Transcription

Big Data und Geschäfts modellInnovationen in der Praxis: 40 BeispieleLeitfaden

ImpressumHerausgeber:BITKOMBundesverband Informationswirtschaft, Telekommunikation und neue Medien e. V.Albrechtstraße 10 10117 Berlin-MitteTel.: 030.27576-0 Fax: [email protected] www.bitkom.orgAnsprechpartner:Dr. Mathias WeberTel.: KOM-Arbeitskreis Big DataGremium:Projektleitung:Dr. Mark Mattingley-Scott, Principal, Lead Architect for Big Data & Industrie 4.0IBM Deutschland GmbHDr. Carlo Velten, Vorstandsvorsitzender, Crisp Research AGCopyright:BITKOM 2015Grafik / Layout:Design Bureau kokliko / Astrid Scheibe (BITKOM)Titelbild: fotolia.com – chungkingDiese Publikation stellt eine allgemeine unverbindliche Information dar. Die Inhalte spiegeln die Auffassung im BITKOMzum Zeit punkt der Veröffentlichung wider. Obwohl die Informationen mit größtmöglicher Sorgfalt erstellt wurden, bestehtkein Anspruch auf sachliche Richtigkeit, Vollständigkeit und / oder Aktualität, insbesondere kann diese Publikation nichtden besonderen Umständen des Einzelfalles Rechnung tragen. Eine Verwendung liegt daher in der eigenen Verantwortungdes Lesers. Jegliche Haftung wird ausgeschlossen. Alle Rechte, auch der auszugsweisen Vervielfältigung, liegen bei BITKOM.

Big Data und Geschäftsmodell-Innovationen in der Praxis: 40 BeispieleBig Data und Geschäfts modellInnovationen in der Praxis: 40 BeispieleLeitfaden

Inhaltsverzeichnis12Geleitwort82 Management Summary2.1 Ziel der Publikation2.2 Erkenntnisse aus den Big Data-Einsatzbeispielen2.3 Anforderungen an die Praxisbeispiele und Begleitung durch ein Expertenteam2.4 Struktur des Leitfadens99911123 Big Data – eine Begriffsbestimmung134 Entwicklung und Design datengetriebener Geschäftsmodelle – Morphologie4.1 Geschäftsmodelle – Begriffsbestimmung4.2 Architektur und Design von Geschäftsmodellen4.3 Teilmodell Leistungsangebot / Marktadressierung4.3.1 Komponente Kundensegment4.3.2 Komponente Angebot4.3.3 Komponente Geschäftsnutzen4.4 Teilmodell Leistungserstellung4.4.1 Komponente Schlüsselressourcen4.4.2 Komponente Schlüsselaktivitäten4.4.3 Komponente Schlüsselpartnerschaften4.5 Teilmodell Ertrag4.6 Beschreibung der Beispiele datengetriebener Geschäftsmodelle151516171717181819192021225 Big Data-Beispiele im Überblick – Branchen, Strategieansätze, Einsatzbereiche236 Big Data und Geschäftsmodell-Innovationen in der Praxis: 40 Beispiele6.1 {01} DeTeAccounting – Konzernweit einheitliche Prozesse und Daten im Finanzreporting6.2 {02} ThyssenKrupp Elevator – Intelligente Aufzüge6.3 {03} DB Schenker – Predictive Maintenance auf der Schiene: immer gut gewartete Lokomotiven6.4 {04} Koehler Paper Group – Tradition und Innovation: Big Data im Mittelstand6.5 {05} Saarstahl AG – Intelligente Prozessprognose basierend aufBig Data-Analytics-Verfahren (iPRODICT)6.6 {06} Mercedes-AMG – Big Data auf dem Prüfstand:Effizientes Testmanagement durch Echtzeitauswertung6.7 {07} travelbasys GmbH & Co. KG –Intelligent Traveller Early Situation Awareness (iTESA)6.8 {08} Deutsche Telekom – Wie Big Data das Controlling erleichtertund Investitionen in Marketing und Market Invest effizienter macht6.9 {09} Taleris Intelligent Operations für Airlines – Intelligenter Flugbetriebund Predictive Maintenance durch Big Data Analytics auf Basis von Sensordaten29293132353640414446

