{"id":3147,"date":"2015-08-20T09:25:54","date_gmt":"2015-08-20T08:25:54","guid":{"rendered":"http:\/\/blog-conny-dethloff.de\/?p=3147"},"modified":"2015-08-20T09:25:54","modified_gmt":"2015-08-20T08:25:54","slug":"dem-big-data-hype-ein-wenig-erdung-einverleiben","status":"publish","type":"post","link":"https:\/\/blog-conny-dethloff.de\/?p=3147","title":{"rendered":"Dem Big Data Hype ein wenig Erdung einverleiben"},"content":{"rendered":"

Hypethemen der Wirtschaft, Service Oriented Architecture (SOA)<\/a> oder Unternehmens Core Data Warehousing (CDW)<\/a>, um nur zwei der nahen Vergangenheit zu nennen, werden zu Beginn ihrer Entstehung extrem hoch gejubelt. Erwartungen werden in sie gesetzt, die sie so meistens nicht erf\u00fcllen k\u00f6nnen, da diese zu hoch gesteckt sind. Diese Hypethemen haben auch h\u00e4ufig einen Mantel der Technologie um, weil wir Menschen sowieso sehr h\u00e4ufig in der Technik unser Heil suchen, wie im Rahmen der Digitalisierung unserer Gesellschaft, mit der Wirtschaft als Teil davon, sch\u00f6n zu beobachten ist.<\/p>\n

Warum sind nun die Erwartungen in solche Hypethemen so hoch? Das ist auf unseren zweiwertigen Denkrahmen zur\u00fcckzuf\u00fchren. Entweder etwas ist “gut” oder “schlecht”, etwas dazwischen darf nicht sein. In den Anfangstagen sind Hypethemen ausnahmslos “gut”. Ganz viel Hoffnung wird in sie hinein projiziert. Mit der Zeit n\u00e4hrt sich dann die Wahrnehmung, dass diese Hypethemen doch nicht die gesamte Wirtschaftswelt retten k\u00f6nnen und dann sind sie “schlecht”. Sie verschwinden von den Schaupl\u00e4tzen der Wirtschaft und werden verschm\u00e4ht und verpr\u00fcgelt.<\/p>\n

\"Big<\/a> <\/p>\n

Wird dieses Schicksal “Big Data”, einem neuen Hypethema der Wirtschaft, ebenfalls zuteil? Ich bef\u00fcrchte es. Deshalb auch dieser Post, in welchem ich eine Sowohl-Als-Auch Haltung zum Thema Big Data einnehmen und verargumentieren m\u00f6chte. Big Data ist also weder “gut” noch “schlecht”, sondern f\u00fcr bestimmte Fragestellungen eben passf\u00e4hig und f\u00fcr bestimmte andere Fragestellungen eben nicht. Man sollte sich also der Grenzen des Einsatzes von Big Data bewusst sein, um diese dann auch mehrwertgenerierend im jeweiligen Kontext in der Wirtschaft einsetzen zu k\u00f6nnen. <\/p>\n

Wo ist Big Data eher hinderlich?<\/h3>\n

Ich m\u00f6chte gleich mal vorweg mit der T\u00fcre ins Haus fallen. Mit Big Data wird Bestehendes optimiert, Neues wird nicht erzeugt. Big Data verhindert Innovation und f\u00fchrt zu Stillstand. Der Grund? Daten entstehen aus Handlungen der Vergangenheit und zeichnen damit vergangene Handlungen nach und auf. Datenanalysen sind immer der Versuch, Schl\u00fcsse f\u00fcr die Zukunft aus der Vergangenheit zu ziehen. Der Blick auf Daten, egal mit welchen Verfahren oder Tools, sind stets ein Blick in den R\u00fcckspiegel. Wie wurde wohl beispielsweise das iPhone erfunden? Durch Erkennen von Zusammenh\u00e4ngen in Daten, die aufgezeigt haben, dass Menschen gerne Touchscreens bedienen m\u00f6chten? Wohl kaum. <\/p>\n

Ich spreche hier also das Thema Innovation und Kreativit\u00e4t in Zusammenhang mit Datenanalysen. Gegen Ende des Posts noch einmal mehr dazu.<\/p>\n

