Checkliste: 4 Schritte zum Big-Data Use-Case

Nach Cloud ComputingCloud Computing wird mit Big DataBig Data die nächste Sau durchs Dorf getrieben. Big Data verspricht große Chancen - und große Herausforderungen. Potenzial ist vorhanden, die Technologien sind einsatzbereit. Was fehlt, sind passende Use Cases. Alles zu Big Data auf CIO.de Alles zu Cloud Computing auf CIO.de

Steria Mummert Consulting empfiehlt vier Schritte, die den Megahype zur praktischen Anwendung machen.

1. Aufklärungsarbeit leisten

Die Diskussion um Big Data wird derzeit sehr breit und vielschichtig geführt. Big Data ist nicht einfach "mehr Daten" in etablierter Form zu verarbeiten, vielmehr geht es um das Enabling datengetriebener Geschäftsmodelle. Um sicherzustellen, dass man in Unternehmen bei Big Data nicht aneinander vorbei redet, muss in einem ersten Schritt ein gemeinsames Verständnis geschaffen werden. Nur so können gängige Mythen und Irrtümer zu Big Data ("Big Data ist nur Hadoop!", "Big Data löst all unsere Performance Probleme",…) rechtzeitig entschärft werden, und sämtlichen relevanten Stakeholder für die weitere Big Data Initiative eingebunden werden.

2. Den originären Nutzen von Big Data finden

Fundierte Use Cases rechtfertigen den Erfahrungsaufbau mit den teilweise neuen Technologien und Architekturen – nicht andersherum. Die Suche nach Anwendungsgebieten für Big Data ist insofern die wichtigste Aufgabe der Big Data Initiative. Dabei sollte eins klar sein: Es gibt nicht die eine Killer-Idee, sondern Big Data setzt sich nur branchenspezifisch durch.

Das Spektrum der branchenspezifischen Use Cases ist vielfältig und der Kreativität sind dabei kaum Grenzen gesetzt. Die Möglichkeiten reichen von der Auswertung von Daten in den sozialen Netzwerken, um frühzeitig Stimmungen und Meinungen gegenüber dem eigenen Unternehmen und deren Angeboten zu erkennen, über die Analyse von Sensor-Daten mit der Zielsetzung, genauere Prognosen zu Wartungsbedarfen vorzunehmen, bis hin zur Nutzung von Geoinformationen, um Kunden mit Location Based Services, also den (potenziellen) Kunden an seinem aktuellen Standort einen Mehrwert adressieren zu können.

Die entscheidende Frage ist: Wie entwickeln Unternehmen ihre Big Data Use Cases? Hierfür gibt es grundsätzlich zwei Ansätze: Bottom Up und Top Down.

• Der Bottom Up-Ansatz untersucht die zur Verfügung stehenden Daten und analysiert, welche Erkenntnisse daraus abgeleitet werden können.

• Der Top Down-Ansatz adaptiert vielversprechende Anwendungen aus anderen Branchen an die eigenen industriespezifischen Anforderungen. In der Praxis findet sich meist eine Kombination aus beiden Ansätzen.

3. Den Business Case evaluieren

Hilfreich bei der Konkretisierung von Use Cases ist in der Regel die Verwendung von etablierten Klassifikationen zur Beschreibung von Anwendungsfeldern. So lassen sich entlang der Dimension Analysegegenstand und Geschäftsmodell in einer Matrix vier Klassen von Big-Data-Anwendungsfällen unterscheiden.

Erste Klasse: Anwendungen für effizientere Prozesse

In einer ersten Klasse sind Anwendungen, die effizientere Prozesse und eine bessere Steuerung versprechen. So lassen sich z.B. im Einzelhandel unter Berücksichtigung unterschiedlichster Faktoren genauere Prognosen darüber anstellen, wann in welcher Menge welches Produkt verkauft und nachbestellt werden muss (Forward Demand). Branchenunabhängig wird durch Analyse von Sensordaten in Maschinen der Verschleiß prognostizierbar, um rechtzeitig Vorsorge zu treffen (Predictive Maintenance).

