Kommentar von Gernot Molin, pmOne Zeit für einen Paradigmenwechsel

Big Data? Nein, der eigentliche Nutzwert für die Unternehmen liegt in der Anwendung von Advanced Data Analytics. Nur so können aus Daten echte Informationen abgeleitet werden, so die Überzeugung von Gernot Molin, Leiter Data Warehouse & Big Data Solutions bei pmOne. Seine Empfehlung: Lernen, weniger nach Intuition und Bauchgefühl zu entscheiden und sich mehr auf die von Algorithmen gelieferten Ergebnisse zu verlassen.

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

Tableau von Salesforce

QUNIS GmbH

pmOne AG

Auch wenn es der Begriff „Big Data“ geschafft hat, in aller Munde zu sein, ist seine Aussagekraft genau genommen eher gering. Denn es geht nicht einfach nur darum, Daten, die ganz offensichtlich in immer größeren Mengen anfallen, zu speichern. Entscheidend ist vielmehr die Fähigkeit, diese Datenmassen auch zu analysieren und in Nutzwert umzumünzen. Das ist nicht ganz trivial: Wer versucht, sich zu diesem Zweck mit einem Excel-ähnlichen Frontend oder einem Ad-hoc-Browser durch Milliarden von Datensätzen zu arbeiten, stößt irgendwann an natürliche Grenzen.

Um zu wirklich wertvollen Ergebnissen zu gelangen, bedarf es angesichts der Menge an Daten einer Auseinandersetzung mit dem Unternehmensprozess, in dem die Daten generiert werden, sowie komplexer mathematischer und statistischer Methoden. Deshalb erscheint in diesem Zusammenhang der Terminus „Advanced Data Analytics“ zutreffender.

Abgrenzung Advanced Data Analytics und Data Mining

Aufmerksame Leser werden sich an dieser Stelle vielleicht die berechtigte Frage stellen, was neu daran sein soll, Datensätze auf Ausreißer und Korrelationen zu untersuchen. Schließlich ist das ein seit vielen Jahren gängiges Verfahren, das wiederum unter dem Begriff „Data Mining“ bekannt ist. Der entscheidende Unterschied zwischen Advanced Data Analytics und Data Mining liegt in den Technologien und Hardware-Plattformen, die in den vergangenen zehn Jahren aufgekommen sind.

Zum einen ist das der Bereich In-Memory Computing: Diese Datenbanken legen die Daten im Arbeitsspeicher oder zumindest so nah wie möglich am Prozessor ab anstatt in Festplattenlaufwerken. Das führt zu deutlich höheren Zugriffsgeschwindigkeiten und ermöglicht es, Daten wesentlich schneller auszulesen, zu kalkulieren und zu analysieren. Hinzu kommt der Wechsel von seriellen/sequenziellen zu massiv parallelen Architekturen.

Hier hat sich in den vergangenen fünf Jahren ein Wechsel bei den Datenbanken vollzogen, zum Beispiel bei Microsoft vom SQL Server auf das Parallel Data Warehouse (PDW) oder jetzt das Analytics Platform System (APS). Kennzeichen für diese Architekturen: Anstatt eines einzigen Servers werden mehrere, zu einer Einheit gebündelte Server-Knoten genutzt, was zu einer hohen Skalierbarkeit hinsichtlich der Datenmengen und der Performance führt. Und dies mittlerweile auch zu durchaus erschwinglichen Preisen.

Die Fähigkeit, große Datenmengen zu verarbeiten, macht den Unterschied

Bedingt durch die eingeschränkten technologischen Möglichkeiten mangelte es Data Mining also an einer Massendatentauglichkeit. Der notwendige Zeitaufwand für die Verarbeitung von Datenmengen war schlichtweg zu hoch, um als Unternehmen noch angemessen reagieren zu können. Doch mit Aufkommen der genannten Technologien ist es möglich geworden, statistische Analysen nicht mehr nur mit einem kleinen, ausgewählten Datenbestand, sondern auf einer kompletten Datenbasis hochgradig parallel und performant durchzuführen.

Diese technologischen Veränderungen sind so tief greifend, dass eine Namensänderung durchaus gerechtfertigt ist. Der Begriff Data Mining wird dem, was heute machbar ist, einfach nicht mehr gerecht. Auf den Punkt gebracht: Advanced Data Analytics ist eine logische Weiterentwicklung von Data Mining, die im Zeitalter von Big Data aus der Zusammenführung mehrerer Technologien resultiert.

