Smart Data - Warum Big Data gerade ins Tal der Enttäuschung rauscht und wie wir da wieder rauskommen
This is a modal window.
The media could not be loaded, either because the server or network failed or because the format is not supported.
Formal Metadata
| Title |
| |
| Title of Series | ||
| Number of Parts | 11 | |
| Author | ||
| License | CC Attribution 3.0 Unported: You are free to use, adapt and copy, distribute and transmit the work or content in adapted or unchanged form for any legal purpose as long as the work is attributed to the author in the manner specified by the author or licensor. | |
| Identifiers | 10.5446/43608 (DOI) | |
| Publisher | ||
| Release Date | ||
| Language |
Content Metadata
| Subject Area | ||
| Genre | ||
| Abstract |
|
data2day 20156 / 11
8
10
00:00
AlgorithmComputer networkRow (database)Data typeEigenvalues and eigenvectorsVelocityInformation and communications technologySet (mathematics)Computer programmingPerspective (visual)PredictionPyramid (geometry)Series (mathematics)Game theoryStaff (military)Wind waveDigital filterPhysical quantityVarianceDatabaseDigital signalInformation technology consultingLIGA <Programm>Real-time operating systemSoftware testingCHART <Programm>Programmer (hardware)VolumeUniformer RaumDecision theorySmart cardPlane (geometry)DatenerhebungMoment (mathematics)PositionPer milProzessorHypothesisStreckeEmailLink (knot theory)Diallyl disulfideSummationCASVersion <Informatik>Motif (narrative)Analytische KapazitätVERKAUF <Programm>EckeALT <Programm>UnterprogrammASSIST <Programm>Musical ensembleSummierbarkeitHand fanFast <Prozessor>InternetSocial classConstraint (mathematics)Mischung <Mathematik>Two-dimensional spaceThree-dimensional spaceoutputElectric currentTiefeMORSE <Programm>Decision tree learningSpoke-hub distribution paradigmTermumformungMicrosoftKerr-LösungDirection (geometry)AgreeablenessNoten <Programm>Sharp <Marke>Sound effectSound <Multimedia>Abstieg <Mathematik>Durchschnitt <Mengenlehre>SupremumBALL <Programm>TransmissionskoeffizientHookingComputing platformBlogWeb serviceConcurrency (computer science)ArmGoogleContext awarenessPermanentForestFacebookDigital RevolutionGrand Unified TheorySlide ruleHypercubeStress (mechanics)Negative numberSMART <Compiler-Compiler>Virtual memorySign (mathematics)Informationstechnische IndustrieActive DirectoryPasswordHTTP cookiePayPalLecture/Conference
Transcript: German(auto-generated)
00:06
Danke, dass ich hier sein darf bei euch. Normalerweise spreche ich oder meistens spreche ich zu Leuten, die weniger Ahnung haben von IT als ich. Das ist natürlich für mich heute eine etwas schwierige Situation bei euch,
00:21
dass ich gewissermaßen, was das Technische angeht, eher mit so einem stumpfen Taschenmesser in die Höhle des Löwen kommen muss. Das heißt, ich werde in den nächsten 45 Minuten oder 60 Minuten überhaupt nicht versuchen, den Eindruck zu erwecken, dass ich besser weiß, wie man aus kleinen oder großen oder mittleren Datenmengen,
00:43
mit welchen technologischen Mitteln, welchen Mehrwert herausquetschen kann. Das wisst ihr besser als ich. Was ich in den nächsten 60 Minuten mit euch reflektieren möchte, ist die Frage, wie schauen eigentlich Business-Entscheider auf das, was ihr macht, was ihr ihnen anbietet,
01:04
und wo sind gewissermaßen deren Wundenpunkte. Und das möchte ich machen, gewissermaßen ausgehend von dem Image und dem Status quo, den der Begriff Big Data zurzeit hat,
01:21
und wie er in den letzten, seit es ihn gibt, dahin kam, wo er jetzt ist. Fangen wir doch mal so an. Wer von euch arbeitet heute für ein Unternehmen, wo nicht irgendwo der Begriff Big Data drauf steht?
01:43
Danke? Null Prozent? Oder habe ich einen übersehen? Null Prozent? Ach doch, einen. Das ist ja ärgerlich. Grabsteine? Nein.
02:04
Okay, diese Datenabhebung ist natürlich jetzt nicht solide. Wie war das denn vor fünf Jahren, 2010? Wer hat dafür ein Unternehmen gearbeitet, wo vermutlich der Begriff Big Data noch nicht Teil des Marketings war?
02:24
Okay, 50, 60 Prozent. 2005? Jetzt wäre ich ja mal gespannt, von denen die behaupten, dass sie 2005 schon Big Data verkauft haben.
02:40
Und dass das auch so hieß. Ich bin zum ersten Mal auf den Begriff Big Data, ich glaube im Jahr 2008 gestoßen, und zwar im Kontext des Google-FluTrain-Cases. Die meisten von Ihnen werden ihn kennen. 2008 kam Google mit einer Studie raus, in der stand, wir können besser als die dafür zuständige Behörde in den USA voraussagen,
03:12
wo eine Grippe-Epidemie in den USA ausbricht und wo sie in welcher Geschwindigkeit wohin wandern wird und da welche Stärke erreichen wird.
03:26
Und die Behauptung in dieser Studie war, wir können das ganz einfach, indem wir uns anschauen, wo die Leute nach irgendwie, wo ist die nächste Apotheke googeln oder meine Nase läuft, was soll ich tun und so weiter.
03:42
Und quasi wenn sie die richtigen Keywords entdeckt haben, in Echtzeit wissen, okay, da ist ein Outbreak. Und so wie wir das aus der Vergangenheit beobachtet haben, bedeutet das, die wird vermutlich, da sind so viele Autos, von Boston nach New York fahren, als nächstes irgendwo zwischen New York und Boston sich ausbreiten und so weiter.
04:06
Super Geschichte. Kaum ein Trendtag, auf dem diese Geschichte nicht erzählt wurde. Google ist ja eh ziemlich gut darin, tolle Videos darüber zu drehen, wie groß der gesellschaftliche Mehrwert ihrer Innovationen ist.
04:27
Ja. Und das war in meiner Wahrnehmung, zumindest aus meiner publizistischen Perspektive, der Ausgangspunkt dieser riesen Karriere, die der Begriff Big Data gemacht hat. Denn dieser Fall Google Flu Chance kann sehr genau vorhersagen, wo eine Grippe hinwandert,
04:44
und zwar viel besser als die Institution, die händisch von Ärzten Krankendaten abfragt, dann eine Woche irgendwie später aggregiert und es dann irgendwie versucht daraus statistisch vorauszuberechnen. Die hat im Grunde alles erzählt, was Big Data an Versprechungen in die Welt gesetzt hat.
