Arbeitspapiere der FOM

Transkript

1 Nr. 41 Big Data Einsatzfelder und Herausforderungen ~ Hans Kraus Arbeitspapiere der FOM

2 Hans Kraus Big Data Einsatzfelder und Herausforderungen Arbeitspapiere der FOM, Nr. 41 Essen by MA Akademie Verlagsund Druck-Gesellschaft mbh Leimkugelstraße 6, Essen Tel Fax Das Werk einschließlich seiner Teile ist urheberrechtlich geschützt. Jede Verwertung außerhalb der engen Grenzen des Urhebergesetzes ist ohne Zustimmung der MA Akademie Verlags- und Druck- Gesellschaft mbh unzulässig und strafbar. Das gilt insbesondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen. Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten wären und daher von jedermann benutzt werden dürfen. Oft handelt es sich um gesetzlich geschützte eingetragene Warenzeichen, auch wenn sie nicht als solche gekennzeichnet sind.

3 Vorwort Big Data ist zu einem der wichtigsten Begriffe geworden, um mit Hilfe moderner Technologien aus großen Datenmengen neue Ideen, Konzepte und Umsetzungshilfen für Produkte und Geschäftsfelder zu entwickeln. Praxis und Wissenschaft weisen auf spannende Anwendungsfelder hin, die für vernetzte Organisationen erhebliche Potenziale eröffnen. Aus dem Einsatz neuer Technologien ergeben sich gleichermaßen aber auch unterschiedlichste Problemfelder. Der folgende Beitrag der FOM-Arbeitspapiere beleuchtet ausgewählte Einsatzfelder von Big Data. Grundlage dafür bildet die Einordnung von Big Data in den gegenwärtigen Stand der Forschung. Vor diesem Hintergrund stellt der Autor einige Big Data-Szenarien dar. Gleichzeitig zeigt der Beitrag aber auch, dass die Nutzung moderner Informations- und Kommunikationstechnologien Unternehmen und deren Mitarbeiter vor nachhaltige Herausforderungen in Bezug auf Datenvielfalt bzw. -dominanz einerseits und gesetzlichen Restriktionen andererseits stellen. In der Folge scheint bei sorgsamem Umgang sogar eine Art Verschmelzung von Mensch und Maschine unter bestimmten Voraussetzungen möglich. In jedem Fall werden jedoch Mitarbeiter und Führungskräfte durch Big Data in immer höherem Maße gefordert. Mit diesem Beitrag wird auf einer wissenschaftlichen Grundlage eine kritische Bestandsaufnahme zum Thema Big Data vorgenommen. Akteure aus Praxis und Wissenschaft erhalten einen Überblick, wie mit diesen Veränderungen umgegangen werden kann. Die Ansatzpunkte und Instrumente für die Weiterentwicklung vernetzter Organisationen werden mit dem vorliegenden Arbeitspapier zielgerichtet erweitert. Essen, Oktober 2013 Prof. Dr. Sabine Fichtner-Rosada FOM Hochschule für Oekonomie & Management Wissenschaftliche Schriftleitung

4 Inhalt Abkürzungsverzeichnis... III 1. Einführung Grundlagen: Verarbeitung und Nutzung von Daten Begriffsbestimmung Daten und Technologien Innovative Anwendungsfelder Logistik: Geo-Lokalisierung Marketing: Interdependente Vernetzung Herausforderungen durch Big Data Risiken aus einer Mensch-Maschine-Abhängigkeit Formalrechtliche Rahmenbedingungen Entwicklungsperspektiven von Organisationen Zusammenfassung und Ausblick Literaturverzeichnis II

5 Abkürzungsverzeichnis BYOD BDSG CuA DGFP HANA HRM IBM NoSQL SAP Bring Your Own Device Bundesdatenschutzgesetz Computer und Arbeit Deutsche Gesellschaft für Personalführung High Performance Analytic Appliance Human Resource Management International Business Machines No-Structured Query Language Systeme Anwendungen Produkte III

