Big Data Analytics: So verbessern Daten Ihre Business-Entscheidungen

Große Datenmengen liefern Einblicke

1. Ziel definieren: Legen Sie vorab den Zweck und die wichtigsten Ziele Ihrer Datenanalyse fest. Formulieren Sie Fragen, die Sie mit der Analyse beantworten und einen möglichen unternehmerischen Mehrwert, den Sie generieren möchten.
2. Art der Datenanalyse bestimmen: Überlegen Sie, wie Sie die Daten verwenden möchten, beispielsweise in einer quantitativen, einer qualitativen oder in einer vergleichenden Analyse mit vorherigen Zeiträumen.
3. Plan zum Auswerten festlegen: Bestimmen Sie, wie viel Zeit und Ressourcen Sie für das Auswerten der Daten bereitstellen sollten. Berücksichtigen Sie dabei Faktoren wie Personal und Budget; und planen Sie die Auswertung so vorausschauend, dass Sie die Big-Data-Analyse erfolgreich und mit verwertbaren Ergebnissen abschließen können.
4. Daten sammeln: Besprechen Sie die erforderlichen Prozesse für die Datenanalyse und stellen Sie ein Projektteam zusammen, das für das Sammeln und Auswerten zuständig ist. Informieren Sie sich über entsprechende Software, um diese Prozesse effizient umzusetzen und zu überwachen.
5. Daten bereinigen: Strukturieren und standardisieren Sie die Daten, die innerhalb eines großen Datensatzes meist unstrukturiert vorliegen. Achten Sie hierbei auch auf Formatierungsfehler und andere Abweichungen, die bereits beim Aufbau entstehen und sich möglicherweise künftig vermeiden lassen.
6. Daten auswerten: Untersuchen Sie die gesammelten Daten mithilfe mathematischer Methoden bzw. entsprechender Software, um Schemen, Zusammenhänge und Veränderungen zu erkennen. Interpretieren Sie, was die Daten bedeuten und warum Sie für Ihr Unternehmen wichtig sind.
7. Ergebnisse visualisieren: Nutzen Sie anschauliche Methoden der Datenvisualisierung, um die wichtigsten Informationen und Erkenntnisse zusammenzufassen und verständlich darzustellen. Verwenden Sie dafür etwa Diagramme und Grafiken, um wichtige Datenpunkte und Erkenntnisse zu veranschaulichen. Bereiten Sie Datensätze so auf, dass andere Abteilungen und Teams im Unternehmen damit weiterarbeiten können, um zum Beispiel Marketingstrategien oder Budgetpläne anzupassen.

• Volume: Big Data ist von extrem großen Datenmengen gekennzeichnet.
• Variety: Die Daten sind vielfältig, vor allem im Hinblick auf ihre Strukturen und Inhalte. Big Data Analytics steht dabei vor der Herausforderung, Erkenntnisse auch aus unstrukturierten Daten abzuleiten.
• Velocity: Daten entstehen in hoher Geschwindigkeit und müssen im gleichen Tempo verarbeitet werden. Manche Anwendungsfälle erfordern die Analyse großer Datenmengen nahezu in Echtzeit.
• Veracity: Die Datenqualität ist eine entscheidende Voraussetzung dafür, dass die Erkenntnisse tatsächlich einen Nutzen bringen, die aus Big Data Analytics abgeleitet werden.

• Value: Dies soll ergänzen, dass Big Data Analytics nicht zum Selbstzweck geschieht, sondern letztlich auf das Erzielen von Mehrwert beziehungsweise „Business Value” abzielt. Die zusätzliche Wertschöpfung ist das zentrale Ziel bei der Auswertung von Big-Data-Beständen.

• Klassische Algorithmen: Sie werden auch als Data-Mining-Tools bezeichnet und können unterschiedliche Schwerpunkte wie Text Mining oder statistische Analysen haben. Beide Verfahren können grundsätzlich auch für Bild- und Videoanalysen zum Einsatz kommen.
• Künstliche Intelligenz (KI): Häufig basiert die Analyse auf Machine Learning beziehungsweise Deep Learning. Diese Methoden eignen sich besonders dafür, Muster, Zusammenhänge und Beziehungen zwischen Daten zu erkennen.
• Descriptive Analytics: Diese Methode beschreibt vergangene Ereignisse und Trends auf Basis der ausgewerteten Daten, um Muster und Zusammenhänge zu identifizieren.
• Predictive Analytics: Mit diesen spezialisierten Tools erkennen Sie Trends und können Entwicklungen vorhersagen, etwa in Bezug auf das Verhalten von Kund:innen.
• Prescriptive Analytics: Diese Methode bietet Handlungsempfehlungen auf Basis der Datenanalyse. Sie kombiniert die Ergebnisse von Descriptive und Predictive Analytics miteinander und leitet daraus Hinweise zur Verbesserung von Geschäftsprozessen ab.
• Business-Analytics: Diese Software liefert in erster Linie Kennzahlen und Visualisierungen zur Unternehmensplanung und -steuerung. Entsprechende Systeme können diese intelligent auswerten und so aus der Gesamtheit oder Teilmengen der Daten ableiten, die im Unternehmen anfallen.

