Kommentar von Andreas Becks, SAS

Die Innovationsbremse lösen

| Autor / Redakteur: Andreas Becks / Nico Litzel

Der Autor: Andreas Becks ist Manager Business Intelligence DACH bei SAS
Der Autor: Andreas Becks ist Manager Business Intelligence DACH bei SAS (Bild: SAS)

Big Data Analytics nutzen heißt auch: experimentieren. Denn oft geben die Daten Erkenntnisse preis, mit denen zuvor keiner gerechnet hat. Deutsche Unternehmen investieren aber nur ungern in langwierige, unabsehbare Experimente. Das Big Data Lab von SAS löst dieses Dilemma auf – mit einer schlüsselfertigen Probeumgebung für Big Data Analytics.

Big Data Analytics ist weit mehr als eine Fortsetzung von Business Intelligence mit größeren Datenmengen. Die große Stärke von Big Data Analytics ist es, Muster und Trends in Datenströmen zu identifizieren, die zuvor nicht erkennbar waren. Wer das als Unternehmen nutzen will, muss ergebnisoffen an diese Analysen herangehen – sprich: Experimente wagen und das Scheitern von Ansätzen in Kauf nehmen.

Beides gehört nicht zu den traditionellen Stärken deutscher Unternehmen und Unternehmer. Unsichere Nutzenprognosen bedeuten üblicherweise das Aus für Projekte. Das wird in einer Zeit der digitalen Transformation aber zunehmend zur Innovationsbremse.

Dass gerade in Sachen Big Data noch Handlungsbedarf besteht, zeigen auch erste Ergebnisse der Studie „Wettbewerbsfaktor Analytics“, die die Universität Potsdam in Zusammenarbeit mit dem Softwarehersteller SAS bereits zum dritten Mal durchgeführt hat. Der Erhebung zufolge, die den analytischen Reifegrad von Unternehmen unter die Lupe nimmt, nutzen 90 Prozent der Industrieunternehmen in Deutschland, Österreich und der Schweiz (DACH) noch immer weniger als die Hälfte ihrer Daten. Dadurch, dass ein Großteil der Firmen das Thema verdrängt, riskieren sie die eigene Zukunftsfähigkeit.

Auf dem Weg zum datengetriebenen Unternehmen

Die besagte digitale Transformation zwingt die Wirtschaft mehr und mehr dazu, zu analytischen und datengetriebenen Unternehmen zu werden. Die Initiative dazu geht nicht von der IT aus, sondern von den Fachabteilungen, insbesondere von Vertrieb und Marketing, aber auch Produktentwicklung und Fertigung.

Diese Fachbereiche haben in der Regel nicht die technische Expertise, um Nutzenprognosen für Big Data Analytics zu stellen. Aber sie haben das Fach- und Marktwissen, auf dessen Basis explorativ und experimentell nach Anwendungsbereichen gesucht werden kann. Diese Use Cases müssen von Fachbereichen erarbeitet und erprobt werden. Dafür brauchen sie eine praxisnahe, leistungsfähige Infrastruktur. Und sie brauchen einen CIO, der ihnen mit seinem Team diese Infrastrukturen zur Verfügung stellt.

Teure Experimente

Im Hinblick auf Innovation ist Experimentieren unverzichtbar. Die Projektrisiken sind aber erheblich. Denn es liegt in der Natur der Sache, dass die Fachbereiche zu Beginn noch nicht in der Lage sind, ihre Anforderungen an Daten, Technologien und Methoden konkret zu beschreiben. Ein individuelles Design der Test-Infrastruktur für jedes Projekt ist das Gegenteil von agil – und vor dem Hintergrund einer aus heterogenen Komponenten (beispielsweise Hadoop, HANA, R, Python) bestehenden Infrastruktur zudem komplex zu managen. Dass dafür in der IT meist die nötigen Ressourcen und teilweise auch Skills fehlen, versteht sich dabei fast schon von selbst.

