Big Data ist in der IT-Industrie und darüber hinaus allgegenwärtig, Spezialisten für dieses Thema ein begehrtes Gut. Doch welche konkreten Fähigkeiten und Kompetenzen werden am dringendsten benötigt, um Big-Data-Projekte erfolgreich umsetzen zu können? Die von Data Assessment Solutions (DAS) durchgeführte "IT-Skills-Studie 2014" liefert Antworten auf diese Frage und zeigt, wie weit das Thema Big Data die Unternehmen wirklich schon durchdrungen hat
Die IT-Branche spricht über Big Data, als gehörten entsprechende Anwendungen bereits zum Alltag. Die derzeitigen Anforderungen an die Kompetenzen potenzieller Mitarbeiter für Big-Data-Projekte sprechen aber eine andere Sprache. Am höchsten eingeschätzt werden Infrastruktur-Kompetenzen, um Big-Data-Umgebungen aufzubauen. Das ist eines der Ergebnisse der "IT Skills Studie 2014" von Data Assessment Solutions.
Die Ergebnisse der Studie von Data Assessment verschaffen IT-Projektverantwortlichen und IT-Service-Anbietern einen Überblick über die in Big-Data-Projekten benötigten Kompetenzen. Foto: T. L. Furrer - Fotolia.com
Es scheint, als stünde die Entwicklung noch ganz am Anfang. Ist die Big-Data-Infrastruktur einmal funktionsfähig, schlägt die Stunde der Datenanalysten. Diese stehen bei der Suche nach qualifizierten Mitarbeitern an zweiter Stelle. Gute Datenanalysten sollten Kompetenzen sowohl in Statistik, als auch in Datenintegration und -transformation auf hohem Niveau haben. Von erfolgreichen Datenanalysten wird ein enger Kontakt zur Fachabteilung erwartet. Das dort vorhandene Branchenwissen ist unverzichtbar, wenn man einen Mehrwert aus den gesammelten Daten generieren will.
Betrachtet man die Präferenzen für Kompetenzen im Bereich des Branchenwissens, dann zeigt sich, dass dieses Wissen für Big-Data-Projekte nur auf höchstem Niveau wirklich wesentlich ist. Das legt den Schluss nahe, dass schon bei der Definition von Big-Data-Projekten auf deren direkten Bezug zum Geschäft geachtet werden muss. Der Bezug sollte durch die Topkompetenz im Geschäftsbereich hergestellt werden.
Derzeit scheinen Präsentations- und Visualisierungskompetenzen potenzieller Mitarbeiter eine untergeordnete Rolle in Big-Data-Projekten zu spielen, so ein weiteres Ergebnis der Studie. Momentan sind hier wohl noch Standardlösungen, die einfach zu bedienen sind, vollkommen ausreichend, um die Aufgaben zu bewältigen.
Sieben Geschäftsmodelle für Big Data
Sieben Geschäftsmodelle für Big Data Die von BCG identifizierten sieben Haupterfolgsmodelle beinhalten eine Mischung aus B2C- und B2B-Angeboten.
1. Build to Order: Produkte und Services werden für Kunden maßgeschneidert - zum Beispiel, indem aus Location-Daten verschiedener GPS-Geräte eine individualisierte Verkehrsanalyse für ein städtische Planungsabteilung entwickelt wird. Vorteile dieses Modells seien der besondere Wert der Leistungen und die gesteigerte Kundenzufriedenheit. Dafür müssen die Kunden aber längere Wartezeiten in Kauf nehmen; überdies lassen sich die speziellen Produkte und Leistungen nur schwer weiterverkaufen.
2. Service Bundle: Verschiedene Angebote werden miteinander verschmolzen. Energiehändler können beispielsweise die Gas- und Stromversorgung und die Energiesparberatung zu einem Service-Paket schnüren. Das kann laut BCG sehr profitabel sein, Konkurrenz aus dem Markt treiben und Cross-Selling-Möglichkeiten eröffnen. Hinterher ist es aber schwierig, die Verkaufspakete wieder aufzulösen. Und den Kunden muss nicht schmecken, dass sie den Wert der einzelnen Komponenten nicht mehr mühelos in Erfahrung bringen können.
3. Plug and Play: Hier gibt es das immer gleiche Produkt für alle Kunden. Banken können beispielsweise Berichte über das Ausgabenverhalten ihrer Kunden verkaufen, die auf Basis gesammelter und anonymisierter Daten erstellt werden. Derartige Angebote lassen sich leicht zusammenstellen. Die Gefahr: Die Kunden könnte Personalisierung vermissen - und eventuell zur Konkurrenz flüchten.
4. Pay per Use: Bezahlt wird nur, was auch gebraucht wird. BCG nennt als Beispiel ortsabhängige Skisportversicherungen. So lassen sich gute Margen realisieren; allerdings fehlen stabile Umsatzquellen - und die Akquisitionskosten können ausufern.
5. Commission: Dauerhaftere Beziehungen lassen sich auf andere Weise etablieren. Zum Beispiel, indem Banken Kreditkartentransaktionen analysieren und Lokalen und Geschäften gegen Gebühr Rabatte gewähren. Diese basieren dann auf den generierten Umsätzen. Das Problem laut BCG ist hier die mangelnde Berechenbarkeit der Geldflüsse.
6. Value Exchange: In diesem Modell bietet ein Dritter, der zwischen Unternehmen und Kunde steht, Rabatte oder zusätzliche Services an. So lassen sich die vom Marketing gewünschten Gruppen gezielt ins Visier nehmen. Langfristig kann es auch BCG-Sicht aber unerwünscht sein, bei diesen Geschäften einen weiteren Partner im Boot zu haben.
7. Subscription: Abonnementlösungen sind laut BCG zum Beispiel im Healthcare-Segment möglich. So kann Patienten ein anonymisierter Informationsdienst angeboten werden, über den medizinische Befunde ausgewertet werden. Diese Geschäfte sind einerseits von stabilen und damit berechenbaren Umsätzen gekennzeichnet, dafür sind andererseits die Margen entsprechend niedrig.
Big-Data-Projekte verlangen nach überdurchschnittlich gut ausgebildeten Experten in den Bereichen Infrastruktur und Datenanalyse, so ein wichtiges Ergebnis der Studie, die auf der Web-Seite von Data Assessment Solutions kostenlos zum Download bereitsteht. Eine fundierte Weiterbildung in diesen Bereichen kann die Chance auf dem Arbeitsmarkt für das Zukunftsthema Big Data deutlich erhöhen. Im Umkehrschluss gilt für die Personalverantwortlichen, dass sie jetzt gezielt Talente im eigenen Unternehmen erkennen und fördern sollten, um gut aufgestellt zu sein, wenn die Projekte erfolgreich umgesetzt werden sollen.
Interessenten können außerdem beliebige Profilvergleiche durchspielen und unmittelbar sehen, wie sich die Änderung von Kompetenzniveaus auf die Gesamtbewertung auswirkt. Die ausgegebenen Nutzenwerte basieren auf den Ergebnissen der vorliegenden Studie.
Big Data: Handlungsempfehlungen
Big Data: Handlungsempfehlungen Was sind die Hauptursachen für Fehlschläge? Und was kann das Projektteam dagegen unternehmen?
Big-Data-Vorhaben konsequent auf die Unternehmensstrategie ausrichten.
Vollständigen Business Case mit Nachweis des Return on Investment erstellen.
Detailliertes Pflichtenheft verfassen und pragmatischen Plan mit Reserven für Unvorhergesehenes ausarbeiten.
Kommunikation zwischen allen Stakeholdern sicherstellen.