05:06
Und die größte dieser Versprechungen, eine Formulierung, die mittlerweile in jedem verdammten Meeting Room, von jedem verdammten Unternehmen gefallen ist, ist natürlich, Daten sind das neue Öl. Diese Formulierung stand 2008 in einem Artikel im Economist, des Kollegen Kuckier,
05:26
der die Überschrift hatte, data, data everywhere, data is the new oil. Und das ist natürlich ein brillantes Bild. Öl kann man fördern und dann verwenden. Und es ist ja klar, die Wertschöpfung bei Öl ist echt super geil, weil irgendwie es billig zu fördern und teuer zu verkaufen und so machen wir das in Daten in Zukunft auch.
05:44
Das ist die eine Dimension, riesige Business Gewinne, wenn wir die Daten als Öl fördern können. Die zweite Dimension ist die Allmachtsfantasie, im Positiven wie im Negativen. Plötzlich heißt es, zumindest die NSA und vielleicht auch Facebook,
06:02
kann gewissermaßen den Stand der Welt jetzt in Echtzeit ablesen. In jeder Dimension, in der sie das schneiden möchte. Oder gerne im Marketing auch gewandert in seiner negativen Form. Junge, wenn du Big Data nicht nutzt, dann fühlst du dich wie jemand,
06:24
der mitten auf der Autobahn steht, aber dummerweise die Augen verbunden hat. Geoffrey Moore, geh nun. Wie das halt so ist mit Informationstechnologien. Die kommen halt als Großmäuler auf die Welt und sie versprechen verdammt viel.
06:50
Und wie viel sie dann halten, das weiß man dann später. Und die klugen Kollegen von Gartner haben uns ja irgendwie schon Anfang oder Mitte der 90er Jahre
07:03
diesen schönen Hype Cycle irgendwie zur Analyse dieses Phänomens, von neuer IT-Technologie kommt in die Welt und macht große Versprechungen und alle stürzen sich drauf und wollen es unbedingt haben. Und dem, was dann danach passiert, nämlich die Enttäuschung, dass überraschenderweise die erste Version eines Microsoft-Programms
07:24
und oder anderen jeder anderen Informationstechnologie komischerweise sich nicht so schnell erfüllt, wie behauptet. 2011 ist der Begriff Big Data zum ersten Mal im Hype Cycle aufgetaucht.
07:44
2012 war, wie Alex schon angekündigt hat, auch für Deutschland irgendwie ein Durchbruch des Big Data Begriffs, weil da erschienen das Standardwerk dazu, Data Unser. 2013 ist was sehr Interessantes passiert.
08:03
Also die beiden, mit denen ich das geschrieben habe, der eine ist der Leiter digital bei Roland Berger, Schlauer Fuchs, Björn Blohing, also klassische, also wirklich so erste Liga Beraterprozessor im Kopf, alles sofort analysiert. Und der zweite, der war damals auch noch bei Roland Berger, ist mittlerweile der Leiter der Abteilung Digitale Transformation bei der Metro-Gruppe
08:23
und leitet da irgendwie einen Stab von 30, 40 Leuten, die Olaf Koff, also dem CEO von der Metro beibringen sollen, wie das so ist im Offline-Handel und wie man vielleicht mit Offline-Handel, im Offline-Handel Daten irgendwie sinnvoll einsetzen sollte. Jedenfalls, wir drei wurden, nachdem wir dieses, wir waren Teil des Spiels,
08:42
also nachdem auch wir diese ganzen Versprechungen in Data Unser gemacht haben, ey, hier ist neue Öl, nichts bleibt wie es war, genauso wichtig wie die Erfindung des elektrischen Stroms. Auch wir lasen dann 2013 diesen Artikel, The Nature, beziehungsweise ich glaube ich habe ihn ebenfalls im Economist entdeckt,
09:01
den Artikel darüber, das zwei Wissenschaftler aus Chicago herausgefunden hatten, huch, Google Flu-Trans funktioniert ja schlechter als die klassische Methode der Ärzte, Daten irgendwie händisch zu notieren und irgendwo hinzuschicken. Dass der Case, der den Ausgangspunkt des großen Big Data Hapes gemacht hatte,
09:26
im Grunde in der Luft zerplatzte wie eine Seifenblase, weil Flu-Trans weder die Schweinegrippe von 2009 mitgekriegt hatte, andere große Grippen hervorhergesagt hatte, die dann nie gekommen sind
09:43
und auch sonst echt mies war, insbesondere nicht mal so sehr in den Wegen, welchen Weg eine Grippe entdecken sollte, sondern vor allen Dingen wie stark sie und wie aggressiv sie sein wird. Und wir, Lars, Björn und ich, die irgendwie immer schön auf irgendwelchen Managementforen eingeladen worden waren
10:03
und die alle so Leute mit großen Augen uns angeguckt haben und gesagt haben, er erzählt uns mal, es geht, es ist ein neuer Öl und die Date fragt die Maschine und dann sagt die uns, was sie zu tun haben, geil. Wir wurden immer mehr mit der Rückfrage konfrontiert, sagt mal, was ihr uns jetzt so die letzten Jahre alles erzählt habt,
10:21
also ihr als Teil eines Systems, Systems Big Data Type. Wir haben da auch mal ein bisschen was versucht und wir haben auch irgendwie mal schon auch an der einen oder anderen Stelle mal 50 Millionen in die Hand genommen und komischerweise hinterher stellten wir fest, es ist gar nicht besser als vorher,
10:40
weil auch unser ERP-System, das wir 1993 eingeführt haben und dann irgendwie Stückwerkartig immer weiter irgendwie erweitert haben, irgendwie dafür gar nicht ausgelegt worden war und außerdem, ja eigentlich, wir hatten schon den Eindruck, dass wir Erkenntnisse haben, aber die Leute, die die haben könnten, die nutzen die Tools eigentlich überhaupt nicht,
11:01
weil sie ihnen zu komplex sind. Also all das, all die Erfahrungen, die die IT-Industrie im Grunde bei jeder Einführung einer wichtigen Technologie gemacht hat, ließen sich eins zu eins im Halbcycle auf Big Data übertragen und jetzt können wir darüber diskutieren, ob vielleicht meine Wahrnehmung extrem ist,
11:26
wie stark das bei dem einen oder anderen auch der Fall war, aber ich glaube Konsens ist, also wie stark gewissermaßen die Behauptung war und wie tief jetzt die Enttäuschung rutscht. Wir haben hier 2014, 2015 ist nicht raus,
11:42
aber vermutlich wird es dann da irgendwo schon relativ weit unten sein. Ich glaube, wir sind auf der sicheren Seite, wenn wir feststellen, ja, der Begriff Big Data wurde verbunden immer mit der Vorstellung, Big Data ist gleich Big Bang, im Idealfall mit Daten ein neues Geschäftsmodell entdecken
12:05
und übrig geblieben ist bei vielen, nachdem sie investiert haben, nachdem sie getestet haben, nachdem große Unternehmen, war IBM gestern hier, glaube ich, habe ich gehört, die haben gesagt, dass sie bis 2020 jetzt alles vorhersagen können, interessant. Jedenfalls, nachdem viele echte Enttäuschungserfahrungen gemacht haben,
12:25
sind sie gelandet bei der Aussage des Professors for Public Risk in Cambridge, der eines David Spiegel hatte, der sagt, Big Data ist eigentlich nicht so richtig Big Bang, sondern eher so Big Bullocks.
