Big Data Analytics

Bei Big Data Analytics werden große Datenmengen auf verborgene Muster, Korrelationen und andere Erkenntnisse hin untersucht. Mithilfe moderner Technologie lassen sich beinahe sofort Ergebnisse aus Datenanalysen abrufen, während dies bei herkömmlichen Business Intelligence-Lösungen länger dauert und weniger effizient ist.

• Geschichte
•     
• Heute
•     
• Einsatzbereiche
•     
• Wie funktioniert das?
•     
• Nächste Schritte

Geschichte und Evolution von Big Data Analytics

Das Big Data-Konzept existiert schon seit Jahren und die meisten Organisationen wissen mittlerweile, dass sie aus einer Analyse all der Ströme eingehender geschäftlicher Daten erheblichen Nutzen ziehen können. Aber bereits in den 1950er Jahren, also Jahrzehnte bevor irgendjemand den Begriff „Big Data“ in den Mund nahm, analysierten Unternehmen ihre Daten bereits mithilfe einfacher Verfahren (im Prinzip durch manuelle Untersuchung von Zahlen in Kalkulationstabellen) und leiteten daraus Erkenntnisse beispielsweise über Trends ab. 

Das Neue und Nützliche an Big Data Analytics sind Schnelligkeit und Effizienz. Während ein Unternehmen noch vor ein paar Jahren Daten erfasste, diese analysierte und daraus Informationen ableitete, um sie als Grundlage für künftige Entscheidungen zu nutzen, kann es heute unverzüglich Erkenntnisse gewinnen und auf dieser Basis sofort Entscheidungen treffen. Diese Möglichkeit, schneller vorzugehen und dadurch agil zu bleiben, verschafft Organisationen einen Wettbewerbsvorteil, den es in dieser Form zuvor nicht gab.

Funktionsweise und Schlüsseltechnologien

Es gibt keine einzelne Technologie, die den gesamten Bereich der Big Data Analytics abdeckt. Selbstverständlich gibt es fortschrittliche Analyseverfahren, die sich auf Big Data anwenden lassen, aber eigentlich wirken mehrere unterschiedliche Technologien zusammen, um den größten Nutzen aus den vorhandenen Informationen zu erschließen. Dieses sind die wichtigsten:

Maschinelles Lernen. Beim maschinellen Lernen, einem bestimmten Teilbereich der KI, wird eine Maschine trainiert und lernt. Mit dieser Technik lassen sich schnell und automatisch Modelle generieren, die größere Mengen komplexer Daten analysieren und schneller genauere Ergebnisse erbringen können – und das auch in sehr großem Maßstab. Mithilfe präziser Modelle verschafft sich eine Organisation bessere Chancen, lukrative Geschäftsmöglichkeiten zu erkennen – oder unbekannte Risiken zu vermeiden.

Datenmanagement. Daten müssen von hoher Qualität sein und sachgemäß aufbereitet vorliegen, bevor sie zuverlässig analysiert werden können. Angesichts der ständigen ein- und ausgehenden Datenströme muss eine Organisation allerdings unbedingt wiederholbare Prozesse zur Sicherstellung und Aufrechterhaltung von Datenqualitätsstandards einrichten. Liegen die Daten in zuverlässiger Qualität vor, sollte die Organisation ein übergeordnetes Datenmanagementprogramm auflegen, das das gesamte Unternehmen auf den gleichen Stand bringt.

Data Mining. Data Mining dient zur Untersuchung großer Datenmengen mit dem Ziel, Muster in diesen Daten zu erkennen. Die so gewonnenen Informationen lassen sich für weitere Analysen zur Beantwortung komplexer geschäftlicher Fragen nutzen. Mit Data Mining-Software wird es möglich, die relevanten Elemente aus all dem chaotischen und repetitiven „Datenrauschen“ herauszuarbeiten und anhand der so gewonnenen Informationen mögliche Ergebnisse zu bewerten. Auf diese Weise gelangen Organisationen rascher zu informierten Entscheidungen.

Hadoop. Hadoop ist ein Open Source Framework für die Speicherung großer Datenmengen und die Ausführung von Anwendungen auf Standard-Hardware-Clustern. Hadoop hat sich aufgrund der ständig zunehmenden Datenvolumina und Datenvarianten zu einer Schlüsseltechnologie für Unternehmen entwickelt und eignet sich dank des zugrunde liegenden verteilten Computing-Modells für eine schnelle Verarbeitung von Big Data. Ein weiterer Vorzug von Hadoop ist das kostenlose Open Source Framework, mit dem Standardhardware zur Speicherung großer Datenmengen genutzt werden kann.

In-Memory Analytics. Die Analyse von Daten im Arbeitsspeicher (statt auf der Festplatte) ermöglicht die sofortige Ableitung von Erkenntnissen aus Daten, sodass rasch gehandelt werden kann. Dank dieser Technologie erübrigt sich der Zeitaufwand für die Aufbereitung und analytische Verarbeitung der Daten vor dem Test neuer Szenarien und der Erstellung neuer Modelle. Damit öffnet sich ein unkomplizierter Weg für Organisationen, agil zu bleiben und bessere Geschäftsentscheidungen zu treffen. Darüber hinaus kann die Technologie für iterative und interaktive Analyseszenarien eingesetzt werden.

Predictive Analytics. Predictive Analytics ist eine Technologie zur Ermittlung der Wahrscheinlichkeit künftiger Ergebnisse auf der Basis historischer Daten mithilfe von Daten, statistischen Algorithmen und Techniken des maschinellen Lernens. Ziel ist die bestmögliche Prognose künftiger Ereignisse, sodass Organisationen stärker darauf vertrauen können, die bestmögliche Geschäftsentscheidung getroffen zu haben. Am häufigsten wird Predictive Analytics in der Betrugserkennung, der Risikobewertung sowie im operativen Betrieb und im Marketing eingesetzt.

Text Mining. Text Mining ist eine Technologie zur Analyse von Textdaten aus dem Internet, aus Kommentarfeldern, Büchern und sonstigen Textquellen mit dem Ziel, zu Erkenntnissen zu gelangen, die zuvor übersehen wurden. Text Mining nutzt maschinelles Lernen bzw. Sprachtechnologien, um Dokumente – E-Mails, Blogs, Twitter-Feeds, Umfragen, Wettbewerbsinformationen usw. – zu durchforsten, große Datenmengen zu analysieren und neue Themen oder Zusammenhänge aufzudecken.