Modernisierung von Stromverteilnetzen im Spannungsfeld von Smart Grid-Visionen und realen Implementierungsbedingungen

On 25. Mai 2012, In Resource Efficiency & Green Economy, By Abdi Scheybani

Die Forderung, das Stromnetz für die klimapolitischen Anforderungen der nächsten 40 Jahre fit zu machen, ist zum Mantra der Energiepolitik geworden. Bei genauerem Hinsehen zeigt sich jedoch, wie heterogen die hiermit verbundene Zielstruktur ist und wie steinig ihr Implementierungsweg. Der folgende Beitrag versteht sich als Erläuterung dieses Sachverhalts. Der Fokus liegt dabei auf Verteilnetzen (also nicht auf Übertragungsnetzen), da der Großteil der erneuerbaren Energiequellen an diese angeschlossen ist und somit Verteilnetze zum operativen Dreh- und Angelpunkt der Energiewende werden.

Haupttreiber und -ziele der Modernisierung

In Deutschland gibt es über 800 Stromnetzbetreiber mit insgesamt mehr als 500.000 Transformatoren und 1,7 Mio. km Leitungen. Beim weit überwiegenden Teil handelt es sich um Verteilnetze im Mittel- und Niederspannungsbereich. Von einigen regionalen Versorgern abgesehen, gehören die meisten dieser Verteilnetze den Stadtwerken und werden von deren Netzgesellschaften gemanagt. Seit der Liberalisierung des Energiesektors hat es auch in den Stadtwerken einen deutlichen Rationalisierungsschub gegeben. Dennoch stellen die heraufziehenden Anforderungen alle bisherigen in den Schatten. Es gibt fünf Haupttreiber für diese Entwicklung:

  • Demographischer und sozioökonomischer Wandel: Bevölkerungsrückgang und Arbeitsmarkt bedingte Migrationsbewegungen sowie Verlagerung oder Untergang von Industriekunden führen in einigen Regionen zu einer Bedarfsreduktion von mehr als 20% (siehe hierzu den Bericht von RWE zur Rhein-Ruhr-Region: Smart Grid Projekte, 25.02.2011)).
  • Altersstruktur der Geräte und Anlagen (Assets): In den 60er und 70er Jahren wurden die deutschen Stromnetze massiv ausgeweitet, d.h. der Assetbestand ist mit einem angenommen Durchschnittswert von 30 Jahren so alt, dass den meisten Verteilnetzbetreibern in den  nächsten 10 bis 15 Jahren massive Ersatzinvestitionen ins Haus stehen.
  • Einspeisung erneuerbarer Energien: Laut klimapolitischen Vorgaben soll sich der Anteil der Erneuerbaren Energien am Stromverbrauch bis 2020 auf mindestens 35% steigern, was gegenüber heute nahezu einer Verdoppelung entspricht.
  • Smart-Grid-Visionen: „Smart Grid“ ist ein schillernder Begriff, der unterschiedlichste Tatbestände umfassen kann. Allgemein formuliert zielt der Smart Grid-Ansatz darauf ab, Stromerzeugung und -Bedarf unter den Bedingungen fluktuierender, dezentraler Energieeinspeisung quantitativ und qualitativ besser aufeinander abzustimmen, als dies im bisherigen unidirektionalen Lastfolgebetrieb bisher möglich ist.  Das Netz muss smart werden, weil nun Strom nicht mehr bloß von „oben“ nach „unten“ verteilt wird sondern aufgrund der lokalen Produktion auch in die Gegenrichtung, d.h. vom Niederspannungs- ins Mittel und Hochspannungsnetz fließen kann, wenn dort Nachfrage besteht. Außerdem soll die Last, d.h. die Stromnutzung, zu Zeitpunkten stattfinden, an denen die Stromverfügbarkeit besonders hoch ist. Automatisierter Lastabwurf und tarifliche Anreize, tansparent gemacht durch Smart Meters, sind zwei Umsetzungsoptionen für diese Lastverschiebestrategie. Alle dieser Konzepte setzten die Implementierung eines geschlossenen Informationskreislaufes, eines “Closed Loop”, mit den beiden Endpunkten Erzeugung und Verbrauch voraus. Aus Produktsicht läßt sich das Smart Grid-Thema in die die Bereiche „Smart Metering“ und „Intelligente Verteilnetze“ segmentieren (siehe hierzu die kürzlich erschienene exzellente Studie von acatech, Future Energy Grid).  Außerdem gibt es auch noch Marktplatzkonzepte für die dynamische Bepreisung des von Haushalten erzeugen Stroms (siehe hierzu z.B. das E-Energy-Projekt des BMWi www.e-energy.de). Die anfängliche Euphorie um das Thema Intelligente Zähler (Smart Meters) ist in den letzten Jahren allerdings deutlich abgekühlt, weil empirische Tests gezeigt haben, dass der Stromverbrauch der Konsumenten in nur begrenztem Umfang in netzauslastungsarme Phasen verschoben werden kann, selbst wenn die Tarifstrukturen entsprechend angepasst würden (siehe hierzu auch den kürzlich veröffentlichten Zwischenbericht  des MoMa – Modellstadt-Mannheim-Projektes. Ein größerer Hebel bestände natürlich, wenn über gezielte Endgerätesteuerung aus dem Netz heraus, Lasten verschoben werden könnten. Aber dies setzt bereits ein intelligentes Verteilnetz voraus, was wieder zeigt, dass Smart Meter erst an späterer Stelle der Netzevolution voll zur Entfaltung kommen werden. Infolgedessen verschiebt sich derzeit die Aufmerksamkeit von den Endpunkten (Smart Meters) auf den infrastrukturellen Kern der Verteilnetze, aber dazu später mehr.
  • Wettbewerbsregulierung: Die seit 2009 wirksame Anreizregulierung (ARegV) ist ein weiterer wichtiger Treiber der Netzentwicklung. Allerdings liegt der Fokus hier auf dem Heben von Effizienzpotenzialen und weniger auf eine Grunderneuerung der Netztechnik.

Die Elektromobilität wurde bewusst nicht als Hauptreiber aufgelistet, weil in Deutschland bis 2020 der Effekt eher gering sein wird. Die von der Bundesregierung für 2020 geplanten 1 Mio Elektrofahrzeuge würden weder eine signifikante Belastung des Netzes darstellen noch als Elektrospeicher zu einer nennenswerten Entlastung führen. Das würde sich natürlich ändern, wenn bis 2030 die Elektroautos tatsächlich den Sprung zum Massenvehikel schafften.

Um zu verstehen, wie sich die genannten Entwicklungstreiber voraussichtlich auswirken, werden, skizziere ich zunächst die Ist-Situation der Verteilnetze auf Basis eigener Erfahrungen aus dem Asset Management-Segment sowie vielen Hintergrundgesprächen mit anderen Marktteilnehmern. Aus der Gegenüberstellung von Soll und Ist wird ersichtlich, wie groß die Kluft zwischen Modernisierungsanforderungen und der aktuellen Ausgangssituation ist.

Netzstrukturen und Assets stammen aus einer Zeit, wo der Netzbetrieb unidirektional erfolgte und die Versorgungssicherheit das Hauptziel der Netzbetreiber war. Der Gesichtspunkt der Kostenoptimierung und intelligenten Netzsteuerung war demgegenüber eher tertiär als sekundär. Der Netzbetrieb wurde und wird vielerorts von den Verantwortlichen als primär technische Aufgabe verstanden. Betriebswirtschaftliches Denken im allgemeinen sowie Kosteneffizienz im Netz- und Asset-Management im besonderen erscheint in dieser Lesart als schlecht vereinbar mit der angestrebten Versorgungssicherheit und –zuverlässigkeit.

Die Optimierung der Netzauslastung und die Minimierung von Asset-Redundanzen sind vergleichsweise neue Anforderungen. Parallel zur Liberalisierung der Energiemärkte verschärfte sich der staatliche Druck auf Stromerzeuger und Netzbetreiber, kostenbewusster zu wirtschaften. So wurde z.B. der Ruf nach Zustands- und Risiko-basiertem Asset Management (Anlageninvestitionen und -instandhaltung) laut, noch bevor die Diskussion um die Energiewende einsetzte.

Allerdings sind bisher die meisten Netzbetreiber diesem Ruf eher zögerlich gefolgt, in vielen Fällen haben sie ihn auch so gut es ging ignoriert. Bis heute sind daher in den meisten Verteilnetzen Anlagenhistorie- und zustand sowie relevante Umgebungsparameter nur unzureichend dokumentiert. Budgetallokationen für Anlagenersatz und Instandhaltungsmaßnahmen wurzeln eher in individueller Erfahrung einzelner Asset Manager als in  Asset-Klassen übergreifenden vergleichenden Analysen. Und dass, obwohl Best Practices zu diesen analytischen Vorgehensweisen dokumentiert sind. Auch die Anreizregulierung hat diese Intransparenz nicht beseitigt, da sie ja nicht den Einsatz moderner betriebswirtschaftlicher Methoden vorschreibt, sondern Output-bezogen Produktivitätsverbesserungsziele vorgibt.

Konkrete Modernisierungsanforderungen

Während das häufig zitierte „Internet der Energie“, in dem „das Anbieten von Least-Cost oder Pre-paid-Strombezug, (…) oder eine weitgehend automatisierte Stromsparsteuerung von Hausgeräten unter Nutzung der bidirektionalen IKT-Gateways“ (Formulierung aus einer E-Energy Broschüre des BMWi) als mittel- bis langfristige Visionen aufgefasst werden kann, sind die sich aus der Energiewende ergebenden Anforderungen an die Netze sehr real und zeitlich auf dem kritischen Pfad. Durch sie wird eine Modernisierung von Netztechnologie- und Betrieb quasi erzwungen. Das „weiter-wie-bisher“ ist immer weniger haltbar. Die Netzbetreiber sind aufgefordert unter hohem Kostendruck ihre Netze für die Einspeisung erneuerbarer Energien zu befähigen. Hieraus resultierende Anforderungen sind insbesondere:

  • Netzstabilität bei fluktuierender Einspeisung: Je höher der Stromerzeugungsanteil der erneuerbaren Energien, desto stärker hängen Spannung, Stromstärke und Frequenz des Verteilnetzes vom Wetter ab. Wird auf die Wetterlage nicht oder zu spät reagiert, kann es zu versorgungsgefährdenen Spannungschwankungen und Überfrequenzen im Verteilnetz kommen. Detaillierte Wetterprognosen werden also wichtiger für einen reibungslosen Netzbetrieb. Allerdings sind diese Prognosen selten hinreichend zuverlässig. Spannungs- und Frequenzschwankungen müssen daher im Netz instantan gemessen werden,  um Abweichungen vom prognostizierten Zustand zu erfassen. Diese Informationen werden über eine Hierarchie von Netzleitstellen verarbeitet, angefangen von der Ortsnetz- bis hin zu Smart-Grid-Leitstelle, die über Spannungshierarchien hinweg das gesamte regionale Verteilnetz steuert. Dabei greift eine Art Subsidiaritätsprinzip: Was lokal identifiziert wird, soll auch lokal gelöst werden bevor übergeordnete Leitstellen zum Zuge kommen. Ein Beispiel sind lokal auftretende Spannungsspitzen aufgrund hoher örtlicher Sonneneinstrahlung. Über Ortsnetzleitstellen kann dann entsprechend reagiert werden. Regelbare MS/NS-Ortsnetztransformatoren, Energiespeicher sowie Blindleistungskompensatoren können dann den notwendigen Spannungsausgleich herbeiführen. Außerdem soll bei Bedarf der Spannungseinspeiser von Netzleitstelle abgeschaltet werden können – idealerweise automatisiert auf Basis vorgegebener Parameter. Allerdings bergen Abschaltungen auch ein Problem, wie das Beispiel der Überfrequenzen (das sogenannte 50,2 Hertz-Problem) infolge vermehrter Einspeisungen zeigt: Würden nämlich bei Überschreitung des Frequenz- Schwellenwertes die einspeisenden Kleinanlagen schlagartig abgeschaltet, wäre die Netzstabilität ebenfalls gefährdet. Lösungsansätze für dieses Problem werden derzeit erarbeitet. Mit welchen komplexen Netzsteuerungsszenarien zu rechnen ist, illustriert sehr schön die kürzlich veröffentlichte Studie der VNB RMN und Hochschule Darmstadt. Dabei kann es z.B. zu simultanen Überlastsituationen auf verschiedenen Netzebenen kommen, was eine besonders hohe Anforderung für die Smart Grid-Steuerung bedeutet.
  • Verbesserte Nutzung der bestehenden Netzkapazitäten: Um Netzkapazitäten besser zu nutzen und somit den Aufwand für einen Netzumbau  bzw. -ausbau möglichst gering zu halten, ist es zwingend erforderlich, die Asset-Auslastung und -Belastung zu erfassen: Bei Transformatoren z.B. über die kontinuierliche Lastmessungen, um insbesondere Überlastzeiten zu identifizieren,  bei Kabeln z.B. mittels Temperatur-Monitoring. Ein vergleichsweiser radikaler Weg zur verbesserten Kapazitätsauslastung setzt an der Nachfrageseite an und wird daher „Demand Side Management“ genannt. Gemeint ist die Steuerung der Stromnachfrage durch Lastabwurf oder –verschiebung. Das geht natürlich nur unter wohl definierten Bedingungen und dürfte bis auf weiteres vor allem eine Option für Industriekunden sein, insbesondere wenn sie hierdurch signifikante Einsparungspotentiale realisieren können.
  • Kostenoptimiertes Asset Management bei gleichzeitig akzeptabler Versorgungszuverlässigkeit: Die bei den kontinuierlichen Netzmonitoring gewonnen Informationen dienen zwar primär der unmittelbaren Netzsteuerung, sind aber auch extrem wertvoll für ein zustandsbasiertes Asset Management, weil hierdurch Leistungsabfälle oder Überbeanspruchungen zeitnah und Asset-spezifisch erkannt und dokumentiert werden. Die Effektivität von Instandhaltungsmaßnahmen dürfte sich hierdurch signifikant verbessern. Auch eine kontrollierte Ausdehnung des „normalen“ Lebenszyklus eines Assets wird hierdurch möglich.  Neben dem kontinuierlichen Monitoring können diese Nutzeneffekte auch durch punktuelle Untersuchungen befördert werden, wie z.B. die Überprüfung der Isolierflüssigkeiten von Transformatoren (beispielsweise via Gasanalyse) oder anderen Inspektionsmaßnahmen.

Auf einen Nenner gebracht, geht es bei den genannten Anforderungen darum, Lasttransparenz herzustellen und somit eine aktive Lastverteilung und die Kontrolle der Lastgenerierung zu ermöglichen. Dem ZVEI (Zentralverband Elektrotechnik und Elektronikindustrie) und BDEW (Bundesverband der Energie- und Wasserwirtschaft) zufolge können durch erhöhte Lastfluss- und Infrastrukturtransparenz und die dadurch ermöglichte aktive Lastverteilung die Auslastung des Verteilnetzes um 20 bis 25% erhöht werden.

Idealerweise könnten durch technologische Modernisierung also Ausbaumaßnahmen vermieden werden. Aus betriebswirtschaftlicher Sicht handelt es sich hierbei um einen klassischen „Trade-off“ zwischen Investitionen in konventionellen Netzausbau inklusive Betriebskosten versus Investitionen in ein intelligenteres Netz mit umfangreichen Monitoring und einer IT-basierten, weitgehend automatisierten Steuerung. Diese Abwägungsentscheidungen müssen für jedes Netz spezifisch und im Detail vorgenommen werden. Wie viel Monitoring ein Netz tatsächlich benötigt, hängt unmittelbar vom Ausmaß der Einspeisebelastungen ab und der Frage, wie eng das Netz an der Kapazitätsgrenze gefahren werden soll.

Die Wirtschaftlichkeit dieser Investitionen ergibt sich aus der Differenz zwischen dem „Weiter-wie-Bisher“- und dem Modernisierungsszenario.. In der Realität scheitern derartige Vergleiche aber häufig bereits daran, dass nur eine eingeschränkte Transparenz der zukünftigen Ersatzinvestitionen und Instandhaltungskosten auf Basis des Status Quo besteht. Vielen Assetmanagern fehlt schlichtweg das Planungsinstrumentarium sowie das betriebswirtschaftliche Verständnis, um zukünftige Instandhaltungs- und Ersatzbedarfe abzuschätzen und monetär zu bewerten. Aber genau darauf kommt es angesichts des wachsenden Handlungsdrucks an. Auch die für die Auswertung von Massendaten (in der aktuellen IT-Debatte auch „Big Data“ genannt) befindet sich in einer vergleichsweisen frühen Entwicklungsphase. Das gleiche gilt für die Steuerungslogiken selbst.

