10 Big Data Do’s und Don’ts

Big Data wird in zahlreichen Gesch?ftsbereichen genutzt und angewendet, da Datenanalyse, künstliche Intelligenz und maschinelles Lernen immer mehr zum Mainstream werden. Big-Data-Analysen k?nnen aus dieser Fülle von Daten, die strukturiert, unstrukturiert oder halbstrukturiert sein k?nnen, den wahren Wert herausholen.

Mit dem Aufkommen der sozialen Medien haben sich viele neue M?glichkeiten ergeben, Daten über das Kundenverhalten zu sammeln. Hier sind einige Beispiele:

• Clickstream-Daten stammen von Website-Interaktionen wie Mausklicks und Scrollen auf der Webseite.
• Social Business Sites sind Online-Communities von Kunden, die bereit sind, Informationen über ihr Kaufverhalten zu teilen.
• Sensoren liefern Daten über die physische Umgebung der Kunden, wie Temperatur, Luftfeuchtigkeit und Verkehrsmuster.

Die aus der Datenanalyse gewonnenen Erkenntnisse k?nnen Unternehmen bei ihrer Entscheidungsfindung helfen. Der tats?chliche Nutzen von Big Data wird jedoch nur dann erreicht, wenn die Daten richtig verwaltet werden. Unternehmen k?nnen vermeiden, sich im Big-Data-Bereich zu verirren, indem sie sicherstellen, dass sie den Ausgangspunkt mit einfachen Anwendungsf?llen identifizieren und implementieren, um das Ergebnis schnell zu überprüfen.

Der erste Schritt vor dem Start einer Big-Data-Initiative ist die richtige Planung. Ein Unternehmen muss den Zweck des Projekts genau kennen. Sie sollten auch feststellen, welchen Wert sie extrahieren wollen und wie sich dies auf die Gesch?ftsentscheidungen auswirken wird. Der vielversprechendste Bereich sollte für den Anfang ausgew?hlt werden.

In diesem Artikel werden wir einige der Do’s and Don’ts von Big-Data-Initiativen untersuchen.

1. Kennen Sie den Zweck und die Ausgangssituation

Der Zweck der Datenerhebung und die Festlegung des Ausgangspunkts sind für den Erfolg eines jeden Big-Data-Projekts sehr wichtig. Zu Beginn sollte das Ziel darin bestehen, die vielversprechendsten Anwendungsf?lle für das Unternehmen zu ermitteln. Dies wird dem Unternehmen helfen, die Komponenten für diese Anwendungsf?lle zu identifizieren.

Danach sollte eine angemessene Planung erfolgen, um Big-Data-Techniken auf diese Anwendungsf?lle anzuwenden und wertvolle Erkenntnisse für das Unternehmenswachstum zu gewinnen. Die Priorit?t der Ausführung sollte von Faktoren wie folgenden abh?ngen:

• Kosten der Implementierung.
• Voraussichtliche Auswirkungen auf das Unternehmen.
• Zeitaufwand für die Einführung.
• Geschwindigkeit der Umsetzung.

Unternehmen sollten immer mit einer einfachen und leicht zu implementierenden Anwendung als Pilotprojekt beginnen.

2. Bewerten Sie Datenlizenzen richtig

Daten sind der Treibstoff für alle Big-Data- und Analyseprojekte. Daher ist es sehr wichtig, Ihre Daten vor Missbrauch zu schützen. Bevor Sie Anbietern oder Drittnutzern Zugang zu den Daten gew?hren, sollten die entsprechenden Lizenzbedingungen festgelegt werden. In der Datenlizenz sollten die folgenden grundlegenden Punkte klar aufgeführt sein. Darüber hinaus enth?lt die Lizenzvereinbarung noch viele weitere wichtige Parameter.

• Wer wird die Daten nutzen?
• Welche Daten werden zug?nglich sein?
• Wie werden die Daten genutzt?

Wenn die Lizenzierung versagt, haben der daraus resultierende Datenverlust und die missbr?uchliche Nutzung unbestreitbar negative Auswirkungen auf das Unternehmen.

3. Erlauben Sie die Demokratisierung von Daten

Die Datendemokratisierung kann als ein kontinuierlicher Prozess definiert werden, bei dem jeder im Unternehmen auf die Daten zugreifen kann. Die Mitarbeiter eines Unternehmens sollten sich im Umgang mit den Daten wohl fühlen und ihre Meinung selbstbewusst ?u?ern k?nnen.

