Dieser Artikel ist Teil unseres Guides: Big Data: Anwendung, Datenschutz und Technologie

Checkliste für die erfolgreiche Umsetzung von Big-Data-Projekten

Ein Big-Data-Projekt bietet Chancen, aber auch Risiken. Wenn Projekt-Manager die hier beschriebenen Punkte beachten, können sie Probleme minimieren.

In vielen Unternehmen stehen derzeit Big-Data-Analytik-Projekte ganz oben auf der Prioritätenliste der IT-Abteilungen. Die Auswertung der strukturierten, unstrukturierten und semistrukturierten Daten bietet große Chancen, aber auch Risiken. 

Daher muss die Planung und Verwaltung der Big-Data-Implementierung durchdacht sein. Dieser Artikel gibt Projekt-Managern von Big-Data-Analytics-Lösungen einen Leitfaden an die Hand, wie sie diese richtig implementieren und so einen Mehrwert für ihr Unternehmen schaffen können.

Wählen Sie als Auftraggeber eine Fachabteilung  mit soliden Geschäftsplänen: Durch den aktuellen Hype um Big-Data-Analytics könnten leitende Mitarbeiter aus den Fachabteilungen bei der IT-Abteilung Schlange stehen, um ein entsprechendes Projekt zu finanzieren. 

Den Zuschlag als Auftraggeber sollte erhalten, wer klare Unternehmensziele mit einem realistischen Zeitplan definieren kann. Denn eindeutig formulierte Ziele für den Geschäftsnutzen sind die Basis für den Aufbau einer passgenauen Lösung und Technologie für das Daten-Management und die entsprechenden Analyse-Systeme. Die Ziele geben den Rahmen für das Projekt vor. Sind sie genau definiert, ist es sehr unwahrscheinlich, dass das Projekt außer Kontrolle gerät.

Sehen Sie Fehler und permanentes Lernen als Teil des Projektplans: Da Big-Data-Analytics neue Technologien, Techniken und Methoden im Unternehmen einführt, werden auch neue Fähigkeiten notwendig. Schließlich werden Big-Data-Technologien gerade noch weiterentwickelt, oft ist eine beträchtliche Menge an kundenspezifischer Entwicklungsarbeit erforderlich, und es besteht großer Know-how-Bedarf bei IT-Entwicklern, Datenexperten und anderen Fachleuten, die für die Datenanalyse verantwortlich sind. 

Das heißt: Das Team, die Manager und alle Anwender werden erst im Laufe des Projekts herausfinden, wie Big-Data-Analytics wirklich funktioniert und welche Bedeutung sie für das Unternehmen hat. Die Projektpläne und Budgets sollten diese Lernkurve berücksichtigen und auch die unvermeidlichen Fehler einkalkulieren, die während des Projekts auftreten.

Nutzen Sie agile Methoden für die Entwicklung der Anwendungen: Im Laufe des Big Data-Projekts können sich auch die geschäftlichen Anforderungen ändern. Daher eignen sich agile Entwicklungsmethoden besser für Big-Data-Analytics-Anwendungen als etwa das traditionelle, lineare Wasserfallmodell

Bei letzterem ist der Entwicklungsprozess in aufeinander aufbauende Phasen mit vorher eindeutig definierten Zielen beziehungsweise Ergebnissen unterteilt. Ist eine Phase abgeschlossen, folgt die nächste Phase entsprechend des vorher festgelegten Projektzyklus. Der Name „Wasserfall“ entspringt der grafischen Darstellung, in der die verschiedenen Phasen häufig als aufsteigende Kaskaden angeordnet sind.

Agile Methoden wie Scrum hingegen setzen auf ein flexibles, iteratives Vorgehen mit sich überlappenden Entwicklungsschritten. Der Prozess ist dahingehend optimiert, dass sich die Anforderungen im Laufe des Software-Projekts verändern. Das Projekt kann daher auch dann beginnen, wenn die Anforderungen noch nicht vollständig bekannt sind. Die Teams arbeiten hier eigenverantwortlich und stehen in enger Verbindung mit den Kunden aus der Fachabteilung. Auf diese Weise hat der Kunde jederzeit einen Überblick über den aktuellen Projekt-Status.

Geben Sie klare Zeitfenster vor: Viele Software-Projekte halten nicht den vorgegebenen Zeitrahmen ein und laufen völlig aus dem Ruder. Vor dieser Herausforderung steht natürlich auch der Manager eines Big-Data-Analytik-Projekts, zumal er es wahrscheinlich mit Führungskräften und Mitarbeitern aus den Fachabteilungen zu tun hat, die viele Ideen einbringen, um ihre operativen Ziele zu erreichen. 

Um dieses Engagement optimal für den Projekterfolg einzusetzen, sollte er klare zeitliche Vorgaben für das Erreichen von Teilzielen setzen, damit die Big-Data-Initiative sich nicht verzögert.

Behandeln Sie die Datenanalysten (Data Scientists) wie Künstler: Data Scientists und andere qualifizierte Analysten spielen eine Schlüsselrolle, wenn es darum geht, die für den Geschäftserfolg relevanten Erkenntnisse aus großen Datenmengen zu filtern. Dazu nutzen sie Anwendungen wie Predictive Analytics und Data Mining in einem schrittweisen und iterativen Prozess. 

Ein Data Scientist wird hier ein analytisches Modell entwickeln, testen, verfeinern, validieren, in der Praxis einsetzen und die Ergebnisse intern veröffentlichen. Dabei testet er Dutzende oder Hunderte von Variablen mit einer Vielzahl von statistischen Methoden. 

Der Begriff Data Scientist ist hier etwas  irreführend, da die Extraktion analytischer Erkenntnisse zu gleichen Teilen aus Wissenschaft und Kunst besteht. Behandeln Sie daher Data Scientists mehr wie talentierte Künstler und weniger als Handwerker, werden Sie seine Produktivität fördern - und bessere Ergebnisse erzielen.

Setzen Sie realistische Erwartungen: Unternehmen, für die Big-Data-Projekte neu sind, sollten vorsichtig sein, wenn Technologieanbieter zu hohe Erwartungen schüren. Letztere behaupten oft, ihre Big-Data-Tools seien einfach zu bedienen oder verweisen auf andere Unternehmen, die dank dieser Anwendungen ihren Geschäftserfolg wesentlich verbessern konnten. 

Hier sollte man wissen, dass die ersten Anwender von Big-Data-Lösungen meist große Internet-Unternehmen waren, die umfangreiches Know-how besitzen und in vielen Fällen eine führende Rolle bei der Entwicklung von Hadoop und anderen Big-Data-Technologien spielten. 

Sind die Erwartungen zu hoch und werden dann nicht erfüllt, könnten Unternehmen das Big-Data-Projekt als Misserfolg bewerten, obwohl sich ein Mehrwert ergab. Daher gilt: Bleiben Sie realistisch, setzen sie ihre Erwartungen am Anfang und während des Projekts nicht zu hoch an.

Fazit

Ein Big Data-Projekt bietet Chancen, birgt aber auch Risiken. Wenn aber Projekt-Manager und Mitarbeiter die beschriebenen Punkte beachten, können sie die Nachteile minimieren und zum Geschäftserfolg ihres Unternehmens beitragen.

Folgen Sie SearchEnterpriseSoftware.de auch auf Facebook, Twitter und Google+!

- GOOGLE-ANZEIGEN

ComputerWeekly.de

Close