3 Die Bedeutung allgemein-gesellschaftlicher Aspekte für Unternehmen Big Data und die Unternehmenskultur... 99

Transkript

1

2 Inhaltsverzeichnis Die Autoren Vorwort Einleitung Strategische Ziele von Unternehmen mit Big Data Erkenntnisse, Wertschöpfung und Geschäftsmodelle Analytical Competitor Informationsvorherrschaft und Deutungshoheit Zusammenfassung Kapitel Allgemein gesellschaftliche Aspekte von Big Data Big Data als Spiegelbild gesellschaftlichen Wandels Das Recht auf informationelle Selbstbestimmung Eigenverantwortung in Zeiten des Internets Klassen des»datenbewusstseins« Big Data und der»schwarm« Exkurs zur Schwarmintelligenz Big Data und die»open-bewegung« Social Business und Social Enterprise Enquete-Kommission»Internet und digitale Gesellschaft« »Stiftung Datenschutz«der Deutschen Bundesregierung Zusammenfassung Kapitel Die Bedeutung allgemein-gesellschaftlicher Aspekte für Unternehmen Big Data und die Unternehmenskultur

3 Inhaltsverzeichnis 3.2 Social Software und Enterprise Big Data und der Wandel der Kundenbeziehung Der moderne Kunde hat die Wahl Transparenter Kunde Transparentes Unternehmen Datenschutz als Wettbewerbsfaktor Big Data Strategie und Management Big Data Management vs. Business Intelligence Management Veränderungs- und Kommunikationsmanagement Zielkonflikte und interne Widerstände Mandat Unternehmen im Zentrum des Wandels Digitalisierung und Arbeitswelt Zusammenfassung Kapitel Big Data ist mehr als Business Intelligence Komplexitätsanstieg bei Big Data gegenüber Business Intelligence Neue Datenstrukturen Generische Schlüssel Neue Datenklassen und Speichertechnologien Datenqualität in Zeiten von Big Data Business-Intelligence-Analytik vs. Big-Data-Analytik Data Mining Predictive Analytics Prescriptive Analytics Paradigmenwechsel Redundante Datenhaltung mit Hadoop Hadoop vs. Single-Point-of-Truth Unschärfen in Analysen

4 Inhaltsverzeichnis Big Data und der Datensammler Big Data direkt analysieren Zusammenfassung Kapitel Big Data und InMemory Die neue Dimension des Machbaren Was ist»inmemory«? Beispiele für Big-Data-und InMemory-Anwendungen Fraud Management Verkehrssteuerung Von Einparkhilfen und Google-Automobilen Big Data in der Steckdose Big Data, Schlaglöcher und Delinquenten Ist das technisch Machbare immer sinnvoll? Zusammenfassung Kapitel Welche Bedeutung hat Big Data für unser Unternehmen? Müssen wir uns mit Big Data auseinandersetzen? Welche Risiken beinhaltet Big Data? Welche Chancen bietet uns Big Data? Kundenzentrierung und Innovation als Wachstumstreiber Neue Wertschöpfungslogiken und Digitale Geschäftsmodelle Die Big-Data-Checkliste Zusammenfassung Kapitel Big Data im Unternehmen Big Data und das Data Analytics Competence Center (DACC) Schulungen Big-Data-Verständnis im Unternehmen Mitarbeiter und Kundendaten

5 Inhaltsverzeichnis Technologie Schutz vor Datensabotage Big-Data-Projektmanagement Business Intelligence Lessons Learned Pragmatismus und Agilität Zusammenfassung Kapitel Die Deutungshoheit über Big Data im Unternehmen Grenzen der Interpretation Das Ende der Theorie? Das Ende der Stichprobe? Scheinkorrelationen Das Ende der unsicheren Prognose? Wer»darf«Big Data im Unternehmen analysieren und interpretieren? So wichtig wie nie: Individualität und Softskills Interdisziplinäre Teams und Data Scientists Die richtigen Datenquellen identifizieren Datenprovider & Service Level Agreements (SLA) Fachbereiche und Gamifizierung Data Story Telling Zusammenfassung Kapitel Big Data und das Marketing in Zeiten des Internets Kommunikationskultur im Internet Die»Sinus Milieus«Nutzergruppen im Internet Social Media Internetnutzer als Datenerfasser Wichtige soziale Netzwerke Facebook Twitter Flickr Pinterest

6 Inhaltsverzeichnis 9.5 Ein Sammelsurium an Daten Die Auswertung sozialer Netzwerke Auswertungen bei Facebook Auswertungen bei Twitter Auswertungen bei Flickr Social Media Marketing Der»Fake«als Marketinginstrument Was ist echt im Internet? Personalisierte Werbung Hype means everything Social Media und der»return On Marketing Investment«(ROMI) Das Marketing als Treiber von Big Data Trends und Ausblick Self Tracking und Quantified-Self-Bewegung Technischer Ausblick Zusammenfassung Kapitel Big Data Fluch oder Segen? Big Data und das Ende der Intuition Big Data, die Experten und der Schwarze Schwan A Literaturverzeichnis B Verzeichnisse Stichwortverzeichnis

7 Kapitel 1 Strategische Ziele von Unternehmen mit Big Data Inhalt dieses Kapitels Grundlegende unternehmerische Ziele bei Big Data Big Data Smart Loop Analytical Competitor Informationsvorherrschaft und Deutungshoheit Alle unternehmerischen Aktivitäten sollten primären unternehmerischen Zielen dienen. Im Mittelpunkt stehen dabei natürlich zunächst wirtschaftliche Ziele wie zum Beispiel Ergebnisverbesserung und Wachstum. Idealerweise leiten sich entlang einer integrierten Planung alle Einzelaktivitäten und die Konzepte zu deren Umsetzung direkt aus der Strategie und den spezifischen Geschäftsmodellen eines Unternehmens ab. Aktivitäten aller Ebenen zahlen damit durch die enge Verzahnung von Strategie, Konzeption und operativer Umsetzung sowohl unmittelbar auf die Erreichung der kurz- und mittelfristigen Ziele als auch mittelbar auf die Umsetzung einer langfristigen Unternehmensstrategie ein. In diesen Gesamtzusammenhang muss sich natürlich auch jede Big-Data-Initiative mit ihren Aktivitäten und Zielen integrieren. 1.1 Erkenntnisse, Wertschöpfung und Geschäftsmodelle Im Mittelpunkt unternehmerischer Zielsetzungen von Big Data steht sicherlich, durch geeignete Analysen zu neuen Erkenntnisse zu kommen, die der Erreichung von primären Zielen im Rahmen einer lang- 45