Sie erkennen wahrscheinlich schon, wo die H\u00fcrde im Umgang mit Big Data liegen k\u00f6nnte. Es geht um einen ad\u00e4quaten passgerechten Mindset als Basis f\u00fcr Datenanalysen. Wenn ich nur auf “Datacrunching” und das Erkennen von Muster in Daten aus bin, mich kopfm\u00e4\u00dfig davon nicht l\u00f6sen kann und mal meine Intuition zu Worte kommen lasse, dann erkenne ich genau diese m\u00f6glichen neuen Produkte nicht, die Kunden begeistern k\u00f6nnten. <\/p>\n

Oft wird bereits der Umgang mit Daten im Kontext von Entscheidungen als innovativ betrachtet. Nur weil man vielleicht im Kontext des Einsatzes von Tools und Methoden auf dem neuesten Stand der Technik ist. Das ist f\u00fcr mich aber eben nicht innovativ. Innovation hat f\u00fcr mich etwas mit Musterbrechen zu tun. Mit Datenanalysen lassen sich Muster aufdecken, auf deren Basis man dann wiederum Entscheidungen trifft. Damit schreibt man dann die Vergangenheit in die Zukunft fort. Allerdings werden damit direkt keine Innovationen angekurbelt, ganz im Gegenteil. Ich verstehe Musterbrecher auf einer anderen Ebene, nicht WAS man tut ist entscheidend, sondern mit welchem Mindset und welcher Intention ETWAS getan wird. Mit dem alleinigen Auffinden Wollen von Mustern (Korrelationen) zwischen Daten schreibt man einzig etwas bereits Dagewesenes Vorhandenes nach vorne hin fort und trifft auf dieser Basis Entscheidungen. So entstehen aber keine innovativen L\u00f6sungen. Innovationen lassen sich nicht entdecken, sondern nur erfinden.<\/p>\n

Es gibt einige Beispiele von Firmen in der Wirtschaft, wo das alleinige Fortschreiben von Mustern in die Zukunft lebensbedrohlich wurde. Schauen wir einmal auf Nokia im Handymarkt, die den Wandel zum Smartphone nicht erkannt haben. Kodak w\u00e4re hier auch zu nennen, die den Wandel hin zur Digitalfotografie verschlafen haben. Solche Zeitpunkte sind Musterbr\u00fcche, die sich nicht ohne weiteres in den Daten erkennen lassen, da Daten immer nur die Vergangenheit abbilden. Musterbr\u00fcche lassen sich nicht in Korrelationen zwischen Daten aufdecken.<\/p>\n

Und grunds\u00e4tzlich ist auch der Umgang mit Daten an sich, um in Unternehmen Entscheidungen herzuleiten, nicht neu. Seit x Jahrzehnten schon werden in Unternehmen Berichte ohne Ende produziert, um auf dieser Basis zu entscheiden. Heute nutzen wir nur zus\u00e4tzlich mehr und verschiedenartigere Daten, die schneller erzeugt werden, sowie dazu noch analytische Modelle. Das hier das Neuartige fehlt, m\u00f6chte ich kurz andeuten.<\/p>\n

Entweder werden analytische Modelle im Kontext Daten genutzt, um Handlungen der Vergangenheit zu erkl\u00e4ren, um auf dieser Basis Entscheidungen zu treffen. Stichwort Sales Attribution im Handel. Es wird analysiert, wie hoch der Beitrag der einzelnen Onlinekan\u00e4le (Search Engine Advertising (SEA)<\/a>, Search Engine Optimization (SEO)<\/a>, Preissuchmaschinen (PSM)<\/a>, …) auf den eigentlichen Ertrag ist, wenn der Kunde n\u00e4mlich einen Artikel kauft, um auf dieser Ratio eine zuk\u00fcnftige Budgetzuteilung auf die Onlinekan\u00e4le vorzunehmen. Hier ist sehr einfach ersichtlich, dass die Vergangenheit in die Zukunft fortgeschrieben wird. Also nur Optimierung des bereits Vorhandenen und keine Innovation.<\/p>\n

