Definition

Was ist Big Data Analytics?

| Autor / Redakteur: Stefan Luber / Nico Litzel

(Bild: © aga7ta - stock.adobe.com)

Big Data Analytics ermöglicht es, große Datenmengen aus unterschiedlichen Quellen zu analysieren. Die gewonnenen Informationen oder erkannten Muster lassen sich einsetzen, um beispielsweise Unternehmensprozesse zu optimieren.

Big Data Analytics lässt sich in einzelne Teilgebiete gliedern. Die wichtigsten davon sind:

  • Die Datenbeschaffung aus verschiedenen Quellen mithilfe von Suchabfragen,
  • die Optimierung und Auswertung der gewonnenen Daten sowie
  • die Analyse der Daten und Präsentation der Ergebnisse.

Zunächst stellt sich bei der Big Data Analytics die Aufgabe, riesige Datenmengen unterschiedlichen Formats aus verschiedenen Quellen zu erfassen und für die weitere Bearbeitung aufzuarbeiten. Dabei besteht oft die Schwierigkeit, dass die großen Datenmengen unstrukturiert und in verschiedenen Formaten vorliegen. Da solche Informationen mit herkömmlicher Datenbanksoftware kaum zu erfassen sind, kommen bei Big Data Analytics aufwendige Prozesse zur Extraktion, Erfassung und Transaktion der Daten zum Einsatz. Anschließend erfolgt die Datenanalyse mithilfe spezieller Big Data Software, die statistische Methoden wie Predictive Analytics nutzt. Im letzten Schritt werden die gewonnen Ergebnisse aufbereitet und visualisiert. Big Data Analytics bezieht sämtliche Softwareanwendungen mit ein, die für die geschilderten Prozesse zum Einsatz kommen.

Die Herausforderungen von Big Data Analytics

Damit sich großen Informationsmengen erfassen und wie gewünscht auswerten lassen, muss Big Data Analytics mehrere Herausforderungen meistern. Die verwendete Software muss sowohl in der Lage sein, viele Suchabfragen schnell durchzuführen, als auch die unterschiedlichen Datensätze in hoher Geschwindigkeit zu importieren und zu verarbeiten. In der Regel nutzen Big-Data-Analytics-Anwendungen hierfür parallele Bearbeitungsverfahren. Es existieren für Big Data Analytics quelloffene Software-Frameworks, die spezielle Big-Data-Technologien beherrschen und die Verarbeitung von riesigen Informationsmengen mithilfe von vernetzten Clustersystemen ermöglichen.

Um die Performance weiter zu erhöhen, nutzen viele Systeme im Gegensatz zu herkömmlichen Datenbankanwendungen bei der Verarbeitung nicht Festplattenspeicher, sondern den schnelleren Arbeitsspeicher. Das sorgt für höhere Zugriffsgeschwindigkeiten und ermöglicht Analysen nahezu in Echtzeit.

Big Data Analytics zur Optimierung von Unternehmensprozessen

Big Data Analytics kommt häufig im Business-Intelligence-Umfeld zum Einsatz. Ziel ist es, mit den aus der Datenanalyse gewonnenen Erkenntnissen Unternehmensabläufe zu optimieren und Vorteile gegenüber Wettbewerbern zu erzielen. Hierfür untersucht Big Data Analytics große Mengen unterschiedlicher dem Unternehmen zur Verfügung stehender Daten nach nützlichen Informationen, versteckten Mustern oder anderen Korrelationen. Herkömmliche Programme für Business Intelligence sind zu solch umfassenden Analysen riesiger Informationsmengen nicht in der Lage. Die durch Big Data Analytics gewonnenen und visualisierten Analysen liefern Ergebnisse für die Optimierung verschiedener Geschäftsprozesse. Zudem können Sie für die Unterstützung schwieriger Entscheidungsprozesse herangezogen werden.

Weitere Anwendungsbereiche von Big Data Analytics

Neben der Business Intelligence ergeben sich für Big Data Analytics eine ganze Reihe weiterer Anwendungsbereiche. Die Analyse großer Datenmengen lässt sich beispielsweise in der Verbrechensbekämpfung, im Versicherungswesen für die Risikobewertung und Anpassung von Versicherungsbeiträgen oder im Gesundheitswesen einsetzen. Weitere mögliche Anwendungsbeispiele sind die Verarbeitung von Wetterdaten, die Auswertung von Bewegungsprofilen oder die Analyse von Webstatistiken.

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.

