Überblick
Mit einem zunehmend unübersichtlichen Angebot an Big Data-Technologie haben viele Unternehmen Schwierigkeiten, die richtigen Lösungen zu finden. Wo fangen Sie also an? Erfahren Sie, was es für eine integrierte, kostengünstige und skalierbare Big Data-Umgebung braucht.
Big Data zum Laufen bringen
Selbst Unternehmen, die sich voll und ganz Big Data verschrieben, den Business Case definiert und die Phase des "Wissenschaftsprojekts" hinter sich gelassen haben, stehen vor einer kniffligen Frage: Wie bringen wir Big Data zum Laufen?
Der massive Hype um und die verwirrende Auswahl an Big Data-Technologien machen es schwierig. Ziel muss es sein, eine basale Big Data-Umgebung zu entwerfen und aufzubauen, die kostengünstig und komplex zugleich ist. Sie muss stabil, hochintegriert und skalierbar genug sein, um das gesamte Unternehmen in Richtung echter Daten- und Analysezentrierung zu bewegen.
Wenn Daten und Analytics im Zentrum stehen, dann stehen auch allen Bereichen des Unternehmens die Potentiale von Big Data und Big Data-Analytics zur Verfügung. Mit der richtigen Infrastruktur, den passenden Datenströmen und brauchbaren Toolsets lassen sich wertvolle Erkenntnisse gewinnen, bessere Entscheidungen treffen und tatsächliche Geschäftsprobleme lösen. So sollte Big Data funktionieren.
Big Data als Business Engine
Sie fragen sich, wo man anfangen soll? Stellen Sie sich Big Data als Motor vor. Um die Leistung zu steigern, müssen Sie die richtigen Komponenten nahtlos, stabil und nachhaltig zusammenbauen. Zu diesen Komponenten gehören:
- Datenquellen: Das sind funktionale Systeme, Maschinenprotokolle und Sensoren, das Web und Social Media-Kanäle und vieles andere
- Datenplattformen, Warehouses und Discovery-Plattformen: Sie dienen der Erfassung und Verwaltung von Daten und dann – das ist entscheidend – deren Umwandlung in Kundeneinblicke zur Generierung von Maßnahmen
- Big Data-Analytics-Tools und -Apps: Das ist das "Frontend", das von Führungskräften, Analysten, Managern und anderen verwendet wird, um auf Kundeneinblicke zuzugreifen, Szenarien zu modellieren und anderweitig ihre Arbeit zu erledigen und das Geschäft zu verwalten.
Auf dieser Ebene geht es darum, die volle Leistung von Big Data-Assets auszuschöpfen, um tatsächlich Geschäftswert zu schaffen. Damit alles zusammenarbeitet, bedarf es eines strategischen Big Data-Designs und einer durchdachten Big Data-Architektur, die nicht nur aktuelle Datenströme und Repositories untersucht, sondern auch spezifische Geschäftsziele und längerfristige Markttrends berücksichtigt. Mit anderen Worten, es gibt nicht nur einen Entwurf, um Big Data zum Laufen zu bringen.
Angesichts der Tatsache, dass Big Data erst morgen an Bedeutung zulegen wird, sollten eine entsprechende Infrastrukturen als Investition in die Zukunft betrachtet werden. Und ja, die Kapitalausgaben dafür können erheblich sein. Viele zukunftsorientierte Unternehmen und Early Adopters von Big Data sind jedoch zu einer überraschenden – und etwas gegenteiligen – Schlussfolgerung gelangt: Nämlich, dass die Gestaltung der richtigen Big Data-Umgebung tatsächlich zu Kosteneinsparungen führen kann. Apropos Überraschungen: Diese Kosteneinsparungen können angenehm groß und relativ bald fällig sein.
Es ist wichtig zu verstehen, dass Big Data-Technologien und -Programme mit flexiblen Frameworks mehrere Teile des Unternehmens unterstützen und den Betrieb im gesamten Unternehmen verbessern können. Andernfalls besteht die reale Gefahr, dass selbst fortgeschrittene und ehrgeizige Big Data-Projekte als gestrandete Investitionen enden. Gartner schätzt, dass 90 Prozent der Big Data-Projekte unternehmensweit genutzt oder repliziert werden. Die Big Data-Gewinner von morgen gehören heute noch zu den zehn Prozent, haben aber längst aufgehört, klein zu denken.
Attribute hocheffektiver Big Data-Umgebungen
- Nahtlose Verwendung von Datensätzen: Erkenntnisse werden durch das Mischen, Kombinieren und Kontrastieren von Datensätzen erzielt – es gibt keine analysegestützte Innovation ohne Integration
- Flexibel, kostengünstig: Ziel sind geringe Komplexität und Kosten mit ausreichender Flexibilität, um für zukünftige Anforderungen zu skalieren. Diese werden sowohl größer als auch mehr auf bestimmte Benutzergruppen ausgerichtet sein.
- Stabil: Stabilität ist wichtig, da die Datenmengen enorm sind, und Benutzer einfach darauf zugreifen und mit ihnen interagieren müssen. In diesem Sinne ist die Infrastruktur ein Schlüssel zur Steigerung der Geschäftsleistung durch Big Data.
Big Data & Hadoop: Eine Technologie, die man kennen sollte
Hadoop ist ein Dateisystem für die Speicherung jeder Art von Daten. Die meisten davon wären in der Vergangenheit verworfen worden (weil es zu schwierig und teuer gewesen wäre, sie zu nutzen). Der Wert von Big Data und Hadoop ergibt sich aus der On-the-Fly-Modellierung von tatsächlich oder potentiell nützlichen Daten.
Big Data Integration: Die wichtigste Variable
Eine begrenzte Wiederverwendbarkeit ist zu einem großen Teil schlechter Integration geschuldet. Tatsächlich kann die Integration die wichtigste Variable in der Gleichung für den Erfolg von Big Data sein.
Laut Forrester Research macht die Integration 80 Prozent des Wertes von Big Data aus. Die Idee dahinter ist, dass die wertvollsten Big Data-Sätze für die richtigen Benutzer leicht zugänglich sein müssen, und das bei robusten und klar definierten Geschäftsregeln und Governance-Strukturen. Tiefere Datensätze – Legacy-Transaktionsdaten und Long-Tail-Kundenhistorien – benötigen möglicherweise nur eine zuverlässige Speicherung und robustes Datenmanagement. Falls nötig können sie Datenwissenschaftler immer noch überprüfen und modellieren.
Bei der Big Data-Integration geht es auch darum, groß zu denken. In diesem Fall bedeutet "groß" eigentlich ganzheitlich, inklusiv und mehrdimensional. Punkte müssen miteinander verbunden, Dateninseln überbrückt, und funktionale Silos ineinandergesteckt (oder besser noch aufgelöst) werden.
Hoher Integrationsgrad. Gut gestaltete Ecosysteme. Einheitliche Architekturen. Daten- und Analysezentrierung. Diese kurze Liste umfasst nicht unbedingt jede Komponente oder jedes technische Detail, damit Big Data-Programme funktionieren. Aber sicherlich sind dies Attribute, mit denen Big Data-Programme effektiv arbeiten können.