Der Entstehungsprozess:

Im letzten Jahr, während ich mich gerade in Manchester für ein Auslandssemester aufhielt, begann das ursprüngliche Konzept, Gestalt anzunehmen. Treiber des ganzen war wie so oft der bevorstehende Abgabetermin, in dem die FH eine erste Version des Theorieteils verlangte. Die Auswahl der Theorien war schnell getroffen, da das strategische Management von zwei Haupttheorien, Market- und Ressource-based-View, dominiert wird. Ersterer betrachtet die externe Umwelt von Unternehmen und versucht zu erklären, wieso manche Branchen lukrativer sind als andere. Letzterer betrachtet die internen Prozesse von Unternehmen und versucht zu erklären wie Unternehmen dauerhafte Wettbewerbsvorteile gegenüber ihren Konkurrenten erlangen können. Diese Theorien sind jedoch, trotz sich teilweise wiedersprechender Prämissen und Konklusionen nicht als antagonistische Schulen zu verstehen, sondern stellen in der Praxis sich ergänzende Sichtweisen dar, um zu einer holistischen Betrachtung der Situation eines Unternehmens zu gelangen. In beiden Fällen wurden die Hauptthesen ihrer wohl bekanntesten Vertreter, Michael Porter und Jay B. Barney, herausgearbeitet und versucht diese vor dem Hintergrund aktueller Entwicklungen im Bereich der Datenanalyse zu interpretieren, um so zu Schlussfolgerungen zu gelangen, wie diese den Erfolg von Unternehmen beeinflussen können. Diese Schlussfolgerungen wurde in der Folge genutzt, um relevante Variablen zu identifizieren, Hypothesen über den Zusammenhang zwischen Datenanalyse und dem Unternehmenserfolg aufzustellen sowie einen Fragebogen zu entwerfen, mit dem die Datenbasis für die weitere Auswertung erhoben werden sollte.

Folgende Hypothesen wurden dabei aufgestellte:

H1:      

Je höher die Quantität und Qualität der Datenanalyse in einem Unternehmen ist, desto erfolgreicher ist dieses Unternehmen.

H2:      

Die Implementierung von Big Data und damit die Qualität und Quantität der Datenanalyse, ist in großen Unternehmen stärker vorangeschritten, als in kleinen Unternehmen.

H3:      

Die Einführung von Big Data Methoden weist in den verschiedenen Branchen signifikante Unterschiede in ihrem Fortschritt auf.

H3a:     

Branchen die klassischerweise mit den Kernbereichen von Big Data vertraut sind (Datenverarbeitung und Statistik, also Finanz- und IT-Branche), weisen einen höheren Fortschritt in der Einführung von Big Data Methode auf.

H4:      

Aufgrund der Pflicht, das eigene Handeln zu rechtfertigen, ist die Implementierung von Big Data und damit die Qualität und Quantität der Datenanalyse in inhabergeführten Unternehmen weniger weit vorangeschritten als in managementgeführten Unternehmen.

