„Big Data“ (oder Massendaten) ist wohl eines der populärsten Schlagwörter der Marktforschung der letzten Jahre. Für uns als Marktforscher ist es allerdings im Grunde genommen nur ein praktisches Umsetzen wohlbekannter Arbeitsweisen. Mehr Daten bedeuten mehr ins Detail zu gehen bzw. mehr herunterbrechen zu können. Dies ist allerdings nur dann ein Vorteil, wenn man auch erkennt und versteht, was man dabei ausließt und sich nicht im „Datendschungel verläuft“.

Aber Big Data ist nur ein Teil der Lösung. Wonach man tatsächlich sucht ist „Big Insight“. Denn Big Insight ist das faktenbasierte Wissen oder die Informationen – also Daten – die, wenn man sie richtig hantiert, neue Wege der Entscheidungsprozesse eröffnen. Durch den Einsatz komplexer systematischer Anwendungen und „Werkzeuge“, bspw. der ökonometrischen Modellierung oder dem Data-Mining, wird schließlich tiefgehendere Einsicht in die Daten ermöglicht.

Und noch ein weiteres Aber: Big Insight basiert oft auf enormen Datenmengen, es müssen jedoch gar nicht immer zwingend Massendaten sein, die zum Erfolg führen. Eine kleine, „ausreichende“ Datenmenge, welche mit ökonometrischer Modellierung oder Data-Mining optimal analysiert und interpretiert wird, führt ebenfalls zu ganz neuen, tiefergehenden „Insights“, die das Unternehmen voranbringen können.

Leider verleiten die Gedanken hinter Big Data Mitarbeiter oft zu der Annahme, die Daten selbst und die damit verbundenen technischen Aspekte als Ziele zu betrachten. Big Insight hingegen fokussiert auf die betrieblichen Vorteile für das Unternehmen. Darum verwenden wir in unseren Projekten auch viel Zeit mit dem Arbeitsschritt der „Interpretation in die Geschäftssprache“ („interpretation into business language“) – und zwar in die Geschäftssprache unseres Klienten.

„Big Insight“ beschreibt die Möglichkeiten für das Unternehmensgeschäft, ”Big Data” alleine ist dabei – grob gesagt – nur für die Unternehmenschronik.

Der Schüssel zum Erfolgt ist, sich nicht alleine auf die Daten zu fokussieren, sondern die gegenwärtigen Entscheidungen mit den zugänglichen Daten maßgeblich zu verbessern. Oft sind nicht einmal große Investitionen in den Arbeitsschritten „Sammlung“ und „Aktivieren“ von Daten notwendig. Häufig sehen wir, dass kleine Datenmengen, gut und korrekt interpretiert, schneller und kosteneffizienter zu besseren und vor allem sichereren Entscheidungen führen.

 

Keywords:

• prädikative Modellierung
• maschinelles Lernen
• Data-Mining
• ökonometrische Modellierung