Die Verkaufsautomatenindustrie: Wie man aus der Mengenlehre herauskommt

Die Theorie der Kondomautomatenindustrie ist eigentlich ein logisches Konzept, wie ein bekannter Ökonom bereits in der Wirtschaftswissenschaft festgestellt hat. Das heißt, einige Bemerkungen können nicht falsch sein, aber im Wesentlichen ist diese Theorie vage und inhaltlich nicht sehr aussagekräftig. Ihre Bedeutung lässt sich jedoch nicht leugnen. Denn unter bestimmten Voraussetzungen und mit einer Eingrenzung ihres Anwendungsbereichs kann sie in der Realität eine richtungsweisende Rolle spielen. Deshalb halten viele Menschen im Internetzeitalter das Konzept der Konformität für zu vage und nutzlos. Ihr Verständnis und ihre kognitiven Fähigkeiten sind jedoch fehlerhaft, und sie verfallen dem Mythos der Mengenlehre. Jede Theorie, jedes Konzept ist an Bedingungen geknüpft und nicht unbedingt für alle Branchen, alle Unternehmen oder jeden geeignet. Es ist notwendig, die Denkweise der jeweiligen Branche und das spezifische Geschäftsumfeld zu berücksichtigen, sonst tappt man leicht in die Falle der Mengenlehre. Inwieweit ist diese Mengenlehre also auf die Automatenindustrie übertragbar und wirkungslos? Man kann mit Sicherheit sagen, dass viele Unternehmen von Internet- und E-Commerce-Unternehmen profitieren. Es ist wichtig, die wahre Bedeutung dieser Theorien zu verstehen. Internet und Elektrizität sollten sich zu echten Branchen entwickeln und nicht jedes Jahr nur kurzlebige Trends aufgreifen, denen eine Gruppe von Menschen hinterherjagt. Ein häufig geäußerter Punkt ist, dass Big Data in der Automatenbranche ein Merkmal der heutigen Internetentwicklung ist. Durch den Einsatz neuer Technologien wie Cloud Computing wird die zuvor schwierige Extraktion und Analyse enormer Datenmengen erschwert. Die Analyse erfolgt nun einheitlich, mit einer einheitlichen Wertklassifizierung, um Unternehmen eine präzisere Steuerung zu ermöglichen. Anders als bei der bisherigen Stichprobenanalyse, bei der nur der Wert einzelner Daten anstatt des Gesamtwerts analysiert wurde, sind die Verarbeitung und die Ergebnisse präziser als bei traditionellen Methoden. Welche Art von Automatenunternehmen benötigen also Big Data? Man kann sagen, dass alle Geschäftsaktivitäten von der Nutzung großer Datenmengen profitieren. Es besteht jedoch ein großer Unterschied zwischen Theorie und Praxis. Zunächst zum Wert der Daten: Ist die Klassifizierungsgenauigkeit ausreichend? Wurde eine Segmentierung vorgenommen? Um zu wissen, welche Unternehmen unter welchen Umständen die Daten als Referenz nutzen können, reicht es nicht aus, lediglich zu wissen, dass Big Data gut ist und alle Unternehmen es zur Analyse nutzen können. Für die Entscheidungsfindung ist es jedoch nicht ausreichend. Es stellt sich die Frage: Was ist wichtiger – Daten oder Erfahrungswerte aus der Automatenindustrie? Mir kommt folgendes Beispiel in den Sinn: Wie erkennt man leere Kartons in einer Produktionslinie? Die Wahrscheinlichkeit dafür ist sehr gering, aber die Entwicklung eines Laserscanners zur Identifizierung kann enorme Forschungskosten verursachen. Ältere Mitarbeiter können hingegen einfach einen Ventilator am Förderband aufstellen, der die leeren Kartons wegbläst – eine kostengünstige Lösung. In diesem Fall sollten wir die Effizienz in den Vordergrund stellen und nicht blindlings auf Big Data in der Automatenindustrie setzen. Tatsächlich haben viele Menschen im Zuge ihrer Jagd nach neuen Theorien diese verehrt und den Erfolg als Trend betrachtet. Sie glauben, dass die Datenanalysen professioneller Organisationen Geschäftstrends vorhersagen. Wenn man sich jedoch ernsthaft mit Big Data auseinandersetzen und es nutzen möchte, wird man schnell feststellen, dass die meisten Menschen zwar argumentieren, aber tausend Gründe haben, um einen davon zu überzeugen, dass Big Data schwer zu handhaben ist. Wenn man sich dann entschlossen hat, Big Data in einem Unternehmen zu managen, aber auf Hindernisse stößt, sich in der Praxis schwer tut, wird man feststellen, dass einfache Statistiken und Datenanalysen ausreichen und keine tiefgreifenden Schlussfolgerungen oder mehrdimensionalen Datenanalysen erforderlich sind. Nehmen wir beispielsweise eine einfache Datenanalyse einer großen E-Commerce-Plattform, um die Branchenauthentizität, Nutzerpräferenzen usw. zu bewerten und daraus den Trend des nächsten Jahres oder die aktuell beliebtesten Produkte abzuleiten. Die Ergebnisse können sich jedoch stark von der Realität unterscheiden. Das liegt daran, dass die Datenquelle viele schwer zu unterscheidende Elemente enthält und die Nutzer die tatsächlichen Gegebenheiten der Datenquelle nicht kontrollieren können. Bei Bewertungen, die an Einkaufsbewertungen erinnern, gibt es möglicherweise nur eine einzige, Cashback-Aktionen existieren, weil Nutzer unzufrieden sind, keine Bewertungen abgeben wollen und standardmäßig gut angenommen werden, und weil es keine starke Präferenz gibt, die Menschen lange Zeit gewohnt waren, diese Gründe zu loben, dürften diese beeinflussen.