Big Data

Was ist Big Data?

Der Begriff „Big Data“ beschreibt eine große Menge an Daten. Unternehmen können die (un-)strukturierten Datenmengen sammeln, analysieren und daraus Schlüsse ziehen. So können sie evidenzbasierte Entscheidungen treffen.

Die Daten können dabei aus vielen Bereichen kommen, wie beispielsweise aus Social Media, der Finanzindustrie oder dem Gesundheitswesen. Als Datenquellen kommen unter anderem Kredit- und Kundenkarten, aber auch vernetze Geräte wie Smartphones oder Smartwatches in Frage.

direkt ins Video springen

Bewertet werden die Daten nach dem sogenannten 3-V-Modell:

• Volume: Die Menge und der Umfang des Datenvolumens.
• Velocity: Die Geschwindigkeit, in der Datenmengen generiert und transferiert werden.
• Variety: Die Vielfalt der Datentypen. Sie können von strukturierten numerischen Daten bis hin zu unstrukturierten Audioquellen reichen.

Aber nicht nur die Daten selbst sind wichtig. Stattdessen kommt es viel mehr darauf an, was ein Unternehmen mit ihnen anfängt.

Big Data Chancen

Weiß ein Unternehmen Big Data sinnvoll für sich zu nutzen, kann es sich einen großen Wettbewerbsvorteil sichern.

Denn durch das Auswerten der gesammelten Daten können Unternehmen neue Erkenntnisse über ihre Arbeitsprozesse oder Nutzer gewinnen. Diese helfen, dabei:

• Kosten zu senken
• Zeit zu sparen
• neue Produkte und optimierte Angebote zu entwickeln
• bessere geschäftliche Entscheidungen zu treffen

Im Folgenden sind ein paar konkrete Beispiele dazu aufgelistet.

Beispiele: Big Data in Unternehmen

Beispiel 1: Kreditvergabe bei Banken

Durch die Datenanalyse kann die Kreditwürdigkeit einer Vielzahl von Kunden innerhalb kürzester Zeit ausgewertet werden. So wird die Vergabe von Krediten mithilfe von Big Data stark verbessert. Denn die Ergebnisse sind viel effizienter und objektiver. Schließlich musste sich kein Sachbearbeiter damit beschäftigen.

Beispiel 2: Direktmarketing

Durch die Nutzerdaten lassen sich wichtige Erkenntnisse über die Kunden sammeln: wer sie sind, was sie interessiert, wo sie einkaufen und wie sie sich informieren. So können Marketingexperten perfekt auf die Zielgruppe zugeschnittene Werbung schalten. Dadurch können sie das Marketingbudget effektiv nutzen.

Beispiel 3: Betrug erkennen

Mithilfe umfangreicher Datenanalysen lassen sich bereits in einem frühen Stadium mögliche Unregelmäßigkeiten identifizieren. So kann betrügerisches oder fehlerhaftes Verhalten erkannt werden, bevor es sich auf das Unternehmen auswirkt.

Big Data Kritik

Big Data stellt also eine große finanzielle Chance für Unternehmen dar. Trotzdem herrscht in der Gesellschaft eine allgemeine Skepsis gegenüber dem Thema. Denn bei der Datenanalyse gilt: je mehr und spezifischer die Daten, desto besser die Erkenntnisse.

Deshalb sorgen sich viele Bürger um ihren Datenschutz. Oft liegt von den Nutzern kein ausdrückliches Einverständnis für die Verwendung der Daten vor. Außerdem gibt es für die User oft keine Transparenz über die Datenhandhabung. Sie wissen nicht, was mit ihren Daten passiert oder welche Unternehmen Zugriff darauf erhalten. 

Somit kann Big Data auch einen Eingriff in die Privatsphäre bedeuten. Denn die Unternehmen können durch die Datenanalyse tiefe Einblicke in die Gewohnheiten und charakterlichen Züge jedes Einzelnen gewinnen. Deshalb fürchten sich viele Bürger vor einer Überwachung. Big Data wird dann oft als Big Brother wahrgenommen.

Deshalb wurden staatliche Datenschutzregulierungen wie die EU-Datenschutzgrundverordnung (DSGVO) ins Leben gerufen. Sie sollen dafür sorgen, dass nur relevante und anonymisierte Daten gesammelt werden.

Dennoch ist es für viele Unternehmen heutzutage unerlässlich, Big Data zu nutzen. Denn sonst steht ihre Wettbewerbsfähigkeit auf dem Spiel!