Sieht man sich die aktuellen Fachbeiträge zu Smart Grids an, so gewinnt man den Eindruck, dass sich viele technischen Lösungen zur Zeit in einer recht frühen Phase ihrer Entwicklung befinden. Das zeigt sich z.B. auch am Automatisierungsgrad der Smart Grid-Leitstellen – hier reichen die Vorschläge von fast vollständig automatisiert auf Basis vorher festgelegter Regeln bis hin zu Assistenzsystemen, die einem hochspezialisierten Leitsystempersonal lediglich Handlungsvorschläge unterbreiten. Im Lichte dieser relativen Unbestimmtheit ist die Initiative der EU Kommission und einiger großer Energiekozerne zu begrüßen, im Rahmen des grid4Eu-Projektes „Showcases“ zu schaffen, in denen unterschiedliche Technologien unter realen Bedingungen implementiert werden. Die Erfahrungen hieraus dürften die oben aufgezeigten Unsicherheiten zumindest verringern.

In der öffentlichen Smart-Grid-Debatte wird freilich selten Tacheles über die Betreiber-internen Umsetzungsbedingungen für die Netzmodernisierung geredet. Statt dessen echauffiert sich die Branche lieber über die modernisierungshemmenden Effekte des bestehenden Anreizregulierungsregimes.  In der Tat hebt die Regulierung stärker auf Kosteneinsparungen als auf Innovationen ab, obwohl auch dieser Befund relativiert werden muss, weil über die Eigenkapitalverzinsung ein gegenläufiger Mechanismus implementiert ist. Allerdings müssen Investitionen auch erst einmal finanziert werden, was parallel zu Kostensenkungen sowie einem hohen Anteil kurzfristig nicht zu beeinflussender, prädeterminierter OPEX (gemeint sind hier v.a. Abschreibungen) problematisch ist. Hinzu kommen Mechanismen wie Fotojahre bzw. Blindspots, die eine zeitliche Konzentration der Investitionen fördern, unabhängig von den tatsächlichen Erfordernissen.

Die Finanzierung durch private Investoren gewinnt daher als Option an Bedeutung. Ein besonders kritischer Punkt bei der anstehenden Netzmodernisierung ist der Bau von Speichern, um fluktuierende Stromgenerierung via erneuerbarer Energien zu kompensieren. Auch der Bau privat finanzierter Kraftwerke ist ein Thema, da spätestens ab 2018 vielerorts mit Kapazitätsengpässen gerechnet wird.  Angesichts der diffusen Planungssituation verwundert es allerdings nicht, dass sich die Privatwirtschaft hier zur Zeit noch abwartend verhält.

Fazit

Angesichts der dargestellten Herausforderungen ergibt sich ein akuter Handlungsbedarf für Verteilnetzbetreiber:

  • Betreiber von Verteilnetzen müssen mit Blick auf die politisch gewollte dezentrale Energieeinspeisung ihre Netze mit automatisierter Intelligenz aufrüsten. Das bedeutet konkret die Einführung eines umfangreichen Echtzeit-Netzmonitorings in Verbindung mit Daten-getriebenen Steuerungstechniken.
  • Der erste Schritt auf diesem Weg ist die Ermittlung des netzspezifischen Modernisierungsbedarfs.  Die Netzbetreiber müssen daher zunächst die regionale Last- und Einspeiseentwicklung prognostizieren. Aufgrund der Planungsunwägbarkeiten bietet sich bereits hier ein Szenarioansatz an. Für die wahrscheinlichsten Lastszenarien sind dann technische Lösungs- und Investitionsoptionen zu ermitteln und im Lichte der Budgetrestriktionen via Simulation zu bewerten. Ein Teil der Netzbetreiber – vor allem die Größeren -, haben diese Übung bereits erledigt oder planen dies in Kürze zu tun. Aber auch kleine und mittelgroße Stadtwerke kommen um diesen ersten Planungsschritt nicht herum.
  • Voraussetzung für diesen Prozess ist das Vorhandensein technisch-betriebswirtschaftlicher Planungskompetenz sowie entsprechender Software-Werkzeuge. Komplexe Szenarien und Simulationen lassen sich nun mal nicht mit Bordmitteln wie Excel sinnvoll bewältigen.  Darüber hinaus bedarf es einer unternehmerischen Einstellung (Stichworte: Entscheidungen unter Unsicherheit, Offenheit für Innovationen) nicht nur beim Management der Netzbetreiber, sondern auch bei den ausführenden Ingenieuren und Asset Managern. Anstatt tausend Gründe dafür zu finden, warum etwas nicht funktionieren kann, sollten die Mitarbeiter konstruktiv an der Lösungsfindung mitwirken.
  • Die Beseitigung dieser mentalen Barrieren ist umso wichtiger, als die Smart-Grid-Technologie sich als solche noch mitten in der Entwicklung befindet. Es handelt sich also nicht um das Ausrollen einer hundertfach erprobten Technologie, sondern um Systeme, die noch in den Kinderschuhen stecken und deren erfolgreiche Einführung auch vom „guten Willen“ der Projektbeteiligten innerhalb der Netzbetreibergesellschaften abhängen.

Angesichts dieser Ausgangssituation könnte es sehr wohl sein, dass die Netzmodernisierung länger dauern wird als bisher angenommen. Das wiederum bedeutet, dass die eingangs erwähnten 2020-Ziele zum Stromanteil erneuerbarer Energien noch einmal auf Machbarkeit überprüft werden sollten bzw. die Umsetzungshürden aggressiver angegangen werden müssen.

Tagged with: • • • • • • • • •
 
0 Kommentare
Leave A Response

Hans-Werner Sinns Buch über “Das Grüne Paradoxon” – ein Kommentar

On 14. Mai 2012, In Resource Efficiency & Green Economy, By Abdi Scheybani

Um es vorwegzunehmen: Sinns Buch aus dem Jahre 2008, das seit März diesen Jahres in aktualisierter Fassung vorliegt, sei sowohl umweltpolitischen Novizen als auch Profis dringend zur Lektüre empfohlen. Für Einsteiger ins Thema bietet es eine gut nachvollziehbare Einführung in die naturwissenschaftlich-technischen Hintergründe des Klimawandels sowie eine gute Übersicht zu den zentralen klimapolitischen Maßnahmen im nationalen und internationalen Maßstab. Für Umweltexperten dürften Sinns volkswirtschaftliche Analysen und provokanten Hypothesen zu den nicht-intendierten Rückkoppelungseffekten der Umweltpolitik zumindest wichtige Denkanstöße geben. Das heißt nicht, dass man Sinn pauschal zustimmen müsste. Im Gegenteil. Wie ich in diesem Beitrag zu zeigen versuche, kann man in zentralen Fragen auch zu anderen Schlussfolgerungen kommen.

Aber beginnen wir zunächst mit der – zugegebenermaßen recht groben -Zusammenfassung der Kernthesen von Sinns mehr als 500 Seiten starkem Buch:

  • Der Klimawandel ist real und wird ab Mitte dieses Jahrhunderts zu einer ernsten globalen Bedrohung, falls die Extraktion und Verbrennung von Kohlenstoff ungebremst fortschreitet. Gelingt es nicht, die durch Treibhausgase verursachte Erwärmung auf zwei Grad Celsius einzudämmen, treten selbstverstärkende Effekte auf, durch die sich die Aufheizung der Atmosphäre beschleunigt.
  • Um die Klimakatastrophe in der zweiten Hälfte des 21. Jahrhunderts zu verhindern, sollten fossile Brennstoffe langsamer verbraucht werden, so dass die Natur mehr Zeit hat, die Emissionen zu absorbieren bzw. auf natürliche Weise abzubauen.
  • Die von der Politik geförderte Erschließung neuer Energiequellen führt jedoch dazu, dass sich die Ressourcenbesitzer (insbesondere von Öl und Gas) genötigt sehen, ihre Bestände möglichst schnell auf den Markt zu werfen, bevor sie substituiert bzw. durch Fortschritte im Bereich der erneuerbaren Energien entwertet werden. Wenn also die Nachfrageseite über Subventionen grüne Technologien voranbringt, veranlasst dies die Besitzer der Öl- und Gasquellen nur zu einer schnelleren Extraktion der Kohlenstoffe, auch wenn dies zu Preissenkungen führt. Die Klimapolitik bewirkt nach dieser Logik das Gegenteil von dem, was sie anstrebt. Das nennt Sinn das „Grüne Paradoxon“. In seinen eigenen Worten liest sich das so:

“Bedrohen wir die Ressourcenbesitzer mit einer immer grüner werdenden Politik, die ihnen das zukünftige Geschäft kaput macht […], kommen sie der Bedrohung zuvor und fördern ihre Bodenschätze nur noch schneller. Statt den Klimawandel zu bremsen, beschleunigen wir ihn. Das ist das grüne Paradoxon, das diesem Buch seinen Titel gab.” (Prolog, S. 19)

  • Die Substitution von fossilen Brennstoffen durch erneuerbare Energien führt in dieser Logik außerdem zu sinkenden Weltmarktpreisen für fossile Brennstoffe, was wiederum den Verbrauch in den nicht grün gesinnten Volkswirtschaften in die Höhe schnellen lässt. Im Ergebnis, so Sinn, ist der Nettoeffekt für das Klima Null oder möglicherweise sogar negativ.
  • Ein weiteres von Sinn „aufgedecktes“ Paradoxon betrifft den Zusammenhang zwischen dem CO2-Zertifikatehandel in der EU und den Subventionen für erneuerbare Energiequellen in Deutschland in Gestalt des EEG (Erneuerbare-Energien-Gesetz zur Regelung der Einspeisetarife). Auch hier ist laut Sinn der Nettoeffekt bezogen auf CO2-Emissionsvermeidung bestenfalls Null, weil deutsche Unternehmen infolge des Bezugs von Ökostrom ihre dann weniger benötigten Verschmutzungsrechte auf den Zertifikate-Markt würfen, was wiederum zu einer Verbilligung der Zertifikate führen würde – mit dem Ergebnis, dass dann eben anderswo in Europa die Verschmutzung stattfände. Das Weltklima hätte also nichts davon, aber der deutsche Verbraucher müsste einen höheren Strompreis zahlen. Dass der Zertifikate-Handel nur einen Teil der verschmutzungsverursachenden Industrien abdeckt – vornehmlich Kraftwerke, aber z.B. nicht den Chemie und Autosektor – ist ein weiteres Problem.
  • Neben dem Zertifikate-Handel hält Sinn auch Ökosteuern für ein grundsätzlich sinnvolles Instrument, sofern es einen einheitlichen Preis je emittierter CO2-Menge gäbe. Diese Bedingung sei aber in Deutschland verletzt, weil hier z.B. die Tonne CO2 bei Benzin mit €273 besteuert werde, die Tonne Steinkohle für Heizungszwecke dagegen nur mit €4. Der Staat maße sich an, Technologien besser einschätzen zu können als der Markt. Daraus folge eine Fehlallokation von Fördermitteln.Zum Potential der erneuerbaren Energien hat Sinn eine überwiegend skeptische Sicht:
    • Windenergie kann aus Sicht von Sinn die Atomstromlücke vor allem aufgrund des enormen Flächenbedarfs von Windrädern nicht schließen.
    • Solarzellen spricht Sinn auf absehbare Zeit die Perspektive ab, kostenseitig auch nur annähernd mit den Preisen fossiler Brennstoffe konkurrieren zu können. Dies sei  nur mit massiven, nicht-marktgerechten Subventionen möglich
    • „Clean Coal“, also die Verflüssigung von CO2 aus Kohlekraftwerken und die Sequestrierung im Boden (z.B. in Bergwerkschächten) hält Sinn nur im kleinen Maßstab für sicher durchführbar.
    • Die Produktion von Biotreibstoffen hält Sinn für hochriskant, da hierdurch die Nahrungsmittelpreise steigen, was Hungerkatastrophen und unkalkulierbare soziale Unruhen zur Folge haben könne.

Sinn sieht vier Lösungsansätze, um den Klimawandel doch noch zu verlangsamen:

  • Ein weltweit ratifiziertes Super-Kioto zur Bildung eines weltweiten Nachfragekartells, das die Ressourcenanbieter zwingt, die Kohlenstoffextraktion zu reduzieren.
  • Eine weltweite Quellensteuer, die Anlage von Geld aus dem Ressourcengeschäft unattraktiver macht und die Ressourcenbesitzer dazu veranlasst, ihre Förderung kurzfristig zu drosseln, um langfristig bei steigenden Preisen mehr zu profitieren
  • Verstärkte Investitionen in die Weiterentwicklung (insbesondere in Hinblick auf Sicherheitstechnik und Entsorgung) und Expansion der Atomenergie, da sie unter den Kriterien Kosten und CO2-Vermeidung alternativlos sei
  • Eine radikale Aufforstung des weltweiten Baumbestandes bei gleichzeitigem Stopp der Brandrohdung, um den natürlichen CO2-Abbau zu forcieren

Sinn fährt hier am Ende seines Buches in mehrerlei Hinsicht schwere Geschütze auf. Würde man diese Lösungsansätze ohne ihre Herleitung lesen, könnte man meinen, Sinn sei unter die Utopisten gegangen. Mit Kenntnis ihrer Herleitung muten sie wie Achsel-zuckende Resignation an nach dem Motto: Der Patient ist kaum noch zu retten, weil die hierfür notwendigen Maßnahmen politisch kaum zu realisieren sein werden. Diese Schlussfolgerung formuliert Sinn allerdings nicht selbst, sondern überlässt sie dem geneigten Leser.

Nun kann Resignation ja durchaus rational sein, wenn die Herausforderungen realistischer Weise nicht zu bewältigen sind. Aber wie zwingend ist Sinns Argumentation wirklich?

Ob Sinns skeptische Einschätzung der Effizienzpotenziale erneuerbarer Energien zutrifft, ist eine von technischen Experten zu beantwortende Frage. Auffällig ist indes, dass Sinn wiederholt die geringe aktuelle Relevanz von „grünen“ Technologien hervorhebt, z.B. bezogen auf Photovoltaik, anstatt klarere Aussagen zu den Lernkurven und zukünftigen Kostensenkungspotenzialen dieser Technologien zu machen.

Erwähnt sei an dieser Stelle, dass die von der European Climate Foundation beauftragte und in wesentlichen Teilen von McKinsey erarbeitete Studie „Roadmap 2050“ eine 80 prozentige CO2-Reduzierung in der EU innerhalb der nächsten 40 Jahre technisch für möglich hält, wenn das gesamte Portfolio der zur Verfügung stehenden Instrumente – von Wasserkraft über Solar- und Windenergie bis hin zur Geothermie – zum Einsatz komme und sich gleichzeitig die Elektromobilität massiv durchsetzt. Atomstrom und CO2-Lagerung im Boden spielen in diesen Szenarien ebenfalls eine wichtige Rolle.

Aber ungeachtet der technischen Bewertung, lohnt es sich, Sinns argumentative Konsistenz kritisch zu prüfen.

Zu den Paradoxien des „Grünen Paradoxon“

Beginnen wir mit dem Kernargument, dass die Angebotsseite nur in geringem Maße preissensitiv sei, d.h. die Ressourcenbesitzer verringern nach dieser Lesart ihr Angebot nicht, wenn der Preis infolge sinkender Nachfrage zurückgeht. Die Furcht vor einer langfristigen Substitution führt vor dem Hintergrund dieser Annahme zu einer kurzfristigen Vermehrung des Angebots, weil die Ressourcenbesitzer lieber „auscashen“ wollen, bevor ihre Ressourcen entwertet werden. Diese Logik erscheint plausibel, aber ist ihr Eintreten auch wahrscheinlich?

