Detecon
EN

2019/06/12

Die Daten im Heuhaufen

Ihre Datenstrategie entwickeln | Smart Mobility Studie | Artikel #4
I

Inzwischen sollte der Wert von Daten jedem bekannt sein. Datenschutz, Big Data, Datenbanken: Diese Wörter hört oder liest man fast täglich in den Nachrichten oder in Fachmagazinen. Insbesondere für Unternehmen der Mobilitätsbranche werden Daten zu einem immer wichtigeren Bestandteil des Geschäftsmodells. Es wird gesammelt und gesammelt, aber die Use Cases zur Verwendung der Daten sind vielfach noch unklar. Gerade Unternehmen der Mobilitätsbranche sammeln und horten fleißig Infrastruktur- und Bewegungsdaten, obwohl sie sie noch nicht gewinnbringend verwenden können. Die wenigsten wissen bisher, was man mit den Daten machen kann und welche Daten man genau benötigt, um einen wirklichen Mehrwert generieren zu können. Datenstrategie – das unbekannte Wesen.

Im Rahmen der Detecon-Studie zu Smart Mobility (Preview Studie) haben wir mit diversen Akteuren der Mobilitätsbranche über das Sammeln und Verwerten von Daten gesprochen. Welche Daten werden benötigt, um die Mobilität der Zukunft zu gestalten? Wie gelangt man an diese notwendigen Daten? Wie entwickelt man eine Datenstrategie? Und wie gelingt es, aus den gesammelten Daten einen tatsächlichen Nutzen für die Gestaltung von Mobilitätsangeboten zu generieren?

Daten sind wichtig - aber welche genau sind das?

Was versteht man eigentlich genau unter Daten? Daten sind zum Zweck der Verarbeitung zusammengefasste Zeichen, die aufgrund bekannter oder unterstellter Abmachungen Informationen, also Angaben über Sachverhalte und Vorgänge darstellen (Gabler Wirtschaftslexikon).  In dem Use Case der Mobilität gehören dazu unter anderem Daten über die Reisenden selber, die Verkehrsinfrastruktur, die Mobility-Hubs und die Transportmittel.

Big-Data-Approach beim Sammeln von Daten

In Gesprächen mit Unternehmen der Mobilitätsbranche konnten wir einige interessante Erkenntnisse über die aktuelle Verwendung von Daten gewinnen. So verfolgen mehr als 50% dieser Unternehmen beim Sammeln von Daten einen Big-Data-Approach als Basis für eine Datenstrategie. Das heißt, dass die Unternehmen mit Blick in die Zukunft bereits möglichst viele Daten sammeln, auch wenn noch nicht mit allen ein Mehrwert generiert werden kann. Diese Aussage wird auch von einer Statistik aus dem Jahr 2017 gestützt, die zeigt, dass damals lediglich 36% der deutschen Unternehmen Big-Data-Lösungen im Einsatz hatten (Statista).

Heutzutage wird jedoch nicht nur eine große Anzahl von Daten gesammelt. Zeitgleich werden die verschiedensten Datenarten erhoben, was neue Anforderungen an die Systeme mit sich bringt. Daten müssen nicht nur in großen Mengen schnell integriert werden können, um beim stetigen Wandel der Geschäftsfälle mithalten zu können, sondern sie müssen ebenso schnell in geeigneter Form abrufbar sein.

Bei der Mehrzahl der befragten Unternehmen aus dem Mobilitätssektor wird der Wert von Daten als hoch eingeschätzt. Jedoch wird vor allem bei den Automobilherstellern der Wert von Daten derzeit noch unterschätzt und es gibt oftmals keine einheitliche Datenstrategie, welche die Basis für datengetriebene Lösungsansätze bildet. Der Umgang mit Daten ist oft noch nicht eindeutig geregelt, wird aber in den meisten Fällen zentral gemanaged, sofern eine geeignete Big-Data-Umgebung existiert. Die enorme Bedeutung von Daten zeigt sich auch in der Umsatzsteigerung mit Big-Data-Lösungen in Deutschland. Im Jahr 2016 erwirtschafteten Unternehmen 5,1 Mrd. Euro mit Big-Data-Lösungen. 2018 stieg die Zahl schon um 1,3 Mrd. Euro auf 6,4 Mrd. Euro an (Statista)

Datenstrategien und Datenmodelle – der erste Schritt zur Problemlösung?

