Big data Analytics: Für den Geschäftserfolg entscheidend!

Big Data Analytics dient der Analyse großer Datenvolumina aus unterschiedlichen, unstrukturierten Quellen, um daraus Informationen für die Unternehmensführung abzuleiten.

Der nächste Schritt: Von Business Intelligence zu Big Data Analytics

Begriffe wie Big Data, Business Intelligence (BI) und Business Analytics beschreiben Möglichkeiten, durch eine zielgerichtete Datenverarbeitung in den Unternehmen Wettbewerbsvorteile zu erreichen. Oft wird BI als Sammelbegriff für alle Anstrengungen, automatisiert Daten zu analysieren, benutzt. Es gibt jedoch hinsichtlich der Fragestellungen und Modelle Unterschiede, die im Folgenden kurz erläutert werden, bevor näher auf den Bereich der Big Data Analytics eingegangen wird.

Business Intelligence: Analyse der Vergangenheit für Entscheidungen in der Gegenwart

Business Intelligence ist tendenziell vergangenheitsorientiert. Es beantwortet die Frage, was im Unternehmen passiert ist und betrachtet dann mit Hilfe der Datenauswertung die Gründe für die eingetretenen Ereignisse. BI kann somit datengestützt die wirtschaftliche Situation der Firma in der Gegenwart beurteilen. Zu diesem Zweck werden mit den geeigneten BI-Tools und Business Analytics Tools möglichst viele Unternehmensdaten zunächst gesammelt und dann mit Hilfe geeigneter Software ausgewertet und zu Kennzahlen verdichtet. Bei diesem Prozess muss immer die Datenqualität beachtet werden. Nur eine hohe Datenqualität kann zu validen Ergebnissen führen, aus denen wiederum Handlungsempfehlungen für das Management abgeleitet werden können.

Eine anschauliche grafische Darstellung der Kennzahlen zeigt deutlich, welche Ereignisse wie oft eintreten und ermöglicht darüber hinaus einen Blick auf die Ursachen. Damit erleichtert BI im nächsten Schritt dem Management die Generierung von Handlungsempfehlungen. Neben der Auswertung von Kennzahlen werden außerdem Monats- und Quartalsergebnisse verglichen und Soll-Ist-Vergleiche angestellt.

Ein besonders wichtiges Werkzeug ist in diesem Zusammenhang das Reporting, aber auch ein automatisiertes Monitoring, das beim Über- oder Unterschreiten von festgelegten Grenzwerten warnt, ist ein modernes Instrument datengestützter Unternehmensführung. Des Weiteren sind in diesem Bereich BI Tools wie Dashboards, Ad-hoc-Anfragen und das deduktiv arbeitende OLAP (Online Analytical Processing) zu nennen. Mit OLAP ist es möglich, zuvor aufgestellte Hypothesen zu verifizieren oder zu falsifizieren, indem bestimmte Informationen gezielt abgefragt werden.

Zusammenfassend kann festgestellt werden, dass BI dem Management ermöglicht, datenbasiert operative und strategische Entscheidungen zu treffen.

Big Data Analytics dient der Analyse großer Datenvolumina aus unterschiedlichen, unstrukturierten Quellen, um daraus Informationen für die Unternehmensführung abzuleiten. (#01)

Business Analytics: Erweiterung der Perspektive in Richtung Zukunft

Selbstverständlich soll auch durch Anwendung der BI-Tools die Zukunft des Unternehmens gestaltet werden. Business Analytics erweitert BI jedoch in der Hinsicht, dass der Blick noch wesentlich mehr auf die künftigen Entwicklungen gerichtet wird. Zu diesem Zweck werden die Unternehmensdaten statistisch analysiert.

