Big Data hat ein enormes Potenzial, die Art und Weise, wie Unternehmen geführt werden, zu verändern. In diesem Jahr hat Statista einige ermutigende Erfolgsquoten von Big-Data-Projekten in Unternehmen veröffentlicht. Die branchenführenden Unternehmen auf der ganzen Welt sehen eine Reihe von Vorteilen, die ihre Big-Data-Initiativen mit sich bringen, von der Senkung der Kosten bis zur Schaffung einer datengesteuerten Kultur.
Sobald die Fortschritte der Datenanalytik es ermöglichten, große Datenmengen mit großer Geschwindigkeit zu analysieren, begannen Big Data die internen Prozesse vieler Unternehmen zu beeinflussen. Sie können bestimmen, wie Entscheidungen getroffen, Strategien entwickelt und Kundenbeziehungen aufrechterhalten werden.
In diesem Artikel gehen wir darauf ein, wie sich Big Data heute auf Unternehmen auswirkt, und skizzieren die wichtigsten Voraussetzungen dafür, dass Big Data Vorteile bringen kann.
Wie Big Data die Branchen umkrempelt
Für viele Branchen ist Big Data keine Wahl, sondern eine natürlich geprägte Realität, da die Menge an strukturierten und unstrukturierten Daten exponentiell wächst, zusammen mit einem breiten Netz von IoT-Geräten, die diese Daten erfassen.
Zu den wichtigsten Geschäftsmöglichkeiten, die sich durch Big Data für jede Branche ergeben, gehören:
- Automatisierung: Datengesteuerte IT-Infrastrukturen ermöglichen es Unternehmen, zeitaufwändige Prozesse wie die Datenerfassung und -analyse zu automatisieren.
- Trends und Erkenntnisse: Big Data offenbart verborgene Möglichkeiten und Muster, die genutzt werden können, um Produkte und Dienstleistungen auf die Bedürfnisse der Endnutzer zuzuschneiden oder die betriebliche Effizienz zu steigern.
- Datengestützte Entscheidungsfindung: Maschinen lernen auf Basis von Big Data, die als Grundlage für predictive-analytics-Software dienen, und ermöglichen so fundierte proaktive Entscheidungen.
- Kostenreduzierung: Big-Data-Erkenntnisse können zur Rationalisierung von Geschäftsprozessen genutzt werden, um unnötige Kosten zu vermeiden und die Produktivität zu steigern.
Lassen Sie uns auf spezifische Anwendungsfälle für Big Data in verschiedenen Branchen eingehen.
Große Datenanwendungen im Einzelhandel und E-Tail
Die Wettbewerber im Online- und Offline-Einzelhandel beißen sich im Kampf um die Kunden gegenseitig. Um einen sicheren Abstand zu halten, müssen Unternehmen ein vergleichsweise besseres Kundenerlebnis bieten. Big Data bietet Einzelhändlern neue Möglichkeiten, die Nase vorn zu haben und innovativ zu sein.
Personalisiertes Kundenerlebnis
Big Data ist heute einer der entscheidenden Aspekte des digitalen Kundenerlebnisses. Durch das Sammeln von Daten aus verschiedenen Kanälen, wie sozialen Medien, Anrufprotokollen, Ladenbesuchen, Browserverlauf und anderen, können Einzelhändler einen vollständigen Überblick über ihre Kunden erhalten und ihre Abläufe entsprechend anpassen, vom Marketing bis zum Kundenservice.
Solche Datenbestände sind nicht nur für Amazon-ähnliche Giganten verfügbar. Auch kleinere Einzelhandelsunternehmen können Big Data nutzen, um wettbewerbsfähig zu bleiben, sagt Jessica Smith von aifora, einem Unternehmen für Produktentwicklung. "Traditionelle Einzelhandelsgeschäfte hatten lange Zeit Schwierigkeiten, Daten aus verschiedenen Quellen zu sammeln, aber das Aufkommen neuer Technologien wie RFID, NFC, KI-Kameras, Personenzähler usw. ermöglicht es ihnen jetzt, weitaus mehr Daten über den Kaufprozess ihrer Kunden zu sammeln."
Sie schlägt vor, dass Data-Sharing-Plattformen oder Datenmarktplätze, die mit Data-Fabric-Architektur-Lösungen ausgestattet sind, die Antwort auf die Herausforderung der Datenerfassung sein könnten. "Durch den anonymen Austausch ihrer Daten auf einer zentralen Plattform könnten kleinere Einzelhändler einen großen Datensatz aufbauen, aus dem sich für jeden einzelnen Einzelhändler verwertbare Erkenntnisse ableiten lassen. Alleine hätten diese Einzelhändler nicht genügend Daten, um aussagekräftige Schlussfolgerungen zu ziehen."