6 1 Einführung Big Data zählt zu den Megatrends der global vernetzten Welt. Scheinbar unermessliche Datenberge durchziehen privates wie berufliches Leben. Soziotechnische Entwicklungen ermöglichen es, dass Menschen zu jedem Zeitpunkt und von nahezu jedem Ort der Welt miteinander in Verbindung treten können. Somit ist es natürlich auch möglich, dass jede Organisation mit jeder anderen kommuniziert. Kennzeichen dieser totalen Vernetzung ist eine Verschmelzung der privaten mit den beruflichen Lebenswelten. 1 Somit stellen moderne Informations- und Kommunikationstechnologien einerseits eine wichtige Voraussetzung für die Weiterentwicklung von Geschäftsmodellen dar und sind andererseits integrativer Bestandteil im Leben eines jeden Menschen. Für Unternehmen bieten neue Formen der Kommunikation vielfältige Ansatzpunkte, etwa um neue Produkte weltweit an den Märkten zu platzieren, Kundenfeedbacks einzuholen oder besser zu verstehen. 2 Jeder Konsument produziert sowohl bei on- wie auch bei offline-einkäufen Datenströme, die später als digitale Spuren von Marketingexperten auf Kaufverhalten ausgewertet werden können. Konsumenten erwarten umgekehrt aber auch, dass ihre geposteten Feedbacks rasch verarbeitet werden. Auch innerhalb und zwischen vernetzten Unternehmen werden riesige Datenströme produziert und genutzt, um die Supply Chain neu zu erfinden oder wenigstens zu optimieren. 3 So werden z.b. im Rahmen moderner Logistikkonzepte Container bei ihrer Verladung über Funksensoren verbucht, so dass die globale Wertschöpfungskette nahtlos gesteuert und überwacht werden kann. Ausgangspunkt all dieser Entwicklungen sind Daten, die innerhalb und zwischen Unternehmen, Kunden sowie anderen Stakeholdern ausgetauscht werden. Daten erscheinen gleichsam als das neue Schmiermittel bzw. das Gold, das Effizienz und Wertsteigerung verspricht. Manche Experten sehen in Daten das neue Rohöl, welches grundsätzlich sehr wertvoll ist, aber erst in veredelter Form wirklich effizient genutzt werden kann. 4 Diese plakative Beschreibung von Daten greift jedoch zu kurz, denn anders als Rohöl können Daten bzw. Informationen immer wieder weiterverarbeitet werden Vgl. Richter, A./ Klier, A. (2013), S. 6. Vgl. Bitkom (2013), S. 18 f., (letzter Zugriff: ). Vgl. McKinsey Global Institute (2011), S. 70. Vgl. Baron, P. (2012), S. 18f. und Klezl, C. (2012), S. 9. Vgl. Mayer-Schönberger, V. / Cukier, K. (2013), S. 73 ff. 1

7 Vor diesem Hintergrund wird im vorliegenden Beitrag zunächst der Begriff Big Data erläutert, da mit diesem Begriff das Phänomen der umfassenden Digitalisierung der vernetzten Welt häufig beschrieben wird (vgl. dazu Abschnitt 2). In Abschnitt 3 werden vielfältige ökonomische Möglichkeiten, die sich aus Big Data für vernetzte Organisationen ergeben, anhand ausgewählter Anwendungsbereiche thematisiert. Darüber hinaus wird erörtert, welche Implikationen dabei moderne Informations- und Kommunikationstechnologien haben. In diesem Kontext wird deutlich, dass daraus auch Herausforderungen erwachsen, die in Abschnitt 4 aus unterschiedlichen Perspektiven beleuchtet werden. Abschnitt 5 bildet die Schlussbetrachtung dieses Beitrages. 2

8 2 Grundlagen: Verarbeitung und Nutzung von Daten Der nachfolgende Abschnitt vermittelt die für das Verständnis der Thematik notwendigen Grundlagen. Den Ausgangspunkt bildet dabei zunächst die Definition des Begriffes, darauf aufbauend erfolgt eine kurze technologische Einordnung. 2.1 Begriffsbestimmung In der einschlägigen Literatur wird der Begriff Big Data mit den sogenannten 3V in Verbindung gebracht, also Volume (Datenmenge), Variety (Datenvielfalt) und Velocity (Verarbeitungsgeschwindigkeit): 6 Volume (Datenmenge) bezeichnet das grundlegende Phänomen von Big Data, also die riesigen Datenmengen in Bereichen von mehreren Terabytes bis hin zu Zettabytes. 7 Somit sollten sich Organisationen möglicherweise auf ein unlimitiertes Datenvolumen vorbereiten, zumal die Speicherkosten nicht mehr in bisherigem Maße relevant sein werden. 8 Diese Datenmengen stehen Unternehmen wiederum über unterschiedliche Datenquellen zur Verfügung. Die Daten lagern dann in virtualisierten Clustern oder Clouds, die sich unzähliger Rechner bedienen. 9 Die Nutzung dieser IT-Infrastrukturen wird dann bedarfsgerecht gesteuert. Variety (Datenvielfalt) verdeutlicht die Heterogenität, in der Daten strukturiert -oder präziser formuliert - unterstrukturiert sind. So existieren Dateien und Datensätze in unterschiedlichsten Formaten und auf unterschiedlichen Quellsystemen. Diese Daten werden wiederum von ganz unterschiedlichen Menschen eingegeben und bearbeitet. Deutlich wird dies insbesondere dann, wenn externe Daten hinzukommen, etwa aus sozialen Netzwerken. Diese Datenvielfalt steht in Verbindung mit einer Wahrhaftigkeit (veracity), bei der es um Vgl. stellvertretend Markl, V. (2012), S. 26. Vgl. Landesanstalt für Medien NRW (2013), S. 7: Ein Terabyte entspricht Bytes. Petabyte, Exabyte und Zettabyte sind gleichsam die exponentiellen Steigerungen davon. Zettabyte etwa ist dann eine Zahl mit 21 Nullen. Vgl. Baron, P. (2012), S. 24 und Picot, A. (2012), S. 6. Vgl. Landesanstalt für Medien NRW (2013), S. 14 f. 3

