Werbung

Die größten Herausforderungen rund um Big Data

Share on facebook
Share on twitter
Share on linkedin
Share on xing
Share on whatsapp
Share on email
Share on print

Die größten Herausforderungen rund um Big Data

Share on facebook
Share on twitter
Share on linkedin
Share on xing
Share on whatsapp
Share on email
Share on print
Big Data ist eines der Schlagwörter der Stunde. Die Datenmengen, über die viele Unternehmen verfügen, sind bares Geld wert. Doch zunächst stellen sie Unternehmen vor große Herausforderungen. Welche das genau sind und wie sie sich bewältigen lassen, lesen Sie in diesem Beitrag.
Big Data

Quelle: stock.adobe.com ©Gorodenkoff

Wer im geschäftlichen Umfeld mit „Big Data“ in Berührung kommt, wird damit mitunter in Form eines Marketingbegriffes konfrontiert. Je nachdem, in welchem Kontext Menschen den Begriff verwenden, ändern sich die Bedeutungen. Das liegt auch daran, dass der Begriff noch recht jung ist und es keine einheitliche Definition gibt.

Immer gemeint sind damit aber die Datenmengen, die wir alle durch unsere Online-Aktivitäten produzieren und produziert haben und die sich mit manuellen und herkömmlichen Methoden der Datenverarbeitung kaum auswerten lassen. Sie sind zu groß, zu komplex, zu schnelllebig oder zu schwach strukturiert. Doch mit Blick etwa auf die Trends bei Big Data im Jahr 2020 ist auch klar, dass die Technologie spannende neue Möglichkeiten, wie das „Shazamen“ von Daten ermöglichen kann. Doch immer noch sind zunächst bestehende große Herausforderungen für viele Unternehmen rund um Big Data zu bewältigen. Das fängt schon damit an, dass viele Unternehmen noch nicht einmal wirklich verstehen, was Big Data ist und welche Relevanz das Thema hat.

Sich Big Data nähern und das Thema verstehen

Eines der größten Probleme rund um Big Data ist, dass viele Unternehmen nach wie vor einfach keine Ahnung davon haben, wie relevant das Thema ist. Oftmals wissen Führungskräfte gar nicht genau, mit was sie es bei Big Data eigentlich zu tun haben, geschweige denn, welche Vorteile die Beschäftigung mit Big Data hat. Mit Fragen der Infrastruktur für die Datenanalyse, geeigneter Verantwortlicher und Experten im Unternehmen und weiteren Schritten wird sich daher erst gar nicht beschäftigt.

Die erste Herausforderung besteht also darin, Big Data zu verstehen und die Notwendigkeit der Implementierung ins eigene Unternehmen zu akzeptieren. Dieser Schritt muss vom Top-Management aus gestartet werden. Von dort aus können dann Mitarbeiter motiviert und inspiriert werden, bestehende Prozesse anzupassen und Big Data zum Wachstum aller Geschäftsbereiche zu verwenden. In der Regel sind dafür aber auch Schulungen und Workshops notwendig, die von einer qualifizierten IT-Abteilung regelmäßig durchgeführt werden.

Die Vorteile von Big Data begreifen

Die Grundlage der Nutzung von Big Data für ein Unternehmen ist ein Verständnis der Vorteile, die sich durch die Auswertung der Datenmengen ergeben können. Folgende drei Vorteile etwa sind sofort zu begreifen und von großem Nutzen für eigentlich jedes Unternehmen:

  • Big Data hilft bei der Gewinnung versteckter Muster und Informationen. Durch die Erkenntnisse lassen sich Geschäftsentscheidungen sicherer und selbstbewusster treffen. Echtzeitanalysen ermöglichen dabei sogar eine schnellere Entscheidungsfindung als sie vorher möglich war.
  • Um wettbewerbsfähig zu bleiben, müssen Unternehmen heute Strategien entwickeln, um gleichzeitig Kosten zu sparen und dabei dennoch mehr Leistung zu erbringen. Was wie ein Ding der Unmöglichkeit klingt, kann mit Hilfe von Big Data funktionieren. Riesige Datenmengen können für alle Unternehmensbereiche anfallen. Mit leistungsstarken Analysesystemen lassen sich diese Informationen verarbeiten und miteinander in Verbindung bringen, um zahlreiche Prozesse effizienter zu gestalten.
  • In der Bereichen Entwicklung und Forschung sind Kundendaten das A und O. Sie machen grundsätzlich einen riesigen Teil von Big Data aus. Werden sie professionell analysiert, lassen sich daraus frühzeitig Trends ablesen oder gar voraussagen. Das wiederum hilft bei der Produktentwicklung oder bei Marketingstrategien und Verbesserungen bestehender Leistungen.
Big Data
Big Data kann etwa helfen, die Transportwege von Waren zu optimieren, um maximale Einsparungen von Zeit und Kosten zu erreichen. (Bild: stock.adobe.com ©Success Media)