Business Analytics beleuchtet die Gründe des bisher Geschehenen und deckt Wechselwirkungen auf. Die wichtige Frage nach den Folgen bestimmter Ereignisse soll datenbasiert beantwortet werden. Nicht zuletzt ist es für das Management möglich, durch das Durchspielen alternativer Szenarien zu erkennen, welche Auswirkungen unternehmerisches Handeln hat. Es kann also unter relativ realistischen Bedingungen simuliert werden, was geschieht, wenn an verschiedenen Stellschrauben gedreht wird.

Diese Aufgaben erfüllen Analyse-Tools, mit denen beispielsweise multivariate Tests durchgeführt werden, um mit mehreren Variablen die Auswirkungen von Entscheidungen zu beurteilen. Es werden auch statistische Analysen durchgeführt und im Bereich des Data Mining wird versucht, neue Muster zu entdecken. Hier wird die Frage beleuchtet, wie sich Zusammenhänge gestalten und letztlich auch erklären lassen. Dabei wird nicht wie beim OLAP mit feststehenden Annahmen gearbeitet. Beim Data Mining werden die Informationen induktiv betrachtet und dann darauf aufbauend eigene Hypothesen erstellt.

In einem nächsten Schritt werden mit den Predictive Analytics dann Vorhersagen für die Zukunft getroffen. Jetzt werden Datenmodelle aufgestellt, mit denen die Unternehmensentwicklung antizipiert werden soll. Der Bereich der Predictive Analytics steht in engem Zusammenhang mit dem Data Mining.

Video: Big Data in 3 Minuten erklärt

Big Data Analytics: Vom Hype um „Big Data“ zum Anaylse-Tool für das Management

Warum ist Big Data mehr als nur ein Mode-Begriff?

Der Begriff Big Data wird teilweise fast inflationär gebraucht und scheint alles zu enthalten, was auch nur annähernd mit der modernen datenbasierten Unternehmensführung zu tun hat. Tatsächlich ist Big Data der Bereich der unternehmerischen Datenanalyse, der über die Grenzen der konventionellen IT-Lösungen hinausgeht.

Warum wurde Big Data notwendig? Irgendwann stieg die Datenmenge dermaßen an, das sie mit den konventionellen IT-Systemen nicht mehr zu handhaben war. Die Erfassung, Speicherung, Verarbeitung und anschließende Interpretation exponentiell wachsender Datenmengen verlangte nach anderen technischen Lösungen.

Die BI-Tools stießen bei der Verarbeitung riesiger, unstrukturierter Datenmengen deutlich an ihre Grenzen. Dabei ist zu beachten, dass das weltweite Datenvolumen weiter ansteigt und eine Änderung dieses Trends nicht zu erwarten ist. Im Gegenteil: Das WorldWideWeb, Sensordaten, Log-Daten, RFID-Chips und Maschinendaten sind munter sprudelnde Quellen, aus denen immer mehr Daten generiert werden. Berechnungen gehen davon aus, dass im Jahr 2020 das weltweite Datenvolumen 35 Zettabyte (eine Zahl mit 21 Nullen) betragen wird. Zum Vergleich: Die weltweite Zettabyte-Barriere wurde erst 2011 überschritten. In manchen Branchen besteht das Datenaufkommen darüber hinaus zu 90 Prozent aus unstrukturierten Informationen und die Zuwachsraten des Datenwachstums betragen mehr als 50 Prozent pro Jahr.

Wenn man diese Zahlen betrachtet, wird ersichtlich, vor welchen Herausforderungen sich die Unternehmen hinsichtlich der Datenanalyse in der Zukunft gestellt sehen und dass der Begriff „Big Data“ mit Sicherheit nicht als Modewort in die Geschichte der Unternehmensführung eingehen wird, sondern deren künftige Ausrichtung ganz wesentlich mitbestimmt.

