Benchmark-Studie zum Data-driven Business Management: Wo stehen Sie?

Die Menge an verfügbaren Daten und Informationen wächst mit exponentiell zunehmender Geschwindigkeit, wie auch die technischen Möglichkeiten um mit dieser schier unendlich anmutenden Datenmenge wertstiftend zu arbeiten. Diese Informationen entstehen sowohl durch unternehmensinterne Prozesse (Einkauf, Lager, Produktion, Marketing, Verkauf, etc.) als auch im direkten Wettbewerbsumfeld der jeweiligen Organisation (Mitbewerber, Lieferanten, Kunden, etc.). Während Entwicklungen im Bereich der IT-Infrastruktur konstant voranschreiten – man denke an sinkende Kosten für digitalen Speicher oder Fortschritte im Leistungsvermögen moderner Prozessoren – stellt sich die Frage inwiefern Unternehmen wirklich bereit sind Wert aus den ihnen zur Verfügung stehenden Daten zu generieren.

Dr. Uwe Seebacher
Global Director Marketing, Communication & Strategy einer internationalen Industriegruppe mit Sitz in Österreich 

Uwe Seebacher, Doktor der Wirtschaftswissenschaften, leitet die weltweiten Marketing- und Kommunikationsaktivitäten für das globale Divisionssegment Pumpen einer internationalen Industriegruppe mit Sitz in Österreich. Seebacher blickt auf eine mehr als 20-jährige internationale Erfahrung als Unternehmer und Unternehmensberater, Vertriebs- und Business Development Manager in den Bereichen strategisches und operatives Marketing und Kommunikation sowie Organisationsentwicklung in den unterschiedlichsten Branchen zurück. Er ist Dozent an vielen renommierten Business Schools und Universitäten und Autor zahlreicher führender Management-Publikationen.
Bildquelle: ANDRITZ AG

Thomas Geiger, Andritz AGThomas Geiger
Market Data Analyst für die Geschäftseinheit Separation einer internationalen Industriegruppe mit Sitz in Österreich

Im Rahmen seiner Tätigkeit entwickelte Thomas Geiger ein unternehmensinternes OLAP Tool, welches Entscheidungsträgern innerhalb der Organisation erlaubt, mit nur wenigen Klicks aktuellste Marktinformationen und globale sowie regionale Entwicklungen in relevanten Industrien abzurufen. Weitere Aufgaben umfassen u.a. die Generierung von Marktberichten, Analyse externer sowie interner Daten und Weiterentwicklung der internen Business Analytics Einheit. Neben seinen Tätigkeiten im B2B–Bereich konnte sich der Absolvent des Studiengangs Betriebswirtschaft an der Karl-Franzens-Universität Graz wertvolle Kenntnisse im Bereich Management Information Systems sowie Data Mining im Rahmen seines Joint Degree Masters an der Chungbuk National University in Cheongju/Südkorea aneignen.
Bildquelle: ANDRITZ AG

Das Studien-Set-up

Gemeinsam mit der Karl-Franzens-Universität in Graz als auch der Chungbuk-National-University in Cheongju/Südkorea wird nun eine länderübergreifende Studie durchgeführt, welche die aktuelle Nutzung von Business-Intelligence-Technologien und -Prozessen durchleuchtet und brachliegende Potenziale erörtert. Im Fokus stehen hierbei sowohl die Auswirkungen auf einzelne Unternehmensfunktionen, als auch die allgemeine Performance des Unternehmens.

Nehmen Sie sich bitte 15 Minuten Zeit und machen Sie bis 31.08.2020 bei der Online-Befragung „Benchmark-Studie zum Data-driven Business Management: Wo stehen Sie?“ mit! Alle Teilnehmer erhalten im November 2020 die detaillierten Ergebnisse der Erhebung.

 

 

DIKW-Pyramide Andritz

Von Daten zu Wissen

Signale, Sensoren-Messungen, Tagespreise – grundsätzlich alle feststellbaren und messbaren Sachverhalte werden als Daten bezeichnet. Ein klassisches Beispiel eines Datenwerts stellt folgender Wert dar: „43,75 €“. Dieser Wert alleine liefert noch keine Information, da er keinen Wert stiftet und nicht interpretiert wurde. Wird er allerdings in Kontext gebracht, beispielsweise mit der Daimler Aktie am 01.03.20XX um 22:38 Uhr, so ändert sich dies und aus Rohdaten („Data“) wurde eine Information. Verknüpft mit Erfahrungswerten, in diesem Beispiel den Preisen der vergangenen 3 Monate, entsteht handlungsfähiges Wissen („Knowledge“). Führt dieses neu akkumulierte Wissen nun zu aktuellem Handlen, spricht man von Weisheit („Wisdom“). Das Erreichen einer Talsohle könnte in diesem Fall zum Kauf weiterer Anteile führen oder aber auch zur Entscheidung sich von allen restlichen Anteilen zu trennen, um nicht noch mehr an Wert zu verlieren. Folgende Grafik veranschaulicht die Transformation von Rohdaten zur „Weisheit“.

