Datengetriebene Unternehmen performen signifikant besser als andere! Mit Hilfe des Predictive Intelligence Assessment erfahren Sie in nur 15 Minuten, wo Ihr Unternehmen in Bezug auf Daten-getriebene Unternehmenführung steht. Auf Basis des dem Assessment zugrundeliegenden Reifegradmodell sind Sie in der Lage, direkt relevante Schritte ableiten und initiieren zu können. Die Ergebnisse fließen in eine Management Handbuch unter dem Titel „Predictive Intelligence für das Management“ (Springer Verlag) ein.
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.
Inhaltsverzeichnis
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.
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“.
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