Big-Data-Analysen – Zusammenfassung und Beantwortung der Fragestellungen

Die vorliegende Arbeit untersuchte die Potenziale und Herausforderungen, die sich aus der Big-Data-Analyse von Bondaten ergeben. Im Folgenden werden die beiden Fragen beantwortet, die zu Beginn der Arbeit gestellt wurden. Die Beantwortung der ersten Frage dient zugleich auch als Zusammenfassung der Ergebnisse:

1. Welche Potenziale und Herausforderungen ergeben sich für Handelsunternehmen aus der Analyse von Bondaten?

Zunächst werden die Potenziale von Big-Data Bondatenanalysen zusammengefasst. Diese wurden in technische und methodische Potenziale unterteilt.

Big-Data-Technologien ermöglichen es, größere Datenmengen schneller zu analysieren. Eine schnellere Analyse, beispielsweise durch Echtzeitanalysen, führt außerdem zu einer schnelleren Entscheidungsfindung. Methodische Potenziale von Big-Data-Analysen liegen vor allem in der Automatisierung von Prozessen und Simulationsmöglichkeiten, zum Beispiel bei der Preisfindung im Absatzmarketing. Die festgestellten Potenziale bieten Möglichkeiten für den Handel, die vorgestellten Anwendungsgebiete (vgl. 3.3.3) der klassischen Bondatenanalyse in verschiedenen Bereichen zu verbessern.

Zusammengefasst lässt sich festhalten, dass die Potenziale beider Bereiche einerseits in der Auswertungsgeschwindigkeit und Automatisierung sowie andererseits in der Verbesserung der Qualität der Entscheidungsunterstützung liegen (King 2014, S. 68). Dies wird durch die Analyse größerer Datenmengen ermöglicht, da beispielsweise Mustererkennungen eine größere Aussagekraft besitzen. Auch die Simulationen tragen zu einer verbesserten Entscheidungsqualität bei, da verschiedene Entscheidungsmöglichkeiten verglichen und die sinnvollsten gewählt und durchgeführt werden können. Tabelle 5 zeigt eine zusammengefasste und abstrahierte Übersicht der Potenziale.

Herausforderungen wurden in die von King definierten Bereiche Daten, Ethik, Organisation, Rechtslage und Technologie unterteilt. Die Bereiche Daten, Ethik und Rechtslage beziehen sich auf die Daten selbst. Da sich die Quellen der Daten von der klassischen Bondatenanalyse zur Big-Data Bondatenanalyse allerdings nicht verändert haben (keine erhöhte Datenvielfalt), sind Herausforderungen in diesen Bereichen keine Neuheit für den Handel seit Big-Data. Auch davor mussten beispielsweise Datenschutzrichtlinien beim Sammeln von Kundenkarteninformationen eingehalten werden. Neue Anforderungen an die Bondatenanalyse durch Big-Data liegen dagegen in den Bereichen Technologie und Organisation. Mangelndes Know-how bei der Einführung und dem Betrieb der Systeme und die Akzeptanz der Führungskräfte, ohne dessen Unterstützung die Projekte erst gar nicht umgesetzt werden können, sind Beispiele für Herausforderungen, die sich im Rahmen von Big-Data entwickeln. Tabelle 6 zeigt neue Herausforderungen, die sich durch die Verwendung von Big-Data-Analysen von Bondaten entwickeln.

2. Inwiefern bildet die Big-Data-Analyse von Bondaten die unterschiedlichen Potenziale und Herausforderungen von Big-Data-Analysen im Allgemeinen ab?

Zu Beginn der Arbeit wurde der Begriff Big-Data anhand des 4V-Modells definiert. Die Analyse von Big-Data bezieht sich somit ebenfalls auf diese vier Bereiche. Bei der Bondatenanalyse im Kontext von Big-Data werden zwar die Bereiche Datenvolumen (Volume) und Geschwindigkeit (Velocity) aufgegriffen, die Datenvielfalt (Variety) und die Richtigkeit der Daten (Veracity) tauchen jedoch nicht auf. Die Datenvielfalt ist nicht gegeben, da Bondaten alle am PoS ermittelt werden und somit keine unterschiedlichen Datenquellen besitzen. Die Richtigkeit der Daten ist deshalb ein Bestandteil des 4VModells, da diese auch bei der Integration von Daten verschiedener Quellen gegeben sein soll und durch größere, diversifizierte Datenmengen verbessert werden kann (vgl. Manyika et al. 2011, S. 27). Da dies bei Bondaten nicht der Fall ist, werden zwei von vier Bestandteilen der Big-Data Definition nicht betrachtet.

