Einführung

Daten sind das neue Öl, so das Mantra der Unternehmensberater und Wirtschaftspresse. Tatsächlich sind Daten keine Errungenschaft des 20. oder 21. Jahrhunderts, wie wir in der Geschichte der Daten sehen werden. Aber die Möglichkeiten, Daten zu erfassen und zu verarbeiten, haben sich in den 2000er Jahren rasant verändert. Das liegt zum einen an der stetig wachsenden Rechen- und Speicherkapazität, zum andern an der zunehmenden Vernetzung von Computern, Handys, Sensoren und vielen anderen Geräten, die einen Zugang zum Internet haben.

Wie Daten zur Digitalen Transformation beitragen

Das Öl des 21. Jahrhunderts transformiert unser Leben und unseren Alltag: Die Anforderungen an Arbeitskräfte ändern sich, neue Berufe entstehen, andere Berufe verschwinden, Geschäftsmodelle verändern sich, entstehen neu oder verschwinden ganz. Dies ist ein Ergebnis der Digitalen Transformation., die nach und nach Branchen aller Industrien erfasst und darin die Karten neu mischt. Hier einige Beispiele für die Veränderung von Geschäftsmodellen:

  • AirBnB hat mehr Zimmer im Angebot als die größte Hotelkette der Welt, die InterContinental Hotels Group. Gleichzeitig besitzt AirBnB kein einziges dieser Zimmer. AirBnBs größter Schatz sind die Daten, von Nutzern erstellte Bewertungen, von Nutzern erstellte Beschreibungen und eine Plattform, die freie Zimmer weltweit durchsucht. Jeder kann von einem Moment auf den nächsten Vermieter werden, die Einstiegshürden sind gefallen, und selbst die Preise können dynamisch festgelegt werden, je nach Angebot und Nachfrage. Eine Rezeption und ein Hotelmanagement entfallen.
  • Die Firma Kobalt ist den meisten Menschen kaum bekannt, aber für professionelle Musiker ist dieser Service eine populäre Plattform, um Transparenz über die Nutzung ihrer Werke zu bekommen. Anstatt wie früher Monate oder sogar Jahre zu warten, bis die Plattenfirma eine kaum nachvollziehbare Abrechnung erstellt und den Künstler ausbezahlt hat, sehen Musiker über Kobalt in Echtzeit, wie viele ihrer Werke gerade als CD verkauft, in einem Werbespot genutzt oder über Spotify gestreamt werden. Auch werden unrechtmäßige Nutzungen automatisiert identifiziert und Geld dafür eingefordert. Und anstatt einen komplexen bürokratischen Prozess durchlaufen zu müssen, können Interessierte über die Plattform Rechte für ein Musikstück anfragen, zum Beispiel um es in einer Veranstaltung einzusetzen, und der Künstler kann die Rechte über einen Mausklick freigeben. Eine Plattenfirma wird hier kaum noch benötigt, wobei Kobalt sogar selbst ein Label anbietet.
  • Google erreicht einen Großteil des Umsatzes durch AdWords, eine Plattform, über die Werbung verkauft wird. Anstatt Verkäufer einzustellen, die die Werbeplätze verkaufen, erledigt hier ein selbst-optimierendes System die Arbeit. Die Werbetreibenden melden sich auf der Plattform an, erstellen Anzeigen und spezifizieren, für welche Suchbegriffe sie erscheinen wollen. Dann legen sie ein Gebot fest für einen Klick auf diese Anzeige. Angebot und Nachfrage erledigen den Rest. Je mehr Werbetreibende für einen Suchbegriff gefunden werden wollen, desto höher geht die Auktion, und desto mehr verdient Google. Und ist eine Anzeige anscheinend nicht so relevant für eine Suchanfrage und wird deshalb kaum angeklickt, so erhält der Werbetreibende automatisch einen Malus für die Suchbegriff-Anzeige- Kombination und muss mehr zahlen. Tausende dieser Auktionen finden jede Sekunde statt. Ohne Verkäufer. Ohne manuelle Preisfindung.

In diesen drei häufig zitierten Beispielen werden allerdings Daten und die sie auswertenden Algorithmen durcheinander geworfen. Denn Daten an sich sind abstrakt und ohne Interpretation und Nutzung ohne Wert. Zwar ist es einfacher geworden, viele Daten zu erheben und zu speichern, aber nur durch die oben erwähnte gleichzeitig schneller und günstiger gewordene Rechenleistung können Daten auch wertschöpfend ausgewertet und genutzt werden. Es ist also notwendig, sich nicht nur über die Erhebung von Daten Gedanken zu machen, sondern auch über deren Auswertung.

Vom KI-Winter zu Machine Learning

Mit schnelleren Rechnern scheinen sich gleichzeitig einige Versprechen der Künstlichen Intelligenz zu erfüllen, so dass anhand von Daten automatisiert neue Erkenntnisse gewonnen werden können, die früher unmöglich waren. So glaubte man bereits in den 1950er Jahren, dass Maschinen so intelligent werden könnten, dass sie den Menschen die Arbeit abnehmen würden. Diese Vorhersage ist offensichtlich nicht eingetreten, was zu dem so genannten KI-Winter führte. Die nicht erfüllten Vorhersagen führten zu einer Kürzung der Gelder und somit zu einer Verlangsamung der Entwicklung. Maschinen haben nicht so schnell gelernt wie erwartet. Seit den 2000er Jahren hat sich die Entwicklung lernender Systeme exponentiell beschleunigt, wenngleich von einer allumfassenden Künstlichen Intelligenz noch (!!!) nicht die Rede sein kann. Machine Learning ist ein Teilbereich der Künstlichen Intelligenz, wenn man so will, obwohl bereits vorher in der computergestützten Statistik Machine Learning existierte.

Die Vorstellung, dass Computer Aufgaben übernehmen können, die vorher Menschen bearbeitet haben, ist nicht neu, wenn man an die Automatisierung von Arbeit denkt. Webstühle wurden maschinell gesteuert, Autos werden von Robotern gebaut, doch bisher traf es vor allem die Un- oder Angelernten der Bevölkerung, die ihren Job verloren. Das könnte dieses Mal anders ausgehen, wie das folgende Video verdeutlicht:

Es ist nicht unbedingt gesagt, dass es genau so kommen muss. Nach dem Gartner Hype Cycle wird fast jede neue Technologie zu Beginn gehyped, gefolgt von einem Tal der Enttäuschung, auf das wiederum ein Plateau der Produktivität folgt. Dennoch ist davon auszugehen, dass die Fähigkeit, Daten kompetent zu analysieren, eine Schlüsselkompetenz ist in einer Zeit, die sich durch die intelligente Verwendung von Daten definiert.

Nächster Abschnitt: Eine kleine Daten-Geschichte