9 Fragen der Unsicherheit und Inkonsistenz von Daten geht, die gewissermaßen aus der skizzierten Vielfalt resultieren. Velocity (Geschwindigkeit) schließlich thematisiert die Verarbeitungsgeschwindigkeit, mit der Daten mithilfe mathematischstatistischer Verfahren und Optimierungsalgorithmen möglichst flexibel und in Echtzeit verarbeitet und übertragen werden. 10 Big Data beschreibt also die Nutzung großer Datenmengen aus unterschiedlichsten Quellen und Formaten, mit dem Ziel, diese sehr schnell, also möglichst in Echtzeit, zu verarbeiten. 11 Diese Begriffsfassung gibt einen Orientierungsrahmen, um das Thema pragmatisch einzuordnen. Ein präziseres Verständnis von Big Data soll nachfolgend erarbeitet werden, ausgehend von dem Begriff Daten und der technologischen Ausgangslage in Unternehmen. 2.2 Daten und Technologien Daten entstehen aus einem Vorrat von Zeichen, die auf irgendetwas hindeuten. 12 Sofern diese gemäß einer Regel zusammengesetzt sind und darüber hinaus in einem bestimmten semantischen Kontext stehen, spricht man auch von Informationen. 13 Daten können entweder statisch sein, d.h. sie beziehen sich auf einen Zeitpunkt (Bestandsdaten), oder dynamisch sein, also auf einen Zeitraum bezogen (Bewegungsdaten). 14 Um die Fülle von Daten in einem Unternehmen oder einem Netzwerk von Unternehmen speichern und analysieren zu können, werden sie in Datenbanksystemen zusammengefasst. 15 Vor diesem Hintergrund haben sich in den vergangenen Jahrzehnten vielfältige Ansätze entwickelt, um mit Daten intelligent umzugehen. So beschreibt etwa der Begriff Business Intelligence den Ansatz, in einem unternehmenseigenen Datawarehouse, Prozesse und Anwendungssysteme so zu organisieren, dass Vgl. Markl, V. (2012), S. 21 ff., der die vielfältigen technischen Implikationen vorstellt und diskutiert. Vgl. Bitkom (2012), S. 21. Vgl. Rehäuser, T. / Krcmar, H. (1996), S. 6 sowie Krcmar, H. (2011), S. 15 ff. In der Betriebswirtschafts- und in der Organisationslehre spielt das Management von Informationen im Sinne eines zielgerichteten und zweckbezogenen Einsatzes von Daten schon seit Jahren eine sehr wichtige Rolle. Vgl. dazu u.a. Picot, A. / Reichwald, R. / Wigand, R. (2003), passim und Krcmar, H. (2011), passim zum Thema Informationsmanagement sowie Probst, G. / Raub, S. / Romhardt, K. (2010), passim zum Thema Wissensmanagement. Vgl. Picot, A. (2012), S. 5. Vgl. Krcmar, H. (2011), S. 126 ff. 4

10 ein unternehmensweiter Zugriff auf Daten ermöglicht wird. 16 Kennzeichnend für diese analytische Betrachtung von Systemen ist eine zentral organisierte Datenhaltung, bei der sämtliche Daten möglichst exakt zueinanderpassen. Die Daten sollten qualitativ möglichst hochwertig sein, um z.b. standardisierte Berichte wiederkehrend zu erstellen. In diesem Kontext könnte man auch von Small Data sprechen, also der eher traditionellen Form von Datenmanagement. 17 Eine weitere Facette von Business Intelligence besteht darin, Daten von externen Anbietern zu integrieren, um die Entscheidungsfindung weiter zu verbessern. 18 Das wohl bekannteste und populärste Business Intelligence Tool hierfür ist die Internet-Suchmaschine Google. Sie ermöglicht dem Nutzer, Daten zu Unternehmen, Personen, Orten usw. schnell und prägnant verfügbar zu machen. Vor diesem Hintergrund zeigt sich, dass es zukünftig immer mehr um die Integration unterschiedlichster Daten geht, die aus einem riesigen Datenbestand schnell und flexibel erfasst, gespeichert und analysiert werden sollten. 19 Aus den Wort Big resultiert eine augenscheinliche Komplexität, die in einem ersten Zugriff mit der bloßen Menge an Daten zusammenhängt. 20 Schlagworte wie z.b. Hadoop-Cluster oder In-Memory-Technologien haben bereits nachhaltigen Eingang in die Diskussion gefunden. Mit den letztgenannten Technologien wird die Geschwindigkeit der Verarbeitung großer Datenvolumina massiv erhöht. 21 Hadoop-Cluster wiederum dienen dazu, große Datenmengen aus verteilten internen und externen Datenbanken verfügbar und analysierbar zu machen. Eine weitere Herausforderung von Big Data betrifft die prinzipielle Machbarkeit der Datenanalysen oder anders formuliert, wie Daten in unterschiedlichsten Formaten zugänglich gemacht und inhaltlich bewertet werden können. Es reicht nicht aus, Daten in klassischer Form, etwa in Vgl. Bitkom (2012), S. 24. Vgl. Mayer-Schönberger, V. / Cukier, K. (2013), S. 32. Vgl. Markl, V. (2012), S. 28. Vgl. Bitkom (2012), S. 27. Vgl. Markl, V. (2012), S. 24. Vgl. Picot, A. / Propstmeier, J. (2013), S. 35; vgl. z.b. SAP (Systeme, Anwendungen und Produkte), das als ein weltweit führendes Unternehmen für betriebswirtschaftliche Software in diesem Zusammenhang ein System namens HANA (High Performance Analytic Appliance) entwickelt hat oder IBM (International Business Machines), das ein System mit dem Namen Smart Analytics Optimizer offeriert. Aber auch kleinere spezialisierte Nischenanbieter entwickeln Lösungen in diesem zukunftsträchtigen Markt. 5