Beispiele aus der Praxis

Ein simples und konkretes Beispiel der Effizienzsteigerung durch Big Data ist der Warentransport. Es beeinflussen unterschiedliche Faktoren den Transport von Waren mit Lastkraftwagen. Das können Staudaten, Wetterdaten oder auch aktuelle Benzinpreise sein. Diese Daten sind größtenteils messbar. Mit Hilfe professioneller Analysesysteme lassen sich die Routen der LKW´s so optimieren, dass beim Transport so viel Zeit und Kosten wie möglich gespart werden.

Auch die Energiewirtschaft profitiert heutzutage enorm von Daten. Dinge, wie das Smart Home oder intelligente Stromnetze (Smart Grid) haben einen prägenden Einfluss auf zukünftige Energiesysteme. Bei der kommunikativen Vernetzung und Steuerung von Stromerzeugern, Speichern und elektrischen Verbrauchern entstehen riesige Datenmengen. Mit Hilfe etwa bestimmter Software-Plattformen auf Basis Künstlicher Intelligenz, können diese Daten in Echtzeit analysiert, aufbereitet und weiterverarbeitet werden. In dieser Form geben sie wichtige Auskünfte über unter anderem die optimale Stromverteilung und Stromgenerierung.

Den finanziellen Aufwand für Big Data kalkulieren

Die Umsetzung von Projekten rund um Big Data ist auch mit Kosten verbunden. Diese Kosten können recht hoch sein – vor allem, wenn Big Data bislang eben kein Thema im Unternehmen war. Wichtig ist also, die Kosten nicht zu unterschätzen, gleichzeitig aber auch daran zu denken, wie große die entstehenden Möglichkeiten langfristig sein können. Es gilt dann abzuwägen, wie viel Geld in Big-Data-Projekte fließen kann. Entscheidende Kostenpunkte können hier folgende sein:

  • Neue Mitarbeiter, die sich auf Big Data spezialisiert haben, müssen nach und nach ins Unternehmen finden. Entwickler, Administratoren sowie spezialisierte Data Scientists und Big-Data-Analysts wollen gut bezahlt sein. Sie sind derzeit gefragter, denn je.
  • Auch neue Hardware und Software ist notwendig, um Big Data ins Unternehmen zu implementieren.
  • Für die Entwicklung, Einrichtung, Konfiguration und Wartung neuer Software oder individuell sinnvoller Softwarekomponenten sind zusätzliche Finanzmittel nötig.
  • Die Stromkosten werden zweifelsfrei ebenfalls steigen.

Um die finanzielle Herausforderung von Big Data zu bestehen, gilt es, die spezifischen technologischen Bedürfnisse des Unternehmens und die Ziele genau zu analysieren. Ist dann beispielsweise Flexibilität gewünscht, können Cloud-Services die optimale Lösung sein. Für Unternehmen mit extrem hohen Sicherheitsanforderungen dürften wiederum On-Premises-Lösungen besser geeignet sein.

Mit Datenwachstum richtig umgehen

Logischer Weise ist eines der Charakteristika von Big Data das ständige und unaufhaltsame Wachstum. Schätzungsweise verdoppelt sich die weltweite Datenmenge in den IT-Systemen alle zwei Jahre. Für einen Großteil dieser Informationen sind Unternehmen verantwortlich. Da die meisten Daten unstrukturiert sind, das heißt, in keiner Datenbank gespeichert sind, wird die Verwaltung der Daten für Unternehmen zu einer immer größeren Herausforderung.

Ohne eine gute Architektur der Big-Data-Lösungen im Unternehmen ist eine effiziente Nutzung all dieser Daten nicht mehr möglich. Durch sie sinkt die Gefahr auf Performanceeinbrüche des Systems oder ein plötzliches Sprengen des Budgets. Außerdem sollten die Wartung und der Support des Systems im Unternehmen gut geplant sein. Nur so lassen sich jegliche Änderungen im Zusammenhang mit dem Datenwachstum ordnungsgemäß berücksichtigen. Auch systematische Wirtschaftlichkeitsprüfungen bieten sich an. Denn sie können dazu beitragen, Schwachstellen zu identifizieren und rechtzeitig zu beheben.

