8 Vorteile der Big-Data-Nutzung für Unternehmen

Was ist Big Data?

Der Begriff Big Data ist teilweise irreführend – die Datenmenge kann in der Tat schwindelerregend groß sein. Doch man sollte den Begriff nicht mit einer vollständigen Definition verwechseln. Big-Data-Plattformen sind sicherlich für große Datenmengen optimiert. Doch es gibt viele Data Lakes, die speziell zur Speicherung von Big Data gebaut wurden und kleiner waren als herkömmliche Data Warehouses in derselben Organisation. Nichtsdestotrotz ist Big Data in der Regel groß ist.

Worum geht es also noch? Ein wichtiger Aspekt von Big Data ist die Vielzahl der beteiligten Datentypen. Ein einziges Big-Data-System kann XML-Dokumente, rohe Protokolldaten, Textdateien, Bilder, Video- und Audiodaten sowie herkömmliche strukturierte Daten enthalten. Dies wird gemeinhin als die Vielfalt (Variety) von Big Data bezeichnet. Um einige dieser Datentypen – insbesondere Bild-, Video- und Audiodateien, die sehr groß sein können – speichern und verarbeiten zu können, ist ein System erforderlich, das schnell und einfach skaliert werden kann.

Ein weiterer Big-Data-Aspekt ist die Geschwindigkeit (Velocity) der Daten. Gemeint ist damit die Geschwindigkeit, mit der sie erzeugt oder aktualisiert werden. Das kann ziemlich schnell gehen. Beispielsweise bestehen die Protokolldateien von Überwachungssystemen, mobilen Anwendungen, Websites und anderen Quellen oft aus einem kontinuierlichen Strom von Messwerten – vielleicht Tausenden in einer Stunde. Big Data kann auch ohne eine solche Geschwindigkeit entstehen, aber eine gut konzipierte Big-Data-Architektur sollte in der Lage sein, damit umzugehen.

Viele Analysten und Praktiker haben diese beiden Vs von Big Data um weitere Vs erweitert – wie Wahrhaftigkeit (Veracit“) und Variabilität (Variability).

Zusammenfassend lässt sich sagen, dass es sich bei Big Data in der Regel um eine Ressource mit vielen Arten von Daten und dem Potenzial für große Skalierung und schnelle Aktualisierungen handelt. Der Begriff umfasst auch neue Methoden zur Speicherung, Verarbeitung, Verwaltung und Analyse der Daten, die die Grundlage für Geschäftsentscheidungen bilden. Diese neuen Techniken bringen viele Vorteile mit sich, wenn man Big Data nutzt, und von denen Geschäftsführer und IT-Teams gleichermaßen profitieren.

Betrachten wir nun acht Möglichkeiten, wie Big Data Geschäftsabläufe verbessern kann.

1. Bessere Kundenanalyse

Wenn ein modernes Unternehmen auf Daten zurückgreift, um seine Kunden besser zu verstehen – egal ob einzeln oder in Kategorien –, kann es aus einer Vielzahl von Quellen wählen. Zu den Big-Data-Quellen, die Aufschluss über die Kunden geben, gehören:

• traditionelle Quellen von Kundendaten, wie zum Beispiel getätigte Einkäufe und Support-Anfragen
• externe Quellen, wie Finanztransaktionen und Kreditauskünfte
• Aktivitäten in sozialen Medien
• Daten aus internen und externen Umfragen
• Computer-Cookies

Die Clickstream-Analyse von E-Commerce-Aktivitäten ist in einem zunehmend digitalen Markt besonders lohnend. Diese Analyse gibt nämlich Aufschluss darüber, wie Kunden durch die verschiedenen Webseiten und Menüs eines Unternehmens navigieren, um Produkte und Dienstleistungen zu finden. Unternehmen können auf diese Weise beispielsweise erfahren, welche Artikel Kunden in ihren Einkaufswagen gelegt haben, diese aber vielleicht wieder entfernt haben, ohne sie zu kaufen. Oder sie erfahren, wann und wo der Kaufprozess später abgebrochen wurde. All dies liefert wichtige Hinweise darauf, was Kunden vielleicht kaufen möchten, auch wenn sie keinen Kaufabschluss tätigen.

