Big Data

Big Data meint die Speicherung, Verarbeitung und Analyse enormer Datenmengen mithilfe spezieller Hard- und Software. Insbesondere im Unternehmenskontext entstehen dadurch zahlreiche Möglichkeiten, bestehende Prozesse zu optimieren, neue Marktpotenziale zu erschließen oder eine zielgruppengerechtere Ansprache zu wählen. Dass Big Data auch weiterhin eines der Top-Themen des 21. Jahrhunderts ist, macht folgende Statista-Prognose deutlich: Lag die Menge an weltweit generierten Daten im Jahr 2018 noch bei 33 Zettabyte (1.000.000.000.000.000.000.000 Byte), prognostizieren Experten für das Jahr 2025 eine Menge von 175 Zettabyte(1).

Mit Brunel finden Sie die passenden Experten für ihr nächstes Big Data-Projekt

Sie möchten von den Potenzialen, die Big Data mit sich bringt, profitieren und sind noch auf der Suche nach den passenden Experten? Mit Brunel ist Ihr Projekt im Bereich Big Data in den besten Händen. Unsere Experten verfügen über fundierte Kenntnisse in den Bereichen Informatik, Mathematik, Physik und Statistik und sind erfahren im Umgang mit Datenanalyse und Advanced-Analytics-Methoden wie Data Mining, Predictive Analytics oder Machine Learning. Darüber hinaus überzeugen unsere Spezialisten mit Kenntnissen in Data Science nahen Programmierumgebungen wie R, Python oder Matlab und sind erfahren im Umgang mit Datenbanken. Brunel verfügt am Standort Hildesheim über den Kompetenzbereich 'Predictive Maintenance', welcher sich mit der Anomalieerkennung in Massendaten beschäftigt. Einen Überblick über das gesamte Leistungsportfolio erhalten Sie hier.

Unsere Experten Kontakt aufnehmen

Soziale Netzwerke, mobile Endgeräte, Internet der Dinge – die Quellen, über die Daten erzeugt werden, sind vielfältig, die Anzahl der erzeugten Daten unvorstellbar groß. In Facebook werden pro Sekunde 50.000 Klicks generiert, YouTube registriert pro Minute 72 Stunden neues Videomaterial. Pro Tag entstehen somit weltweit 2,5 Trillionen Bytes. Daten, die bis vor vielen Jahren als nicht verwertbar galten, können heutzutage zahlreiche Wettbewerbsvorteile mit sich bringen.

Welche fünf Eigenschaften beschreiben Big Data am besten?

Volume (Masse): Hierunter ist die enorme Datenmenge zu verstehen, die Big Data ausmacht. Beinahe jede Transaktion, sei sie geschäftlich oder privat, generiert Daten - von der Banküberweisung bis hin zu Entwicklungs- und Produktionsprozessen. Der weltweit größte Datenproduzent ist mit rund 3,6 Zettabyte das produzierende Gewerbe(2).

Velocity (Geschwindigkeit):
Daten werden heute nicht nur gesammelt, sondern müssen darüber hinaus auch in einer vergleichbar hohen Geschwindigkeit verarbeitet werden. Das verlangt nach technischen Lösungen zur Echtzeitverarbeitung wie Betriebssystemen, Sensoren und Smart Metering. Die Verbreitungsgeschwindigkeit von Daten hat in den vergangenen Jahren ebenfalls beträchtlich zugenommen.

Variety (Vielfalt): Die Formate, in denen Daten vorliegen, sind inhomogen. Es wird zwischen strukturierten, semistrukturierten sowie unstrukturierten Daten unterschieden. Wohingegen strukturierte Daten in relationalen Datenbanken in Form von Zeilen und Spalten abgebildet werden können, liegen unstrukturierte Daten als Bilder, Textdateien, Animationen bis hin zu Audiosequenzen in Form von numerischen Codes vor. Letztere machen knapp 80 Prozent aller Daten in Unternehmen aus. Über Big Data und Machine Learning können diese Daten analysiert und weiterverwendet werden.

Veracity (Wahrhaftigkeit der Datenqualität): Eine hohe Datenqualität ist die Voraussetzung, um die Vorteile von Big Data nutzen zu können. Nur wenn sichergestellt werden kann, dass die Daten authentisch, vollständig und eindeutig sind, kann Big Data ein echter Gewinn für Unternehmen sein.

Value (Wert): Die fünfte Eigenschaft von Big Data ist der Wert für Unternehmen. Durch den Einsatz können wertvolle Informationen über Prozesse oder Kunden gesammelt bzw. prognostiziert werden und für die Unternehmensstrategie einen echten Gewinn darstellen.