11 unternehmenseigenen relationalen Datenbanksystemen vorzuhalten 22, denn die Fülle von Daten ist heutzutage nur in unterschiedlichsten Formaten verfügbar. Die Anforderung an Big Data ist es z.b., Daten aus einfachen Textdateien zu extrahieren und mit Audio- oder Videodaten in Verbindung zu bringen. Anwendung können diese Daten zusätzlich im Rahmen von Konsumentenforschungen mit Hilfe von Mitschnitten wie YouTube oder Aufzeichnungen von Callcenter-Gesprächen finden, um Muster und Verhaltensweisen detaillierter untersuchen und erkennen zu können. 23 Die Nutzung von Vorhersagemodellen und Optimierungsalgorithmen führt dazu, dass nicht die Genauigkeit der Daten, sondern ein möglichst hohes Datenvolumen zum entscheidenden Erfolgsfaktor wird. Die Grundhypothese lautet, dass Genauigkeit zweitrangig wird, wenn man auf der anderen Seite einen allgemeinen Trend erkennen kann. 24 Als anschauliches Beispiel könnte die Entstehung der Übersetzungsmaschine von Google genannt werden. Entscheidend für den schnellen Erfolg dieses Tools waren einerseits Algorithmen, aber andererseits vor allem die Menge der zugrundeliegenden Daten und Informationen. Dadurch hat das System z.b. gelernt, wie Sprachen funktionieren. Das System leitete so in seiner Entstehungsphase aus der Fülle von Daten Wahrscheinlichkeiten dafür ab, in welcher Reihenfolge Sätze gebildet werden. Die Idee ist dementsprechend, aus einer großen Menge von Daten nicht die finale Präzision zu erreichen, sondern sehr gute Wahrscheinlichkeiten für Trends und Entwicklungsmuster zu ermitteln. Inwieweit dieser Ansatz Menge zulasten der Qualität der Daten letztlich zielführend ist, bleibt abzuwarten. Denn andererseits gibt es auch Hinweise, dass eine zu geringe Datenqualität die Glaubwürdigkeit der Daten und damit die zielgerichtete Nutzung schmälern könnte. 25 Qualität in diesem Kontext bedeutet etwa, dass die Daten inhaltlich oder von ihrer Bedeutung her kompatibel sein sollten, um diese auch entsprechend weiterzuverarbeiten. Zusammenfassend wird deutlich, dass sowohl die Intelligenz der Datenverarbeitung als auch der Zugriff auf ein umfangreiches Datenvolumen Vgl. hierzu auch die Bewegung NoSQL (No-Structured Query Language), bei der es darum geht, sich von konventionellen relationalen Datenbanksystemen zu lösen und Daten stattdessen ohne feste Struktur zu speichern. Vgl. dazu auch Baron (2012), S. 151 ff. Vgl. Markl, V. (2012), S. 26. Vgl. Mayer-Schönberger, V. / Cukier, K. (2013), S. 38 f. Vgl. Buhl, H.U. / Röglinger, M. / Moser, F. / Heidemann, J. (2013), S

12 von sehr hoher Relevanz sind. Big Data ist letztlich aus technologischer Sicht eine Fortentwicklung bereits bestehender Konzepte und Verfahren, welche allerdings immer komplexer werden und entsprechend weiterentwickelt werden müssen. 26 Im nachfolgenden Abschnitt werden einige betriebswirtschaftliche Einsatzfelder von Big Data-Anwendungen vorgestellt, die entweder bereits genutzt werden oder in absehbarer Zeit auf den Markt kommen könnten. Im Fokus stehen die daraus resultierenden Chancen und Potentiale. 26 Vgl. Bitkom (2012), S. 22 und Picot, A. / Propstmeier, J. (2013), S

13 3 Innovative Anwendungsfelder Grundsätzlich ist davon auszugehen, dass die Menschheit seit Bestehen versucht, Daten aufzuzeichnen und zu analysieren. 27 Man könnte auch vereinfacht formulieren, Messen, Zählen und Wiegen ist ein Grundbestreben des Menschen. Gerade für Unternehmen ist die Quantifizierung von Daten grundlegend, um erfolgreich zu sein und dies auch nachzuweisen. Die Nutzung und Verarbeitung bestehender Daten bilden wie erwähnt - den Ausgangspunkt für Big Data. Vehikel hierfür sind innovative, leistungsstarke Programme und IT-Infrastrukturen zur Speicherung und Verarbeitung von Daten. Aus ökonomischer Sicht stellt sich aber die Frage, wie aus bestehenden oder neuen Daten und Formaten ein Mehrwert generiert werden kann. Die Umsatz- und Ertragspotenziale an Wertschöpfung durch Big Data werden je nach Branche und Zeitraum auf viele Milliarden Euro geschätzt. 28 Vor diesem Hintergrund werden nachfolgend einige Beispiele vorgestellt, die innovative Einsatzfelder von Big Data veranschaulichen. 3.1 Logistik: Geo-Lokalisierung Ein klassisches Themenfeld der modernen Betriebswirtschaftslehre, das sich mit vernetzten Organisationen auseinandersetzt, ist die Logistik. 29 Im Fokus steht eine ständige Optimierung von Geschäftsprozessen mit dem Ziel, die Kosten nachhaltig zu senken und möglichst ressourcenoptimiert unterschiedlichste Teilnehmer der Supply Chain miteinander zu vernetzen. Um diese Komplexität etwa in Bezug auf eine End-to-end-Lieferkette zu optimieren und sämtliche Teilnehmer am Wertschöpfungsprozess im Spiel zu halten, müssen in Echtzeit hohe Volumina vielfältigster Daten verarbeitet werden. 30 So müssen dabei nicht nur die eigenen Daten, sondern auch diejenigen von Zulieferern und anderen Logistikpartnern berücksichtigt werden. Um derartige Prozesse der Logistik zu optimieren und die physische mit der digitalen Welt zu verbinden, werden logistische Objekte, wie z.b. Container mittels Schiff, Flugzeug oder per Lkw durch die Welt transportiert. Logistikunternehmen und Spediteure erhalten über drahtlose Steuerungseinheiten in Verbindung mit GPS Vgl. Mayer-Schönberger, V. / Cukier, K. (2013), S. 78. Vgl. dazu Bitkom (2012), S. 12 oder McKinsey Global Institute (2011), S. 1. Vgl. hierzu u.a. Werner, H. (2010), passim. Vgl. Bitkom (2012), S. 39 f. 8