Big Data und Geschäftsmodell-Innovationen in der Praxis: 40 Beispiele6.10 {10} Betrieblicher Einkauf – Automatisierte Einpreisung von externen Rohstoffschwankungen496.11 {11} Verizon Wireless – Big Data Analytics eröffnet neue Wertschöpfungsmöglichkeitendurch Daten-Monetarisierung516.12 {12} DATEV – das domänenspezifische Wissensmodell als Ausgangspunktfür semantische Big Data-Analysen536.13 {13} Hamburg Port Authority AöR – smartPORT logistics im Hamburger Hafen556.14 {14} PhantoMinds – Innovations-Projekte für eine Crowdsourcing-Plattformidentifizieren und akquirieren566.15 {15} Brückner Maschinenbau GmbH &Co.KG – Industrie 4.0 und intelligente Maschinen586.16 {16} adesso mobile solutions GmbH – Sich selbst verstehen: Ganzheitlichesund wirtschaftliches Monitoring mobiler Services mit Open Source Big Data-Werkzeugen606.17 {17} Sensorhersteller – Big Data als neuer Partner von Six Sigma:Optimierung der diskreten Produktion636.18 {18} Deutsche Telekom – IT-Sicherheit in kritischen Infrastrukturenam Beispiel des Smart Meter Roll-Outs in Deutschland666.19 {19} Telekom Deutschland – Mit Big Data und Social Media Monitoringdie letzte Meile zum Kunden überwinden696.20 {20} Schweizerisches Bundesamt für Straßen ASTRA – Lieferung vonReisezeitinformationen wie Reisegeschwindigkeit, -zeit und -zeitverlust726.21 {21} Versicherungsunternehmen – Betrügerbanden in Echtzeit entlarven736.22 {22} ProSiebenSat.1 – Fakten mit Big Data: Was bringen TV-Spots für E-Commerce?756.23 {23} Barmenia – Big Data for Small and Old Data776.24 {24} BMW – Deutliche Beschleunigung der Produktentwicklung durchBig Data-Analyse von Diagnosedaten796.25 {25} Kreditech – Banking for the four billion underscored806.26 {26} Munich Re - Erkennung relevanter Nachrichten zu Versicherungsschäden846.27 {27} Deutscher Autohersteller – Indoor Analytics in Einzelhandels- undShowroom-Umgebungen866.28 {28} PSD Bank Hannover – Optimierung des Zielgruppenmarketings mittels Big Data886.29 {29} PSA Peugeot Citroën – Big Data-Plattform für neue Connected-Car-Initiativen906.30 {30} Insure the Box UK – Telematik-basierte Autoversicherung916.31 {31} E-Plus Mobilfunk – Big Data als Wettbewerbsvorsprung in der Telekommunikationsbranche 926.32 {32} Beiersdorf – Viele Märkte, noch mehr Daten:Gezielte Fokussierung mithilfe von Big Data-Technologien936.33 {33} Gebr. Heinemann – Near-Time-Monitoring relevanterSystemschnittstellen des Home-Delivery Service956.34 {34} Home Shopping Europe – CRM und Big Data: Jederzeit in Echtzeit966.35 {35} PayPal – Kunden besser verstehen und binden – Service optimieren durch Text Analytics986.36 {36} Marc O’Polo, navabi, Humance – Neue beste Freunde: Big Data und der Online-Handel1016.37 {37} Kaiser’s Tengelmann – Automatisierung der Warendisposition und Absatzplanung1036.38 {38} Natsu Foods – Frische Fahrt voraus: Data-driven Sushi1056.39 {39} Nestlé – Ein Tag – eine Milliarde Lebensmittel: Steuerung vonProduktion, Lagerhaltung und Lieferlogistik mittels statistischem Forecasting1063

46.40 {40} Nationales Centrum für Tumorerkrankungen – Big Data in der Medizin:Neue Möglichkeiten für Arzte und Patienten6.41 {41} Sächsische Landesbibliothek – Knowledge Graph für Semantic Libraryund Enterprise Search6.42 {42} Bundesverwaltungsamt – Register Factory für die öffentliche Verwaltung1091117 Big Data-Geschäftsmodelle – Grundtypen und Ausblick7.1 Strategische Einordnung von Big Data-Einsatzbeispielen und Geschäftsmodellen7.1.1 Strategieansatz »Optimierung«7.1.2 Strategieansatz »Monetarisierung«7.1.3 Strategieansatz »Leverage«7.1.4 Strategieansatz »Disrupt«7.2 Beispiele relevanter Big Data-Geschäftsmodelle7.2.1 Analytics-as-a-Service7.2.2 Data-as-a-Service7.2.3 Data-infused Products7.2.4 Datenmarktplätze und 68 Marktprognose für neue datengetriebene Geschäftsmodelle1179 Big Data-Wertschöpfungsbeiträge und Anwendungs fällemit der Methode Interaction Room erarbeiten11910 Ausgewählte Quellen12411 Sachwortregister12612 Anlage132107