8 Kapitel 1 Strategische Ziele von Unternehmen mit Big Data fristigen Unternehmensstrategie dienen. Auf dieser Abstraktionsebene lässt sich Big Data problemlos neben andere strategische Themen einordnen. Geht man allerdings eine Ebene tiefer, rücken in Bereichen wie»marketing«,»sales«oder»product & Innovation«jeweils Themen in den Fokus, durch die sich die Anforderungen an bzw. die Erwartungshaltungen gegenüber Big Data differenzieren und die gleichzeitig das unternehmerische Gesamtpotenzial dieses Themas verdeutlichen. Der Vollständigkeit halber sei an dieser Stelle erwähnt, dass eine Big-Data- Initiative natürlich immer auch die Beteiligung der IT (Informationstechnologie), also der technischen Umsetzungsebene erfordert; das erforderliche Zusammenspiel zwischen Business und IT greifen wir daher in späteren Kapiteln insbesondere unter den spezifisch neuen Rahmenbedingungen von Big Data wieder auf. An dieser Stelle soll aber zunächst eine grundsätzliche prozessuale Sicht im Vordergrund stehen. Die Transformation von Daten in entscheidungsrelevantes Wissen mit fachspezifischer Relevanz erfolgt im Wesentlichen durch Abläufe, die strukturell bereits aus der Business Intelligence bekannt sind. Diese Abläufe müssen allerdings an einigen Stellen um Big-Data-spezifische Aspekte erweitert werden, um den veränderten Rahmenbedingungen gerecht werden zu können. Letztlich ergibt sich aus allen Aktivitäten ein Kreislauf (»Loop«), denn alle Aktivitäten bedürfen der ständigen Optimierung und werden im Zeitverlauf nur dann messbare Mehrwerte liefern, wenn die Ergebnisse einzelner Maßnahmen konsequent an den Ausgangspunkt zurückgespielt und in neuen Aktivitäten berücksichtigt werden. In diesem Sinne kann man von einem»big Data Smart Loop«sprechen. Eine Analogie zur Business Intelligence wird dabei durch die Kreisläufe mit Rückkopplungseffekten (»Closed Loops«) deutlich. Diese beschreiben in der Business Intelligence, ausgehend von der Fachlichkeit der Daten, den Prozess der Aufnahme, Harmonisierung, Konsolidierung und Anreicherung von Rohdaten, deren Transformation in spezielle fachliche Sichten sowie die Präsentation und letztlich die Bereitstellung von Analysen, deren Ergebnisse dann zum Teil wieder an den Ursprung der Geschäftsprozesse zurückgespielt werden, um den Gesamtablauf zu optimieren. 46

9 1.1 Erkenntnisse, Wertschöpfung und Geschäftsmodelle Unter den Bedingungen von Big Data kommt nun wie wir in Kapitel 8 erörtern und begründen werden zwingend die Aktivität der Interpretation von Daten und Analyseergebnissen hinzu. Hinter diesem relativ unscheinbaren Wort verbergen sich in Summe eine ganze Reihe neuer Aspekte von Big Data im Vergleich zur Business Intelligence. Übergeordnetes Ziel aller Aktivitäten bleibt dabei natürlich immer, aus Daten Informationen, aus Informationen neue Erkenntnisse und entscheidungsrelevantes Wissen sowie am Ende neue Wertschöpfungen und Geschäftsmodelle ableiten zu können sowie neues Geschäft zu generieren. Dabei können Fragestellungen und Zielsetzungen sowie die aus ihnen resultierenden Analysemodelle, die auf einen definierten Datenbestand angewandt werden sollen, von Fachbereich zu Fachbereich, in Abhängigkeit des hierarchischen Levels der Anforderer sowie im Zeitverlauf stark variieren. Rein prozessual betrachtet sind jedoch immer dieselben Arbeitsschritte zu durchlaufen. Die folgende Grafik zeigt diesen Ablauf schematisch und hebt die Teilaktivitäten hervor, denen bei Big Data eine über die Erfordernisse bei Business Intelligence hinausgehende Bedeutung zukommt. Rohdatenveredelung Strukturierung Harmonisierung Konsolidierung Anreicherung Meta-Daten Wissensgenerierung Definion Analysemodelle Interpretaon Ergebnisse Handlungsempfehlungen Loop-Back Rückkopplung von Ergebnissen Akon Entscheidung Akvitäten durchführen Abb. 1.1: Big Data Smart Loop 47

10 Kapitel 1 Strategische Ziele von Unternehmen mit Big Data Hinweis Um Missverständnisse zu vermeiden: Natürlich waren die Definition von Analysemodellen und die Ergebnisanalyse mit Handlungsempfehlung auch schon wichtige Bestandteile von Business Intelligence. Im Kontext Big Data kommt jedoch der Kreativität bei der Definition von Analysemodellen und der Interpretation von Analyseergebnissen eine viel weitreichendere Bedeutung zu. 1.2 Analytical Competitor Die Zielsetzung von Unternehmen im Zusammenhang mit Big Data muss sein, sich zu einem»analytical Competitor«, einem»analytischen Wettbewerber«zu entwickeln. Was ist damit gemeint? Die Fähigkeit, durch Datenanalysen Wettbewerbsvorteile zu erzeugen, wird für viele Unternehmen zu einem entscheidenden Erfolgsfaktor. In einigen Branchen ist das sogar bereits Realität. Insbesondere für Unternehmen, deren Geschäftsmodelle (fast) ausschließlich auf der Verarbeitung von Daten basieren, wird diese Fähigkeit geradezu überlebenswichtig. Damit befinden sich diese Unternehmen in einem Wettbewerb um die wirkungsvollsten Datenanalysen im Hinblick auf die Erzeugung tatsächlich businessrelevanter, messbarer Mehrwerte. Märkte werden in Zukunft von den Unternehmen beherrscht, die ihre Datenanalysen am effizientesten auf die Unterstützung ihrer jeweils aktuellen Strategie ausrichten können, dabei neue Wertschöpfungen, Geschäftsmodelle und Marketingmethoden kreieren und in permanenten Feedback-Schleifen (»Closed Loops«) ihre Strategie und alle nachgeordneten Themen anpassen können. Mit anderen Worten: Das Business wird immer weiter beschleunigt und stellt immer höhere Anforderungen an die Anpassungsfähigkeit von Unternehmen. Diese müssen sich in diesem Szenario zum»analytical Competitor«entwickeln, um mit der Dynamik des Geschehens Schritt halten zu können. Die Umsetzung jeweils notwendiger Anpassungen ist allerdings nur dann zeitgerecht möglich, wenn zu jedem Zeitpunkt alle erforderli- 48

