Die Analyse von Big Data - un- bis teilstrukturierten Daten aus verschiedenen Quellen in großen und ständig wachsenden Mengen - wird für immer mehr Unternehmen relevant. msg systems, eines der führenden deutschen IT-Beratungs- und Systemintegrationsunternehmen, hat sieben Schritte identifiziert, die die Basis für eine erfolgreiche Durchführung von Projekten zur Nutzung von Big Data bilden:
1. Ziele definieren
Big-Data-Analysen sind zu sehr vielen Themen möglich, so dass die Anzahl der Auswertungen unübersichtlich werden kann. Daher muss im ersten Schritt geklärt werden: Was möchte ich erreichen? Was bringt mir die Auswertung von Big Data und welche Ziele verfolge ich damit? Möchte ich durch die gewonnenen Erkenntnisse mehr Kunden akquirieren, meinen Umsatz steigern oder neue Geschäftsfelder erschließen? Welche Ziele sind realistischerweise überhaupt erreichbar? Nur wenn die Ziele klar definiert sind, kann ein Big-Data-Projekt strukturiert aufgesetzt und erfolgreich durchgeführt werden.
2. Datenquellen identifizieren
Die zweite Phase dient der Identifizierung der zu nutzenden und für das zu erreichende Ziel relevanten Datenquellen: Welche Quellen sind wichtig, und woher bekomme ich die Daten, die ich benötige? Kann ich überhaupt darauf zugreifen? In welcher Form stehen die Daten zur Verfügung? Meist ist es sinnvoll, nicht gleich zahlreiche Datenquellen zu nutzen, sondern sich zunächst auf ausgewählte zu konzentrieren. In diesem Stadium sollten darüber hinaus bereits Datenschutzaspekte mit berücksichtigt werden, da manche Daten gar nicht oder nur unter bestimmten Voraussetzungen gespeichert und analysiert werden dürfen.
3. Mit anderen Fachbereichen und IT vernetzen
Um gegebenenfalls auftretende Schwierigkeiten von Anfang an auszuschließen und die richtigen Technologien auszuwählen, muss die IT frühzeitig eingebunden werden. Darüber hinaus empfiehlt sich die Einbeziehung anderer Fachbereiche, um den maximalen Nutzen aus den neuen Auswertungen ziehen zu können. Um eine breite Unterstützung, unter anderem im Hinblick auf notwendige Ressourcen und Investitionen des Projektes, zu gewährleisten, sollte auch das Management spätestens in dieser Phase involviert werden.
4. Anforderungen an Performance und Verfügbarkeit klären
Die Erwartungen bezüglich Performance und Verfügbarkeit von Daten und Analysen müssen so früh wie möglich geklärt werden, um eventuelle Kapazitätsengpässe der Infrastruktur zu verhindern. Dabei spielen Themen wie Analyse-Latenzzeit, Auswertungen in Echtzeit und In-memory-Technologien eine Rolle: Sie sind zwar nicht für alle Analysen nötig, aber für manche eine Voraussetzung.
5. Ergebnisse in Prozesse einbinden
Ein wichtiger Faktor für den Erfolg von Big-Data-Analytics-Projekten ist die Einbindung der Analysen und das Einfließen der Analyse-Ergebnisse in die Geschäftsprozesse. Nur so können die gewonnenen Erkenntnisse zu einer tatsächlichen Verbesserung führen.
6. Big Data in bestehende Analysestrukturen integrieren
Big-Data-Analytics ersetzen nicht zwingend bereits vorhandene Analysen, sondern ergänzen sie. Daher ist es sinnvoll, sie in vorhandene Business-Intelligence-Architekturen / -Landschaften zu integrieren. Existierende Data Warehouses beispielsweise werden, von wenigen Ausnahmen abgesehen, nicht überflüssig.
7. Realistische Einschätzung von Komplexität und Dynamik
Da zurzeit nicht absehbar ist, welche Daten in welchem Volumen kurz- und mittelfristig verfügbar sein werden, ist es bei Big-Data-Projekten besonders wichtig, die Einbindung neuer Datenquellen, zusätzlicher Analysen und anderer Bereiche mit einzukalkulieren, um den nachhaltigen Erfolg eines Projektes zu gewährleisten.
"Die Nutzung von Big Data ist eine Herausforderung für alle Unternehmen, da es für die Auswertung keinen allgemein gültigen, Nutzen garantierenden Lösungsansatz gibt", erläutert Ralf Conrads, Business-Intelligence-Experte und Spezialist für Big Data bei msg systems. "Dennoch können Unternehmen durch die Auswertung und Nutzung von Big Data große Erkenntnisgewinne erzielen, daher sollten sie die Durchführung von Big-Data-Projekten auf jeden Fall prüfen."
