Big Data und Prozessmanagement im Unternehmenseinsatz

Inhaltsverzeichnis

1. Einleitung

2. Grundlagen
2.1 Big Data
2.1.1 Definition von Big Data
2.1.2 Einsatzgebiete von Big Data
2.1.3 Datenquellen von Big Data-Technologien
2.2 Prozessmanagement
2.2.1 Charakteristika eines Prozesses
2.2.2 Geschäftsprozesse und deren Management
2.2.3 Anwendung des Prozessmanagements

3. Integration von Big Data in das Prozessmanagement
3.1 Entwicklung des Prozessmanagements
3.1.1 Phase 1: Arbeitszerlegung
3.1.2 Phase 2: Aktionsorientierte Datenverarbeitung
3.1.3 Phase 3: Prozessorientierung
3.1.4 Phase 4: Digitalisierung
3.2 Aktueller Forschungsstand im Bereich digitaler Technologie
3.2.1 Künstliche Intelligenz (KI)
3.2.1.1 Machine Learning
3.2.1.2 Deep Learning
3.3 Blockchain-Technologie
3.4 Herausforderungen für Big Data
3.4.1 Datenintegrität
3.4.2 Datenschutz

4. Anwendungskontext: Beeinflussung des Wertpapierhandels durch Big Data
4.1 Konventioneller Wertpapierhandel
4.2 Hochfrequenzhandel als Resultat leistungsstarke Informationssysteme
4.2.1 Charakteristika des Hochfrequenzhandels
4.2.2 Big Data im Hochfrequenzhandel

5. Fazit

Literaturverzeichnis

Abbildungsverzeichnis

1. Einleitung

Die Digitalisierung der Gesellschaft schreitet in allen Bereichen unaufhaltsam voran. Da-bei verändert sich nicht nur das private Umfeld der Menschen, sondern auch das ge-schäftliche. Computer und andere informationsverarbeitende Systeme sind aus der Wirt-schaft nicht mehr wegzudenken. „Über die vergangenen 7000 Jahre hinweg hat sich wirt-schaftliche Produktionsleistung alle 900 Jahre verdoppelt. Heute verdoppelt sie sich grob alle 15 Jahre (…).“¹

Grund dafür ist nicht nur der technologische Fortschritt im Sinne der Verbesserung der Produktionsanlagen, sondern auch der Fortschritt in der Datenverarbeitung. Das Erheben und Verarbeiten von Daten aller Geschäftsbereiche ist existenziell wichtig für jedes Un-ternehmen. „Betrachtet man die kommerziellen Aspekte bei der Nutzung von Big Data erweist sich die schnelle Nutzung von Markt-, Kunden- und Nutzerdaten zunehmend als wichtiger Wettbewerbsfaktor.“² Dieser riesige Bestand an Daten und Informationen wird oftmals sehr trivial als Big Data bezeichnet.

Diese Arbeit soll das Zusammenspiel von Big Data und dem Geschäftsprozessmanage-ment in Unternehmen aufzeigen. Zu Beginn werden die fundamentalen Grundlagen für Big Data und des Prozessmanagements erarbeitet. Daraufhin werden das Prozessma-nagement und Big Data in den betrieblichen Zusammenhang gesetzt und auf die chro-nologische Entwicklung eingegangen. Anschließend wird der aktuelle Forschungsstand und die daraus resultierenden Möglichkeiten und Risiken aufgezeigt. Gleichermaßen wichtig für eine differenzierte Betrachtung sind auch etwaige Herausforderungen an Un-ternehmen, die im Zuge von Big Data einhergehen.

Der anschließende Anwendungsfall soll aufzeigen, wie Big Data gegenwertig Geschäfts-prozesse und Wirtschaftszweige beeinflusst. Veranschaulichen wird dies die Entwicklung des Wertpapierhandels, am Beispiel des Hochfrequenzhandels.

Im abschließenden Fazit werden die Arbeitsergebnisse einer kritischen Reflektion unter-zogen, sowie ein Ausblick gegeben.

2. Grundlagen

2.1 Big Data

Wie bereits in der Einleitung erwähnt, wird der Begriff Big Data oftmals sehr trivial ver-wendet, dies liegt mitunter daran, dass es für diesen sehr facettenreichen Begriff unzäh-lige Definitionen gibt. Nachfolgend wird der Begriff Big Data orientiert an der Sicht der Informatik definiert.

2.1.1 Definition von Big Data

Eine sehr gängige Definition von Big Data bezieht sich auf die vier Merkmale: Volume, Velocity, Variety und Veracity.

