Essential Guide

Big Data: Anwendung, Datenschutz und Technologie

Eine umfassende Auswahl von Artikeln, Videos und mehr, die von unseren Redakteuren gewählt wurden.

Fünf Schritte auf dem Weg zu effektiver Big-Data-Analytics

Firmen müssen für erfolgreiche Big-Data-Analytik neben technischen Aspekten unbedingt Business-Faktoren berücksichtigen, um Mehrwert zu erzielen.

Unternehmen, die auf Lösungen für die Analyse großer Datenmengen setzen, benötigen einen durchdachten Plan für...

deren Implementierung, damit der Analyseprozess reibungslos funktioniert. Die Wahl der geeigneten Technologie stellt bei der Vorbereitung der Big-Data-Initiative nur die halbe Miete dar. Denn nachdem die Entscheidung für die richtige Datenbank-Software und die passenden Analysetools gefallen ist und diese Komponenten in die IT-Infrastruktur integriert sind, kann sich das Unternehmen auf die nächste Ebene bewegen und eine echte Erfolgsstrategie entwickeln.

Auch effektive Projektmanagement-Prozesse sind für die erfolgreiche Big-Data-Analytik unabdingbar. Für die reibungslose Implementierung sollten Unternehmen folgende fünf Schritte beachten:

Identifizieren Sie die strategisch wichtigen Daten: Big-Data-Analytics basiert per Definition auf großen Datenmengen. Das heißt aber noch lange nicht, dass Unternehmen all ihre Datenquellen oder alle Informationen einer Datenquelle untersuchen müssen. Sie müssen vielmehr ihre strategisch wichtigen Daten identifizieren, die zu wertvollen analytischen Erkenntnissen führen. Einige Beispiele: Welche Informationen muss ich kombinieren, damit ich herausfinde, mit welchen Faktoren wir unsere wichtigsten Kunden an unser Unternehmen binden? Oder welche Daten sind erforderlich, um versteckte Muster in Börsengeschäften aufzudecken? Die Konzentration auf Geschäftsziele eines Projekts in der Planungsphase schärft den Blick auf die genaue Analyse und die Daten, die notwendig sind, um diese Ziele zu erreichen. In einigen Fällen kann daher tatsächlich die Analyse des kompletten Datenbestands die Folge sein, in anderen Fällen bildet eine Teilmenge die Basis der Untersuchung.

Mehr zum Thema Big-Data-Analytics:

Big-Data-Analytics: Einsatzszenarien für die (IT-) Security.

Unternehmen erreichen höheres ROI mit Big Data und Analytics.

Information Governance und Analytics reduzieren Big-Data-Risiken.

Datenschutz: Big-Data-Analysen erfordern mehr als Anonymisierung.

IDC Prognosen für 2015: Mobile, Big Data und Analytics treiben Wachstum an.

Legen Sie effektive Geschäftsregeln fest und bewältigen sie deren Komplexität: Der Umgang mit Komplexität ist einer der wichtigsten Aspekte der meisten Big-Data-Analytics-Initiativen. Um die richtigen Analyseergebnisse zu erhalten, ist es wichtig, Verantwortliche aus den Fachabteilungen in den Prozess einzubeziehen, die täglich mit Geschäftsdaten zu tun haben. Auf diese Weise stellen Unternehmen sicher, dass bereits im Vorfeld alle notwendigen Geschäftsregeln identifiziert werden. Sobald die Regeln dokumentiert sind, können die technischen Mitarbeiter beurteilen, wie komplex die Lösung sein muss und wie viel Arbeitszeit und Manntage notwendig sind, um aus den Eingangsdaten relevante und wertvolle Erkenntnisse herauszufiltern. Dies führt in die nächste Phase der Umsetzung.

Übersetzen Sie Geschäftsregeln abteilungsübergreifend in relevante Analysen: Geschäftsregeln sind nur der erste Schritt bei der Entwicklung wirksamer Big-Data-Analytics-Anwendungen. Je ausgereifter diese bereits beim ersten Mal sind, umso weniger müssen sie später überarbeitet werden. Viele Projekte erfordern ständige Wiederholungsschleifen aufgrund mangelnder Kommunikation zwischen dem Projektteam und den Experten aus den Fachabteilungen. Permanente Kommunikation und Zusammenarbeit beschleunigen und vereinfachen den Prozess bei der Entwicklung der Analytik-Lösung.

