Was ist Big Data?

Der Begriff „Big Data“ bezieht sich auf große Datensätze – meist mehrere Terabyte oder Petabyte –, die analysiert werden, um geschäftliche Erkenntnisse zu gewinnen. Die Definition basiert auf der Vielfalt (den verschiedenen Format- und Datentypen), dem Tempo (die Geschwindigkeit, mit der Daten verfügbar sind) und dem Volumen (der Menge an erfassten Daten). Big Data kann strukturierte, unstrukturierte und teilstrukturierte Daten umfassen, wobei vollständig strukturierte Daten bei Big Data eher selten vorkommen.

Unternehmen können es sich nicht mehr leisten, Daten zu erfassen, ohne sofort daraus Erkenntnisse für zeitgerechte und relevante Aktionen zu gewinnen. Big Data bieten einen erheblichen Wettbewerbsvorteil – ganz gleich, ob die Erkenntnisse für datengestützte Entscheidungen, zur Verbesserung der operativen Effizienz oder zum Risiko-Management herangezogen werden.

Wenn ihr euch mit der Funktionsweise von Big Data vertraut machen und erfahren möchtet, wie euer Unternehmen davon profitieren kann, findet ihr in diesem Artikel Informationen zu diesen Themen:

• Was sind die Ursprünge von Big Data?
• Was sind die „Vs“ von Big Data?
• Warum ist Big Data wichtig?
• Wie funktioniert Big Data?
• Was sind die Vorteile und Herausforderungen von Big Data?
• Was sind gängige Nutzungsszenarien für Big Data?
• Was sind wichtige Best Practices in Bezug auf Big Data?

Was sind die Ursprünge von Big Data?

Big Data hat seinen Ursprung in der Datenbankverwaltung. Auch wenn es bereits seit Jahrtausenden Daten gibt, wurde der Begriff Big Data eingeführt, um die enormen Datenmengen zu verdeutlichen, die weit über die bisher menschenmögliche Menge und Geschwindigkeit hinausgehen. Wenn eine Flut digitaler Informationen hereinkommt, benötigen Unternehmen Tools, mit denen sie diese Daten zuverlässig speichern und sinnvoll nutzen können.

Viele Unternehmen im IT-Bereich, besonders jene im Silicon Valley, konzentrieren sich auf die Erstellung von Frameworks für den Umgang mit Big Data. Diese Frameworks sind für Szenarien gedacht, in denen so viele Daten anfallen, dass für die Verarbeitung zahlreiche Maschinen erforderlich sind.

Heute gibt es drei gängige Arten von Daten: strukturierte, unstrukturierte und teilstrukturierte Daten. Strukturierte Daten werden in gut definierten Tabellen dargestellt, zu unstrukturierten Daten gehören Datenpunkte wie Anmeldungen, Website-Klicks, Seiten- oder Videoaufrufe und teilstrukturierte Daten umfassen eine Mischung aus strukturierten und unstrukturierten Daten.

Anschließend sprechen wir über die sechs „Vs“ von Big Data.

Was sind die „Vs“ von Big Data?

Für die Charakterisierung von Big Data werden häufig die drei „Vs“ herangezogen, die für die englischen Begriffe variety, velocity und volume stehen.

• Variety (Vielfalt) beschreibt die verschiedenartige Zusammensetzung der Datensätze. Strukturierte, unstrukturierte und teilstrukturierte Daten sind Beispiele für die Vielfalt der Daten.
• Velocity (Tempo) beschreibt, wie schnell die Daten dem Unternehmen zur Verfügung stehen, das diese Informationen erfasst. Adobe erfasst zum Beispiel mehr als 250 Billionen Transaktionen pro Jahr. Das entspricht rund 475 Millionen Transaktionen pro Minute.
• Volume (Volumen) bezieht sich auf die gewaltige Menge der erfassten Daten. Wenn YouTube-Abonnentinnen und -Abonnenten pro Stunde 380.000 Stunden an Videomaterial hochladen, ist dies eine enorme Datenmenge. Wenn ein Unternehmen jede Stunde 380.000 E-Mails verarbeitet, ist das Datenvolumen erheblich geringer, aber das Tempo ist dennoch hoch.

Im Laufe der Zeit wurden diese drei „Vs“ auf sechs erweitert: variability, veracity und value. Ein herzliches Dankeschön an die Person, die als Gedächtnisstütze sechs beschreibende englischsprachige Wörter gefunden hat, die mit dem Buchstaben V beginnen.

