Big Data: Herrschaft über die Datenflut

20 Packungen Zwieback, 15 Gläser Essiggurken, 30 Beutel Mehl – jeden Freitagnachmittag ging Tante Emma mit Bleistift und Notizblock durch ihren Laden, inspizierte die Regale und teilte ihre Bestellung dann telefonisch ihrem Lieferanten mit. Pünktlich am Dienstagmorgen stand dieser mit den gewünschten Artikeln vor der Tür und Tante Emma konnte ihre Regale aufstocken. Kunden, die am Montag vergeblich versucht hatten, Zwieback zu kaufen, kamen eben einfach am Dienstag nochmal.

So geduldig wie zu Tante Emmas Zeiten sind die Kunden heute nicht mehr. Eine möglichst breite Palette an Waren muss täglich zu fast jeder erdenklichen Uhrzeit zur Verfügung stehen. Um diese Erwartungshaltung bedienen zu können, erfassen Händler ihre Warenbestände längst elektronisch und geben sie nahezu in Echtzeit an die Produzenten, Logistiker und Endkunden weiter. Dennoch kommt es immer mal wieder zu Verzögerungen und Ausfällen bei der Lieferung.

Die Händler haben „ein Ass im Ärmel“, das sie bei diesen Aufgaben entscheidend unterstützen kann. Es sind dies die Daten, die innerhalb der Supply Chain anfallen: Tracking-und-Tracing-Daten, Kostenaufschlüsselungen, Ressourcenplanungs- und Dispositionsdaten der Logistik sowie Daten aus dem Handel, etwa aus Warenwirtschaftssystemen, Bonusprogrammen, Onlineshops oder sozialen Medien. Statt diese wertvollen Informationen gesammelt auszuwerten und die Erkenntnisse daraus gewinnbringend einzusetzen, erfassen Unternehmen sie oft nur in den einzelnen Fachbereichen, wo sie in separaten „Datensilos“ verstreut liegen. Im Schnitt bleiben nach Erfahrungen des Datenanalyse-Spezialisten Teradata 80 Prozent der Daten ungenutzt, viele Entscheidungen werden nach wie vor aufgrund persönlicher Erfahrungen getroffen.

Unfassbar große Datenmengen

Der Grund, warum dieses Potenzial oft noch nicht ausgeschöpft wird, ist das Handling der sogenannten Big Data, das vielen IT-Verantwortlichen im Einzelhandel noch Kopfzerbrechen bereitet. Denn Big Data bedeutet nicht nur, dass Daten in einer unfassbar großen Menge vorliegen, sondern vor allem auch, dass sie eine unterschiedliche Struktur haben. Schließlich lassen sich Kommentare aus sozialen Medien oder Video-Produktbewertungen nicht wie numerische Tracking- oder Finanzdaten einfach in Tabellen ablegen und miteinander kombinieren.

Dabei wäre es doch gut möglich, dass sich in der schnelllebigen Bloggerszene plötzlich ein bestimmter Turnschuh als „Fashion-Must-Have“ entpuppt, während gleichzeitig das Controlling des Herstellers empfiehlt, die Produktion eben dieses Modells aus Kostengründen einzustellen. Wenn diese Informationen aus verschiedenen Quellen miteinander verknüpft und analysiert werden, lassen sich solche komplexen Zusammenhänge erkennen.

Neben der Menge und der Struktur der Daten liegt die dritte und wichtigste Herausforderung von Big Data in dem Faktor Geschwindigkeit. Je schneller und somit aktueller die Daten aus der Versorgungskette zwischen Händler und Logistiker analysiert werden können, desto effizienter lassen sich einzelne Prozesse gestalten. Das Ziel von Big Data-Analysen muss also sein, die richtigen Daten in der richtigen Verknüpfung zur richtigen Zeit im richtigen Detaillierungsgrad beim richtigen Mitarbeiter zu haben, damit dieser die richtige Entscheidung fällen kann. Um dies bewerkstelligen zu können, muss allerdings zuerst seitens der IT die richtige Grundlage geschaffen werden.

Informationsdrehscheibe Handel

Innerhalb eines Logistiknetzwerks stellt das Handelsunternehmen die Informationsdrehscheibe dar, die den Bedarf des Marktes mit den Kapazitäten des Netzwerks abgleichen muss. Im Handelsunternehmen muss also eine einheitliche und konsistente Datenbasis gebildet werden, in der sämtliche verfügbare Daten für alle Beteiligten des Netzwerks zur integrierten Analyse bereitstehen. Ideal hierfür ist eine übergreifende Architektur, basierend auf einem Data-Warehouse-System und um aktuelle Big-Data-Technologien erweitert. Anstatt in ihre eigenen Datensilos speisen also alle Mitarbeiter aus den verschiedenen Abteilungen ihre Daten in das übergreifende System ein. Gleichzeitig können sie über dieses System wieder auf diese und viele andere Daten zugreifen und sie integriert analysieren.

Eine solche Architektur ist in der Lage, auch große Mengen unterschiedlich strukturierter Daten zu analysieren und in kurzer Zeit verlässliche entscheidungskritische Ergebnisse zu liefern. Durch verschiedene Kontrollmechanismen können Zugänge individuell geregelt und somit auch hohe Anforderungen an den Datenschutz eingehalten werden. In jedem Fall kann jeder Mitarbeiter auf eine aktuelle und konsistente Version der für ihn relevanten Datensätze zugreifen und somit zur Optimierung der Versorgungskette beitragen.

Die Ergebnisse einer solchen integrierten Analyse können beispielsweise dazu beitragen, den Endkundenbedarf besser und vor allem früher zu prognostizieren und damit die Logistikkette idealerweise zu verschlanken und zu optimieren. Außerdem lassen sich Streuverluste bei Beständen und Ressourcen minimieren. Mittels tagesaktueller Prognosen können kurzfristige Entwicklungen wie etwa wetterbedingte Nachfrageschwankungen unmittelbar bedient und Preise für einzelne Produkte je nach Angebot und Nachfrage dynamisch angepasst werden. Auch für das Marketing ergeben sich Vorteile aus der Big-Data-Analyse: Während sich im Handel die einzelnen Produkte oft immer weniger voneinander unterscheiden, können eine leistungsfähige Logistik und eine bedarfsgerechte Warenversorgung einen Wettbewerbsvorteil bringen.

Foto: Teradata