Wer sich als Unternehmen also auf das Experiment Big Data Analytics einlassen will – und das wird mittelfristig fast jedes Unternehmen wollen und müssen – ist daran interessiert, seine Ressourcen in der Verprobungsphase so effizient wie möglich einzusetzen und seine Investitionen so gering wie möglich zu halten. Ziel sind ein schneller, „kleiner“ Einstieg, ein schnelles Validierungsergebnis und ein Weg für eine Produktivsetzung bei positivem Ausgang.

Schlüsselfertige Infrastruktur

Genau hier setzt das Big Data Lab von SAS an: eine erprobte, vorkonfektionierte und schlüsselfertige Infrastruktur für die Verprobung von Big Data Use Cases innerhalb eines geschützten Experimentierfeldes, das die produktive Arbeitsumgebung nicht beeinflusst.

Alle Werkzeuge vom fachbereichsgetriebenen Datenmanagement bis hin zu Explorationswerkzeugen für Fachanwender und Data Scientists sind an Bord. Die Datenhaltung erfolgt kostengünstig in einem Hadoop Data Lake. Die Anschlussfähigkeit an eine professionelle Produktivsetzung nach einer unternehmensinternen Pilotphase ist hinsichtlich Ausbaufähigkeit und Skalierbarkeit im Sinne einer analytischen Factory gegeben.

Die Umgebung ist schnell und einfach verfügbar (entweder Installation on-premise oder bezogen aus der Cloud) und kann sofort genutzt werden. Eingebunden in das Projektteam sind gleichermaßen Management und Mitarbeiter der Fachbereiche, die den Markt am besten kennen und die richtigen strategischen Fragen stellen können. Data Scientists sind in der Lage, die Fragen mit ihrem methodischen Wissen klar im System abzubilden. SAS liefert bei Bedarf auch Skills und Ressourcen, um das Big Data Lab produktiv zu machen – wenn im Unternehmen also noch nicht ausreichend Data Scientists, Datenmanager oder BI-Experten vorhanden sind, springt SAS mit Manpower und Expertise ein.

Unterschiedliche Ausgangssituationen

Beim Experimentieren und Lernen mit Big Data gibt es ganz unterschiedliche Ausgangssituationen. Manche Unternehmen haben schon sehr viele Daten in ihrem Data Warehouse und möchten diese erstmalig analysieren. Andere betreiben über das Data Warehouse hinaus weitere Datensilos. Dazu kommen externe Daten, beispielsweise aus dem Web, aus Open-Data-Projekten oder Marktdaten.

Zu guter Letzt müssen auch noch Ströme von Maschinen- und Sensordaten berücksichtigt werden, die in Echtzeit generiert werden. Diese polystrukturierten Daten werden als Rohformat in Data Lakes gesammelt und von dort aus in das „Labor“ geliefert. Datenintegrationsprojekte und Schemabildung im Vorfeld sind nicht notwendig. Mit dem „Schema-on-Read“-Ansatz wird das Schema erst definiert, wenn feststeht, was gebraucht wird – und nicht schon bei der Anlieferung. Technisch ist das für Hadoop ein ideales Spielfeld.

Wenn scheitern, dann schnell

Dabei ist der Anwender keineswegs auf die finale Architektur festgelegt. Der schnelle Start und die flexiblen Schnittstellen erleichtern das Testen von Szenarien – und ermöglichen eine Skalierung in produktive Umgebungen. Die im Lab erarbeiteten Szenarien können aber auf einer SAS-Plattform besonders einfach, nachhaltig und bei voller Prozesssicherheit an große Zielgruppen ausgerollt werden – daran scheitern viele Big Data Start-ups.

Eine Erfolgsgarantie gibt es bei Experimenten mit Big Data Analytics nie. Wichtig ist nur, dass auch die Fehlversuche nicht zu viel Finanzen und Ressourcen schlucken. Wenn scheitern, dann schnell und eindeutig – so kann ein Irrweg rasch identifiziert und ausgeschlossen werden.

Insgesamt kann das Konzept des Big Data Labs die Projektrisiken deutlich begrenzen und damit die Einstiegshürde für Big Data Analytics erheblich senken – sowohl finanziell als auch psychologisch. Und mit dem Mut zum Experiment löst sich auch die Innovationsbremse.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 43520410 / Analytics)