Big Data und Geschäftsmodell-Innovationen in der Praxis: 40 BeispieleVerzeichnis der AbbildungenAbbildung 1: Merkmale von Big Data13Abbildung 2: Heatmap – Anzeige von Lokomotiven, deren Sensordaten auf einen Schaden hindeuten34Abbildung 3: Big Data-Plattform34Abbildung 4: Transformation der Stahlproduktion bei der Saarstahl AG40Abbildung 5: Geschäftsmodell der travelbasys GmbH & Co. KG43Abbildung 6: Echtzeitdarstellung der Nutzung unterschiedlichermobiler Angebote nach Mobilplattformen62Abbildung 7: Heuristisches Prognoseverfahren65Abbildung 8: Vorgehensweise zur bestmöglichen Ausnutzung der Datenbasis65Abbildung 9: Ermittlung der optimalen Kombination aus Prognosealgorithmen und Eingangsvariablen65Abbildung 10: Hochsichere Infrastruktur für das abrechnungsrelevante Auslesen von Zählern68Abbildung 11: Identifikation von Servicefällen und deren Bearbeitung71Abbildung 12: Last-Level-Kundenbegeisterung71Abbildung 13: Spot-Induktion76Abbildung 14: Signal-Analyse76Abbildung 15: Revenue-Analyse77Abbildung 16: Selten genutzte Lebensversicherungen »as-is« archivieren79Abbildung 17: Zusammenhang von Gewinn und Datenquellen83Abbildung 18: Einführung vollautomatisierter Prozesse in alle Kreditech-Geschäftsbereiche83Abbildung 19: Stufenweise Analyse und Kategorisierung von Nachrichten85Abbildung 20: Big Data-basierte Zielgruppen Insights Technologie von nugg.ad89Abbildung 21: Strategische Einordnung von Big Data-Einsatzbeispielen und -Geschäftsmodellen114Abbildung 22: Marktvolumen »Data Economy« 2014117Abbildung 23: Entwicklung des Marktvolumens »Data Economy« 2011-2016118Abbildung 24: Interaction Room119Abbildung 25: Interaction Room – Ablauf120Abbildung 26: Elemente und Zeitleiste typischer Big Data-Projekte mit dem IR:technology1215

Verzeichnis der TabellenTabelle 1: Anforderungen an die PraxisbeispieleTabelle 2: Facetten von Big DataTabelle 3: Teilmodelle eines GeschäftsmodellsTabelle 4: Geschäftsmodell-Morphologie im Bereich Big DataTabelle 5: Ausprägungen der Modellkomponente AngebotTabelle 6: Geschäftsnutzen bei Big Data – AusprägungenTabelle 7: Ausprägungen der Modellkomponente SchlüsselressourcenTabelle 8: Ausprägungen der Modellkomponente SchlüsselaktivitätenTabelle 9: Ausprägungen der Modellkomponente SchlüsselpartnerschaftenTabelle 10: Mögliche Ausprägungen im ErtragsmodellTabelle 11: Vereinfachte Geschäftsmodell-MorphologieTabelle 12: Beispiele im Überblick – BranchenverteilungTabelle 13: Beispiele im Überblick – Strategieansätze und EinsatzgebieteTabelle 14: Technischer Aufbau – Komponenten für die Entwicklung und dieIntegrationstests einer hochsichere InfrastrukturTabelle 15 Big Data-Beispiele: Ausprägungen der Geschäftsmodelle61114151617181920212122232468132

Big Data und Geschäftsmodell-Innovationen in der Praxis: 40 BeispieleAutorenVorstand des BITKOM-ArbeitskreisesBig Data Prof. Dr. Barbara Dinter, Technische UniversitätChemnitzDie Entwicklung dieses Leitfadens bildete eines derKernprojekte des AK Big Data 2014 / 2015 und stand im Dr. Thomas Franz, adesso AGMittelpunkt der Arbeit des Vorstands: Simon Grapenthin, Paluno – The Ruhr Institute for Marcus Bluhm, Hewlett-Packard GmbHSoftware Technology, Universität Duisburg-Essen Guido Falkenberg, Software AG Ralf Konrad, T-Systems International GmbH Dr. Thomas Keil, SAS Institute GmbH Steffen Nienke, FIR e.V. an der RWTH Aachen(Forschungsinstitut für Rationalisierung) Dr. Mark Mattingley-Scott, IBM Deutschland GmbH Dr. Carlo Velten, Crisp Research AG Dr. Andreas Ribbrock, Teradata GmbH Dr. Mathias Weber, BITKOM e.V. Prof. Dr. Stefan Wrobel, Fraunhofer IAIS Institut fürBeratungIntelligente Analyse- und InformationssystemeDer Dank gilt den Experten, die bei der Evaluierung derEinsatzbeispiele mitgewirkt und so die Entwicklung dieses Leitfadens begleitet haben: Florian Buschbacher, PricewaterhouseCoopers AGWirtschaftsprüfungsgesellschaft Ralph Kemperdick, Microsoft Deutschland GmbH Dr. Mark Mattingley-Scott, IBM Deutschland GmbH Marc Schwering, MongoDB, Inc. Dr. Carlo Velten, Crisp Research AG7