Nicht nur Online-Shops, sondern auch stationäre Ladengeschäfte können über Kundenanalysen nützliche Erkenntnisse gewinnen. Mit der Analyse von Video-Aufnahmen können sie beispielweise herausfinden, wie Besucher durch ein Ladengeschäft navigieren. Die gewonnenen Erkenntnisse lassen sich dann zum Beispiel zur Optimierung der Warenpräsentation nutzen. Die Offline-Navigation kann aber auch verwendet werden, um sie mit der Navigation auf einer Website zu vergleichen.

2. Höhere Marktintelligenz

So wie Big Data uns unterstützen kann, das komplexe Einkaufsverhalten der Kunden detaillierter zu analysieren, kann es auch unser Verständnis der Marktdynamik vertiefen und erweitern.

Soziale Medien sind eine gängige Quelle für Marktinformationen zu Produkten, die von Frühstücksflocken bis zu Urlaubspaketen reichen. Für fast jede erdenkliche kommerzielle Transaktion gibt es Menschen, die ihre Vorlieben, ihre Erfahrungen und ihre Empfehlungen teilen. Diese shared opinions sind für Vermarkter von unschätzbarem Wert.

Wettbewerbsanalyse und Produktanalyse sind zwei weitere Möglichkeiten, bei denen Big Data unterstützen kann. Die Produktanalyse etwa unterstützt bei der Produktentwicklung – indem zum Beispiel diejenigen Merkmale umgesetzt werden, die Kunden besonders präferieren. Big Data hilft nicht nur bei der modernen Marktbeobachtung. In fast allen E-Commerce- oder Online-Märkten basieren die meisten Marktinformationen auf vielfältigen, sich ständig ändernden Daten.

3. Agiles Lieferkettenmanagement

Egal ob pandemiebedingte Engpässe bei Toilettenpapier, die Handelsunterbrechung durch den Brexit oder ein Schiff, das im Suezkanal feststeckt – moderne Lieferketten sind erstaunlich anfällig gegenüber Störungen.

Für viele Menschen ist das aber überraschend. Überraschend deshalb, weil wir unsere Lieferketten meist erst dann bemerken, wenn es zu einer wirklich großen Störung kommt. Die prädiktive Big-Data-Analysen – die oft nahezu in Echtzeit stattfinden – tragen dazu bei, dass unser globales Netzwerk aus Nachfrage, Produktion und Vertrieb größtenteils gut funktioniert.

Dies ist möglich, weil Big-Data-Systeme Daten über Kundentrends von E-Commerce-Websites und Einzelhandelsanwendungen mit Lieferantendaten, Echtzeitpreisen und sogar Versand- und Wetterinformationen integrieren können – und so ein bisher nicht gekanntes Maß an Informationen liefern.

Nicht nur große Unternehmen profitieren von diesen Erkenntnissen. Auch kleinere E-Commerce-Betreiber können Kundeninformationen und Echtzeit-Preise nutzen, um Geschäftsentscheidungen zu optimieren – beispielweise in Bezug auf Lagerbestände und Risikominderung oder zeitlich begrenzte oder saisonale Personalbesetzung.

4. Bessere Empfehlungen und gezielte Ansprache

Als Verbraucher sind wir mit Empfehlungsmaschinen inzwischen sehr vertraut. So vertraut, dass wir uns vielleicht nicht bewusst sind, wie sehr sich diese Empfehlungsalgorithmen mit dem Aufkommen von Big Data weiterentwickelt haben. Früher war die prädiktive Analyse für Empfehlungen recht einfach: Sie basierte mehr oder weniger nur auf Assoziationsregeln, die die gemeinsamen Artikel in Warenkörben registrierten. Diese Methode, die uns sagt, dass Kunden, die xy gekauft haben, auch yz kaufen, können Sie immer noch als Funktion auf E-Commerce-Websites finden.