12:44
Ich habe es eben schon angedeutet. Auch das haben, wie bei der Einführung anderer IT-Technologien, die meisten Leute, die sich auf das Big Data-Thema eingelassen haben, aus Management-Sicht, haben irgendwie das erlebt.
13:04
Sie haben festgestellt, irgendwie Datensilos zu knacken, war schon immer schwierig, weil das Marketing findet das echt geil, wenn es die Sales-Daten haben kann und umgekehrt. Sie finden es aber nicht so gut, wenn sie den Dingen geben müssen. Wir haben das, was ich angedeutet habe, dieses Problem in der IT-Infrastruktur,
13:22
dass im Grunde die Kompatibilität der neuen Big Data-Tools mit dem, was in den meisten Unternehmen an IT-Infrastruktur vorhanden ist, ganz oft nicht kompatibel ist. Auf der dritten Ebene, das habe ich noch nicht angesprochen, jene Leute, die professionell damit befasst sind, Dinge zu verhindern und die bei Big Data natürlich in zweiten Frühling erlebt haben.
13:49
Wir haben Google Flu-Chains. Hey, wir können alles. Und wir haben das, wovon ihr natürlich profitiert oder viele von euch. Wir haben das Problem der knappen Ressource von Leuten wie euch.
14:02
Das ist natürlich geil von euch. Ich weiß, die vielen Anrufe von Hetterhunter nerven auch langsam. Aber aus Management-Perspektive, die blickt natürlich so drauf, dass ich denke, selbst wenn ich das irgendwie mit den Silos in den Griff kriege und selbst wenn wir irgendwie die richtigen Tools identifizieren, die wir uns auch leisten können
14:23
und wenn meine Hausjuristen irgendwie sehr kooperativ sind, dann fehlen mir immer noch die Leute, die Truppe, die dann den Ball auch mal aus dem Ballpark raushaut.
14:44
Wie fühlen sich viele Entscheider aus den Business Lines, wenn sie auf das Thema Big Data heute gucken? Irgendwie ziemlich ambivalent. Das, was ich eben beschrieben habe, ist die eine Seite der Medaille.
15:01
Verdammte Hacke, muss ich mir das wirklich antun. Alles so kompliziert. Das ist die andere Seite. Die waren ja auch schon mal auf der DMAXCO. Die haben ja auch mitgekriegt, dass es da im Valley ein paar Jungs gibt, die sich überlegt haben, ich könnte sie mal unterbrechen.
15:21
Also ihr Geschäftsmodell und die nennen das dann halt Disruption. Und das Gefährliche an der Disruption ist, dass es ja mehr ist als ein kluges Konzept aus dem Innovative Dilemma, sondern zusätzlich auch noch ein Lebensgefühl von Leuten,
15:41
die eben diese technische Ressource, die im Kopf die Ressourcen haben, um das technische Problem zu knacken. Und aus dieser Mischung, also aus diesem Amalgan von alles so schwierig und verdammte Hacke, da kommt der digitales Tsunami.
16:02
Das ist die brillante Auflösung des Bildes, der digitale Tsunami. Also die Bildliche des sprachlichen Bildes. Also aus dieser Mischung, dieses ambivalenten Gefühls nichts zu machen und die Gefahr, die diese Welle kommt, und ich kann eigentlich kaum was für mich machen,
16:22
entsteht etwas, was Lars und Björn in Konzernen vor allen Dingen empfinden als Lavieren in der Schockstarre. Sind schockiert? Und sie wissen, sie müssen irgendwas tun.
16:41
Und dann lavieren sie. Lavieren ist ein Begriff aus dem Schach, der genau das beschreibt. Du bist im Schach in einer Situation, in der du dich nicht traust anzugreifen, aber auch nicht so genau weißt, was auf dich zukommt. Also machst du so ein paar Züge rechts und links und vor und zurück, die irgendwie keinem wehtun, in der Hoffnung, dass dein Gegner einen Fehler macht und dir daraus dann was einfällt, wie du reagieren kannst.
17:05
Man kann das auch anders zeigen. Für viele Entscheider, die jetzt mit diesen ganzen digitalen Transformationsthemen konfrontiert sind, ergibt sich folgendes Bild. Auf der einen Seite nehmen sie hier unten den Status quo, den digitalen Status quo
17:22
oder die digitale Kompetenz ihres Unternehmens als echt hinterher da. Gleichzeitig machen sie rechts oben in irgendwelchen Strategieworkshops
17:40
permanent irgendwelche Übungen, in denen dann Sachen rauskommen, wo man sagen würde, beim Businessplan Wettbewerb von irgendeinem Accelerator wäre halt genau das Gleiche rausgekommen. Ihr habt aber irgendwie nicht so ganz verstanden, dass die Versprechungen,
18:03
die euch die IT-Industrie in Sachen Big Data gemacht haben, vielleicht eher an Big Bollocks sind als an Big Bang. Doof sind die auch nicht. Merken sie natürlich auch relativ schnell. Und dann kommt es halt zu diesem riesen Gap zwischen Status quo
18:23
und das, was gefühlt die digitale Zukunft sein kann. Das ist das Kernproblem und das ist tief emotional bei vielen, bei vielen in den obersten Führungsetagen, dass sie das nicht zusammenkriegen.