11 1.2 Analytical Competitor chen Daten zur Verfügung stehen, neue Analysen kurzfristig erzeugt sowie Maßnahmen abgeleitet und umgesetzt werden können. Bei diesen Analysen handelt es sich jedoch nicht um klassische, eher statische Reportings, die einmal definiert auf Knopfdruck zur Verfügung stehen, sondern um einen dynamischen Prozess, in dem interdisziplinäre Teams hochaktuelles Datenmaterial geradezu spielerisch untersuchen, um zu neuen Erkenntnissen zu gelangen, die durch standardisierte Methoden nicht aus den Daten abzuleiten wären. Der Kreativität der Beteiligten und der Schaffung von Freiräumen für experimentelles Vorgehen kommt dabei eine besondere Bedeutung zu, um verborgene Potenziale erkennen und heben zu können. Das erfordert eine fehlertolerante Unternehmenskultur, verbunden mit der Bereitschaft aller Beteiligten, ihre individuellen Komfortzonen zu verlassen, sich gegenüber neuen Verhaltens- und Denkmustern zu öffnen und vorhandene Strukturen in Frage zu stellen. Mit anderen Worten: Unternehmen, die sich zum Analytical Competitor entwickeln wollen, müssen eine große Bereitschaft zu substantiellen Veränderungen mitbringen. Es wird nicht funktionieren, sich bezüglich seiner Ziele bei Big Data an Unternehmen zu orientieren, die in ihrer zum Teil noch jungen Unternehmensgeschichte praktisch nichts anderes gemacht haben, als aus Daten neue Geschäftsmodelle zu entwickeln (so wie die großen amerikanischen Internetunternehmen). Unternehmen auf dem Weg zum Analytical Competitor müssen sich selbstkritisch fragen, ob die internen Rahmenbedingungen ähnliche Erfolge überhaupt zulassen. Die Forderung»Alles muss besser werden, aber nichts darf sich ändern«sollte im Kontext Big Data endgültig der Vergangenheit angehören. Aber bereits auf dem Weg der Entwicklung hin zu einem Analytical Competitor befinden sich Unternehmen in einem Wettbewerb, in dem sie nur erfolgreich sein können, wenn die Bereitschaft zu neuen Denkansätzen und Kooperationsmodellen zumindest in gewissem Umfang bereits vorhanden ist. Das ist der Wettbewerb um die besten Köpfe. Die oben erwähnten interdisziplinären Teams erfordern die Beteiligung von Spezialisten aller Fachbereiche, von Programmierern, Mathematikern und Statistikern, aber auch und gerade von Querdenkern im besten 49

12 Kapitel 1 Strategische Ziele von Unternehmen mit Big Data Sinne, die insbesondere auch die persönliche Fähigkeit mitbringen, in übergeordneten, unternehmerischen Zusammenhängen zu denken und neue Sichtweisen in die Auseinandersetzungen innerhalb ihrer Teams einzubringen. Benötigt werden konstruktiv-kreative High-Performer, für die bereits dann totale Langeweile herrscht, wenn ein Problem mit einem zuvor bereits einmal angewandten Ansatz gelöst werden kann. Sie brennen darauf, ihr Wissen, ihre Kreativität und ihr Engagement bei der Lösung des nächsten Problems zur Anwendung zu bringen und aus einem interaktiven Team heraus neue Optionen zu entwickeln. Je komplexer, desto besser. Sie sind kommunikativ und können schwierige Sachverhalte intermedial, verständlich und zielgruppengerecht darstellen. Den»Data Scientists«muss es erlaubt sein, ihren Arbeitsplatz als Spielwiese zum Ausleben ihrer fachlichen Fähigkeiten und individuellen Begabungen zu sehen und sie dürfen von vorhandenen Kontrollmechanismen und Regelprozessen nicht an ihrer freien Entfaltung gehindert werden. Ihnen steht immer eine State-ofthe-Art Infrastruktur zur Verfügung, während andere Mitarbeiter eventuell noch veraltete IT-Systeme nutzen. Sie widerstehen aufgrund ihrer hohen Sozialkompetenz dennoch der Versuchung, angesichts ihrer Sonderrolle Starallüren zu entwickeln, sondern treten als pro-aktive, bescheidene Protagonisten des Wandels auf. Dieses Bild der neuen Experten der Datenanalyse, der Data Scientists, ist natürlich mit Absicht überzeichnet. Es soll auf diese Art aber zumindest ein Gefühl für den grundsätzlichen Anspruch vermitteln, der an interdisziplinäre Big-Data-Teams und deren Mitglieder gestellt werden sollte. Für Unternehmen bedeutet das, dass bereits die Suche nach solchen Mitarbeitern sowie deren Führung spezielle Herangehensweisen erfordern, die in vielen Unternehmen heute nicht unbedingt zum Standard gehören. Lassen Sie es uns noch einmal pointiert formulieren: Gesucht werden Querdenker mit guter Ausbildung und hoher IT-Affinität, die aufgrund ihrer Expertise hohe Vergütungen durchsetzen können und es gewohnt sind, unter perfekten Arbeitsbedingungen tun und lassen zu können, was sie wollen, ohne irgendjemand Rechenschaft ablegen zu müssen. In diesem Zusammenhang empfehlen wir ausdrücklich den Artikel»Data Scientist: The Sexiest Job of the 21st Century«von Thomas H. 50

13 1.2 Analytical Competitor Davenport und D. J. Patil auf der Internetseite des Harvard Business Review. Die beiden Autoren beschreiben unter anderem, dass auch bei der Internetplattform LinkedIn zunächst eine gewisse Überzeugungsarbeit von Entscheidungsträgern geleistet werden musste, um interne Widerstände gegen die Nutzung der Big-Data-Expertise zu überwinden, die Jonathan Goldman 2006 als neuer Mitarbeiter in das Unternehmen einbrachte (vgl. Davenport & Patil, 2012). Dabei spielte es eine entscheidende Rolle, dass seine Ideen nicht im Rahmen der üblichen Release-Zyklen der Softwareentwicklung umgesetzt wurden, sondern durch Ausnahmeprozesse, die vom Management abgesegnet waren. Erst nachdem Goldmans Ansätze konsequent umgesetzt wurden, konnte sich die Plattform zu dem Medium entwickeln, das wir heute kennen. Was die Sonderstellung der Data Scientists und deren überzeichnete Darstellung oben angeht, muss man aber auch die Kirche im Dorf lassen: Natürlich werden Big-Data-Teams wie alle anderen auch an ihren Erfolgen gemessen. Bei Licht betrachtet ist der Erfolgsdruck auf Teams, denen derart große Freiräume eingeräumt und ein gewisser Komfort geboten werden, sogar besonders hoch. Bleibt der Erfolg über einen bestimmten Zeitraum aus, lösen sich solche Teams auch sehr schnell wieder auf, was in der Branche schnell die Runde macht. Daher erscheint es sinnvoll, die Big-Data-Teams nicht völlig sich selbst zu überlassen, sondern sie mit leichter Hand zumindest so zu steuern, dass die vorhandene Expertise entlang der jeweils aktuellen Erfordernisse in Produktivität kanalisiert wird. Eine anspruchsvolle Aufgabe für einen Generalisten mit viel Erfahrung, einem hohen Maß an Offenheit, Fingerspitzengefühl und Einfühlungsvermögen, aber auch an Konsequenz und Durchsetzungsvermögen. Zu dessen Aufgaben wird es auch immer wieder gehören, mit Blick auf die Mittel- und Langfristplanung seinem Team den Rücken freizuhalten, wenn Fragen zu kurzfristigen Kosten-Nutzen-Aspekten aufkommen. Eine der ganz großen Herausforderungen von Big Data besteht damit darin, zunächst interne Strukturen zu schaffen, die es einem Unternehmen überhaupt erst ermöglichen, sich zu einem Analytical Competitor zu entwickeln. Die Schaffung dieser Strukturen wird in der Regel nicht 51

