für die neue Qualität ist es entscheidend, dass herkömmliche Technologien für die Datenverarbeitung nicht mehr ausreichen und daher spezielle Big-Data-Technologien eingesetzt werden.
Diese drei Dimensionen Variety, Velocity und Volumen bilden die Grundeigenschaften von Big Data. Diese drei V`s können durch mindestens zwei weitere Dimensionen erweitert werden, um Big Data Strukturen im ökonomischen Sinne zu konkretisieren.
2.1.4 Value
Ein wichtiger Bestandteil von Big Data ist die Datenquelle und deren Wert für das Unternehmen. Es ist wichtig zu überprüfen, welche Daten im Unternehmen vorhanden sind, welche aktiv verwendet wurden, welche nicht verwendet wurden oder warum nicht.14 Es ist auch sinnvoll, externe Daten einzubeziehen oder neue Daten in Ihrem Unternehmen zu erfassen, z. B. mithilfe von Datendiagrammen. Sie müssen auch klären, welche Daten für eine bestimmte Entscheidung benötigt werden. Big-Data-Anwendungen sollen den Unternehmenswert steigern, durch Investitionen in Weiterbildungen für das Personal und interne technische Infrastruktur werden überall dort getätigt, wo eine Hebelwirkung besteht. Somit kann ein Mehrwert generiert werden.15
2.1.5 Veracity
Big Data Strukturen im Konsens der Veracity (Richtigkeit) treten dann auf, wenn die vorhandene Unternehmensinfrastruktur diese Datenmenge und Datentypen nicht mehr in der erforderlichen Zeit verarbeiten kann. Der Begriff Big Data Analytics wird verwendet, um diesen Prozess zu identifizieren. Es ist sinnvoll, Big Data schnell und gründlich zu analysieren, um so viel Wert wie möglich aus riesigen Datenmengen zu ziehen. Da viele Daten mehrdeutig oder ungenau sind, sind spezifische Methoden erforderlich, um die Signifikanz zu bewerten oder die Qualität der Ergebnisse zu bewerten. Im Zuge von Big Data bedeutet dies, dass Dateninventare mit unterschiedlichen Datenqualitäten abgerufen werden können, was bei der Bewertung berücksichtigt werden muss. Hierbei kommt Big Data Analytics zum Tragen. Solch eine Analyse umfasst Methoden zum automatischen Erkennen und Verwenden von Mustern, Beziehungen und Bedeutungen. Dazu gehören statistische Methoden, Vorhersagemodelle, Optimierungsalgorithmen, Data Mining, Text- und Bildanalysen. Bestehende Informationsanalysemethoden wurden maßgeblich erweitert. Der Fokus liegt auf der Geschwindigkeit der Analyse (Echtzeit, nahezu Echtzeit) und der Benutzerfreundlichkeit, die bei der Verwendung von Analyseanwednungen in vielen Bereichen des Unternehmens ausschlaggebend sind.16 Aufgrund der Verwendung komplexer Algorithmen erfordert die Analyse von Daten mit mehreren Strukturen eine enorme Rechenleistung. Mit der richtigen Technologie und den richtigen Software-Lösungen können jedoch neue Ergebnisse gewonnen werden.17
Abbildung in dieser Leseprobe nicht enthalten
Tabelle 1: Eigene Darstellung Big Data Kriterien im Überblick18
2.2 Ziele und Definition von Big Data im wirtschaftlichen System
Um einen grundlegenden Überblick über den Terminus Big Data zu erlangen, eignet sich die grobe Betrachtung der damit verbundenen und zu erreichenden Ziele. So lässt sich die Einordnung von BD in die Wirtschaft näher analysieren.
