Big Da­ta für jedermann

An­ge­bo­te aus der Pu­b­lic Cloud ent­bin­den An­wen­der von kom­ple­xen Ha­doop-Ex­pe­ri­men­ten.

Computerwoche - - Vorderseite - Von Da­ni­el Fall­mann, Grün­der und Ge­schäfts­füh­rer der Mind­bree­ze Gm­bH

Big Da­ta ge­hört zu den wich­tigs­ten Trei­bern der di­gi­ta­len Trans­for­ma­ti­on. Ziel da­bei ist es, nicht nur be­ste­hen­de Ge­schäfts­pro­zes­se zu op­ti­mie­ren, son­dern das ge­sam­te Un­ter­neh­men stän­dig neu zu er­fin­den, so dass es mit den sich im­mer schnel­ler wan­deln­den Rah­men­be­din­gun­gen zu­recht­kom­men kann. Es­sen­zi­ell da­für ist das kon­ti­nu­ier­li­che Sam­meln und Aus­wer­ten von Da­ten. Le­sen Sie, wel­che Big-Da­ta-Trends 2016 auf uns zu­kom­men.

Big-Da­ta-Tech­ni­ken un­ter­stüt­zen Un­ter­neh­men heu­te schon da­bei, die in der Or­ga­ni­sa­ti­on ver­streu­ten Da­ten und In­for­ma­tio­nen in­tel­li­gent zu ver­knüp­fen. Durch die zu­neh­men­de Ver­net­zung der Din­ge ge­winnt Big Da­ta zu­sätz­lich an Be­deu­tung: Da­mit las­sen sich völ­lig neue Ge­schäfts­ide­en ent­wi­ckeln.

In­tel­li­gen­te Sys­te­me und Ma­chi­ne Learning

Geht es um das Ver­ste­hen von In­for­ma­tio­nen und das Er­ken­nen von se­man­ti­schen Zu­sam­men­hän­gen in rie­si­gen Da­ten­men­gen, kön­nen Ma­chi­ne-Learning-Al­go­rith­men klar ih­ren Vor- teil aus­spie­len. Ein Trei­ber in der Ent­wick­lung von in­tel­li­gen­ten Sys­te­men ist das The­ma Si­cher­heit. Bei­spiel: der Schutz von Gebäu­den. Die Münch­ner Al­li­anz Ver­si­che­rung hat ge­mein­sam mit der TU Mün­chen auf Ba­sis von Big Da­ta und in­tel­li­gen­ten Ana­ly­sen ein Sys­tem ent­wi­ckelt, das zahl­rei­che Ge­gen­stän­de in ei­nem Wohn­raum oder Bü­ro über Sensoren ver­netzt. Die­ses lernt ste­tig hin­zu und kann so et­wa ei­nen Ein­bruch von an­de­ren un­ge­wöhn­li­chen, aber un­kri­ti­schen Vor­fäl­len un­ter­schei­den. Fehl­alar­me blei­ben da­mit die Aus­nah­me.

Nach dem glei­chen Prin­zip ver­su­chen Kre­dit­kar­ten­an­bie­ter, das On­li­ne-Shop­ping si­che­rer zu ma­chen. Im Jahr 2012 ha­ben US-Bür­ger Ein­käu­fe für 26 Mil­li­ar­den Dol­lar via Kre­dit­kar­te be­zahlt. Der ge­schätz­te Scha­den durch un­au­to­ri­sier­te Trans­ak­tio­nen be­trug da­bei sechs Mil­li­ar­den Dol­lar. Mit Hil­fe von Ma­chi­ne Learning könn­ten Sys­te­me, die al­le Trans­ak­tio­nen rund um die Uhr be­ob­ach­ten, nor­ma­le Mus­ter von kri­mi­nel­len un­ter­schei­den und na­he­zu in Echt­zeit Vor­sichts­maß­nah­men er­grei­fen. Ma­chi­ne Learning un­ter­stützt auch bei „in­tel­lek­tu­el­len Fließ­band­ar­bei­ten“. Bei­spiel Postein­gangs­klas­si­fi­ka­ti­on, al­so die Ver­tei­lung der Post im Un­ter­neh­men: Heu­te ge­schieht sie oft noch ma­nu­ell, in Zu­kunft wird die­se Auf­ga­be dank se­man­ti­scher In­halts­ana­ly­se ver­stärkt au­to­ma­ti­siert ge­löst. Das Glei­che gilt für die täg­li­che E-Mail-Flut, die sich an­hand des User-Ver­hal­tens prio­ri­sie­ren lässt.

