Gold aus dem Datenberg schürfen

Big Data am Bankautomaten

Dennoch sind Vorfälle, bei denen sehr hohe Mengen an Daten in höchst unterschiedlichen Formaten anfallen, und die dabei nach schnellstmöglicher Verarbeitung verlangen, in der Praxis mittlerweile immer häufiger. Sie können buchstäblich überall im Alltag auftauchen. Zum Beispiel werden aufgrund vieler Betrugsvorfälle in der Vergangenheit inzwischen immer mehr Geldautomaten mit besonderen Überwachungssystemen ausgestattet, mit so genannten Anti-Fraud-Systemen. Dabei überwachen hochauflösende Kameras die Automaten, die wiederum mit intelligenter Auswertungssoftware verbunden sind. Registrieren diese Systeme bei einer Kundeninteraktion am Automaten bestimmte Unregelmäßigkeiten oder meldet das Banksystem Auffälligkeiten bei einer Transaktion, dann setzen sich Automatismen in Gang, die helfen sollen, Schaden abzuwenden. Das können zum Beispiel Warnmeldungen per SMS oder E-Mail an die Sicherheitskräfte oder andere Abteilungen sein.

Das Beispiel mag einfach klingen, dennoch ist es ein klassischer Big-Data-Fall: Erstens muss das System große Datenmengen verarbeiten. Die Videokameras arbeiten mit hoher Auflösung, um Details zu berücksichtigen, die übermittelten Dateien sind entsprechend groß (Volume-V). Zweitens handelt es sich hier nicht um strukturierte Daten, die von relationalen Datenbanken einfach verarbeitet werden können. Videobilder zählen zu den unstrukturierten Daten. Das heißt, ihr Informationsgehalt muss erst von einem intelligenten Analysesystem erschlossen und zur Anschauung gebracht werden (Variety-V). Und drittens muss das System möglichst schnell, bestenfalls in Echtzeit, arbeiten, sonst verfehlt es sein Ziel, den Betrug zu verhindern (Velocity-V).

Das Beispiel zeigt zugleich, dass man über Big Data nicht mithilfe eines Produkts von der Stange Herr wird. Zwar gibt es standardisierte Systeme, so genannte Appliances, bei denen Hardware und Software in puncto Prozessorleistung, Datenbank und Speicherplatz bereits auf den Big-Data-Bedarf optimiert sind. Und technologische Entwicklungen wie In-Memory-Datenverarbeitung, Hadoop-No-SQL oder massiv parallel verarbeitende Rechensysteme ermöglichen bereits die Bewältigung des Phänomens. Um daraus jedoch auch Kapital zu schlagen, bedarf es ganz individueller Lösungen. Und diese sind abhängig vom jeweiligen Business-Case.

Auf die Datenwelle springen

Die eigentliche Chance für ein Unternehmen liegt heute darin, die Daten auch für sich zu nutzen. In der Branche machte vor Kurzem noch das Sprichwort „Data is the new Oil“ die Runde. Google oder Facebook haben schon lange erkannt, welche Möglichkeiten dahinter stecken, und immer mehr Unternehmen schauen in die Richtung dieser Informationsgiganten und stellen sich die Frage: Was genau könnte ich mit meinen Daten alles machen? Und damit sind sie dicht an der eigentlichen Frage, um die sich alles dreht: Welche Informationen geben mir einen echten Vorteil?

Im Big-Data-Zeitalter kommt es in hohem Maße auf die Kreativität der Fragestellung an. Zum Beispiel wäre es in einem Call-Center vorteilhaft zu wissen, welche wirklichen Einstellungen Tonlage oder Wortwahl eines Kunden offenbaren und diese mit seinem Kaufverhalten oder seiner Abwanderungswilligkeit zu erreichen. Oder für welches exakte Kundensegment ein bestimmtes Angebot überhaupt relevant ist. Oder welche Risiken mit dem Handel von bestimmten Waren verbunden sind. Big Data ist für mehr Antworten gut, als man sich bislang vorzustellen wagt.

Erst am Anfang der Entwicklung

Die Technologien zur Analyse und Auswertung gewinnen dabei enorm an Bedeutung. Ein wichtiges Feld ist die Erschließung der semantischen Dimension der Daten. Vor allem im Hinblick auf die wachsende Social-Media-Bedeutung ist diese Entwicklung zum Beispiel für die Konsumgüterindustrie von enormem Interesse. Nie zuvor haben Konsumenten so viele Informationen von sich öffentlich preisgegeben. Richtig erschlossen, offenbaren diese Daten wertvolle Informationen über die Akzeptanz einer Marke oder Einstellungsänderungen bei den Kunden.

Ein weiterer wichtiger Entwicklungsbereich ist das Thema Vorhersagen. Durch Analyse- und Statistiksoftware lassen sich heute Datensätze in viel umfassenderem Sinne vergleichen, als es bisher möglich war. Dadurch offenbaren sich Zusammenhänge, die vorher schlicht nie in Erscheinung treten konnten. Das spielt heute zum Beispiel schon in der Automobilindustrie eine Rolle: Dank der Analyse von Kundenwiederholdaten (Informationen, wegen welcher Art von Reparaturen Kunden vermehrt Werkstätten aufsuchen) erhalten Hersteller neue Erkenntnisse, die in die Forschung und Produktion einfließen können. Insgesamt lässt sich durch die Analyse die Rate an so genannten Repeat-Repairs deutlich senken.

Ein weiteres wichtiges Entwicklungsfeld im Zusammenhang der Big-Data-Erschließung ist die Informationsdarstellung. Selbst das interessanteste Analyseergebnis hilft dem Entscheider wenig, wenn es in einer Excel-Tabelle vergraben ist. Bei der Fülle an Informationen muss er buchstäblich mit der Nase darauf gestoßen werden. Hier helfen mittlerweile Erkenntnisse aus der Kognitionswissenschaft, die Informationen für die Entscheider so darstellen, dass sie diese schnellstmöglich verarbeiten und nutzen können. Auch Entwicklungen im Bereich Augmented Reality unterstützen die modernen „Sehhilfen“ im Informationsdickicht von heute.

All diese Beispiele und Trends im Bereich Big Data offenbaren aber noch etwas anderes: Big Data ist ein Trend, der das gesamte Business angeht und keinesfalls in der IT-Abteilung abgestellt werden darf. Den Big-Data-Trend werden nur diejenigen nutzen können, die die richtigen Fragen stellen, nämlich Businessfragen. Erst so wird klar, wo im Unternehmen das Big-Data-Thema aufgehängt sein sollte: bei den Geschäftsentscheidern. Diese haben sich lange Zeit mit Prozessoptimierung beschäftigt. Big Data hat das Potenzial, eine neue Ära für sie einzuläuten: die Ära der Entscheidungsoptimierung.

Christian Kirschniak ist Partner bei der IBM Unternehmensberatung Global Business Services und für Enterprise Information Management zuständig. Er ist ein erfahrener Executive in der Beratung und Systemintegration, hat aber auch die kommerzielle Entwicklung von Analytics-Lösungen und weltweite Organisationen in diesem Bereich erfolgreich geleitet und geprägt. In diesem Zusammenhang hat er umfassende Analytics- und Data-Warehouse-Projekte verantwortet und gestaltet. Seine fachlichen Schwerpunkte liegen in der strategischen Nutzung von Informationen im Unternehmen, in der Durchführung von BI- und DWH-Programmen und auf Big Data.
Kommentare

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.