Das bedeutet, die Big-Data-Analyse von Bondaten zeigt nur einen Ausschnitt der Potenziale und Herausforderungen, da nur eine Datenquelle verwendet wird. Werden weitere Daten, wie solche aus Social-Media, Sensordaten oder Videomaterial zu den Analysen hinzugezogen, entstehen weitere Potenziale und Herausforderungen für Handelsunternehmen bei Big-Data-Analysen. (vgl. (Marr 2015, S. 7; van Till 2013, S. 20)

Rudolph und Linzmajer sehen den Nutzen von Big-Data-Analysen in der sinnvollen Verknüpfung unterschiedlicher Datenquellen (Rudolph und Linzmajer 2014, S. 5). Die Technologie QueVision arbeitet beispielsweise mit Sensoren, die am Eingang und den Kassen angebracht werden können, um die Anzahl der Kunden zu ermitteln. Diese Daten werden mit Echtzeitdatenströmen aus PoS-Systemen kombiniert, um zunächst Wartezeiten für Kunden zu errechnen und Vorschläge für die Anzahl an geöffneten Kassen darzulegen, sodass anschließend die Wartezeiten minimiert werden können. (Grewal et al. 2017, S. 2) So kann die Mitarbeitereinsatzplanung noch präziser durchgeführt werden, als wenn sie nur auf Bondaten basiert (vgl. 3.3.3). Auch Social-Media-Daten können Potenziale für den Handel besitzen. Walmart analysiert die Daten beispielsweise bezüglich des Einflusses von Freunden auf die Kaufeigenschaften von Kunden. (Marr 2015, S. 7)

Diese Anwendungsgebiete zeigen erste Beispiele, wie die Nutzung und Integration verschiedener Datenquellen neue Potenziale für Handelsunternehmen eröffnet. Nicht nur der Online-Handel ist somit in der Lage, umfassende Kundenprofile zu erstellen, um das Consumer Insight weiter zu verbessern. Marr bezeichnet dies als „360 Grad Blick“ auf individuelle Kunden (Marr 2015, S. 289), da nicht nur eine interne Quelle, wie es bei der Bondatenanalyse der Fall ist, analysiert wird, sondern verschiedene interne und externe Quellen integriert und zusammen analysiert werden, die zusammen ein umfassendes Profil des Kunden bilden können.

Mit neuen Datenquellen ergeben sich allerdings auch neue Herausforderungen für Handelsunternehmen. Datenschutzrichtlinien für externe Daten (z.B. aus Social-Media) müssen eingehalten werden und auch die Zuordnung der Rechte ist nach King nicht immer eindeutig (King 2014, S. 84).

Abschließend lässt sich festhalten, dass die Big-Data Bondatenanalyse nicht alle Potenziale und Herausforderungen von Big-Data-Analysen abbildet, da nicht alle Dimensionen des 4V-Modells betrachtet werden. Trotzdem ermöglichen Big-Data-Analysen von Bondaten zahlreiche Verbesserungen der klassischen Bondatenanalyse. Sie können als erster Schritt für Handelsunternehmen in das Gebiet von Big-Data dienen, um darauf aufbauend weitere Datenquellen und Technologien zu integrieren. Ohlhorst unterstützt die Vorgehensweise, Big-Data-Analysen mit einem kleinen ausgewählten Bereich zu beginnen und mit steigendem Know-how und nach ersten implementierten Analysemodellen zu expandieren. (Ohlhorst 2013, S. 94–95) Diese Arbeit hilft dabei, durch ausgewählte Potenziale und Herausforderungen einen ersten Einblick in das Gebiet Big-Data im Handel zu ermöglichen, erhebt dabei jedoch aufgrund des begrenzten Umfangs dieser Arbeit keinen Anspruch auf Vollständigkeit. Welche Technologien und Analysemethoden in der Praxis eingesetzt werden, muss dann von Fall zu Fall entschieden werden, da diese für unterschiedliche Anwendungszwecke entwickelt werden (Manyika et al. 2011, S. 27). Außerdem sollten Kosten und Nutzen abgewogen werden, um die tatsächliche Rentabilität der geplanten Maßnahmen festzustellen. Da Big-Data-Technologien häufig noch keine jahrelangen Testphasen hinter sich liegen haben, sind Best Practices noch nicht so fundiert wie beispielsweise bei klassischen Handelsinformationssystemen (Ohlhorst 2013, S. 93).