Neuere Empfehlungssysteme sind intelligenter. Sie bauen auf den ausgefeilten Kundenkenntnissen auf, die wir bereits erörtert haben. Damit können sie stärker demografische Daten und das Kundenverhalten berücksichtigen. Diese Systeme sind auch nicht auf den elektronischen Handel beschränkt. Die Empfehlungen eines freundlichen Verkäufers können durchaus datengesteuert sein. Seine Vorschläge können zum Beispiel durch ein Point-of-Sale-System ausgelöst werden, das die Lagerbestände, beliebte Kombinationen, gewinnbringende Artikel und sogar Trends in den sozialen Medien auswertet. Wenn Sie ein Bild Ihres Einkaufs teilen, liefern Sie noch mehr Daten, die von den großen Datenmaschinen verarbeitet werden können.

Anbieter von Streaming-Inhalten verwenden sogar noch ausgefeiltere Techniken. Sie fragen ihre Kunden vielleicht nicht einmal, was sie als Nächstes sehen wollen: Noch bevor der aktuelle Film, die aktuelle Sendung oder der aktuelle Song zu Ende ist, wird die nächste Auswahlmöglichkeit eingeblendet. So wird der Zuschauer zum Binge-Watching – dem Konsum mehrerer Filme oder Serien am Stück – animiert, indem er seine eigenen Vorlieben mit einer Vielzahl von Big-Data-Analysen kombiniert, die von anderen Nutzern und sozialen Medien stammen.

5. Datengesteuerte Innovation

Innovation ist nicht nur eine Frage der Inspiration. Es steckt viel harte Arbeit darin, Themenbereiche zu identifizieren, die durch neue Ideen und Experimente gravierend verändert werden können.

Die verschiedenen verfügbaren Big Data Tools und -Technologien können die Forschung und Entwicklung verbessern und führen oft zu neuen Produkten und Dienstleistungen. Manchmal werden die Daten – bereinigt, aufbereitet und für die gemeinsame Nutzung geregelt – selbst zu einem Produkt. Die Londoner Börse zum Beispiel verdient inzwischen mehr Geld mit dem Verkauf von Daten und Analysen als mit dem Wertpapierhandel.

Daten allein, selbst mit den besten Big Data Tools, werden keine neuen Erkenntnisse hervorbringen. Wir brauchen immer noch das menschliche Element: das Verständnis und die Vorstellungskraft von Datenwissenschaftlern, BI-Analysten und anderen Analytikern. Der Umfang und die Reichweite von Big Data, insbesondere wenn sie in einem einzigen Hadoop-Cluster oder einem Cloud Data Lake gespeichert sind, können Teams jedoch zu einem neuen Verständnis von Trends führen, das in einer weniger integrierten Umgebung nur schwer zu gewinnen wäre.

6. Vielfältige Anwendungsfälle für Datensätze

Es kommt regelmäßig vor, dass Daten, die für einen bestimmten Geschäftszweck sorgfältig aufbereitet und modelliert wurden, für eine andere Anwendung völlig ungeeignet sind.

Ein Beispiel: das Marketingteam eines Kreditkartenausstellers soll herausfinden, wie die Kunden die verschiedenen Karten in ihren Geldbörsen nutzen. Erschwert wird die Analyse durch fehlgeschlagene oder abgebrochene Transaktionen, zum Beispiel aufgrund von Verbindungsproblemen mit dem Bezahlterminal oder Fehlern im Magnetstreifen der Karten. Um die fehlgeschlagenen Transaktionen zu entfernen, müssendie Daten sorgfältig bereinigt.