18:45
Und das Angebot unseres Buchs und hoffentlich auch von vielen von euch ist, gemeinsam darüber nachzudenken, wie man diese riesen Distanz ein bisschen intelligenter überbrücken kann
19:03
als ein fettes Schlagwort in den Raum zu stellen, dass man dann möglichst oft in Meetings wiederholen kann, ohne dass es was nützt. Dieses Schlagwort haben wir ersetzt durch Smart Data.
19:25
Bin ich echt schlau? Also man könnte fast sagen echt smart. Ein Schlagwort durch ein anderes zu ersetzen. Jetzt haben schon mehr Leute gelacht darüber als ihr.
19:43
Und deswegen sagen wir immer dazu, wir haben natürlich auch keine Lösung. Wir können nur uns überlegen, welche Schritte und welche Ansatz und vor allen Dingen mit welcher Haltung man an das Thema
20:02
von hier oben nach rechts unten gehen kann, um vielleicht viele der Fehler, die den Begriff Big Data jetzt so in Verruf gebracht haben bei vielen der letzten Jahre zumindest zu reduzieren. Und den Weg in Richtung digitale Zukunft in einem etwas bescheideneren, experimentäleren,
20:31
die Realität, was die Ressourcen angeht, schlaurem Weg anzugehen, als das in den letzten Jahren unter dem Schlagwort Big Data passiert ist.
20:43
Das war mein erster Input-Blog. Ich erkläre euch gleich noch genauer, was wir unter Smart Data verstehen. Aber vorher möchte ich erst mal euer Feedback ganz kurz. Wenigstens zwei, drei Anmerkungen, die ihr habt.
21:00
Ihr hört mir zu. Insofern scheint es nicht ganz daneben geworden sein. Aber gebt mir doch mal ein kurzes Feedback, inwieweit das voll zutrifft, vielleicht auch gar nicht zutrifft oder wo es zutrifft und nicht das, was ich jetzt natürlich etwas Holzschnittartig euch präsentiert habe.
21:23
Ja, schlechte Idee. Guter Hinweis. Gehe ich gleich im zweiten Teil drauf ein, weil ich dann beschreibe, dass es eben kein technisches Konzept ist,
21:43
so wie Big Data, sondern im wesentlichen Haltung oder Denkansatz ist, den jeder für sich selbst interpretieren muss. Wir haben bei unserer Veranstaltung ja noch Fast Data ergänzt. Also im Untertitel. Wir können noch mehr protzen. Right Data ist vielleicht sogar noch angeberischer als Smart Data,
22:01
bin ich mir sicher. Das wäre deutscher. Wir haben recht, die richtigen Daten. Du hast eben schon mal nie gelöst. Mein Small Data Problem. Das trifft ja so ungefähr auf alle Themen zu.
22:20
Wenn man jetzt alleine sagt Mobile, das ist ja genau das gleiche Problem oder nicht. Also ich meine, diese digitale Transformation, da sind ja mehr Themen drin als Big Data. Und wenn man da mit Big Old Business rangeht und in der Situation steckt, dann ist das ja mehr als ein Schlagwort, was einen da erschlägt.
22:44
Perspektivisch. Hier die Reihe. Wir arbeiten für Intuit. Das ist eine US-Firma, direkt Nachbar von Google. Und in das Tal sehe ich uns da noch lange nicht rauschen.
23:00
Also mit der Connection in die USA, da geht das gerade immer noch bergauf. Da kommen immer noch mehr Themen und mehr Ideen. Aber unter dem Schlagwort Big Data oder unter all den Technologien, die man unter diesem sehr unscharfen Begriff subsummieren kann.
23:22
Und die meisten von uns wissen ja, dass das Big für die meisten Unternehmen nicht die entscheidende Dimension ist. Gewissermaßen ist das natürlich ein wunderbares Marketing-Schlagwort. Hat ja auch hervorragend funktioniert. Also beides. Einmal unter dem Schlagwort. Und dann natürlich, was natürlich passiert ist, dass das immer weiter refiniert wird.
23:41
Nein, das ist nicht nur Big Data, sondern es wird immer feiner aufgeschüsselt, was dann jetzt wirklich der Nutzen davon ist. Interessant. Und alle sind immer super begeistert. Und wir gucken da immer mit unserer deutschen Perspektive drauf und denken.
24:02
Schön, dass ihr so begeistert seid. Okay, ist das fast ein deutsches Phänomen vielleicht stärker? Wer hat bei euch den Eindruck, dass er relativ oft hört, ich kann Big Data nicht mehr hören? Und was folgt dann? Also was ist dann die Begründung?
24:38
Wie bitte?
24:52
Kann dir mal jemand ein Mikro bringen, das wäre vielleicht das Einfachste. Das wäre das Spitzeste gewissermaßen. Das wäre echt Big von euch.
25:02
Ja, aus meiner eigenen Erfahrung Gespräch mit potenziellen Kunden, aber auch einfach mit Bestandeskunden, wo man mal in der Kaffeerecke auch über solche Dinge spricht, habe ich genau das erlebt, dass das quasi mittlerweile zu mehr als 50 Prozent,
25:22
sage ich mal, erlebe ich, dass wenn man den Begriff verwendet, dass dann schnell mal etwas kommt in Richtung, ja ja, warme Luft und mehr nicht. Nicht, weil die Technologien nicht da seien, weil die wissen dann schon Bescheid, was es da alles gibt, was man machen könnte, nur der Weg dahin, bis ich wirklich so Nutzen habe,
25:44
dass auch die Teppichetage mir die Gelder dafür gibt, wirklich was Großes damit zu tun, der ist meistens doch sehr steinig. Und eben der Effekt vom schnellen Return on Invest oder so, der ist überhaupt nicht da, wenn man nicht in einer Firma ist,
26:02
wo Innovation und Exploration sowieso zum Wert gehört und dann sowieso Gelder dafür gestellt werden, dann ist es also schon verdammt schwierig da eben auch mit kommerziellen Gründen zu kommen. Vielen Dank, vielen Dank, ja. Und der Begriff Exploration,
26:22
wäre ein zentraler Wert, den wir auf deine Frage oder deinen Kommentar oben gewissermaßen setzen würden. Was verstehen wir unter Big Data, oder Smart Data, Entschuldigung. Ja, vor 3 Jahren haben wir da auch viel. Also, die Ausgangsüberlegung ist,
26:41
ist, dass im Grunde alle, die am Doing stark beteiligt sind, wissen, es gibt Dimensionen, da ist das Volumen der Daten entscheidend, aber in den allermeisten Kontexten für die allermeisten Unternehmen kommt es nicht auf das Volumen an, sondern es ist viel wichtiger, die relevanten, die richtigen Daten in der richtigen Varianz zu haben. Was nützen mir Milliarden von Facebook-Daten,
27:05
oder wenn die Leute, die sie hinterlassen, nur einen sehr, sehr kleinen Teil meiner Zielgruppe oder meiner Kundengruppe ausmachen, dann finde ich aus denen viel weniger raus, als wenn ich die Datensätze in meinen Kunden-Datenbanken intelligenter unter die Lupe nehme, als ich das bisher getan habe.
