Andreas Gödde, SAS, zur Studie „Wettbewerbsfaktor Analytics“ Big Data Analytics sind die Basis für fundierte Geschäftsentscheidungen

Autor / Redakteur: Andreas Gödde / Nico Litzel

Big Data, Big Business: Den Wert von Big-Data-Analytics-Projekten stellt heute niemand mehr infrage. Doch während Softwarehersteller schon die Technologie von morgen anbieten, läuft beim Anwender noch die IT von gestern. Dabei ist eine Modernisierung der IT-Architektur für Unternehmen grundlegend, um sich für Big Data fit zu machen.

Firmen zum Thema

Der Autor: Andreas Gödde ist Director Business Analytics bei SAS Deutschland
Der Autor: Andreas Gödde ist Director Business Analytics bei SAS Deutschland
(Bild: SAS)

Kosteneinsparungen, schnellere und bessere Entscheidungen sowie neue Produkte und Services postuliert der US-Analyst Tom Davenport in seinem aktuellen Buch „Big Data at Work“ als wichtigste Vorteile der Analyse großer polystrukturierter Datenbestände. Zwar werden diese Pluspunkte durchaus auch vom Management anerkannt, was sich allerdings längst noch nicht breitflächig in der Akzeptanz entsprechender Lösungen widerspiegelt.

Zu diesem Ergebnis kommt eine Studie, die die Uni Potsdam in Zusammenarbeit mit dem Softwarehersteller SAS durchgeführt hat. Die Untersuchung „Wettbewerbsfaktor Analytics“ setzt den analytischen Reifegrad von Unternehmen in Deutschland, Österreich und der Schweiz in Beziehung zu ihrer Wettbewerbsfähigkeit. Haupterkenntnis: Obwohl die Notwendigkeit von Big Data Analytics inzwischen auch in der Führungsetage erkannt wird, weisen Unternehmen in der DACH-Region übergreifend einen „Ad-hoc“-Reifegrad auf, das heißt, entsprechende Lösungen werden immer noch meist fallbezogen und nicht systematisch eingesetzt.

Bildergalerie

Führungsebene zeigt Interesse

Dabei befürwortet die deutliche Mehrheit der Unternehmenslenker in der DACH-Region den Einsatz von Big-Data-Analytics-Lösungen für die zielgerichtete Nutzung großer polystrukturierter Datenbestände: Das geben in der Schweiz 65 Prozent der Befragten an, in Deutschland über 80 Prozent und in Österreich sogar 100 Prozent. Andererseits sagen 45 Prozent der aktuell befragten Unternehmen, dass sich ihre Kompetenz im Bereich Big Data Analytics nur langsam weiterentwickelt: Erst acht Prozent sehen dort eine schnelle Entwicklung.

Big Data Analytics im Sinne eines zukunftsorientierten Umgangs mit erfolgsrelevanten Fragen und Szenarien – im Gegensatz zum rückblickenden Business-Intelligence-Ansatz – bildet die Grundlage für eine zielgerichtete Nutzung der explosionsartig wachsenden und oft überwiegend rohen Informationsmassen.

Noch kaum echte Big-Data-Analysen

Dennoch findet eine wirkliche Big-Data-Analyse in Unternehmen aus dem deutschsprachigen Raum noch nicht statt, denn unter anderem werden verfügbare Datenmengen noch unzureichend genutzt. So verwenden zum Beispiel erst zwölf Prozent der befragten Unternehmen mehr als die Hälfte der verfügbaren Daten für Analysezwecke. Rund 88 Prozent geben an, dass nur bis zu 50 Prozent der verfügbaren Daten analytisch ausgewertet werden.

Doch Big Data Analytics als Selbstzweck ergibt keinen Sinn. Stattdessen muss es darum gehen, sich bewusst zu machen, welcher Nutzen sich aus den Daten ziehen lässt. Oder anders ausgedrückt: Wie können die Resultate aus Big Data Analytics dazu dienen, datenbasierte Entscheidungen zu treffen, die zu besseren Geschäftsergebnissen führen?

Beispiele gibt es dafür im privaten Bereich vielfältige. Verbraucher vergleichen Preise von verschiedenen Anbietern, um eine Kaufentscheidung zu treffen. Preissuchmaschinen helfen hier beim Sammeln der Daten und deren visueller Aufbereitung. Das Gleiche gilt im B2B-Bereich. Anbieter beobachten ständig den Markt, ihre Mitbewerber und die Nachfrage nach ihren Produkten, um den optimalen Preis zu bestimmen.

Mit besseren Modelle zu fundierteren Entscheidungen

Big Data erlaubt heute mit den drei „V“ (Volume, Velocity, Variety) immer bessere Modelle, auf deren Basis immer fundiertere Entscheidungen getroffen werden können. Zwar entscheiden laut der oben genannten Studie erst etwa acht Prozent der Unternehmen bereits rein oder überwiegend datenbasiert, während sich circa 24 Prozent bevorzugt auf ihre Erfahrung verlassen. Dennoch wächst im täglichen Betrieb der Anteil der datengetriebenen Entscheidungsfindungen bei strategischen Fragen sowohl im Management als auch in allen Fachbereichen.

Benötigt werden intuitive Lösungen für die Datenanalyse, um allen Bereichen im Unternehmen die Informationen zur Verfügung zu stellen, die für sie relevant sind.