Beim Merkmal Volume lehnt man sich häufig das Moore’sche Gesetz an. Vereinfacht ausgedrückt besagt es, dass die Rechenkapazität von IT-Systemen exponentiell wächst. Dieses Wachstum steht wiederum in Relation mit dem weltweit erzeugten Datenvolumen. Der weltweite Datenbestand verdoppelt sich dadurch schätzungsweise alle 24 Monate. Der Teilaspekt Velocity besitzt keine einheitliche Interpretation. Je nach Betrachtungs-weise bezieht man dieses Merkmal auf die Geschwindigkeit, mit der neue Daten entste-hen. Ein weiterer Blickwinkel ist es mit dem Merkmal Velocity die Geschwindigkeit zu definieren, mit der Daten erzeugt und verändert werden müssen oder man verwendet den Begriff, um die nötige Verarbeitungsgeschwindigkeit von IT-Systemen für Big Data-Anwendungen zu beschreiben. Dessen ungeachtet besteht zwischen den Merkmalen Vo­lume und Velocity eine Korrelation. Es werden umso mehr Daten in immer kürzerer Zeit generiert, je höher die Rechenleistung ist.

Variety bezieht sich auf die verschiedenen Datenquellen und Datenformate. Diese Diver-genz hat ihren Ursprung darin, dass Daten aus unterschiedlichsten Gründen und Szena-rien erhoben, verarbeitet und letztendlich gespeichert werden.

Mit dem abschließenden Merkmal Veracity bezieht man den Standpunkt der Daten-integ-rität ein. Man versteht darunter die Vollständigkeit, Verlässlichkeit und Richtigkeit der Da-tenbestände. Bei der Planung, Durchführung und Bewertung von Analysen sollte die Da-tenintegrität eine wichtige Rolle verkörpern. Ein Beispiel dafür sind Daten aus den

sozialen Netzwerken. Diese sind meist nicht rein objektiv, sondern unterliegen oftmals subjektiven Empfindungen des Nutzers.³

2.1.2 Einsatzgebiete von Big Data

Der Einsatzbereich von Big Data ist breit gefächert. Für Big Data-Technologien bestehen keine Branchengrenzen oder funktionale Einschränkungen. Die Nutzbarkeit ist universell. Im Branchenvergleich sind die Finanzdienstleistungen, Technologieunternehmen und die Kommunikationsindustrie erfolgreiche Pioniere.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1 Nutzung von Big Data nach Industriezweigen⁴

Betrachtet man die Branchen danach, welche das größte Big Data Potenzial haben, so rückt häufig das Gesundheitswesen in den Fokus. Man verspricht sich auf diese Weise medizinische Prozesse zu beschleunigen. Dieses Potenzial, dass die massenhafte Ver-arbeitung von Patientendaten beherbergt, geht jedoch mit zusätzlich hohen Schutzvor-schriften einher. Sensible Patientendaten dürfen unter keinen Umständen Opfer von un-erlaubten Zugriffen werden.⁵ Die Thematik Datenschutz wird zu einem späteren Zeit-punkt noch genauer betrachtet.

2.1.3 Datenquellen von Big Data-Technologien

Betrachtet man die Datenquellen von Big Data lässt sich feststellen, dass die herkömm-lichen Datenquellen von Unternehmen ergänzt werden, durch neue Systeme. Diese neuen Systeme erzeugen ein enormes Datenwachstum in vielen Bereichen der Gesell-schaft. Ein sehr anschauliches Beispiel dafür ist das sogenannte „Social Web“. Die darin eingestuften sozialen Netzwerke erzeugen jeden Tag eine riesige Datenflut. Diese Datenflut ist jedoch im Gegensatz zu den Daten aus herkömmlichen Quellen, wie z.B. aus einem Enterprise Resource Planning System (ERP) unstrukturiert und setzt ein hohes Maß an Dynamik für die Verarbeitung voraus.

Während die neunen Systeme unstrukturierte Daten wie Videos, Bilder oder Audioda-teien liefern, liefern die klassischen Systeme strukturierte Datensätze, die zumeist in re-lationalen Datenbanken gespeichert sind.

Im Idealfall können die unstrukturierten Daten der neuen Systeme in Echtzeit verarbeitet werden, um betriebswirtschaftliche Entscheidungen in Ergänzung der klassisch struktu-rierten Daten zu unterstützen.⁶

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2 Datenquellen für Big Data-Technologien⁷

2.2 Prozessmanagement

Im weiteren Fortgang werden Grundlagen des Geschäftsprozessmanagements erläutert. Diese Betrachtung erfolgt mit betriebswirtschaftlichem Hintergrund, um im dritten Kapitel Big Data und das Geschäftsprozessmanagement in einen gemeinsamen Kontext zu set-zen.