Der theoretische Teil der Arbeit war damit erledigt und in an diesem Punkt begannen auch die Probleme. Denn sehr bald stellte sich heraus, dass der ursprünglich angedachte Weg der Kontaktaufnahme zu den Unternehmen nicht möglich war. Es war geplant, die Arbeitgeberverbände in Deutschland, Österreich und der Schweiz zu kontaktieren und um ihre Unterstützung zu bitten. Hierdurch sollte es einfacher werden, von den Unternehmen wahrgenommen und deren Bereitschaft zur Kooperation erlangt werden. Leider stellte sich jedoch heraus, dass trotz der üblichen Behauptung dieser Verbände die Digitalisierung als zentrales Zukunftsthema erkannt zu haben, keinerlei Bereitschaft vorhanden war, unterstützend aktiv zu werden. Es war noch nicht einmal möglich, trotz wiederholter schriftlicher und telefonischer Nachfragen eine Antwort zu erhalten. In diesem Moment kam mir jedoch der Zufall in Form eines Kommilitonen zu Hilfe. Dieser erwähnte in einem Gespräch eine Marketingdatenbank für Österreich. Nach einiger Recherche stellte sich heraus, dass es eine ähnliche Datenbank auch für Gesamteuropa gab. Dies ermöglichte es mir gezielt die Kontaktdaten von Unternehmen zu extrahieren, die den festgelegten Kriterien für Großunternehmen entsprachen und in einem der drei relevanten Länder aktiv waren. Hieraus ergaben sich etwas über 13000 Unternehmen an welche der Fragebogen verschickt wurde.  Dabei stellte sich aber bereits am ersten Tag durch die Kontaktaufnahme zu einigen Teilnehmern heraus, dass die Unternehmen großteils nicht bereit waren, Fragen in Bezug auf Finanzkennzahlen zu beantworten und als Folge die Teilnahme abbrachen. Um dieses Problem zu lösen wurden diese Fragen einerseits ans Ende des Fragebogens verschoben um immerhin die datenanalysespezifischen Fragen beantwortet zu bekommen, zum anderen wurde den Teilnehmern die Wahl gelassen die Fragen zu den Finanzkennzahlen via Eingabefeld oder aber über die Auswahl eines Clusterbereichs zu beantworten. Dies führte in den folgenden Tagen zu einer deutlich höheren Rücklaufquote, die absolut gesehen jedoch immer noch sehr niedrig war. Darum folgten nach dem ersten Versand des Fragebogens noch 2 Erinnerungswellen, um eine angemessen Fallzahl zur Auswertung zu erreichen. Insgesamt konnten so über den Befragungszeitraum 255 ausgefüllte Fragebögen generiert werden. Da die Anzahl der Rückmeldungen in Bezug auf die Finanzzahlen jedoch deutlich geringer und diese zusätzlich kaum valide waren, wie einige Stichproben zeigten, wurde hierfür auf die Angaben aus der Marketingdatenbank zurückgegriffen. Dies führte zur Herausforderung die beiden Datensätze zusammenzuführen, welches mit der technischen Unterstützung eines Bekannten gelöst wurde, allerding einige Zeit in Anspruch nahm. Da sich die Datenerhebung über etwa 2 Monate hinweg erstreckte, war der erste Abgabetermin bereits verstrichen und auch der zweite, finale Termin war bereits absehbar. Die deskriptive Auswertung des Datenmaterials war zu diesem Zeitpunkt jedoch schon abgeschlossen, so dass lediglich noch die induktive Analyse zu erledigen war. Dies und die allgemeine Finalisierung stellten insofern eine Herausforderung dar, da ich mittlerweile eine Praktikumsstelle in Ingolstadt angetreten hatte, was zu einigen Wochen mit weiter über 70 Arbeitsstunden führte. Aber schließlich konnte alles gerade noch rechtzeitig, einige Tage vor Abgabefrist, abgeschlossen werden, so das noch etwas Zeit für eine Überarbeitung und das Korrekturlesen einiger hilfsbereiter Bekannter zur Verfügung stand. Gegen 1:00 Uhr am 8.6. wurde schließlich die Arbeit, immerhin eine Stunde vor der Fristende, im Sekretariat des Instituts für Unternehmensführung eingereicht. Etwa nach zwei Wochen stand auch das Ergebnis der vergangenen Mühen fest, welches mit 96 von 100 Punkten auch sehr erfreulich ausfiel und durchaus eine gewisse Entschädigung für die Anstrengungen und teilweise sehr frustrierenden Rückschläge darstellte. Alsdann blieb nur noch die Verteidigung der Arbeit, welche am 30.06. erfolgte und dank des Institutsleiters via Skype durchgeführt werden konnte. Nach etwa 30 Minuten in denen nach einer Präsentation noch einige Fragen zu beantworten waren, war auch dieser Punkt erfolgreich absolviert, womit das Thema Masterarbeit insgesamt abgeschlossen werden konnte.

Die Ergebnisse:

Die Ergebnisse der Arbeit können grundsätzlich in drei Kategorien eingeteilt werden:

Die theoretischen Überlegungen liefern Anhaltspunkte, auf welche Art die Datenanalyse den strategischen Entscheidungsprozess beeinflussen kann und in welchen Bereichen hier Wertschöpfungspotential bestehen würde.