Aktuelle Beiträge zu diesem Thema

5 Hürden bei der Datenintegration und bewährte Lösungen

Kommentar von Stefan Müller, IT-Novum

5 Hürden bei der Datenintegration und bewährte Lösungen

Unternehmen, die ihre Daten nicht für die Geschäftsausrichtung nutzen können, werden dem Wettbewerbsdruck nicht standhalten können. Doch Daten liegen in unterschiedlichen Formaten vor und an verschiedensten Stellen im und außerhalb des Unternehmens. Zudem sind oft nur zu einem geringen Grad miteinander verknüpft. Dabei ist eine tiefgehende Datenintegration die zwingende Voraussetzung, um Daten sinnvoll zu nutzen lesen

Data Analytics – mehr Daten, mehr Zusammenhänge, mehr Intelligenz

Kommentar von Mathias Golombek, Exasol

Data Analytics – mehr Daten, mehr Zusammenhänge, mehr Intelligenz

Immer mehr Geschäftsentscheidungen basieren auf Daten. Das ist kein neuer Trend, sondern gelebte Praxis in den Unternehmen. Doch Daten sammeln allein ist noch keine Strategie und datenbasierte Reports sind nicht mehr als der Anfang eines langen Weges zu einer Data-driven Company. Über welche Schritte sollten Unternehmen jetzt nachdenken? lesen

Data Lakes, Marts, Vaults und Warehouses – wo liegt der Unterschied?

Kommentar von Neil Barton, WhereScape

Data Lakes, Marts, Vaults und Warehouses – wo liegt der Unterschied?

Big Data oder Data Analytics sind einige der größten Herausforderungen für die IT unserer Zeit. Viele Unternehmen befinden sich inmitten einer Umstellung auf eine datengesteuerte Ausrichtung ihrer Organisation und sind auf der Suche nach der dazu passenden Dateninfrastruktur. Verschiedene Ansätze versprechen Vorteile – doch vielerorts hakt es schon beim Verstehen der Begrifflichkeit. lesen

So lassen sich mit der richtigen Strategie große Datenmengen bewältigen

Kommentar von Daniel Metzger, Cloudera

So lassen sich mit der richtigen Strategie große Datenmengen bewältigen

Mit dem exponentiellen Wachstum des Datenbestands der letzten 20 Jahren steigt das Potenzial für die Transformation von Unternehmen. Laut einer Schätzung von IDC wird die Datenmenge bis 2025 auf 163 Zettabytes ansteigen. Daher überrascht es nicht, dass die Analyse dieser Daten – einschließlich der Speicherung, Verwaltung und abschließender Interpretation – einen immer höheren Stellenwert im Unternehmen einnimmt. lesen

Plug & Play – IoT für den Mittelstand

IoT-Lösungen zum unkomplizierten Nachrüsten

Plug & Play – IoT für den Mittelstand

Ein Vorurteil über das Internet of Things (IoT): Installation und Betrieb sind teuer und nur etwas für IT-Experten. Nicht mit Plug-and-Play-Lösungen zum Nachrüsten. Wie sich IoT auch für kleine und mittelständische Unternehmen lohnt. lesen

Databricks will Data Scientists von Routinearbeit entlasten

Apache-Spark-Projekt aus der wirtschaftlichen Perspektive

Databricks will Data Scientists von Routinearbeit entlasten

Welchen Sinn haben die Daten in den Unternehmen, wenn man sie nicht für Machine Learning nutzt? Diese rhetorische Frage stellt David Wyatt, Vice President Europe von Databricks. Als Haupttreiber des Apache-Spark-Projekts stellt das Unternehmen eine Cloud-Plattform bereit, die Data Engineers und Data Scientist zusammenbringen soll. Diese „Unified Analytics Platform“ wird derzeit um zwei Komponenten erweitert: das Projekt „Delta Lake“ zur Aufbereitung von Data Lakes und den Machine-Learning-Katalog „ML Flow“. lesen

Disy stellt neue Cadenza-Version vor

Geo-temporale Analysen und OLAP

Disy stellt neue Cadenza-Version vor

Mit Cadenza 2019 Spring erhält die Analytics-, Reporting- und GIS-Plattform von Disy ein Update. Neu an Bord sind Funktionen wie die mehrdimensionale Datenauswertung mit OLAP sowie verbesserte Analysen ortsbezogener Zeitreihen. lesen

Hewlett-Packard Enterprise übernimmt MapR

KI- und Analytics-Spezialist

Hewlett-Packard Enterprise übernimmt MapR

Hewlett-Packard Enterprise (HPE) wird den Experten für Künstliche Intelligenz (KI) und Analytics MapR übernehmen. Mit der Akquisition will sich HPE in diesen Bereichen verstärken. lesen

Intelligente Wartung nach Bedarf

Predictive Maintanance

Intelligente Wartung nach Bedarf

Die Big-Data-Technologie Advanced Analytics birgt großes Potenzial für Unternehmen. Basierend auf Daten lassen sich damit komplexe Zusammenhänge genau analysieren und auf die Zukunft hochrechnen. Die vorausschauende Wartung in der Produktion ist nur eines von mehreren möglichen Einsatzszenarien. lesen

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 44477081 / Definitionen)