Bereits viele kleine und mittlere Unternehmen haben die Macht der Big Data erkannt. Durch die Nutzung der Big Data in KMUs können diese Unternehmen Kosten sparen, Prozesse optimieren und einen besseren Kundenservice schaffen. Doch leider gibt es Herausforderungen, welche sich KMUs im Gegensatz zu großen Unternehmen stellen müssen. Diese Herausforderungen kommen vor allem aufgrund der fehlenden finanziellen Ressourcen zustande. Im nächsten Abschnitt sollen diese Hürden, welche bei der Aufnahme und Nutzung von Big Data in KMU entgegenstehen, erläutert werden.
1. Dateninterpretation
Die Dateninterpretation bezieht sich nicht auf die Interpretation der analysierten Daten, sondern auf das Verständnis des Nutzers, wie Daten interpretiert werden können. Dies bedeutet, dass kleine Unternehmen oftmals nicht in der Lage sind zu erkennen, welche Möglichkeiten verschiedene Daten schaffen können. Beispielsweise, dass die Nutzung von Analysen aus dem Marketingbereich und deren Umsetzung in der Praxis, eine enorme Steigerung des Kundenservice hervorrufen können. Hierbei ist es zusätzlich möglich, dass Daten mit enormen Potentialen unbetrachtet bleiben und Daten, ohne große Aussagekraft fälschlicherweise analysiert werden und zu falschen Erkenntnissen führen.
Dies ist vor allem der fehlenden Erfahrung und den finanziellen Ressourcen geschuldet. Große Unternehmen sind in der Lage Berater und Analysten für jeden Bereich des Unternehmens anzustellen. In KMUs müssen diese Aufgaben zusätzlich die Mitarbeiter eines Bereiches erfüllen. [1]
Lösung hierfür könnten Schulungen für Mitarbeiter sein, welche zwar einmalig hohe Kosten verursachen, jedoch langfristig höhere Kosten einsparen können.
2. Datenerfassung
Ein großes Problem in der Erfassung von Daten ist nicht die Menge der Daten, sondern die Qualität. Trotz vieler Tools, welche es KMUs kostengünstig ermöglichen Daten zu erfassen, ist das Problem der Datenqualität weiterhin vorhanden. Wie sind die Unternehmen in der Lage qualitative Daten der Kunden zu erfassen? Wie können diese Daten in quantitative Daten umgewandelt werden? Wie kann sichergestellt werden, dass die Daten standardisiert und korrekt sind? All diese Fragen müssen sich KMUs stellen. [2]
3. Datensilos
Datensilos sind das Kryptonit der Big Data. Einerseits enthalten sie alle Informationen und Daten, welchen in bestimmten Bereichen, mit bestimmten Tools gesammelt wurden. Andererseits sind diese Silos, aufgrund der unterschiedlichen Tools voneinander getrennt und nur schwer miteinander zu verbinden. Um diese Daten nun zu analysieren und Erkenntnisse zu gewinnen, müssen die Datensilos aufgebrochen und miteinander verbunden werden. Dies ist jedoch der Grund dafür, dass Entscheidungen teilweise so lange in Unternehmen dauern.
Lösung hierfür ist eine Datenintegration.[3]
4. Datenintegration
Wie bereits erwähnt erfordert es eine Datenintegration, um Datensilos aufzubrechen und mit unterschiedlichen Tools gesammelte Daten miteinander zu verbinden. Doch selbst bei der Datenintegration, als Lösung der Datensilos, gibt es Hürden, welche sich Unternehmen stellen müssen.
Eine Hürde stellt die technische Unfähigkeit dar. Unternehmen sind nicht in der Lage technische Systeme einzuführen, welche unterschiedliche Datenquellen über Datenbanken miteinander verbinden können. Zusätzlich könnte eine geringe Bandbreite eine Hürde darstellen. Besonders problematisch ist auch der hohe Zeitaufwand, als Folge der Neuformatierung von Daten. Die Neuformatierung ist jedoch erforderlich, damit die Daten für die Integration miteinander kompatibel sind. Grund für die Hürden sind vor allem fehlende personelle Ressourcen, welche entsprechendes Wissen zu dieser Thematik besitzen.