Das Ergebnis ist ein Datensatz, der für die ursprüngliche Marketinganwendung hervorragend geeignet ist. Allerdings kann ihn das Team für die Betrugsprävention nicht verwenden. Diese wollen fehlgeschlagenen Transaktionen sehen, die Hinweise auf eine betrügerische Kartennutzung hinterlassen.

Im Zeitalter von Big Data können alle Rohdaten unverändert in einem Data Lake gespeichert werden und es lassen sich Datenmodelle darauf anwenden, wenn sie für bestimmte Analyseanwendungen benötigt werden. Es lassen sich Datenpipelines speziell für jeden Anwendungsfall entwerfen oder einfach Ad-hoc-Abfragen ausführen, um die Analyseprozesse zu befüllen. Dies ermöglicht eine große Flexibilität in Bezug auf die Anzahl und die Arten von Anwendungen, die mit demselben Datensatz ausgeführt werden können.

7. Verbesserte Geschäftsabläufe

Durch den Einsatz von Big Data können viele Geschäftsabläufe verbessert werden. Big Data unterstützt bei der Optimierung von Geschäftsprozessen, um Kosteneinsparungen zu erzielen, die Produktivität zu steigern und die Kundenzufriedenheit zu erhöhen. Einstellungen neuer Mitarbeiter und die Personalverwaltung lassen sich effektiver gestalten. Bessere Betrugserkennung, Risikomanagement und Planungen für die Cybersicherheit unterstützen Unternehmen, finanzielle Verluste zu verringern und potenzielle Geschäftsbedrohungen zu vermeiden.

Eine der interessantesten und lohnendsten Anwendungen von Big Data-Analysen ist die Optimierung physischer Prozesse. So kann Big Data kombiniert mit Data Science beispielsweise vorausschauende Wartungspläne erstellen, um kostspielige Reparaturen und Ausfallzeiten für kritische Geräte und Systeme zu reduzieren.

Sie können mit der Analyse von Alter, Zustand, Standort, Garantie- und Wartungsdetails beginnen. Dinge wie Sicherheitssysteme in Einrichtungen werden jedoch in besonderem Maße von anderen Geschäftsaktivitäten beeinflusst, zum Beispiel von Personal- und Produktionsplänen, die wiederum von Verkaufszyklen und damit vom Kundenverhalten beeinflusst werden können. Gut integrierte Big-Data-Datensätze führen all dies zusammen und unterstützen dabei, die Anlagen zum optimalen Zeitpunkt zu warten.

8. Zukunftssichere Daten- und Analyseplattformen

Technologien und Techniken für die Datenanalyse entwickeln sich in einem bemerkenswerten Tempo. Die grundlegenden Anforderungen an Berichte, BI und Self-Service-Analysen stellen bereits hohe Ansprüche an die IT-Abteilungen. Tools für maschinelles Lernen, prädiktive Modellierung und künstliche Intelligenz (KI) sind inzwischen weit verbreitet und werden von führenden Unternehmen als Standardfunktionen genutzt. Die Arten von Daten, die erfasst, gespeichert und analysiert werden, werden mit jeder neuen Technologiegeneration vielfältiger.

Diese Vielfalt – und das damit verbundene Datenvolumen – stellt bereits heute eine Herausforderung dar. Aber die Daten werden immer komplexer und anspruchsvoller, ebenso wie die Anforderungen an die Analytik. Wer weiß schon, was in ein paar Jahren auf uns zukommt? Die Flexibilität und Skalierbarkeit von Big Data sind wesentliche Vorteile, wenn Sie eine Datenplattform aufbauen wollen, die nicht so schnell veraltet.

Mit Blick auf die Zukunft ist eine flexible Big-Data-Umgebung eine dringende Investition: Das Tempo des Wandels in der Datenverwaltung und -analyse wird sich weiter beschleunigen.