27:22
Smart Data bedeutet für uns im Kopf, insbesondere erstmal aus Management-Sicht, die Entscheidung zu treffen, ich glaube nicht daran, dass die Maschine intelligentere Fragen stellen kann als ich. Picasso hat gesagt, Computer sind dumm, die können keine intelligenten Fragen stellen,
27:42
das war in den 50er Jahren. Man muss zugeben, dass sie ein bisschen intelligentere Fragen stellen können, aber so wirklich ist dieses Versprechen von Big Data, das Ende der Theorie ist erreicht, die Maschine findet im Grunde selbst
28:01
die entscheidenden Korrelationen, die uns im Wertschöpfungskontext voranbringen, ist ganz gewiss nicht eingelöst. Smart Data glaubt daran, dass der gesunde Menschenverstand von Leuten mit Erfahrungswissen, die sich in den Workshop-Raum setzen und sich überlegen, was sind eigentlich unsere Business-Probleme, mindestens genauso wertvoll sind,
28:21
wie die Daten, die wir später haben. Das ist die erste Priorisierung. Die zweite Priorisierung besteht darin zu sagen, wir gucken viel genauer hin, welche Daten vermutlich die Relevanten sind und versuchen nicht mit Brachialgewalt so viel Daten zu sammeln wie möglich,
28:43
um dann die Maschine anwerfen zu können. Und die dritte Dimension, und die ist sehr wichtig und die hat mit diesem Gehirn zu tun, was sich da auf dem einen Slide gezeigt hat, jeder, der sein Unternehmen digital aufschlauen möchte,
29:02
der die digitale Kompetenz seines Unternehmens erhöhen möchte, der muss aufpassen, dass er sein Unternehmen nicht personell und finanziell überfordert. Und dann muss er sehr, sehr genau hingucken,
29:23
wo investiere ich jetzt? Und dann gilt die gute alte Regel, die eine Binse ist, was sie aber nicht weniger wahr macht, ist, guck nach 80-20, ernte doch erstmal die niedrig hängenden Früchte und das habt ihr alle schon tausendmal gehört. Und wenn ihr ehrlich seid und die Unternehmen guckt
29:41
und man mal hinschaut, wie konkret hat man sich am Anfang von großen Analytics-Projekten hingesetzt und hat gesagt, was ist das Business-Problem, das ich lösen muss und was wären die leicht zu aggregierenden Daten, die mir dabei helfen, dieses Problem zu lösen und auf welches Feld konzentriere ich mich als erstes,
30:01
weil da vermutlich die am niedrig hängsten Früchte sind, die ich relativ schnell ernte und die trotzdem gut werden. Wer macht das in dieser Konsequenz? Das gibt es, aber das ist nicht der Standard. Und wenn man es mal, was ich gerade erzählt habe, ein bisschen schematisiert darstellt, dann kommt in etwa das bei raus,
30:22
Big Data Prinzip, so viele Daten wie möglich, maschinelle Muskeln ohne Ende. Ich entdecke irgendetwas, was mir dann hilft und dann mache ich AB-Tests. Das hat der Lars gemacht, dieses Chart,
30:42
das der per motive Tests nicht kennt. Tut mir auch jetzt echt leid. Und dann wird daraus eine Lösung abgeleitet. Smart Data in der Haltung, die ich euch eben beschrieben habe, geht umgekehrt vor. Stellt erst mal Hypothesen auf. Die Hypothesen kommen von klugen Leuten,
31:01
die das Geschäft verstehen. Und dann macht man erste Tests und guckt, ob die Hypothesen überhaupt, ob die Substanz haben. Und wenn die keine Substanz haben, dann muss man halt neue Hypothesen aufstellen. Und dann guckt man nach Tools oder Algorithmen, die dieses Problem vermutlich ganz gut in den Griff kriegen
31:22
und die auch zum eigenen IT-System passen und die nicht zu teuer sind. Und dann guckt man nach den relevanten Daten. Und man schaut, was man hat. Und man schaut sehr systematisch nach, welche Daten ich vielleicht auch noch leicht dazu bekäme,
31:41
um sie anspielen zu können. Und daraus ergibt sich im Grunde etwas, was wir den Smart Data Zyklus nennen. Und der Smart Data Zyklus, ihr seid jetzt herausgefordert, das kurz mal zu übersetzen, ist ein Zyklus,
32:00
den wir in fünf Schritten gestaltet haben. Und diese fünf Schritte eignen sich vor allen Dingen im Kontext, wenn ich mit Kundendaten zu tun habe, also wenn mein Ziel ist, über Daten ein besseres Kundenverständnis zu erzeugen, um darauf aufbauend Kunden die Bedarfe von Kunden besser zu erkennen,
32:23
um diese Bedarfe besser bedienen zu können in einer besseren Vorausschauung. Und wir brauchen jetzt nicht in Details gehen, aber die fünf Schritte waren zum Teil schon angedeutet. Du stellst Hypothesen auf zu den richtigen Business Problemen
32:44
oder den Opportunitäten, die du siehst. Du schaust danach, welche Daten du hast. Du machst eine Kundensegmentierung, die hoffentlich ein bisschen intelligenter ist als die, die heute Standard ist. Beguckst nach den USPs in deinem eigenen Angebot und leitest daraus sinnvolle
33:03
Marketingmaßnahmen ab. Marketing verstanden nicht als, ich baller sie zu mit irgendwelchen Targeting-Marketing-Zeug, sondern in der umfassenden Dimension des Begriffs Marketing, der da bezieht. Wie muss ich mein Produkt gestalten bis am Ende zur Ansprache und wo verkaufe ich es?
