Literatur:
Bell/Raiffa/Tversky, Descriptive, normative, and
prescriptive interactions in decision making, 1988.
Baesens, Analytics in a Big Data World: The Essential
Guide to Data Science and its Applications, 2014.
Dursun/Demirkan, Data, information and analytics
as services, in: Decision Support Systems, 2013,
55.1, 359-363.
Porter, Competitive Advantage, 1985.
Siegel, Predictive Analytics, 2013.
Tatsuno, Current Trends in Digital Cameras and
Camara-Phones in Sciene and Technology Trends,
2006, 16, S. 35–44.
dass in vielen Fällen noch nicht bekannt ist, welche
Informationen in Fragestellungen, die in drei bis fünf
Jahren gelöst werden müssen, notwendig sind. Das
Risiko, in Zukunft notwendige Daten zu verlieren, ist
aus unserer Sicht deutlich größer, als die Kosten einer
solchen Datenhaltung.
Datenqualität sichern
Es ist unerlässlich, dass die zur Verfügung stehenden
Daten ein möglichst genaues Bild der wahren Welt
wiedergeben. Häufig ist dies in Unternehmensdaten
nur unzureichend gegeben. Als Beispiel sind Pro-
duktstammdaten zu nennen, die von Mitarbeitern
erfasst werden. Bei der Verwendung von Freitext-
feldern ergeben sich für Farbinformationen unter-
schiedlichste Schreibweisen von Farben, die zudem
in einem Mix aus Deutsch und Englisch geschrieben
werden.
Als Klassifikationsmerkmal bildet diese Variable die
tatsächliche Produktbreite nur unzureichend ab. Um
diese Qualität sicherzustellen, kann einerseits eine
Bereinigung vorgenommen werden. Diese sorgt
allerdings nur kurzfristig für Abhilfe. Die Veränderung
des Datenerfassungsprozesses ist der zweite Weg, der
auch langfristig Erfolg verspricht.
Aber auch das Löschen von Informationen, wie bei-
spielsweise die Abverkäufe von mittlerweile ein-
gestellten Produkten, sorgt für eine unvollständige
Information. Bei der Vorhersage von Abverkäufen
aktueller Produkte ist dann nicht mehr bekannt, dass
es im eigenen Sortiment ähnliche Produkte gab, die
die Nachfrage kannibalisieren konnten.
Die Digitalisierung der Geschäftsmodelle stellt tradi-
tionelle Unternehmen vor große Herausforderungen
im organisatorischen Wandel. Neue Akteure treten in
den Märkten auf und attackieren Umsätze und Mar-
gen etablierter Konzerne. Der Wandel bietet aber auch
Chancen. Wer seine eigene Digitalisierung vorantreibt,
kann aus den entstehenden Daten Prozesse verein-
fachen und automatisieren. Dies kann die Wettbe-
werbsfähigkeit erhöhen und den langfristigen Erfolg
sichern. Dabei ist es wichtig, von Beginn an in eine
hohe Datenqualität und -quantität zu investieren, um
diesen Vorteil so früh wie möglich zu erzielen.
Datenhistorie ist wichtig
Abb. 3
0,4
0,3
0,2
0,1
0
0,395
0,335
0,302
Ein Jahr
Zwei Jahre Drei Jahre
Veränderung der Prognoseabweichung bei zunehmender Daten-
historie. Je älter die vorgehaltene und verwendete Datenhistorie
ist, desto besser ist die Vorhersagegenauigkeit.