5. Datenanalyse
In einem Unternehmen fallen täglich unterschiedlichste Daten an, die unterschiedliche Dimensionen, wie Zeit, Produktkategorie oder Demografie besitzen. Um jedoch sinnvolle Erkenntnisse zu erschließen müssen oftmals viele Dimensionen gleichzeitig betrachtet werden. Dadurch steigt der Aufwand der Analyse um ein Vielfaches an. Da dies für den Analysten viel zu aufwendig und komplex ist, werden häufig automatisierte Analyseprogramme eingesetzt. Hierbei treten weitere Hürden auf. Das Fehlen von Tools, welche im Vornherein den Analysten beraten, welche Analysen sinnvoll sind, ist ein großes Problem. Ist der Analyst nicht in der Lage selbst zu erkennen, welche Analysen nützlich sind, so kann es häufig zu Analysen von Daten kommen, welche leere oder falsche Erkenntnisse erzeugen. Weiterhin fehlt es Unternehmen oft an Tools, welche automatisiert Datenbereinigungsprozesse während der Analyse ausführen können. Ohne diese Tools muss der Analyst enorm viel Zeit aufbringen um Erkenntnisse zu erzielen. Hauptsächlicher Grund für diese Hürden ist der Mangel an Tools auf dem Markt, welche für automatisierte Datenbereinigung und Analyse dienen. Zusätzlich stellen die Kosten für jene Programme eine zusätzliche Hürde dar, welche KMUs meist nicht überwinden können.[4]
6. Priorität
Während die vorherigen Hürden eher technischer Natur sind, sind diese Hürden menschlicher Natur. Trotz des Wissens der Unternehmer, dass die Nutzung von Big Data große Vorteile birgt, schaffen es die Unternehmen nicht, den Schritt in Richtung Big Data zu gehen. Dies kann mehrere Gründe haben. KMUs sehen oftmals nur den kurzfristigen Erfolg. Sie sind unfähig, den Wert zu erkennen, welchen Big Data Analytics langfristig im Unternehmen erzielen können. Zusätzlich dazu kommt die Hemmung hohe Investitionskosten für Analysetools und Software aufzubringen, für welche ein langfristiger Erfolg nicht garantiert ist. Als problematisch wird zudem der Zeitaufwand betrachtet, welche für die Implementierung eines Analysetools erforderlich ist. KMUs setzten hierbei eher die Priorität auf operative Aufgaben, welche zu jenem Zeitpunkt einer höheren Wert zu erzielen scheinen.[5]
Fazit
Bei der Nutzung von Big Data in KMUs gibt es unterschiedliche Hürden und Herausforderungen mit denen die Unternehmen zu kämpfen haben. Hierbei kristallisiert sich jedoch heraus, dass es 4 Hürden gibt, welche die Hauptgründe für alle entstehenden Hürden darstellen. Diese Gründe sind:
- das Nichterkennen der Vorteile von Big Data
- fehlende finanzielle und personelle Ressourcen
- notwendiges Know-How und
- die fehlende Initiative Big Data zu Nutzen.
Das Nichterkennen der Vorteile von Big Data führt dazu, dass Big Data als notwendiges Übel erkannt werden und Big Data Analytics meist nur in der Hintergrund verschoben werden und anderen Aktivitäten eine höhere Priorität zugeordnet wird. Dies geht einher mit der fehlende Initiative Big Data zu nutzen. KMUs setzen hierbei oft die Priorität auf operative Aufgaben, welche schnell Erfolge erzielen, als auf kostenintensive, langfristige Investitionen ohne genaue Erfolgsgarantie.
Fehlende finanzielle und personelle Ressourcen führen letztendlich dazu, dass die KMUs nicht in der Lage sind spezielle Analysten anzustellen oder kostenintensive Analysetools zu erwerben.
All diese Probleme und Hürden sorgen letztlich dafür, dass die Nutzung der Big Data in KMUs verwehrt bleibt.
Quellenangaben
[1]Vgl. Su, Bill (9.9.2017): „5 key factors holding small businesses back from joining the „data revolution““, unter: https://medium.com/analytics-for-humans/5-key-factors-holding-small-businesses-back-from-joining-the-data-revolution-6b95618deb7f (23.11.2018).
[2]Vgl. Su, Bill (9.9.2017): „5 key factors holding small businesses back from joining the „data revolution““, unter: https://medium.com/analytics-for-humans/5-key-factors-holding-small-businesses-back-from-joining-the-data-revolution-6b95618deb7f (23.11.2018).
[3] Rombaut, Vanessa (7.2.2018): „Top 5 Problems with Big Data“, unter: https://www.piesync.com/blog/top-5-problems-with-big-data-and-how-to-solve-them/ (23.11.2018).
[4]Vgl. Su, Bill (9.9.2017): „5 key factors holding small businesses back from joining the „data revolution““, unter: https://medium.com/analytics-for-humans/5-key-factors-holding-small-businesses-back-from-joining-the-data-revolution-6b95618deb7f (23.11.2018).
[5] Vgl. Ebd.
