Big Data ist nicht gleich Big Bang

Es ist schon bemerkenswert: Selbst nachdem bereits seit vielen Jahren die Nutzbarmachung von grossen Datenmengen in aller Munde ist und nicht bloss von der IT-Industrie zu den anhaltenden Megatrends der wirtschaft­lichen Entwicklung gezählt wird, kennen viele Unternehmen – insbesondere kleinere und mittelständische – Big Data höchstens vom Hörensagen. Von künstlicher Intelligenz oder dem Internet der Dinge ganz zu schweigen. Weshalb hat die Thematik nach wie vor einen derart schweren Stand im KMU-Land Schweiz?

Immerhin haben doch viele Unternehmen Analyse­software oder zumindest -werkzeuge im Einsatz. Der Gebrauch beschränkt sich aber oftmals auf Controlling-Aufgaben oder kurzfristige Einzelinitiativen in den Fachabteilungen. Nicht selten kommen bei Letzteren Tools und Methoden zum Einsatz, die sich zwar für schnelle Einsichten eignen. Für eine qualitativ sinnvolle und langfristige Verwendung sind solche "Quick-and-Dirty"-Einsichten allerdings in der Regel mit Vorsicht zu geniessen. Dies liegt unter anderem in der mangelnden Datenqualität und nicht zuletzt an einer fehlenden Granularität, ohne die sich eine Analyse-Idee nicht in ein regelmässig zu verwendendes Produkt für die Fachanwender überführen lässt.

Kosten werden überschätzt

Die eigentliche Hemmschwelle für die Big-Data-Nutzung liegt aber in aller Regel bei einem falschen Verständnis der Kosten. Dabei stehen doch mittlerweile mit Google-Cloud, Microsoft Machine Learning und Azure und anderen Anwendungen Lösungen zu Verfügung, die ohne Initial­investitionen und zu überschaubaren Kosten die Verrechnung grosser Datenmengen auch für den Mittelstand erschwinglich machen. Selbst für künstliche Intelligenz bieten mittlerweile alle grossen Technologieanbieter "kognitive Services", mit denen sich auch unstrukturierte Datenquellen wie etwa Bilddaten und vieles mehr auswerten lassen.

Es braucht entsprechend für Big Data und Analytics nicht gleich ein ganzes Team an Datenanalysten. Was man aber auf jeden Fall benötigt, sind neben der erwähnten nötigen Datenqualität, Überlegungen dazu, wie eine mögliche Strategie zur Verwendung der unterschiedlichen Datenquellen aussehen könnte. Es ist selbstverständlich zu begrüssen, wenn Initiativen zur Erarbeitung von Analyseerkenntnissen aus den Abteilungen kommen. Um aber einen Wildwuchs an Schatten-IT im Unternehmen zu vermeiden, empfiehlt sich aber auf jeden Fall, ein minimales Konzept zu Erwartungen und Zielen von Business Intelligence zu erarbeiten.

Erste Gehversuche starten

Last but not least muss bekannt sein, welche Daten im Unternehmen überhaupt in welcher Form vorhanden sind. Denn es können etwa Log-Daten, semi- oder unstrukturierte Bild- oder Ton- oder auch Produktdaten und andere Informationen sein, die sich für ein erstes Analyseprojekt eignen. Dazu muss man auch nicht gleich mit dem "Big Bang" in die Big-Data-Welt einsteigen.

Oftmals kann ein Versuch zur Beantwortung einer einzelnen Frage inklusive eines professionellen Machbarkeitsnachweises ein geeigneter Start in die Welt der Datenanalyse sein. Umso besser, wenn dabei die IT noch ihr Wissen bezüglich der an den unterschiedlichen Stellen im Unternehmen vorhandenen Daten als bereichernden Input in die Diskussion miteinbringt. Die Informatik könnte sich dadurch über die methodische und technische Komponente hinaus als inhaltlicher Ideenbringer profilieren.