Warum ist in der heutigen Zeit Big Data für Unternehmen relevanter denn je?

Big Data ist heutzutage derart omnipräsent, dass sich kaum ein Unternehmen dieser Entwicklung entziehen kann. Es bildet die Grundlage für weltweite Handels- und Produktionsketten sowie sämtliche Organisations- und Kommunikationsschritte von Unternehmen und kann zahlreiche Wettbewerbsvorteile mit sich bringen. Die Wirtschaftsbranchen können von Big Data insofern profitieren, als dass dadurch neue Erkenntnisse über Kunden gewonnen oder Risikopotenziale besser eingeschätzt werden können. In der Industrie können so Effizienzsteigerungen in Produktionsabläufen sowie Kosteneinsparungen erzielt werden. Das Gesundheitswesen wiederum kann durch den Einsatz von Big Data erste Schritte in Richtung personalisierter Medizin gehen und durch den Einsatz entsprechender Nutzerendgeräte in Echtzeit Krankheitsverläufe beobachten und entsprechende Maßnahmen einleiten. Klar ist, dass Big Data längst nicht mehr nur eine Herausforderung einzelner Branchen ist, sondern für nahezu alle Wirtschaftszweige, Organisationen und Nutzer, die mit digitalen Technologien arbeiten, betrifft.

 

Wie gelingt die Einführung von Big Data in Unternehmen?

1. Strategie definieren

Unternehmen, die sich dafür entscheiden, die Potenziale von Big Data zu nutzen, stehen zunächst vor der Herausforderung, eine Strategie für die Einführung von Big Data zu definieren. Dabei geht es insbesondere darum festzulegen, wie Daten erfasst, verwaltet und innerhalb der Organisation genutzt werden sollen. Fragestellungen, die in diesem Zusammenhang von großer Relevanz sein können, sind folgende:

 

  • Welche Ziele sollen mit Big Data erreicht werden?
  • Ist das Bewusstsein bei allen Beteiligten über den Wert der Daten vorhanden oder muss noch Überzeugungsarbeit geleistet werden?
  • Sind entsprechende Kompetenzen im Big Data-Umfeld im Unternehmen vorhanden, müssen Fachkräfte rekrutiert oder gar ein externer Dienstleister hinzugezogen werden?
  • Ist eine Anpassung der vorhandenen IT-Infrastruktur hinsichtlich der vorhandenen Datenquellen und der anschließenden Datenanalyse notwendig?
  • Wie sollen Daten erfasst, gespeichert und verwaltet werden? (Geschieht dies bereits, dann sollte eine Bestandsaufnahme gemacht und Verbesserungspotenziale herausgearbeitet werden.)
  • Muss weitere Software angeschafft werden?
  • Welche Stakeholder innerhalb des Unternehmens müssen beim Einsatz von Big Data berücksichtigt, geschult und an die neuen Systemlandschaften angebunden werden?
  • Welche weiteren Daten-spezifischen Aspekte wie z.B. Data Governance oder Datenschutz müssen berücksichtigt werden?

2. Big Data-Quellen analysieren

Big Data steht und fällt mit der Qualität der Daten. Deshalb ist es für Unternehmen entscheidend, an dieser Stelle zu identifizieren, welche Datenquellen und Datenströme vorliegen. Datenquellen und -ströme können sich von Unternehmen zu Unternehmen unterscheiden. Datenquellen können z.B. folgende sein:

Soziale Netzwerke: Facebook, Instagram, XING oder LinkedIn sind Kommunikations- und Interaktionsplattformen für Millionen Menschen weltweit. Hierüber werden täglich gigantische Datenmengen generiert.

Mobile Endgeräte:
Daten aus mobilen Endgeräten gewähren Informationen über die Aufenthaltsorte der jeweiligen Nutzer. Insbesondere für standortgetriebenes Marketing ergeben sich dadurch zahlreiche Vorteile.

Multimediadaten: Multimediadaten machen mittlerweile den Großteil an Daten im Internet aus. Alleine Youtube gewinnt pro Minute 75 Stunden neues Videomaterial. Durch die Fülle an Daten, die Videos enthalten, sind Multimediadaten besonders wertvoll.

Textdateien: Auch Textdateien bilden eine wertvolle Datengrundlage. Mittlerweile ist es möglich, Millionen von Dokumenten in Echtzeit zu durchsuchen. 