Wie können Unternehmen dieses Problem lösen? Wie schaffen sie es, die wichtigsten Daten zu identifizieren und diese übersichtlich zusammenzustellen?

Abhilfe schaffen Datenstrategien und Datenmodelle. Eine Datenstrategie ist ein ausformulierter und zielorientierter Verfahrensplan, um Daten in Mehrwert zu verwandeln. Die Datenstrategie wird von der Unternehmensstrategie abgeleitet und zahlt daher langfristig auf die Erreichung der Unternehmensziele ein. Sie kann somit auch als Businessplan zur gewinnorientierten Datennutzung verstanden werden. In einer Datenstrategie werden Zeitvorgaben und der voraussichtliche Ressourceneinsatz sowie Rahmenbedingungen, sowohl technisch als auch in Bezug auf die Integration in das Unternehmen, definiert.

Relevant ist eine solche Strategie einerseits für Unternehmen, die nicht wissen, wie sie am Trend zur Datennutzung partizipieren können. Mit der Erstellung einer Datenstrategie gelingt es ihnen, eine Richtung und ein Zielbild vorzugeben, an dem man arbeiten möchte.

Andererseits können auch Unternehmen von einer Datenstrategie profitieren, die zwar bereits seit vielen Jahren große Datenmengen nutzen, sich aber nun mit einer Vielzahl von Problemstellungen und Projektherausforderungen konfrontiert sehen. Durch diesen Verfahrensplan können die Probleme, die in Bezug auf die Datennutzung in Projekten und unternehmensübergreifend existieren, erheblich reduziert werden (Data Science Blog).

Ein sogenanntes Meta-Datenmodell bildet die globale logische Struktur aller Daten eines Unternehmens ab und ist die Grundlage für die effiziente Verarbeitung großer Datenmengen. Dabei werden alle Daten strukturiert dargestellt und in eine greifbare und systematische Form gebracht. Das ermöglicht dem Unternehmen, den Überblick über die Vielfalt der Daten zu behalten (Gabler Wirtschaftslexikon).

Eine Datenstrategie und ein übergreifendes Datenmodell sind somit notwendig, um im Unternehmen ein klares Ziel und eine einheitliche Struktur zur Verwendung von Daten zu etablieren. Nur so ist es möglich, die wichtigsten Daten, mit denen neue Umsätze generiert oder auch bestehende Services und Prozesse verbessert werden können, zu identifizieren.
Trotz der enormen Vorteile, die eine Datenstrategie bietet, ist eine weitere Erkenntnis aus der Umfrage, dass in der Mobilitätsbranche die wenigsten Unternehmen über eine solch klar definierte Strategie verfügen.

Blühende Daten-Zukunft

Im Jahr 2016 lag der weltweite Umsatz mit Big-Data-Lösungen noch bei 27,3 Mrd. US-Dollar. 10 Jahre später, im Jahr 2026, wird der Umsatz mit Big-Data-Lösungen auf 92,2 Mrd. US-Dollar prognostiziert (Statista).  Das Geschäft boomt. Nicht nur der Umsatz steigt, sondern auch das Volumen der jährlich generierten digitalen Datenmengen weltweit wächst enorm an. Von 2018 bis 2025 sollen die Datenmengen von 33 Zettabyte um ca. 500% auf 175 Zettabyte anwachsen (Statista). Ein Zettabyte ist übrigens eine 1 mit 21 Nullen. Durch weitere Sensorik, digitale Dienste und Künstliche Intelligenz werden mehr und mehr Daten gesammelt und benötigt.