• Produktentwicklung: Erkenntnisse aus der Analyse von Big Data können Rückschlüsse auf die Produkttauglichkeit und mögliche Trends zulassen. Dies kann bestehende Produkte verbessern oder zur Entwicklung neuer Produkte führen.
• Marketing: Das Erkennen von Bedürfnissen und Verhalten von (potenziellen) Kund:innen kann Unternehmen dabei helfen, Marketingaktivitäten zielgerichteter zu gestalten und einzusetzen.
• Geschäftsstrategie: Die Ergebnisse aus Big Data helfen dabei, auf Basis von Daten strategische Geschäftsentscheidungen schneller und genauer zu treffen.
• Kundenerfahrung / Customer Journey: Die Analyse des Verhaltens von Kund:innen kann dabei helfen, Vertriebskanäle anzupassen, etwa bei der Menüführung in Online-Shops.
• Risikomanagement: Risiken lassen sich auf der Basis von Mustern erkennen und rascher bewältigen.
• Kostensenkung: Indem Sie Unternehmensdaten zentral speichern und auswerten, können Sie in unterschiedlichen Bereichen Kosten senken sowie Geschäftsprozesse effektivieren.

• Big Data Analytics muss mit großen, mitunter unstrukturierten Datenmengen fertig werden, die in Echtzeit wachsen.
• Entsprechende Frameworks müssen unterschiedliche Datenformate aus verschiedenen Quellen vereinheitlichen.
• Die Ergebnisse müssen eine entsprechende Qualität aufweisen, um daraus tatsächlich Erkenntnisse in Bezug auf unterschiedliche Geschäftsprozesse und -bereiche ziehen zu können.
• Die Sicherheit der Daten muss bei der Analyse gewährt sein. Das betrifft die Verschlüsselung, den Datenschutz und auch die Zugriffsberechtigungen.

• Branche und Geschäftsmodell
• dem bereits erzielten Maß an Vernetzung in der Produktion und in den vor- und nachgelagerten Betriebsprozessen
• dem Grad an Digitalisierung der produzierten Waren selbst

• Produktionssteuerung und Qualitätskontrolle: Unternehmen beziehen Daten aus dem Produktionsprozess oder aus der Analyse fertig produzierter Waren. Diese Daten können sie nutzen, um die Produktion zu steuern und zu überwachen – sowie zur Qualitätskontrolle. Hierfür kommen etwa Sensordaten in Frage, aber auch Bild- und Videoanalysen.
• Produktentwicklung und -optimierung: Big Data Analytics kann Erkenntnisse dazu liefern, wie sich ein Produkt über seinen gesamten Lebenszyklus hinweg verhält. Das hilft dabei, neue Produkte zu entwickeln oder bestehende Produkte zu verbessern.
• Akquise und -Bindung von Kund:innen: Je besser Unternehmen Erwartungen und Nutzungsgewohnheiten der Anwender:innen sowie Markttrends verstehen, desto besser können sie ihre Marketingmaßnahmen daran ausrichten. Dies erhöht die Zufriedenheit der Kund:innen und verbessert die Beziehungstiefe zu ihnen.
• Preisoptimierung: Unternehmen sollten vergangene Verkäufe und den Erfolg von Sonderangeboten analysieren und dazu intelligente Modellierungen nutzen. So können Unternehmen und Händler ihre Preisgestaltung optimieren – und damit je nach Zielsetzung Marktanteile, Umsatz oder Erlös maximieren.
• Lieferketten- und Channel-Optimierung: Vorausschauende Analysen unterstützen beim Planen und Überwachen von Lieferketten, Bestandsmanagement, Logistik-Optimierungen, Effizienzsteigerungen in Absatzkanälen und vielen ähnlichen Szenarien. So können Unternehmen Lieferengpässe oder Nachfrageveränderungen früher erkennen.
• Risikomanagement und Entscheidungsfindung: Mittels Business Analytics Software gewinnen Unternehmen tiefere Einblicke und können so bessere Entscheidungen in kürzerer Zeit treffen. Big-Data-Analysen können außerdem bei der Identifikation von Risiken helfen und so das Risikomanagement verbessern.

• Hadoop ist ein Open-Source-Framework für besonders große Datenmengen und aufwendige Analysen. Mehr zu Hadoop erfahren Sie an anderer Stelle hier in V-Hub.
• Apache Hive bildet das Data Warehouse für Hadoop, indem es Daten aus relationalen Datenbanken abfragt, zusammenfasst und analysiert.
• Cloudera ist ein Webbasiertes Open-Source-Framework, das sich flexibel um Funktionen erweitern lässt, um beispielsweise Big-Data-Anwendungen in bestehende Prozesse einzugliedern.
• Pentaho ist ein Framework, das sich aufgrund seiner Modularität und Schnittstellen leicht in bestehende IT-Systeme einfügen lässt.
• Apache Spark ist ein Open-Source-Framework zur Echtzeitanalyse großer Datenmengen.
• Splunk ist ein Tool zur Analyse des Digital Footprints von Nutzer:innen. Es bietet u.a. Monitoring und Analyse von Transaktionen, Netzwerkaktivitäten und Gesprächsdaten.