14 einen detaillierten Einblick über ihre Fahrzeuge. 31 Über diese sogenannte Geo- Lokalisierung können Zeiten, Routenplanungen oder auch der Benzinverbrauch lückenlos und fehlerfrei nachverfolgt werden. Auch drohende Probleme, etwa mit dem Motor oder anderen Verschleißteilen eines Fahrzeuges, können überwacht werden. Und natürlich gehen dadurch auch deutlich weniger Container oder Beladeteile verloren. Man kann entsprechende Daten darüber hinaus mit anderen Geo-Daten in Verbindung bringen, etwa auf welchen Routen und Autobahnen häufiger Unfälle passieren oder Staus entstehen. 32 Daraus lassen sich wiederum weitergehende Daten aus den Autos und Lkws sowie den Straßen generieren, um Prognosen zu erstellen, welche Wege für den Transport von Gütern genommen werden sollten, um Unfälle zu vermeiden oder Treibstoff einzusparen. De facto werden somit enorme Kostenpotenziale gehoben, aber was noch interessanter erscheint, möglicherweise könnten Probleme durch eine intelligente Programmierung des Systems bereits so antizipiert werden, dass ein zu erwartender Motorschaden oder Stau erst gar nicht entsteht. Wenn es darüber hinaus gelingen würde, Lkws oder Autos, die sich bspw. am Ende eines Staus befinden, mit nachfolgenden Fahrzeugen zu vernetzen, könnten Auffahrunfälle vielleicht gänzlich vermieden werden. Noch weiter geht das Konzept des fahrerlosen Autos mit einem digitalen Datenzentrum. 33 Hier wird individuelles Fehlverhalten des Autolenkers oder gar der Zufall, der gelegentlich auch zu Unfällen führt, prognostiziert und ausgeschaltet. Federführend bei der Entwicklung solcher intelligenter Systeme ist neben den Automobilherstellern Google, eines der Big Data-Unternehmen. 3.2 Marketing: Interdependente Vernetzung Grundsätzlich kann wie bereits erwähnt - der Produktionsfaktor Daten bzw. Information in einem ersten Schritt gesammelt und danach weiterverarbeitet werden. Daten können auch mit anderen vernetzt und über Simulationsmodelle zu neuen Datensätzen verknüpft werden. In Hinblick auf das Thema Marketing eröffnet Big Data durch eine Weiterverarbeitung oder Nutzung von Daten für andere Zwecke sogar die Schaffung neuer Geschäftsmodelle. In einem ersten Zugriff kann etwa ein Handelsunternehmen Potenziale generieren, indem Vgl. McKinsey Global Institute (2011), S. 70 f. Vgl. Mayer-Schönberger, V. / Cukier, K. (2013), S.89 f. Vgl. Klausnitzer, R. (2013), S. 80 f. 9