Eine solide Architektur, zur Verwaltung und Speicherung der Datenmengen steigt die Gefahr dafür, dass die Performance sinkt und die Kosten steigen.(stock.adobe.com ©Scanrail)

Ergebnisse aus Big-Data-Projekten nutzen

So optimistisch Big-Data-Projekte in Unternehmen auch angegangen werden – sie enden nicht selten doch in Ernüchterung. Denn immer wieder starten sie als spannende Experimente, liefern aber einfach nicht den erwarteten Mehrwert. Das hängt auch damit zusammen, dass der Umfang der Projekte häufig nach wie vor unterschätzt wird. Dabei ist längst bekannt, dass die Kosten für den Verkauf eines Produktes oder einer Dienstleistung nur einen Bruchteil der Kosten betragen, die für die Kundengewinnung erforderlich ist.

Big Data zu analysieren bedeutet immer auch, die Kunden zu verstehen. Die Kundendaten mit Big-Data-Ergebnissen zu bereichern und somit einen einfachen und kompletten Blick auf die Kunden zu schaffen, ist anfangs mitunter kostspielig. Eine optimierte Kundenanalyse in Echtzeit verbessert allerdings das Kundenerlebnis so drastisch, dass sich diese Kosten letztlich meistens wieder zigfach einspielen lassen.

Darüber hinaus besteht ein Problem darin, dass Big-Data-Analytics häufig ausschließlich basierend auf eigenen historischen Daten über das Kundenverhalten prüfen, welche Produkte wie und wann gekauft werden. Etliche Faktoren beeinflussen aber im digitalen Zeitalter das Konsumentenverhalten online. So kann etwa ein einziger Post eines Influencers in Social Media einen derartigen Trend verursachen, dass die bislang zur Verfügung stehenden Daten keine Auskunft hierüber geben können.

Das bestehende Big-Data-Tool des Unternehmens kann nämlich vielleicht keine Daten aus sozialen Netzwerken oder Onlineshops von Wettbewerbern analysieren. Diese wiederum erkennen mit Big Data im ungünstigsten Fall solche Trends in sozialen Medien – und das auch noch in Echtzeit. Potenzielle Kunden wenden sich dann an den durch Daten besser informierten und entsprechend agierenden Wettbewerber.

Die Herausforderung besteht also darin, ein richtiges System von Faktoren und Datenquellen zu erstellen, bei welchem durch die Analyse die notwendigen Einblicke gelingen können. Dadurch kann sichergestellt werden, dass keine Faktoren aus dem Auge verloren werden. Ein derartiges System sollte auch externe Quellen enthalten – auch, wenn es durchaus eine zusätzliche Schwierigkeit sein kann, externe Daten zu sammeln und zu analysieren.

Share on facebook
Facebook
Share on twitter
Twitter
Share on linkedin
LinkedIn
Share on xing
XING
Share on whatsapp
WhatsApp
Share on email
E-Mail
Share on print
Drucken

Ihre Meinung zum Artikel

Abonnieren
Benachrichtige mich bei
guest
0 Comments
Inline Feedbacks
View all comments

Andere Leser haben sich auch für die folgenden Artikel interessiert

Werbung

Top Jobs

Data Visualization App/BI Developer (m/f/d)
Simon-Kucher & Partners, Germany/Bonn or Cologne
› weitere Top Jobs
Werbung

Redaktionsbrief

Tragen Sie sich zu unserem Redaktionsbrief ein, um auf dem Laufenden zu bleiben.

Werbung
Werbung

Aktuelle Ausgabe

Topthema: Apps, Portale, Software – Prozesse effizienter gestalten

Automatisierung

Mehr erfahren

Wir wollen immer besser werden!

Deshalb fragen wir SIE, was Sie wollen!

Nehmen Sie an unserer Umfrage teil, und helfen Sie uns noch besser zu werden!

zur Umfrage

Tragen Sie sich jetzt kostenlos und unverbindlich ein, um keinen Artikel mehr zu verpassen!

    * Jederzeit kündbar

    Entdecken Sie weitere Magazine

    Schön, dass Sie sich auch für weitere Fachmagazine unseres Verlages interessieren.

    Unsere Fachtitel beleuchten viele Aspekte der Digitalen Transformation entlang der Wertschöpfungskette und sprechen damit unterschiedliche Leserzielgruppen an.