Test

Die zunehmende Digitalisierung in den letzten Jahrzehnten führt dazu, dass Unternehmen und öffentliche Einrichtungen unmengen an Daten generieren und speichern. Hierbei reden wir weltweit von 2,5 Billionen Bytes pro Tag (dies entspricht einer Speicherkapazität von 36 Millionen iPads). Die explosionsartige Vermehrung digitaler Daten wird besonders deutlich, wenn man sich bewusst macht, dass 90 % der weltweit verfügbaren Daten in den letzten zwei Jahren erzeugt wurden. Mit immer weiter entwickelten Software-Systemen und einer steigenden Anzahl der weltweiten Internet- und Social-Media-Nutzer wird sich dieser Wachstumstrend auch in Zukunft fortsetzen. Wie mit den Datenmengen umgegangen wird, ist heutzutage eine entscheidende Frage für Unternehmen. Mit der richtigen Analyse können wichtige Erkenntnisse gewonnen werden, die als Basis für strategische Unternehmensentscheidungen dienen. In diesem Artikel beschreiben wir welchen Nutzen Unternehmen aus den ihnen zur Verfügung stehenden Datenmengen ziehen können, um in der digitalen Wirtschaft wettbewerbsfähig zu bleiben.

Big Data sind große Datenmengen, die von Unternehmen und Privatpersonen tagtäglich produziert werden. Auf Konsumentenebene umfassen diese Daten u.a. Informationen zum Online-, Such-, und Kaufverhalten. Auf Unternehmensebene sind beispielsweise Transport- und Produktionsdaten betroffen. Es gibt 3 Merkmale, die die Eigenschaften von Big Data komprimiert zusammenfassen:

• Volume – beschreibt das enorme Datenvolumen bzw. die riesige Datenmenge.
• Velocity (Geschwindigkeit) – beschreibt die Geschwindigkeit, mit der Daten entstehen. Immer mehr Daten werden in immer kürzerer Zeit generiert.
• Variety (Vielfalt) – beschreibt die unterschiedlichen Datenquellen und -formen. Daten können strukturiert oder unstrukturiert sein und z. B. als Audio- oder Videodatei vorliegen.

Die komplexe Charakteristik von Big Data wird laut Jules Berman besonders gut deutlich, wenn man sich anschaut, inwiefern sich Big Data von Small Data in der Praxis unterscheidet.

Durch das bewusste oder unbewusste Sammeln von Big Data stellt sich für Unternehmen die Frage, ob und wie man diese Informationen für sich nutzen kann. Der alleinige Besitz dieser Daten bringt keine unternehmerischen Vorteile mit sich. Hier kommt Big Data Analytics ins Spiel und ermöglicht, große Datenmengen verschiedener Quellen zu analysieren. Ziel ist es, nützliche Informationen und insbesondere Muster und Korrelationen aus den Datenmengen abzulesen. Mit den gewonnenen Erkenntnissen können Unternehmensprozesse optimiert und Wettbewerbsvorteile erzielt werden. Die abgeleiteten Optimierungsmaßnahmen tragen in den meisten Fällen zu einer Kostensenkung, einem Zeitersparnis sowie einer Produkt- und Dienstleistungsoptimierung bei.

Im ersten Schritt des Analyseprozesses muss die Datenmenge erfasst und für die weitere Verarbeitung aufbereitet werden. Herausforderungen sind hierbei die unterschiedlichen strukturellen Gegebenheiten, Formate und Quellen. Zudem ist es essentiell, die vorhandenen Daten auf ihre Relevanz zu prüfen, um deren Aussagekraft sicherzustellen. Die große Menge an Daten erfordert aufwändige Prozesse zur Erfassung, Extraktion und Transaktion. Die anschließende Analyse erfolgt mit Hilfe von Big Data Software und statistischen Methoden. Anschließend werden die gewonnenen Informationen aufbereitet und visualisiert. Big Data Analytics ermöglicht es, mit Daten zu arbeiten, die vorher nicht zugänglich bzw. nicht nutzbar waren. Ein weiterer Unterschied zu einem herkömmlichen Analytics-Verfahren ist, dass die Analysen nicht (nur) dazu dienen, aus vergangenen Ereignissen zu lernen. Das primäre Ziel ist, einen Blick in zukünftige Entwicklungen zu werfen und zu erfahren, wie das Kundenverhalten und die Kundenwünsche von Morgen aussehen.