Kapital, Arbeit und Rohstoffe sind die klassischen Produktionsfaktoren in der Wirtschaft. In der digitalen Welt treten Daten aller Art als vierter Produktionsfaktor auf.19 Eines der wichtigsten Ziele von Big Data ist die Ermittlung und Analyse reproduzierbarer Prozessmuster. Die Wirtschaft hofft, dass BD potenziellen Kunden neue Erkenntnisse über potenzielle Risiken und Kaufverhalten bietet und benutzerbasierte Profile generiert, die auch Phänomene wie kleine Daten enthalten können. Es versucht, die Produktion von Industrie 4.0 zu optimieren und flexibel anzupassen, zu innovieren und durch vorläufige Berechnungen eine effektivere Positionierung auf dem Markt zu etablieren.20 Die ökonomischen Vorteile von Big Data lassen sich in einigen Unternehmensbereichen demonstrieren. Dies umfasst insbesondere Marketing und Vertrieb, Forschung und Entwicklung, Produktion, Service und Support, Vertrieb und Logistik, Finanz- und Risikokontrolle sowie Verwaltung und Organisation. Finanzielle und risikokontrollierende Vorteile, unter anderem neue Möglichkeiten bei der Betrugserkennung und beim Risikomanagement. Das Hauptaugenmerk der Betrugserkennung liegt darauf, relevante Maßnahmen so vollständig wie möglich zu erfassen und zu überwachen. Das Risikomanagement wird durch hochkomplexe Berechnungen unterstützt.21 Auch unterscheiden sich die Ziele grundsätzlich leicht in Abhängigkeit der zu betrachtenden Branche. So sind die Einsatzmöglichkeiten von Big Data im Industriesektor besonders vielfältig. Umsatz-, Absatz,-Gewinnsteigerungen, Produktverbesserungen und strategische Steuerung sind nur einige Wesentliche Ziele. Im Einzelhandel gehören Umsatzsteigerung und Kosteneinsparung zu den häufigsten Zielen.22
3 Big Data Strukturen im wirtschaftlichen Konsens
3.1 Implementierung ins Unternehmen
Viele Unternehmen haben noch keine konkreten Ideen zur Verwendung und Implementierung von Big Data. Die möglichen Gründe für diese Situation sind mangelnde Strategie, mangelndes Verständnis für die Technologie und die technischen Möglichkeiten der Big-Data-Technologie sowie mangelnde Unternehmenserfahrung. Bisher wurden nur wenige Prozessmodelle speziell für die Einführung von Big Data veröffentlicht. Dennoch gibt es einen grundliegenden Ansatz für die Implementierung von Big Data in das Unternehmen. Dieser Ansatz wird in 7 Phase aufgeteilt.23
Im ersten Schritt werden in Workshops, Leitfragen für die strategischen Unternehmensziele herausgearbeitet. Welche Ziele sollen durch den Einsatz von BD-Analysen erreicht werden. Zum Beispiel versucht das Unternehmen durch den Einsatz von Big Data die Risikominimierung in Korrelation mit den alltäglichen Geschäftsprozessen zu optimieren.
Im nächsten Schritt werden die Verwendungsmöglichkeiten von BD untersucht und deren Qualitäts- und Sicherheitsanforderungen definiert.
Im dritten Schritt werden vorhandene IT-Strukturen mit zukünftigen BD Anforderungen verglichen. Hierbei werden die Chancen und Risiken einzelner Unternehmensbereiche identifiziert.
In Phase vier besteht das Hauptaugenmerk auf den technischen Voraussetzungen zur Implementierung von BD-IT-Lösungen, wie Cloud Anbindungen. Bereits integrierte Business Intelligence wird analysiert und mit den Kriterien der BD-V`s verglichen. Wie muss die IT-Infrastruktur am Ziel aussehen?
Die fünfte Phase werden technische Optionen und Problemlösungen für die BD-Einführung entwickelt. Eindeutige Verantwortlichkeiten für die Daten und ihre Verwendung sowie Konzepte zur Gewährleistung von Transparenz bei der Datenvielfalt und angemessener Datenqualität sind erforderlich.
Im vorletzten Schritt werden BD-Maßnahmen basierend auf den definierten Anwendungsoptionen und unter Berücksichtigung technischer und wirtschaftlicher Prioritäten definiert. Ansätze zur Überwachung des Informationsflusses sollen entwickelt werden.
[...]
1 Vgl. Pätzold (2019)
2 Vgl. Lackes, Siepermann (2014), Daten
3 Vgl. Lackes, Siepermann (2014), Informationen
4 Vgl. Davenport (2014), S. 6-7
5 1 Petabyte = 1.000.000 Gigabyte
6 Vgl. Curry (2016), S. 30 ff
7 Vgl. Laney (2001), S. 1 ff
8 Vgl. https://de.statista.com/statistik/daten/studie/267974/umfrage/prognose-zum-weltweit-generierten-datenvolumen/
9 Vgl. Reimer, Messerschmidt, Stüben, Rasch (Hrsg.), Ehrig (2013), S. 9
10 Vgl. Fasel, Meier (Hrsg.) (2016), S. 5-6
11 Vgl. Fasel, Meier (Hrsg.) (2016), S. 5-6
12 Vgl Leodolter (2015)
13 Vgl. BITKOM (Hrsg.) ( 2012)
14 Vgl. McAfee, Brynjolfsson (2012), S. 59-69.
15 Vgl. Loukides (2010)
16 Vgl. Meier (2018), S. 5 ff
17 Vgl. BITKOM (Hrsg.) (2012)
18 Eigene Darstellung
19 Vgl. BITKOM (Hrsg.) (2012)
20 Vgl. o.V., https://www.gruenderszene.de/lexikon/begriffe/big-data?interstitial_click
21 Vgl. BITKOM (Hrsg.) (2012)
22 Vgl. Frauenhofer IAIS, S. 3ff
23 Vgl. Reimer, Messerschmidt, Stüben, Rasch (Hrsg.), Ehrig (2013), S. 14 ff