Big Data: Nicht nur die Datenmenge verursacht Probleme

Bei der Betrachtung von Zahlen mit 21 Nullen stellt sich eigentlich gar nicht mehr die Frage, warum den Herausforderungen, die sich aus der schieren Datenmenge ergeben, durch Anwendung geeigneter Tools begegnet werden muss. Ein weiteres Problem, mit dem sich die Software, die diesen Datenwust zu entscheidungsrelevanten Informationen transformieren soll, auseinandersetzen muss, ist die Tatsache, dass die Datenmassen auch noch extrem unstrukturiert sind. Polystrukturierte Daten und unterschiedliche Datenquellen stellen die IT vor große Herausforderungen.

BI-Tools basieren auf einem Data Warehouse. Dort müssen jedoch gut strukturierte Informationen vorliegen, mit denen das BI-Tool arbeiten kann. In diesen relationalen Datenbanken lassen sich die gigantischen Datenmengen nicht mehr effizient darstellen.

Zunächst geht es um die Verarbeitung eines gewaltigen Datenvolumens unterschiedlichster Datensätze. Die Informationen müssen dann im Bereich Analytics durch die Anwendung von Modellen und das Data Mining in relevante Informationen umgewandelt werden. Diese Prozesse sollen in einer möglichst hohen Geschwindigkeit ablaufen. Auch Datenaufrufe und die Datenselektion sollen effizient ablaufen. Hinsichtlich der beschriebenen Vielfalt der Datenquellen ist darauf zu achten, dass die Informationen strukturiert werden und eine Verwaltung unterschiedlicher Datentypen erfolgt.

Infografik : Zusammenhang Datenqualität (DQ-und-Entscheidungen

Big Data Analytics: Erfolgsfaktor Datenanalyse

Big Data Analytics sind eine Erweiterung des Business Intelligence. Es handelt sich konkret um die Erfassung, Verarbeitung, Darstellung und Interpretation extrem großer Datenmengen mit einer adäquaten Software, die zu diesem Zweck neu entwickelt werden muss. Bei dieser Software wird der besondere Fokus darauf gelegt, dass möglichst viele Datensätze parallel verarbeitet werden können.

Aus diesem Verständnis ergeben sich folgende Prämissen, die eine Software erfüllen muss:

Gewährleistung der Verarbeitung großer Mengen an Datensätzen
Schneller Datenimport
Möglichkeiten einer schnellen Datensuche und Datenabfrage
Möglichkeit paralleler Datenabfragen
Möglichkeit der Analyse unterschiedlicher Informationstypen

Damit die Performance gesteigert werden kann, nutzen die Systeme im Gegensatz zu den konventionellen Datenbankanwendungen nicht die Festplattenspeicher, sondern die schnelleren Arbeitsspeicher für die Datenverarbeitung. Durch dieses Vorgehen wird die Zugriffsgeschwindigkeit enorm erhöht, sodass Analysen fast in Echtzeit möglich werden.

Zusammenfassend kann ohne Zweifel festgestellt werden, dass die Entwicklungen hin zu immer mehr Daten aus unterschiedlichsten Quellen dazu führen, dass Big Data Analytics zu einem der aktuellsten und wichtigsten Themen innerhalb der BI Software geworden ist. Die Datenverarbeitung ist auf verschiedenen Ebenen der Wertschöpfungskette erfolgswirksam. Ziel ist es, die Datenflut zu kanalisieren und daraus Informationen zu gewinnen. Es ist einleuchtend, dass in einer Informationsgesellschaft die Unternehmen Wettbewerbsvorteile haben, denen es gelingt, relevante Informationen optimal zu managen.

Die durch Big Data Analysis aggregierten Informationen werden somit zur Grundlage von betriebswirtschaftlichen Entscheidungen. Sie stellen diese Entscheidungen auf ein sicheres, weil datengestütztes, Fundament. Es ergeben sich wesentliche Ansatzpunkte für eine Businessoptimierung und die Vereinfachung der Entscheidungsprozesse. (#02)

Was umfasst Big Data Analytics?

