Small Data

​Big Data – das sind die riesigen Datenhalden, die Unternehmen gerne sammeln, um sie dann automatisiert auf Muster und Zusammenhänge auswerten zu lassen. Ein riesiges Feld und zweifellos für viele Unternehmen auch ein wichtiges Instrument zur Unternehmenssteuerung. Aber Big Data stellt die Menschen, die in den Unternehmen agieren, auch vor ganz neue Herausforderungen: Wer sagt, dass die extrahierten Analysen korrekt sind? Wer garantiert, dass bei der immer weiteren Verdichtung der Daten nicht wichtige Nuancen und Entwicklungen einfach “weggefiltert” werden? Und darüber hinaus: Wer sorgt dafür, dass noch jemand versteht, warum bestimmte Entscheidungen getroffen werden?

Die Gefahr von Big Data besteht darin, die Verantwortung für Unternehmensentscheidungen auf Computer abzuwälzen, weil wir selbst nicht mehr in der Lage sind, die Datenmengen zu verstehen und zu interpretieren. Aber die Computer gehorchen nur den Algorithmen und nutzen nur die Daten, mit denen wir sie gefüttert haben.

Hier kommt Small Data ins Spiel. Dabei handelt es sich um kleine, überschaubare und damit auch interpretier- und begreifbare Daten. Small Data rückt den Menschen in den Mittelpunkt, nicht die Algorithmen. Bei Small Data geht es um dreierlei:

• Es muss sichergestellt werden, dass die Daten verständlich für die Nutzer sind und zu klaren Handlungsempfehlungen führen können.
• Es muss gewährleistet werden, dass bei der Erfassung und Verarbeitung von Daten die kleinen, aber eventuell wichtigen Details und Einzelfälle nicht einfach nivelliert werden.
• Es muss berücksichtigt werden, dass mehr nicht immer besser bedeutet: Mehr Daten bedeuten eben nicht automatisch eine bessere Entscheidungsgrundlage, sondern das birgt auch die Gefahr der Überforderung.

Zwei konkrete, mit diesem Verständnis von “Small Data” einhergehende Aspekte:

• Im Bereich von Industrie 4.0 und des Internets der Dinge wird die Bezeichnung “Small Data” verwendet, um darauf hinzuweisen, dass einzelne Sensoren in der Regel nur ganz spezifische Werte erfassen, wie beispielsweise Temperatur, Drehzahl, Gewicht oder simple Zähler. Diese “Small Data”-Elemente werden dann dazu genutzt, um zu komplexen Zustandsbeschreibungen (“Entities”, Modelle) zusammengesetzt zu werden. Im Grunde liefert Small Data damit erst die Grundlage von Big Data.
• Noch einen Schritt weiter geht Martin Lindstrom in seinem Buch “Small Data”. Er versteht darunter “scheinbar unbedeutende Verhaltensbeobachtungen sehr spezifischer Attribute”, die für ihn Hinweise auf Unzufriedenheit bei Kunden oder spezielle Kundenbedürfnisse enthalten. Small Data ist für ihn die Grundlage für Innovation und Kundenbindung. Und er liefert gleich in der Einleitung ein Beispiel von LEGO, bei dem die Big-Data-Auswertungen im Vergleich zu einem aufmerksamen Gespräch und einer Beobachtung des einzelnen Kunden bei der Beantwortung der Frage, was dem Kunden wirklich wichtig an der Marke ist, versagen.