1. Ziele definieren
Big-Data-Analysen sind zu sehr vielen Themen möglich, so dass die Anzahl der Auswertungen unübersichtlich werden kann. Daher muss im ersten Schritt geklärt werden: Was möchte ich erreichen? Was bringt mir die Auswertung von Big Data und welche Ziele verfolge ich damit? Möchte ich durch die gewonnenen Erkenntnisse mehr Kunden akquirieren, meinen Umsatz steigern oder neue Geschäftsfelder erschließen? Welche Ziele sind realistischerweise überhaupt erreichbar? Nur wenn die Ziele klar definiert sind, kann ein Big-Data-Projekt strukturiert aufgesetzt und erfolgreich durchgeführt werden.
2. Datenquellen identifizieren
Die zweite Phase dient der Identifizierung der zu nutzenden und für das zu erreichende Ziel relevanten Datenquellen: Welche Quellen sind wichtig, und woher bekomme ich die Daten, die ich benötige? Kann ich überhaupt darauf zugreifen? In welcher Form stehen die Daten zur Verfügung? Meist ist es sinnvoll, nicht gleich zahlreiche Datenquellen zu nutzen, sondern sich zunächst auf ausgewählte zu konzentrieren. In diesem Stadium sollten darüber hinaus bereits Datenschutzaspekte mit berücksichtigt werden, da manche Daten gar nicht oder nur unter bestimmten Voraussetzungen gespeichert und analysiert werden dürfen.
3. Mit anderen Fachbereichen und IT vernetzen
Um gegebenenfalls auftretende Schwierigkeiten von Anfang an auszuschließen und die richtigen Technologien auszuwählen, muss die IT frühzeitig eingebunden werden. Darüber hinaus empfiehlt sich die Einbeziehung anderer Fachbereiche, um den maximalen Nutzen aus den neuen Auswertungen ziehen zu können. Um eine breite Unterstützung, unter anderem im Hinblick auf notwendige Ressourcen und Investitionen des Projektes, zu gewährleisten, sollte auch das Management spätestens in dieser Phase involviert werden.
4. Anforderungen an Performance und Verfügbarkeit klären
Die Erwartungen bezüglich Performance und Verfügbarkeit von Daten und Analysen müssen so früh wie möglich geklärt werden, um eventuelle Kapazitätsengpässe der Infrastruktur zu verhindern. Dabei spielen Themen wie Analyse-Latenzzeit, Auswertungen in Echtzeit und In-memory-Technologien eine Rolle: Sie sind zwar nicht für alle Analysen nötig, aber für manche eine Voraussetzung.
5. Ergebnisse in Prozesse einbinden
Ein wichtiger Faktor für den Erfolg von Big-Data-Analytics-Projekten ist die Einbindung der Analysen und das Einfließen der Analyse-Ergebnisse in die Geschäftsprozesse. Nur so können die gewonnenen Erkenntnisse zu einer tatsächlichen Verbesserung führen.
6. Big Data in bestehende Analysestrukturen integrieren
Big-Data-Analytics ersetzen nicht zwingend bereits vorhandene Analysen, sondern ergänzen sie. Daher ist es sinnvoll, sie in vorhandene Business-Intelligence-Architekturen / -Landschaften zu integrieren. Existierende Data Warehouses beispielsweise werden, von wenigen Ausnahmen abgesehen, nicht überflüssig.
7. Realistische Einschätzung von Komplexität und Dynamik
Da zurzeit nicht absehbar ist, welche Daten in welchem Volumen kurz- und mittelfristig verfügbar sein werden, ist es bei Big-Data-Projekten besonders wichtig, die Einbindung neuer Datenquellen, zusätzlicher Analysen und anderer Bereiche mit einzukalkulieren, um den nachhaltigen Erfolg eines Projektes zu gewährleisten.
"Die Nutzung von Big Data ist eine Herausforderung für alle Unternehmen, da es für die Auswertung keinen allgemein gültigen, Nutzen garantierenden Lösungsansatz gibt", erläutert Ralf Conrads, Business-Intelligence-Experte und Spezialist für Big Data bei msg systems. "Dennoch können Unternehmen durch die Auswertung und Nutzung von Big Data große Erkenntnisgewinne erzielen, daher sollten sie die Durchführung von Big-Data-Projekten auf jeden Fall prüfen."