33:24
Würde jetzt den Rahmen sprengen, das zu vertiefen, wenn es euch mehr interessiert. Das ist ausführlich in dem Buch natürlich dargestellt. Aber zumindest als Take-Away, ein wichtiger Take-Away aus dieser Sitzung, würde ich euch bitten, darüber mal,
33:40
wenn ihr mit Kundendaten zu tun habt, stärker nachzudenken, nämlich dem systematischen, dem systematischeren Blick nach, welche Daten brauchen wir eigentlich und worauf sollen wir uns eigentlich fokussieren, wenn wir nicht unendlich große, unendlich viele Ressourcen haben,
34:03
die die großen Datennüsse knacken. Und die bedeutet halt schlichtweg, dass ich mit einer ganz einfachen 4-Felder-Matrix mir überlege, welche Daten habe ich und wie hoch ist ihr potenzieller Nutzen.
34:25
Dann klaste ich das mal ein bisschen und ich würde vielleicht mal anfangen, mit denen, die leicht zu beschaffen und vermutlich einen hohen Nutzen haben. Und dann kann ich mir überlegen,
34:40
ob ich rechts oben weitermache oder vielleicht auch noch mal hier gucke. Ich habe das Buch mit zwei Leuten mit Beraterdenke geschrieben. Ich mag ja lieber Geschichten als Journalist. Eine Geschichte, die dieses, was wir unter smarten Datensätzen verstehen,
35:03
ganz gut auf den Punkt bringt, ist der Unterschied zwischen, Google baut eine Drohne und verabschiedet parallel, lässt sich parallel ein Patent zu Predictive Delivery eintragen.
35:23
Wer von euch kennt das? Dieses Patent, die Drohne habt ihr alle im Film gesehen. Wer von euch hat von diesem Patent schon mal gehört? Das ist 2013 eingetragen worden. Okay, verstehe. Nachholbedarf. Predictive Delivery beschreibt
35:43
einen Prozess, sowohl was die Datenintelligenz angeht, als auch die Mechanismen der Auslieferungslogik, da darauf hinausläuft, zu sagen, wir werden die Bedarfe unserer Kunden so gut prognostizieren können, dass wir in der ersten Stufe
36:03
in sehr kleinteilige Hubs die Waren liefern werden, zum Beispiel windeln, in eine Nähe eines Wohnblocks, wo wir wissen, da sind viele Babys. Bedarfprediction so gut machen, dass wir die Lieferzeiten deutlich verkürzen können
36:23
im ersten Schritt. Und in der Vision, das steht auch schon in diesem Patent drin, dass Amazon das Risiko übernimmt, dir etwas mit einer Drohne zu schicken, bevor du überhaupt auf den Knopf gedrückt hast, auf den Kaufknopf,
36:41
und gewissermaßen in dem Moment, wo du dann tatsächlich merkst, ja, jetzt brauche ich mal Klopapier, die Drohne am Toilettenfenster vorbeiflegt sind, sie dir reinreicht. Okay, das letzte habe ich ein bisschen überzeichnet.
37:01
Wie gesagt, ich bin Journalist. Aber die Vorstellung, dass sie tatsächlich dir etwas liefern auf ihr eigenes Risiko, von dem sie noch nicht 100% wissen, dass du es kaufen wirst, oder bevor sie davon ausgehen. Ja, die Jüngeren unter uns, es sind ja nicht so viele im Raum, sehe ich, aber die werden das dann vielleicht auch noch erleben.
37:26
Die Drohne, und ich bin viel auf Trendtagen unterwegs, habe ich jetzt auch ungefähr 10 hoch 15 Mal, also in Terrapetabyte-Quantität gesehen.
37:45
Ich würde mal tippen, oder ich würde ziemlich hohe Wetten eingehen, dass das das nächste Google Glass wird. Die habe ich vor Jahren auch auf jedem verdammten Trendtag gesehen.
38:03
Wie auch immer, man muss es nicht karikieren. Natürlich können Spieler, die so intelligent mit Daten umgehen, die über so viele Daten verfügen wie Amazon, vieles, wovon andere Unternehmen eher träumen. Aber Smart Data bedeutet in der Geschichte, dass du als Händler, als regionaler Händler,
38:25
nichts anderes machst, als systematisch zu schauen. Kunde A hat in letzter Zeit das und das und das bei mir gekauft. Ich habe seine Kunden,
38:40
er hat seine Kundenkartendaten, das scheint damit auch einverstanden zu sein. Ich kenne ungefähr seine Preispunkte, weil ich weiß, wie er auf Rabattaktionen reagiert, in der Regel. Dann kann es doch nicht so schwer sein,
39:01
dich ein bisschen intelligentere Gedanken darüber zu machen, was dieser Kunde vielleicht wann braucht oder anders formuliert. Was muss ich tun, um dem richtigen Kunden zum richtigen Zeitpunkt das richtige Angebot zu machen? Ich habe kürzlich mit einem sehr großen deutschen Automobilhersteller zu tun
39:20
bzw. dessen Financial Services. Das Kernprodukt dieses sehr großen deutschen Automobilhersteller ist, Leasingverträge zu verkaufen. Die Händler wissen nicht, haben keinen systematischen Überblick darüber,
39:40
wann, von wem, welcher Leasingvertrag ausläuft. Die Typen von der Zentrale haben mir gesagt, früher haben wir denen immer mal so Excel-Cheats geschickt, in denen das drin stand. Machen wir aber auch nicht mehr, weiß jetzt auch nicht warum.
40:01
Sowas kommt in keinem eurer Unternehmen vor, ich weiß. Ich rede ausschließlich von dem, der rechts von euch sitzt. Das ist das, was wir meinen. Ja, die Drohne ist geil, wenn sie denn kommt. Ja, es ist unfassbar cool, wenn wir wissen, wer was kaufen wird, bevor der selbst überhaupt
40:21
nur auf den Kaufknopf geklickt hat. Aber lassen wir die Kirche in den Dorf und gucken wir mal sehr genau hin. Bei wem läuft denn der Leasingvertrag aus? Was ist das für ein Typ? Ich kann es auch in Small Data, wenn ich zufällig auf LinkedIn bin,
40:41
mal schauen mit ihm, verknüpft, ob er vielleicht eine Gehaltserhöhung in letzter Zeit hat, ob er beruflich aufgestiegen ist. Und dann kann ich als Verkäufer auf mehr Vertrauen als auf mein Bauchgefühl, sondern ich kann datenbasiert sinnvolle Entscheidungen
41:01
darüber fällen, was ich dem Typen anbiete und was vielleicht eher nicht. Und wenn ich dann den Effekt erziele mit Hilfe von Daten bei Kunden, dass sie denken, die haben mich ja mal verstanden, dann habe ich sehr viel erreicht. Und das ist ziemlich smart. Und das ist nicht so schwer. Und dafür brauche ich keine riesigen Datenmengen.
