Suchen

Kommentar von Jörg Stephan, Oraylis Big Data ist nicht die Lösung, sondern das Problem!

| Autor / Redakteur: Jörg Stephan / Nico Litzel

Big Data ist in der Unternehmenspraxis angekommen – zumindest, wenn man den Aussagen von Analysten und Technologie-Anbietern Glauben schenkt. Für viele IT- und BI-Verantwortliche sieht die Realität jedoch anders aus. Bei ihnen erzeugt allein die Erwähnung des Begriffs ein kaltes Grausen.

Firmen zum Thema

Der Autor: Jörg Stephan ist Head of Big Data bei Oraylis
Der Autor: Jörg Stephan ist Head of Big Data bei Oraylis
(Bild: Oraylis)

Verunsichernd wirkt nicht nur die Masse und Komplexität der laufend wachsenden Datenmengen aus Sensoren, RFIDs oder sozialen Netzwerken. Vielmehr noch sehen sich die Verantwortlichen einem enormen Erwartungs- und Erfolgsdruck ausgesetzt, da das neue Datenzeitalter in den höheren Führungsebenen gerne als Allheilmittel für ein zunehmend überholtes Geschäftsmodell wahrgenommen wird – und das, obwohl die betreffenden Kreise oftmals gar nicht genau wissen, welche grundlegenden Herausforderungen sich dahinter verbergen.

Dementsprechend wird Big Data immer häufiger als Problem betrachtet, statt als Chance. Auf der Suche nach geschäftlichen Innovationen wird in althergebrachten, linearen Vorgehensweisen gedacht. Sogenannte Use Cases entstehen am Reißbrett, wobei es sich in vielen Fällen gar nicht um Big-Data-Themen handelt – sprich: Die Voraussetzungen hinsichtlich Datenmenge, Datenvielfalt sowie der Geschwindigkeit, in der die Daten entstehen, sind nicht erfüllt. Im weiteren Verlauf werden teils beträchtliche Gelder investiert, ohne die gewünschten Ergebnisse zu erzielen. Rentable Innovationen bleiben aus. Der Enttäuschung über teuer gescheiterte Datenanwendung folgt oftmals Verwirrung, in einigen Fällen sogar eine Art Schockstarre.

Keine Daten sind auch keine Lösung

Dennoch ist allen Beteiligten bewusst: Keine Daten sind auch keine Lösung. Wie aber gehen Unternehmen vor, wenn digitale Geschäftsmodelle zur Überlebensprobe für ganze Branchen stilisiert werden? Oder konkreter: Wie lassen sich aus einem unüberschaubaren Berg an Daten jene entscheidenden Informationen und Zusammenhänge herausfiltern, die zu neuen Erkenntnissen und schließlich sogar zu neuen Einnahmequellen führen?

Zunächst gilt es sich zu vergegenwärtigen, dass Unternehmen das Rad nicht vollkommen neu erfinden müssen, um mit Big Data ihr Geschäft zu erneuern. Wie so oft beruhen die Innovationen bzw. Use Cases auf einer Kombination bereits bekannter und bewährter Ideen. Dabei bietet sich ein Vergleich zu den Entwicklungsprozessen in der Natur an. Beispielsweise gab es nicht den einen, magischen Moment, in dem ein Tier plötzlich flog. Stattdessen haben sich aus den schützenden Schuppen von Reptilien im Laufe der Evolution zunächst Flaum und schließlich Federn herausgebildet, die in Verbindung mit einer spezifischen Anatomie zum Fliegen geeignet sind.

Ebenso lässt sich der Prozess erfassen, infolgedessen sich der Mensch mittels entsprechender Fluggeräte in luftige Höhen erhob. Stets liegt ein schrittweises Vorgehen aus Wiederholungen (engl. Iterations), Erweiterungen und Experimenten mit vorhandenen Ideen zugrunde. So können Innovationen entstehen, an die im Vorhinein niemand auch nur ansatzweise gedacht hätte.

Von der Idee zum Use Case

Bei aller Experimentierfreudigkeit bedarf es einer strukturierten Vorgehensweise, um aus vorhandenen Massendaten und etwaigen Ideen konkrete Use Cases zu generieren. In diesem Kontext hat sich bei Oraylis ein mehrstufiges Phasenmodell etabliert, das auf bereits bewährten Methoden und Best Practices aus vorangegangenen Big-Data-Projekten beruht.

Das Modell unterscheidet in vier Entwicklungsstufen: Envision, Engage, Evolve und Evaluate. Im ersten Schritt – „Envision“ – wird zunächst eine Strategie für den Innovationsprozess entworfen. Dabei wird die Motivation der Akteure beleuchtet wie auch aktuelle Markttrends in geschäftlicher und technologischer Hinsicht. Es werden konkrete Ziele festgelegt sowie die Herangehensweise. Außerdem werden Personen und Abteilungen benannt, die an dem Entwicklungsprozess teilnehmen.

Die nächste Phase besteht aus dem gemeinsame Sammeln und Diskutieren von Ideen. Diese Ideen werden kurz beschrieben und nach möglichen Use Cases gruppiert. Mit „Evolve“ folgt die detaillierte Ausarbeitung der Use Cases. Dies beinhaltet auch eine Bewertung nach Machbarkeit und Nutzen anhand einer spezifischen Matrix. Auf dieser Basis wird dann entschieden, welche Use Cases in die „Evaluate“-Phase übernommen werden. In diesem letzten Schritt wird ein erster „Durchstich“ vorgenommen, bei dem nicht nur die technische Umsetzbarkeit auf dem Prüfstand steht. Bei analytischen Themen liegt der Fokus vor allem auf der Qualität der Erkenntnisse. Hier zeigt sich, ob eine Überführung des betreffenden Case in den operativen Prozess tatsächlich lohnenswert ist.

Big Data als Chance

Ein besonderer Vorteil dieser Vorgehensweise liegt darin, dass man bei jeder Stufe in den Prozess einsteigen kann. Schließlich befinden sich Unternehmen bezüglich der Erschließung ihrer Big Data in ganz unterschiedlichen Stadien. Nicht überall herrscht die eingangs beschriebene Verunsicherung. Manche Verantwortliche haben ihre Ziele bereits sehr genau vor Augen. Mitunter existieren sogar schon stimmige Use Cases, bei denen nur noch die Umsetzbarkeit geprüft werden muss. Ganz gleich, wie sich die Ausgangssituation gestaltet, ein solches Modell gibt stets die erforderliche Orientierung und macht die nächsten Schritte bewusst – also: Wo stehe ich und was ist als nächstes zu tun? Insofern handelt es sich auch um einen Wegweiser aus dem Tal der Enttäuschung, sodass das „Problem Big Data“ in einem positiven Sinne als Herausforderung und Chance angegangen werden kann.

(ID:44329730)