Produktentwicklung
Sie können die Kundennachfrage antizipieren, indem Sie Big Data nutzen, um Trends wie die saisonale Nachfrage, den Erfolg von Werbeaktionen in verschiedenen Kundensegmenten, beliebte Ergänzungsprodukte und vieles mehr aufzudecken. Anhand dieser Erkenntnisse lassen sich Modelle für die Einführung neuer Produkte und Dienstleistungen erstellen.
Upselling
Durch die Einspeisung von Big Data in Algorithmen für maschinelles Lernen im Einzelhandel, die Empfehlungsmaschinen betreiben, ist es möglich, selbst anonymen Surfern personalisierte Empfehlungen zu geben. Auf diese Weise ist es wahrscheinlicher, dass die Besucher genau das finden, was sie wollen, und auch mehr kaufen.
In-Store-Erlebnis
Anstatt den Online-Shops den Vortritt zu lassen, können stationäre Einzelhändler IoT und Big Data nutzen, um unübertroffene Erfahrungen im Laden zu bieten.
Offline-Geschäfte können Daten von mobilen Apps, Online- und Offline-Verkäufen, Kundenstandorten und dem Verhalten im Laden analysieren und die Erkenntnisse nutzen, um Offline-Erlebnisse zu verbessern, Ladendesign und Merchandising zu optimieren sowie Wiederholungskäufe zu fördern.
Big Data Anwendungsfälle in der fertigung
Hersteller nutzen Big Data, um die betriebliche Effizienz zu verbessern und Geschäftsprozesse zu optimieren, mit dem letztendlichen Ziel, die Gewinne zu steigern.
Betriebliche Effizienz
Hersteller müssen Produktionsprozesse analysieren, um auf abnormale Ereignisse zu reagieren, die den Produktionszyklus stören und zur Unzufriedenheit der Kunden führen können.
Big Data hilft Fertigungsunternehmen, mehrere Prozesse unter Kontrolle zu halten, indem beispielsweise Ausfallzeiten mit anderen Ereignissen korreliert werden, um zu verstehen, warum der Stillstand auftritt.
Big Data kann auch genutzt werden, um zu verhindern oder vorherzusagen, wann es zu einem weiteren Stillstand kommt oder kommen könnte, erklärt Maryanne Steidinger (Webalo), die seit mehr als 35 Jahren in der Fertigung tätig ist.
"Big Data kann Variablen wie das Wetter, die Temperatur, die Bandgeschwindigkeit und die Art der beteiligten Arbeiter aufnehmen und in einen Kontext setzen, der den Auswirkungen all dieser Variablen auf den Prozess einen Sinn verleiht."
Vorausschauende Wartung
Hersteller nutzen strukturierte Daten, wie z. B. das Freigabedatum, die Marke und das Modell der Anlage, und unstrukturierte Daten, wie z. B. Sensordaten und Fehlerprotokolle, um diese proaktiv zu warten und Kosten zu sparen.
Außerdem helfen Big Data bei der Planung von Anlagenstillständen. Es wird auch verwendet, um vorherzusagen, dass bestimmte Geräte nicht innerhalb der Spezifikationen arbeiten können, indem die durch übermäßige Belastung oder defekte Teile verursachte Belastung identifiziert wird.
Produktionsoptimierung
Mit Hilfe von Big Data verstehen die Hersteller, wie genau sich die Artikel durch ihre Produktionslinien bewegen. So können sie beispielsweise einen Engpass aufdecken, der zu einer erhöhten Produktionszeit führt.
Big-Data-Anwendungen im Gesundheitswesen
Das gesundheitswesen nutzt Big Data in großem Umfang für viele Zwecke, von der klinischen Forschung über eine bessere Versorgung bis hin zum Aufbau von Patientenbeteiligungsplattformen.
Genomforschung
Forscher verfügen heute über eine riesige Datenmenge, die ihnen hilft, Krankheitsgene und Biomarker zu identifizieren, die auf Gesundheitsrisiken hinweisen.
Qualität der Pflege
Für die Leistungserbringer ist jeder Patient mit einer Reihe von Begleitdokumenten verbunden. Big Data schafft eine vollständige Übersicht über jeden Patienten aus verschiedenen Datenquellen und -formaten. In dieser Umgebung hat jeder Arzt Zugriff auf ein vollständiges Profil, unabhängig davon, welchen Weg der Patient auf seinem Gesundheits- und Behandlungsweg einschlägt.
Aufdeckung von Versicherungsbetrug
Ansprüche im Bereich des gesundheitswesens bestehen in der Regel aus mehreren miteinander verbundenen Berichten mit Aufzeichnungen in unterschiedlichen Formaten. Dies erschwert die genaue Anwendung von Versicherungsprogrammen und die rechtzeitige Erkennung von Betrug.