Passen Sie das System permanent an neue Anforderungen an: Neben der anfänglichen Entwicklungsarbeit erfordern erfolgreiche Big-Data-Analytics-Projekte kontinuierliche Aufmerksamkeit und Updates. Die regelmäßige Pflege oder Überarbeitung von Datenbank-Abfragen und das Wissen über veränderte Geschäftsanforderungen sind zwar wichtig, aber stellen nur einen Aspekt der Verwaltung eines Analyseprogramms dar. Wenn die Datenmengen weiter wachsen und Business-Anwender den Analytik-Prozess besser verstehen, werden sie unweigerlich zusätzliche Fragen stellen,  die sie beantworten wollen. Das Analytik-Team muss mit diesen zusätzlichen Anforderungen zeitnah Schritt halten. Auch die Anforderungen an die Hardware und Software der Big-Data-Analytics-Infrastruktur steigen. Die Komponenten müssen in dynamischen Business-Umgebungen iterative Entwicklungsprozesse unterstützen. Ein Analysesystem wird seinen Wert im Laufe der Zeit erweisen, wenn es sich an veränderte Anforderungen anpassen lässt.

Halten Sie stets all Ihre Benutzer im Auge: Da das Interesse an Self Service bei Business Intelligence (BI) wächst,  sollten Sie nicht überrascht sein, dass der Fokus auf die Endnutzer einen Schlüsselfaktor in Big-Data-Analytics-Programmen darstellt. Natürlich ist eine stabile IT-Infrastruktur wichtig, die große Datenmengen und sowohl strukturierte als auch unstrukturierte Informationen verarbeiten kann. Das Gleiche gilt auch für die Entwicklung eines einfach zu bedienenden Systems, das den unterschiedlichen Bedürfnissen der Nutzer Rechnung trägt. Verschiedene Arten von Menschen - von Führungskräften über operativ Tätige bis hin zum Business Analysten und Statistiker - werden in unterschiedlicher Art und Weise auf die Big-Data-Analytics-Anwendungen zugreifen.

Wenn die Stakeholder das Tool akzeptieren und gerne mit ihm arbeiten, bildet dies eine wichtige Voraussetzung für den Erfolg des gesamten Projekts. Dazu sind verschiedene Ebenen der Interaktivität erforderlich, die den Erwartungen der Benutzer und ihren Erfahrungen mit Analysetools entsprechen. Ein Beispiel ist der Aufbau von Dashboards und Visualisierungen, um die Ergebnisse anschaulich und leicht verständlich Führungskräften und anderen Mitarbeitern zu präsentieren, die keine eigenen Abfragen für die Analyse großer Datenmengen starten können.

Es gibt nicht den Königsweg für erfolgreiche Big-Data-Analyse. Wenn sie aber bestimmte Frameworks einsetzen und Best Practices wie die fünf genannten Tipps beherzigen, bringen Unternehmen ihre Big-Data-Initiativen auf dem richtigen Weg. Die technischen Details einer Big-Data-Installation sind komplex und müssen tiefgehend analysiert werden. Doch das allein genügt nicht: Unternehmen müssen neben den technischen Aspekten auch die Business-Faktoren berücksichtigen. Diese ganzheitliche Betrachtung stellt sicher, dass ihre Investitionen in Big-Data-Analytics die gewünschten Ergebnisse liefern.

Über den Autor:

Lindsay Wise ist Gründerin von WiseAnalytics, einem unabhängigen Marktforschungsunternehmen mit Sitz in Toronto. WiseAnalytics fokussiert sich auf Business Intelligence, Stammdatenmanagement und das Management von unstrukturierten Daten.

 

Folgen Sie SearchEnterpriseSoftware.de auch auf Twitter, Google+ und Facebook!

Artikel wurde zuletzt im April 2015 aktualisiert

Pro+

Premium-Inhalte

Weitere Pro+ Premium-Inhalte und andere Mitglieder-Angebote, finden Sie hier.

Diskussion starten

Schicken Sie mir eine Nachricht bei Kommentaren anderer Mitglieder.

Mit dem Absenden dieser Daten erklären Sie sich bereit, E-Mails von TechTarget und seinen Partnern zu erhalten. Wenn Ihr Wohnsitz außerhalb der Vereinigten Staaten ist, geben Sie uns hiermit Ihre Erlaubnis, Ihre persönlichen Daten zu übertragen und in den Vereinigten Staaten zu verarbeiten. Datenschutz

Bitte erstellen Sie einen Usernamen, um einen Kommentar abzugeben.

- GOOGLE-ANZEIGEN

SearchSecurity.de

SearchStorage.de

SearchNetworking.de

SearchDataCenter.de

Close