2.2.1 Charakteristika eines Prozesses

Bei der Zerlegung des Begriffs Prozess lässt sich feststellen, dass jeder Prozess aus einer folge von Teilprozessen, Aufgaben und Aktivitäten besteht, welche in einer techni-schen oder organisatorischen Umgebung ausgeführt werden. Ein Prozess kann über fol-gende Merkmale definiert werden:

- Prozesse haben eine definierte Aufgabe und zielen auf das Erreichen eines defi-nierten Ziels ab,
- Aktivitäten sind in einer logischen und zeitlichen Abfolge nacheinander. Die Auf­gabe definiert die zeit- und sachlogische Abfolge der Aktivitäten,
- Jeder Prozess verfügt über ein definiertes Start- und Endereignis, welches wie-derum ein Startereignis für einen anderen Prozess darstellen kann,
- Der Input kann mindestens einer Quelle zugeordnet werden und wird ebenfalls an mindestens einen Empfänger übermittelt,
- Mit jedem Prozess werden Ressourcen verbraucht, z.B. Informationen, Kapital oder Arbeitskraft, diese werden zur Leistungserbringung benötigt.⁸

2.2.2 Geschäftsprozesse und deren Management

Befindet sich am Anfang einer Prozesskette eine Kundenanforderung, die durch die Ak­tivitäten am Ende des Prozesses erfüllt ist, so spricht man im unternehmerischen Sinn von einem Geschäftsprozess. Auf Basis eines Geschäftsprozesses entsteht die Wertschöpfung in einem Unternehmen. Das Geschäftsprozessmanagement strebt die Steigerung der Prozesseffektivität und Prozesseffizienz an.⁹

2.2.3 Anwendung des Prozessmanagements

Wird ein Prozess in einem Unternehmen einer Umgestaltung unterzogen, so spricht man von einer Modellierung. Diese Modellierung umfasst folgende Phasen:

1. Die Identifikation des Ist-Zustandes: Identifizierung des betroffenen Prozesses, dessen Teilprozesse und feststellen von Schnittstellen zu vorangegangenen und nachfolgenden Prozessen.
2. Die Analyse des Ist-Zustandes: Der identifizierte Prozess wird qualitativ und quan-titativ analysiert. Dabei sollen Fehler, Schwachstellen und Verschwendungen von Ressourcen festgestellt werden.
3. Die Soll-Modellierung: Durch das Prozessdesign wird festgelegt, wie der Prozess gestaltet werden soll, damit er reibungslos abläuft, Fehler und Verschwendungen ausgeschlossen sind, die Schnittstellen zu den vorangegangenen und nachfol-genden Prozessen funktionieren und die Geschäftsziele erreicht werden.
4. Die Umsetzung: Der im Prozessdesign entworfene Prozess wird implementiert. Die Soll-Modellierung und Umsetzung werden dabei meist öfters durchlaufen, bis der Prozess optimal abläuft.
5. Das Controlling: Der Prozess bzw. die Erbringung der angestrebten Leistung wer-den über das Auswerten von Kennzahlen überwacht.¹⁰

3. Integration von Big Data in das Prozessmanagement

Zu Beginn des Kapitels wird die historische Entwicklung des Prozessmanagements erör-tert. Darauf aufbauend wird dargelegt, welchen Einfluss Big Data auf das Prozessma-nagement hat. Die Betrachtung des aktuellen Forschungstandes im Bereich Big Data und potenzielle Herausforderungen, werden abschließend in diesem Kapitel diskutiert.

[...]

¹ Watson, Richard; 50 Schlüsselideen der Zukunft; 1. Auflage; Springer Spektrum, 2014, S. 185

² Dorschel, Werner; Praxishandbuch Big Data: Wirtschaft – Recht – Technik; Springer Fachmedien Wies­baden; 2015; S. 2

³ Vgl. Dorschel, Joachim; Praxishandbuch Big Data: Wirtschaft – Recht – Technik; Springer Fachmedien Wiesbaden; 2015; S. 6-8

⁴ o.V.; What is Big Data analytics, and why is it impotant to business?; URL: https://www.guires.com/blog/ what-is-big-data-analytics-and-why-is-it-important-to-business/; Abruf vom 30.03.2020

⁵ Vgl. Gadatsch, Andreas; Big Data für Entscheider: Entwicklung und Umsetzung datengetriebener Ge-schäftsmodelle; Springer Fachmedien Wiesbaden; 2017; S. 6-7

⁶ Vgl. Gadatsch, Andreas; Big Data für Entscheider: Entwicklung und Umsetzung datengetriebener Ge-schäftsmodelle; Springer Fachmedien Wiesbaden; 2017; S. 5-6

⁷ Gadatsch, Andreas; Big Data für Entscheider: Entwicklung und Umsetzung datengetriebener Geschäfts-modelle; Springer Fachmedien Wiesbaden; 2017; S. 6

⁸ Vgl. Christ, Johannes P.; Intelligentes Prozessmanagement: Marktanteile ausbauen, Qualität steigern, Kosten reduzieren; Springer Fachmedien Wiesbaden; 2015; S. 40

⁹ Vgl. Christ, Johannes P.; Intelligentes Prozessmanagement: Marktanteile ausbauen, Qualität steigern, Kosten reduzieren; Springer Fachmedien Wiesbaden; 2015; S. 42

¹⁰ Vgl. Christ, Johannes P.; Intelligentes Prozessmanagement: Marktanteile ausbauen, Qualität steigern, Kosten reduzieren; Springer Fachmedien Wiesbaden; 2015; S. 42-43