• Variability (Variabilität) bezieht sich auf die Etablierung von Kontext und das Verständnis dafür, dass sich Daten permanent verändern. Wenn der gleiche Prozess permanent zu einem anderen Ergebnis führt, liegt das an der Variabilität.
• Veracity (Richtigkeit) bezieht sich auf die Genauigkeit. Nicht vertrauenswürdige Daten sind nutzlose Daten.
• Value (Mehrwert) ist das Ergebnis der bisher genannten fünf „Vs“ und bezieht sich auf den Profit, den euer Unternehmen mit den Daten erzielt.

Nachdem wir erklärt haben, was Big Data ist, sehen wir uns nun an, warum Big Data so wichtig ist.

Warum ist Big Data wichtig?

Unternehmen müssen heute die Vorteile von Big Data nutzen, um ein vollständiges Bild davon zu erhalten, was ihre Kundinnen und Kunden denken und welche Richtung sie gerade einschlagen. Je mehr Daten einem Unternehmen zur Verfügung stehen, desto fundiertere Entscheidungen kann es treffen. Unternehmen möchten verstehen, warum ihre Kundinnen und Kunden mit der eigenen Marke interagieren. Und bei Unternehmen mit riesigen weltweiten Zielgruppen sind dazu enorme Datenmengen erforderlich.

Ein Nutzungsszenario für Big Data, das immer wichtiger wird, ist das bessere Verständnis der Kundenbedürfnisse. Die Bereitstellung erstklassiger Kundenerlebnisse und die kontinuierliche Anpassung an die Anforderungen der Kundinnen und Kunden ist nicht einfach. Unternehmen müssen verstehen, woher ihre Kundinnen und Kunden kommen, was sie auf ihrer Website tun, wie viel Zeit sie auf ihrer Website verbringen und wie häufig sie eine Transaktion abschließen bzw. konvertieren.

Verhaltensdaten werden aus dem Kundenverhalten auf Websites und anderen Kanälen wie Mobile, E-Mail usw. erfasst. Möglicherweise werden außerdem transaktionsbasierte und personenbezogene Informationen erfasst. Durch das Verständnis dieser Daten erhaltet ihr wichtige Erkenntnisse dazu, wie ihr den Verkaufsprozess beschleunigen und die verschiedenen digitalen Interaktionen optimieren könnt. Viele Entscheidungen über Optimierungen hängen letztendlich davon ab, wie viele Daten zur Verfügung stehen und welche Erkenntnisse aus diesen Daten gewonnen werden können.

Im nächsten Abschnitt erfahrt ihr, wie Big Data funktioniert.

Wie funktioniert Big Data?

Der Datenlebenszyklus beginnt mit der Erfassung von Informationen aus Datenquellen und endet mit der Gewinnung von Erkenntnissen aus den erfassten Daten. Die Definition einer Big-Data-Strategie zu Beginn des Prozesses ist notwendig, damit ihr eure Ziele für die jeweiligen Phasen versteht.

Integration von Big Data.

Der erste Schritt, die Datenerfassung, umfasst die Erstellung einer Infrastruktur, mit der alle eingehenden Datenpunkte erfasst werden können. Die Infrastruktur hängt dabei vom Typ der Daten ab. Die Rohdaten werden jedoch immer irgendwo gespeichert, sodass bei Bedarf weitere Analysen durchgeführt werden können.

In diesem Schritt müsst ihr die erfassten Daten aus verschiedenen Quellen und Anwendungen integrieren. Dazu müsst ihr die Daten korrekt erfassen, verarbeiten und formatieren, damit eure Datenanalystinnen und -analysten sie sofort nutzen können.

Verwaltung von Big Data.

Als Nächstes muss geklärt werden, wie die Daten gespeichert und organisiert werden. Die wichtigste Frage lautet dabei, wo die Daten aufbewahrt und wie sie katalogisiert werden, sodass sie von anderen Systemen genutzt werden können. Daten sind nur so nützlich wie die Metadaten, die sie beschreiben. Wenn ein Unternehmen große Datenmengen hat, diese Daten aber nicht finden oder Auskunft dazu geben kann, worum es in diesen Daten geht, bieten sie keine Vorteile. Big Data werden typischerweise in der Cloud gespeichert. Server sind jedoch ebenfalls ein gängiger Speicherort.

Analyse von Big Data.

Nachdem die Daten gespeichert und verwaltet wurden, können sie analysiert werden, um Erkenntnisse zu gewinnen und Muster zu erkennen. Die aus Big-Data-Analysen gewonnenen Erkenntnisse können visualisiert werden, um Verantwortliche darüber zu informieren und Empfehlungen zu den nächsten Schritten zu geben.

