Big Data im Realitäts-Check

Der Autor ist Account Manager bei Greenplum.

Es ist immer wieder erstaunlich, mit welcher Leichtigkeit sich die IT-Branche neu erfindet und inszeniert. Der Begriff «Big Data» lässt sich äusserst flexibel an die Bedürfnisse des jeweiligen Anbieters anpassen. Der Kampf um die Begriffsbesetzungshoheit ist in vollem Gang: Big Data, Big Software, Big Storage, Big Consulting, Big Security, Big Business. Dabei liegt der messbare Nutzen einzig und allein in den Antworten, die man aus Big Data herausfiltern kann. Der Rest ist Technologie, Organisation – und Balzgebahren der Anbieter. Die Nutzung des Potenzials setzt aber, wie bei vielen Hype-Themen, erst einmal eine durchdachte Strategie voraus, die nicht nur technologische, sondern auch kulturelle Veränderungen umfasst. Die folgenden 10 Punkte sollen als Richtlinie dienen, falls Sie damit liebäugeln, Big Data in Ihre Unternehmensstrategie aufzunehmen.

1. Big Data schützt nicht vor Managementfehlern

Im Gegenteil: Big Data lässt alle Möglichkeiten offen, auf dem falschen Pfad zu wandeln – inhaltlich wie technologisch. Daher ist es wichtig zu hinterfragen, ob sich der entsprechende Ansatz auch monetarisieren lässt. Konkret: Ob daraus ein nachhaltiger, messbarer und den Kosten positiv gegenüberstellbarer Nutzen entstehen kann.

2. Big Data erschliesst Social-Media-Wissen

Facebook alleine hat inzwischen rund 850 Millionen Mitglieder. Im Web werden Realitäten geschaffen. Bislang nutzen jedoch nur ca. 20 Prozent der Firmen professionelle Analysewerkzeuge, um zentrale Fragen wie diese zu beantworten: Mit welchen Themata werden unsere Produkte am meisten assoziiert? Kommt unser Formel-1-Sponsoring so gut bei den Konsumenten an, wie wir uns das vorstellen? Wie stehen wir im Vergleich zum Mit­bewerb? Und als Konsequenz: Lassen sich unsere Marketingkampagnen und -budgets mit der Stimmungslage in einzelnen Märkten in Einklang bringen?

3. Big Data erfordert neue Werkzeuge

Man könnte Big Data als Steigerungsform von Data Warehouse sehen. Doch die ursprüngliche Definition eines Data Warehouses (nach Bill Inmon: Time Variant, Non Volatile, Subject Oriented, Integrated) deckt sich nur schlecht mit den drei «V» für Big Data (Volume, Variety, Velocity). Bei Big Data geht es weniger um buchhalterische Genauigkeit, sondern um das Erkennen von Mustern. Das erfordert neue Werkzeuge, die sowohl den Umgang mit strukturierten als auch mit unstrukturierten Daten unterstützen.

4. An Big Data kommt man nicht mehr vorbei

Schon heute werden mehr Daten gesammelt als genutzt. Wir sprechen hier von einem Datenwachstum um einen Faktor 50 in den nächsten 10 Jahren! Wollen Sie Mauern gegen den Wind errichten oder lieber Windmühlen bauen?

5. Big Data bedingt neue Kompetenzen

Big Data impliziert nicht nur einen technologischen, sondern vor allem einen strategischen Umgang mit Datenbeständen. Damit geht auch eine Änderung der benötigten Kompetenzen einher. Der Data Scientist als neues Berufsbild entsteht. Er kann die Daten analysieren, interpretieren und auch businessseitig validieren. Das erfordert andere Fähigkeiten als die eines introvertierten Statistikers. Gefragt sind kommunikative Individuen, die sich durch entdeckerische Neugier auszeichnen. Viele Hersteller bieten Workshops oder Praxisbeispiele bewährter Projekte an, die diese Kompetenzen vermitteln (z.B. Log-Analyse, Fraud Detection, Text Analytics, Forensik etc.). Open-Source-Angebote ermöglichen einen zumindest von der Investmentseite her relativ schmerzfreien Einstieg. Wichtig ist in jedem Fall: Im Vordergrund muss das Projekt stehen, erst dann kann die passende Lösung gewählt werden.

Lesen Sie auf der nächsten Seite: Punkte 6. bis 10.