Des Weiteren werden analytische Modelle aber auch genutzt, um wirtschaftliche Optimierungsaufgaben zu l\u00f6sen. Dabei werden \u00fcber Korrelationsanalysen Treiber f\u00fcr eine zu optimierende Zielgr\u00f6\u00dfe gesucht. Diese sind dann Inputfaktoren f\u00fcr das Modell, welches die Zielgr\u00f6\u00dfe optimieren soll. Die G\u00fcte des Modells wird dann gegen Sampledaten aus der Vergangenheit durch Testen festgestellt. Je besser ein Modell die Konstellation der Vergangenheit nachstellen kann, um so besser. Was wird hier getan? Richtig. Wieder kein Musterbrechen, da sowohl die Korrelationsanalysen als auch das Testen auf Daten der Vergangenheit beruhen. Also Optimierung des bereits Vorhandenen und keine Innovation.<\/p>\n

Ich m\u00f6chte nicht falsch verstanden werden. Big Data ist an sich nicht schlecht. Ich bin hier nur auf eine H\u00fcrde im Kontext Big Data eingegangen, die, wenn sie nicht genommen wird, einer Mehrwertgenerierung im Wege steht. Es ist unsere Geisteshaltung, mit diesen Daten zu agieren, um Innovation anzukurbeln. Innovationen entstehen in vielen F\u00e4llen durch Zufall. Wir versuchen aber \u00fcber Big Data genau diesen Zufall zu killen. Warum? Weil er uns Unbehagen und schlaflose N\u00e4chte bereitet. Wir k\u00f6nnen dann nicht mehr steuern und kontrollieren. <\/p>\n

Bleiben wir kurz beim Erkenntnisgewinn im Umgang mit Big Data und den darauf “losgelassenen” Algorithmen. Was erzielen Algorithmen f\u00fcr Ergebnisse? Dazu m\u00f6chte ich auf einen sehr interessanten Artikel<\/a> verweisen und hier kurz darauf eingehen. Neuronal Netze werden oft zur Bilderkennung eingesetzt. In diesem Kontext haben sich Forscher die Frage gestellt, wovon diese trainierten Netze eigentlich tr\u00e4umen, oder nicht ganz so philosophisch ausgedr\u00fcckt, wieviel Erkenntnisgewinn eigentlich in Anwendung solcher Netze steckt. Das Ergebnis? Sehr wenig Erkenntnisgewinn. Denn ein Neuronales Netz, welches beispielsweise auf das Erkennen von Bananen trainiert wurde, erkennt in jedem Bild Bananen. Es best\u00e4tigt sich also jedes Mal immer wieder selber. <\/p>\n

Was bedeutet das aber jetzt f\u00fcr uns im Umgang mit Big Data? Ein “Mehr” an Daten f\u00fchrt nicht unbedingt immer zu “Mehr” an Erkenntnis. Wir m\u00fcssen also immer noch unseren Kopf gebrauchen, um Innovationen herbeizuf\u00fchren und d\u00fcrfen uns nicht ganz den Daten hingeben. Wir ben\u00f6tigen also eine differenzierte Betrachtung von Big Data und dazu m\u00f6chte ich auch mit diesem Post anregen. <\/p>\n

Wo kann “Big Data” helfen?<\/h3>\n

Big Data erkl\u00e4rt Zusammenh\u00e4nge der Vergangenheit und kann daher bestimmte Ergebnisse aus Aktionen der Vergangenheit erkl\u00e4rbarer machen. Dabei muss aber Klarheit \u00fcber ein paar Begrifflichkeiten herrschen, die oftmals miteinander verwechselt werden. Es geht um Koinzidenz, Korrelation und Kausalit\u00e4t, auf die ich hier<\/a> detaillierter eingehe. Ein Verst\u00e4ndnis in diesem Kontext ist von immenser Bedeutung, will man Entscheidungen auf Basis von Geschehnissen der Vergangenheit ableiten. Ein Beispiel daf\u00fcr ist ebenfalls \u00fcber den oben aufgef\u00fchrten Link angef\u00fchrt, um die Unterschiede der 3 Begriffe transparent zu gestalten. Skurrile weitere Beispiele zur Verwechslung zwischen Korrelation und Kausalit\u00e4t k\u00f6nnen Sie hier<\/a> einsehen. Beispiel: Die Anzahl der Filmauftritte von Nicolas Cage pro Jahr stimmt mit der Anzahl der Menschen, die in den USA in einem Pool ertrinken, \u00fcberein. Will man diesen Fakt Nicolas Cage wirklich anlasten?<\/p>\n