 

3. Datenmanagement

Sind die Datenquellen ausgemacht, muss überlegt werden, wie auf diese zugegriffen werden kann und wie diese abgespeichert und verwaltet werden sollen. In diesem Zusammenhang stellt sich die Frage, ob zusätzliche Softwaresysteme angeschafft werden müssen, die die nötige Schnelligkeit, Rechenleistung und Flexibilität mitbringen, um auf notwendige Daten zuzugreifen. Eng damit verbunden ist eine ausreichende Datenqualität. Diese sollte sichergestellt werden, um Anwendern den größtmöglichen Nutzen zu liefern. Stammen die Daten aus unterschiedlichen Quellen und liegen in verschiedenen Formaten vor, sollten diese einheitlich aufbereitet werden, um Kompatibilitätsprobleme zu vermeiden. Schließlich sollte die Data Governance und das Stammdatenmanagement Berücksichtigung finden. Ersteres umfasst die Regeln und Vorgaben, die sicherstellen, dass die Datenspeicherung und -verarbeitung im Einklang mit der Geschäftsstrategie des Unternehmens ist. Im Rahmen des Stammdatenmanagements sollte es eine einheitliche Unternehmensentscheidung dazu geben, wie die Daten im Unternehmen gespeichert und überwacht werden.

 

4. Analyse-Techniken

Welche Analyse-Methoden verwendet werden, hängt stark von dem Ziel ab, das mit der Analyse verbunden ist. Zu den gängigen Analysemethoden zählt z.B. Text Mining, bei dem größere Textmengen auf analysierbare Informationen hin untersucht werden. Data Mining hingegen prüft einströmende Datenmengen auf Zusammenhänge, Gemeinsamkeiten und Regelmäßigkeiten, sodass hieraus relevante Informationen für das Unternehmen gewonnen werden können. Ein weiteres Element ist das sogenannte Process Mining, bei dem komplexe Geschäfts- und/oder Produktionsprozesse anhand ihrer erzeugten Daten untersucht und gegebenenfalls optimiert werden. Erste Berührungspunkte zum Thema Künstliche Intelligenz gibt es beim Machine Learning, bei dem Maschinen anhand von Daten automatisch Zusammenhänge identifizieren können und auf dieser Basis erneut Daten generieren, die zum Beispiel für strategische Unternehmensentscheidungen herangezogen werden können.

Was ist Big Data Analytics?

Big Data Analytics ist der Teilbereich von Big Data, der die anfallenden Datenmengen analysiert und daraus Regelmäßigkeiten bzw. Muster identifiziert, die für die weiteren (Unternehmens-)Prozesse von Nutzen sind. Im Einzelnen gliedert sich Big Data in mehrere Untersegmente. Dazu gehört zunächst die Beschaffung relevanter Daten, z. B. durch Suchabfragen im Internet. Daran schließt sich die Auswertung des Datenportfolios sowie die Identifikation relevanter Informationen an.

In einem weiteren Schritt werden diese Informationen nutzerfreundlich aufbereitet und zur weiteren Verwendung präsentiert.

 

Welche Rolle spielt Big Data Analytics im Datenmanagement?

Big Data Analytics spielt nicht nur eine wichtige Rolle im Datenmanagement, es macht dies überhaupt erst möglich. Denn für gewöhnlich liegen abgefragte Daten zunächst in einer solchen Menge vor, dass sie kaum einen praktischen Nutzen für die abfragende Instanz hätten. Auch sind Datensätze häufig unstrukturiert und besitzen somit für den Anwender kaum Informationskraft. Datenmanagement bedeutet vor allem nur jene Datensätze nutzen und speichern zu müssen, die für Unternehmensprozesse wirklich relevant sind. Big Data Analytics übernimmt hier die entscheidende Filterfunktion und kann sogleich sicherstellen, dass die genutzten Daten die gewünschte Effizienzsteigerung gewährleisten.

 

In welchen Unternehmensbereichen wird Big Data genutzt?

Big Data kommt grundsätzlich in allen Unternehmensbereichen zum Einsatz, deren strategische Ausrichtung auf der Analyse von Daten basiert. Abteilungen für Marketing und Vertrieb beispielsweise stützen Akquise-, Werbe- und Verkaufsstrategien auf Daten, die aktuelle Trends und Bedarfssituationen potenzieller Kunden widerspiegeln. Hierbei kommen insbesondere Daten aus der Marktforschung sowie bisherige Verkaufszahlen zur Anwendung.

