Verbringt Ihr Unternehmen mehr Zeit mit der Datenaufbereitung als mit der Datenanalyse? Ein Fokus auf Big Data Analytics wird zu mehr Ergebnissen führen.
Überblick
Bei der Beantwortung dieser Frage können diverse Metaphern herangezogen werden.
Es ist wichtig zu verstehen, dass Big Data-Analytics kein Ansatz oder Tool ist. In einigen Situationen werden Big Data-Visualisierungen benötigt, in anderen vernetzte Analysen. Tatsächlich besteht ein Risiko für Organisationen, die in ihrem Denken zu anwendungsorientiert sind. Verschiedene Arten der Big Data-Analyse passen in verschiedenen Kontexte. Wie so vieles bei Big Data kommt es auch hier auf die geschäftlichen Probleme und Ziele an. Suchen Benutzer…
…zeitliche Muster oder geografische Ansichten von Marktdaten?
…verfahrenstechnische Erkenntnisse aus Maschinenprotokollen oder Sensordaten?
…Korrelationen von Verhaltensmustern für ein einzelnes Produkt, mehrere Produkte oder ein noch zu lancierendes Produkt?
Bei Big Data Analytics geht es oft um Vorhersagefähigkeit – darum, eine Nadel zu finden, bevor sie im Heuhaufen verloren geht, wenn man so will. Ja, Big Data-Analysen bilden die Basis für die bekannten Empfehlungs-Engines auf E-Commerce-Websites. Es geht aber auch um operatives Handeln, das von Markttrends angeleitet wird. Um tieferes Verständnis der Beziehungen zwischen Menschen und Prozessen sowie um die Definition von Mustern, die zu benutzerdefinierten Ergebnissen führen.
Yahoo! Japan setzt Big Data-Analysetools ein, um tiefe Einblicke in das Kundenverhalten zu erhalten und Dienstleistungen und zielgerichtete Anzeigen anzupassen – was zu einem ROI von 100 Millionen US-Dollar führte.
Schneller testen und scheitern – F&E-Führungskräfte können ihre Hypothesen testen, bevor sie große Investitionen tätigen. Zum Beispiel kommen in Pharma-Konzernen Big Data-Analysen zum Einsatz, um Begleiterkrankungen abzubilden und so potenzielle Risiken neuer Medikamente zu finden.
Suche nach alternativen Behandlungsmethoden – Durch die Zuordnung großer Patientendatensätze aus verschiedensten Quellen können Gesundheitsorganisationen effektivere (und kostengünstigere) Behandlungen finden – etwa gegen Schmerzen oder Physiotherapie statt einer Operation.
Reichhaltigere Kundenprofile - Risikometriken bezüglich Abwanderungstendenzen von Kunden sind gut. Noch besser ist es, wenn das Marketing weiß, welche Kunden den Einsatz verschwenderischer Treueprogramme wert sind. Und welche Kunden man besser der Konkurrenz überlässt.
Modellierung für schwarze Schwäne - Big Data-Risikomodellierungen durch Korrelation von Schadensdaten helfen Versicherern, sich auf das Undenkbare vorzubereiten (das sogenannte "Black Swan"-Szenario) und dafür Kapitalreserven bereitzulegen. Das hilft auch bei der Betrugsbekämpfung.
Was sind die Best Practices für Big Data? Wie können Organisationen analytisches Denken zur Norm in der strategischen Planung, Ressourcen Allokation und im Performance Management machen?
Mit einer breit angelegten Plattform für die Datenermittlung anstelle einer einzelnen Software stellen Unternehmen sicher, dass ihre Analysefunktionen für alle Arten von Daten geeignet sind, von hochstrukturierten Transaktions- und Betriebsdaten bis hin zu unstrukturierten, halbstrukturierten und multistrukturierten Daten. Eine "Ökosystem"-Sicht auf Analyseumgebungen, die Open-Source-Komponenten integrieren, lässt einen das Gesamtbild verstehen.
Ja, Big-Data-Analysen ermöglichen es Unternehmen, tiefere Kundeneinblicke als je zuvor zu gewinnen und bisher verborgene Muster zu erkennen. Es geht aber auch darum, wie diese Erkenntnisse zu Mustern führen, die dem Geschäft wirklich helfen. Denken Sie nur an den Heuhaufen und die Nadel.
Viele Daten? Oder alle Daten? Wie wichtig ist der Kontext der Daten? Hören Sie auf die Vordenker der Branche Ray Wang von Constellation Research, Martha Bennett von Forrester, Mark Smith von Ventana Research und Blake Johnson von Stanford, wenn sie über neue Perspektiven bei der Betrachtung von "großen" Daten in Ihrem Unternehmen sprechen, unabhängig von tatsächlicher Größe oder Datenmenge.