 

Business-Analytics, Andritz

BI, Predictive & Prescriptive Intelligence oder Data Mining – was steckt hinter diesen Buzzwords?

Business Intelligence oder kurz „BI“ genannt, fokussiert sich grundsätzlich auf Ereignisse, welche bereits in der Vergangenheit passiert sind, sowie deren Auswirkung auf die Gegenwart. Eine klassische Fragestellung in diesem Bereich wäre zum Beispiel „Wie hoch war der Umsatz von Produkt XY jeweils im ersten Quartal der letzten drei Jahre in Region Z?“. BI umfasst allgemein sämtliche unternehmensinternen Informationssysteme und Technologien zur Unterstützung der Entscheidungsfindung sowie Kontrolle operativer Abläufe. Predictive Intelligence erweitert die klassische „Rückspiegel-Perspektive“ des BI um einen Blick auf das aktuelle Geschehen und potenzielle Auswirkungen auf die Zukunft. Data Mining bildet dabei jenen Teilbereich des Predictive Intelligence, der durch statistische Methodologien wie lineare und logistische Regressionen Wahrscheinlichkeiten für zukünftige Ereignisse (z.B. Absprung eines bestehenden Kunden, Ausfall einer Produktionsmaschine) berechnet. Es wird oft als der automatisierte Prozess zur Entdeckung unbekannter Muster in den strukturierten sowie unstrukturierten Daten eines Unternehmens bezeichnet, wobei manche Definitionen auch sämtliche Teilprozesse von der Sammlung und Filterung über die Bereinigung, Analyse bis hin zur Speicherung von Daten als Data Mining miteinbeziehen. Prescriptive Analytics zu guter Letzt erweitert zuvor genannte Methoden um das „Wie“ und versucht somit eine kausale Erklärung über zukünftige Ereignisse sowie Handlungsempfehlungen zu geben. Alle genannten Bereiche fallen unter den Schirm des „Business Analytics“, wie schematisch in der nebenstehenden Grafik dargestellt.

 

Stand der Forschung

Die Forschung im Bereich des Business Intelligence und Wissensmanagement fokussierte sich in den letzten Jahren besonders auf die Frage, ob und wie darunter fallende Techniken Unternehmen in ihren Entscheidungsfindungs-Prozessen beeinflussen bzw. sich in der Gesamtperformance niederschlagen und damit aktuellen Wert stiften. Abusweilem & Abualoush (2019) konnten anhand ihrer Studie „The impact of knowledge management process and business intelligence on organizational performance“ unter 123 Organisationen in Jordaniens Banken-Sektor eine positive Korrelation zwischen angewandtem Wissensmanagement sowie BI Komponenten und der Performance der herangezogenen Unternehmen nachweisen.

Andere kritisieren den überwiegenden Fokus der Forschung auf allumfassende IT-Konzepte und deren Auswirkungen, anstatt sich auf den durch spezifische Informationssysteme gewonnenen Mehrwert zu beziehen (Fink et al.).

Ifeyinwa et al. untersuchten 2019 verschiedene Trends, Nutzen sowie Erfolgsfaktoren des Business Intelligence. Die Ergebnisse legen nahe, dass BI tatsächlich zur Kostenreduktion von Unternehmen, schnelleren und besseren Entscheidungen als auch Produktinnovationen führt.

Eine Umfrage unter 181 KMUs von Popovic et al. (2018) zeigt einen signifikanten, positiven Trend zwischen BI Initiativen und der Entwicklung der Erfolgskennzahlen. Aufbauend auf der Untersuchung der letztjährigen Veröffentlichungen in renomierten Fachzeitschriften lässt sich erhebliches Potential für weitere, tiefgehende empirische Untersuchungen im Bereich des Business Analytics feststellen.

 

 

Wissenschaftliche Referenzen:
• Abusweilem, M. A., & Abualoush, S. (2019). The impact of knowledge management process and business intelligence on organizational performance . Management Science Letters, 2143-2156.
• Ifeyinwa, A. A., & Friday Nweke, H. (2019). Big Data and Business Analytics: Trends Platforms, Success Factors and Applications. Big Data and Cognitive Computing.
• Fink, L., Yogev, N., & Even, A. (2016). Business intelligence and organizational leaning: An empirical investigation of value creation processes. Information & Management, 38-56.
• Popovič, A., Puklavec, B., & Oliveira, T. (2018). Justifying business intelligence systems adoption in SMEs. SAIS 2019 Proceedings, 210-228.
• Martin, W. (2015, May 27). Retrieved from Computerwoche: https://www.computerwoche.de/a/praktische-anwendung-von-predictive-analytics,3093386, Abgerufen am: 07.12.2019
• Mauerer, J. (2017, December 11). Retrieved from Computerwoche: https://www.computerwoche.de/a/was-ist-was-bei-predictive-analytics,3098583,2, Abgerufen am 07.12.2019