Zweite Klasse: Anwendungen zur Massenindividualisierung

Eine weitere Klasse bilden Anwendungen zur Massenindividualisierung. Auf Basis einer 360° Sicht auf die Kundeneigenschaften und –verhaltens kann z. B. die direkte Kundenansprache optimiert werden (Recommendation über Location-based Services). Über Mass Customization lässt sich aber auch der Prozess der Produkterstellung selbst so weit individualisieren, dass sich daraus neue Geschäftsmodelle ergeben können, zum Beispiel nutzungsbezogene Versicherungsprodukte.

Dritte Klasse: Anwendungen für Gesamteinschätzungen

Eine dritte Klasse sind Big-Data-Anwendungsfälle, die aus vielen Meinungen unterschiedlicher Marktteilnehmer eine aggregierte Gesamteinschätzung ableiten. Ein Beispiel ist die Analyse der Marken- oder Produktwahrnehmung im Internet (Sentiment Analysis). Das Geschäftsmodell bleibt davon unberührt.

Vierte Klasse: Anwendungen für neue Produkte und Geschäftsmodelle

Schließlich befinden sich in einer vierten Klasse Anwendungsfälle, die intelligente und neue Produkte ermöglichen - verbunden mit neuen Geschäftsmodellen. Dazu werden bis dato isolierte Datenquellen, die auch von unterschiedlichen Marktplayern generiert und verwaltet werden können, zusammengeführt.

Auf Basis der Konkretisierung erfolgversprechenden Use Cases sollten Unternehmen dann die Relevanz für ihr Geschäftsmodell prüfen. Neben der grundsätzlichen Vereinbarkeit des Big Data Use Cases mit der Unternehmensstrategie umfasst dies insbesondere die fachliche, wirtschaftliche, rechtliche und technische Machbarkeit.

Im Falle von positiven Ergebnisses der Machbarkeitsprüfung kann mit der eigentlichen Umsetzung des Big Data Use Cases begonnen werden.

4. BI-Hausaufgaben erledigen - Drei große Hindernisse

Baustelle eins: Datenqualität

Spätestens bei der Umsetzung trifft man zumeist auf Herausforderungen, die aus dem BI-Umfeld bereits bestens bekannt sind. Denn Big Data ergänzt bestehende BI-Architekturen und potenziert damit häufig bestehende Probleme. Die größte Herausforderung ist und bleibt dabei die Datenqualität. Dies gaben 38 Prozent der Befragten im Rahmen der Studie "Business IntelligenceBusiness Intelligence Maturity Audit (biMA 2012/13)" von Steria Mummert Consulting an. Alles zu Business Intelligence auf CIO.de

Baustelle zwei: die BI-Organisation

Baustelle Nummer zwei bleibt die BI-Organisation. 50 Prozent, der für die biMA-Studie befragten Unternehmen, haben keine dezidierte BI-Strategie. Ein ausformuliertes und gelebtes Regelwerk mit entsprechenden Prozessen und Verantwortlichkeiten, eine BI-Governance, fehlt bei 70 Prozent der Unternehmen. Diese ist elementar, wenn es darum geht, die Umsetzung der definierten BI-Strategie im operativen Tagesgeschäft sicherzustellen und insofern nicht eine praxisferne BI-Strategie für den Aktenschrank zu produzieren. Als Folge laufen BI-Aktivitäten häufig unkoordiniert und isoliert in einzelnen Abteilungen ab.

Baustelle drei: Fachkräftemangel - Data Scientists

An dritter Stelle beklagen 24 Prozent der befragten Unternehmen den Mangel an Fachkräften mit einschlägiger Erfahrung in analytischen Methoden sowie fundiertem betriebswirtschaftlichem und technischem Know-how. Gesucht wird unter anderem der "Data Scientist", der mit intelligenten Algorithmen verborgene Muster in Daten aufspüren kann und daraus neues Wissen und einen Wettbewerbsvorsprung für das Unternehmen ableiten kann.

Vier Empfehlungen für Big Data

Carsten Dittmar ist Senior Manager Enterprise Information Management bei Steria Mummert Consulting.