Die Datendemokratisierung hilft Unternehmen, agiler zu werden und datengestützte Gesch?ftsentscheidungen zu treffen. Dies kann durch die Einführung eines geeigneten Prozesses erreicht werden. Erstens sollten die Daten für alle Ebenen zug?nglich sein, unabh?ngig von der Organisationsstruktur. Zweitens sollte nach der Validierung der Daten eine einzige Quelle der Wahrheit (die so genannte “Golden Source”) eingerichtet werden. Drittens sollte jeder die M?glichkeit haben, die Daten zu überprüfen und seinen Beitrag zu leisten. Viertens k?nnen die neuen Ideen getestet werden, indem kalkulierte Risiken eingegangen werden. Wenn die neue Idee erfolgreich ist, kann die Organisation weitermachen, andernfalls kann sie als eine Lektion betrachtet werden, die sie gelernt hat.

4. Bauen Sie eine Kultur der Zusammenarbeit auf

Bei Big Data ist die Zusammenarbeit zwischen den verschiedenen Abteilungen und Gruppen eines Unternehmens sehr wichtig. Eine Big-Data-Initiative kann nur dann erfolgreich sein, wenn auf allen Ebenen eine angemessene Organisationskultur geschaffen wird, unabh?ngig von den jeweiligen Aufgaben und Zust?ndigkeiten.

Die Leitung eines Unternehmens sollte eine klare Vision für die Zukunft haben und neue Ideen f?rdern. Alle Mitarbeiter und ihre Abteilungen sollten die Option haben, M?glichkeiten zu finden und Konzepte zu entwickeln, um diese zu validieren. Es sollte nicht ganz und gebe sein Schuldzuweisungen zu machen und das Spiel zu stoppen. Es handelt sich immer um einen Lernprozess, der sowohl bei Erfolg als auch bei Misserfolg gleicherma?en akzeptiert werden muss.

5. Evaluieren Sie die Big-Data-Infrastruktur

Der Infrastrukturteil eines jeden Big-Data-Projekts ist ebenso wichtig. Das Datenvolumen wird in Petabytes gemessen, die verarbeitet werden, um Erkenntnisse zu gewinnen. Aus diesem Grund müssen sowohl die Speicher- als auch die Verarbeitungsinfrastruktur richtig bewertet werden.

Rechenzentren werden für Speicherzwecke verwendet und müssen daher im Hinblick auf Kostenkomponenten, Verwaltung, Backup, Zuverl?ssigkeit, Sicherheit, Skalierbarkeit und viele andere Faktoren bewertet werden.

Auch die Verarbeitung von Big Data und die zugeh?rige technologische Infrastruktur müssen vor dem Abschluss des Gesch?fts sorgf?ltig geprüft werden. Cloud-Dienste sind im Allgemeinen sehr flexibel in Bezug auf Nutzung und Kosten. Zu den etablierten Cloud-Anbietern geh?ren gro?e Namen wie AWS, Azure und GCP, aber es gibt noch viele weitere Anbieter auf dem Markt.

6. Verlieren Sie sich nicht in der Datenflut

Eine gute Datenverwaltung ist für den Erfolg von Big-Data-Projekten sehr wichtig. Vor der Implementierung sollte eine angemessene Datenerfassungsstrategie geplant werden. Im Allgemeinen besteht die Tendenz, alle Altdaten eines Unternehmens zu sammeln. Aber all diese Daten passen m?glicherweise nicht gut zu den aktuellen Gesch?ftsszenarien. Daher ist es wichtig, zun?chst die gesch?ftlichen Anwendungsf?lle zu ermitteln und festzulegen, wo die Daten verwendet werden sollen.

Sobald die Datenstrategie klar definiert ist und eine direkte Verbindung zu der gewünschten Gesch?ftsanwendung besteht, kann der n?chste Schritt der Implementierung geplant werden. Danach k?nnen neue Daten hinzugefügt werden, um das Modell und seine Effizienz zu verbessern.