Sinn argumentiert, dass Solarzellen nicht einmal annähernd die Kosteneffizienz von Öl und Gas erreichen werden (bezogen auf kinetische Energie), der Windenergie aufgrund der Flächenrestriktionen enge Grenzen gesetzt sind und auch CO2-Endlagerung im Boden nicht die Lösung ist. Wenn diese recht allgemeinen Einschätzungen stimmen, dann besteht doch gar kein Grund für die Ressourcenbesitzer, ihre fossilen Brennstoffe schneller zu extrahieren und in die Atmosphäre zu blasen, es sei denn es gäbe einen künstlichen Substitutionsdruck via Subventionen. Mit anderen Worten: Die Annahme einer Koinzidenz beider Szenarien, die begrenzte Substitutionseffizienz grüner Energieerzeugung bzw CO2-Endlagerung und die Entwertungsfurcht der Ressourcenbesitzer, wäre nur dann plausibel, wenn die Besitzer fossiler Brennstoffe die massive Subventionierung erneuerbarer Energien weltweit befürchten müssten, d.h. wenn sozusagen der deutsche Fall die Regel wird.

Aber genau das stellt Sinn ja in Abrede, weil er davon ausgeht, dass Länder wie die USA und China eben eher ihren individuellen Vorteil suchen und weiterhin billiges Öl/Gas verbrauchen würden, als an der Subventionsschraube zu drehen oder andere Maßnahmen zu ergreifen, die fossile Brennstoffe in großem Maße ersetzen.

Ein weiteres Beispiel für mangelnde argumentative Konsistenz stellt das Kapitel über die Atomenergie dar. Würde Deutschland, dem Beispiel Frankreichs folgend, Kohlekraftwerke durch Atomkraftwerke substituieren, dann hätte das auf den Zertifikate-Markt den gleichen Effekt wie die vermehrte Produktion von Wind- oder Sonnenenergie: Die Zertifikate würden sich verbilligen, so dass anderswo die Verschmutzung fortschreiten kann. Es ist erstaunlich, dass Sinn seine eigene Logik nicht auf die Atomenergie anwendet.

Nach der Logik des „Grünen Paradoxons“ müsste im übrigen auch der Ausbau der Atomenergie die Substitutionsängste der erdölfördernden Staaten schüren und damit die Extraktionsgeschwindigkeit beschleunigen. Auf diese Implikation geht Sinn nicht näher ein. Unscharf bleiben auch die Implikationen aus der Internalisierung der Versicherungskosten für Atomenergieunfälle. Sinn erwähnt zwar, dass diese Kosten eingepreist und idealerweise über externe Anleger finanziert werden sollten, die Kostenvergleiche mit fossilen und erneuerbaren Energieträgern finden aber auf der Ebene der Ist-Kosten statt. Gerne hätte man hier zumindest preisliche Szenarien gesehen.

Wünschenswert wären außerdem klarere Aussagen und Szenarien, wie schnell man im Zertifikate-System die zulässigen EU-Emissionsvolumina senken sollte, insbesondere im Hinblick auf den industriellen Kostenwettbewerb mit Ländern außerhalb der EU. Das Ergebnis dieser Betrachtung würde sich auf Sinns Kernargument unmittelbar auswirken: Werden die Emissionsreduktionsziele aggressiver gesetzt, kann der Verbilligung durch grüne Technologien entgegengewirkt werden. Dieser Aspekt wird von Sinn zwar erwähnt, aber keiner detaillierteren Analyse unterzogen, was insofern seltsam anmutet, als es sein Kernargument zentral betrifft.

Argumentative „Blindstellen“ hin oder her, was eigentlich zu klären wäre, sind zwei Fragen: Wie machbar ist die „Roadmap 2050 “ wirklich? Erst wenn man die Machbarkeit bejaht und gleichzeitig davon ausgeht, dass USA und China sich klimapolitisch kontraproduktiv verhalten, sind die Voraussetzungen für das „Grüne Paradoxon“ gegeben. Verneint man dagegen die Machbarkeit oder hält die außereuropäischen Verschmutzer für lernfähig, entfällt das Paradoxon.

Ob vor allem China tatsächlich ökologisch uneinsichtig agieren wird, ist eine interessante Frage. Immerhin gibt hier ja konkrete Ansätze in Richtung Zertifikate-System und Ökosteuer. Freilich ist damit noch nicht garantiert, dass bis 2030 tatsächlich der CO2-Ausstoß signifikant reduziert wird.

Der von Deutschland ausgehende Schaden einer vorpreschenden subventionsträchtigen Klimapolitik ist in jedem Fall begrenzt, denn wegen deutscher Einspeisesubventionen allein, dürften die Ressourcenbesitzer wohl kaum die Nerven verlieren und ihre Ressourcen verramschen. Ein derartiges Verhalten würde nur über eine globale Subventionswelle provoziert. Aber dann wären wir ja schon beim von Sinn als Lösung propagierten „Super-Kioto“, bei dem die globalen Nachfrager an einem Strang ziehen . Abstrakt formuliert könnte man sagen: Was das „Grüne Paradoxon“ verursacht, führt auch zu dessen Auflösung“. Damit hätten wir ja dann sozusagen ein Paradoxon zweiter Ordnung.

Zusammenfassend lässt sich also folgern: Das „Grüne Paradoxon“ ist ein in sich logisches Bedrohungsszenario, welches aber nur unter bestimmten Bedingungen greift. Wie erläutert, erscheint das Eintreten diese Bedingungen eher unwahrscheinlich. Für viel bedrohlicher halte ich das Szenario, dass die „Roadmap 2050“ nicht schnell genug umgesetzt wird ( die Gründe hierfür, die viel mit politischen Stukturen zu tun haben, sprengen den Rahmen dieses Beitrags), so dass nicht einmal die Chance auf signifikante Substitutionsprozesse fossiler Energieträger besteht.

Gesinnungsethik als Voraussetzung für Fortschritt?

Nachdem nun die Implikationen von Sinns zentraler Argumentation kritisch betrachtet wurden, soll im Folgenden über das dem „Grünen Paradoxon“ zugrunde liegende Zielsystem nachgedacht werden.

Das primäre politische Ziel ist die Vermeidung von Treibhausgas-Emissionen. Ein zweites, auch von Sinn erwähntes Ziel ist die Energie-bezogene Versorgungssicherheit angesichts zunehmender Verknappung preisgünstiger fossiler Brennstoffe. Drittens schließlich soll auch der soziale Frieden erhalten werden, was durch die preissteigernde Wirkung von Biosprit auf Lebensmittel gefährdet erscheint.

Es gibt noch ein viertes Ziel, oder ökonomisch ausgedrückt, eine vierte Nutzenfunktion: Man kann den Wunsch der Verbraucher, Sonnen- oder Windenergie zu nutzen, als eine Art Markenpräferenz verstehen, die einen emotionalen Nutzen stiftet. Der demokratisch legitimierte Staat transformiert diese Präferenz in entsprechende Förderprogramme unabhängig von ihren kurzfristigen globalen Effekten. Deutschland wird sozusagen zum Öko-Missionar, weil es den emotionalen Nutzen bei vielen Bürgern erhöht, oder anders gesagt, weil es die Werte dieser Bürger wiederspiegelt. Wenn früher das Zweitauto Glücksgefühle hervorrief, so ist es morgen eben der Beitrag zur Naturerhaltung. Siehe Ausstieg aus der Atomenergie. Auch Preiserhöhungen werden hier offenbar von großen Teilen der Bevölkerung in Kauf genommen.

Schuldig macht sich die Politik gegenüber den Bürgern allerding dann, wenn die emotionale Nutzenmaximierung auf irreführenden oder gar falschen Versprechungen beruht. Das ist übrigens auch bei Marken so, um auf die Analogie zurückzukommen: Wenn das Markenversprechen nicht mit der tatsächlichen Produktleistung übereinstimmt, erodiert die Markentreue und der damit verbundene emotionale Nutzen.

Aber was ist das Versprechen der Klimapolitik? Es dürfte den meisten Bürgern klar sein, dass die nationale oder selbst die EU-Gesetzgebung das Weltklima per se nicht retten kann (in diesem Punkt hält Sinn m.E. die Bürger für dümmer als sie tatsächlich sind). Das Versprechen scheint mir eher darin zu bestehen, nationaler „Vorreiter“ einer fortschrittlichen Klimapolitik zu sein, wohl wissend, dass diese nur im globalen Rahmen wirkt, und hoffend, dass über ein Erfolgsbeispiel andere Staaten zum Mitmachen motiviert werden.

Das besondere dabei ist: Klimapolitik wird gewissermaßen zur individuellen und kollektiven moralischen Pflicht, auch wenn der Erfolg nicht nur von einem selbst abhängt und sich möglicherweise auch gar nicht einstellt. Simpel ausgedrückt: Selbst wenn der nationale Alleingang für sich genommen nichts bringt, muss man es dennoch tun, um ein Zeichen zu setzen. Diese Unbedingtheit könnte man als „gesinnungsethisch“ betrachten, aber nicht wie bei Max Weber mit einem abwertenden Beigeschmack, sondern positiv als Ausdruck eines starken motivationalen Antriebs.

Ob eine derartige moralische Vorreiterrolle tatsächlich „naiv“ ist, wie Sinn meint, bleibt abzuwarten. Moralisierung hat schon in anderen Zusammenhängen gewirkt. So sind beispielsweise menschheitsgeschichtliche Errungenschaften wie die Ächtung von Sklaven- und Kinderarbeit nicht allein ökonomisch zu erklären. Auch wenn beispielsweise China die Menschenrechte nach wie vor mit Füßen tritt, geht auch an den dortigen Machthabern die Mobilisierung der Weltöffentlichkeit nicht spurlos vorbei. Beim Thema Klima dürfte der interkulturelle gemeinsame Nenner eher größer als kleiner sein, geht es immerhin um die Bewahrung der eigenen Lebenswelt.

Angesichts des steinigen Weges, den die globale Klimapolitik vor sich hat, ist jedenfalls unklar, wie sich Sinn politisch die Genese eines Super-Kioto ohne Massenmobilisierung qua Moralisierung vorstellt. Vernunftgründe alleine werden kaum ausreichen, um die massiven interessenpolitischen Widerstände auf Seiten der negativ betroffenen Industrien in den „grünen“ Ländern zu überwinden. Der Vorwurf der Naivität lässt sich an dieser Stelle leicht an den Absender zurück senden.

Fazit

Es ist eigentlich erstaunlich, warum Sinns Buch, das zum produktiven Widerspruch und erhellender Diskussion einlädt, in der deutschen Blogosphäre sowie auch in anderen öffentlichen Foren nicht stärkere inhaltliche Resonanz jenseits oberflächlicher Verurteilungen und Beifallsbekundungen findet. Die Auseinandersetzung lohnt sich! „Paradox“ ist allerdings, das gerade das Ernstnehmen und „Zu Ende Denken“ der von Sinn aufgezeigten Wirkungszusammenhänge zu Schlussfolgerungen führt, die eher für als gegen die aktuelle deutsche Klimapolitik sprechen und somit teilweise deutlich von Sinns Interpretation abweichen.

Tagged with: • • • • •
 
0 Kommentare
Leave A Response

Kommentar zu Heinemann-Vortrag auf der d3con

On 10. Mai 2012, In Online Advertising, By Abdi Scheybani

Florian Heinemann, der ex-Rocket Internet CEO und neue Managing Director von Project A, hat als Key Note Speaker auf der 3Dcon-Konferenz Ende März in Hamburg der versammelten Online Advertising-Szene die Leviten gelesen – und das durchaus auf ebenso unterhaltsame wie informative Weise.

Heinemann beklagt, dass Display-Advertising bis heute sein technologisch-wirtschaftliches Potenzial nicht entfaltet habe. Die ganze Szene leide unter einem Innovationsstau, was für alle Marktteilnehmer, aber insbesondere für Advertiser ein äußerst unbefriedigender Zustand sei.

Heinemanns Hauptkritikpunkte sind:

  • Retargeting gehört zu den wenigen Display-Innovationen, die den Mainstream erreicht haben. Allerdings adressiert diese Technologie nur einen kleinen Teil dessen, was Display prinzipiell zu leisten vermag. Der Retargeting-Use-Case beschränkt sich auf die zielgenaue Ansprache von Verbrauchern, die durch den Besuch einer entsprechenden online Angebotsseite bereits Interesse an einem Produkt gezeigt haben. Das eigentliche Potenzial von Display besteht jedoch darin, neue Nutzer anzusprechen und sie in den transaktionsnahen Bereich zu führen.
  • Die Transaktionskosten für „intelligentes“ Display-Advertising sind zu hoch:   Von einem Euro TKP gehen bis zu 60 Cent in die Taschen der AdExchanges, Real-Time-Bidding (RTB)-Technologieanbieter und der Datenanreicherer.  Angesichts dieser Kostenstruktur ist nachvollziehbar, dass viele Advertiser lieber mit der Schrotflinte arbeiten und ihre Werbung weiterhin „ungetargeted“ streuen (implizit sagt Heinemann hiermit, dass die Verringerung der Streuverluste wirtschaftlich nicht signifikant höher ausfällt als die hierdurch verursachten Kosten).
  • Von wenigen Ausnahmen abgesehen (hier erwähnt Heinemann explizit United Internet) qualifizieren die Publisher ihr AdImpression-Angebot nicht hinreichend. Die Aufwände hierfür werden auf den Advertiser abgewälzt.
  • Publisher verkaufen Display-Space nach wie vor primär über View-Cookie-Metriken.  Advertiser denken dagegen Conversion-bezogen und können daher wenig mit den View-Cookie-Infos anfangen.
  • Der Advertiser leidet außerdem unter der hohen Fragmentierung des Publisher-Angebots und der daraus eingeschränkten Wiedererkennung des Nutzers.
  • Während die deutsche Publisher- und Media-Agentur-Szene auf der Stelle tritt, gewinnt Google mit seinem Content-Network und dem SEM-Wissen über die Nutzer weiter an Marktmacht. Die Folgen reichen über das Display-Geschäft hinaus. Auch Affiliate Marketing ist betroffen, konkurrieren doch Spieler wie z.B. Zanox um den gleichen Ad Space wie Google.

Diese Bestandsaufnahme ist so ernüchternd wie richtig. Sie ist allerdings nicht neu. Kenner der Szene stoßen seit Jahren ins selbe Horn, wenn auch häufig hinter vorgehaltener Hand, um sich geschäftlich nicht zu schaden.

Allerdings ist es  – wie immer – viel leichter einen unbefriedigenden Zustand zu kritisieren als überzeugende Lösungen zu präsentieren. Das zeigt sich teilweise auch bei Heinemanns Vorschlägen:

  • Publisher sollten in Vorleistung gehen und Umfang und Tiefe der Cookie-bezogenen Information (z.B. durch Integration der CRM-Daten) erweitern und idealerweise ohne Aufpreis den Advertisern zur Verfügung stellen.

Dieses Postulat von Heinemann impliziert, dass Publisher sich bisher gegen technische Innovationen im Display-Advertising gesperrt hätten. Das ist nur halb richtig. Es stimmt, dass die meisten großen Contentanbieter bis zum heutigen Zeitpunkt eine geringe Affinität zum Medium Internet und technischen Innovationen haben. Zum Teil herrscht auch eine intellektuelle Verweigerungshaltung vor, wenn es um ein tieferes Verständnis von Targeting-Lösungen geht. Dennoch muss gesagt werden, dass große Publisher Jahrelang mit Targeting-Ansätzen experimentiert haben. In vielen Fällen waren die Resultate einfach nicht überzeugend. Ich habe an anderer Stelle die Gründe hierfür erläutert.

  • Publisher sollte sich zusammenschließen und ihr Inventar „poolen“, so dass  Kontaktfrequenz und damit auch die Qualität von Cookie-Profilierung und  Targeting steigen.

Eine Publisher-übergreifende Plattform zu bauen, scheitert bisher nicht nur an der Mentalitätsbarriere der Akteure bezüglich verlagsübergreifenden Kooperationen. Mindestens ebenso wichtig dürfte die fehlende Überzeugung sein, dass die Qualität des Targetings durch eine gemeinsame Plattform tatsächlich steigt. Außerdem müsste in einer solchen Konstellation auch eine Lösung für die Trennung von Premium- von Remnant-Inventar gefunden werden, was an sich schon ein komplexes Thema darstellt. Dass Premium Publisher an Demand Side-Plattformen wenig Interesse haben, kann man ihnen sicher am wenigsten verübeln, da ja dann dort die Arbitrage-Gewinne durch Cookie-Veredelung weitgehend an ihnen vorbeigehen würden.

  • Technologie-Startups sollen intelligente Algorithmen bereitstellen, die relevante Targeting-Informationen aus den Cookie-Daten extrahieren.