1 GeleitwortDer Leitfaden enthält eine ganze Reihe von Beispielen fürhybride Wertschöpfung: Unternehmen entwickeln ihreProdukte zu Plattformen weiter, die um kundenspezifische Services ergänzt werden. Sie differenzieren sich soim Wettbewerb, ermöglichen eine höhere Wertschöpfungund weisen den Weg in eine stärker datengetriebeneWirtschaft.Ich würde mir wünschen, dass die Beispiele in diesemLeitfaden schnell Schule machen, denn in den datenzentrierten und kundenorientierten Geschäftsmodellenliegen bedeutende Chancen für den WirtschaftsstandortDeutschland. Wenn die zahlreichen deutschen HiddenChampions zeitnah ihre Fertigungskompetenz durch diedigitale Kompetenz erweitern, werden sie ihre Positionenauf den globalen Märkten sichern und ausbauen können.Prof. Dieter Kempf – BITKOM Präsident,Vorsitzender des Vorstands Datev eGNeben wirtschaftlichen und technologischen Herausforderungen thematisieren die Big Data-EinsatzbeispieleWir durchleben gegenwärtig einen tiefgreifenden Wan-auch Fragen des Datenschutzes sowie der Akzeptanz beidel, der mit »digitale Transformation« treffend bezeichnetKonsumenten und in der Gesellschaft insgesamt. Hierwird. Die Digitalisierung macht vor keinem Wirtschafts-wird auch ein Schwerpunkt im Arbeitskreis Big Data imzweig halt. Angetrieben durch ein Bündel neuer Technolo-Jahre 2015 liegen.gien, stellen Unternehmen ihre gesamten Geschäftsprozesse und -modelle auf den Prüfstand, um diesen WandelWir begrüßen es sehr, dass die Bundesregierung dieproaktiv zu gestalten. Sie entwickeln ihre Fähigkeit,Bedeutung von Big Data-Technologien erkannt und dasvorwärtsweisende Geschäftsmodelle zu implementieren.Technologieprogramm »Smart Data – Innovationen ausDabei spielen Big Data-Technologien eine zentrale RolleDaten« auf den Weg gebracht hat. Dieses Programmim Werkzeugkasten der Unternehmen – sie helfen ihnen,ergänzt die staatliche Förderung in den Bereichen Trus-aus großen Mengen unterschiedlich strukturierter undted Cloud und Industrie 4.0 um einen ganz wichtigenoftmals zeitkritischer Daten mit zeitgemäßen analyti-Schwerpunkt.schen Methoden geschäftsrelevante Erkenntnisse zugewinnen.Ich wünsche Ihnen eine spannende Lektüre!Der vorliegende Leitfaden zeigt an über 40 Beispielen, wieUnternehmen und Organisationen Big Data-Technologienerfolgreich einsetzen, um mit innovativen Geschäftsmodellen am Markt zu bestehen.Prof. Dieter KempfBITKOM Präsident8

