Big-Data-Strategien helfen Unternehmen Erkenntnisse zu gewinnen und Abläufe zu optimieren. Dabei entstehen neue Geschäftsmodelle, Märkte und neues Wachstum. Welche Vorgehensweise empfiehlt sich und was gibt es zu beachten?
Big Data: Hinter diesen zwei kleinen Wörtern steckt eine komplexe Vielfalt von Themen, Visionen und Herausforderungen. Viele Unternehmen erkennen die Chancen von Big Data und wollen Daten nutzen und in Werte verwandeln. Bei der konkreten Umsetzung stellen sie schnell fest, dass es kein Patentrezept, keine All-in-one-Lösung gibt. Vielmehr bedeutet die Umsetzung einer Big-Data-Strategie in einem Fall das eine und im anderen etwas ganz anderes. Für Banken oder Versicherungsunternehmen, bei denen es um Risikoabschätzung, Betrugserkennung oder Investitionsentscheidungen geht, sind Echtzeitanalyse und Transaktionsdaten relevant. Für einen Autohersteller oder Maschinenbauer stehen Datenströme im Zentrum, die Sensoren liefern, während sie den Betrieb der Produktionsanlagen überwachen. Eine Marketingabteilung wiederum interessiert sich für Daten aus Social Media, Blogs und Foren, um Trends und Kundenwünsche zu erkennen. All diese Fälle erfordern individuelle Big-Data-Strategien, die Expertenwissen und spezifische technologische Lösungen voraussetzen.
Big-Data-Strategien: Welche Kompetenzen werden benötigt und woher kommen sie?
Die Erforschung und Verwertung von Big Data ist als Phänomen verhältnismäßig neu. Es gibt keine Berufsbezeichnungen, oder ein IHK Abschluss für diese neue Branche, aber trotzdem ist der Bedarf an Fachleuten immens. Die Anforderungen sind umfassender und komplexer, sodass Big-Data-Lösungen nicht „nur“ eine Nebenaufgabe von IT-Abteilungen sein kann. Diese Aufgabe gehört ins Management eines Unternehmens. Wenn Informatik, Statistik und Mathematik zu den Kompetenzen eines “Data Scientists” gehören, benötigt dieser weit mehr Kenntnisse.
Noch fehlt es an ausreichenden Bildungsangeboten. Erst nach und nach werden Kurse innerhalb Studiengängen an Fachhochschulen und Universitäten etabliert. Ein eigener Studiengang für Data Scientists fehlt aber noch. IT- Unternehmen bieten Kurse, Schulungen und Weiterbildungen an, die nicht standardisiert sind. Betrachten wir Big Data als ganzen Prozess wird klar, dass es den Data Scientist als einzelne Person nicht geben kann. Vielmehr wird ein Team aus Experten vielmehr ein Bündel von Expertisen benötigt. Wissen aus Bereichen wie IT, Statistik und Mathematik werden ergänzt mit Jura, Grafikdesign, Psychologie und Kenntnissen aus den relevanten Fachbereichen.
Erfolgreiche Big-Data-Strategien: Welche Herausforderungen entstehen für Unternehmen?
Unternehmen stehen vor der Herausforderung strukturell umzudenken. Denn eine Big-Data-Strategie erfolgreich umzusetzen, bedeutet nicht, eine neue Abteilung zu schaffen. Die Erkenntnisse aus Big Data wirken sich über Abteilungsgrenzen hinweg aus. Deswegen sind Kenntnisse über Unternehmensstrukturen, Psychologie und Diplomatie nötig, um Ergebnisse und daraus folgende Konsequenzen zu kommunizieren.
Je nach Projektaufgabe, nach Art der Daten, nach Unternehmensgröße und zur Verfügung stehenden Mitteln werden die Anforderungen an Big-Data-Strategien unterschiedlich aussehen.
Auf dem Weg von den Rohdaten zur wertgenerierenden Erkenntnis bieten klar identifizierbare Bereiche bei der Planung einer solchen Strategie Orientierung.
Sind Big-Data-Fragen Rechtsfragen?