Hier kommen die verschiedenen Technologien zur Big-Daten-Verarbeitung ins Spiel. Dazu gehören Analyse-Engines wie Apache Spark oder Databricks, die die Verwaltung großer gespeicherter Datenmengen vereinfachen, sowie Messaging-bezogene Technologien wie Kafka, das sich auf die Verarbeitung von kontinuierlich generierten Streaming-Daten spezialisiert hat. Unternehmen können jedoch auch eigene Frameworks aufbauen und verwalten.

Was sind die Vorteile und Herausforderungen von Big Data?

Wenn ihr euch entscheidet, in eurem Unternehmen eine Big-Data-basierte Strategie zu implementieren, solltet ihr auch die Herausforderungen berücksichtigen. Nachfolgend erklären wir einige der häufigsten Vor- und Nachteile.

Herausforderungen von Big Data.

Es genügt nicht, Daten einfach nur zu erfassen. Unternehmen müssen in der Lage sein, auf die Daten zuzugreifen, sie zu analysieren und zu formatieren. Die Arbeit mit unstrukturierten und teilstrukturierten Daten ist oft schwierig. Ohne geeignete Verwaltung verursachen die Daten hohe Kosten, ohne wirklich Vorteile zu bieten. Mit den richtigen Technologien können Unternehmen ihre Daten jedoch sinnvoll nutzen und dabei helfen, das Bauchgefühl bei der Vorgehensweise zu bestätigen oder zu widerlegen.

Bessere Verwaltung von Big Data bringt einen höheren Reifegrad mit sich. Wenn ein Unternehmen erstmals Daten untersucht, sollte es die Sache langsam angehen und sicherstellen, dass die richtigen Fragen gestellt werden. Außerdem kann es bei den Daten Verzerrungen und Anomalien geben, die bei der erstmaligen Verwendung von Big Data nicht offensichtlich sind.

Unternehmen müssen bei der Verwendung der erfassten Daten zudem mit Bedacht vorgehen. Sie können zum Beispiel personenbezogene Informationen wie Kreditkartennummern oder E-Mail-Adressen erfassen, sind aber möglicherweise nicht berechtigt, diese Informationen für bestimmte Marketing-Aktionen zu verwenden oder über ungeschützte Speicherorte weiterzugeben.

Mit einem geeigneten Data-Governance-Framework, das den Verwendungszweck von Daten kennzeichnet, könnt ihr unzulässige Datenzugriffe und -nutzungen verhindern und Compliance-Richtlinien einhalten.

Vorteile von Big Data.

Im Gegenzug bietet die Nutzung von Big Data für euer Unternehmen zahlreiche Vorteile. Zunächst einmal werden die Abläufe verbessert. Mit den richtigen Datenanalyse-Tools könnt ihr Geschäftsprozesse optimieren, die Ressourcennutzung verbessern und die Kosten senken.

In einigen Fällen liegt der Schlüssel zum Schutz eures Unternehmens vor Verschwendung und Betrug direkt in den Daten. Mit Big Data könnt ihr Muster erkennen und Erkenntnisse gewinnen, die andernfalls unsichtbar bleiben. Gleichzeitig bieten Datenanalysen euch die Möglichkeit, proaktiv zu werden und Risiken zu minimieren.

Derzeit scheint der schnellste Weg in die Herzen von Kundinnen und Kunden über Personalisierung auf allen Plattformen zu führen. Mit Big Data können Unternehmen mehr über das Verhalten ihrer Kundinnen und Kunden erfahren und die Produkte in ihren Marketing-Kampagnen entsprechend personalisieren.

Zudem bietet Big Data euch einen Wettbewerbsvorteil gegenüber anderen Unternehmen in eurer Branche. Euch stehen Insider-Kenntnisse zu Markttrends sowie Erkenntnisse zur Verfügung, sodass ihr eure Aktivitäten schnell und flexibel an die sich ändernden Anforderungen eurer Kundinnen und Kunden anpassen könnt.

Als Nächstes sehen wir uns einige Nutzungsszenarien für Big Data an.

Was sind gängige Nutzungsszenarien für Big Data?

Es führt nichts daran vorbei: Führungskräfte müssen verstehen, wie Big Data die einzelnen Abteilungen und die allgemeine Produkt-Roadmap beeinflussen kann.