Die Komponente Mensch

Bei Advanced Data Analytics handelt es sich genau genommen um einen Trial- und Error-Prozess auf hohem Niveau. Entsprechen die Daten, die in Experimenten erhobenen wurden, der zuvor aufgestellten Prognose, hat sich eine Theorie bestätigt – zumindest so lange, bis neue Erkenntnisse zu einer Erweiterung der Theorie führen (oder diese widerlegen).

Unternehmen tun gut daran, sich diese wissenschaftliche Vorgehensweise zum Vorbild zu nehmen. Doch wäre eine rein technologische Vorgehensweise hier zu kurz gegriffen. Denn um von Advanced Data Analytics zu profitieren, ist es mit der Installation einer neuen Software alleine nicht getan. Vielmehr müssen die Unternehmen einen grundlegenden Wandel von einer anwendergetriebenen hin zu einer maschinen- bzw. statistisch-mathematisch unterstützten Analyse vollziehen. Hier kommt also der Faktor Mensch ins Spiel, denn es handelt sich um einen tief greifenden Eingriff in die Unternehmenskultur, der Mut erfordert und nicht von heute auf morgen zu bewältigen ist.

Weniger Bauchgefühl, mehr Fakten

Theorien, aus denen Unternehmen ableiten sollen, wie Kunden, Lieferanten und der Markt funktionieren, gibt es freilich mehr als genug. Doch lässt sich bei genauerer Betrachtung häufig feststellen, dass diese Theorien jeglicher Faktengrundlage entbehren oder dass die Fakten gar eine völlig andere Sprache sprechen. Fakten zu vertrauen, damit tut sich heute die Gesellschaft generell noch schwer, und nicht anders sieht es in den Unternehmen aus. Nicht mehr – wie in klassischen Unternehmensstrukturen üblich – nach Intuition und Bauchgefühl zu entscheiden, sondern sich ernsthaft auf die von Maschinen gelieferten Ergebnissen zu verlassen, setzt einen kulturellen Wandel voraus.

Das soll nicht heißen, dass Bauchgefühl und Intuition immer falsch sind. Schließlich nutzt die Intuition des menschlichen Hirns auch nur statistische und mathematische Algorithmen, wenngleich in einer unbekannten Komplexität. Oft bestätigen Daten und Fakten dieses Empfinden. Genauso oft aber legen sie auch offen, dass unsere Intuition systemischen Denkfehlern aufsitzt.

Um diesen Paradigmenwechsel voranzutreiben, sind auch die Anbieter gefragt. Ihre Aufgabe besteht darin, Ängste zu nehmen, Vertrauen zu gewinnen und die Einsicht voranzutreiben, dass mathematische oder statistische Methoden keineswegs abstrus sind, sondern dem Unternehmen wertvolle Ergebnisse liefern. Ein erster Schritt wäre, die Unternehmen darin zu bestärken und zu unterstützen, mit geringstmöglichem Aufwand ein Advanced-Data-Analytics-Projekt zu starten.

Mittelfristig ein Massenmarkt

Vor allem der gesamte Online-Handel sowie die Internetriesen Google, Facebook etc. sind dafür bekannt, die ihnen verfügbaren Daten zu nutzen, um umsatz- und Margen steigernde Informationen zu generieren. Auch Branchen wie Versicherungskonzerne, Telekommunikationsunternehmen oder Teilbereiche des Finanzwesens arbeiten schon lange mit solchen Analysen und investieren viel Geld dafür. Selbst in klassischen Unternehmen – sei es im Versandhandel oder im Retail-Bereich – ergeben sich durch Advanced Data Analytics unzählige Möglichkeiten, um Absatzplanung oder Einkauf und Disposition zu optimieren. Aus diesen Vorreiter-Unternehmen und -Branchen ist das Thema nicht mehr wegzudenken, und von dort dringt die Bewegung auch immer weiter in andere Bereiche vor.

Da es sich bei Advanced Data Analytics um eine noch junge Technologie handelt, geht ein Investment derzeit noch mit einem höheren Einführungs- und Implementierungsaufwand einher. Mittelfristig wird sich eine Investition jedoch für alle Unternehmen lohnen. Je weiter sich die Software dann entwickelt hat und je kürzer die Implementierungszyklen werden, desto mehr wird Advanced Data Analytics für die breite Masse und diejenigen Unternehmen relevant, die bislang eher zurückhaltend bis kritisch eingestellt ist. Umgekehrt können die Organisationen, die diesen Schritt schnell vollziehen, allerdings auch am schnellsten von den damit verbundenen Vorteilen profitieren.

(ID:43143578)