Definition

Integrationsaufgabe.

Bevor Unternehmen eigene Strategien für die Integration der neuen Informationsmengen entwickeln, sollten sie sich zunächst darüber klar werden: Was ist Big Data? Und wie sieht eine effektive Nutzung aus?

Viele Erörterungen über das Thema beginnen mit Negativdefinitionen: Als Big Data werden Datenmengen bezeichnet, die zu groß, zu komplex, zu schnelllebig und zu schwach strukturiert sind, um mithilfe der manuellen oder klassischen Methoden der Datenverarbeitung ausgewertet werden zu können.

Dieses «Zu-zu-zu» ist zwar nicht falsch, hilft aber in der Praxis nicht weiter. Wie Professor Carsten Felden von der Technischen Universität Bergakademie Freiberg auf der Europäischen TDWI-Konferenz 2016 im Juni in München aufzeigte, ist es nützlich, positive und gut strukturierte Definitionen heranzuziehen:
Die erste Eigenschaft bezieht sich auf die exponentiell gestiegene Menge auswertungsrelevanter Daten («Volume»). Der Anstieg des Datenvolumens wird unter anderem mit der pausenlos datenerzeugenden Sensorik etwa in Autos, der wachsenden Protokollierung der IT-Nutzung durch Logdateien sowie dem Zuwachs an Transaktionsdaten begründet.


Die drei "V" als strategische Eckpfeiler.
Dabei werde der Anstieg des Datenvolumens nicht wie oft geglaubt durch SocialMedia  und sonstige konsumorientierte Kanäle bewirkt. «Die steigende Informationsintensität in der Wertschöpfung, aber auch die Informationsintensität in den Produkten und Dienstleistungen treiben die Menge an auswertungsrelevantenDaten aus Sicht der Unternehmen deutlich stärker», sagte Felden.

Neben dem wachsenden Volumen machen zwei weitere Faktoren das Neue an Big Data aus: die größere Komplexität und Vielfalt der Informationen («Variety») und die höhere Geschwindigkeit («Velocity») bei der Verknüpfung, Integration und Analyse von Daten unterschiedlichster Struktur und Herkunft.

Diese drei «V» (Volume, Variety und Velocity) bilden die Eckpfeiler jeglicher Big Data-Strategie. Hinzu kommen Methoden und Techniken für die hochskalierbare Integration, Speicherung und Analyse polystrukturierter Daten.


Big Data als nächste BI-Stufe.
Hier steht ein Quantensprung bevor. Die Integration, Speicherung und Analyse von Daten aus unterschiedlichen Quellen mit dem Ziel eines tieferen Geschäftsverständnisses, dies alles wurde bislang unter dem Konzept Business Intelligence (BI) subsumiert. Dabei wird unter BI meist immer noch das klassische, stark vergangenheitsorientierte Reporting verstanden, das auf den strukturierten Daten des Data Warehouse aufsetzt.

Da aber die neuen Big Data-Anwendungen auf zukünftige Handlungen und Aktionen ausgerichtet sind  und unstrukturierte Daten einbeziehen, ist «Big Data» laut Felden «als chronologisch nächste Stufe von BI aufzufassen.»   

Eine neue Dynamik bringen die zukunftsgerichteten Big Data-Anwendungen auch in BI-Themen, die in den vergangenen Jahren eher vernachlässigt wurden. Dazu zählen unter anderem Data Mining, Visualisierung und die Autonomie der Endbenutzer. Letztere erfährt in den Unternehmen derzeit unter dem Stichwort Selfservice-BI eine erhöhte Bedeutung.
Doch Professor Felden warnte vor zuviel überschießendem Optimismus. Denn  die bestehenden Herausforderungen aus der klassischen Small Data-Welt seien keinesfalls gelöst. Dazu zählen seiner Auffassung nach unter anderem die Probleme mit der Datenqualität, inadäquate Organisationsstrukturen (etwa im Data Warehouse) sowie eine unzureichende strategische BI-Ausrichtung.

Diese Unzulänglichkeiten seien nicht nur weiterhin entscheidend, sondern träten auch wieder deutlicher hervor. «Insofern bringt Big Data viele Ansätze in die Unternehmensrealität ein, die konträr zum Anspruch an einen hohen Integrationsgrad der BI stehen», so Felden.

Dennoch ist der potentielle Nutzen von Big Data-Analysen nicht von der Hand zu weisen. Als Beispiele nennt der Wissenschaftler die Betrugsdetektion im Bankensektor in Echtzeit; schnelle und vorausschauende Preisanpassungen des Handels – ebenfalls in Realtime – aufgrund von Kunden- und Marktinformationen (inklusive der Auswertungen von Social Media); tiefergehende Krankheits-analysen auf der Basis von Daten aus digitalen Patientenakten.


Vier Gruppierungen für die Praxis.
Felden hat zur Kategorisierung der verschiedenen Dimensionen, Ausprägungen und Anwendungsmöglichkeiten von Big Data einen komplexen morphologischen Kasten entwickelt, der in seinem Beitrag über «Big Data-Anwendungsfallklassifikation zur Projekt- und Managementunterstützung» in einem aktuellen TDWI-Sammelband nachzulesen ist. *1)

Unter den vielen Kategorien und Schnittmengen besonders praxisrelevant ist zum Beispiel die Gruppierung in die vier strategischen Hauptanwendungen:

  • Steigerung der Prozesseffizienz (Daten von Sensoren an Maschinen, Produkten, Lkw, Wareneingängen/ -ausgängen der Lieferanten und Kunden )
  • Massenindividualisierung (kundenbezogene Prozesse, Marktanalysen)
  • intelligente, neue Produkte (Datenquellen: soziale Medien, Ideenmarktplätze, Patentdatenbanken, Marktforschung)
  • Marktanalyse und -bewertung (Kundensegmente, Ertragsströme, Vertriebskanäle, Nutzenversprechen).

 

*1) 1 Dittmar, C./Felden, C./Finger, R./ Scheuch, R./ Tams, L.: Big Data. Ein Überblick. dpunkt.verlag, Heidelberg 2016.

Quelle: BUSINESS INTELLIGENCE MAGAZINE, www.bi-magazine.net
© ProfilePublishing Germany GmbH 2016. Alle Rechte vorbehalten.
Vervielfältigung nur mit Genehmigung der ProfilePublishing Germany GmbH

Business Intelligence Magazine: Springe zum Start der Seite