Hier trifft Heinemann den Nagel auf dem Kopf. Die Fähigkeit aus dem via Cookie erfassten Surfverhalten der Verbraucher effektive Werbeempfehlungen abzuleiten liegt in der Tat auf dem kritischen Pfad des Display Advertising-Evolution. Mehrere Generationen von Personalisierungs- bzw. Targetinganbietern haben sich hieran ihre Zähne ausgebissen.

Allerdings ist es mit Algorithmen alleine nicht getan. Die Vorstellung, es gäbe eine magische Formel, die beobachtetes Verhalten in relevante Interessenaffinität übersetzt,  ist ohnehin abwegig. Vielmehr geht es darum eine Methodik zu entwickeln, die aussagekräftiger als bisher Verhalten profiliert, bevor mit dann mithilfe moderner Data Mining-Methoden Konvertierungsprofile ermittelt werden können. Dieser erste Profilierungsschritt lag lange Zeit im toten Winkel der Targeting-Debatte. Kritische Themen wie Profilierungstiefe je Cookie und Anteil der Cookie-Profilierung am gesamten Surfverhalten sind Stiefkinder der Targeting-Debatte, obwohl sie zentral sind für den Erfolg von Targeting-Kampagnen.

Wenn das Problem der Profilierung und der damit einhergehenden Analytik deutlich überzeugender als bisher gelöst wird, besteht eine echte Chance für RTB-Marktplätze, die in Sekundenbruchteilen die Ad Impression mit den höchsten erwarteten Konvertierungsrendite ermitteln. Wie sehr dann noch das Premium Inventory der großen Publisher benötigt wird, ist eine interessant Frage. Eine Frage, die Premium-Publisher zurecht mit Sorge erfüllt. Heinemanns Apell an die Publisher, sie sollten sich doch an die Spitze der Innovationsbewegung setzten, verkennt die Gefahr, dass die Publisher zu den Verlierern in diesem Innovationsprozeß zählen werden.  Aber auch die andere Alternative ist für die Premium-Publisher nicht besonders reizvoll: Angesichts der voranschreitenden Google-Expansion im Display-Advertising ähneln sie einem Frosch im Wasserglas, der auf den Temperaturanstieg des Wassers erst dann reagiert, wenn es zu spät ist. Und möglicherweise ist dieser Zeitpunkt bereits überschritten…

Mit Blick auf diese beiden Bedrohungen, die Targeting-Innovation im allgemeinen und die Google Expansion im besonderen, ist das krampfhafte Festhalten am Status Quo aus Sicht der Premium Publisher am Ende vielleicht sogar rational: Wenn man die Zukunft nicht gewinnen kann, dann ist es sinnvoll, den Wandel solange wie möglich aufzuhalten, um in der Zwischenzeit weiter zu profitieren. Der Dumme ist dabei letztlich wieder der Endverbraucher, weil diese Verlangsamung des Wandels einer besseren Monetarisierung von Internetangeboten jenseits des Premium Contents entgegenwirkt, was sich wiederum auch qualitativ negativ auf das Angebot auswirkt.

Wie dem auch sei, man darf gespannt sein, in welcher Form Project A, die neue berufliche Heimat von Herrn Heinemann, in diesem Themenfeld agieren wird…

Tagged with:
 
0 Kommentare
Leave A Response

Das Ressourceneffizienzprogramm der Bundesregierung – Warum Analytik auf dem kritischen Pfad einer erfolgreichen Implementierung liegt

On 16. April 2012, In Resource Efficiency & Green Economy, By Abdi Scheybani

Das Thema Ressourceneffizienz hat zur Zeit auf der politischen Bühne Konjunktur. Am 29. Februar 2012 verabschiedete der Bundestag gegen die Stimmen der Opposition das von der Bundesregierung vorgeschlagene Ressourceneffizienzprogramm (kurz „ProgRess“).  Das Programm fokussiert auf nicht-fossile abiotische Rohstoffe (Erze, Bau- und Industriemineralien) sowie auf die stoffliche Nutzung biotischer Rohstoffe. Es strebt eine „weitgehende Entkopplung des Wirtschaftswachstums vom Ressourceneinsatz sowie die Senkung der damit verbundenen Umweltbelastungen, die Stärkung der Zukunfts- und Wettbewerbsfähigkeit der deutschen Wirtschaft und dadurch die Förderung von stabiler Beschäftigung und sozialem Zusammenhalt an“ (S. 24 der Beschlussvorlage). „Globale Verantwortung“ und reduzierte „Inanspruchnahme von Ressourcen“ sind weitere Elemente der allgemeinen Zielsetzung.

Der mit der Historie dieses Entwurfs nicht Vertraute mag fragen, ob Ressourceneffizienz nicht ein primär betriebswirtschaftliches Thema, zumindest in einer marktwirtschaftlichen Ordnung: Ist es nicht Kernaufgabe der Unternehmen, ihren Ressourceneinsatz zu optimieren? Regeln nicht Märkte die Ressourcennutzung? Werden Ressourcen knapp, steigt der Preis und Unternehmen setzen weniger teure Substitute ein. Welche Legitimation hat der Staat hier einzugreifen?

Der Gesetzentwurf beantwortet diese Legitimationsfrage nicht direkt. Standardargumente der Umweltpolitik wie  „Marktineffizienzen“ infolge Nicht-Einpreisens öffentlicher Güter und Umweltschäden oder primär kurzfristig ausgerichteten unternehmerischen Handelns sucht man vergeblich.

Statt dessen werden fünf  übergeordnete Handlungsansätze benannt:

  1. Nachhaltige Rohstoffversorgung sichern
  2. Ressourceneffizienz in der Produktion steigern
  3. Konsum ressourceneffizienter gestalten
  4. Ressourceneffiziente Kreislaufwirtschaft ausbauen
  5. Übergreifende Instrumente nutzen (z.B. Ressourcenverbrauch fördernde Subventionen, Verbesserung der Wissensbasis, Beratung etc.)

Die unmittelbar wirtschaftlich relevanten Themen werden als erste genannt. Diese Reihenfolge ist wohl kaum zufällig gewählt. Drohende Ressourcenengpässe (z.B. bei Seltenen Erden) sind in der Tat für Teile der Industrie eine reale Bedrohung. Aus industrieller Sicht ist hier staatliche Unterstützung durchaus willkommen, solange die Teilnahme der Unternehmen auf Freiwilligkeit beruht. Das gilt auch für Ressourcen-Effizienz-bezogene Förderprogramme im Bereich der betriebswirtschaftlichen Beratung und Prozessoptimierung.

Es ist natürlich nicht allzu schwer, diese Art von Politikgestaltung als „zahnlosen Tiger“ und „Politiksimulation“ zu desavouieren, wie in der Gesetzesdebatte im Bundestag geschehen. Die Kritiker fordern konkretere Maßnahmen und ein stärker steuerndes Eingreifen jenseits des Freiwilligkeitsprinzips.  Die Instrumente sind ja prinzipiell bekannt und häufig auch erfolgreich erprobt (Stichwort Ökosteuern, Technologie- und Nutzungsbezogene Subventionen, Normierung etc.). Die Befürworter stärkerer regulatorisches Eingriffe müssen sich allerdings die kritische Frage gefallen lassen, ob die aktuelle Wissensbasis über die komplexen Zielkonflikte und Wechselwirkungen im Bereich der Ressourcennutzung für detaillierte Steuerungsmaßnahmen überhaupt ausreichen.

Kritik an ProgRess lässt sich auch aus dem Lager der Industrie vernehmen. Man mag dem BDI dabei interessenpolitische Voreingenommenheit und ökologische Lippenbekenntnisse vorwerfen. Zum Teil leistet er dieser Lesart selbst Vorschub mit grotesken Verallgemeinerungen wie z.B. der Behauptung, dass Ressourcenabbaustätten häufig Hot Spots der Biodiversität seien („der Uhu z.B. nistet vorzugsweise in Steinbrüchen“). Gleichwohl muss man dem  BDI zugestehen, in seiner Replik auf den ProgRess-Entwurf im Mai 2011 auf einen wesentlichen Problemzusammenhang hingewiesen zu haben:

Grundsätzliche Zielkonflikte in der Umwelt- Ressourcen- und Klimapolitik werden in ProgRess ausgeblendet. So machen zum Beispiel die ehrgeizigen Ziele der Bundesregierung im Klimaschutz den vermehrten Einsatz von Baumaterialien bei der dafür unverzichtbaren energetischen Sanierung von Gebäuden notwendig. Auch am Beispiel E-Mobilität wird der Zielkonflikt zwischen energetischer und stofflicher Ressourcenschonung sehr deutlich: Die klimapolitische Priorität der Reduzierung der Nutzung fossiler Energien wird erreicht durch eine veränderte Nutzung stofflicher Ressourcen (je nach spezifischer Ressource stärkere oder schwächere Nutzung). Daraus folgt, dass eine isolierte Betrachtung den Zusammenhängen nicht gerecht wird und die Beschränkung des Ressourcenbegriffs auf abiotische und nichtenergetische Rohstoffe die Definition und Erarbeitung von übergeordneten widerspruchsfreien Zielen und Lösungen erschwert. (Punkt 4, S. 2).

Für den Konflikt zwischen Klima- und Ressourcenzielen führt der BDI als Beispiel an, Zellstoff würde als Biomasse zunehmend direkt der thermischen Nutzung zugeführt, obwohl doch eine vorherige stoffliche Nutzung sinnvoller wäre (Punkt 25, Kommentar zu Handlungsansatz 11, S. 9)

Nun ist es natürlich nicht so, dass BMU, UBU und Wuppertal Institut als wesentliche Treiber des Ressourceneffizienzansatzes diese Zielkonflikte nicht kennten oder ignoriert hätten. Zum  Zusammenhang zwischen stofflicher und energetischer Ressourcennutzung – z.B. sequenziell in Form der Kaskadennutzung – hat das Wuppertal Institut selbst Forschungen angestoßen und veröffentlicht.

Allerdings beruht die Herausforderung in der Tat darin, unterschiedliche Bewertungsperspektiven in einer ganzheitlichen Sicht zusammenzufügen, insbesondere die Rohstoffverfügbarkeit mit der ökologischen Schadensverursachung, wobei bei letztere möglichst viele Schadensaspekten (Treibhausgase, Ozon, Toxische Wirkungen etc.) zu berücksichtigen sind.

Die Berechnung der Ressourceneffizienz im engeren Sinne beruht auf der übergreifenden MIPS-Methode (Material-Input pro Serviceeinheit).  Die Ressourceneffizienz eines Gebäudes z.B. wird danach nicht nur am Energieverbrauch während der Nutzung errechnet, sondern schließt den Bau, einschließlich dem Abbau der hierfür erforderlichen Rohstoffe, sowie den Rückbau am Lebenszyklusende mit ein. Der Fokus dieser Methode liegt somit auf der Minimierung der eingesetzten Stoffmenge. Es soll möglichst wenig Natur verbraucht werden.

Betrachtet man zusätzlich auch die Emissionswirkungen bei der Stoffgewinnung, verarbeitung und –entsorgung so komplettiert sich das Bild. Wichtig ist dabei, dass die Mengenbetrachtung nicht per se die ökologische Wirkung impliziert. So kann es z.B. vorkommen, dass ein Verfahren mehr Material verbraucht, aber dafür weniger schädlich für Klima und Umwelt ist.

Eine derartige umfassende Perspektive ist zur Zeit aber noch die Ausnahme. Weit verbreitet sind dagegen Stoffvergleiche auf Basis des CO2 Ausstoßes („Carbon Footprint“) entlang des Lebenszylus der Anwendung. In Fahrzeugen genutztes Aluminium beispielsweise generiert während der Herstellung einen um Faktor vier bis fünf höheren CO2 Ausstoß als für die gleiche Masse Stahl. Da aber Aluminium deutlich leichter ist, kann bei mehr als 150.000 gefahrenen KM der anfängliche CO2 Nachteil kompensiert und in einen Minderverbrauch verwandelt werden (das Beispiel ist aus dem Vortrag von Dr. Marko Gernuks, Ressourceneffizienz – was wollen wir damit eigentlich erreichen? 3. November 2010).

Für viele Produkte greift allerdings eine nur Emissions-bezogene LCA (Life Cycle Analysis)-Betrachtung zu kurz. Dies lässt sich z.B. an der aktuellen Diskussion über die ökologische Verträglichkeit des iPads illustrieren: Die hierzu veröffentlichten Vergleiche fokussieren auf den „Carbon Footprint“, ohne dabei die aus dem Abbau des Ressourcenbestandes folgenden ökologischen und ökonomischen Probleme zu thematisieren.

Es geht eben nicht nur darum, wie CO2-verträglich die Herstellung von Papier ist, sondern wie sich die Papiererzeugung auf das Abholzen von Wäldern auswirkt und ob diese „Entnahme“ aus der Natur über Aufforstung schnell genug kompensiert werden kann, insbesondere in einem Kontext, wo sich zur Verwertung von Biomasse die Waldrodung beschleunigt.

Das gleiche gilt natürlich für die im iPAD genutzten seltenen Erden und Metalle, die ebenfalls zur Engpassbildung bei diesen Rohstoffgruppen beitragen.  Mit anderen Worten: Die zukünftige Rohstoffverfügbarkeit und die ökologisch- und ökonomischen Folgen der Nicht-Verfügbarkeit sind grob abzuschätzen und damit in die Vergleiche miteinzubeziehen.

Derartig ganzheitliche, diverse Wechselwirkungen betrachtende Wirkungsanalysen sind allerdings aus drei Gründen komplex:

  • Erstens benötigt man empirische Daten über den gesamten Lebenszyklus, idealerweise aus einer spezifischen Produktperspektive, da diese ja wirtschaftliche Entscheidungen in der Regel bestimmt
  • Zweitens bedarf es einer vergleichenden Perspektive, d.h. auch die Alternativen des jeweiligen Stoffeinsatzes in einem Produkt sind bezüglich ihrer Ressourceneffizienz und ökologischen Wirkungen zu untersuchen.
  • Drittens sind vielfältige wirtschaftliche und ökologische Rückkoppelungseffekte zu berücksichtigen

Für die Berechnung komplexer ökologischer Rückkoppelungs- bzw. Wirkungsketten bedarf es leistungsfähiger Software-Werkzeuge. Das hat z.B. auch das VW Forschungsteam erkannt, das im Rahmen seiner  im Herbst 2011 erschienenen, vom BMU geförderten Potenzialanalyse für Lithium und Kobalt ein System Dynamics-Tool eingesetzt hat. Die Autoren der Studie führen drei wesentliche Vorteile der Systems Dynamics-Methodik gegenüber herkömmlichen Stoffstrommodellierungen an:

  • Zukünftige Systemzustände, insbesondere „Verzögerungseffekte“ können gut simuliert werden
  • Die Einflussgrößen des System werden nicht unabhängig voneinander betrachtet, sondern in ihrer kausalen Wechselwirkung, so dass auch „verstärkende Rückkoppelungseffekte in die Analyse miteinbezogen werden“ (ebd, S. 6)
  • Die Auswirkungen von Einzelentscheidungen werden über mehrere Stufen hinweg sichtbar

Natürlich lässt sich auch mit einer solchen Methodik die Zukunft nicht sicher vorhersagen. Allerdings wird der Einfluss spezifischer Annahmen auf die Auswirkungen und Verfügbarkeiten von Primär und Sekundärrohstoffen (Recycling) deutlicher, so dass das systemische Gesamtverständnis wächst. Und das wiederum ist eine wichtige Voraussetzung, um die Qualität von Entscheidungen zu verbessern, die unter Unsicherheit in der Gegenwart getroffen werden (wobei Nicht-Eingreifen übrigens auch eine implizite Entscheidung ist, für die sich die politisch Verantwortlichen gegenüber nachfolgenden Generationen zu rechtfertigen haben).

Auch die Auswirkungen staatlicher Regulationen lassen sich in Form von alternativen Szenarien simulieren. Damit schafft man das Risiko nicht-intendierter Konsequenzen staatlicher Eingriffe nicht ab, kann es aber idealerweise besser abschätzen.