Allgemein betrachtet sind damit alle Modelle für riesige Datenmengen einbezogen. Ein wesentlicher Teilbereich ist das Big Data Analysis, das sich mit der eigentlichen Datenanalyse beschäftigt. Mit statistischen Methoden und der geeigneten Software werden die Informationen zunächst analysiert und dann visualisiert. Durch die Visualisierung werden die Informationen handhabbar. Es fallen Muster und Diskontinuitäten auf und darauf aufbauend können dann Handlungsempfehlungen abgeleitet werden.

Die durch Big Data Analysis aggregierten Informationen werden somit zur Grundlage von betriebswirtschaftlichen Entscheidungen. Sie stellen diese Entscheidungen auf ein sicheres, datengestütztes, Fundament. Es ergeben sich wesentliche Ansatzpunkte für eine Businessoptimierung und die Vereinfachung der Entscheidungsprozesse.

Big Data Analytics ist der Oberbegriff für die gesamte Technologie und alle Software-Tools, mit denen die Daten gewonnen, ausgewertet und visualisiert werden. Das umfasst auch die Bereiche Data Mining und Datentransformation. Auf diese Weise wird sowohl technologisch als auch analytisch weit über das konventionelle BI hinausgegangen. Die Voraussetzungen wie hohe Speicherkapazitäten und leistungsfähige Server sind mittlerweile gegeben. Es werden viel größere Datenvolumen bearbeitet, die parallel Informationen aus unstrukturierten Quellen erfassen und analysieren können. Auch die Möglichkeiten einer Antizipation künftiger Entwicklungen sind wesentlich umfassender und zukunftsgerichteter.

Warum ist Big Data Analytics für den Unternehmenserfolg wichtig?

Einen qualifizierten Blick in die ökonomische Zukunft richten zu können, ist schon immer der Traum des Managements gewesen. Wenn man verschiedene realistische Szenarien durchdenken kann, ist man besser für deren Eintritt gewappnet. Weiß man außerdem besser als die Konkurrenz, was die Zukunft bringen wird, ergeben sich daraus große Wettbewerbsvorteile. Es werden nicht nur die Ereignisse betrachtet, die eingetreten sind, sondern die Fragestellung wird erheblich erweitert. Big Data Analytics gibt Auskunft über die Gründe, die Folgen und die Wechselwirkungen dieser Ereignisse.

Auf Basis dieses Wissens ist es nun viel einfacher, verschiedene Entwicklungs-Szenarien zu betrachten und sich im Vorfeld zu überlegen, wie das Management darauf reagieren könnte. Zu diesem Zweck werden verschiedene Anwendungen verwendet. Testverfahren mit mehreren Variablen werden genutzt, um Entscheidungen abzusichern. Mit statistischen Analysen wird erklärt, warum ein Ereignis eingetreten ist. Ein wichtiger Bereich ist das Data Mining, bei dem in den Informationen aktiv nach neuen Mustern und Kausalitäten gesucht wird. Anders als beim OLAP sind dabei keine Hypothesen notwendig, sondern es wird nach Hypothesen gesucht. Im Anschluss an diese Vorgehensweise wird mit den sogenannten Predictive Analytics eine Vorhersage künftiger Zustände ermöglicht. Auch in diesem Bereich besteht eine enge Verbindung zum Data Mining.

Video: Vortrag: Big Data verändert unser Leben

Mit Big Data Analytics bessere betriebswirtschaftliche Entscheidungen treffen

Das wesentliche Ziel des Managements ist es, die Unternehmensentwicklung durch optimale Entscheidungen bestmöglich zu lenken. Dabei stehen Konkurrenzbeziehungen zu anderen Unternehmen und Kundenbeziehungen im Mittelpunkt des Interesses. Eine nächste Stufe sind deshalb nach den Predictive Analytics die Prescriptive Analytics, die ganz genau beschreiben, was beim Eintritt oder Nicht-Eintritt der potentiellen Zukunftsszenarien geschehen sollte, um den Unternehmenserfolg zu sichern. Es werden Handlungsempfehlungen gegeben, die dem Management aktives Steuern ermöglichen. Wie kann man Trends verändern? Was ist beim Eintritt eines bestimmten erwarteten Ereignisses zu unternehmen oder wie kann man ein ungünstiges Ereignis abwenden? Es ist einsichtig, dass ein Unternehmen, das sofort auf diese Fragen reagieren kann, eine wesentlich bessere Wettbewerbsposition hat, als ein anderes, das von Ereignissen überrascht, wenn nicht sogar überrollt, wird.