Big Data und Geschäftsmodell-Innovationen in der Praxis: 40 Beispiele2 Management Summary 2.1Ziel der PublikationZahlreiche Projekte haben Pilotcharakter. Es ist damit zurechnen, dass mit dem dabei erzielten Nutzen die Reich-Unternehmen, die den Einsatz von Big Data-Technologienweite noch einmal ausgeweitet wird {403 und andere}.prüfen wollen, stellen fest, dass bisher nur wenige Bei-Fortschritte in Bereichen wie Industrie 4.0, Car-2-x, Smartspiele für den Big Data-Einsatz bekannt sind. Der MangelHomes, Smart Grids, Telemedizin oder Cognitive Compu-an verfügbaren Best-Practice-Beispielen und Praxiserfah-ting werden Big Data-Technologien einen kräftigen Schubrungen gilt als Barriere für die verstärkte Nutzung vonverleihen {18}.Big Data. Um hier Abhilfe zu schaffen, präsentiert dieserLeitfaden über 40 Big Data-Einsatzbeispiele aus Wirtschaft und Verwaltung. Sie liefern Entscheidern HinweiseBig Data-Einsatz aus Unternehmens strategieableiten und weitere erfolgs kritische Faktorendarauf, wie der Einsatz von Big Data in UnternehmenInnovationen und neue Geschäftsmodelle ermöglicht, dieDie in Kapitel 6 publizierten Einsatzbeispiele unterstrei-vorher nicht denkbar waren.chen die bereits im Projektmanagement-Leitfaden desDer Leitfaden wurde auf dem 3. Big Data Summit derBITKOM4 formulierte Erkenntnis, dass Investitionen in BigÖffentlichkeit vorgestellt. Er bildet die vierte PublikationData wegen des enormen Potenzials aus der Unterneh-in einer Reihe.mensstrategie abgeleitet werden müssen. Die Unterstüt-12zung aus dem Top-Management ist erfolgskritisch {11}. 2.2 Erkenntnisse aus den Big DataEinsatzbeispielenWeitere Erfolgsfaktoren bilden der Aufbau von »Kombi-Skills« {31}, die technischesPraxiseinsatz in der Breite absehbarund fachliches Know-how miteinander verbinden, undeingespielter Teams aus Data Scientists, Data Engi-Im Jahr 2014 hat sich das prinzipielle Interesse an Bigneers, Systemarchitekten und Kundenvertretern {33},Data-Technologien in Form einer größeren Zahl von BigData-Einführungsprojekten manifestiert. Die Unternehmen, die sich im BITKOM-Arbeitskreis Big Data engagie- die Orientierung an einem agilen Vorgehensmodell{31, 33, 41},ren, signalisieren, dass die Umsetzung von Big DataProjekten im Jahre 2015 noch einmal deutlich zunehmen die frühzeitige Einbindung der Nutzer in die Syste-wird. Sie verweisen dabei auch auf eine hohe »Dunkelzif-mentwicklung (Nutzerbefragungen zur Darstellungfer«: Zahlreiche Big Data-Implementierungen sind sehrvon Ergebnissen, zu Reaktionszeiten, oder Visualisie-innovativ und bieten den Anwendern entscheidenderungen, ) {27},Wettbewerbsvorteile – hier ist die Bereitschaft, mit denErfahrungen in die Öffentlichkeit zu treten, nicht immergegeben.1234Vgl. www.bitkom-bigdata.de, Februar 2015Der erste BITKOM-Leitfaden zu Big Data (BITKOM 2012) liefert eine Begriffsbestimmung und beleuchtet wesentliche Einsatzgebiete. Der zweite Leitfaden(BITKOM 2013b) erläutert, wie man Big Data-Projekte erfolgreich aufsetzt. Der dritte Leitfaden gibt einen detaillierten Überblick über die Big Data-Technologien (BITKOM 2014).Die Zahlen in den geschweiften Klammern verweisen auf die im Kapitel 6 vorgestellten Big Data-Einsatzbeispiele.Vgl. (BITKOM 2013b)9