15 typische Verhaltensmuster für Kaufentscheidungen am Point-of-Sale identifiziert werden. 34 Hieraus werden individuelle Cross-Selling-Angebote für den Kunden zugeschnitten. In Echtzeit lassen sich so z.b. Preisnachlässe für Waren ermitteln, die den Einkauf des Kunden abrunden. Ziel ist es, die Kundenansprache sehr individuell zu gestalten und Streuverluste zu vermeiden. Eine weitere Variante gezielter sozio-technischer Kundenansprache besteht darin, den Nutzern von Smartphones ein spezifisches Angebot zu senden, sobald sie ein Geschäft betreten oder sich in der Nähe befinden. 35 Dies wiederum erfordert umfängliche Datenbestände zum Kaufverhalten, die zielgerichtet auszuwerten sind, denn je mehr Daten auch hier zur Verfügung stehen, umso besser. Amazon etwa nutzt seinen Bestand an bereits gekauften Produkten, um mit dem Hinweis you might also want Produkte anzubieten, die zum Kunden passen könnten. 36 Auf diese Weise, die eine Modifikation des Cross-Selling darstellt, kann der Verkauf von komplementären oder zusätzlichen Produkten erhöht werden. Um solche Empfehlungen zu generieren, werden nicht Personen und ihre Bestellungen miteinander verglichen, sondern es werden Assoziationsmuster zwischen unterschiedlichen Produkten hergestellt, die dann Rückschlüsse auf den Käufer zulassen. 37 Amazon hat nachgewiesen, dass in diesem Kontext ein computergesteuerter Vertrieb bessere Umsatzzahlen liefert als ein konventioneller durch den Menschen. Auf diese Weise werden nicht nur sehr zielgerichtete Angebote generiert, sondern auch Geschäftsprozesse optimiert und langfristig Kosten gesenkt. Eine weitere Facette von Big Data besteht darin, soziale Interaktionen durch die weltweite Vernetzung von Menschen noch intensiver zu nutzen. 38 In sozialen Netzwerken, wie z.b. Twitter, werden Meinungen und Gefühle von Nutzern erstellt, gespeichert und weitergeleitet. Facebook, das über eine Milliarde Nutzer weltweit verfügt, die wiederum durch über 100 Milliarden Freundschaften verbunden sind, hat Zugang zu mehr als 10 % der Weltbevölkerung. 39 Facebook sorgt dafür, dass jede Stunde weltweit rund Vgl. Bitkom (2012), S. 35. Vgl. McKinsey Global Institute (2011), S. 68, das hier von location-based marketing spricht. Vgl. McKinsey Global Institute (2011), S. 67. Vgl. Mayer-Schönberger, V. / Cukier, K. (2013), S. 50 f. Vgl. Mayer-Schönberger, V. / Cukier, K. (2013), S. 92. Vgl. dazu auch Facebooks Social Graph, der Daten und Beiträge des Freundeskreises oder auch aller Nutzer auf Facebook nach Zusammenhängen 10

16 Millionen Fotos hochgeladen werden. Der like -Button und die entsprechenden Kommentierungen dazu werden 2 Milliarden Mal pro Tag betätigt. Zunächst hat jeder Datensatz, jede Information einen Erstnutzen. Durch Big Data könnten Inhalte aus Social-Media wie Facebook, XING, Blogs oder anderen Foren genutzt werden und um klassische Medien, wie die Fach- und Wirtschaftspresse, angereichert werden. 40 Zusätzlich gibt es Verfahren, um das Verhalten von Nutzern im Internet zu analysieren, und zu erfahren, wie lange ein Nutzer auf einer bestimmten Seite war oder der Curser auf einer Internetseite bewegt wurde. All das ist nichts anderes als der Versuch aus der Fülle und Vielfältigkeit der verfügbaren Daten zu lernen, um daraus Prognosen und Konsumtrends abzuleiten. 41 Jede noch so kleine Aktivität eines Users wird registriert und in ein großes Big Data-System zurückgespielt und analysiert. Kunden wiederum informieren sich vielfach nicht mehr nur beim Händler oder Hersteller, sondern auch über Kunden-Netzwerke und elektronische Marktplätze, um Preise, Qualität oder Erfahrungen auszutauschen. 42 Auch aus Sicht des Kunden schaffen soziale Medien eine hohe Transparenz über Produkte und Leistungen. 43 Im Lichte dieses Befundes wird deutlich, dass nicht nur Konsumenten untereinander weltweit vernetzt, sondern sie auch mit Unternehmen global vernetzt sind, so dass es eine Art interdependente Vernetzung von Konsumenten und Unternehmen gibt, die sich auch ihrerseits wechselseitig durchaus beeinflussen. Die gleichsam totale Vernetzung von Organisationen und Konsumenten eröffnet wie in den vorstehenden Ausführungen erläutert - unterschiedlichste Möglichkeiten aus Big Data-Anwendungen. Auf der anderen Seite sollen nachfolgend aber auch Grenzen von Big Data herausgearbeitet werden durchsucht. So können auch ältere oder bereits vergessene Daten von Nutzern wieder hervorgeholt werden. Vgl. Bitkom (2012), S. 35. Vgl. Mayer-Schönberger, V. / Cukier, K. (2013), S.113. Vgl. McKinsey Global Institute (2011), S. 73. Vgl. McKinsey Global Institute (2011), S