Angenommen, wir haben also klare Ursachen f\u00fcr bestimmte wahrgenommene Ergebnisse ausfindig machen k\u00f6nnen, das Dickicht zwischen Koinzidenz, Korrelation und Kausalit\u00e4t also kl\u00e4ren k\u00f6nnen. Was wir wir mit dieser Erkenntnis im Kontext zuk\u00fcnftiger Handlungen anstellen sollen, erz\u00e4hlen uns diese Daten nicht. Dazu ben\u00f6tigen wir den Menschen. Dazu ein paar Beispiele aus dem Handel und meinem pers\u00f6nlichen Kaufverhalten. An meinen get\u00e4tigten K\u00e4ufen kann man beispielsweise erkennen, dass ich, wenn ich Sportschuhe kaufe, eher die Marke Adidas bevorzuge, als die Marke Puma. Nimmt man diesen Fakt als Basis f\u00fcr eine Entscheidung, um mir Sportschuhe anbieten zu wollen, sollte man mir wohl eher Adidas-Schuhe zeigen, unter der Vermutung, dass sich meine Affinit\u00e4t in diesem Kontext nicht so schnell \u00e4ndert. Hier kann man also die Vergangenheit in die Zukunft fortschreiben. Stellen wir uns aber einen weiteren Fakt vor. Ich bin in der Regel kein Schn\u00e4ppchenk\u00e4ufer. Wenn ich also beispielsweise Gutscheine angeboten bekomme, die mir bei einem n\u00e4chsten m\u00f6glichen Kauf einen bestimmten Rabatt zusichern, landen diese Dinger sehr oft im M\u00fcll. Das muss aber nicht hei\u00dfen, dass ich grunds\u00e4tzlich und in jeder Lebenslage Rabatte verweigere. Hier bin ich Mensch und gebe dem Zufall eine Chance, bin damit also nicht immer durchschaubar. Das ist ja auch gut so, sonst w\u00e4re das Leben ja langweilig. Ob das allerdings die Algorithmen ebenfalls so sehen? \ud83d\ude42<\/p>\n

Der Bogen zwischen dem “Guten” und dem “B\u00f6sen” an Big Data …<\/h3>\n

kann einzig und allein durch den Menschen geschlossen werden. Ist das nicht erfreulich? Denn, Big Data und die ausgekl\u00fcgelten analytischen Werkzeuge, die darauf aufsetzen, erlauben es uns, nahezu s\u00e4mtliche Prozesse effizienter zu gestalten. Intuition und Kreativit\u00e4t werden bald die einzigen Unterscheidungsmerkmale unter den Wettbewerbern sein, um mittels Innovationen Produkte und Leistungen zu generieren, die durch Kunden als mehrwertig eingestuft werden. Aber dazu ben\u00f6tigen wir den Menschen. Die Werkzeuge und Tools, und seien sie auch noch so fortschrittlich und technisch ausgereift, k\u00f6nnen aus Big Data nicht die vielleicht erhofften Erkenntnisse extrahieren, da diese nur den Blick in den R\u00fcckspiegel erlauben. Innovation und Kreativit\u00e4t geht nicht durch Maschinen.<\/p>\n

Treiber f\u00fcr Innovation ist nicht der Kunde und dessen vermeintliches Wissen um eigene k\u00fcnftige Bed\u00fcrfnisse, also Marktforschung. Sondern konkrete Ideen beliebigen Ursprungs und die Kreativit\u00e4t der Mitarbeiter in Unternehmen. Es geht darum, tats\u00e4chlich \u00fcberraschende Produkte zu schaffen und insofern dem Markt voraus zu sein. Denn im Zusammenhang mit Menschen haben wir es stets mit komplexen Situationen zu tun, und da hilft kein Wissen, weil Wissen dazu nicht existiert. In komplexen Situationen hilft nur K\u00f6nnen, Talent und Phantasie. Daten werden aber in der Regel f\u00fcr Wissensaufbau genutzt. Das Entscheidende f\u00fcr Innovationsf\u00e4higkeit in Unternehmen ist nicht, Ideen zu bef\u00f6rdern – die hat jeder, st\u00e4ndig. Entscheidend ist, Kreativit\u00e4t zu beg\u00fcnstigen bzw. zuzulassen. Den sozialen Prozess, der Ideen in Innovationen umwandelt, nennt man Kreativit\u00e4t. Kreativit\u00e4t ist also ein kollektives Ph\u00e4nomen und Innovation stets Teamleistung, und damit etwas sehr Menschliches. <\/p>\n