Die Themen Forschung und Entwicklung basieren ganz wesentlich auf großen Mengen wissenschaftlicher Daten, mit denen die Schaffung zielgruppenorientierter Innovationen erst möglich wird. Zu den bedeutendsten Einsatzgebieten gehört daher die Produktentwicklung, denn hier wird Big Data gleich zu mehreren Zwecken genutzt. Zunächst gilt es, umfangreiche technische Daten der Vorgängermodelle/Prototypen auszuwerten, mögliche Schwächen zu erkennen und Verbesserungspotenziale zu identifizieren. Analysiert werden darüber hinaus Markttrends und Kundenbewertungen, um das zu entwickelnde Produkt noch besser auf deren Bedürfnisse zuschneiden zu können.

Ebenfalls für die Anwendung von Big Data prädestiniert sind sämtliche Zuliefer- und Produktionsketten. Komplexe Produktionsanlagen sind mit einer Vielzahl an Sensoren ausgestattet, die Unmengen von Daten analysieren. Dadurch lassen sich Herstellungsprozesse immer weiter optimieren und etwaige Störungen im Idealfall bereits erkennen, bevor diese zu kritischen Produktionsausfällen führen. Auch der Stromverbrauch energieintensiver Unternehmensbereiche kann durch Big Data optimiert werden, indem Verbrauchsdaten zur Analyse herangezogen werden.

Überdies erfolgt die Rekrutierung von Fachkräften heutzutage auf Basis großer Datenmengen. HR-Abteilungen setzen dabei auf Big Data, um aus der Vielzahl an Bewerbern eben jene vorzuselektieren, die dem tatsächlichen Anforderungsprofil entsprechen. Letztendlich gibt es in der Nutzung von Big Data auch branchenspezifische Besonderheiten. Unternehmen des Finanzsektors nutzen dies z. B. zur Risikokalkulation für Finanztransaktionen, Energieproduzenten zur Optimierung der Stromproduktion und diverse Dienstleister zur automatisierten Kundenkommunikation. Generell lässt sich festhalten, dass heutzutage kaum noch ein Unternehmensbereich ohne Big Data auskommt.

Welche Wettbewerbsvorteile können erzielt werden?

Es gibt zahlreiche Wettbewerbsvorteile, die mit Big Data in unmittelbarem Zusammenhang stehen. Big Data-Analysen können zum einen Geschäftsprozesse optimieren und bieten zum anderen z.B. die Möglichkeit, Risiken zu kalkulieren. Genaue Analysen der eigenen Unternehmensdaten zusammen mit Daten aus externen Quellen können Prozesse in ihrer Vielfalt darstellen, offenbaren Fehler und Schwachstellen und eröffnen letztendlich die Chance, Geschäftsprozesse zu optimieren. Risiken können insofern kalkuliert werden, als dass diese über die Daten ersichtlich, in Folge zusammenhängend betrachtet werden können und schließlich nur noch solche Risiken einkalkuliert werden, die auch tatsächlich profitabel für das Geschäft sind. Darüber hinaus kann die Kundenorientierung durch ganzheitliche Kundenanalysen gesteigert werden. Verhaltensmuster können erkannt, simuliert und prognostiziert werden und führen so zu einem deutlich genaueren Kundenprofil, das eine erhöhte Kundenzufriedenheit, Kundenbindung und eine Effizienzsteigerung zur Folge haben kann. Big Data kann darüber hinaus neue Marktpotenziale für Unternehmen erschließen. Durch den Zugang zu Daten aus Regionen und Absatzmärken in aller Welt können verborgene Marktlücken erkannt werden.

 

Welche Herausforderungen birgt die Nutzung von Big Data?

Technologische Ebene: Auf technologischer Ebene herrscht aktuell noch viel Unklarheit darüber, welche Softwaresysteme und Tools die richtigen für den konkreten Anwendungsfall sind. Von Spark über Hadoop MapReduce bis hin zu Cassandra oder Hbase ist der Markt der verfügbaren Big-Data-Technologien groß und so ist es für den Laien eine echte Herausforderung, sich für die richtigen Systeme zu entscheiden und für deren Anwendung die passenden Experten zu finden.

Geschäftliche Ebene: Die Einführung von Big-Data-Technologien kann teuer werden, insbesondere dann, wenn neue Soft- und Hardware angeschafft und entsprechendes Fachpersonal rekrutiert werden muss. Wie hoch die Kosten im Einzelfall sind, hängt jedoch stark von den Zielen und den Anforderungen des Unternehmens ab. Unternehmen, die hohe Sicherheitsanforderungen haben, sind mit On-Premises-Lösungen gut bedient, müssen jedoch Kosten für Hardware und neue Fachkräfte einkalkulieren. Firmen, die einen hohen Wert auf Flexibilität legen, sind mit Cloudlösungen gut beraten, werden jedoch in Cloud-Services und Fachkräfte investieren müssen.