17 4 Herausforderungen durch Big Data Der Big Data-Hype hat zwar einerseits eine Art Euphorie in Teilen der Wissenschaft und vor allem in der Wirtschaft ausgelöst, andererseits lassen sich allerdings durchaus auch kritische Anmerkungen finden. Im Abschnitt 4.1 steht daher zunächst die Frage im Fokus, inwieweit Big Data gleichsam zu einer unauflöslichen Abhängigkeit von Technologien führen kann und welche Probleme dies auslösen kann. Im Abschnitt 4.2 werden dann einige Herausforderungen des Datenschutzes beleuchtet, innerhalb derer Big Data sich derzeit abspielt und welche Ansatzpunkte es gibt, um dieses Thema zukünftig besser beherrschen zu können. Vor diesem Hintergrund sind schließlich auch Organisationen und damit auch die Mitarbeiter in diesen Organisationen in hohem Maß gefordert. Abschnitt 4.3 befasst sich daher mit Fragen zum Thema Personalentwicklung einerseits und Führung im Zeitalter neuer Technologien und Medien andererseits. 4.1 Risiken aus einer Mensch-Maschine-Abhängigkeit In einem ersten Zugriff soll nachfolgend ein Szenario skizziert werden, das grundsätzlich auf die Problematik der Mensch-Maschine-Beziehung eingeht. Seit einigen Jahren kann fast jedermann etwa mit Hilfe eines Smartphones oder Tablets umfänglich kommunizieren, Präsentationen durchschauen oder einfach nur einige Vorabinformationen vor einem Kundentermin recherchieren. 44 Die Vernetzung von Menschen und Organisationen untereinander wird durch ein Mensch-Maschine-Netzwerk ermöglicht. Der Einfluss der Maschine scheint immer größer zu werden, bis hin zur Steuerung des Menschen durch die Maschine selbst, also etwa durch das Smartphone bzw. die relevante Applikation. Wie diese Einflussnahme noch weitreichender werden könnte, zeigt ein illustres Big Data-Projekt, das den Namen Google Glass trägt. 45 Grundlage ist ein kleiner, in einer Art Brille, integrierter Computer, der dem Nutzer im Sinne eines Head-Up-Displays ein Sichtfeld zur Verfügung stellt. Dieses liefert via Digitalkamera Informationen zu der vom Nutzer betrachteten Welt. Auf Anforderung können beliebige Daten aus dem Internet integriert werden, um z.b. Aufnahmen zu machen, den richtigen Weg zu finden, Übersetzungsleistungen in Anspruch zu nehmen oder auch Sprachnachrichten Vgl. Klausnitzer, R. (2013), S. 186 f. Vgl. dazu Google (o. J.), o. S. (letzter Zugriff: ). Hier wird beschwingt und leicht verständlich gezeigt, wie dieses Produkt funktionieren soll. 12

18 zu versenden. Google spricht hier auch von einer augmented reality, also einer erweiterten Realität. Die Botschaft könnte auch lauten, jeder teilt mit jedem alles und das auf allen sozialen oder besser technischen Kanälen. Auf diese Weise scheint sich die Schnittstelle Mensch-Maschine zunehmend aufzulösen. Dies wiederum könnte zu einer Art Hybridisierung von Mensch und Maschine führen. Gemeint ist eine Art Verschmelzung von Mensch und Maschine, bei der die Maschine bzw. die Technologie gleichsam bedeutenden Einfluss auf die Entscheidungen des Menschen nimmt. 46 Ein weiteres, eher bizarres Zukunftsszenario für Hybridisierung im Sinne einer klaren Dominanz von Big Data liefert die US-Hauptstadt Washington, gleichsam eine Non-Profit-Organisation: 47 Analysen haben gezeigt, in welchen Teilen der Stadt besonders häufig Verbrechen verübt werden. Durch eine bessere Überwachung dieser Brennpunkte konnte die Aufklärungsquote deutlich erhöht werden. Werden Täter inhaftiert, so werden Daten aus dem Umfeld dieser Menschen mit Hilfe von Prognoseverfahren mit erstaunlich guten Ergebnissen auf ihre Rückfallquote analysiert. In Zukunft könnte man aber auch Daten generieren und herausfinden, mit welcher Wahrscheinlichkeit und unter welchen Voraussetzungen ein Mensch zum Täter werden könnte. Führt man diesen Gedanken weiter - unabhängig davon, wie hoch die exakte Prognosewahrscheinlichkeit dafür ist - könnte ein Szenario lauten, potenzielle Täter werden inhaftiert, bevor sie eine Tat begehen! Letztere hätten dann allerdings keine Chance mehr, sich zu exkulpieren. Ob und inwieweit derartige Szenarien real werden könnten oder nicht, ist noch offen. Eines wird anhand dieses Beispiels jedoch deutlich: Die Gefahr, Entscheidungen sehr stark und ausschließlich auf Basis von Datenanalysen zu treffen, ist bereits gegeben. Zu Zeiten von Small Data konnte man die Vergangenheit recht gut analysieren und verstehen. Wissen bzw. Information wurde aus Erfahrungen und bestehenden Daten aufgebaut. Daten waren durchaus ein knappes Wirtschaftsgut. Big Data führt aber gewissermaßen zu einem Paradigmenwechsel insofern, als Daten die Grundlage dafür bilden könnten, um die Zukunft vorherzusagen. 48 Einerseits kann dies natürlich durchaus positive Beispiele erzeugen - wie im vorstehenden Abschnitt dargestellt Vgl. dazu auch Klausnitzer, R. (2013), S. 185 ff., der von einem Hybrid-Zeitalter spricht und dies mit Parallelwelten in Verbindung bringt wie etwa Beruf und Hobby, in denen Menschen zukünftig leben werden. Vgl. Mayer-Schönberger, V. / Cukier, K. (2013), S. 159 ff. Vgl. Klausnitzer, R. (2013), S. 27 ff., der vom Ende des Zufalls spricht. 13