Wie man mit Big Data startet

Angesichts all dieser potenziellen Vorteile sollte man lieber früher als später mit Big Data beginnen. Doch was sind die ersten Schritte? Die folgenden drei Schritte sind entscheidend:

Bereiten Sie die Big-Data-Infrastruktur vor. Ihre Daten müssen für die Verarbeitung und Analyse irgendwo hin. Cloud-Plattformen sind heute eine gute Option. Es ist einfach, einen Data Lake auf einer Cloud-Plattform einzurichten, insbesondere wenn Sie bereits mit einem Cloud-Anbieter zusammenarbeiten. Oft reicht es aus, ein Speicherkonto einzurichten, dem Data Lake einen Namen zu geben und die Anmeldeinformationen zu erhalten. Die meisten Cloud-Anbieter stellen hierfür benutzerfreundliche Tools zur Verfügung.

Natürlich können Sie auch Ihren eigenen Data Lake aufbauen – vielleicht mit einer hybriden Cloud-Architektur, die Cloud- und On-Premises-Systeme umfasst.

Definieren Sie Data-Lake-Zonen. In der Praxis sind die meisten Data Lakes nicht einfach nur Massenspeicher mit unorganisierten Daten. Es ist sinnvoll, sie in verschiedene Zonen einzuteilen, die jeweils unterschiedlichen Zwecken dienen und für die oft unterschiedliche Berechtigungen für verschiedene Benutzergruppen gelten.

Die erste Zone ist in der Regel die Landing Zone, die manchmal auch als Raw oder Ingestion Zone bezeichnet wird. Hier werden neue Daten mit minimaler Verarbeitung zum Data Lake hinzugefügt. Die zweite ist die Produktionszone, in der die bereinigten, angepassten und verarbeiteten Daten gespeichert werden. Diese Zone ist einem Data Warehouse am ähnlichsten, ist aber in der Regel weniger eingeschränkt und strukturiert.

In der Regel gibt es auch eine Arbeitszone oder Sandbox, in der Entwickler und Datenwissenschaftler temporäre Dateien und Datenstrukturen für ihre Projekte speichern können. Schließlich kann es je nach Unternehmen erforderlich sein, eine private oder sensible Datenzone mit sehr eingeschränktem Zugriff einzurichten, um sicherzustellen, dass kritische Datensätze ordnungsgemäß verwaltet werden.

Katalogisieren Sie die Datenbestände. Aufgrund der Vielfalt der Daten, die in einem Big-Data-System gespeichert werden können, ist es unerlässlich, einen benutzerfreundlichen Katalog der verfügbaren Datenressourcen bereitzustellen. Ein Anbieter von Cloud-Plattformen kann sein eigenes grundlegendes Katalogisierungs- und Suchsystem anbieten. In vielen Fällen ist es jedoch sinnvoller, einen Datenkatalog zu erstellen, der auf die Bedürfnisse von Datenwissenschaftlern, Geschäftsanwendern und Entwicklern zugeschnitten ist.

Die Vorteile von Big Data sind die Mühe wert

Mit dieser grundlegenden Infrastruktur sind Sie fast bereit, Ihr Big-Data-System für Benutzer zu öffnen. Zuvor sind jedoch noch einige Schulungen erforderlich, da sich die Big-Data-Umgebung von vertrauten Datenbank- und Data-Warehouse-Systemen unterscheiden kann. Außerdem müssen Sie sich Gedanken über Zugriffsrechte, Berechtigungen und andere Sicherheits- und Data-Governance-Anforderungen machen. Die Big-Data-Reise beginnt eigentlich wirklich erst hier.

Trotz des Aufwands und der umfänglichen Vorkehrungen sind die geschäftlichen Vorteile und der Nutzen, den Sie mit Big Data erzielen können, die Mühe wert. Big Data ist das Lebenselixier moderner Unternehmen und eine der besten Ressourcen, um intelligente, nachhaltige Veränderungen voranzutreiben - und einen Wettbewerbsvorteil gegenüber Konkurrenten zu erlangen.