66
aber hinsichtlich der sinnvollen Strukturierung
vor erhebliche Herausforderungen. Um solche
Daten sinnvoll zu integrieren, müssen sie struk-
turell vollkommen anders behandelt werden: So
sind im Webportal eines Handelsunternehmens
die einzelnen Messpunkte (z. B. es wurde Arti-
kel xyz angeklickt) bedingt interessant. Auch
hochaggregierte Daten (jeder Kunde klickt im
Schnitt 3 Artikel an) sind begrenzt hilfreich. Ziel
wäre in diesem Fall vielmehr die Analyse von
Suchen, Lesen und anschließender Kaufent-
scheidung. Eine solche strategische Nutzung
dieser Datengrundlagen steht bei vielen Unter-
nehmen allerdings erst am Anfang. Gleichwohl
wird die Attraktivität dieses bislang ungenutz-
ten Potentials als sehr hoch eingeschätzt (Seu-
fert/Treitz 2016).
Für die aus einzelnen Datenquellen erschlosse-
nen Daten hat sich vielfach als hilfreich erwie-
sen, diese als Rohinformationen in Informati-
onsspeicher zu überführen, um anschließend
vernetzt, analysiert und nutzbar gemacht wer-
den zu können. Entscheidend ist dabei, das
richtige Maß an Datengranularität zu erhalten.
Zwar erfordert ein sehr hoher Detaillierungs-
grad der Daten u. U. alternative Speichertech-
nologien, allerdings ist eine hohe Datengranula-
rität häufig auch Voraussetzung für die sinn-
volle Nutzung moderner, sog. Advanced-Ana-
lytics-Verfahren. Aus diesem Grund bietet es
sich häufig an, Rohdaten neu zu strukturieren,
in einer anderen Form zu präsentieren oder in
andere Speicherformen, wie z. B. Big Data Sto-
rages oder cloud-basierte Daten-Plattformen,
zu überführen.
Analytics
Die Nutzbarmachung der Rohinformationen
erfolgt i. d. R. unter Einbezug analytischer Ver-
fahren. Während sich in den Unternehmen die
Nutzung mehrdimensionaler Entscheidungs-
modelle (OLAP) zwischenzeitlich gut etabliert
hat,
steht die Nutzung sog. Advanced Ana-
lytics in vielen Unternehmen erst am An-
fang
. Unabhängig davon wird der Nutzung
dieser Verfahren, z. B. für Ursache-Wirkungs-
analysen (Kausalanalytik) oder Vorhersagen
(Prognoseanalytik/Predictive Analytics) bzw.
Simulationen ein sehr hohes Potential zuge-
sprochen.
Systeme wie z. B. SAP oder Data Warehouses
zurückgreifen. Selektiv bedeutet dabei, dass
entweder spontan einzelne Vorgänge betrach-
tet werden, wie z. B. eine einzelne Rechnung.
Oder man versucht sich einen Überblick zu ver-
schaffen, indem Daten zu Kennzahlen verdich-
tet werden, also Umsatzzahlen eines Monats.
Durch die massive Digitalisierung kommen je-
doch völlig neue Datengrundlagen hinzu. Diese
neuen Quellen, wie z. B. Sensordaten oder So-
cial-Web-Daten, ermöglichen einen Zugriff auf
unverdichtete, sehr detaillierte – d. h. granulare
– Daten. Sie stellen die Unternehmen ange-
sichts der Masse (Datenvolumina), mehr noch
Der Zugriff auf diese Rohdaten, die Vernetzung
mit weiteren Daten sowie die eigentliche Analy-
se nehmen weitere Zeit in Anspruch (Analysis
Latency). Die Aufbereitung der Analyseergeb-
nisse und deren Umsetzung in Entscheidung
bindet schließlich weitere wertvolle Zeit (Decis-
ion Latency).
Granulare Datenhaltung und
Geschäftsprozessinformationen
Die Forschung zeigt, dass viele Unternehmen
bislang primär selektiv auf interne operative
Abb. 1: Latency Modell – (Hackathorn 2002)
Abb. 2: Business Intelligence und Analytics Plattformen (in Anlehnung an Sallam et. al. 2017)
Herausforderungen und Potentiale im Bereich Daten und Analytics