Dass das Thema „Nicht-intendierte Konsequenzen“ wichtiger wird, zeigen auch jüngere Veröffentlichungen zum „Rebound-Effekt“. Darunter versteht man, dass Effizienzgewinne häufig dazu führen, Produkte erschwinglicher bzw. attraktiver zu machen, was wiederum nachfragesteigernd und im Ergebnis zu einem Ressourcenmehrverbrauch führt. Ein klassisches Beispiel hierfür liefert die Automobilindustrie: Der steigende Wirkungsgrad der Motoren führt zu einem Anstieg der Leistung und im Zusammenspiel mit weiteren Innovationen und Rahmenbedingungen zu Preissenkungen. Im Ergebnis führt dies zu einer wachsenden Gesamtnachfrage  und nicht zu sparsameren Verbrauch. Noch komplexer wird es bei übergreifenden Effekten, d.h. Einsparungen aufgrund von Effizienzverbesserungen bei einem Produkt können zu Mehrausgaben und damit zu erhöhten Ressourcenverbrauch bei anderen Produkten führen. Im Ergebnis ist daher davon auszugehen, dass sich Ressourceneffizienz systemisch nur mit einem signifikanten Abschlag positiv auswirken. Damit soll nicht den Kritikern das Wort geredet, sondern verdeutlicht werden, dass auch solche zunächst kontraintuitiven Rückkoppelungen bei Wirkungsschätzungen grob zu berücksichtigen sind.

Fazit:

Angesichts der dargestellten methodisch-analytischen Herausforderungen ist es erfreulich, dass ProgRess in seinem Punkt 5 ausdrücklich die „Erweiterung der Wissensbasis“ einfordert. Die Frage, wie sich dieses Wissen sinnvoll generieren lässt, liegt auf dem kritischen Pfad einer erfolgreichen Implementierung des beschlossenen Ressourceneffizienzprogramms.

Sicher, über die Zielpriorisierung werden sich ökonomische und ökologische Interessenvertreter auch bei einer stark verbesserten Wissensbasis nicht ohne weiteres einigen können. Das heißt aber nicht, dass Zielkonflikte unter den Teppich gekehrt werden sollten, um sich dann auf den kleinsten gemeinsamen inhaltlichen Nenner zu einigen. Dieser Nenner könnte in der Tat zu klein sein, um Weichenstellungen bei der Ressourceneffizienz herbeizuführen. Vielmehr sollten die ökologisch-ökonomischen sowie Ökologie-internen Zielkonflikte explizit gemacht werden. Nur so lassen sie sich analysieren und die Ergebnisse anschließend produktiv diskutieren.

Das gilt ebenso für Regulierungsvorschläge. Werden deren Auswirkungen systematisch abgeschätzt bzw. über problemadäquate Szenarien-Simulation besser verstanden, so besteht begründete Hoffnung, dass sich die Debatte zwischen privatwirtschaftlichen und ökologischen Interessenvertretern zunehmend versachlicht und an inhaltlicher Tiefe gewinnt.

Tagged with: • • • • • • •
 
0 Kommentare
Leave A Response

Putting Big Data into perspective – Part 2: Turning Big Data into dollars?

On 13. Februar 2012, In Big Data, By Abdi Scheybani

As explained in my previous post, the case for Big Data and related enabling analytical and processing technologies is not entirely self-evident for enterprises in the short term, although there is little doubt about the long-term value. So far I have argued that:

  • Big Data should not only be referred to social media and machine-to-machine communication, but understood as evolutionary phenomenon driven by computerization and digitization of our entire social and economic system over the past 25 years – the data explosion had been a trend before the internet produced unprecedented volumes of structured and unstructured data.
  • by introducing this historical perspective, the relevance and the challenges of reconciling old and new big data worlds can be fathomed in a more comprehensive way – the interrelation between Big Data technologies (in the narrow sense of the word), next generation Enterprise Data Warehouses (EWHs) and in-memory analytics platforms becomes clearer.
  • the lessons learned from high volume data analytics since the mid 90s is also relevant for the new Big Data challenges. A key lesson is: Extracting business value from operational data is not trivial and requires much more than analytics, e.g. supporting business processes and trained knowledge workers
  • the go-to-market approach of the new EWH (like SAP HANA) and Big Data technologies (like Hadoop) is not a no-brainer. Solid business cases are required for introducing these innovations to the market. .

Let us see what renowned market research companies have to say about this business case aspect: IDC claims that the Big Data analysis “impact is potentially enormous” It provides a whole list of Big Data business use cases, positioning them along the two axes “data velocity” (from batch to real time) and “data variety” (structure, semi structured, unstructured). Looking at the latter axis, it is noticeable that:

  • the majority of use cases are being listed under the “structured data” column. Among those you find many of the usual suspects, which have been subject to advanced analytics for almost two decades now (e.g. Fraud detection, risk assessment, event based marketing)
  • under “semi-structured data” you just find social media sentiment and disease analysis
  • under “unstructured data” only video surveillance analysis is listed
  • supply chain use cases are almost not mentioned or look very specific (e.g. demand forecasting in manufacturing)

So far, the new Big Data world appears less disruptive than announced. Let’s have a look at the “data velocity axis”: Here only a few real time business use cases are listed, again mostly in the structured segment (risk/fraud assessment, event based marketing). These analytics use cases are quite familiar. New Big Data sources might enrich their data foundation, but they are not creating entirely new use cases according to IDC.

Greenplum, a leading Big Data analytics platform provider combining a MPP relational database with enterprise-class Apache Hadoop, provides a slightly different perspective when presenting a selection of key Big Data use cases on its website:

  • Social Networking: The example here is LinkedIn, the leading professional networking tool with over 100 million members
  • Energy: Analyzing and processing the smart grid data
  • Health Care: Mapping geography of crime incidences with local health care financing reveals deficiencies of the health care system; using data analysis for forecasting pandemic threats
  • Artificial Intelligence: Designing human-robot interaction technologies; IBM Watson, a machine built to compete with human intelligence

The most mature and relevant of these use cases seem to be the smart grid case and Social Networking. The remaining use cases, although very promising, seem to be more at research stage.

Social Networking can be segmented in B2C platform providers such as facebook, LinkedIn, xing etc and third party platform providers such as Lithium or Jive, who are enabling other businesses to offer user-to-user interaction. But how many big players do exist in these the-winner-takes-it-all platform markets? These markets are huge in terms of users but limited in terms of potential customers for software vendors. And quite frequently these players are building their own tools.

So, if Social Networking is a specific segment, what are the processing and analytical requirements for ordinary companies with regard to Social Media then? The answer is: Theoretically a lot, e.g companies can monitor forum discussions in order to detect negative viral effects early on or to proactively address customer service issues in public, thereby reducing the call center call volume. Some companies in the high tech sector are even instigating social media discussions on their own platforms as an attempt to partly “outsource” customers service and product development to their own users (the famous dell storm example). In conclusion, the in-house Social Media use cases are not so compelling yet that they will drive Big Data analysis for enterprises in the mid term.

Let us return to the second high potential case of the Greenplum list. The smart grid case stands for a general trend: Basic infrastructure (energy, buildings, traffic systems etc.) becomes more intelligent, driven by the need to create an increasingly resource efficient economy. Smart energy networks will enable a more efficient energy production and distribution through equipping consumers and network assets with meters and sensors, which constantly exchange data with the network management. Smart buildings will save energy through distributed sensors for differentiated on-demand heating. Automated visual traffic monitoring at gateway roads of large cities will bring about toll systems with beneficial fiscal and environmental effect. All these cases are likely to have a huge impact on the economy and they all depend on massive data processing and analysis. But, will these cases drive adoption of high volume analytics in the next two to three years?

The other open question is where the intelligence will reside – in central databases or rather in decentral self-regulating processes and assets. If the latter is the case, technology wise complex event processing (CEP) might be more required than super fast processing of massive amounts of data in EWH-like environments.

If the assumption is correct that most of these Big Data use cases will still need some time to “cross the chasm” and hit mainstream markets, what will happen to the “traditional” Big Data use cases from the IDC list? Will they drive the adoption of innovative high volume data analytics?  The term “innovative” comprises all recent advancements from MPP data warehouse technology over in-memory analytics up to Hadoop-like distributed computing frameworks in combination with key value stores (see part 1 of this blog).

How do the big software “gorillas” Oracle and SAP answer this question? Which business cases do they promote in order to market their enhanced analytics capabilities?

Oracle has launched in 2008 the Exadata Server (software/hardware packaged) for OLTP and data warehouse workloads, addressing explicitly high performance needs. In addition – as already mentioned in part 1 of this post – Oracle has introduced a “Big Data Appliance” in which you find – among other things – an enterprise version of Hadoop, Oracle’s own key value store and the open source analytics suite R. This bundle is presented as an extension to Oracle 11g. The explicit use case focus is on unstructured web data. Oracle mentions as main business value generating features the easy of installation and enterprise-class reliability. Overall this looks a bit like a me-too approach to occupy timely a growing niche.Briefly before the start of its Big Data initiative Oracle launched Exalytics as new in-memory flagship, thereby obviously trying to reduce the gap towards SAP in this segment.

IBM has also made its move with the acquisition of Netezza, a high performance MPP database for high volume of data, while beefing up DB2 with the smart accelerator, an in-memory database for small to medium sized datasets which initially had been introduced as stand-alone product in 2010.

As already mentioned in part 1 of this post series on Big Data SAP has made its new database and analytics product HANA a core strategic initiative for their entire product portfolio.,The current SAP HANA marketing focuses on speed of analysis. SAP claims that

  • HANA is up to 10k times (in some cases even more than 100k) faster than current analytical infrastructure
  • reducing waiting time between queries from hours to seconds changes the quality and scope of data exploration and enables extremely fast reporting.
  • faster iterations will enable in-depth exploration and thus yield better results. Analysis becomes a sort-of real time dialogue, so the promise.

A second message refers to prospects of lower TCO thanks to the consolidation of heterogeneous databases, especially of data redundancies between the transaction and data warehouse layer. The third benefit which SAP marketers mention, is enhanced data reliability. Time savings can be used for data quality checks.

The 13 customer testimonials published on the SAP website repeat these arguments. Sure, one should not overestimate this kind of “marketing propaganda”, which often reflects more the software provider’s intentions than authentic experiences of customers, especially when it comes to such a young product. The fact for instance that the two SAP customers Colgate-Palmolive and Infosys report exactly the same time savings (analysis running time has been reduced from 77 minutes to 13 seconds) is a little bit awkward, given that these companies probably do not share a common database.  Regardless the authenticity level of these testimonies, it is still interesting to see which use cases are being mentioned there and how business benefits are being derived.

Some of the more substantial testimonials mention product and customer profitability analysis as a use case with immediate business impact. As the CIO of BASF reports the response times of this type of analysis can be reduced from 620 seconds (a little bit over 10 minutes) to 5 seconds for a single product category. If a business owner demands such an in-depth analysis for only one product you could argue that the delta between 5 seconds and 10 minutes is not really relevant. A strategic controller, however, wants to have an overview on product related EBIT performance throughout his entire product portfolio. What does this mean for a company like BASF with 250k customers? One might argue that such an analysis does not need to be performed on the most granular product level and that the product group level is sufficient. If one assumes that ten product articles belong to a product group, we are left with 25.000 articles. If we further assume that this in-depth EBIT calculation is only required for the top 20% in terms of EBIT generation, we end up with 5.000 categories for analysis. This translates into 37 days of calculation without HANA vs 7 hours with HANA. This in fact makes a real difference from a business point of view.

However, one needs to be aware that in many corporations the data inputs for calculating EBIT on product level are not readily available. This discussion goes way back to the roots of Activity Based Costing (ABC), which was invented by Kaplan in the late 80s. The original concept did not really work in practice due to the lengthy data generation processes (employees have to continually report the time spent on business relevant activities). Data processing was also an issue of course. In 2004 Kaplan introduced with “Time- Driven Activity-Based Costing” (published in HBR, 2004) a more practicable version of his original concept, working with all kinds of proxies based on data inputs from IT systems since in the meantime ERP systems and other application had started to record the duration of business processes and related human activities.

I do not know how far BASF progressed in assigning direct and indirect labor costs to specific products and what share labor costs have in their overall cost structure.  But I do know that many other companies have huge deficiencies here. My hypothesis is that most companies need to introduce new data generation processes and change data structures before HANA or a comparable super fast engine can add real value. This is not a counter argument to the in-memory trend, quite the opposite, the message to the strategic controllers and business consultants of the world is that finally ABC cost analysis and thus detailed product and customer related profitability analysis has become a realistic option. But it is more required than a software migration to exploit the real value from accelerated analytics. In many cases data generation and business processes need to be adapted as well.

Having said that, there are of course also use cases where processes do not need to be changed in order realize the benefits from faster analytical processing. The example of Nong Fu Spring, a Chinese distributor of bottled water and fruit drinks, points out that using HANA ETL processes could be shortened and business logic calculation reduced from one day to 37 seconds without changing the query script. Executives receive now account reconciliation reports 24 hours earlier, which the Nong Fu Spring testimonial evaluates as huge progress. Unfortunately, the interviewed executive does not explain the concrete business advantages deriving from this time saving. You could think of more precise forecasting, leading to decreased freight costs, or higher retailer satisfaction thanks to lower local inventory levels. It might well be that in this case like in many other supply chain operations gaining one full day is a real game changer. In other industries, however, this does not need to be the case.

As far as I can see, these two case studies are representative for the way software providers are currently marketing the value of the in-memory database revolution: The messages are still too much technology driven – as if speed alone would bring business value. This is understandable for those use cases where no empirical evidence exists yet, but not for the cases where relevant experience is available already. The speed focused argumentation might be sufficient to convince CIOs. Business owners are usually more demanding. They have learned over the past 20 years that software as such is rarely a panacea for their business problems. And they would like to understand the whole solution including the business requirements. According to a recent TDWI survey on Big Data “lack of business sponsorships” for Big Data technology is one of the top-three adoption barriers for this technology besides costs and lack of big data skills (TDWI research, Big Data Analytics, Q 4th 2011, p. 12; author: Philip Russom).

The marketing argumentation around Big Data technology is also suffering from another weakness, the tendency to see real-term analytics as generally applicable business requirement. This can be illustrated by a SAP sponsored IDC whitepaper about Smart Meters.

Smart meters do produce massive amounts of data. So, processing and storing requirements are enormous. IDC suggests rightfully using energy consumption data to segment the customer base into separate cluster of consumption profiles, in order to improve forecasting quality and to improve network efficiency. But is this a real-time case? And if yes, in which respect? Energy consumption patterns on household level are usually quite stable; it is very unlikely that they shift hourly, weekly or even monthly (apart from the seasonal variations of course which need to be normalized). In order to find discriminating segmentation criteria you do not need the data of the entire population, a representative sample is good enough. Applying the segmentation algorithm to the entire database of user does require some computing power, but would this  take weeks with a conventional database technology as it is the case in our product profitability example? It might well be, although I doubt it. The issue is that the whitepaper does not provide this differentiated view. The actual real-time processing requirement follows from another, more operational use case, the immediate response of the network in case of consumption pattern shifts. The role HANA plays in such a CEP (Complex Event Processing) is worth to be explored.

The lack of a clear distinction between real-time analytical exploration and real-time analytical processing requirements can easily lead to wrong conclusions.  Analytical exploration aims at identifying relevant business patterns in data streams, analytical processing transforms these insights into business rules and applies them to the entire dataset. While analytical processing may or may not require real-time processing throughout the entire dataset, exploration mostly neither requires real-time nor a comprehensive dataset basis.

Amazon’s recommendation engine is an example for an application where real time business rule execution and a comprehensive data set are required, but not real-time exploration: The transaction and view based product associations (people who looked at/bought item A also looked at/bought item xyz) can be calculated well before the user visits the website. When a user’s HTTP request hits the server, a pre-calculated business rule has to be executed only a few milliseconds later.

A typical example for a use case where both analytical exploration and processing do not require real-time, is anti-churn analytics. Profiles of churners can be assessed based on historical data and the identified profile patterns projected to the entire dataset so that churner can be identified within a certain probability range. Since profiles are not changing within hours or even days and customers can be easily identified and addressed any time, real-time pressure is almost not existent.

The anti-churn analytics case illustrates another widespread misconception about the amount of data needed to build real time executable business rules. In environments where the long tail of events does not dominate the business, valid business rules can be derived from small to medium sized samples. Big Data analysis is just not required in these cases. Once identified in the sample, business rules can be applied to all relevant operational data.

A contrary example is A/B testing for contextual online advertising. In order to determine the ad space with the highest conversion, many controlled conversion experiments need to be conducted simultaneously. The ad space with the best performing conversion-price ratio will then become the ad delivery focus. Given the limited campaign run-time, exploration and execution should be time wise closely together. The real-time application of the test insights is a must.