Große Datenmengen bringen Komplexität mit sich und daher ist es nicht verwunderlich, dass herkömmliche Datenbanken für Big Data nicht mehr ausreichen. Vielmehr kommen erweiterte Analytics-Techniken wie Data Mining, Text Mining, Process Mining und Machine Learning zum Einsatz. Diese und andere statistische Methoden können Vorhersagen über die Wahrscheinlichkeit von zukünftigen Ereignissen treffen. Ein kurzer Überblick über beliebte Big Data Analytics-Techniken:

• Data Mining – große Datenmengen werden auf Muster, Trends und Zusammenhänge hin untersucht.
• Machine Learning – Computerprogramme erwerben selbständig neues Wissen und erzeugen Datenmodelle, die für Prognosen und Entscheidungen eingesetzt werden.
• Process Mining – Hier werden keine einzelnen KPIs, sondern Prozesse end-to-end und auf ihre Effizienz hin analysiert – und dabei exakt so dargestellt, wie sie in der Realität ablaufen.
• Text Mining – extrahiert analysierbare Informationen aus Texten (z.B. Worthäufigkeiten).

Bei der Begriffserklärung fällt auf, dass die Techniken mehrheitlich darauf abzielen, Prognosen und zukünftige Trends zu erkennen. Dies fällt in den Bereich von Predictive Analytics und gibt Antwort auf die Fragestellung “Was wird passieren?”. Doch auch wenn Big Data für Predictive Analytics Verfahren geeignet ist, gibt es zusätzliche Anwendungen in Descriptive und Prescriptive Analytics.

Descriptive Analytics ist mit ca. 80 % die am häufigsten genutzte Methode im Bereich von Business Analytics. Diese Methode fasst zusammen, was in der Vergangenheit passiert ist. Descriptive Analytics hilft also bei der Komprimierung von Big Data in kleinere und überschaubare Daten. Die nächste Stufe bei der Datenreduktion ist Predictive Analytics. Ziel ist es, mit der Prüfung von vergangenen und aktuellen Daten, Prognosen über die Zukunft zu treffen. Es werden also Vorhersagen über Daten getroffen, die noch nicht zur Verfügung stehen. Hier kommen u.a. die aufgeführten Techniken wie Data Mining und Machine Learning zu Einsatz. Prescriptive Analytics lehnt sich an Predictive Analytics an und trifft Vorhersagen über die Konsequenzen, die gewisse Handlungen mit sich ziehen. Somit wird die Fragestellung “Wie können wir etwas geschehen lassen?” beantwortet. Aufgrund der riesigen Datenmenge ist Big Data im Vergleich zu Small Data insbesondere für das Aufdecken von zukünftigen Trends und Mustern geeignet. Speziell für CEOs und andere Manager mit Entscheidungsgewalt sind diese Informationen von immenser Bedeutung, um richtig auf Veränderungen im Markt und im Kundenverhalten zu reagieren.

Mit einer fortschreitenden Digitalisierung und der damit verbundenen Menge an gesammelten Daten wird auch die Bedeutung und Relevanz von Big Data in Zukunft weiter steigen. Big Data nutzt den Unternehmen jedoch nur etwas, wenn die Informationen richtig analysiert werden können. Die Möglichkeiten scheinen grenzenlos und Unternehmen können sich einen großen Wettbewerbsvorteil verschaffen, indem sie Märkte, Kunden und ihre Veränderungen richtig einschätzen können und auf diese mit entsprechenden Maßnahmen reagieren. Die Komplexität und der Aufwand von Big Data Analytics darf jedoch nicht außer Acht gelassen werden. Heutzutage müssen Unternehmen über ein erweitertes technisches Wissen und ein großes Budget verfügen, um die richtigen Analysen durchführen zu können. Und dennoch: Es gibt immer wieder Kritik und Skepsis, da die Datenqualität oft nicht ausreicht und auch datenschutzrechtliche Probleme diskutiert werden. Es gilt also zukünftig, in die Entwicklung von verbesserter Software zu investieren und das Thema auch für kleinere und mittelständische Unternehmen zugänglich zu machen.