14 Kapitel 1 Strategische Ziele von Unternehmen mit Big Data ohne größere Veränderungen möglich sein, da die meisten Unternehmen ihren bisherigen Erfolg eben nicht mit Geschäftsmodellen, internen Kollaborationsmodellen und Marketingstrategien wie die Googles dieser Welt erzielt haben, sondern von den Strukturen der Ökonomie des 20. Jahrhunderts geprägt sind. Die für die Entwicklung zum Analytical Competitor erforderlichen Veränderungen sollten bei aller Dringlichkeit einzelner Maßnahmen aber mit Bedacht auf das jeweilige Unternehmen zugeschnitten und durch ein strategisches Veränderungs- und Kommunikationsmanagement begleitet werden, weil tiefgehende Veränderungen von allen Beteiligten im Unternehmen mitgetragen werden müssen. Auf das strategische Veränderungs- und Kommunikationsmanagement im Kontext Big Data gehen wir in Kapitel 3 bei der Abgrenzung von dessen Strategie und Management gegenüber Business-Intelligence-Initiativen wieder ein. Die Einbindung der Big-Data-Teams in Abläufe und Organisation des Unternehmens greifen wir in Kapitel 7 und 8 wieder auf. 1.3 Informationsvorherrschaft und Deutungshoheit Unternehmen, die bereits auf dem Niveau eines Analytical Competitors agieren, stehen auf dieser Ebene wiederum in einem neuen Wettbewerb, und zwar zunächst um die»informationsvorherrschaft«, in einem nächsten Schritt um die»deutungshoheit«über Daten, Informationen und Themenzusammenhänge und letztlich um den Status eines verlässlichen Lieferanten für Analysen und Prognosen als Basis der Entscheidungsfindung auch in Zusammenhängen außerhalb des Unternehmens. Hinweis An dieser Stelle ist der Wettbewerb um die Deutungshoheit zwischen Unternehmen gemeint. Dem Wettbewerb um die Deutungshoheit innerhalb eines Unternehmens haben wir das Kapitel 8 gewidmet. 52

15 1.3 Informationsvorherrschaft und Deutungshoheit Der Wettbewerb zwischen Unternehmen, deren Fähigkeiten in der Datenanalyse bereits den Reifegrad eines Analytical Competitors erreicht haben, ist durch folgende Fragen gekennzeichnet: Welches Unternehmen ist in einem bestimmten thematischen Bezug anerkanntermaßen im Besitz aller relevanten Daten? Welches Unternehmen besitzt die Fähigkeit, diese Daten in valide Informationen und Wissen zu transformieren sowie dieses Wissen richtig zu deuten? Welches Unternehmen kann Entscheidungsfindungen z.b. auch im öffentlichen Sektor unterstützen? Im Folgenden beschreiben wir hierzu ein Beispiel, das so sicherlich nur für große Unternehmen mit einem bereits vorhandenen hohen Stellenwert in der öffentlichen Wahrnehmung zutreffend sein kann. Dieses Beispiel ist aber gut geeignet, den Zusammenhang herauszuarbeiten, der so auch auf die internen Analysen von Unternehmen zutrifft, die von spezialisierten Abteilungen an Zielgruppen im eigenen Unternehmen geliefert werden. Beispiel: Die Betreiber einer großen Suchmaschine (so wie andere Betreiber großer Suchmaschinen auch) stellen fest, dass in einer bestimmten Region in Deutschland eine überdurchschnittlich hohe Anzahl an Anfragen nach Grippesymptomen und Medikamenten gestellt werden. Die Anzahl steigt kontinuierlich und schnell an. Ein mögliches Signal für den Beginn einer Grippewelle. Mit den Anfragedaten verfügt dieses Unternehmen automatisch über Informationen, aus denen eventuell auf den Beginn einer Grippeepidemie geschlossen und deren Ursprung bestimmt werden kann. Das Wort»eventuell«bedeutet hier, dass man sich zunächst nur auf der Ebene der Daten und Informationen befindet, auf der man reflexartige Schlussfolgerungen vermeiden sollte. In unserem Beispiel könnte es rein theoretisch auch zutreffen, dass in der betreffenden Region eine Aufklärungskampagne regionaler Krankenkassen gestartet wurde, die den gar nicht beabsichtigten Nebeneffekt hat, dass sich 53

16 Kapitel 1 Strategische Ziele von Unternehmen mit Big Data viele Menschen vorsorglich informieren. Daher muss es im zweiten Schritt zunächst darum gehen, Daten und Informationen richtig zu interpretieren und mögliche Interpretationen zu verifizieren (oder zu falsifizieren). Gehen wir weiter davon aus, dass die Data Scientists in diesem Fall die These aufstellen, dass es sich um eine aufkommende Grippewelle handelt, dann muss diese These also zunächst überprüft werden, bevor Ergebnisse mit eventuell weitreichenden Konsequenzen veröffentlicht oder zum Beispiel an Behörden weitergeleitet werden, die auf Basis einer solchen Analyse Entscheidungen trifft. Das Unternehmen muss sich also im eigenen, aber auch im allgemeinen Interesse dagegen absichern, einen Fehlalarm auszulösen. Statistiker berechnen zu diesem Zweck Fehlerquoten, also Prozentwerte, die aussagen, wie genau das Analyseergebnis die Realität beschreibt und welche Unsicherheit bezüglich einer getroffenen Aussage bleibt. Diese Fehlerquoten müssen Bestandteil des finalen Ergebnisses einer Analyse sein, zu der eben immer auch eine Aussage darüber gehört, mit welcher Wahrscheinlichkeit das Ergebnis zutrifft; eine Analyse im engeren Sinne ist sonst unvollständig. Über diese mathematischen Methoden der Verifizierung wird es je nach Aufgabenstellung aber auch andere Methoden zur Bewertung von Thesen geben. Letztlich ist gerade hier der Einfallsreichtum der Beteiligten gefragt, wenn es darum geht, neue Methoden zur Thesenverifizierung zu entwickeln. Oder anders formuliert: gerade an dieser Stelle müssen fachliche Expertise und Kreativität der oben beschriebenen Data Scientists zusammenwachsen, um neue Lösungswege zu beschreiben, denn angesichts der gegebenen Komplexität und der in Summe gar nicht absehbaren Möglichkeiten durch Big Data reicht es nicht, zur Beantwortung neuer Fragestellungen auf bewährte Methoden zurückzugreifen. In einigen Fällen wird man mit dem klassischen Ansatz der Verifizierung gar nicht weiterkommen und durch Falsifizierung (also durch die Erbringung eines Beweises dafür, dass eine aufgestellte These gar nicht zutreffen kann) versuchen, möglichst viele Unsicherheiten auszuschließen und dadurch die Prognosesicherheit zu erhöhen. 54