To cut a long story short: In order to evaluate the relevance of in-memory analytics, companies should segment their processes according to these different real time requirements.  A good mental tool for evaluating the relevance of real time analytical processing is to ask what the business consequences are if the deadline is missed.≈

If real-time requirements are not urgent, there might still be other reasons why investing in analytic performance make sense, e.g. in order to conduct a more granular analysis or to lower TCO. One should do the right things for the right reasons instead of  motivating everything with alleged real time requirements.

Summing up the lessons learned from this post, I like to highlight four messages:

  • Many of the Big Data use cases are still early stage and will take off only in the medium term
  • However, impressive short term analytics use cases for high volume data sets seem to exist (e.g. SAP HANA’s product profitability case), although the marketing of these cases is overly technology focused
  • There is a lot of confusion in the market place around the business value of real time analytics.  In most cases the real advantage of high performance analytics lies in time efficiency (the ability to process huge volume of data in short time period) and not in real time availability of results
  • There is currently a huge opportunity for business consultants to explore together with their clients the business value of the new tools.

In my next post I will look into the relevance of Semantic technology for Big Data analytics.

Tagged with: • • •
 
2 Kommentare
Leave A Response

Putting Big Data into perspective – Part 1: Big Data roots and vision

On 7. Februar 2012, In Big Data, By Abdi Scheybani

In the last couple of years “Big Data” has become the buzz word in the worldwide Business Intelligence scene. And not only there: Top management consultancies have joined the IT crowd in praising the relevance of Big Data, pointing out the untapped strategic potential of Big Data processing and analysis.

Having spent more than half of my professional career with business intelligence topics, many times even evangelizing them, I am somehow enthused about these positive headlines on Big Data and analytics.  But looking at them from a more sober perspective, I strongly feel that this new hype needs to be put into perspective.

Yes, it is true that we are facing an unprecedented data deluge caused by the democratization of computing within and outside businesses and the resulting digitization of information and communication in the upcoming “All-IP-World”.  The worldwide data volume is predicted to increase by factor nine in the next five years – mainly due to the continued expansion of Social Media, Rich Media (esp. video streams) as well as geospatial and real time sensatory data feeds as the “Internet of things” evolves.

As I will argue in this post, however, most of these seemingly infinite data streams can be safely ignored from an analytic point of view. “Sometimes a cigar is just a cigar”  Siegmund Freud once said.  With regard to our topic we might continue “and data just manifestations of operational functions without further business value”. From a processing or storage perspective of course the picture looks different. New types of data management infrastructures are in fact needed to deal with Big Data. But these technical requirements need to be evaluated in light of their potential business impact. The real challenge is to identify those Big Data use cases, which significantly improve business propositions and processes. In other words: We need to move from a technical to a business driven view on the Big Data challenge.

Before explaining this conclusion in more detail, I would like to take a step back and have a look at the definition and the history of Big Data.

The McKinsey Global Institute suggests referring the expression Big Data to “datasets whose size is beyond the ability of typical database software tools to capture, store, manage and analyze.” One might find it surprising that the research institute of a business consulting firm uses such a technical explanation. According to this definition Big Data disappears once databases can handle larger datasets.

Gartner offers a more fruitful definition. For them the term Big Data “used to acknowledge the exponential growth, availability and use of information in the data-rich landscape of tomorrow”. According to Gartner the key dimensions of this trend are increasing data volume, variety (data from different sources) and velocity (data describing movements in time). These three dimensional axes are in fact very useful when it comes to determining Big Data related business requirements.

IDC’s introduces data quality as additional characteristics of Big Data: Besides the rise of new types of structured data (geospatial information, datafeeds from sensors) unstructured (e.g. Video streams) and semi-structured data (such as texts in blog posts or on Social Media platforms) will drive the data explosion in the coming years.
In order to fully understand the Big Data phenomenon I suggest adding the “data generation context” as explanatory dimension .  Most of what we call Big Data is an operational byproduct of digitization. This kind of data might be turned into information through analysis, but their primary raison d’etre is operational.  E.g. most of digital communication (person-to-machine, machine-to-machine) is being stored without clear intention to analyze it – if we leave players like Google aside for a moment. Together with “intentionally” created data points, e.g. in context of customer profiling (e.g. through registration) and KPI measuring, they become the object of analysis. The same is true for digital traits of business processes and applications like e.g. in CRM or sales support systems. These data mostly reside in various operational databases and applications. Making them accessible for analytical purposes is a challenge on its own (we will come back to this aspect later).

Another implication of my proposed definition is that Big Data should not be seen merely as phenomenon of the presence and future. Digitization, which is almost ubiquitous today, did not happen overnight. Leading retailers for instance reached a data volume of petabytes before the “Big Data” label had been coined. The increase of enterprise data volumes certainly accelerated at the beginning of the millennium through the take-off of the Internet in general and Social Media specifically. But the Internet is not the only Big Data driver. Since the 90s IT systems started to produce unprecedented amounts of digital data. Consequently, many large brick & mortar corporates commenced experiments with high volume processing and analysis in this period.

In these early days many of these initiatives have been labeled as “data mining”. They usually started as proof of concept projects where the theoretical business case had to be confirmed with real world data. Early adopters had been large mail order, telecommunications and finance companies. This first generation of projects centered pretty much on basic transactional and contractual customer data. Early business case successes had been:

  • churn analysis, identifying customer profiles with high affinity towards contract termination
  • One-to-one marketing and microsegmentation in the context of customer acquisition and retention (incl. cross- & upselling) based on customer profile and preference analysis,
  • Fraud detection based on typical fraud profiles

This first generation of Big Data analysis led to multiple learnings:

  • Not every analytical insight is actionable, e.g. identifying individuals with a high churn propensity does not necessarily mean that contract termination can be prevented and that it is economical to do so
  • Big data based customer profiles do not always add value to existing market research based segmentations
  • Data analysis requires inputs from heterogeneous data sources, a minimum data quality and a logically consistent data model. As a consequence, usually a lot of manual effort went into data preprocessing (building data models, determining missing values, data cleansing, consistency check etc.) and modeling
  • The integration of analytics with existing IT environment is often complex and costly
  • The application of data mining methods goes beyond the capability of ordinary business users, even if they are analytically minded – thus, expensive analytics experts are needed to perform sophisticated analyses with high-end tools (e.g. SPSS data mining, SAS etc.)
  • Setting up analytics processes is a cross-functional endeavor – besides analytics experts stakeholders from IT and business lines need to be involved

In view of these challenges “Big Data” analysis remained by and large an “ivory tower” discipline with limited organizational footprint. This first Big Data analytics wave was big business focused. Small and medium sized enterprises shied away from investments in analytic infrastructure and overhead.

While analysts made their first experience with digital enterprise data, corporate IT departments started to replace project related ad hoc data extraction from operational system by a systematic approach to store and analyze data.  The goal was to create an integrated enterprise data view. Data warehouses (EDW) with structured ETL (extract, transfer load) routines for further analytical processing should do the job.

The key characteristic of the EDW concept is the separation of operational (also called transactional or OLTP layer) from informational environments. When this concept had been specified in the mid 80s two main reasons motivated this approach: The existing productive systems did not have the capacity to be enriched by further data sources, and conducting analyses on productive data was regarded as potentially cumbersome for data quality. In addition, EDWs had the function to enable historical trend analysis and structured business reporting along relevant dimensions. At that time this simply could not be realized on the OLTP layer (for the historical EDW emergence see Barry Devlin)

EDWs have been a major step forward in dealing with the increasing amount of enterprise data, but the downsides of this approach became obvious very soon:

  • EDWs duplicate data, thereby driving data volumes. The productive data are copied and then normalized in the EDW environment. From there they are copied into datamarts so that departmental analysts can satisfy their specific information needs.
  • Extracting data from the productive system has been a challenge in itself and a real capacity burner for IT departments and system integrators.
  • Since ETL (Extract, Transfer, Load) happens usually in batch processing mode the EDW and data mart view is rarely real time
  • EDW queries require SQL statements and a good understanding of the underlying data model. Thus, specialized professional expertise is mandatory to operate a EDW or even a datamart. As a result database personnel has become more and more an operational bottleneck, often discouraging business users to instigate data queries and analysis

These downsides explain why EDW projects last rather years than months and inflate IT budgets significantly, while business users are complaining about the unsatisfactory EDW performance.

As it turned out, there is also another, quite fundamental issue hampering the EDW approach: EDWs do not control the quality of the data inputs. If the various productive systems are built on different concepts of a user or a customer, the resulting confusion gets mirrored in the EDW. This is why Master Data Management Systems (MDMs) have evolved over the past few years. They address the root causes of data quality issues already on the OLTP level where so called Master Data repositories are being created with clear definitions, standards and data quality rules for key business objects such as customers, accounts, suppliers, products, locations etc.  The resulting master data hub displays authoritative data, or – to put in colloquial terms – only one version of the truth. The master data are then synchronized via a SOA layer with underlying productive systems, potentially correcting and augmenting these, as well as with EDWs and BI systems. On top of these technical MDM features business processes and data governance need to be defined, otherwise MDM will not work.

This does not only sound complicated, it is complicated. Top management needs a lot of strategic intent to make MDM happen. In view of the EDW and MDM challenge it becomes clearer why Big Data analysis have not been progressing faster on the corporate level of many enterprises.

On departmental level an entirely different trend took place during the past decade. More and more employees learned to operate with simple spreadsheet tools, especially excel, in order to build low to medium complex models such as business cases, reports, calculations etc. At the same time the “democratization” of business intelligence tools took place: Formerly expensive database server for data marts as well as stand-alone OLAP and reporting services have been integrated and offered to unprecedented low prices. Microsoft with its omnipotent SQL Server had been a major driver behind this trend. Microsoft incorporated even advanced data mining services into the SQL server, thereby competing head-to-head with expensive premium tools (although data mining as a methodology is to complicated to become a massively used application in the foreseeable future).

What does this mean for Big Data? Two opposite effects can be identified: The increased access to BI tools on departmental level certainly increased the ability to independently analyze data. The results of these analyses, however, can be viewed as bottom-up contribution to the data deluge. Unfortunately, most of these data do not make it to the central EDWs. They reside on departmental servers or – even more common – on the computers of the middle managers who generated these data. The term “excel silos” expresses the downsides of this approach: A lot of knowledge is not accessible for the entire corporation although it might be highly valuable.

BI firms address these effects by embedding spreadsheet functionalities into comprehensive analytics platforms. The currently most popular labeling for these platforms is Corporate Performance Management (CPM). The adoption rate (understood as actual usage) of these BI suites is limited. This does not come as a surprise since the upside for the individual user is limited (this will be the topic of a separate blog post).

An entirely different Big Data use case is the automation of business processes. The idea is to replace human decision-making through permanent measuring of process conditions in combination with business rules. Human intelligence is not entirely removed of course, since the business rules need to be defined beforehand. In this use case Big Data event streams function as inputs for the rules engine, which then trigger the start of processes and thus the generation of new data points for further decisions. In combination with the now more affordable distributed BI tools this type of embedded, actionable analytics, also called Complex Event Processing (CEP), can be tremendously useful in stable business environments. As long as processes are subject to frequent changes, however, the setup costs for intelligent process automation are simply too high.

The most recent and most important driver for Big Data volumes has not been specifically described yet: The rise of the Internet. The Internet is a huge digital touch point where individuals and companies leave all kinds of traces. A whole industry has emerged with the goal to turn these data into valuable business information. Web monitoring and analytics systems help to optimize the user experience on web sites. Cookie based tracking systems have lead to detailed customer profiling, giving advertisers the opportunity for personalized product offerings and advertising (see my older, but still relevant blog posts on this topic).  Apart from Google it was especially amazon with its personalization system that proved the value of Big Data. Many smaller players have adopted these best practices in recent years. The methodology of amazon is not unheard of though. The key item-to-item collaborative filtering algorithms of its patented recommendation engine for instance are in fact quite simple. What makes amazon really innovative is its ability to handle this massive amount of data under real time requirements. The same is true for Facebook, which also developed innovative methods to handle massive real time data analysis.

It is in this context that the so called NoSQL (mostly translated as “Not only SQL”) movement came into existence as alternative to Relational Databases Management Systems (RDBMS) as they are used in EDWs. Traditional EDW environment with their batch ETL processes, data quality checks and normalization procedures have simply not been fast enough to satisfy the specific needs of these huge online platforms.

NoSQL databases do use neither table schemas nor join operations. Consequently, they do not require SQL for queries. This deliberately less sophisticated approach relaxes the strict data quality and normalization requirements of RDBMS for the sake of better performance. Werner Vogel, the CTO of amazon, even avoids the term database for its NoSQL Dynamo system and instead speaks about a“highly available key value storage system”.

Key value stores like that of amazon or Facebook’s Cassandra system carry per key only the value of interest. Unlike in RDBMS all the other attributes of this key are neglected so that reading and calculating is much faster. In addition most of these key value stores are column based, which has also a positive effect on performance.

Facebook databases are also graph based, which is another form of NoSQL. Business objects are displayed as nodes to which attributes can be flexibly assigned. Transferred to social network, nodes are persons and they are linked with each other. Thus, graph databases are an highly efficient way to store

social graphs. If for instance the relationship path between two persons on Facebook shall be determined, the systems just needs to follow the connected nodes. In a relational database the identification of the connecting path would afford significant computer power and time, because it had to go through the friend relationships of the entire user IDs between these two nodes in order to determine the connecting path. Thanks to graph databases such Neo4J, FlockDB, AllegroGraph, Graph DB or Infinite Graph this effort can be minimized.  The principle of graph databases can be applied to all kinds of network like or hierarchical structures. In small to medium size datasets, however, the advantage over relational databases is less relevant.

Real-time analysis of Big Data requires massive processing power. Google was one of the first Internet giants facing this problem. Its answer was MapReduce, a software framework for processing large datasets on distributed clusters of computers. A similar approach had been taken by the open source project Hadoop which big online players like Yahoo! and Facebook deployed successfully. A specific strength of Hadoop is the efficient processing of unstructured data as it is common in Social Media.

The fact that Big Data online players are quite successful with NoSQL databases together with distributed application frameworks does not mean the end of EDWs. Firstly, real-time performance is not always required. Secondly the processing of unstructured data becomes more important, especially in light of the Social Media and semantic technology revolution, but is still not a key requirement in many industry sectors. Thirdly depending on the type of request, EDW databases cannot easily be substituted in case of complex queries on structured data.

Thus, Big Data technologies like Hadoop are for the time being rather supplements than substitutes of corporate Big Data storing and processing environments. Companies like Cloudera are actively pushing the commercialization of Hadoop. Oracle and IBM have already launched Big Data suites with Hadoop as one key component.

These developments can be interpreted as first steps of a major paradigm shift in enterprise data management. According to Barry Devlin, a seasoned database expert, the EDW of the future will integrate operational and informational environments, thereby avoiding the duplication of data.  The idea is to have just one layer for all conceivable data types: from structured data such as transactions, measurements, spreadsheet analysis over semi-structured data such email or call center protocols to unstructured data such as video data feeds. All of these data would be accessible real time via metadata, which are also part of this unique data layer. These metadata qualify the data logically so that they can be accessed in an action oriented (case-by-case) way or integrated into workflows. A separate interface layer would reflect the different use case need from an actor perspective, spanning from an real time view of data entries to an in-depth, tool supported analysis of historical data records.

Technology wise Devlin’s visionary BI architecture has started to materialize. SAP’s HANA (High-Performance Analytical Appliance) platform is currently the most ambitious initiative in this respect. HANA is in its core an in-memory column and raw based database, which will eventually become the one and only data layer for SAP applications. The first step on this strategic architectural roadmap lets HANA function as an additional layer on top the existing OLTP and business warehouse layer for agile modeling and reporting. The promise here is to speed up data analysis by a three to four digit factor. The second step is to integrate the data management function of the EDW so that the EDW layer just manages the HANA metadata. At this stage HANA will already have a built-in application engine so that applications can send data intensive operations to HANA. The first two steps are already underway. In the medium term HANA will replace the OLTP layers. All applications will run on data residing in-memory. The whole solution will also be moved to the could where it will be the basis for multitenant Java and ABAB applications (see Gartner, SAP Throws Down the Next-Generation Architecture Gauntlet With HANA, Oct 13, 2011)

No doubt, the bandwagon is rolling, but its speed and extension largely depends on concrete business cases. Alternatively you can of course become a true believer right away as a former SAP employee and current consultant for SAP seems to suggest: “Once HANA is in place as the database under SAP BW, customers will find many more ways to use HANA to transform their enterprises to much higher levels of performance, much as word processors, e-mail, and browsers are transforming business and society.” How can you respond to this one? May be with a slightly modified proverb: “In god we trust, all others bring business cases”.