Big Data Analytics: Software-Tools und Cloud Lösungen

Im diesem Bereich kommen innovative Software-Tools zum Einsatz, die auch beim Data Mining und dem Predictive Analytics angewendet werden. Bei der Verarbeitung unstrukturierter Daten geraten die konventionellen Data Warehouses an ihre Grenzen, weshalb neue Big-Data-Technologien entwickelt wurden. Es handelt sich dabei um Elemente eines quelloffenen Software-Frameworks wie MapReduce, NoSQL-Datenbanken und Apache Hadoop. Bei diesen Technologien werden riesige Datenmengen über Cluster-Systeme verarbeitet. Damit die neuen Technologien jedoch ihr volles Potential entfalten, ist es wichtig, die Analysefähigkeit der Mitarbeiter, die letztlich für die Interpretation der Informationen und die sich daraus ergebenden Handlungsempfehlungen zuständig sind, intensiv zu schulen.

Ein neuer Trend ist in diesem Zusammenhang die Datennutzung in der Cloud. Damit sind für die Unternehmen mehrere Vorteile verbunden. Die Performance kann mit der Cloud Lösung erhöht und außerdem flexibler gestaltet werden. Es wird weniger eigene Server Kapazität benötigt, somit werden die Kosten für Server verringert und dadurch sinken auch die Kosten für den Service. Nicht zuletzt gelingt es schneller, Systemumgebungen an neue Erfordernisse anzupassen. Gegen die Cloud Lösung haben besonders Datenschutzbeauftrage in den Unternehmen Einwände, da sie befürchten, dass eine ausreichende Datensicherheit nicht gewährleistet werden kann.

In der Industrie werden auf diese Weise vorausschauende Wartungen vorgenommen. Unter dem Stichwort Predictive Maintenance werden Sensoren eingesetzt, die automatisiert Informationen hinsichtlich vorher festgelegter Indikatoren wie Leistung oder Temperatur einer Anlage übermitteln und damit rechtzeitig beim Service Wartungsarbeiten initiieren, bevor ein Reparaturfall eintritt und eine Maschine durch ungeplanten Ausfall hohe Kosten verursacht. (#03)

Big Data Analytics: Anwendungsbeispiele

Wie schon erläutert, handelt es sich um eine zukunftsgerichtete Erweiterung der BI. Die Datenanalyse soll dann dazu genutzt werden, Abläufe zu optimieren. Letztlich wird immer das Ziel verfolgt, Wettbewerbsvorteile gegenüber der Konkurrenz zu erreichen. Die gewonnenen und anschließend anschaulich visualisierten Informationen zeigen Zusammenhänge, Diskontinuitäten, auffällige Muster und lenken den Blick dorthin, wo schnelles Handeln notwendig ist. Zum einen sollen auf diese Weise Risiken minimiert werden und zum anderen sollen auch aktiv Chancen genutzt werden, bevor die Konkurrenz dies tut.