Die Big-Data-Analyse hilft bei der Aufdeckung potenzieller Betrugsfälle, indem sie verdächtiges Verhalten erkennt und Überprüfungen viel schneller durchführt, als dies bei herkömmlichen Betrugserkennungsmodellen der Fall ist.
Große Datenanwendungen in der Logistik
Logistikunternehmen nutzen Big Data, um die Qualität ihrer Dienstleistungen zu verbessern und ihren Mitarbeitern ein sicheres Umfeld zu bieten.
Zustellungsoptimierung
Unternehmen nutzen Daten, die von Geoinformationstechnologien, Telemetriesystemen, Wetter- und Verkehrsüberwachungsdiensten gesammelt werden, um Lieferrouten in Echtzeit zu optimieren.
Bestandsverwaltung
Unternehmen nutzen Big Data zur Vorhersage der Nachfrage, indem sie diese nach Kundensegmenten oder bestimmten Zeiträumen analysieren. Auf diese Weise können sie die Zeit von der Bestellung bis zur Auslieferung verkürzen, Nachfragespitzen vorhersehen, Über- oder Unterbestände vermeiden und Produkte effizienter auf regionale Lager verteilen.
Kostenoptimierung und Sicherheit
Logistikunternehmen nutzen Big Data, um den Zustand ihrer Flotte zu verfolgen, einschließlich des Kraftstoffverbrauchs oder des Zustands der Bremssysteme, um die Kosten zu optimieren und die Sicherheit der Fahrer zu verbessern.
Wie man große Daten für große Ergebnisse vorbereitet
Die hohen Erfolgsquoten von Predictive-Analytics-Initiativen auf der Grundlage von Big Data veranlassen Unternehmen, Budgets für Tools bereitzustellen, die große Datensätze mithilfe von Algorithmen des maschinellen Lernens verarbeiten können.
In der Tat wird der Markt für Big-Data-Analyse-Apps von 5,3 Milliarden US-Dollar im Jahr 2018 auf 19,4 Milliarden US-Dollar im Jahr 2026 wachsen:
Dieser offensichtliche Aufwärtstrend ist ungebrochen, aber die Anwender müssen für solche datenzentrierten Umstellungen gut gerüstet sein. Big Data muss nutzbar gemacht werden. Daher haben wir diese Checkliste für Sie erstellt, damit Sie wissen, wie gut Sie vorbereitet sind, bevor Sie sich auf Ihre Big-Data-Reise begeben.
1. Bereiten Sie Ihre Infrastruktur vor
Um Engpässe bei der Datenverarbeitungsgeschwindigkeit und -kapazität zu vermeiden, benötigen Sie eine geeignete Netzwerk-, Datenspeicher- und Verarbeitungsinfrastruktur.
Die Infrastruktur sollte aus den folgenden Schichten bestehen:
- Die Datenschicht, um Daten zu sammeln und zu speichern.
- Die Integrationsschicht, um Daten aus verschiedenen Quellen zu extrahieren, zu transformieren und zur weiteren Analyse zu laden.
- Die Verarbeitungsschicht, um Daten für Datenwissenschaftler und Analysten zu verarbeiten, damit sie Sinn ergeben.
- Die Analyseschicht, um umsetzbare Daten auf Trends und Erkenntnisse zu analysieren.
2. Halten Sie Ihre Daten sauber
Es mag mittlerweile banal klingen, aber schlechte Datenqualität fordert immer noch ihren Tribut von Unternehmen weltweit. Nach Angaben von Gartner kosten schlechte Daten die Unternehmen jährlich 15 Millionen Dollar.
Mit großen Datenmengen werden die Fehler nur noch größer. Irrelevante, doppelte, fehlende, falsche, vertippte oder schlecht integrierte Daten betreffen alle Geschäftsbereiche, die von Natur aus auf Daten angewiesen sind: Personalmanagement, Kundenbeziehungen, Lieferketten, Finanzen, Compliance und mehr.
Mangelhafte Datenqualität kann durch menschliches Versagen, fehlerhaft arbeitende Maschinen oder fehlerhaft übertragene und damit beschädigte Daten entstehen. Selbst kleine Fehler bei der Verarbeitung von Big Data können sich nachteilig auswirken, wenn sie die Entscheidungsfindung beeinflussen oder die Kundenzufriedenheit beeinträchtigen.
So oder so werden Daten von schlechter Qualität ihre Zähne zeigen, und es gibt keine andere Möglichkeit, als in Stammdatenmanagement (MDM) und Datenbereinigung zu investieren.
Als Oberbegriff umfasst MDM eine Reihe von automatisierten Prozessen, die dem Ziel dienen, einen einzigen Wahrheits- und Referenzpunkt zu schaffen. Im organisatorischen Umfeld ist es ein zentraler Knotenpunkt, der Daten aus einer Reihe von Quellen sammelt und sie dann zwischen anderen internen Systemen austauscht, ohne Duplikate zu erzeugen.