Bereits bei der Erhebung von Daten muss darauf geachtet werden, dass sie im Einklang mit den jeweils herrschenden Gesetzen stehen. Der Datenschutz und die Gewährleistung der Anonymität haben vor allem in Deutschland einen hohen Stellenwert.
In anderen Ländern wie den USA sind die Bestimmungen weit weniger streng als hierzulande. Der Einsatz von Big Data wird dadurch zum Teil noch erschwert, solange der Politik die Gesetze nicht dem digitalen Zeitalter anpasst. Strategien stehen auf sicheren Füßen, wenn die rechtlichen Fragen im Vorfeld abgeklärt werden.
Die rechtliche Perspektive auf Daten ist sehr weit, da Daten keine Landesgrenzen kennen. Datenschutzgesetze und Richtlinien gibt es auf Landes-, Bundes- und EU-Ebene. Werden beispielsweise bei einer Analyse Daten aus Social Media, Foren und Blogs einbezogen, genügt unter Umständen die Berücksichtigung des deutschen Datenschutzrechts nicht. Juristisch relevant sind alle Fragen, die die Speicherung und Weiterverwendung von historischen Daten betreffen. Was Metadaten betrifft, die Daten klassifizieren und beschreiben, besteht noch juristischer Klärungsbedarf.
So fordern Big-Data-Strategien die IT heraus
Datenhaltung und -zugriff gehören zu den beiden Kernaufgaben der IT-Abteilungen und kommen hier zum Einsatz, indem Software- und Hardwarelösungen integriert werden. Die Datensicherheit hat neben der rechtlichen Seite eine technologische. Entsprechend muss eine Datenbankarchitektur gefunden werden, die den Anforderungen entspricht. Sensible Daten in einer Cloud zu speichern hat ein höheres Risiko, als auf einem internen Server.
Der Einsatz von Verschlüsselungstechniken verschafft ebenfalls zusätzliche Sicherheit. Neben der Speicherung von Big Data, stellt sich die Frage nach der Notwendigkeit eines Backups zur Sicherung der Datenmengen. Die Wirtschaftlichkeit von Big Data misst sich nicht zuletzt an dem notwendigen Einsatz von Hardware und Daten-Management.
Investitionen in die Infrastrukturen sind ebenso zu bedenken, wie in das Know-how und die Fähigkeiten der IT-Mitarbeiter, Entwickler und des Supports.
Warum analytische Verfahren aus der Mathematik und Statistik nötig werden
Eng verknüpft mit der IT sind die eigentlichen Analyseverfahren. Bei traditionellen Datenbanken mit sogenannten strukturierten Daten (SQL) und Data Warehouses sind die klassischen Methoden der Informatik gefragt. Mit mathematischen und statistischen Verfahren lassen sich Muster erkennen, Anomalien ausmachen und Korrelationen aufzeigen.
Aufgaben wie Predictive Mainteneance zur Maschinenwartung, Data-Mining, Prognoseverfahren und Fraud Detection zählen zu den wichtigsten Anwendungsgebieten von Big-Data-Analytics.
Auch das Machine Learning, manchmal “Deep Structured Learning” genannt, funktioniert nach wenigen mathematischen Algorithmen, Regeln und Gesetzmäßigkeiten: Maschinen sind in der Lage Optimierungspotentiale zuerkennen und umzusetzen.
Datenvielfalt und ihre Folgen
Daten sind nicht gleich Daten. Digitalisierte Informationen können in unterschiedlichen Formaten vorliegen. Sie können strukturiert, unstrukturiert oder in eine Mischform aus beiden vorkommen. Je nachdem mit welcher Art von Daten ein Unternehmen zu tun hat, sind andere Kompetenzen gefordert. Bilder und PDFs erfordern eine andere Analysetechnik als Metadaten oder Datenströme von Sensoren, die den Betrieb von Maschinen überwachen.
Die Auswertung von Daten aus Social Media kann nicht statistisch erfolgen. Die Wortbedeutung und der Kontext sind entscheidend für die Bewertung und die Verwertung. Expertisen aus der Sprachwissenschaft und Textanalytik sind demnach nötig. Bei der Analyse von Meinungsbildern, Kundenwünschen oder Trendvorhersagen sind intelligente Text- und Bildanalyse-Tools gefragt.