St\u00e4ndiges Verlangen nach Daten ist ein Zeichen f\u00fcr Innovationsschw\u00e4che. Denn Innovation bedeutet Neues zu erfinden, nicht zu erkennen. Erkennen l\u00e4sst sich nur etwas Vorhandenes. Das bedeutet aber auch, dass das Risiko bei Entscheidungen im Kontext von Innovationen, also unternehmerische Entscheidungen, hoch gehalten werden muss. Der Drang nach Unsicherheitsabsorption ist hier fehl am Platze. Je gr\u00f6\u00dfer das Risiko und damit je gr\u00f6\u00dfer die Unsicherheit, desto gr\u00f6\u00dfer ist auch die Chance auf Innovation.<\/p>\n

Ich habe zwei Themen in diesem Post nicht oder nur sehr kurz beleuchtet, n\u00e4mlich den Datenschutz und den “Sinn” bzw. Relevanz von Daten. Es geht nicht darum stets ein Mehr an Daten zu haben, sondern f\u00fcr bestimmte Fragestellungen relevante Daten zur Verf\u00fcgung zu haben. Dieses Herausfiltern der Relevanz ist eine Kunst, die, wenn sie nicht beherrscht wird, zu einer absoluten Beliebigkeit in der Erkenntnisgewinnung aus Daten f\u00fchrt. Dann ist n\u00e4mlich Alles und Nichts erkl\u00e4rbar, je nach Hypothese, die durch Daten eigentlich erst best\u00e4tigt werden soll. Einer meiner Wegbegleiter hat zu beiden Themenstellungen einen sehr interessanten Post namens Big Data \u2013 Was du letzten Sommer nicht getan hast<\/a>, auf den ich gerne in diesem Kontext verweise.<\/p>\n\"1\"2\"3\"4\"5 (1<\/strong> Bewertung(en), Durchschnitt: 5.00<\/strong> von 5)
<\/span><\/span>Loading...<\/span>\n","protected":false},"excerpt":{"rendered":"

Hypethemen der Wirtschaft, Service Oriented Architecture (SOA) oder Unternehmens Core Data Warehousing (CDW), um nur zwei der nahen Vergangenheit zu nennen, werden zu Beginn ihrer Entstehung extrem hoch gejubelt. Erwartungen werden in sie gesetzt, die sie so meistens nicht erf\u00fcllen … Continue reading →<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[16,10],"tags":[90,44,85],"class_list":["post-3147","post","type-post","status-publish","format-standard","hentry","category-management-und-leadership","category-modellierung","tag-big-data","tag-leadership","tag-modellierung"],"jetpack_featured_media_url":"","_links":{"self":[{"href":"https:\/\/blog-conny-dethloff.de\/index.php?rest_route=\/wp\/v2\/posts\/3147","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog-conny-dethloff.de\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog-conny-dethloff.de\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog-conny-dethloff.de\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/blog-conny-dethloff.de\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=3147"}],"version-history":[{"count":6,"href":"https:\/\/blog-conny-dethloff.de\/index.php?rest_route=\/wp\/v2\/posts\/3147\/revisions"}],"predecessor-version":[{"id":3154,"href":"https:\/\/blog-conny-dethloff.de\/index.php?rest_route=\/wp\/v2\/posts\/3147\/revisions\/3154"}],"wp:attachment":[{"href":"https:\/\/blog-conny-dethloff.de\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=3147"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog-conny-dethloff.de\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=3147"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog-conny-dethloff.de\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=3147"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}