Die Einsatzmöglichkeiten von Big Data im Baubusiness

E-Mail-Newsletter

Abonnieren Sie unseren monatlichen E-Mail-Newsletter, um über die neuesten Nachrichten, Artikel und Geschichten von MeinWeb auf dem Laufenden zu bleiben:

Abonnieren

„Daten sind das neue Gold“, so das berühmt gewordene Zitat des amerikanischen Milliardärs Mark Cuban. In den vergangenen Jahrzehnten sprangen viele Handelsunternehmen aber auch Banken und Versicherungen auf den Big Data Zug auf. An der Baubranche scheint dieser Zug vorbeizufahren und das obwohl sie in vielerlei Hinsicht ideal für den Einsatz von Big Data wäre.

Beim Betrieb einer Baufirma entstehen nämlich unheimlich viele Daten, die oftmals teils in Ordnern, teils in unterschiedlichen Systemen erfasst, aber kaum verwendet werden.

Ohne Anspruch auf Vollständigkeit lassen sich diese in folgende Kategorien gliedern:

  • Kundendaten; z.B. öffentlich vs. privat, Nationalität bzw. Sitz, Konzern vs. Kleinunternehmer vs. Privater
  • Geodaten; Lage der Baustelle, kann für weitere Auswertungen beispielsweise einer Gemeinde oder einem Land zugeordnet werden
  • Wetterdaten; Anzahl Schlechtwettertage
  • Personaleinsatzdaten; z.B. Bauleiter, Baukaufmann, Polier, Techniker, Vorgesetzter des Bauleiters, Vorgesetzter des Baukaufmannes
  • Daten eingesetzter Geräte; z.B. Marke, Modell, Laufzeit
  • Subleisterdaten; aufgegliedert nach Gewerken
  • Auftragsdaten; z.B. Größe, kann für weitere Auswertungen einer Größenklasse zugeordnet werden, Auftragstyp (GU vs. Einzelgewerk), Claims/Mehrkostenforderungen

Durch strukturierte Erfassung und Regression auf Zielgrößen wie z.B. das Baustellenergebnis lassen sich hieraus zahlreiche interessante Erkenntnisse gewinnen bzw. viel Bauchgefühl bestätigen.

Wiederum nur beispielhaft einige Aussagen die sich hieraus ergeben könnten sowie mögliche Erklärungsansätze:

  • Bestimmte Bauleiter oder bestimmte Baukaufleute erbringen bei bestimmten Kundentypen bessere Ergebnisse, da sie z.B. aufgrund von Erfahrungen in ihrer Vergangenheit die Sprache des Kunden sprechen
  • Bestimmte Geräte performen in bestimmten Regionen besser, z.B. weil sie auf die Erdbeschaffenheit besser abgestimmt sind
  • Bestimmte Teams beherrschen den Umgang mit bestimmten Gerätetypen besser, weil sie auf diesen besser geschult sind oder mehr Erfahrung haben
  • Bestimmte Bauleiter oder bestimmte Baukaufleute erbringen bei bestimmten Auftragstypen (z.B. bei GU Aufträgen) bessere Ergebnisse, da sie ihre Managementschwerpunkte entsprechend setzen
  • Bestimmte Auftrags- oder Kundentypen führen in bestimmten Regionen zu besseren Ergebnissen, z.B. weil die handelnden Personen bekannt sind

Selbstverständlich sind Korrelationen immer kritisch zu hinterfragen, da diese z.B. auf Drittkorrelationen beruhen oder schlichtweg auch Scheinkorrelationen sein können. Dennoch ist das Potenzial gerade für etwas größere Baufirmen mit breitem Angebotsspektrum enorm.

Rein mathematisch sind die Auswertungen gar nicht übermäßig kompliziert. Häufig scheitern derartige Auswertungen schlicht an der strukturierten Datenerfassung in einem zentralen System.

Um die Potenziale aus derartigen Auswertungen nutzen zu können empfiehlt es sich in folgenden Schritten vorzugehen:

Der erste Schritt ist die möglichst abschließende Definition aller spannenden Daten, die irgendwo im Unternehmen erfasst werden und die potenziell relevant für den Erfolg der Baustelle sind. Hier sollte im Zweifelsfall lieber zu umfangreich als zu eng gedacht werden.

Im zweiten Schritt ist zu definieren in welchem System die Auswertung erfolgen soll. Hierfür sind möglichst flexible BI Systeme die erste Wahl.

Im dritten Schritt sind die Eingabesysteme und die Datentransferprozesse ins Auswertungs-/BI System zu definieren.

Zu guter Letzt geht es an die IT seitige Umsetzung, welche bei sauberer Definition in den Schritten zuvor oftmals weniger kompliziert ist als auf den ersten Blick gedacht.

Bedenkt man die hohen Umsätze sowie die niedrigen Margen des Baugeschäfts so erscheint das Chancen- / Risiko Profil eines derartigen Big Data Projektes jedenfalls attraktiv.