Der Wert von Big Data – und die Wahrheit
In den letzten Jahren sind zwei weitere Vs entstanden: Value (Wert) und Veracity (Richtigkeit). Daten haben einen intrinsischen Wert. Dieser ist aber erst dann nützlich, wenn er entdeckt wird. Ebenso wichtig: Wie wahrheitsgetreu sind Ihre Daten, und wie sehr können Sie sich auf sie verlassen?
Big Data sind mittlerweile eine äußerst wichtige Ressource. Man denke nur an die weltweit größten Technologieunternehmen. Ein großer Teil ihres Wertangebots stammt von ihren Daten, die sie kontinuierlich analysieren, um eine höhere Effizienz zu erzielen und neue Produkte zu entwickeln.
Jüngste technologische Errungenschaften haben die Kosten von Datenspeichern und Computing drastisch gesenkt, wodurch die Aufbewahrung von Daten einfacher und kostengünstiger denn je ist. Da größere Mengen an Big Data jetzt günstiger und einfacher zugänglich sind, können Sie präzisere geschäftliche Entscheidungen treffen.
Wert in Big Data finden – dabei geht es nicht nur um die Analyse (die für sich auch schon ein Vorteil ist). Vielmehr handelt es sich um einen kompletten Entdeckungsprozess, der einsichtige Analysten, Geschäftsbenutzer und Führungskräfte erfordert, die die richtigen Fragen stellen, Muster erkennen, begründete Vermutungen anstellen und Verhaltensweisen prognostizieren.
Die Geschichte von Big Data
Das Konzept von Big Data selbst ist zwar relativ neu, doch die Ursprünge von großen Datensätzen gehen zurück in die 1960er und 1970er Jahre, als man gerade anfing, sich mit Daten zu beschäftigen, die ersten Data Center einrichtete und die relationale Datenbank entwickelte.
Etwa im Jahr 2005 erkannte man langsam, wie viele Daten Benutzer bei Facebook, YouTube und anderen Online-Diensten generierten. Im selben Jahr wurde Hadoop (ein Open-Source-Framework, das speziell für die Speicherung und Analyse großer Datenmengen entwickelt wurde) entwickelt. Auch NoSQL gewann in dieser Zeit an Beliebtheit.
Die Entwicklung von Open-Source-Frameworks wie Hadoop (und in jüngerer Zeit Spark) war für das Wachstum von Big Data von entscheidender Bedeutung, da sie die Arbeit mit Big Data erleichtern und die Speicherung kostengünstiger machen. Seitdem ist das Volumen von Big Data massiv gewachsen. Benutzer generieren nach wie vor Unmengen von Daten – aber es sind nicht nur Menschen, die das tun.
Durch das Internet of Things sind mehr Objekte und Geräte mit dem Internet verbunden und sammeln Daten zu Nutzungsmustern der Kunden und zur Produktleistung. Die Einführung des maschinellen Lernens (ML) hat zu noch mehr Daten geführt.
Die Entwicklung von Big Data ist schon weit vorangeschritten; die Nutzung von Big Data steht dagegen noch ganz am Anfang. Die Möglichkeiten von Big Data wurden durch Cloud-Computing noch erweitert. Die Cloud bietet flexible Skalierbarkeit und ermöglicht es Entwicklern, unkompliziert Ad-hoc-Cluster einzurichten, um eine Untergruppe der Daten zu testen. Und Diagrammdatenbanken werden ebenfalls immer wichtiger, da sie riesige Datenmengen auf eine Weise anzeigen können, sodass Analysen schnell und umfassend durchgeführt werden können.
Vorteile von Big Data
Mit Big Data können Sie umfassendere Antworten finden, da mehr Informationen und Daten vorliegen.
Umfassendere Antworten sorgen für größeres Vertrauen in die Daten – was zu einem völlig neuen Ansatz zur Problemlösung führt.
Anwendungsfälle für Big Data
Big Data kann Ihnen bei einer Reihe von Geschäftsaktivitäten helfen, darunter Customer Experience und Kundenanalyse. Hier sind nur wenige Anwendungsfälle aufgeführt.
Produktentwicklung Unternehmen wie Netflix und Procter & Gamble nutzen Big Data, um die Kundennachfrage vorherzusagen. Sie erstellen prädiktive Modelle für neue Produkte und Dienste, indem sie zentrale Attribute alter und aktueller Produkte und Dienste klassifizieren und die Beziehung zwischen diesen Attributen und dem kommerziellen Erfolg dieser Angebote modellieren. Darüber hinaus nutzt P&G zur Planung, Produktion und Markteinführung von neuen Produkten die Daten und Analysen von Fokusgruppen, Social Media, Testmärkten und frühzeitigen Ladeneinführungen.
Prädiktive Wartung Prädiktive Wartungsfaktoren, die mechanische Fehler prognostizieren können, sind möglicherweise tief in strukturierten Daten vergraben, z. B. das Herstellungsjahr, die Marke und das Modell eines Geräts. Sie finden sich aber auch in unstrukturierten Daten, die Millionen von Protokolleinträgen, Sensordaten, Fehlermeldungen und Motortemperaturen enthalten. Wenn Unternehmen diese Hinweise auf mögliche Fehler analysieren, bevor Probleme tatsächlich auftreten, profitieren sie von einer kostengünstigeren Wartung und einer höheren Verfügbarkeit von Teilen und Equipment.
Kundenerlebnis Das Rennen um die Kunden hat begonnen. Jetzt ist es so leicht wie noch nie, einen aussagekräftigen Überblick über das Kundenerlebnis zu erhalten. Mit Big Data können Sie Daten aus Sozialen Medien, Webseiten-Aufrufen, Anrufprotokollen und anderen Datenquellen erfassen, um das Erlebnis bei Kundeninteraktionen zu optimieren und den angebotenen Wert zu steigern. Stellen Sie personalisierte Angebote bereit, minimieren Sie die Abwanderung von Kunden und bearbeiten Sie Probleme proaktiv.
Betrug und Compliance Beim Thema Sicherheit geht es um mehr als nur ein paar Hacker – Sie kämpfen gegen ganze Expertenteams an. Die Sicherheitslandschaft und die Konformitätsanforderungen entwickeln sich beständig weiter. Mit Big Data können Sie Muster in Daten erkennen, die auf Betrug hindeuten, und große Mengen an Daten erfassen, um das regulatorische Reporting zu beschleunigen.
Maschinelles Lernen Maschinelles Lernen ist ein topaktuelles Thema. Das dies so ist, ist u. a. auf Daten zurückzuführen – besonders auf Big Data. Wir sind mittlerweile in der Lage, Maschinen etwas beizubringen, anstatt sie zu programmieren. Möglich ist dies, weil Big Data für die Schulung von Modellen für maschinelles Lernen verfügbar ist.