die Auswahl einer geeigneten skalierbaren, offenenInfrastruktur {5, 7, 15, 16, 18, 23, 33, 39}, die auch dieDisruptives Potenzial – Verbindung von Branchenund IT-Know-howEinbeziehung weiterer Daten ermöglicht,An den Beispielen {09, 25} wird offenkundig, welch disrup ein ganzheitlicher Blick. Die Diskussion der Einsatzbei-tive Kraft aus der Verbindung von Kernkompetenzen einerspiele im Expertenkreis hat immer wieder bestätigt:Branche (z. B. Maschinenbau oder Finanzdienstleistungen)Mit den gleichen Daten lassen sich oft ganz un-und der IT erwachsen kann. Für die Ausgestaltung dieserterschiedliche Ziele verfolgen. Beim Blick auf DatenVerbindung sind mehrere Optionen denkbar: »Entwederergeben sich nicht selten viele wirtschaftliche Effekte.findet die Vermarktung des datenzentrischen Teils desAls großes Problem in den Unternehmen gilt, dassneuen Geschäftsmodells als ›Value Added Service‹ im»jede Kostenstelle nur für sich denkt«.Rahmen oder als Erweiterung des bestehenden Produkts( ) und Service ( ) der Muttergesellschaft statt. DabeiEinsatzgebiete und Strategieansätzenimmt der IT-Provider die Rolle eines unterstützendenDienstleisters ein. Oder das datenzentrische, digitaleSchwerpunkte im Big Data-Einsatz bilden zurzeit Handel,Geschäftsmodell ist unabhängig von einer VerbindungTelekommunikation, Finanzdienstleistungen und Auto-mit dem traditionellen Geschäftsmodell tragfähig undmobilindustrie (vgl. Kapitel 5).birgt einen signifikanten Mehrwert. In diesem Fall machtEine deutliche Mehrheit der Big Data-Beispiele (28 von 42)auch die Ausgründung als Start-up oder als Joint Venturedeutet darauf hin, dass die Unternehmen den Strate-gleichberechtigter Partner ( ) Sinn.« {9}gieansatz »Optimierung« verfolgen. In vielen Beispielengeht es darum, die Kunden und ihre Bedürfnisse besser zuverstehen. Es soll ein integriertes ZielgruppenmarketingBig Data in kleinen und mittelständischenUnternehmenaufgebaut werden, dass alle Marketingmaßnahmen konsistent auf die ermittelten Zielgruppen ausrichtet.»Durch den Einsatz von Big Data-Technologien könnenImmerhin rund ein Viertel der Beispiele weisen Kenn-heute mit überschaubarem Aufwand in kleinen Teamszeichen für die »Disrupt«-Strategie auf, in einigen FällenSoftwaresysteme entwickelt werden, die noch vor fünfzumindest potenziell.Jahren ausschließlich den weltweiten TechnologieführernDer Monetarisierungs-Ansatz ist mit lediglich drei Bei-vorenthalten waren. Auch kleinere Unternehmen undspielen vorerst kaum vertreten. Einige wenige Unterneh-Organisationen können ihre Produkt- und Servicequalitätmen wollen die Möglichkeit prüfen, in Zukunft Datenmithilfe des geschickten Einsatzes von Big Data-Techno-interessierten Kunden zum Kauf anzubieten {03}. Eslogien deutlich steigern und etablierte Unternehmen inwurde von Unternehmen berichtet, die den Wert ihrerpuncto Innovationsfähigkeit herausfordern.« {41}.Daten bewerten lassen, um Optionen für die Monetarisierung zu prüfen.Neue Lösungen für klassische DV-AufgabenSieben Beispiele lassen erkennen, dass die Unternehmenden Leverage-Ansatz umsetzen.»Big Data funktioniert – und rechnet sich – nicht ›nur‹Insgesamt dürfte die Situation typisch sein, dass sichbei riesigen, schnell wachsenden Datenmengen. DieUnternehmen des Wertes ihrer bereits vorhandenenzugrunde liegende Technologie erweitert den Lösungs-Daten erst schrittweise bewusst werden. Daraus lässt sichraum auch für klassische Datenverarbeitungsaufgaben.die Empfehlung ableiten, »den möglichen zusätzlichenBig Data kann so die Kosten reduzieren und die Projekt-Nutzen aus bereits routinemäßig verwendeten Datenlaufzeiten verkürzen.« {23}oder gar vermeintlichen Datenfriedhöfen nicht zu unterschätzen« {17}.10

Big Data und Geschäftsmodell-Innovationen in der Praxis: 40 BeispieleDatenschutz und Big Data-Einsatz 2.3 Anforderungen an die Praxisbeispieleund Begleitung durch ein ExpertenteamEin beachtlicher Teil der in diesem Leitfaden vorgestelltenBig Data-Einsatzbeispiele dient der Lösung technischerDie an die Praxisbeispiele gestellten Anforderungen sindHerausforderungen oder der Verbesserung von Geschäfts-in der Tabelle 1 zusammengefasst.prozessen. Bei diesen Beispielen sind keine personenbezogenen Daten betroffen, und der Datenschutz tritt inEin Expertenteam5 begleitete die Publikation. Seineseiner Bedeutung hinter die IT-Sicherheit.Aufgabe bestand darin, die Verfasser der Einsatzbeispieleerforderlichenfalls mit Hinweisen zu unterstützen. BeiBei anderen Einsatzbeispielen hingegen können Fehlerallen Einsatzbeispielen wurde kollektiv erörtert, ob diein der Beachtung datenschutzrechtlicher AnforderungenKriterien für Big Data6 eingehalten sind. Es zeigte sich:zum Stolperstein werden. Die Empfehlung lautet daherNicht immer sind bei den Praxisbeispielen alle vier Facet-{27}: »Die datenschutzrechtliche Betrachtung hat nichtten gleich stark ausgeprägt. Hier besteht ein Ermessen-nur bei der Entwicklung der Lösung einen großen Anteil,spielraum – einige Beispiele sind im Übergangsfeld zu Bigsie ist auch für jeden Geschäftskunden ein sensiblesData angesiedelt, stellen aber in jedem Fall anregendeThema, das sorgfältig und intensiv vermittelt und dis-Anwendungen dar.kutiert werden muss. Die Akzeptanz durch den Verbraucher ist eine Basisvoraussetzung für einen erfolgreichenEinsatz und zum Schutz der Reputation der einsetzendenUnternehmen.« In jedem Fall sind Transparenz, Kommunikation und proaktive Information über die konkreteVerwendung von Daten von großer Vorzugsweise wurden »Praxisbeispiele« aufgenommen, die bereits operativ sind. Überdie Aufnahme anderer Beispiele, die sich in noch früheren Phasen der Umsetzungbefinden, entschied das Expertenteam.AnwenderIn der übergroßen Zahl der Praxisbeispiele sollten die Unternehmen (Anwender undProvider) explizit genannt werden. In wenigen Fällen wurden anonymisierte Praxis beispiele zugelassen, wenn Anwender nicht genannt werden wollten.RegionDie Praxisbeispiele stammen mehrheitlich aus dem deutschsprachigen Raum. Siewerden durch wenige, besonders innovative Beispiele aus dem europäischen odernicht-europäischen Ausland ergänzt.UnternehmensgrößeBranchenViele Praxisbeispiele sollten den gehobenen Mittelstand sowie ein möglichst breitesSpektrum wichtiger Branchen insbesondere der deutschen Wirtschaft repräsentieren.Tabelle 1: Anforderungen an die Praxisbeispiele56Vgl. S. 7Vgl. Kapitel 311