17 1.3 Informationsvorherrschaft und Deutungshoheit Unsicherheiten ausschließen und Prognosesicherheit erhöhen heißt aber letztlich nichts anderes, als die Komplexität der Realität mit ihren theoretisch immer unendlich vielen Möglichkeiten auf ein Maß zu reduzieren, das eine konkrete Entscheidung ermöglicht, die mit hoher Wahrscheinlichkeit den tatsächlichen realen Gegebenheiten entspricht und ihnen daher gerecht werden kann. Die Falsifizierung ist ein legitimes und probates Mittel zur Reduzierung der im Einzelfall zu betrachtenden Komplexität. Es muss aber peinlichst darauf geachtet werden, dass theoretische Möglichkeiten (in unserem Beispiel die Aufklärungskampagne der Krankenkassen) nicht vorschnell ausgeschlossen werden, weil sonst die Wahrscheinlichkeit von Fehlinterpretationen dramatisch steigt. Diesen wichtigen Aspekt der Transformationen von Daten in Informationen und Informationen in entscheidungsrelevantes Wissen möchten wir an dieser Stelle ausdrücklich betonen: Wichtig Die Fähigkeit eines Unternehmens, aus Daten Informationen und aus Informationen entscheidungsrelevantes Wissen zu generieren, erfordert immer auch die Fähigkeit, eine unzulässige Reduktion der betrachteten, realen Komplexität auszuschließen, weil sonst die Wahrscheinlichkeit von Fehlinterpretationen steigt. Dieser Aspekt betrifft insbesondere auch die Annahmen, mit denen Analyseprozesse in vielen Fällen begonnen werden. Annahmen als Prämissen eines Analyseprozesses dürfen nicht zu einer unzulässigen Reduktion der zu betrachtenden Realität führen und sind daher sehr sorgfältig zu formulieren. Diese wichtigen Fragestellungen greifen wir in den Kapiteln 8 und 10 wieder auf. Zurück zu unserem Beispiel: Bei zutreffender Analyse, also bei der verifizierten Interpretation der Informationen dahingehend, dass in der Region gerade eine Grippewelle ausbricht, wäre das Unternehmen um mehrere Tage schneller als die klassische Erkennung von Grippewellen über die Meldungen der Arztpraxen. Von den Gesundheitsbe- 55

18 Kapitel 1 Strategische Ziele von Unternehmen mit Big Data hörden könnten frühzeitig Maßnahmen ergriffen werden, und im besten Fall wird die weitere Ausbreitung der Epidemie verhindert. Dieser Suchmaschinenbetreiber wird durch die Erbringung eines solchen allgemein-gesellschaftlichen Mehrwertes von der Öffentlichkeit sicherlich positiv wahrgenommen, mit allen damit verbundenen positiven Folgeeffekten für seine sonstige Geschäftstätigkeit. Ist die Analyse jedoch fehlerhaft, kommt es im schlimmsten Fall zu einem oben bereits angedeuteten Fehlalarm, der weitreichende Konsequenzen und einen massiven Imageverlust des Unternehmens zur Folge haben kann. Ein Unternehmen, das wiederholt solche Fehlalarme auslöst, wird sehr schnell an Bedeutung als Lieferant von Analysen zur Unterstützung von Entscheidungsfindungen verlieren und läuft Gefahr, durch verloren gegangenes Vertrauen bei den Endkunden auch in seinem Kerngeschäft Marktanteile zu verlieren. Es darf sicherlich davon ausgegangen werden, dass die Zielsetzung einer besseren Prognosefähigkeit im Zusammenhang mit allgemeingesellschaftlichen Fragestellungen wie der Vermeidung von Epidemien zunächst grundsätzlich von einer breiten Mehrheit der Gesellschaft unterstützt wird. Auf Aspekte wie Datenschutz und den Schutz der Privatsphäre, die in diesem Zusammenhang natürlich eine große Rolle spielen, gehen wir in Kapitel 2 ausführlich ein. An dieser Stelle möchten wir jedoch zunächst einen weiteren Punkt aufgreifen, der von Unternehmen beachtet werden sollte. Dabei handelt es sich um die speziellen, individuellen Zielsetzungen derjenigen, die die Deutungshoheit über bestimmte Informationen und Themenzusammenhänge anstreben oder bereits besitzen, und die möglichen Verstrickungen, die sich hieraus ergeben können. Diese Verstrickungen können vor allem eine Folge der Tatsache sein, dass es praktisch unmöglich ist, die zukünftige öffentliche Wahrnehmung eines Themas zu prognostizieren. Hierzu ebenfalls ein Beispiel aus dem Gesundheitssektor: Uns allen sind die Fälle der letzten Jahre in Erinnerung, in denen Vogel- und Schweinegrippe über Wochen die Medien beherrschten. Angesichts einer drohenden, flächendeckenden Grippewelle mit zu erwartenden 56

19 1.3 Informationsvorherrschaft und Deutungshoheit schweren Erkrankungen wurde in Abstimmung mit der politischen Ebene durch die zuständigen Behörden entschieden, Millionen Einzeldosen des relevanten Impfstoffes bei den Herstellern zu bestellen, um die Versorgung der Bevölkerung zu gewährleisten. So orderten die Bundesländer zum Beispiel zu Beginn der Vogelgrippe 2005/06 Vorräte im Wert von ca. 300 Millionen Euro (vgl. Bartens, 2012). Es liegt auf der Hand, dass solche Bestellungen im Interesse der Hersteller liegen. In diesem Fall stellte sich im weiteren Zeitverlauf allerdings heraus, dass Einzeldosen in dieser Größenordnung gar nicht benötigt wurden, weil nicht annähernd so viele Krankheitsfälle auftraten wie prognostiziert. Ein Unternehmen, das Analysen liefert, die auch zur Entscheidungsunterstützung bei Investitionen der öffentlichen Hand dienen, muss vor dem Hintergrund solcher Vorkommnisse sehr genau darauf achten, dass die Öffentlichkeit keinerlei Grund hat, unzulässige Zusammenhänge zwischen Analyse und getätigter Investition zu vermuten. Der Verlust einer mühsam aufgebauten Reputation als Lieferant für Analysen zur Entscheidungsfindung kann allein schon durch eine aufkommende Diskussion über solche Zusammenhänge in kürzester Zeit ruiniert sein. Was bei diesem Beispiel der Entscheidungsunterstützung im öffentlichen Sektor gilt, trifft auf interne Themen eines Unternehmens gleichermaßen zu. Der Lieferant der Analysen ist dann eine Abteilung und der öffentliche Sektor das Unternehmen selbst mit seinen unterschiedlichen internen Zielgruppen. Der Wirkmechanismus hinsichtlich der Akzeptanz von Datenanalysen ist aber derselbe. Durch fehlerhafte Analysen und nicht verifizierte Thesen können ganze Geschäftsmodelle in kürzester Zeit zusammenbrechen. Der Methodik zur Sicherstellung einer größtmöglichen Treffsicherheit von Analyseergebnissen kommt damit eine große Bedeutung zu, wenn ein Unternehmen dauerhaft als Analytical Competitor agieren und seine Fähigkeit zur Datenanalyse in Geschäftserfolge ummünzen will. Die folgende Grafik zeigt die Stationen eines Unternehmens auf dem Weg zum Analytical Competitor und zur Informationsvorherrschaft. 57