Ge­schäfts­mo­del­le ver­än­dern sich

Die di­gi­ta­le Trans­for­ma­ti­on gibt Un­ter­neh­men auch An­stö­ße, neue Bu­si­ness-Mo­del­le zu ent­wi­ckeln. Bei­spiels­wei­se hat der mit­tel­stän­di­sche

Her­stel­ler von Sa­ni­tär­aus­rüs­tung Hagleit­ner sei­ne Pro­duk­te in in­tel­li­gen­te De­vices ver­wan­delt, in­dem er et­wa Sei­fen­spen­der mit Sensoren ver­se­hen hat – Stich­wort In­ter­net of Things (IoT). Da­mit las­sen sich zum Bei­spiel Pro­zes­se op­ti­mie­ren: Im­mer im Bil­de über die ak­tu­el­len Füll­stän­de, kann das Salz­bur­ger Un­ter­neh­men sei­ne Kun­den be­darfs­ge­recht und au­to­ma­ti­siert mit Nach­schub ver­sor­gen. Zu­dem hat sich der ehe­mals rei­ne Hard­ware­her­stel­ler mit Hil­fe der Da­ten, die im Se­kun­den­takt her­ein­kom­men und ana­ly­siert wer­den, zu ei­nem Hy­gie­ne­spe­zia­lis­ten ent­wi­ckelt, der in­no­va­ti­ve Kon­zep­te in dem sen­si­blen Be­reich des Ge­sund­heits­we­sens rea­li­siert. Neue Ge­schäfts­mo­del­le ent­ste­hen wie bei Hagleit­ner oft da­durch, dass Da­ten, die oh­ne­hin in Mas­sen ver­füg­bar sind, in ei­nen neu­en Kon­text ge­stellt und auf al­ter­na­ti­ve Wei­se ver­knüpft wer­den.

Pre­dic­tive Ana­ly­tics als Ga­me Chan­ger

Pre­dic­tive Ana­ly­tics, al­so die Fä­hig­keit, auf Ba­sis von ver­füg­ba­ren Da­ten ver­läss­li­che Pro­gno­sen zu er­stel­len, wird im­mer brei­ter ein­ge­setzt. Ein ty­pi­sches Bei­spiel ist der Be­reich Pre­dic­tive Main­ten­an­ce. So kann et­wa der Aus­fall von Lo­ko­mo­ti­ven ho­he Fol­ge­kos­ten nach sich zie­hen, zu­dem sind die Er­satz­tei­le au­ßer­ge­wöhn­lich teu­er. Aus die­sen Grün­den hat die Deut­sche Bahn ih­re Lo­ko­mo­ti­ven mit Sensoren ver­se­hen, die per­ma­nent Da­ten lie­fern. Ver­än­dern sich die Da­ten­mus­ter, kön­nen Ana­lys­ten das als Hin­weis auf ei­nen be­vor­ste­hen­den De­fekt in­ter­pre­tie­ren. So wer­den Feh­ler und Scha­den­sur­sa­chen früh­zei­tig er­kannt. Die Deut­sche Bahn pro­fi­tiert al­so von ei­nem Echt­zeit-War­tungs­sys­tem, das Schä­den an den Loks vor­her­sa­gen kann. Da­durch er­spart sich das Un­ter­neh­men Aus­fäl­le und oft auch die teu­ren Er­satz­tei­le.

