Big Data – Chancen und Risiken | 3m5.

In den letzten Jahren wuchs die Bedeutung von Big Data sowohl im geschäftlichen als auch im privaten Bereich. Vor 5 Jahren identifizierte der IT-Branchenverband Bitkom Big Data als bedeutsamen Trend. (link)

Eine streng gefasste allgemeine Definition zu „Big Data“ existiert nicht. So werden in der Regel Massendaten verstanden, die folgende Dimensionen aufweisen (link):

1. Großer Umfang der Daten (Volume)
2. Schnelligkeit der Datenentstehung bzw. –änderung (Velocity)
3. Hohe Bandbreite von Datentypen (Variety)

Durch neue effiziente Formen der Informationsverarbeitung können diese Daten überhaupt ausgewertet werden, so dass auch diese Massendaten für Monitoring und Entscheidungen genutzt werden können.

Mit diesen Daten können auch komplexe Sachverhalte erklärt und veranschaulicht werden. Hier empfehlen wir den Vortrag von Hans Rosling über die globale Bevölkerungsentwicklung als Best Case für eine Datenvisualisierung.

TED Vortrag Hans Rosling: The best stats you've ever seen 

Big Data und Bonuskarten
Big Data gibt es schon einige Jahrzehnte und die Konsumenten wissen um die Sammlung ihrer Daten über Käufe und Aktivitäten. Ziel ist immer, die Daten zu sammeln, um diese später zu interpretieren und auszuwerten.
2016 hatte jeder Deutsche 3,7 Bonuskarten im Portemonnaie, um beim Einkauf zu sparen. (link)

In der Regel ist mit der Bonuskarte auch die Hinterlegung der persönlichen Daten verbunden, damit der Händler passgenaue Angebote und Werbung machen kann.
Die Vertrauenswürdigkeit ist der wichtigste Faktor bei solchen Karten. Bei diesem Kriterium punktet die bekannteste Kundenkarte Payback.



„Welche der folgenden Bonus- oder Rabattprogramme halten Sie für vertrauenswürdig?“ (link)


In Deutschland nehmen 29 Mio. Personen an dem Payback-Programm teil. Als Gegenleistung für die Zurverfügungstellung seiner Daten und Kaufaktivitäten erhält der Kunde Punkte, die man einlösen kann. Dieses bedeutet, dass im Durchschnitt jeder Kunde die Daten über einem Einkauf von insgesamt 1.000€ Payback mitteilt. (link)

Ausgehend von einem durchschnittlichen Warenbon von 10€ (z.B. im Drogerie- und Lebensmitteleinzelhandel) werden somit 100 Einkäufe des jeweiligen Kunden jährlich gemonitort.

Gemeinschaftsprofile und Individualprofile
Wir assoziieren häufig mit Big Data die Potenziale im Marketing. So werden diese Massendaten aus Nutzeraktionen über Kundenkarten oder Online bei jedem Klick zu Gemeinschaftsprofilen für ein bestimmtes Segment einer Zielgruppe aggregiert. Aufgrund eines flexiblen DataMining sind Zielgruppensegmente nicht à priori festgelegt, sondern werden je nach Fragestellung bzw. Marketingziel gebildet. Die Masse an Daten macht dieses möglich.
Denkbar ist auch, dass diese Gemeinschaftsprofile sukzessive so verfeinert werden, dass ein kundenindividuelles Profil entsteht, um ein 1:1-Marketing zu ermöglichen. Auf der anderen Seite müssen auch die Möglichkeiten, der Aufwand sowie der Nutzen für eine kundenindividuelle Werbekommunikation berücksichtigt werden.

Big Data – Chancen und Risiken
Wenn wir von Big Data sprechen, kommen automatisch auch Themen zu Auswertungen im Gesundheitsbereich, Vorratsdatenspeicherung und möglicher Verletzung von Persönlichkeitsrechte auf.

Wenn wir von Risiken sprechen, gibt es folgende wesentliche Bereiche:

1. Datenqualität
Hauptproblem jeglicher Datensammlung und –analyse ist die Qualität der Daten selbst. Fehlerhafte Datensätze, Duplikate, Redundanzen sind nur einige Fehlerquellen, die auf Datenebene regelmäßig passieren. Eine Ebene höher bei der Interpretation können dann auch leicht Daten falsch oder mehrdeutig interpretiert werden. Wenn es bei der Auswertung keine Vergleichswerte gibt oder das Ziel der Datenauswertung nicht klar ist, sind die Daten – einfach ausgedrückt – ohne Wert.