20 Kapitel 1 Strategische Ziele von Unternehmen mit Big Data Für die internen Abteilungen der Datenanalyse eines Unternehmens gelten die zu durchlaufenden Stufen analog. Die interne Rolle eines»analytical Competitors«kommt dann den unterschiedlichen Abteilungen zu, die sich mit Datenanalysen beschäftigen. Sie befinden sich intern in einem Wettbewerb um die Deutungshoheit über Informationen, die wir in Kapitel 8 wieder aufgreifen. Strategie Integraon Smart Loop Analycal Competor Informaonsvorherrscha Veränderungsmanagement Abb. 1.2: Unternehmen auf dem Weg zum Analytical Competitor Strategie Ausgehend von der Unternehmensstrategie und den Geschäftsmodellen sollte die Frage beantwortet werden, welche Ziele unter der Überschrift Big Data verfolgt werden und wie sich das Thema in die Gesamtzusammenhänge im Unternehmen einordnen soll. Integration Big Data muss auf Basis der strategischen Vorgaben auf unterschiedlichen Ebenen fachlich und technologisch in ein Unternehmen integriert werden. Organisation: Verankerung innerhalb der internen Organisationsstruktur Prozesse: Integration aller relevanten Aktivitäten in die existierenden Unternehmensprozesse Technologie: Integration von speziellen Big-Data-Technologien in die IT-Architektur Unternehmenskultur: Schaffung übergeordneter Rahmenbedingungen für erfolgreiche Big-Data-Aktivitäten Big Data Smart Loop: siehe Anfang dieses Kapitels 58

21 1.4 Zusammenfassung Kapitel 1 Analytical Competitor Ein Unternehmen besitzt die Fähigkeit, aus Datenanalysen mit hoher Präzision Aussagen über reale Fragestellungen abzuleiten. Eine Abteilung zur Datenanalyse besitzt diese Fähigkeit in Bezug auf interne Zielgruppen eines Unternehmens. Informationsvorherrschaft Ein Unternehmen wird in der Öffentlichkeit als zuverlässiger Lieferant qualitätsgesicherter Analysen zur Unterstützung von Entscheidungsprozessen wahrgenommen. Eine Abteilung eines Unternehmens wird im Unternehmen als zuverlässiger Lieferant qualitätsgesicherter Analysen zur Unterstützung von Entscheidungsprozessen wahrgenommen. Das Thema»Deutungshoheit«werden wir in Kapitel 8 vertiefen. 1.4 Zusammenfassung Kapitel 1 Die übergeordneten Zielsetzungen bei der Auseinandersetzung eines Unternehmens mit Big Data sind zunächst Umsatz- und Ergebnisverbesserungen, die insbesondere vom Erkenntniszuwachs der durch Big Data möglich werdenden Analysen zustande kommen sollen. Nachgeordnet zeigt Big Data aber auch das Potenzial zur Entwicklung neuer Wertschöpfungen und Geschäftsmodelle. Durch die konsequente Ausrichtung auf die Fähigkeiten zu Generierung von Wissen durch Datenanalysen kann ein Unternehmen sich zu einem Analytical Competitor entwickeln. Geschäftsmodelle eines Analytical Competitors können über die Informationsvorherrschaft bis zur Deutungshoheit eines Unternehmens in Bezug auf bestimmte Themenbereiche in der öffentlichen Wahrnehmung heranreifen, die einem Unternehmen dauerhaft signifikante Marktanteile sichern können. Innerhalb von Unternehmen befinden sich die Abteilungen zur Datenanalyse in einem internen Wettbewerb um Informationsvorherrschaft und Deutungshoheit. 59

22 Stichwortverzeichnis A Absolutes Gedächtnis 65, 66, 67, 69, 73, 95 Abstraktion 182 Aggregation 182 Agilität 149, 260 Extreme Programming 190 Rapid Prototyping 190 Scrum 190 Algorithmus 276 Macht der Algorithmen 136 MapReduce-Algorithmus 156, 179 MapReduce-Programme 156 Analyse Assoziationsanalyse 200 Clusteranalyse 200 Data Mining 200 Regressionsverfahren 200 Analytical Competitor 48, 58, 59, 120, 159, 241, 262, 279 Analytics Business Analytics 175 Descriptive Analytics 162, 163 Predictive Analytics 162, 163, 165 Prescriptive Analytics 64, 163, 175 Analytik Analysemodelle 172 AOL 68 Apache Hadoop 77 Apache Lucene 77 App 21, 228 Blitzer-Apps 205 Moves 276, 331 Navi-Apps 205 Street Bump 228 Apple 68 ipad 322 iphone 322 Motion Coprozessor 332 Primesense 337 Reality Distortion Field 322 Appliance 157, 191, 250 Arbeitsplatzsicherung 128 Ariely, Dan 18 Aufbruchsstimmung 17 Augmented Reality 335 Automatisierung 136 Automatisierung der Produktion 136 Autonomous Cars 213 Avatar 304 B Balance 129 Balanced Scorecard 117 Basisinnovation 38 Bedeutungszusammenhang 331 Big Bang 254, 260 Big Brother 14, 20, 69 Big Data 17, 23, 62, 66, 69, 89, 92, 98, 102, 121, 137, 154, 186, 194, 217, 228, 264, 329, 343 Big Data Goldmine oder Dynamit? 19 Big Data Community 79 Big Data Expertise

23 Big Data Initiative 140 Big Data Smart Loop 46 Big Data und die Digitalisierung der Welt 102 Big-Data-Analytik 33, 162 Big-Data-Checkliste 233, 238, 247 Big-Data-Datenstrom 21 Big-Data-Ökosystem 140 Big-Data-Pool 264 Big-Data-Primärkreislauf 17, 21, 22, 36, 65, 67, 68, 69, 77, 155, 204, 329 Big-Data-Stack 40, 77 Big-Data-Strategie 96, 147 Die drei V s von Big Data 23, 27 Die fünf V s von Big Data 27 Phänomen Big Data 14, 17, 21, 28, 32, 42, 61, 76, 79, 86, 101, 102, 109, 120, 121, 122, 126, 187, 235, 240 Smart Loop 45 Bitkom 19 Blog 110 Bluetooth 334 Bottom-up 76, 79, 84, 90, 92, 104, 122 Bottom-up-Getriebenheit 107 Bottom-up-Prinzip 79, 81 Brainpower 152 Brand Building 285 Bravais & Pearson 269 Budget 41 Bundeszentrale für politische Bildung 291 Business Business Alignment 142, 144 Business Rules 152, 182 Business Understanding 167 Business Intelligence 13, 26, 27, 29, 41, 102, 117, 127, 140, 141, 147, 151, 155, 159, 180, 234, 239, 340, 342 BI-Falle 119, 127 BI-Hausaufgaben 41, 147 BI-Stack 140 BI-Strategie 253 BI-Welt 27, 235 Business Intelligence Competence Center (BICC) 143, 161, 254 Byte Exabyte 24 Gigabyte 24 Petybyte 24 Terabyte 24 Yottabyte 24 Zettabyte 24 C Call Center 163 capinio 112 CeBIT 78 Central Processing Unit, CPU 63 CERN 170, 265 Large Hadron Collider 265 Changemanagement 123 Chaos Computer Club 135 Closed Loop 46, 48 Cloud 13, 22, 31 CloudTPS 157 Communication Management siehe Kommunikationsmanagement Community 17, 69, 77, 79, 84, 96, 97, 103, 108, 112, 235 Coporate Performance Management 102 Corporate Compliance 194 Corporate Governance 194 Deutscher Corporate Governance- Kodex (DCGK) 195 Cost Center 106 Crash 64 Creative Commons 307 Customer-Relationship-Management (CRM) 117 Cyberwar