2.4 Struktur des LeitfadensEine Begriffsbestimmung von »Big Data« findet sich inKapitel 3. Kapitel 4 bietet den konzeptionellen Rahmen fürdie systematische Einordnung der Beispiele und digitalenGeschäftsmodelle. Einen Überblick über die vorgestelltenBeispiele nach Branchenschwerpunkten, Einsatzbereichenund Strategieansätzen kann man sich in Kapitel 5 verschaffen, die detaillierte Beschreibung der Praxisbeispielefindet sich in Kapitel 6. Es folgen eine Typisierung von BigData Strategien in Kapitel 7 und Marktzahlen in Kapitel 8.Das Kapitel 9 enthält Anregungen zur Entwicklung vonBig Data-Projekten.12

Big Data und Geschäftsmodell-Innovationen in der Praxis: 40 Beispiele3 Big Data – eine BegriffsbestimmungBig Data unterstützt die wirtschaftlich sinnvolle Gewinnung und Nutzung entscheidungsrelevanter Erkenntnisseaus qualitativ vielfältigen und unterschiedlich strukturierten Informationen, die einem schnellen Wandel unterliegen und in bisher ungekanntem Umfang zu Verfügungstehen.Datenmenge (Volume)Datenvielfalt (Variety)Anzahl von Datensätzen und FilesFremddaten (Web e, semistrukturierte,Exabytesstrukturierte DatenPetabytesPräsentationen Texte Video Bilder Tweets BlogsTerabytesKommunikation zwischen MaschinenBig DataDatengenerierung in hoherGeschwindigkeitÜbertragung der konstant erzeugten DatenEchtzeitMillisekundenSekunden Minuten StundenGeschwindigkeit (Velocity)Erkennen von Zusammenhängen,Bedeutungen, MusternVorhersagemodelleData MiningText MiningBildanalytik Visualisierung RealtimeAnalyticsAbbildung 1: Merkmale von Big DataBig Data weist vier wesentliche Facetten auf (vgl. Tabelle 2und Abbildung 1).77Vgl. (BITKOM 2012)13

FacetteErläuterungDatenmenge (Volume)Immer mehr Organisationen und Unternehmen verfügen über gigantische Datenberge, die von einigen Terabytes bis hin zu Größenordnungen von Petabytes führen.Unternehmen sind oft mit einer riesigen Zahl von Datensätzen, Dateien und Messdaten konfrontiert.Datenvielfalt (Variety)Unternehmen haben sich mit einer zunehmenden Vielfalt von Datenquellen undDatenformaten auseinanderzusetzen. Aus immer mehr Quellen liegen Daten unterschiedlicher Art vor, die sich grob in unstrukturierte8, semistrukturierte9 und strukturierte10 Daten gruppieren lassen. Gelegentlich wird auch von polystrukturierten Datengesprochen. Die unternehmensinternen Daten werden zunehmend durch externeDaten ergänzt, beispielsweise aus sozialen Netzwerken. Bei den externen Daten sindz. B. Autoren oder Wahrheitsgehalt nicht immer klar11, was zu ungenauen Ergebnissenbei der Datenanalyse führen kann.Geschwindigkeit (Velocity)Riesige Datenmengen müssen immer schneller ausgewertet werden, nicht selten inEchtzeit. Die Verarbeitungsgeschwindigkeit hat mit dem Datenwachstum Schritt zuhalten. Damit sind folgende Herausforderungen verbunden: Analysen großer Datenmengen mit Antworten im Sekundenbereich, Datenverarbeitung in Echtzeit, Datengenerierung und Übertragung in hoher Geschwindigkeit.AnalyticsAnalytics umfasst die Methoden zur möglichst automatisierten Erkennung und Nutzung von Mustern, Zusammenhängen und Bedeutungen. Zum Einsatz kommen u. a.statistische Verfahren, Vorhersagemodelle, Optimierungsalgorithmen, Data Mining,Text- und Bildanalytik. Bisherige Datenanalyse-Verfahren werden dadurch erheblicherweitert. Im Vordergrund stehen die Geschwindigkeit der Analyse (Realtime, NearRealtime) und gleichzeitig die einfache Anwendbarkeit, ein ausschlaggebender Faktorbeim Einsatz von analytischen Methoden in vielen Unternehmensbereichen.Tabelle 2: Facetten von Big DataZusammenfassend bezeichnet Big Data den Einsatzgroßer Datenmengen aus vielfältigen Quellen mit einerhohen Verarbeitungsgeschwindigkeit zur Erzeugungwirtschaftlichen Nutzens.89101114z. B. Präsentationen, Texte, Video, Bilder, Tweets, Blogsz. B. Kommunikation von und zwischen Maschinenz. B. von transaktionalen ApplikationenVerstärken kann sich dieser Effekt bei unstrukturierten Daten, wie z. B. bei der Bildauswertung.