41:22
Dazu muss ich mir die richtige Frage stellen und muss die Schwachstellen identifizieren in dem Prozess, wie wir heute mit Kunden umgehen. Das war mein Input 2. Gleiches Spiel.
41:43
Gibt mir Feuer. Das habe ich befürchtet, deswegen habe ich auch gesagt, dass ich sie nicht gemacht habe. Jetzt zerlegst du mich da, oder?
43:57
Finde ich sehr schlüssig und kann dir natürlich auch 3 Rückfragen umgehen stellen.
44:03
Also es bleibt natürlich trotzdem die Frage zwischen, wo machst du das eher Cutting Edge und wo sind die Anwendungsfelder, wo tatsächlich der Ansatz, den du gerade beschrieben hast,
44:23
quasi nicht zielgerichtet genug losgelassen wird. Und deswegen hast du 100% d'accord und ich finde dieses Schaubild auch nicht spitze und beim nächsten Vortrag werde ich es auch nicht mehr zeigen. Ist die Grundfrage trotzdem
44:42
immer keine absolute, so oder so, sondern es gibt jede Menge Unternehmen, wo eben nicht mal genug Hirnschmalz auf die Fragestellung verwendet wird. Zum Beispiel brauchen wir, wo haben wir eigentlich unser Hauptmarketing-Problem?
45:01
Im Abwandern von Kunden oder in der Neugewinnung von jungen Kunden in einem bestimmten Segment. Und da wird das Versprechen immer Big Data, die Antwort kannst du aus den Daten sehen und das ist nur, zumindest in vielen Kontexten, vielleicht mit einer, also dann brauchst du Datenmengen und brauchst analytische Kapazitäten,
45:21
die diese Unternehmen nicht haben. Und dann ist es besser mit dem Workshop und deinem Vertriebschef und deinem Marketingchef und dem Geschäftsführer mal in dich zu gehen. Werden wir uns so einig halbwegs auf halber Strecke?
45:55
Das ist klasse. Genau.
46:05
Ja, das ist vom Netscape Gründer.
46:26
Genau, verstehe. Und da kommt ja auch ein ganz großer Teil der berechtigten Frustration her von den Leuten, die im Grunde schon Datenintelligent vorgehen. Und da sind wir dann auch im dritten Teil, nämlich was muss passieren, damit die zusammen, also zumindest von jenen Managern,
46:40
die offen dafür sind, die verstanden haben, dass datenbasierte Entscheidungen im Durchschnitt besser sind als Guts Entscheidungen. Wie holt man die so ins Boot, dass das, was du gerade beschrieben hast, eben nicht passiert? Genau. Ja, mehr Feedback außer eurem Applaus für so einen berechtigterweise sehr brillanten Beitrag. Bitte.
47:37
Also vermutlich bekommst du das nicht bei Amazon angezeigt, sondern
47:44
im Cookie basiert auf Seiten, wo Retargeting geschaltet wird. Und Retargeting, also da bin ich auch total bei dir, das Targeting gehört zu den Bereichen im Kontext der großen digitalen Revolution, die die allergrößten Versprechen gemacht haben, um allerwenigsten davon gehalten haben.
48:02
Und Retargeting ist ja nichts anderes als irgendwie der einäugige oder unter den Blinden der Klickraten von angeblich intelligent zugespielter Werbung von einem Promille auf 30 Promille hochhaut. Oh Hammer. Und warum funktioniert das System halbwegs? Weil das Werbeinventar im Internet so billig geworden ist,
48:21
dass es sich trotzdem noch lohnt, diesen Quatsch zu machen. Aber all das, was in diesem Kontext unter Procomatic Advertising oder das läuft, ist ja nichts anderes als die Optimierung von Werbemitteln, die nicht funktionieren. Die Anschlussfrage, die Frage ist, warum kriegen selbst diese besten Spieler das nicht hin?
48:41
Die habe ich mir auch immer gefragt. Geht mal auf google.com. Google.com slash ads preferences. Da sagt euch Google, wer ihr seid. Und wenn ihr eine 40-jährige Frau seid, dann habt ihr relativ Glück, wenn die erkennen, dass ihr
49:00
kein 60-jähriger Mann seid, der sich für Autos und Fußball interessiert. Es ist grotesk, wie die angeblich intelligentesten Datenspieler, die egalsten Datenkragen der Welt, auch solche relativ basalen Dinge nicht anständig hinkriegen. Aber bei Amazon muss man fairerweise sagen, dass die Empfehlungsgeschichten innerhalb
49:21
der Amazon-Plattform relativ gut funktionieren. Sie funktionieren ja auf diesem Empfehlungsnummer, was andere Kunden kaufen, und die machen kein Retargeting. Das würde mich wundern. Wenn es so wäre, dann schickt mir das mal. Dann werde ich das bei meinem nächsten Vortrag verprügeln. Ich bin ehrlich gesagt sehr froh, dass es große Consultants wie Roland Berger gibt,
49:42
weil am ersten Schritt sagen Sie immer, das erste, ein paar Jahre später, reduzieren Sie Komplexität wieder und haben so ein einfaches 4-Quadranten-System aufgebaut. Dann wird uns auch nie die Arbeit ausgeben, das zu übersetzen und mit in die IT zu entwickeln und weiter zu verkaufen. Solange dieses Spiel gespielt wird, ist es gut für uns.
50:01
Berger auch, die verkaufen den Reparaturauftrag Ihrer Beratung auch gleich wieder mit. Das ist wirklich wunderbar. Smart Data wird genauso scheitern, weil Daten weder smart noch groß noch sonst was sind. Wir haben gestern einen wunderbaren Vortrag
50:24
von dem HSV-Fan. Ist er vielleicht da? Gehört? HSV? Hab ich gleich einen. Der den großen Consultants des HSV das Problem des knappen Abstiegs oder Klassenerhalt
50:42
schön dargestellt hat. Vielen Dank. Das ist ein Vortrag, es geht immer um die Interpretation der Daten. Die sind nicht smart, es geht darum, was mache ich daraus. Für welchen Anwendungsfall nehme ich was. Deswegen ist es auch nicht die umgekehrte Pyramide des Big Data. Das ist nicht clever.
51:01
Die Daten sind auch nicht clever. Wir sind uns nicht einig darüber, dass ich behauptet hätte, Daten sind smart. Ich habe gesagt, Smart Data ist eine Haltung. Das Intendiert das neue Passwort Smart Data.
