"BIG Data" ist heutzutage in aller Munde und mittelfristig ein "Must-have" bei der Informationsbereitstellung in allen Unternehmen mit Digitalen Geschäftsmodellen, e-Commerce oder Sensordaten.
"Small Data" ist wiederum als Begriff weniger geläufig, jedoch nicht grundlegend neu. Hierbei werden die "klassischen" strukturierten Geschäftsdaten - aus ERP-Systemen und/oder externen Quellen - gewöhnlich in einem Data Warehouse konsolidiert und für die
Geschäftssteuerung über das Analyse- und Berichtswesen bereitgestellt. Das ist auch der Bereich, wo wir als
DATA MART Consulting schon vor über 20 Jahren hauptsächlich tätig waren.
Die Geschäftssteuerung auf der Basis von Daten ist heute erfolgskritisch, die Daten wiederum kommen heute nicht mehr nur aus den ERP-Systemen. Effiziente Geschäftssteuerung benötigt heute zusätzlich die near-real-time Betrachtung von z.B. Produktionsdaten, Verbrauchsdaten, Vertriebsdaten, Kundenverhalten, Kampagnenerfolgsrechnung, Social Media Monitoring und vielem mehr. Also einer größeren und komplexeren Menge an Daten, die nur teils aus den eher konstanten Schnittstellen zu Warenwirtschaft, FiBu, Webshop etc. stammen. Die zusätzlich relevanten Daten stammen aus den unterschiedlichsten internen und externen Datenquellen, schnell wechselnd, oft nur als Stream und wenig oder nicht strukturiert.
Wie passt das zur Aufgabe der Geschäftssteuerung? Wie werden die Anforderungen der Vergleichbarkeit, der Messbarkeit, der Strukturharmonisierung und des Datenqualitätsmanagements in der Geschäftssteuerung berücksichtigt, wenn die Quellen volatil, nicht qualitätsgesichert und unstrukturiert sind?
Eine Antwort oder besser ein Name für den methodischen Ansatz ist
"Smart Data".
Doch was verbirgt sich hinter
"Smart Data" und was macht es so relevant für die
Geschäftssteuerung?
Als Smart Data bezeichnen wir die Zusammenführung klassischer Unternehmenskennzahlen mit Erkenntnissen aus Data Science Abfragen auf den Data Lake.
Auf der Basis fachlicher Fragestellungen werden Datenausschnitte aus einem Data Lake (Big Data) in Abfragen strukturiert und mit den klassischen Daten aus dem Data Warehouse (Small Data) konsistent kombiniert.
Eine Strukturierung direkt im Data Lake ist in einer explorativen Phase der Suche nach Zusammenhängen und Mustern nicht zwingend und auch nicht festzuschreiben, damit die notwendige Flexibilität in der Data Science erhalten bleibt. Bildet eine Abfrage jedoch strukturierte Ergebnisse, die als Teil eines Erfolgsindikators einfließen sollen, müssen diese Strukturen als Abfragen (R, Python) oder ggf. als Schnittstellen zum Data Warehouse "produktionalisiert" werden.
Es ist somit die die Essenz aus Small Data & Big Data oder auch die Zusammenführung von Controlling und Data Science!
Eine Bilanz oder ein Kostenrechnungsbericht ist dadurch nicht anders als zuvor, aber alleine nicht die Basis für das
"Digital Data Driven Business".
Die operative Steuerung in Marketing, Verkauf, Einkauf, Kundenmanagement etc. hat heute das größte Potential eines Wettbewerbsvorteils durch Smart Data.
Wenn eine Marketingerfolgsrechnung nicht nur z.B. Kampagnenkosten und Umsatz gegenüberstellt, sondern feiner und near-real-time Kundenverhalten wie Click-rates, Suchverhalten, Wettbewerbsreaktionen, Verweildauern pro Seite im Webshop und Reaktionen in Social Media berücksichtigt, kann der Fachanwender feiner und zeitnah sein Geschäft steuern und ggf. real-time Angebote anpassen oder personalisieren.
Weitere Anwendungsfälle sind gegeben durch die Strukturierung und Nutzung von Big Data z.B. im Bereich der Sensorik, sei es für die Backofensteuerung in der Großbäckerei, für das Wegetracking von Kunden in Retail-Shops oder für die Maintenance-Planung im Transportwesen.
Die heute verfügbaren Daten-Plattformen erlauben hier eine schnelle Integration von strukturierten und unstrukturierten Daten. Mit nur wenigen Klicks sind bei den Cloud-Anbietern die entsprechenden Werkzeuge für Streaming, Orchestrierung, Modellierung und Speicherung aktivierbar.
Damit eröffnen sich die Möglichkeiten zur schnellen Anbindung an einen Data Lake und zur tiefgehenden Analyse der Daten. Es ermöglicht ebenfalls die schnelle Verbindung der Daten aus dem Data Lake mit denen aus dem Data Warehouse, um die internen Geschäftsdaten anzureichern für die operative Geschäftssteuerung.