24 D Data Data Analytics 255 Data Analytics Competence Center (DACC) 143, 255 Data Filesystem (DFS) 178 Data Mining 25, 26, 41, 162, 168, 200 Data Scientist 18, 50, 130, 278, 341 Data Story Telling 186, 278, 282 Data Warehouse 41, 151, 156, 159 Enterprise Data Warehouse (ED- WH) 179, 180 Datameer 185 Daten Beobachtungsdaten 33, 37, 144, 155 Bewegungsdaten 21, 33 Datenanalyse 116, 253, 329 Datenbereinigung 168 Datenbereitstellung 146, 163 Datenbevorratungskonzept 240 Datenbewusstsein 75, 294 Datenbrille 334 Dateneigentümer 70 Datenentstehung 146, 163 Datenerfassung 117 Datenerzeuger 65, 122 Datenerzeugung 22 Datenexhibitionismus 296 Datengeneratoren 21, 30, 36, 107, 265 Datengesamtheit 168 Datenheterogenität 143 Datenintegration 140 Datenklassen 144, 154 Datenklau 138 Datenmanagement 145 Datenmissbrauch 20 Datennotar 74 Datennutzer 65, 122 Datennutzung 22 Datenpflege 117 Datenprovider 280 Datenqualität siehe Data Quality Datenschutz 20, 32, 73, 126, 132, 294 Datenschutzgesetz 71 Datenschutz-Grundrecht 71 Datensicherheit 32, 292 Datenstrom 21 Datenstrukturen 143 Datenverarbeitung 22 Datenverkehr 329 Datenvolumen 24, 33, 145, 155, 233 Interaktionsdaten 33, 37, 155 Mobilitätsdaten 19 New Deal für Daten 72 Ortungsdaten 21 Polystrukturierte Daten 150 Prognosedaten 225 Rohstoff Daten 26, 131 Stammdaten 35 Tracking-Daten 328 Transaktionsdaten 33, 34, 155 Unstrukturierte Daten 149 Datenbank ACID Atomicity 157, 250 Consistency 157, 250 Durability 157, 250 Isolation 157, 250 ACID-Kriterien 157, 250 NoSQL-Datenbank 157 Relation 153 Relationale Datenbank 235 Spaltenorientierte Speicherung 192 Datenqualität 29, 145, 146 Unschärfe 154 Datenquelle 163 extern 163 intern 163 Datenschutz Selbstdatenschutz 91 Selbstregulierung der Wirtschaft 91 Stiftung Datenschutz 74,

25 Denkarbeiter 136 Denkfabrik 341 Der Spiegel 13 Deutscher Bundestag 89 Deutungshoheit 52, 59, 142, 171, 274, 283 Dezimalpräfix 24 Differenzierung Kontextuelle Differenzierung 264, 265 Digitale Revolution 39, 42 Digitaler Optimismus 73, 76 Digitalisierung 136 Digitalisierung der Welt 15, 22, 62, 91, 92, 148, 154, 234, 351 Digitalisierung der Welt 350 Digital-Life-Design Conference (DLD) 18 Disney Second Screen Experience 336 Duke University 18 Duktus 111 E Echtzeit 24, 176, 205 Echtzeitverarbeitung 163 Edelman Berland 315 Eigeninitiative 127 Eigenverantwortung 73 Elektronischer Safe 74 Energiemarkt 215 Enquete-Kommission 38, 61, 89, 135, 234 Enquetebeteiligung 90 Enterprise , 88, 103, 120, 130, 137, 236, 241 Erfolgsfaktor 126 ETL-Prozess 157 EU-Grundrechtecharta 71 EXIF-Format 315 F Facebook 21, 68, 104, 110, 152, 288, 296, 307, 318 Facebook Query Language (FQL) 312 Facebook-Profil 152 Gefällt-mir-Button 298 Liken 300 System Developer Kits (SDK) 312 Fake 126, 285 Fake-Account 112, 267, 317 Fake-Szenarien 146 Faktor Mensch 340 Falsifizierung 54 Fehlalarm 54 Fehlerquote 54 Flash 312 flinc AG 207 flinc.org 207 FOCUS Money online 63 Forecast 162 Framework 77, 156 Fraud 194 Active Fraud Detection System 197 Click-Fraud 324 Fraud Detection 169, 196, 202 Fraud Management 169, 194, 202 Fraud Prevention 126, 196 Fraud-Datenanalyse 198 Fraud-Management-System (FMS) 197 Fraunhofer-Institut FOKUS 74 Freiheitsgrad 129 Friedensnobelpreis 88 Führungsprozess 84, 123 Führungsstil 121 G Gamifizierung 186, 281, 282 Garbage 159 Gartner

26 Gaußsche Glocke 350 Generalist 51 Generische Schlüssel 150, 151 Geo-Informationen 20 Geschäftsmodell 26, 27, 59, 119, 123, 160, 251 Geschäftsprozess 160 Gesetzgebung 65 Internationale Gesetzgebung 126 Gläserner Bürger 20 Gläserner Kunde 20 Globalisierung 39 Goldgräberstimmung 140 Goldman, Jonathan 51 Google 68, 77, 156 BigTable 156 Google Glass 334 Google+ 21 Government Communications Headquarters (GCHQ) 68 GPS 315 GPS-Position 206 GPS-Koordinaten 276 Greylock Partners 18 Grundgesamtheit 266 GSM 218 GSM siehe Übertragungsarten H Hacker Bio-Hacker 334 Hadoop 151, 156, 157, 235, 237 Hadoop Distributed File System (HDFS) 156 HBase 156 Hive 156 HiveQL 156 Pig 156 Harvard Business Review 51 High-Performer 50 Hochfrequenzhandel 63 Homo Oeconomicus 62 Hybrid-Architekturen 40 I Impact-Analysen 326 Induktion 80 Industrie Industrielle Revolution 62, 78, 102, 234 Erste industrielle Revolution 80 Zweite industrielle Revolution 34 Industriespionage 78 Information information assets 26 Informationskapital 26 Informationstechnologie 46 Informationsvorherrschaft 52 Informationelle Selbstbestimmung 71 Informationsverarbeitung 27, 41 InMemory 24, 31, 117, 163, 190, 191, 236, 257 Instagram 307 Institut für Informationsrecht (IViR) 72 Integration 40 Interdisziplinäre Teams 278 Internet Datenquelle Internet 26 Demokratisierungseffekt des Internets 77 Integrität des Internets 72 Internet der Dinge 20 Virale Prozesse 109 Viraler Effekt 108 Internetportal 70, 251 Interoperabilität 41 Interpretation 25, 47, 55, 172, 228, 277, 341 Fehlinterpretation 171 Limitierung der Interpretation 267 Intransparenz 128 Intuition 19, 278, 340, 347 Ende der Intuition 19 Investitionen 118 Fehlinvestitionen