Zu den Nutzungsszenarien von Big Data gehören:

• Abläufe: Ihr könnt mithilfe von Big Data eure Logistikkette optimieren, indem ihr Prognosen zur Nachfrage erstellt, Echtzeit-Inventar-Management durchführt und prädiktive Wartung betreibt.
• Machine Learning: Mit Big Data könnt ihr Modelle für maschinelles Lernen trainieren, um prädiktive Analysen durchzuführen. Auf je mehr Daten ihr zugreifen könnt, desto genauer werden die Vorhersagen.
• Sicherheit: Ihr könnt Bedrohungen für vertrauliche Informationen sowie Betrug aller Art erkennen, indem ihr Big Data untersucht und Algorithmen für maschinelles Lernen anwendet.
• Produktentwicklung: Ihr könnt mithilfe von Big Data feststellen, wie sich eure Produkte entwickeln. Auswertungen von Testmärkten, Fokusgruppen und Social Media sind hervorragend geeignet, um die Problembereiche der Kundinnen und Kunden zu verstehen – und zu betonen.

Nachdem ihr einige der wichtigen Nutzungsszenarien für Big Data kennengelernt habt, sehen wir uns nun einige Best Practices zum Erstellen der bestmöglichen Big-Data-Strategie an .

Was sind wichtige Best Practices in Bezug auf Big Data?

Ein Big-Data-Ansatz muss vor allem strategisch angegangen werden, damit euer Unternehmen ihn optimal nutzen kann.

Orientiert euch an den folgenden Best Practices :

• Geht es langsam an und stellt die richtigen Fragen. Bessere Verwaltung von Big Data bringt einen höheren Reifegrad mit sich. Wenn ein Unternehmen erstmals Daten untersucht, sollte es die Sache langsam angehen und sicherstellen, dass die richtigen Fragen gestellt werden.
• Optimiert die Verwaltung der Datenqualität. Es genügt nicht, Daten einfach nur zu erfassen. Unternehmen müssen in der Lage sein, auf die Daten zuzugreifen, sie zu analysieren und zu formatieren. Die Arbeit mit unstrukturierten und teilstrukturierten Daten ist oft schwierig. Ohne geeignete Verwaltung verursachen die Daten hohe Kosten, ohne wirklich Vorteile zu bieten.
• Richtet Kontrollen ein, um die Einhaltung von Compliance-Vorschriften zu gewährleisten. Unternehmen müssen typischerweise Vertragspflichten einhalten, die festlegen, wie lange sie Daten aufbewahren dürfen. Diese Vertragspflichten sind sehr unterschiedlich und hängen von den Gesetzen an den verschiedenen geografischen Standorten ab. Außerdem fordern Kundinnen und Kunden unter Umständen dazu auf, ihre Daten zu löschen. Wenn diese Anfragen eingehen, müssen Unternehmen zur Einhaltung der Datenschutzvorschriften sicherstellen, dass sie alle mit dieser Kundin bzw. diesem Kunden zusammenhängenden Daten von ihren Systemen löschen.

Im letzten Abschnitt dieses Artikels sehen wir uns die nähere Zukunft von Big Data an.

Wie wird sich die Nutzung von Big Data zukünftig verändern?

Ein Trend bei der Nutzung von Big Data ist die zunehmende Geschwindigkeit, mit der Erkenntnisse zur Verfügung stehen, Entscheidungen getroffen und Aktionen eingeleitet werden können.

Unternehmen müssen in Echtzeit auf Kundenverhalten reagieren können. Vor einigen Jahren konnten Unternehmen die erfassten Daten 24–48 Stunden ungenutzt lassen. Heute müssen sie jedoch sofort reagieren, sodass sie Technologien benötigen, die große Datenmengen sofort nach dem Eingang für Analysen verwenden können.

In der Welt der Big Data vollzieht sich ein großer Wechsel vom Batch-orientierten Ansatz zu Echtzeit-Prozessen. Maschinelles Lernen und künstliche Intelligenz (KI) sind für die Beschleunigung von Big-Data-Analysen unverzichtbar.

Unterstützt von Adobe Sensei nutzt Adobe Analytics KI, um prädiktive Erkenntnisse auf Basis aller eurer Daten auszugeben. Wenn ihr bereit für die ersten Schritte seid, wandelt Adobe Analytics Echtzeit-Daten in Echtzeit-Erkenntnisse um.

Seht euch ein Übersichtsvideo an oder fordert eine Demo an, um zu erfahren, wie Adobe Analytics das Potenzial eurer Big Data optimieren kann.