Pro­gno­sen zu er­stel­len, ist schon seit Lan­gem mög­lich, et­wa mit Bu­si­ness-In­tel­li­gence-Werk­zeu­gen. Doch die­se sind auf struk­tu­rier­te Da­ten an­ge­wie­sen. Da Big Da­ta Ana­ly­tics in der La­ge ist, auch un­struk­tu­rier­te Da­ten wie et­wa je­ne von Sensoren aus­zu­wer­ten, wer­den die tra­di­tio­nel­len Tools in die­sem Jahr wei­ter in den Hin­ter­grund rü­cken.

Leicht­ge­wich­ti­ge Da­ten­in­te­gra­ti­on

Wis­sen im Bu­si­ness-Um­feld kann nur dann ent­ste­hen, wenn die im Un­ter­neh­men ver­teil­ten In­for­ma­tio­nen ver­knüpft und al­len Mit­ar­bei­tern be­darfs­ge­recht zur Ver­fü­gung ge­stellt wer­den. Als größ­tes Hin­der­nis auf dem Weg zu ei­nem sol­chen in­tel­li­gen­ten Ge­samt­un­ter­neh­men er­wei­sen sich heu­te or­ga­ni­sa­to­ri­sche und tech­ni­sche Si­los, in de­nen die In­for­ma­tio­nen in der Re­gel ge­parkt sind. Aus die­sem Grund wer­den Sys­te­me wich­ti­ger, die es schaf­fen, Da­ten und In­for­ma­tio­nen über al­le Ab­tei­lungs- und Ap­pli­ka­ti­ons­gren­zen hin­weg in­tel­li­gent zu ver­knüp­fen. Möch­te man da­für nicht die gan­ze Un­ter­neh­mens­or­ga­ni­sa­ti­on oder die IT-Land­schaft auf den Kopf stel­len, emp­feh­len sich En­ter­pri­se-Se­arch-An­sät­ze, bei de­nen die Da­ten dort blei­ben kön­nen, wo sie sind.

Da­ten­vi­sua­li­sie­rung und 360-Grad-Sicht

Ex­plo­ra­ti­ve Na­vi­ga­ti­on durch In­for­ma­tio­nen und de­ren Vi­sua­li­sie­rung sind ei­ne der obers­ten Prio­ri­tä­ten, wenn es gilt, End­an­wen­der in ih­rer täg­li­chen Wis­sens­ar­beit zu un­ter­stüt­zen. Die Werk­zeu­ge wer­den zu­neh­mend ein­fa­cher in der Be­die­nung und rich­ten sich auch an Nicht­spe­zia­lis­ten und de­ren Be­dürf­nis­se. User kön­nen da­mit un­ab­hän­gi­ger von der IT-Ab­tei­lung agie­ren, da für die An­pas­sung der Lö­sun­gen kein IT-Fach­per­so­nal mehr not­wen­dig ist – Stich­wort Self-Ser­vice-IT. Ei­ne cle­ve­re Da­ten­vi­sua­li­sie­rung hilft Mit­ar­bei­tern, selbst kom­ple­xe The­men schnel­ler als bis­her zu er­fas­sen oder Kun­den bes­ser ken­nen­zu­ler­nen. Aus ei­ner Fül­le un­ter­schied­lichs­ter Da­ten ent­steht so ei­ne 360-Grad-Sicht auf Per­so­nen, Pro­duk­te und The­men, wor­aus sich klar de­fi­nier­te Ak­ti­ons­plä­ne in Sa­chen Ver­kauf, Ser­vicie­rung oder beim Lö­sen von Pro­ble­men ab­lei­ten las­sen.

Newspapers in German

Newspapers from Germany

© PressReader. All rights reserved.