27 IT IT-Architektur 40, 116, 130, 140, 141, 160, 178, 254 IT-Prozess 118 IT-Rendite 119 IT-Strategie 116, 141, 178 IT-Systemlandschaft 27, 41, 118 Schatten-IT 185 IT-Systeme Dispositive IT-Systeme 160 Operative IT-Systeme 160 itunes 205 itunes App Store 205 J Java 77, 312 K Kapitalismus 88 Kapitulation 349 Key Performance Indikator 213 Klassen des Datenbewusstseins 75 Know-how Know-how-Monopol 142 Kollaborationsmodell 100, 101, 121 Kommunikation Interne Kommunikation 104 Kommunikationskultur 126 Kommunikationsmanagement 118, 123 Kommunikationsmodell 100, 101, 121 Kommunikationspolitik 287 Offene Kommunikation 123 Kompatibilität 40 Komplexität Komplexitätsanstieg 141 Kondratjew Der sechste Kondratjew 39 Kondratjewzyklen 38 Konflikt Interpersonelle Konflikte 100 Konsolidierung 41 Kooperation 129 Kooperationsmodell 123, 130, 142 Kostentreiber 118 Kreativität 19, 124, 127, 278 Kultur des Teilens 78 Kundenbeziehung 106 Kundenzentrierung 126 Künstliche Intelligenz 170 Kurz, Constanze 135 L LAN 218 LAN siehe Übertragungsarten LinkedIn 21, 51, 296 Lorenz-von-Stein-Institut (LVS) 74 Low Energy Profile 334 M M2M siehe Machine to Machine MAC-Adresse 327 Machine to Machine 246 Machterhalt 128 Management Coach 138 Managementkunst 127 Managementmethoden 118 Richtlinienkompetenz 138 Sponsor 131 Mandat 131 MapReduce-Algorithmus 77 Marketing 46, 285 Markttransparenzstelle für Kraftstoffe 213 Master Data Management (MDM) 160 Mehrwert 28 Microsoft 68, 301 Mikrofinanz 88 Mikrokredite 88 Missbrauch 67 Moneyball 230 Motivation Individuelle Motivation 128 Murdoch,Rupert 245 Mustererkennung

28 N National Security Agency (NSA) 67 Navigationsgerät 21 Navigon Traffic Live 206 Nefiodow, Leo 39 Netflix 336 New Economy 39 O OLAP 165, 199 Open Content 86 Open Data 85 Open Education 86 Open Government 86 Open Source 77, 235 Open-Bewegung 78, 84, 121 Organisationskultur siehe Unternehmenskultur P Page, Larry 18 PalTalk 68 Paradigmenwechsel 140, 146 Patil, D.J. 18 Payback 22 Personalbedarf 123 Phänomen Big Data Phänomen Big Data 350 Phishing 169 PLC 218 PLC siehe Übertragungsarten Point-of-Sales (POS) 114, 163, 171 Post Engagement Rates 325 Pragmatismus 149, 260 Predictive Analytics 162, 163 Predictive Policing 228 Minority Report 230 vorausschauende Verbrechensbekämpfung 230 Prescriptive Analytics 171, 175 Prism 67 Privatsphäre 126, 292, 312 Digitale Intimsphäre 72 IT-Grundrecht 72 Privatheit 343 Recht auf Vergessen 72 Schutz der Privatsphäre 19, 20, 32, 56, 73, 113, 115, 132, 137, 244 Product & Innovations 46 Produktivität 51, 123 Profil 21 Profit Center 106 Prognose 33, 163 Prognosefähigkeit 56 Prognosesicherheit 54 Programmbibliothek 77 Projektmanagement 260 Python 312 Q Quantified-Self-Bewegung 21, 244 R Rationalisierung 169 Reding, Viviane 72 Referenzielle Integrität 151 Reporting Reportingsicherheit 180 Reportingsicherheit 158 Restrukturierung 41 Return-on-Investment (ROI) 118, 148 RFID 21, 334 Risikomanagement 194 Roboterisierung 136 ROMI 323 Router 22 runtastic 333 S Safer Internet Day 19 Sales 46 Schatten-IT 129, 160, 187 Schattenprozess 129, 160, 187 Schmetterlingseffekt 274, 348 Schufa 22 Schwarm

29 Schwarmdummheit 81 Schwarmintelligenz 61, 80, 81, 99, 124, 126 Weisheit der Vielen 80 Schwarzer Schwan 342 Science Commons 85 Science Fiction 208 Scrum 260 Selbstorganisation 130 Self Tracking 330 Activity Tracking App 330 Activity Tracking Device 330 Quantified-Self-Bewegung 330 Wearables 330 Wifi-Waage 333 Semantik 25, 144, 152 Sensorik 20, 21, 228 Serverfarm 157 Service Level Agreement (SLA) 280 Share Economy 105, 291 shareconomy 78, 84 Sharing 78, 84, 105, 291 Shitstorm 286 Silicon Valley 156, 235, 291 Single-Point-of-Truth 179, 180 Sinus Milieus Digital Natives 73, 111, 294 Hedonistisches Milieu 76 Internetferne Verunsicherte 110, 294 Postmaterielle Skeptiker 76 Unbekümmerte Hedonisten 73 Skype 68 Smart Smart Collaboration 42, 103, 106, 130, 237 Smart Grid 221 Smart Loop 142, 143 Smart Meter 22, 219, 244 Smart Metering 20 Smart Stay 335 Smartphone 21, 98, 107, 228 Smart Loop 45 Social Social Business 61, 87, 121 Social Business Integration 42, 103, 105 Social Enterprise 87 Social Media 25, 130, 242, 246, 251 Social Media Marketing 237, 315 Social Software 103 Social-Media-Marketing 110, 112 Social-Media-Strategie 110 Socialbakers 325 Softskills 277 Soziale Netzwerke siehe Social Media Soziale Software siehe Social Software Sozialkompetenz 50, 83 Spiegel Online 81 Spielekonsole 22 Spielregeln 73 Spielwiese 50 Sponsor 131 SQL 156, 166, 312 Stammdaten 160 Stammdaten-Management 160 Stammdaten-Management siehe Master Data Management (MDM) Statistik 30, 263 Fehlerquote 276 Grenzen der Statistik 74 Grundgesamtheit 64 Imputation 269 Induktive Statistik 166 Korrelationsanalyse 269 Maßkorrelationskoeffizient 269 Multivariate Statistik 165 Regression 269 Scheinkorrelationen 272 Schweigeverzerrung 269 Störvariable 270, 272 Ungerichteter Zusammenhang 271 Variationen 270 Wahrscheinlichkeitslogik 270 Stellenbeschreibung