Operative Ebene: Eine hohe Datenqualität ist das A und O für Big-Data-Analysen. Qualitativ hochwertige Daten sicherzustellen, ist gleichzeitig eine Hürde für viele Unternehmen. Oftmals stammen die Daten aus unterschiedlichen Quellen und liegen daher in unterschiedlichen Formaten vor. Diese in Übereinstimmung miteinander zu bringen, kann zu Schwierigkeiten führen. Darüber hinaus müssen die Daten zuverlässig sein, damit eine aussagekräftige Analyse überhaupt möglich ist. Ein nicht zu vernachlässigendes Themen sind hierbei eventuelle Sicherheitslücken, die bei Big-Data-Analysen oft außer Acht gelassen werden. Schließlich müssen aus den Analyseergebnissen wertvolle Schlüsse für das Unternehmensbusiness gezogen werden. Hier sind Big-Data-Experten und ihr jeweiliges Fachwissen gefragt.

Wie gelingt Datenschutz mit Big Data?

Mit steigender Datenmenge erhöhen sich die Anforderungen an den Datenschutz. Gleichzeitig macht Big Data einen effektiven Schutz überhaupt erst möglich, indem Unternehmen auf ausgeklügelte Abwehrmechanismen gegen Cyberattacken zurückgreifen, deren Entwicklung erst durch riesige Datenmengen realisiert werden konnte. Dessen ungeachtet birgt gerade Big Data Analytics Potenzial für Datenschutzverletzungen, indem unstrukturierte Daten so zusammengesetzt werden, dass sie sensible Informationen über Personen hervorbringen.

Datenschutz mit Big Data gelingt durch den Einsatz spezialisierter Fachkräfte für Datenschutz und die gezielte Einbindung technischer Schutzmechanismen gegen Cyberattacken und Datendiebstahl. Zudem sollte das Thema Datenschutz vermehrt in der Öffentlichkeit kommuniziert werden, um die Nutzer in der Fläche dafür zu sensibilisieren.

 

Welche neuen Berufe entstehen durch Big Data?

Aufgrund der enormen Datenmengen investieren viele Unternehmen in die Entwicklung neuer Tools und Systeme zur Optimierung der Datenspeicherung, -verwaltung und -analyse. Diese Entwicklung bringt neue Berufe im IT-Umfeld mit sich wie z.B. den Big-Data-Scientist oder den Data Artist, die sich beide auf das Management riesiger Datenmengen und aller damit verbundenen Tätigkeiten und Technologien spezialisieren. Bereits etabliert, aber noch relativ neu, ist das Berufsfeld der Datenschutzbeauftragten, deren Nachfrage durch Big Data künftig signifikant steigen dürfte.

So unterstützt Brunel Sie bei Ihrem nächsten Projekt im Bereich Big Data

Profitieren Sie von dem fundierten Know-how unserer Experten in der Anwendung von Big Data-Technologien, Datenmodellierung und Datenvisualisierung. Zusammen mit unserer branchenübergreifenden Expertise können wir nahezu jedes Projekt im Bereich Big Data professionell, flexibel und nach den Bedürfnissen unserer Kunden umsetzen.

Um die passenden Experten für Ihr Projekt zu finden, verschaffen wir uns einen umfassenden Überblick über Ihr Projekt. In diesem Zusammenhang interessiert uns, über welche Tools, Erfahrungen, Qualifikationen oder Sprachkenntnisse unsere Experten verfügen sollten. So können wir sicherstellen, dass unsere Spezialisten KI-Lösungen entwickeln, die Ihren Qualitätsanforderungen entsprechen.
Im Anschluss gehen unsere Talent Scouts und Account Manager auf die Suche nach den passenden Kandidaten. Dazu nutzen wir verschiedene Kanäle und Netzwerke. Eine proaktive und vorausschauende Kandidatenansprache sowie unser globales Netzwerk an Technik- und IT-Experten kommen uns dabei zu Gute. Sie interessieren sich für unsere Recruiting-Expertise? Mehr dazu können Sie hier erfahren.


Referenzen

(1) Tenzer F. Prognose zum Volumen der jährlich generierten digitalen Datenmenge weltweit in den Jahren 2018 und 2025 (in Zettabyte). Statista, Veröffentlichungsdatum: 14.09.2020, Abrufdatum: 10.10.2020 (Link)
(2) Datenmenge explodiert. Der Informationsdienst des Instituts der deutschen Wirtschaft (iwd). Veröffentlichungsdatum: 07.06.2019, Abrufdatum: 10.10.2020 (Link)