Ein weiterer Anwendungsbereich ist die Unterstützung von wichtigen Entscheidungen. Will eine Firma beispielsweise expandieren, sind vorher Fragen zu klären. In welche Regionen oder Länder soll expandiert werden? Sollte der Service verbessert werden? Welche Produkte kommen für diese Strategie in Frage? Sollen Zweigstellen aufgebaut werden? Diese und viele andere Fragen beschäftigen in Zeiten der Globalisierung nicht nur die Global Player. Auch kleine und mittelständische Firmen müssen sich diesen Herausforderungen stellen, um im Wettbewerb zu bestehen. Um derart wichtige Entscheidungen jedoch nicht intuitiv, sondern auf Basis einer fundierten Datenerhebung und -analyse zu treffen, sind die beschriebenen Technologien wichtige Instrumente.

Die datengestützte Unternehmensführung ist bereits selbstverständlicher Bestandteil des Managements in verschiedenen Branchen. Im Versicherungswesen werden damit Risikobewertungen erstellt, die dann für die Festlegung von Versicherungstarifen verwendet werden. Auch Banken nutzen die Möglichkeit, um im Rahmen des Kredit-Scoring das Kreditausfallrisiko des Kunden abzuschätzen. Außerdem können im intelligenten Stromnetz (Smart Grid) Langzeitprognosen erstellt werden, die beispielsweise den Stromverbrauch voraussagen und damit die fluktuierende Stromerzeugung in Solar- und Windkraftwerken mit dem Stromverbrauch harmonisieren.

Ein weiterer wichtiger Einsatzbereich ist das eCommerce. Webshops können genau analysieren, welche Kundengruppen welches Kaufverhalten aufweisen. Mit solchen Informationen ist es wesentlich leichter, das Marketingbudget gezielt einzusetzen und die Kundengruppen gemäß ihrer Präferenzen anzusprechen.

Video: Big Data – Revolution in allen Lebensbereichen | Let’s Denk #21

Aufbau einer Big Data Analytics Struktur

Im Mittelpunkt stehen die qualitativen Daten, die in quantitative Informationen umgewandelt werden sollen. Die grafische Aufbereitung in Tabellen und Reports ist dann das Ergebnis, auf dessen Basis die Ist-Situation und die künftige Entwicklung beurteilt werden. Mit einer Big-Data-Software können unstrukturierte und polystrukturierte Informationen erfasst und verarbeitet werden. Neben Texten und Bildern können sogar Sprachaufzeichnungen ausgewertet werden.

Mit einer leistungsfähigen Anbindung an die Basiskonnektoren können große Datenmengen aus verschiedenen Datenquellen importiert werden. Dabei kann auf das Internet, Dateien und auch auf Datenbanken zugegriffen werden. Für die anschließende Verarbeitung müssen die Daten im nächsten Schritt konvertiert werden. Ein Open Source Framework wie SMILA kann diese Leistungen erbringen. Damit wird es möglich, das Potential, das Big Data bietet, zu nutzen. Konventionelle BI-Architekturen sind in dieser Hinsicht eingeschränkt, da sie zuvor die Daten selektieren und strukturieren. Big Data Analytics kann sogar mit sich verändernden Strukturen arbeiten und passt sich einfach an. Es ist nicht einmal erforderlich, den Datenspeicher anzupassen oder den Ladeprozess zu unterbrechen. Map-Reduce-Ansätze ermöglichen eine sehr schnelle Verarbeitung. Dabei wird das Datenvolumen zunächst auf verschiedene Rechner oder Systeme verteilt und anschließend wieder zusammengefügt.

Big Data Analytics: Herausforderung und Chance

Der Trend zum weiteren Wachstum des Datenaufkommens ist unumkehrbar. Unternehmen, die sich darauf einstellen und die Chancen sehen, die sich aus der gezielten Analyse dieser Informationen ergeben, werden gegenüber ihren Konkurrenten entscheidende Wettbewerbsvorteile erreichen. Sie erkennen schneller Chancen und Risiken und können entsprechend auch vorausschauend handeln und den Unternehmenserfolg somit beeinflussen, anstatt nur auf veränderte Bedingungen zu reagieren. Mittlerweile stehen hervorragende technologische Möglichkeiten für die Realisierung von Big Data Analytics zur Verfügung.