19 Andererseits könnte gerade eine übertriebene Datengläubigkeit sehr schnell zu einer Abhängigkeit oder gar Diktatur der Daten führen. 49 Es besteht sicherlich die Gefahr, dass Entscheidungen durch Prognosealgorithmen zwar vermeintlich gut fundiert sind, am Ende aber keine freie und unabhängige Entscheidung der jeweiligen Protagonisten mehr erkennbar ist. 4.2 Formalrechtliche Rahmenbedingungen Bei der Nutzung bestehender Daten oder auch bei der Entwicklung neuer Daten- und Informationsströme sind auch rechtliche Aspekte zu beachten. 50 So geht es vielfach um die Nutzung personenbezogener Daten und damit um grundlegende Fragen des Datenschutzes. Zunächst lässt sich festhalten, dass nach deutschem Recht Big Data-Anwendungen einigen Restriktionen unterworfen sind. Ein wichtiger Grundsatz des BDSG (Bundesdatenschutzgesetzes) ist das sogenannte Verbotsprinzip. 51 Danach dürfen personenbezogene Daten nur erhoben oder weiterverarbeitet werden, wenn die betreffende Person dieser Nutzung auch ausdrücklich zustimmt oder wenn dies durch eine entsprechende Rechtsvorschrift explizit abgedeckt ist. Die Datenerhebung und -verwendung unterliegt also einer Zweckbindung. Darüber hinaus sollten personenbezogene Daten entsprechend auch nur sparsam verwendet werden, dabei lässt der Begriff Datensparsamkeit sicherlich Interpretationsspielraum. Initiativen im europäischen Recht sollen es dem Nutzer darüber hinaus ermöglichen, eine transparente Speicherung und Verarbeitung von Daten sicherzustellen, bis hin zu der Möglichkeit, eine bereits gegebene Zustimmung schnell und unkompliziert zu widerrufen. 52 Vor diesem gesetzlichen Hintergrund werden natürlich auch in Deutschland Big Data-Verfahren eingesetzt, etwa im Bereich Banking und Zahlungsverkehr. 53 Dabei geht es z.b. darum, Kunden vor Betrug im Online-Zahlungsverkehr zu schützen. Dazu ist es erforderlich, personenbezogene Daten im Rahmen von Zahlungsverkehrstransaktionen zu analysieren und zu verarbeiten. Über das sogenannte Verfahren der Fraud Detection werden deshalb erhebliche Datenvolumia bewegt und ausgewertet. Ziel ist es, aus den Daten Muster zu Vgl. Mayer-Schönberger, V. / Cukier, K. (2013), S Vgl. Picot, A. / Propstmeier, J. (2013), S. 37. Vgl. Bitkom (2012), S. 43. Vgl. Duisberg, A. (2012), S. 45 f. Vgl. Bitkom (2012), S. 43 ff. 14

20 erkennen, die auf Unregelmäßigkeiten oder Betrug hindeuten könnten. Deutsche Finanzinstitute nutzen Big Data auch bei der Vergabe von Krediten. So werden aus einem Pool von Daten unterschiedlichste Indikatoren des möglichen Kreditnehmers ausgewertet. Aus Angaben zum Beruf, Einkommen, Wohnort und bisherigem Zahlungsverhalten etc. können relativ exakte Einschätzungen über die Kreditwürdigkeit getroffen werden. In all diesen Fällen ist es seitens des datenerhebenden Unternehmens erforderlich, eine rechtswirksame Zustimmung des Kunden einzuholen und die Sicherung der Daten zu gewährleisten. Zudem dürfen diese nicht personenbezogen verarbeitet oder weitergegeben werden, sondern nur in anonymisierter Form. 54 Relevant ist dies etwa auch in der Marktforschung oder bei Standort- oder Verkehrsdaten. Eine Weitergabe von Daten darf also nach deutschem Recht nur unter besonderer Rechtfertigung erfolgen. 55 Für die Sicherstellung des Datenschutzes ist in der Regel die erhebende Stelle verantwortlich. An diesem Punkt wird das Thema Datenschutz allerdings komplex, denn diese erhebende Stelle ist in Zeiten international agierender Konzerne und globaler Datenflüsse vielfach nur sehr schwer zu identifizieren. Jenseits dessen taucht zusätzlich das Dilemma auf, dass die Grundidee von Big Data ursprünglich gerade daraus resultiert, Daten über Kunden neu aufzubereiten und/oder weiter zu veredeln, um z.b. aus bestehenden Verhaltensmustern des Kunden das zukünftige Kaufverhalten am Point of Sale prognostizieren zu können (vgl. dazu auch Abschnitt 3.2). Mittels derartiger Analysen können somit unter Beachtung der geltenden Restriktionen vielfach neue Dienstleistungsbereiche und innovative Geschäftsmodelle entstehen. Im Lichte dieses Befundes erscheint es unumgänglich, Gesetze und Vorschriften auf EU-Ebene weiterzuentwickeln und umzusetzen. Zu achten ist sicherlich zunächst darauf, dass es nicht zu einer digitalen Kolonialisierung Europas, etwa durch US-amerikanische Konzerne wie Google oder Facebook, kommt, zumal US-Vorschriften zum Datenschutz deutlich lockerer einzuschätzen sind. 56 Big Data ist also ein globales, länderübergreifendes Phänomen. Im Fokus sollten deshalb internationale gesetzliche Standards Vgl. Bitkom (2013), S. 26 ff. Dieses Anonymisierungsverfahren wird auch als Privacy-Preserving Data Mining bezeichnet. Vgl. Picot, A. / Propstmeier, J. (2013), S. 37. Vgl. Buhl, H.U. / Röglinger, M. / Moser, F. / Heidemann, J. (2013), S. 66 oder auch Bitkom (2012), S