Datenbanken und Big Data: Drei wichtige Trends für die Zukunft
Wenn ein Unternehmen oder eine Institution eine umfassende Big-Data-Strategie betreibt und eine vielfältige Datenkultur pflegt, reichen traditionelle Datenbanken nicht mehr aus. Wer auf dem Markt bestehen will, kann von neuen Technologien profitieren.
- NoSQL: Das “No” steht für “Not only” SQL. Das ist ein Datenbanktyp, der “nicht nur” mit strukturierten Daten umgehen kann, wie eine reine SQL-Datenbank. Das ist wichtig, weil bestimmte Zusammenhänge sich erst durch die Kombination verschiedener Datentypen ergeben. Beispielsweise, wenn regelmäßige Muster bei Bestellvorgängen mit der Trendanalyse aus Social Media in Verbindung gebracht werden.
- Hadoop ist eine Open-Source-Lösung, die es ermöglicht riesige Datenmengen kostengünstig zu speichern und zu verwalten. Ich persönlich nutze nur Hadoop für unsere Big Data Analysen, auch für diesen Blog. Internetgiganten wie Facebook und Klout nutzen Hadoop, um die Unmengen an Daten zu verteilen und skalierbar zu machen. Diese Software hat das Potential eine Datenrevolution auszulösen.
- In-Memory-Computing: Der Arbeitsspeicher hat im Vergleich zum Festspeicher den Vorteil, dass die ausgelagerten Daten sofort verfügbar sind. Für Echtzeitanalysen ist dies ein entscheidender Vorteil. In-Memory-Computing macht dies im großen Stil Big Data in riesigen Arbeitsspreichermodulen. Wenn Big-Data-Strategien die Grundlage zu Handlungsentscheidungen sind, ist diese Technologie unverzichtbar.
Welche Unternehmensbereiche sind bei Big Data betroffen?
Die vielen Einsichten aus Big Data bleiben ohne Konsequenz, wenn sie nicht an der richtigen Stelle im Unternehmen ankommen. Damit dies gelingen kann, werden Data Artists die Resultate der Analysen in Diagrammen, Graphen, Bilder und Texte übersetzen.
Die Visualisierung und Präsentation der Ergebnisse gehen Hand in Hand mit der Interpretation von Daten. Nur in Zusammenhang mit einer klaren Darstellung kann Big Data zu einem machtvolles Instrument werden.
Erkenntnisse aus den Daten können weitreichende Entscheidungen für das obere Management nahelegen. Ein Data Scientist muss weitere Rollen beherrschen. Als Diplomat vermittelt er die Einsichten an die Geschäftsführung, das Management oder Abteilungsleiter. Als Impuls- und Ideengeber bringt er Innovationen in der Entwicklungs- und Marketingabteilung voran.
Big Data berührt alle Unternehmensbereiche: Vom Management, über das Controlling bis hin zur Produktion. Als Grundlage von Entscheidungsprozessen wird Big Data zum Produktionsfaktor.
Big Data ist mehr als die Summe seiner Teile
Big Data ist keine einzelne Technik. Der betriebswirtschaftliche Nutzen von Big Data ergibt sich aus der engen Verzahnung von rechtlichen Rahmenbedingungen, Technik und Datensicherheit, Finanzen und Fachwissen sowie Kommunikation und betrieblicher Integration.
[selectivetweet float=“right“]Wer die Chancen von #BigData nicht erkennt, wird langfristig wichtige Entscheidungen falsch treffen.[/selectivetweet]Als Zusammenwirken von vielen Technologien und Fachleuten kann Big Data zu einem wertvollen Instrument werden. Es kann Produkte und Prozesse verbessern, neue Geschäftsfelder erschließen, den Wettbewerb analysieren, Finanzen planen, Preise optimieren, neue Vertriebswege finden, Trends erkennen und Sicherheit schaffen.
So vielfältig die Anwendungsgebiete sind, so vielfältig werden die Big-Data-Strategien im Einzelfall ausfallen. Eine Big-Data-driven Company zu werden, ist eine große Herausforderung. Mit der richtigen Strategie bereichern die Daten den Unternehmensalltag und machen sie effizienter, zuverlässiger und sicherer.