Unkomplizierte Datenvisualisierung

Tools wie SAS Visual Analytics fördern die Auswertung von Big Data für Geschäftszwecke, indem sie ihren Nutzern immer mehr statistische und analytische Methoden anbieten. Fachanwender können damit auch ohne tief greifendes statistisches Know-how Daten visualisieren, Zusammenhänge finden und letztendlich die Entscheidungen optimieren. Und die Zusammenführung von analytischen Modellen und Geschäftsregeln in einem wohldefinierten und überwachten Prozess sorgt dafür, dass diese Entscheidungen auch konsistent im Sinne einer übergeordneten Geschäftsstrategie sind.

Die analytischen Modelle liefern üblicherweise eine Bewertung (zum Beispiel die Wahrscheinlichkeit eines Kreditausfalls bei der Beurteilung eines Kreditantrags), und die Regeln entscheiden dann, wie weiter verfahren werden soll: ablehnen, annehmen oder eine weitere manuelle Prüfung des Antrags durch einen Mitarbeiter. Durch konsequente (automatisierte) Dokumentation und Historisierung wird ein Höchstmaß an Sicherheit und Nachvollziehbarkeit sowie die Grundlage für eine kontinuierliche Verbesserung der Prozesse geschaffen.

Inzwischen ist es keine Frage mehr, ob Unternehmen den Einzug von Big Data willkommen heißen, sondern wann sie ihre IT tatsächlich darauf abstellen. Bei der Wahl der passenden Lösung für die Migration auf eine Big-Data-Umgebung gilt es, einige Punkte zu berücksichtigen.

  • 1. Integrierte Plattform/Umgebung: Die vollständige Abdeckung des End-to-End-Prozesses beim Information Management dient auch der Datenqualität. Tools verschiedener Anbieter bringen den Nachteil mit sich, dass sie zusätzlichen Aufwand für die manuelle Integration erfordern; eine Lösungssuite aus einer Hand lässt sich wesentlich einfacher managen und kommt der Datenqualität zugute.
  • 2. Einbindung von Fachanwendern: Um die schon überlastete IT-Abteilung nicht noch mehr zu strapazieren, ist es sinnvoll, den Anwendern in den Fachabteilungen mehr Verantwortung zu geben. Über einfach zu bedienende, leistungsstarke Benutzeroberflächen können sie auf die Daten zugreifen, diese bearbeiten, zusammenführen und bereinigen.
  • 3. In-Database-Datenqualität: Technologien für Datenprofilierung, -validierung und -standardisierung müssen den Ansprüchen von Big Data an die Performance genügen. Mit In-Database-Verarbeitung können Daten ohne Bewegung und hochperformant innerhalb der Datenbank-Appliance im Hinblick auf Datenqualitätsanforderungen bereinigt werden.
  • 4. Weniger Datenbewegung: Durch Datenbewegung verursachte Latenz gehört zu den häufigsten Gründen für Performance-Probleme im Zusammenhang mit datenintensiven Anwendungen. Daher sollten vorwiegend Tools geprüft werden, die die Notwendigkeit, Daten hin- und herzuschieben, minimieren.
  • 5. Schnittstelle zu Hadoop: Hadoop entwickelt sich zunehmend zur De-facto-Plattform für Big-Data-Anwendungen. Aus diesem Grund ist es wichtig, dass das entsprechende Tool die Datendistribution innerhalb des Hadoop Distributed File System (HDFS) und des parallelen Programmiermodells von MapReduce unterstützt.
  • 6. Governance: Entscheidend für einheitliche Daten ist, dass sie effizient im Unternehmen geteilt werden. Anwender benötigen einen uneingeschränkten Zugang zu einer immer größer werdenden Sammlung an kritischen Metadaten für strukturierte und unstrukturierte Assets. Voraussetzung dafür ist ein Metadaten-Repository, das ein Business Glossary unterstützt und in der Lage ist, Datendefinitionen sowie damit verbundene Meta-Tags zu erfassen.

Fazit

Big Data an sich bildet noch keinen Wert – dieser entsteht erst, wenn die Rohdaten verarbeitet und analysiert werden, sodass sich neue Kenntnisse und Umsatzmöglichkeiten eröffnen. Die umfassenden Veränderungen bei Big-Data-Technologien und der Einstellung des Managements müssen jetzt auch auf die Nutzung von Daten für Entscheidungsprozesse und Produkt-/Serviceinnovationen übertragen werden. Fest steht, dass Big Data Analytics Unternehmen und ihre Geschäftsmodelle komplett umkrempeln wird – und Unternehmen, die diese Veränderungen mit offenen Armen empfangen, verschaffen sich einen immensen Vorsprung.

Die deutschsprachige Wirtschaft versäumt mit ihrem aktuellen Analyseverhalten und -vorgehen allerdings noch wichtige Wettbewerbsvorteile. Um Big-Data-Potenziale wirklich zu erschließen, gilt es, die Datenqualität sicherzustellen und ein leistungsfähiges, intuitiv bedienbares Analysewerkzeug zu wählen. Damit sind die Voraussetzungen erfüllt, um datenbasierte Entscheidungen zu treffen – und damit einen wichtigen Schritt auf dem Weg zum maximalen Erkenntnisgewinn und Geschäftserfolg weiterzugehen.

(ID:42936522)