Zukünftige Algorithmen und neue Technologien müssen mit dieser Masse umgehen können, um schnell neue Daten und Datenarten in den Berechnungen verwenden zu können. Ein uniformes Datenmodell und die Verwendung einer Datenstrategie muss „die Spreu vom Weizen“ trennen. Wenn die relevanten Daten identifiziert worden sind und man sich auf diese konzentrieren kann, gehen die meisten Unternehmen der Mobilitätsbranche davon aus, dass sie selbstständig mit ihren gesammelten Daten umgehen können. Auch bei den Automobilherstellern, die derzeit noch keinen Big-Data-Approach fahren, soll in Zukunft gezielt nach den relevanten Daten gesucht werden.

Ein zentraler Use Case für die Mobilität der Zukunft sind intermodale Mobilität und dynamische Routenführung. Es geht nicht mehr um die Frage: Wie kommt man von A nach B? Sondern vielmehr geht es darum, wie man mithilfe der schnellsten, effizientesten und preisgünstigsten Auswahl an diversen Verkehrsmitteln von A über B nach C kommt. Dazu gibt es nicht die EINE perfekte Lösung. Es ist das Gesamtsystem, das funktionieren muss und dieses besteht eben nicht nur aus ÖPNV. Hinzu kommen Sharing-Dienste, Reisen mit dem Kleinbus, Fahrten mit dem Auto oder Fahrrad und Strecken zu Fuß. Um dieses Gesamtsystem realisieren zu können, wird eine Vielzahl an Daten benötigt, die zugänglich sein müssen. Eine Auswahl von Informationsquellen sind beispielsweise:

  • Live-Bewegungsdaten von möglichst allen Verkehrsteilnehmern
  • Störfälle wie Bahnausfälle, Bauarbeiten, Unfälle etc.
  • Historische Verkehrsdaten, mit denen man die Verkehrs- bzw. Personenflüsse prognostizieren kann
  • Demografische Daten (z.B. Bevölkerungsentwicklung, Sterberate, Geburtenrate, Bevölkerungswanderungen)

Die Datenquellen können dabei für jedes Unternehmen in der Mobilitätsbranche unterschiedlich sein. Die relevanten Daten müssen identifiziert werden, um den betrachteten Use Case realisieren zu können und eine Datenstrategie zu entwickeln. Hierzu müssen sich einzelne Unternehmen mehr und mehr öffnen und einen kooperativen Ansatz anstreben, der aufgrund übergreifender Daten- und Rollenmodelle wiederum zu einer höheren Komplexität führen kann. Helfen können dabei etablierte Datenmarktplätze, die klare Strukturen für den Austausch und die gemeinsame Nutzung von Shared Data liefern.

Eines steht fest: Der Heuhaufen an Daten wird auch in Zukunft nicht kleiner. Das gilt nicht zuletzt für Akteure der Mobilitätsbranche. Zunehmende Vernetzung, IoT und Künstliche Intelligenz werden den Datenberg kontinuierlich anwachsen lassen. Umso wichtiger wird ein souveräner Umgang mit den Datenmassen und die Entwicklung einer Datenstrategie sein. Unternehmen profitieren von einer offenen Haltung gegenüber neuen Methoden und Perspektiven auf ihrer Reise hin zu datengetriebenen Geschäftsprozessen und –modellen.

Weitere Einblicke in die Welt der Daten finden Sie auch in den kommenden Veröffentlichungen unserer Smart Mobility Studie und in weiteren Artikeln.

MaaS & Data Sharing: Fünf praxisnahe Fragestellungen

Data Sharing im Mobility-as-a-Service Zeitalter 

 

Die richtigen Daten identifizieren

Detecon hat ein Vorgehensmodell entwickelt, bei dem mithilfe eines strukturierten Prozesses die Fragestellung nach den wichtigen Daten im Unternehmen beantwortet wird. Gemeinsam mit den Kunden der Mobilitätsbranche können unternehmensspezifische Zielbilder erarbeitet, damit verbundene Use Cases entwickelt und die relevanten Datenquellen zur Kostenoptimierung und/oder Neugeschäftsgenerierung identifiziert werden. Hierzu kommt eine Kombination aus Methoden verschiedener Disziplinen zum Einsatz.

Für weitere Fragen zum Thema ....

Share this page