The current business case argumentations for the new data management revolution can be clustered into six types:

  • “Analytical land grabbing”: Greater analytical power enables the calculation of previously not analyzable data volumes
  • “Deeper actionable insights”: Faster analysis leads to more scenario iterations and thus to better planning quality on a granular level
  • “Higher data reliability”: Time savings from accelerated analytical processing can be used for more detailed data quality check and on the fly corrections
  • “Bigger bang for the buck”: Higher analytical power translates into a better price-performance ratio with regard to direct software costs
  • “Platform consolidation gains”: Lower software infrastructure CAPEX and OPEX thanks to consolidation of data management layers
  • “Data mashup”: Enriching enterprise information landscape through merging Enterprise data with unstructured data, e.g. from Social Media

How convincing are these benefits in the short and medium term? Which are the most affected use cases? Which industry and lines of business could be first movers? These question will be discussed in my next post.

Tagged with: • • •
 
3 Kommentare
Leave A Response

Social Media im Business-Kontext (Teil 3): Anforderungen ans Social Media Monitoring

On 2. Mai 2010, In Social Media, By Abdi Scheybani

Immer mehr Fachverantwortliche im Unternehmen möchten gerne wissen, was Nutzer in Social Media-Quellen über ihr Unternehmen und ihre Produkte verbreiten. Nun ist es äußerst mühselig, händische Auswertungen vorzunehmen, insbesondere wenn dies zeitnah und in hoher Frequenz geschehen soll. Vor diesem Hintergrund begeben sich immer mehr Unternehmen auf die Suche nach technischen Social Media-Monitoring-Lösungen. Nicht selten wird dabei erwartet, dass die Monitoring-Tools automatisiert auf jeden relevanten Beitrag hinweisen, der irgendwo im Social Media-Dschungel auftaucht – und zwar nicht nur zu definierten Fragestellungen, sondern auch zu neuen Themen. Außerdem soll jeder Beitrag automatisch auf Tonalität (positiv, negativ, neutral) hin ausgewertet und nach Inhalten klassifiziert werden. Das Ganze sollte möglichst Real-Time erfolgen, also idealerweise unmittelbar nach dem Erscheinen des Beitrags.

Technologieanbieter neigen dazu, diesen Maximalanforderungen eins zu eins genügen zu wollen, aus Furcht sonst im Ausschreibungsverfahren nicht berücksichtigt zu werden. So kommen dann Marketingaussagen zustande, die suggerieren, dass es ähnlich wie bei Suchmaschinen einen unmittelbaren Zugriff auf Hunderttausende von relevanten Social Media-Quellen gäbe oder dass maschinell verstanden werden könne, was ein Beitrag zu bedeuten habe oder wann ein relevantes Thema aufkommt, auch wenn dieses begrifflich noch gar nicht eingegrenzt wurde. Dass die Realität aus guten Gründen anders aussieht, erfahren die Kunden meist erst später. Ihre legitimen, aber unter Machbarkeitsgesichtspunkten überzogenen Erwartungen werden häufig nicht erfüllt.

Es gibt auch Alternativen zu diesem leider nicht seltenen Szenario. Unternehmen könnten z.B. zunächst einmal die Frage aufwerfen, auf welchen Business Case bzw. welche Nutzendimensionen (siehe den vorhergehenden Beitrag) das Monitoring überhaupt einzahlen soll, um dann die Anforderungen an den Technologieprovider entsprechend zu spezifizieren. Geht es z.B. primär darum, generelle Meinungsverteilungen und -trends zu erfassen? Oder soll tatsächlich Issue Management betrieben und jede noch so kleine Quelle kontinuierlich beobachtet werden, um ja nicht zu verpassen, wenn „Problem“-Themen aufkommen, und ggf. direkt Stellung zu nehmen?

Beide Use Cases implizieren ganz unterschiedliche Monitoring-Anforderungen: Im ersten Fall genügt ein in regelmäßigen Abständen durchgeführtes Sampling relevanter Quellen, wobei die Relevanz in einem initialen Quellenscreening zu ermitteln ist. Dieses Stichprobenverfahren kann im Extremfall sogar händisch durchgeführt worden, obwohl auch hier in der Regel technische Unterstützung sinnvoll ist. Der entscheidende Vorteil des Stichprobenansatzes ist, dass menschliche anstatt maschinelle Intelligenz die Relevanz und Bedeutung der Quellen bewertet.

Stichproben machen offensichtlich keinen Sinn, wenn tatsächlich der Anspruch besteht, möglichst jeden Beitrag zu einem Thema zu entdecken, um z.B. öffentlichkeitswirksam Customer Service-Support anzubieten oder aber zu verhindern, dass falsche oder unerwünschte Aussagen unwidersprochen verbreitet werden. Aber auch hier stellt sich die Frage, ob das Pareto-Prinzip greifen soll, d.h. ob man sich begnügt, 70 bis 80% aller Beiträge in Foren und Blogs abzudecken, oder ob man ehrgeizigere Ziele hegt. Letzteres kann den Aufwand deutlich erhöhen, insbesondere mit Blick auf die technische Verfügbarkeit von relevanten Quellen.
Um eine Quelle sauber abzuziehen sowie Autorennamen und Zeitpunkt des Postings exakt zu erfassen, muss der Parser entsprechend angepasst werden. Das bedeutet z.T. signifikanten manuellen Aufwand. Alle anderen Verfahren sind entweder unvollständig oder ungenau. Viele Anbieter, die vorgeben, das gesamte Soziale Web im Zugriff zu haben, gehen über diesen wesentlichen Punkt gerne hinweg.

Auch bezüglich der semantischen Fähigkeiten sollten sich die Anforderungen an das Monitoring-Tool in realistischem Rahmen bewegen. Das gilt z.B. für das Thema automatische Tonalisierung. Natürlich kann über moderne Textmining-Verfahren mit einer bestimmten Güte ein Beitrag als Neutral, Positiv oder Negativ eingestuft werden. Bei mehreren Themen pro Beitrag ist das allerdings schon wesentlich schwieriger. Der Unterschied zur Qualität menschlicher Tonalisierer ist hier noch beträchtlich, vor allem wenn es um Feinheiten geht wie zum Beispiel, ob eine negative Äußerung nur zitiert wurde oder tatsächlich als Meinungsäußerung des Autors zu verstehen ist.

Mit anderen Worten: Käufer von Monitoring-Lösungen und -Services sollten nicht zu leichtgläubig sein, wenn ihnen ubiquitärer Quellenzugriff oder maschinelle Tonalisierung versprochen wird. Außerdem sollten sie sich zunächst selbst darüber klar werden, welchen Qualitätslevel sie eigentlich benötigen. Das gilt auch für das automatisierte Erkennen neuer relevanter Themen jenseits der vorgegebenen Suchbegriffe. Das setzt normalerweise umfangreiche Thesauri und Ontologien voraus, die man zwar erstellen kann, was aber in der Regel mit Aufwand einhergeht, den das Anwendungsunternehmen bezahlen muss.

Ein weiteres weit verbreitetes Missverständnis der Monitoring-Anwender betrifft den Ressourcenaufwand und die erforderlichen prozessualen Maßnahmen für eine effektive Nutzung von Monitoring-Tools. Die einfachste Form der Nutzung ist der Blick auf ein Monitoring-Cockpit sowie die Lektüre vom standardisierten Reports. Beide basieren auf vorher festgelegten Suchtermen und zeigen deren quantitative Veränderungen auf. Monitoring-Tools können jedoch bei richtiger Anwendung viel mehr: So lassen sich über Tag Clouds Begrifflichkeiten anzeigen, die überdurchschnittlich häufig auftauchen. Um zu interpretieren, welche dieser aufpoppenden Begriffe tatsächlich relevant ist, bedarf es des Sachverstands der Fachabteilungen, also z.B. des Produktmarketings. Eine „Maschine“ kann nicht entscheiden, ob es sich lohnt diesem oder jenem Begriff nachzugehen. Auch einem fachfremden Analysten dürfte dies schwer fallen. Daher sollten die Fachabteilungen in der Anwendung des Monitoring-Tools geschult und gleichzeitig Prozesse aufgesetzt werden, die regelmäßige Analysen in den Fachfunktionen vorsehen und die gewonnenen Erkenntnisse verwertbar machen. Vor dem damit verbundenen personellen und organisatorischen Aufwand scheuen bisher viele Anwender zurück, häufig mit dem Argument, dass der Nutzen nicht klar sei. Dieser kann jedoch erst nachgewiesen werden, wenn das Monitoring-Tool vernünftig benutzt wird – das klassische Henne-Ei-Dilemma also.

Die Liste der Erfolgs- und Misserfolgsfaktoren für die Beschaffung und den Einsatz von Monitoring-Lösungen ließe sich fortsetzen. Als generelles Fazit lässt sich festhalten: Bevor ein Unternehmen in Monitoring-Technologie investiert, sollte es zunächst eine empirische Bestandaufnahme dazu machen, wie häufig es überhaupt in Social Media vorkommt und welche inhaltlichen Diskussionen es zu seiner Marke oder seinen Produkten gibt. Basierend auf diesen Ergebnissen ist zu bestimmen, welche Business Cases (Reputation Management, Customer Service, Trenderkennung etc.) im Vordergrund stehen. Hieraus sind dann die Anforderungen ans Monitoring abzuleiten und die entsprechenden Implementierungsbedingungen zu schaffen. Außerdem sollten die Business-Anforderungen idealerweise gleich für mehrere Unternehmensfunktionen definiert werden (also z.B. Marketing, Unternehmenskommunikation, Mafo, Customer Service). damit eine ausbaufähige Plattformlösung als Shared Service aufgesetzt werden kann. Das erleichtert dann auch die Finanzierung eines solchen Tools, weil ja die Budgets mehrerer Unternehmensbereiche genutzt werden können.

Tagged with: • • • • • • •
 
2 Kommentare
Leave A Response

Social Media im Business-Kontext (Teil 2): Nutzendimensionen und Branchenrelevanz

On 1. Mai 2010, In Social Media, By Abdi Scheybani

Social Media wird in der Fachöffentlichkeit derzeit stark unter den Aspekten Werbung und PR diskutiert. Dabei geht es zum einen um die Frage, wie Werbung möglichst effektiv in Sozialen Netzwerken, Foren und sonstigen sozialen Medien platziert werden kann. Zum anderen sorgen sich viele PR- und Marketingverantwortliche um negative virale Effekte, also um die rasche Verbreitung kritischer Nutzeräußerungen mit negativen Folgen für Image und Vertrieb.

Damit sind zwei wesentliche Anwendungsfelder benannt. Es gibt aber noch eine Reihe anderer wichtiger Use-Cases, bei denen Social Media im Unternehmenskontext eine zentrale Rolle spielen kann. Im folgende eine kurze Übersicht:

- Reputationsmanagement & PR:
Wie häufig und mit welcher Tonalität in Sozialen Medien über ein Unternehmen oder eine Marke geschrieben wird, betrachten immer mehr PR-Abteilungen als wichtigen Gradmesser ihrer Öffentlichkeitsarbeit. Auch die virale Verbreitung von kritischen Äußerungen in Social Media gilt mittlerweile als Top-Thema bei Kommunikationsverantwortlichen.
- Produktmarketing & Marktforschung:
Was für die Wahrnehmung des Unternehmens und der Marke gilt, trifft auch auf das Feedback zu einzelnen Produkten zu – insbesondere im Kontext von Produktneueinführungen. Wie reagieren Nutzer auf das neue Produkt, welche Produktmerkmale kommen gut an, welche nicht? Natürlich können viele dieser Aspekte auch traditionelle Mafo-Methoden geklärt werden, allerdings meist nicht so schnell und mit mehr Aufwand. Zudem bietet klassische Marktforschung nicht die Möglichkeit der öffentlichkeitswirksamen Intervention in die Kundendialoge (dazu später mehr).
-Customer Service & Issue Management:
Es gibt eine Vielzahl von Foren, in denen Nutzer klassische Customer Service-Problem lösen und damit de facto den Kundenservice der Unternehmen entlasten. Darüber hinaus werden Produktprobleme in der Regel sehr früh von Nutzern in Foren und Blogs thematisiert. In diesem Zusammenhang wird häufig vom „Tsunami-Effekt“ gesprochen: Das Problem, das es frühzeitig zu entdecken gilt, bevor größerer Schaden für das Unternehmen entsteht.
-Werbung & Vertrieb:
Social Media-Aktivisten (damit sind die aktiv Beitragenden gemeint) gelten als Multiplikatoren, deren zielgenaue Ansprache positive Hebelwirkungen für die Produkt- und Servicewahrnehmung zeitigen kann. Des weiteren qualifiziert bereits der Besuch von Social Media ein Interesse für das dort verhandelte Thema. Im Idealfall wirkt das wie eine Art Targeting-Filter.
-Produktentwicklung & Innovation:
Hier liegt der potenzielle Nutzen in dem Aufspüren von relevanten Produktideen, die in Social Media von Nutzern formuliert werden. Eine Ausbaustufe hierzu stellen von Unternehmen oder Dritten veranstaltete Ideenwettbewerbe dar, in der die Nutzer z.T. auch selbst als Juroren tätig werden (siehe Ideastorm von Dell).
- HR/ Recruiting:
Von Privatpersonen öffentlich gemachte Informationen über sich selbst werden bereits heute genutzt um z.B. Bewerbungsunterlagen zu validieren bzw. zu ergänzen, um nur einen Use Case zu nennen.

Diese Überblicksliste, die sicherlich noch vervollständigt werden kann, zeigt eines sehr deutlich: Social Media ist grundsätzlich ein unternehmensübergreifendes Thema und sollte daher nicht nur unter PR- und Marketingsgesichtspunkten diskutiert werden.

Die Relevanz der vorgestellten Use Cases und von Social Media insgesamt hängt sehr stark von der Branche ab. Vereinfacht lässt sich sagen: Das Thema Social Media ist überall dort von besonderem Interesse, wo sich Nutzer über Ihnen bekannte Marken oder Produkte austauschen. Klassische B2B-Branchen (z.B. technische Komponentenhersteller) werden von Endverbrauchern häufig gar nicht wahrgenommen und tauchen daher in Konsumentendiskussionen in der Regel nicht auf. Allerdings kann es hier durchaus professionelle Diskussionen z.B. in spezialisierten Fachforen geben, die dann zwar vom Traffic-Volumen vergleichsweise klein sein mögen, aber in der spezialisierten Fachcommunity durchaus relevante Spuren hinterlassen können

Bei Unternehmen, deren Produkte von Endkunden wahrgenommen werden, ist grundsätzlich zwischen Low- und High-Involvement-Produkten zu unterscheiden. Über komplexe Produkte mit hohem Kaufwert wird in Social Media im Allgemeinen häufiger gesprochen als über einfache Commodity-Produkte mit niedrigem Kaufwert. Dennoch können auch zu FMCG-Produkten (also zum sprichwörtlichen Schokoriegel oder zum Erfrischungsgetränk) durchaus signifikante Diskussionen im Netz stattfinden.

Die Frequenz, über die Branchenthemen in Social Media diskutiert werden, ist natürlich nur ein Relevanzkriterium unter mehreren. Mit Blick auf die vorgestellten Nutzenhebel lassen sich im B2C-Sektor zwei Branchentypen unterscheiden: Branchen, die direkt an Konsumenten verkaufen und die daher mit diesen über unterschiedliche Kanäle (Call-Center, Vertriebspersonal, e-Commerce) im Dialog stehen sowie Branchen, bei denen das Produkt oder der Service zwar gegenüber dem Verbraucher gebrandet ist, die direkte Endkundenbeziehung aber beim Handel liegt.

Ein Beispiel für den letztgenannten Fall sind Automobilhersteller. Für diese bietet Social Media die Möglichkeit, den „Customer Disconnect“ zu überwinden und direkt mit Endkunden in einen Dialog zu treten. Damit wird Social Media zu einem strategischen Thema, auch wenn natürlich noch zu klären ist, wie werthaltig dieser Dialog werden kann. Für Produktmanager eröffnet Social Media die konkrete Möglichkeit, Marktgesprächen zu lauschen und zwar nicht über den Umweg der klassischen Marktforschung oder über Händlerberichte, sondern direkt, d.h. „unverfälscht“, und zeitnah.