Big Data Strategie

Um mit dem Marktwettbewerb der Industrie 4.0 mitzuhalten, bemühen sich viele Unternehmen um Big Data Strategien. Diese umzusetzen, ist aber nicht immer einfach. Denn die großen Datenmengen sind teilweise sehr unübersichtlich! Aber in diesen 5 Schritten lässt sich das „Datenchaos“ in den Griff bekommen:

1. Strategie definieren
   Zuerst sollte sich das Unternehmen seine konkreten Ziele bewusst machen. Dazu sollte es sich auch darüber informieren, wie realistisch diese sind. Dabei hilft es, sich Gedanken über die eigenen Voraussetzungen zu machen. Wie verlaufen die Datenflüsse zwischen Quellen, Systemen, Eigentümern und Nutzern? Ist das so ideal?
   
   
2. Identifikation der Big Data-Quellen
   Anschließend sollte das Unternehmen seine Datenquellen identifizieren. Diese können beispielsweise aus diesen Bereichen stammen:
   – Datenströme aus dem IoT (Internet of Things) oder vernetzten Geräten.
   – Social Media-Daten aus Interaktionen auf Facebook, Youtube oder Instagram. Dabei handelt es sich meistens um riesige Mengen unstrukturierter Daten wie Bilder, Videos und Kommentare.
   – Öffentlich zugängliche Daten aus offenen Datenquellen der Regierung (z. B. data.gov der US-Regierung)
   
   
3. Datenzugriff, Datenmanagement & Datenspeicherung
   Auch die Frage nach der Organisation der Daten stellt einen wichtigen Aspekt dar. Aufbereitete Daten lassen sich in der Regel in einem herkömmlichen On-premises Data Warehouse speichern, also in einer lokalen Serverinfrastruktur. Aber auch Cloud-Lösungen bieten eine flexible, kostengünstige Option zur Speicherung und Handhabung der Daten. Sogenannte Data Lakes stellen die beste Option dar, um Daten aus unterschiedlichen Quellen ohne aufwendige Aufbereitung zu sammeln. 
   
   
4. Big Data -Analysen
   Ein Unternehmen kann sich in manchen Fällen dazu entschließen, seine gesamten Datenbestände zu analysieren. Das ist dank modernen Hochleistungstechnologien wie Grid-Computing oder In-Memory-Analytics möglich. Es geht aber auch anders. Das Unternehmen kann auch im Voraus ermitteln, welche Daten relevant sind und nur diese analysieren.
   Aber unabhängig vom Vorgehen werden in diesem Schritt durch Data Scientists oder Data Analysts Daten analysiert und daraus Erkenntnisse gewonnen.
   
   
5. Intelligente, datengestützte Entscheidungen treffen
   Durch diese Erkenntnisse erhalten die Unternehmen eine datenbasierte und vor allem objektive Grundlage für ihre strategischen Entscheidungen. Dies kann dabei helfen, Zeit, Ressourcen und Geld zu sparen.

CRISP- DM

Für die Nutzung von Big Data benötigt ein Unternehmen gute Systeme zur Verwaltung großer Datenmengen. Außerdem sollte es geeignete technische Plattformen für eine effiziente Verarbeitung besitzen. Aber das Sammeln und Verarbeiten von Daten ist nur die halbe Miete. Denn die Daten müssen auch zielgerichtet analysiert und bewertet werden können!

Die strukturierte Auswertung dieser Daten wird auch „Data-Mining“ genannt.
Data Mining ist interdisziplinär und nutzt Erkenntnisse aus den Bereichen der Informatik, Mathematik und Statistik. Dabei wird unter anderem auch das maschinelle Lernen  eingesetzt, um neue Trends und Muster ausfindig zu machen.

Der CRISP-DM (Cross-Industry Standard Process for Data Mining) ist ein einheitlicher Standard für die Entwicklung von Data Mining Prozessen. Er hilft Unternehmen bei der Strukturierung ihrer Data Mining Projekte. Der CRISP-DM besteht aus 6 Schritten:

1. Aufgabendefinition
2. Auswahl der relevanten Datenbestände
3. Vorbereitung der Daten
4. Auswahl und Anwendung von Data Mining Methoden
5. Auswertung der Ergebnisse
6. Anwendung der Ergebnisse

Möchtest du noch mehr über die einzelnen Schritte erfahren? Dann schau dir einfach unser Video zu dem Thema an!