2. Henne-Ei-Problem
Entscheidungen und Vorhersagen können nur getroffen werden, wenn die Daten hierfür geeignet sind. Daten müssen nicht nur eine Beziehung zu einem möglichen Ergebnis aufweisen, sondern die Daten müssen der Grund, die Basis für ein Ergebnis sein. Es ist nichts anderes als das „Henne-Ei-Problem“; es ist eben nicht immer ersichtlich, welche Ursachen zu bestimmten Ergebnissen führen bzw. führen könnten.

3. Semantik
Nicht alle Daten sind geeignet, die Realität abzubilden. Daten müssen der Bedeutung (Semantik) nach geeignet sein, den richtigen Bezug zur Realität bzw. Fragestellung zu haben bzw. die Realität richtig zu beschreiben.
Neben diesen grundsätzlichen Risiken bei der Erhebung und Nutzung von Daten und damit zur falsch geleiteten Interpretation von Daten existieren gerade Risiken bei sensiblen Daten.

4. Betriebliche Daten und Cloud-Lösungen
Betriebliche Daten sind hochgradig sensibel. In Unternehmen entstehen in jedem Prozess, bei jedem Arbeitsplatz, in jeder Wertschöpfungsstufe Daten über Produkte, Dienstleistungen, Innovations-KnowHow etc. Wenn hier die Potenziale von Big Data genutzt werden sollen, müssen die Massendaten sicher gespeichert werden.

In der Regel verfügt das Unternehmen nicht selbst über entsprechende Speichermöglichkeiten, sondern bedient sich Cloud-Lösungen. Es ist wichtig, hier einen Anbieter zu wählen, der gleichwertige Datenschutzregeln wie das Unternehmen selbst anwendet.
Ob im Bereich von Big Data oder normalen Mengen an Daten ein Risiko an Betriebsspionage besteht immer. Bei Big Data besteht auch das Risiko der bewussten Platzierung von falschen Daten, die in dem Meer von Massendaten nicht auffallen, aber durch die Dateninterpretation zu falschen Handlungsempfehlungen führen.

5. Persönliche Daten - Kundenwahrnehmung
Der Kunde verbindet mit Big Data den Gläsernen Konsumenten. Die werbetreibenden Unternehmen können genau wissen, welche Kaufbedürfnisse jeder Einzelne hat und können so mit Werbung zielgerichtet Produkte bewerben.
Der Mehrwert auf der einen Seite aber auch der sensible Umgang mit personenbezogenen Daten auf der anderen Seite müssen den Kunden transparent gemacht werden. Der Kunde letztendlich bestimmt die Ausrichtung der Unternehmen durch seine Nachfrage. Unternehmen müssen wissen, wie die Kundenwahrnehmung und mögliche Bedenken hinsichtlich personenbezogene Daten sind. Erst dann kann ein Unternehmen beginnen, mögliche Potenziale mittels Big Data auf Basis von Kundenaktivitäten zu schürfen.

Chancen und Nutzen
Den Nutzen von Big Data sehen die Unternehmen eindeutig im Bereich der Umsatzmaximierung mit 29% und der Risikominimierung mit 31%. (link)
35% aller Unternehmen nutzen Big-Data-Lösungen im Unternehmen.

Nutzung Big Data (link)

Gerade Big Data liefert auch die Basis für Prognosen. So nutzt Siemens die Daten von Triebzügen, um Wartungsprozesse zu optimieren, konkret können so Probleme bei Komponenten im Getriebelager 3 Tage vorher vorhergesagt werden.



Big Data und Prediction bei der Wartung (link)

Das Mobility Data Services Center (MDS) von Siemsn wertet hierzu die Daten der Triebzüge aus. Ein Zug produziert 1-2 Mrd. Daten jährlich, d.h. bei einer angenommenen Fahrleistung von 500.000km pro Jahr bedeutet dieses ~3.000 Daten pro km, die dann die Basis für die Vorhersage sind. Hinzu kommt, dass die verfügbaren Daten sekündlich wachsen und damit das Wissen und Prognosegüte steigt.

Transparenz und Ausblick
Die Verwendung von Big Data im Sinne des Produzenten der Daten ist die oberste Maxime. So wie die Daten von Maschinen dem Unternehmen helfen, effizienter zu arbeiten, so muss auch für jeden Konsumenten erkennbar sein, welchen Nutzen dieser von Big Data hat.
Heute konzentrieren wir uns auf singuläre Datensilos, in Zukunft wird gerade die Vernetzung von ganz unterschiedlichen Daten zunehmen, z.B. die Maschinenauslastungen und die Daten aus dem Marketing Automation.

Big Data als Massendaten wird die Grundlage für jegliche betriebliche Entscheidungen sein.