Big Data und Geschäftsmodell-Innovationen in der Praxis: 40 Beispiele4 Entwicklung und Design datengetriebenerGeschäftsmodelle – Morphologie12 4.1 Geschäftsmodelle –Begriffsbestimmung das Leistungsangebotsmodell, das Leistungserstellungsmodell und das Ertragsmodell.Ein Geschäftsmodell ist die modellhafte Darstellung einesUnternehmens. Es ist ein strukturiertes, vereinfachtesSie sind systematisch miteinander verbunden undAbbild der Realität und besteht aus Verknüpfungen unddrücken sowohl eine Beziehung zwischen den Unterneh-Elementen mit deren Eigenschaften und Beziehungen.menseinheiten als auch zum Kunden hin aus.Es abstrahiert das Funktionieren eines Geschäftes.Außerdem soll das Modell zudem einen sichtbaren Kun-Für den vorliegenden Leitfaden sind digitale Geschäfts-dennutzen aufzeigen und diesen beschreiben sowie nach-modelle von besonderem Interesse: Ein Geschäftsmo-haltige Wettbewerbsvorteile kennzeichnen und erläutern.dell wird als digital bezeichnet, »wenn VeränderungenDer Kundennutzen sowie der Nutzen, den weiteredigitaler Technologien mit fundamentalen Auswirkun-Wertschöpfungspartner aus einer Verbindung mit demgen auf die Durchführung des Geschäftsbetriebs sowieUnternehmen ziehen können, sollten ebenfalls aus einemauf die generierten Einnahmen eines UnternehmensGeschäftsmodell ersichtlich sein.einhergehen«.Ein Geschäftsmodell veranschaulicht darüber hinaus13die Gestaltung der Wertschöpfung, mit der der KundenFür den vorliegenden Leitfaden sind drei Teilmodelle einesnutzen generiert wird. Ein Unternehmen sollte sich mitGeschäftsmodells relevant:seinem Geschäftsmodell klar von seinen Wettbewerberndifferenzieren.14Teilmodell /PerspektiveErläuterungLeistungsangebot undMarktadressierung /Kunden und MarktInnerhalb dieses Modells wird festgelegt, welche Bedürfnisse des Kunden erfülltwerden sollen. Somit wird die Frage beantwortet, welchen Nutzen und Wert dasUnternehmen für Kunden und strategische Partner stiftet. (WAS)Leistungserstellung /Anbieter, Architektur derWertschöpfungHier wird definiert, wie die angebotenen Leistungen erbracht werden sollen. Dabeiwird die Frage beantwortet, wie der Nutzen für die Kunden generiert wird. (WIE)Ertragsmodell / Markt kapitalisierungIn diesem Modell wird definiert, auf welcher Erlösbasis die Preisgestaltungerfolgen soll. Und es wird die Frage beantwortet, wodurch Geld verdient werden soll.(WODURCH)Tabelle 3: Teilmodelle eines Geschäftsmodells121

6.15 {15} Brückner Maschinenbau GmbH &Co.KG – Industrie 4.0 und intelligente Maschinen 58 6.16 {16} adesso mobile solutions GmbH – Sich selbst verstehen: Ganzheitliches und wirtschaftliches Monitoring mobiler Services mit Open Source Big Data-Werkzeugen 60 6.17 {17} Sen