Anders stellt sich die Situation z.B. für Telekommunikationsanbieter dar, die bereits über ihre Shops und Call-Center direkt mit dem Kundenunternehmen kommunizieren und über umfangreiche Auswertungsmechanismen verfügen (z.B. systematische Erfassung und Analyse von „Call Reasons“). Sicher, häufig bleiben diese Informationen im Customer Service hängen und erreichen das Produktmarketing nicht, dennoch wird man hier schwerlich argumentieren können, dass Social Media neue „Customer Insights“ generiert. Der interessantere Business Case ist hier das Einsparen von Kosten durch gezielte Verlagerung von Customer Service-Support in öffentliche Foren – mit der Beantwortung einer Frage im Forum fallen viele Anrufe weg. Insbesondere im IT-Bereich gibt es Hersteller, die aufgrund dieser Logik eigene Nutzer-zu-Nutzer-Support-Foren aufgebaut haben, die initial von internen Mitarbeitern (meistens aus dem Customer Service) angefüttert werden, bis die kritische Masse an aktiv Postenden erreicht ist und die Support-Community sich selbst trägt. Der Bedarf für solche Lösungen nimmt im Zeichen der technischen Konvergenz und zunehmenden Komplexität der Endgeräte immer mehr zu.

Der Aufbau unternehmensinterner Support-Foren ist allerdings auch mit Risiken verbunden. Zwar lassen sich für die Nutzung der Foren Kommunikationsspielregeln festlegen, aber natürlich sind Nutzeräußerungen nicht vollends zu kontrollieren. Große, durch eine Fehlervermeidungskultur geprägte Unternehmen, die möglicherweise ohnehin schon in der öffentlichen Kritik stehen, scheuen sich daher häufig davor, entsprechende Maßnahmen zu ergreifen. Zu groß erscheint das Risiko eines Kommunikationsgaus und zu unsicher ist die Aussicht für die verantwortlichen Manager, hiermit Karriere-fördernde kurzfristige Erfolge zu erzielen – zumindest hierzulande, in den USA ist man da weniger risikoavers.

Immerhin wird hier und da schon experimentiert, als Unternehmen innerhalb von Foren Stellung zu öffentlichen Produktdiskussionen zu beziehen. Natürlich ist bei dieser Art von Social Media-Intervention äußerste Vorsicht geboten. Auf keinen Fall darf über eine falsche, zu aggressive Tonalität der Unmut der Social Media-Nutzer geweckt werden. Interventionen sollten sich inhaltlich zwischen faktischer Richtigstellung von nachweislichen falschen Aussagen und nützlichen, als Mehrwert wahrgenommenen Hinweisen zu Dienstleistungen und Produkten bewegen.

An dieser Stelle ein kurzes Zwischenfazit: Die genannten Beispiele zeigen, wie sehr die Relevanz der Social Media-Nutzendimensionen von den Branchenbedingungen sowie den spezifischen Voraussetzungen der einzelnen Unternehmen abhängt. „One size fits all“ gibt es also leider nicht. Der Mehrwert der Social Media-Nutzendimensionen ist unternehmensspezifisch zu ermitteln.

So unklar der Mehrwert von Social Media-Nutzung im Einzelfall auch sein mag, so ist nahezu unstrittig, dass Unternehmen „mitbekommen“ sollten, was draußen über sie gesprochen wird. Kaum ein Marketing- oder PR-Manager, der es dieser Tage nicht für eine gute Idee hält, Online Media Monitoring zu betreiben. Was es hierbei zu bedenken gilt, werde ich im nächsten Beitrag aufzeigen.

Tagged with: • • • •
 
0 Kommentare
Leave A Response

Social Media im Business-Kontext (Teil 1): Modethema, Götterdämmerung oder einfach nur ein weiterer Kanal? (Einführung)

On 30. April 2010, In Social Media, By Abdi Scheybani

Marketing- und Kommunikationsverantwortliche stehen zurzeit vor großen Herausforderungen: Die Digitalisierung klassischer Massenmedien wie Fernsehen und Radio und die damit einhergehende größere Programmvielfalt führt ebenso wie die zunehmende Online-Nutzung zu einer Fragmentierung der Zielgruppenansprache. Oder positiv formuliert: Es gibt plötzlich viele Möglichkeiten, Streuverluste zu reduzieren. Die entsprechenden Technologien und Werbemechaniken hierzu bilden sich derzeit gerade heraus. Hierbei spielt Online-Werbung eine Vorreiterrolle. Man muss kein Prophet sein, um vorherzusagen, dass sich im Zuge der zunehmenden Verschmelzung von Fernsehen und Internet diese Targeting-Technologien über die verschiedenen Kanäle hinweg ausbreiten werden, also auch im TV, wenn man das dann noch so nennen kann.

Eine Herausforderung komplett neuen Typs stellt das Thema Social Media dar. Das Push-Prinzip, demzufolge Kommunikation im wesentlichen als Einbahnstraße in Richtung Konsument funktioniert, wird hier ad absurdum geführt, weil Konsumenten nun selbst öffentlich Meinung machen und damit die Werbeversprechen der Unternehmen öffentlichkeitswirksam einem knallharten Realitätscheck unterziehen. Die Ursprünge hierzulande reichen mehr als zehn Jahre zurück, als mit Meinungsverbraucherportalen wie doyoo oder ciao sowie unabhängigen Foren zu allen möglichen Themen und Produkten das unmittelbare Feedback von unten institutionalisiert wurde. Diese Phänomene ließen sich gefahrlos ignorieren, solange die Online-Nutzung noch kein Breitenphänomen in älteren Konsumentengruppen und die Social Media-Nutzung überdurchschnittlich online-affinen Verbrauchern vorbehalten war. Viele Marketing-Manager betrachteten daher den Niedergang der New Economy und das Scheitern der frühen Communities mit Zufriedenheit. Aus ihrer Sicht war der Spuk nicht nur vorerst, sondern hoffentlich für immer vorbei.

In den letzten Jahren hat sich das Bild dramatisch verändert. Unter den Top-Internet-Destinationen befinden sich seit einigen Jahren große Social Networks (siehe hierzu eine aktuelle Reichweitenübersicht zu deutschen Social Networks) und in den Ergebnislisten von Produktsuchen tauchen immer häufiger Social Media-Beiträge weit vorne auf – Beiträge, die vielleicht nur in Foren mit wenigen Tausend-Mitglieder gepostet und nur von einigen Dutzend Community-Mitgliedern dort gelesen wurden, aber dank der Suchmaschinen plötzlich massenhaft Nutzer in Entscheidungssituationen erreichen und beeinflussen.

Allerdings: Über die tatsächlichen Hebelwirkungseffekte ist bisher wenig bekannt. In den Business-Case-Argumentationen der meisten Berater und Werbeagenturen dominieren anekdotenhafte Beweisführungen. Das hängt vor allem damit zusammen, dass die Effekte nur schwer messbar sind und die Foren- und Netzwerkbetreiber selbst sehr spät angefangen haben, sich mit dem Thema Werbewirkung professionell auseinanderzusetzen. Es gibt große Soziale Netzwerke in Deutschland, die z.B. erst jetzt Brand Impact-Studien aufsetzen und andere die nach wie vor gänzlich darauf verzichten. Hinzu kommt, dass Industriestandards bezüglich Erscheinungsbild und Messverfahren noch in den Kinderschuhen stecken. Lange Zeit galt auch das Argument als stichhaltig, dass die Nutzer von Social Media keine Werbung akzeptieren würden. Sieht man sich dagegen die tatsächlichen Opt-Out-Raten auf großen Sozialen Netzwerken an, so entpuppt sich dies als Fehleinschätzung.

Dem temporären Managementversagen auf der Social Media-Betreiberseite stehen die großen Consumer-Brands mehr oder weniger verunsichert gegenüber. Zusätzliche Irritationen gehen von den Interessen-geleiteten Argumentationen der Publisher und sonstigen Ad-Impression-Vermarktern aus, die in Social Media eine unliebsame Konkurrenz sehen, weil hierdurch Druck auf die Preise ausgeübt und damit die Verdienstmöglichkeiten der Premium-Vermarkter einschränkt werden.

Die meisten B2C-Markenunternehmen scheinen dennoch verstanden zu haben, dass Social Media keine Mode ist, die vorbei gehen wird. Unklar aber ist die Business-Relevanz und wie sich diese in konkrete Maßnahmen umsetzen lässt.

Bevor wir zu der Nutzenbetrachtung übergehen, ist genauer zu definieren, was eigentlich unter dem Schlagwort „Social Media“ zu verstehen ist. Gelegentlich wird Social Media nämlich mit Sozialen Netzwerken wie Facebook, studiVZ oder Lokalisten und der Real-Time-Kommunikationsplattform Twitter gleichgesetzt und ganz vergessen, dass auch Foren, Blogs u User Generated Content-Sites wie z.B. youtube, MyVideo etc. dazu zählen.

Es ist hier nicht der Ort für eine umfassende Typologie, aber einige wesentliche Charakteristika der einzelnen Social Media-Formen sollten erläutert werden: Grundsätzlich ist zwischen Plattformen zu unterscheiden, auf denen die Kommunikation und Beziehungsstiftung bzw. –festigung im Vordergrund steht, und Plattformen, bei denen der primäre Use-Case die Verteilung von Inhalten, also das Publizieren sowie die Diskussion dieser Inhalte ist (diese idealtypische Unterscheidung hat Marcel Weiss sehr schön herausgearbeitet).

Unternehmensrelevante Diskussionen zu Produkten und Dienstleistungen finden derzeit überwiegend in Themen-, Brand- und Produkt-bezogenen Foren statt. Der publizierte Content ist in diesem Fall häufig ein fachliches Thema, zu dem der Autor des Beitrags von der Community Hilfe erbittet oder einfach nur Feedback möchte. Der lesende Zugang zu den Inhalten ist dabei in der Regel offen. Es geht bei diesen Fachforen also primär um die Klärung von Fragen und das Austauschen von Fachmeinungen, weniger um die Anbahnung von privaten oder beruflichen Beziehungen Der Realname ist daher als Authentifizierungsmechanismus von geringer Bedeutung. Ganz anders stellt sich das bei Sozialen Netzwerken dar, bei denen Registrierung bzw. Anmeldung Zugangsvoraussetzung ist, die Inhalte vom Publizierenden freigegeben werden müssen und die Identität des Nutzers als beziehungsstiftender Ankerpunkt in der Regel real ist (deswegen auch der Schutz via Privacy-Einstellungen).

Soziale Netzwerke a la Facebook werden für Unternehmen als Branding-Plattform immer wichtiger. Einige Marktbeobachter sprechen davon, dass Facebook eine zentrale Plattform für Display Advertising werden könnte und bereits in 2010 eine deutliche Steigerung der Werbeausgaben auf Social Networks zu verzeichnen sein wird (letztere Prognose bezieht sich auf die USA). Darüber hinaus werden vermehrt Performance-Kampagnen geschaltet und e-Commerce-Angebote integriert. Der Trend ist allerdings noch viel fundamentaler: Mit seinen kürzlich eingeführten Produktinnovationen zeigt Facebook, dass es zur zentralen sozialen Infrastruktur im Web werden könnte. Unternehmen kämen dann an Facebook als Kommunikationskanal und Targeting-Plattform nicht mehr vorbei. Also doch Götterdämmerung? Wir werden sehen…

Werbung im engeren Sinne ist allerdings aus Unternehmenssicht nicht der einzige Use Case und in den meisten Branchen wahrscheinlich nicht einmal der entscheidende – womit wir bei der Gretchenfrage nach dem Business-Nutzen von Social Media angelangt sind. Dazu mehr im nächsten Beitrag.

Tagged with: • • • • • • • • •
 
0 Kommentare
Leave A Response

Targeting – Quo Vadis? Summary of Methodological Key Insights & Hypotheses

On 27. April 2010, In Online Advertising, By Abdi Scheybani

Over the past few weeks I have published a series of posts on targeting related innovations and their impact on the German online display advertising industry. My intention was to bridge the gap between a business view and a more technical understanding of this key area of the internet evolution. For an international audience the German ecosystem might be less interesting, therefore I focus my summary primarily on methodological considerations and insights. As I will argue the latest innovation wave looks promising with regard to the infrastructural side of the targeting conundrum, but leaves some key methodological aspects in the dark – aspects which need to be solved in order to make display advertising more effective.

Since last year Real-Time-Bidding (RTB) as well as Demand Side (DSP) and Supply Side Platforms (SSP) have dominated the technology debate about the future of the online display ad space. The RTB proposition to value and buy each ad impression separately in real time is in fact a huge step forward towards a more efficient market place. However, the RTB discussion is full of silent assumptions regarding the quality of the bidding input. Most expert blogs convey the impression that getting the valuation of an ad impression right for a specific campaign is just a matter of algorithms – a mathematical problem so to speak. Unfortunately it is a little more complex. Let me be clear: RTB is worthless when the information on which the valuation of the ad impression is based is either incorrect or irrelevant for a proper prediction of ad related human perception and behavior.

The key question is: What indicates ad relevant interest and receptivity? Most targeting solutions base their profiling on interest taxonomies which mirror more or less product categories such as automotive, finance, health etc. These top-level items are then broken down into sub-categories (usually in a hierarchical, mutually exclusive ways). Websites are then tagged accordingly – usually page by page. To cut a long story short: This kind of categorization is pretty imprecise with regard to users’ motivations. It is difficult to determine why someone visits a content site; a visitor of a car content site could be just generally interested in luxury cars (although he/she would never be able to afford one) or actually be in a buying decision mode. Sure, data mining methodologies like RFM (recence, frequency, monetary value) help to detect when someone intensifies his or her interest, or enters in a product search phase. However, these methods require sufficient observation data per user, ideally across websites which is a real hurdle for most of the profiling systems still.

Another issue is that content categorization usually ignores the context of the content – a finance channel within a portal might reflect a different type of interest and attract a different type of visitor than a stand-alone finance destination. Nevertheless both carry the very same interest label. Thus, my hypothesis is that URLs often carry contextual information which goes beyond content categorization. Good examples for this are “intent” indicating environments such as e-commerce sites. A visitor of such a site has most likely a more vibrant interest than a visitor of an analogue content channel within a portal for example. Companies like eXelate and Bluekai have built their business on this profiling advantage. Using e-Commerce sites for profiling seems effective for performance campaigns, but does not help in higher regions of the consumer decision funnels. A branding or product awareness campaign can’t be based entirely on e-commerce-profiles which are close to transactions. Thus, an improved profiling approach for non-transaction content sites is required.

But how should a profiling approach look like which eliminates or diminishes at least human bias and lack of precision? How can the context of a site’s content be captured? The most granular approach would be a direct use of URLs as input parameters. On this basis, however, pattern recognition would be quite difficult since a URL as such cannot be generalized. Only high traffic URLs would be part of discovered rules.

Human categorizations of contexts carry the same risk of inducing a bias as the described taxonomy approach. Nevertheless – I think – it could be worthwhile annotating content with meta-information such as “OEM website”, “e-commerce environment”, “information portal”, “stand-alone interest site addressing xyz”. Of course this meta-categorization system needs to be thought through and then tested in order to see whether this additional information on the nature of the site really helps to capture the visitor’s motivation more appropriately.

Another approach could be a machine driven bottom up classification of URLs. Methods like “latent semantic indexing” or – as an enhancement – “latent Dirichlet allocation” could be used to shift the classification decision from humans to machines – this time on an entirely semantic basis. Whether such an approach really reflects the contextual aspect effectively is entirely unclear, but should be clarified.

All these ideas and considerations have one hypothesis in common: There is still space for improvement with regard to profiling methodologies. Whoever makes significant progress on this front, will be able to estimate the value of any given ad impression more accurately then the seller and – ideally – any other competing buyer, thereby realizing arbitrage profits. This brings us back to the ecosystem level. The outcome of the display advertising battle depends heavily on customer knowledge which in turn is the result of customer intelligence. Media agencies and premium publishers are working on these systems while large brands are still waiting at the side lines. It is an interesting question to what extent brands and OEMs could build customer intelligence systems themselves. An important prerequisite would be a broad profiling base. The key question is: Which brands have sufficient digital touch points for profiling their existing and potential customers? But even if they lack these touch points, can big consumer brands afford to let agencies build these customer intelligence systems on their own, thereby occupying the strategic pole position in the online advertising and sales market? May be not…

Tagged with: • • • • • •
 
0 Kommentare
Leave A Response
« Previous Entries
Go To Top »