7. Vergessen Sie nicht Open Source

Die Nützlichkeit der von Ihnen in Betracht gezogenen Technologie sollte auf der Grundlage der Gr??e des Projekts und des Unternehmensbudgets bewertet werden. Viele Open-Source-Plattformen stehen für die Durchführung von Pilotprojekten kostenlos zur Verfügung. Kleine und mittelgro?e Unternehmen k?nnen diese Open-Source-L?sungen nutzen, um ihre Big-Data-Reise zu beginnen. Das Hauptaugenmerk des Unternehmens sollte also auf dem Output und dem ROI liegen.

Hadoop ist ein Open-Source-Software-Framework, das HDFS (das Hadoop Distributed File System) und MapReduce verwendet, um Big Data auf Clustern von Standard-Hardware zu analysieren, d. h. in einer verteilten Datenverarbeitungsumgebung.

Die Big-Data-Bewegung ist inzwischen so weit gereift, dass Hadoop zum De-facto-Standard für die Verarbeitung gro?er Datenmengen geworden ist. MapReduce ist ein Programmiermodell für die Verteilung von Daten und deren parallele Verarbeitung auf einem Cluster von Computern unter Verwendung einfacher Programmiermodelle. Es wurde von Google für die effiziente Verarbeitung gro?er Datenmengen auf gro?en Computerclustern entwickelt.

8. Beginnen Sie nicht ohne angemessene Planung

Es ist ein sehr gef?hrlicher Trend, alle Big-Data-Projekte auf einmal zu starten. Dieser Ansatz wird wahrscheinlich nur zu einem Teilerfolg oder einem v?lligen Misserfolg führen. Unternehmen sollten vor dem Start ihrer Big-Data-Initiativen gründlich planen und nicht alles auf eine Karte setzen oder einen Vertrauensvorschuss geben. Es ist immer empfehlenswert, mit einer einfachen, kleinen und messbaren Anwendung zu beginnen.

Sobald das Pilotprojekt erfolgreich ist, kann es in gro?em Ma?stab umgesetzt werden. Wichtig ist, dass man sich die Zeit nimmt, einen Plan zu entwickeln und das Pilotprojekt sorgf?ltig ausw?hlt.

9. Vernachl?ssigen Sie nicht die Sicherheit

Die Datensicherheit ist ein weiterer wichtiger Aspekt von Big-Data-Projekten. In jedem Big-Data-Szenario werden Petabytes von Daten aus verschiedenen Quellsystemen gezogen und dann verarbeitet. Die verarbeiteten Daten sind der Input für das Analysemodell. Das Ergebnis der Analyse ist ein wertvoller Einblick in das Unternehmen. Sobald die Rohdaten verfeinert und aussagekr?ftige Informationen aus den Rohdaten gewonnen wurden, wird die Vertraulichkeit, Integrit?t und Verfügbarkeit (Confidentiality, Integrity and Availability – CIA) dieser Informationen entscheidend.

Wenn die Daten wichtige Gesch?ftsinformationen enthalten, werden sie für das Unternehmen wertvoll. Daher müssen diese Daten vor externen Bedrohungen, wie beispielsweise einem Cyber-Angriff, geschützt werden. Die Datensicherheit muss als Teil des Lebenszyklus der Big-Data-Implementierung geplant werden.

10. Konzentrieren Sie sich nicht auf isolierte Gesch?ftsbereiche

In dem komplexen Gesch?ftsszenario von heute ist es nicht hilfreich, sich auf eine einzelne Gesch?ftseinheit zu konzentrieren. Unternehmen sollten das Gesch?ft als Ganzes betrachten und in einer globalen Perspektive denken. Am besten ist es, in kleinen Schritten vorzugehen und eine globale Sichtweise beizubehalten. Der Fokus sollte ganzheitlich auf die einzelnen Gesch?ftsbereiche gerichtet sein. Das wird sich positiv auswirken und einen besseren ROI bringen.

Fazit

Es gibt keinen spezifischen Erfolgsweg für die Implementierung von Big Data. Vielmehr ist es eine Kombination aus Planung, Strategie, Ansatz und verschiedenen anderen Faktoren, die zum Erfolg führt.

Jedes Unternehmen hat ein bestimmtes Ziel zu erreichen, daher sollte die Strategie entsprechend geplant werden, das Pilotprojekt muss sorgf?ltig ausgew?hlt werden, und die daraus resultierenden Informationen müssen geschützt und richtig behandelt werden.