Überprüft von 
Big Data wird in zahlreichen Geschäftsbereichen genutzt und angewendet, da Datenanalyse, künstliche Intelligenz und maschinelles Lernen immer mehr zum Mainstream werden. Big-Data-Analysen können aus dieser Fülle von Daten, die strukturiert, unstrukturiert oder halbstrukturiert sein können, den wahren Wert herausholen.
Mit dem Aufkommen der sozialen Medien haben sich viele neue Möglichkeiten 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 können Unternehmen bei ihrer Entscheidungsfindung helfen. Der tatsächliche Nutzen von Big Data wird jedoch nur dann erreicht, wenn die Daten richtig verwaltet werden. Unternehmen können vermeiden, sich im Big-Data-Bereich zu verirren, indem sie sicherstellen, dass sie den Ausgangspunkt mit einfachen Anwendungsfällen 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 Geschäftsentscheidungen auswirken wird. Der vielversprechendste Bereich sollte für den Anfang ausgewählt 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 Anwendungsfälle für das Unternehmen zu ermitteln. Dies wird dem Unternehmen helfen, die Komponenten für diese Anwendungsfälle zu identifizieren.
Danach sollte eine angemessene Planung erfolgen, um Big-Data-Techniken auf diese Anwendungsfälle anzuwenden und wertvolle Erkenntnisse für das Unternehmenswachstum zu gewinnen. Die Priorität der Ausführung sollte von Faktoren wie folgenden abhängen:
- 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 gewähren, sollten die entsprechenden Lizenzbedingungen festgelegt werden. In der Datenlizenz sollten die folgenden grundlegenden Punkte klar aufgeführt sein. Darüber hinaus enthält die Lizenzvereinbarung noch viele weitere wichtige Parameter.
- Wer wird die Daten nutzen?
- Welche Daten werden zugänglich sein?
- Wie werden die Daten genutzt?
Wenn die Lizenzierung versagt, haben der daraus resultierende Datenverlust und die missbräuchliche 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 äußern können.
Die Datendemokratisierung hilft Unternehmen, agiler zu werden und datengestützte Geschäftsentscheidungen zu treffen. Dies kann durch die Einführung eines geeigneten Prozesses erreicht werden. Erstens sollten die Daten für alle Ebenen zugänglich sein, unabhängig 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 Möglichkeit haben, die Daten zu überprüfen und seinen Beitrag zu leisten. Viertens können 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, unabhängig von den jeweiligen Aufgaben und Zuständigkeiten.
Die Leitung eines Unternehmens sollte eine klare Vision für die Zukunft haben und neue Ideen fördern. Alle Mitarbeiter und ihre Abteilungen sollten die Option haben, Möglichkeiten 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 gleichermaßen 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, Zuverlässigkeit, Sicherheit, Skalierbarkeit und viele andere Faktoren bewertet werden.
Auch die Verarbeitung von Big Data und die zugehörige technologische Infrastruktur müssen vor dem Abschluss des Geschäfts sorgfältig geprüft werden. Cloud-Dienste sind im Allgemeinen sehr flexibel in Bezug auf Nutzung und Kosten. Zu den etablierten Cloud-Anbietern gehören große 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 möglicherweise nicht gut zu den aktuellen Geschäftsszenarien. Daher ist es wichtig, zunächst die geschäftlichen Anwendungsfälle zu ermitteln und festzulegen, wo die Daten verwendet werden sollen.
Sobald die Datenstrategie klar definiert ist und eine direkte Verbindung zu der gewünschten Geschäftsanwendung besteht, kann der nächste Schritt der Implementierung geplant werden. Danach können 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 Größe des Projekts und des Unternehmensbudgets bewertet werden. Viele Open-Source-Plattformen stehen für die Durchführung von Pilotprojekten kostenlos zur Verfügung. Kleine und mittelgroße Unternehmen können diese Open-Source-Lösungen 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 großer 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 großer Datenmengen auf großen Computerclustern entwickelt.
8. Beginnen Sie nicht ohne angemessene Planung
Es ist ein sehr gefährlicher Trend, alle Big-Data-Projekte auf einmal zu starten. Dieser Ansatz wird wahrscheinlich nur zu einem Teilerfolg oder einem völligen 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 großem Maßstab umgesetzt werden. Wichtig ist, dass man sich die Zeit nimmt, einen Plan zu entwickeln und das Pilotprojekt sorgfältig auswählt.
9. Vernachlässigen 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 aussagekräftige Informationen aus den Rohdaten gewonnen wurden, wird die Vertraulichkeit, Integrität und Verfügbarkeit (Confidentiality, Integrity and Availability – CIA) dieser Informationen entscheidend.
Wenn die Daten wichtige Geschäftsinformationen 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 Geschäftsbereiche
In dem komplexen Geschäftsszenario von heute ist es nicht hilfreich, sich auf eine einzelne Geschäftseinheit zu konzentrieren. Unternehmen sollten das Geschäft 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 Geschäftsbereiche 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 sorgfältig ausgewählt werden, und die daraus resultierenden Informationen müssen geschützt und richtig behandelt werden.