51:21
Du weißt, was meine Absicht ist. Da unterstelle ich dir, dass du es nicht weißt. Wenn ich es falsch geflammt hätte, da würde ich mir jetzt eine intelligente Verteidigungsstrategie ausdenken können. HSV, was ist der Unterschied zwischen
51:42
Karstadt und HSV? Beide sind bleiter, aber Karstadt hat die bessere Sportabteilung.
52:00
Verdammter Hacker, ihr habt mich verquatscht. Ich habe noch 5 Minuten. Dann möchte ich im Grunde noch zwei Dinge sagen. Das eine ist das, was wir eben kurz anreflektiert haben.
52:21
Wie kann eine bessere Zusammenarbeit aussehen? Wenn eure Intention nicht sein sollte, jemanden mit einem Begriff zu verarschen, sondern ihr überlegt, wie kann mein Unternehmen analytischer unterwegs sein, als es bisher war?
52:40
Im Grunde ist, wenn ihr in die Situation, dass ihr ins Lied geht, die Leute dafür zu sensibilisieren, wie evidenzbasierte Entscheidungsmechanismen in einem Unternehmen verankert werden können.
53:05
Der Strategie, der oft aus der Top-Management-Position die Entscheidungen trifft, nachdem ihr tolle Sachen rausgefunden habt,
53:28
ist, dass es nicht funktioniert. Wenn wir nicht in der 80-20-Logik vorgehen müssen, sondern wenn wir Advanced Analytics
53:40
unterwegs sind, verstehen, dass Datenwissenschaft auch angewandte Wissenschaft ist und Wissenschaft nur zu einem sehr begrenzten Anteil eine Timeline hat. Ich also vorhersagen kann, wann wirklich was rauskommt. Man muss also verstehen, dass auf der Bullshit-Bingo-Skala fast in einer Liga spielt mit Big Data,
54:02
nämlich Fehlerkultur usw. Dass es vielleicht auch mal was sein könnte, was man ernst meint und nicht nur simuliert. Vermutlich braucht er auch jemanden, und damit meine ich nicht, ein Change-Management von Roland Berger, und ich bin übrigens auch nicht von denen kontraktiert
54:22
oder sonst was, ich habe mit den Jungs ein Buch gemacht, der genau diese Sensibilitäten gegenüber allen beteiligten Parteien spiegelt. Ich glaube, dass wir
54:40
die meisten Unternehmen intelligenter sich aufstellen müssen, was die Frage angeht, wie komme ich eigentlich an die relevanten Daten? Und dass über Unternehmensallianzen hinweg die allermeisten Unternehmen verstehen müssen, dass sie mit dem, was mal kollaboratives CAM
55:02
im Hinterkopf steckte, weiterkommen als mit der Vorstellung, wir kaufen uns, wir nutzen die Daten, die wir haben, und ansonsten kaufen wir vielleicht noch mal irgendwas, aber die meisten Unternehmen werden analytisch deutlich besser vorauskommen, wenn sie
55:24
in fairer Weise Daten mit anderen Unternehmen teilen, mit folgender Einschränkung, sie dürfen dabei natürlich die Kunden nicht vergessen. Jetzt habe ich wieder Angst, sich so einen Begriff hier in den Raum zu stellen, dass ich dafür verprügelt werde, ich mache es trotzdem.
55:45
Ich glaube, der Begriff earned data ist ein sinnvoller Begriff, er ist abgeleitet aus dem, was man jetzt so aus dem Marketing kennt, oder aus dem Social Media Marketing, also da gibt es ja irgendwie Paid Media und Owned Media und Earned Media.
56:01
Zu dem, was wir als smarte Datenhaltung, also Haltung im Sinne von innere Einstellungen sehen, gehört zwingend die Haltung dazu, dass wenn ich mit Kundendaten arbeite, mir klar bleibt, die Kundendaten gehören nicht mir, sondern gehören den Kunden,
56:21
und wenn ich Kundendaten nutzen möchte, dann muss ich mir dieses Recht bei den Kunden verdienen. Und dieses Recht verdienen geht so, ich verstehe Advanced Analytics nicht als klasse Möglichkeit, Kunden abzuziehen, sondern als eine Möglichkeit, Kunden besser zu verstehen,
56:42
um sie langfristig besser bedienen, behandeln, ihre Bedarfe besser erspüren zu können, weil ich selbst langfristig den Kundenwert erhöhen möchte. So kann aus dem Datenspiel Smart oder Big oder, was wäre denn dein Begriff eigentlich? Ach so, gar kein Begriff, Begriffe
57:02
Daten, genau. Also wenn ich mit Daten die Chance ergreife, Wertschöpfung insofern zu optimieren, dass alle Beteiligten daran profitieren. Dazu gehört natürlich IT-Sicherheit,
57:25
ich muss den Leuten sagen, was ich mit ihren Daten mache, ich muss bei der Datennutzung, insbesondere bei Personen bedeutend sagen, natürlich verhältnismäßig vorgehen und ich muss den Mehrwert nicht nur behaupten, sondern ich muss
57:42
ihn so gestalten, dass der Kunde ihn auch tatsächlich spürt. Allerletzte Botschaft für die meisten Organisationen oder Unternehmen, mit denen ich zu tun habe, gibt es nach wie vor, wenn ihr an dieses Schaubild zurückdenkt, von links unten Status quo oben ist die Vision,
58:01
keine Klarheit im Kopf darüber, was ist eigentlich so, woran muss ich mich eigentlich messen? Und da gehört zu einer, zu einem intelligenten Umgang mit dem ganzen Datenthema, die Erkenntnis, ich messe mich nicht mit Google,
58:23
eine Übung, die Berater ja auch immer gerne machen, wenn sie in irgendeinem Unternehmen sind. Jetzt stellen wir uns mal vor, was würde passieren, wenn Amazon oder Facebook oder Google bei ihnen jetzt in ihr Geschäftsfeld reingehen würde, sondern mir muss klar sein, ich muss eigentlich nur der Smarteste in meiner eigenen Klasse sein. Wenn ich ein Versicherer bin, dann muss ich besser sein als die anderen Versicherer
58:40
und wenn ich ein Lebensmittelhändler bin, dann sollte ich vielleicht besser sein als der Lebensmittelhändler, mit dem ich in direkter Konkurrenz stehe. Aber ich muss nicht glauben, dass ich in absehbarer Zeit Google oder Amazon oder eBay oder PayPal oder wen auch immer in der Datenintelligenz überholen kann.
59:01
Kann ich nicht. Ich fokussiere mich aufs Wesentliche. Danke euch.