Die deskriptive Analyse zeigt den aktuellen Stand der Datenanalysenutzung auf und erlaubt erste Rückschlüsse auf Bedeutung dieser in den Unternehmen.

Die induktive Analyse schließlich erlaubt das Testen der aufgestellten Hypothesen anhand des vorliegenden Datenmaterials und damit Rückschlüsse auf allgemein gültige Zusammenhänge.

Auf theoretischer Basis unterscheiden sich die Ergebnisse je nach zugrundliegender Theorie. Im Market-based-View konnten klare Anwendungsfelder identifiziert werden, die je nach dominanter Strategie des Unternehmens einen Mehrwert liefern können. Beispiele sind eine Analyse der Kundengruppen, Optimierungsprozesse oder die Entwicklung neuer Geschäftsmodelle. Im Ressource-base-View dagegen spielte eher die abstrakte Frage, ob Big Data Methoden dauerhafte oder nur kurzfristige Wettbewerbsvorteile liefern können eine Rolle. Die Antwort ist theoretisch zwar nicht eindeutig, jedoch sprechen starke Indizien dafür, dass auch dauerhafte Vorteile möglich sind.

Die bedeutendste Erkenntnis der deskriptiven Analyse besteht darin dass die Unternehmen noch immer primär auf konventionelle Business Intelligence Werkzeuge zurückgreifen, um ihre Daten zu analysieren. Gleichzeitig werden primär interne Daten verarbeitet, was einerseits eben durch die genutzten Werkzeuge bedingt sein kann, die eher zur Verarbeitung strukturierter Daten geeignet sind, zum anderen aber auch dadurch, dass diese Daten für Unternehmen deutlich einfacher zugänglich sind. Insgesamt zeigt sich hierdurch, dass diese Technologien noch sehr am Anfang stehen und in Zukunft noch massive Investitionen in Personal und IT-Infrastruktur notwendig sein werden, um die Potentiale  der Datenanalyse zu heben.

In der induktiven Analyse wurden die bereits beschriebenen Hypothesen getestet, wobei sich folgendes Bild zeigte:

H1:

Konnte bestätigt werden, wobei verschiedene Modelle mit unterschiedlichen, abhängigen Variablen (ROE,ROCE, Gewinn vor Steuern) signifikante Ergebnisse aufwiesen.  Für eine absolut eindeutige Aussage ergaben sich jedoch zwei Probleme: Zum einen variierten die signifikante Einflussfaktoren je nach abhängiger Variable und zum anderen waren die Konfidenzintervalle deutlich zu groß um daraus zuverlässige Aussagen über die Stärke des Zusammenhangs zu treffen. Somit lässt sich nur bestätigen, dass die Zusammenhänge existieren und das einige Faktoren die Finanzkennzahlen nachweislich positiv beeinflussen, allerding daraus keine konkreten Prämissen für eine Investitionsrechnung ableiten.

H2:

Auch diese Hypothese konnte bestätigt werden, wobei konkret nachgewiesen wurde, dass die Unternehmensgröße in Form von Kapitalvolumen und Umsatz die Wahrscheinlichkeit für die Existenz eines Datawarehouses entscheidend beeinflussen. Wobei das Datawarehouse als Indikator  für die Konstrukte der Datenanalyse behandelt wird, da eine einheitliche Datengrundlage die Basis solcher Methoden darstellt.

H3 und H4 dagegen mussten verworfen werden.  Hierbei lässt sich allerdings vermuten, dass bei H3 die zu geringe Anzahl an Beobachtungen je Cluster der entscheidende Grund dafür ist. Bei H4 dagegen ließ sich nicht einmal annähernd ein Zusammenhang im Sinne der Hypothese finden. Es zeigte sich lediglich, dass öffentliche Unternehmen die Datenanalyse wesentlich seltener nutzen als solche in privater Hand.

Ich hoffe diese Zusammenfassung konnte einen guten ersten Überblick über die Arbeit liefern. Aktuell wird sie ein letztes Mal in Details überarbeitet und hoffentlich spätestens im Oktober hier publiziert.