Sie können das potenzielle Problem hier erkennen. Es gibt zwar nur eine Version von Daten, die von allen verwendet wird, aber wenn diese Daten nicht korrekt sind, werden Fehler von einem Datennutzer zum anderen weitergegeben. Um dies zu verhindern, sollten Datenbereinigungs- und -validierungsprozesse vorhanden sein, und es geht nicht nur darum, eine Software zur Durchführung dieser Aufgabe zu haben. Es geht auch um Data-Governance-Richtlinien und Benutzerschulungen zum korrekten Ausfüllen, Prüfen und Verarbeiten von Daten.
Sein Sie kritisch gegenüber Ihren Daten und gehen Sie nicht einfach davon aus, dass Ihre Daten korrekt sind. Wenn die Ergebnisse der Datenanalyse unerwartet oder verdächtig erscheinen, überprüfen Sie die Gültigkeit der Daten, indem Sie nach Fehlern suchen und diese beheben. Sie sollten Datenanalysten um eine Erklärung bitten oder Big-Data-Visualisierung betreiben, um extreme Ausreißer und deren Ursachen zu finden. Achten Sie bei der Übertragung von Daten besonders auf mögliche Fehler oder Verfälschungen.
3. wenn Sie migrieren, tun Sie es mit Bedacht
In manchen Fällen ist eine schlechte Datenqualität die direkte Folge eines schief gelaufenen Migrationsprojekts. So ist beispielsweise die Migration in die Cloud einer der größten Trends, doch birgt das Cloud Computing selbst einige Risiken.
Datenmigrationen können aufgrund schlecht dokumentierter Altsysteme, unzureichend beschriebener Projektanforderungen oder gründlicher Testverfahren scheitern, aber das Ergebnis ist wahrscheinlich das gleiche. Es handelt sich um beschädigte, verlorene oder falsche Daten, womit wir wieder beim ersten Punkt wären.
Um dieses Szenario zu vermeiden, müssen an Datenmigrationsprojekten Fachleute aus allen Abteilungen beteiligt sein, einschließlich der tatsächlichen Datennutzer. Diese Nutzergruppen sollten mit dem Datenmigrationsteam zusammenarbeiten, das sich aus Technikern und Führungskräften zusammensetzt, die das Projekt auf die Erfüllung der Geschäftsanforderungen ausrichten.
Strategie ist ebenfalls wichtig. Deshalb ist es notwendig, leistungsfähige Systemressourcen zur Unterstützung der Datenmigration bereitzustellen und Schritte für jede Phase festzulegen: vor, während und nach der Migration.
Hier ist Ihr möglicher Aktionsplan:
- Vor der Migration prüfen Sie die Qualität der vorhandenen Daten und validieren die Geschäftsregeln und definieren sie gegebenenfalls neu.
- Wählen Sie eine passende Strategie und erstellen Sie einen sorgfältigen Fahrplan auf der Grundlage des Migrationsumfangs und des Budgets.
- Migrieren Sie in logischen Iterationen und halten Sie dabei einen realistischen Zeitplan ein.
- Fügen Sie zu jeder Phase des Projektlebenszyklus laufende Datentests und -auswertungen hinzu.
- Verzichten Sie nicht auf die Validierung der Migrationsergebnisse sowohl durch technische Spezialisten als auch durch Ihre Datennutzer.
4. lassen Sie die Nutzer von BI-Selbstbedienung nicht allein
Selbstbedienungs-BI-Tools bieten enorme Möglichkeiten, Ad-hoc-Big-Data-Analysen durchzuführen, Anfragen an IT-Abteilungen zu minimieren und Geschäftsanwendern einen besseren Einblick in Leistung und Produktivität zu geben.
Diese Vorteile veranlassen Unternehmen dazu, Self-Service-BI-Anwendungen zu ihrer höchsten strategischen Priorität zu machen. Einige Nutzer fortgeschrittener und prädiktiver Analysen, wie Geschäfts-, Finanz- und Marketinganalysten, werden jedoch nicht unbedingt erfolgreich mit solchen Anwendungen umgehen können.
Der erste Fallstrick liegt in den fehlenden rollenspezifischen Anpassungen. Ein Teil des Erfolgs von Self-Service-BI besteht darin, leicht verständliche Schnittstellen und Dashboards zu haben, die auf den Bedürfnissen und Präferenzen der Endbenutzer basieren. Bei der Entwicklung und Bereitstellung des eigentlichen Systems werden diese Benutzer jedoch oft nicht berücksichtigt. Wird die Phase der Befragung der Endbenutzer und der Einbeziehung ihres Feedbacks im Vorfeld übersprungen, kann die Akzeptanz der Benutzer gering sein, weil sie die Berichte und Layouts für irrelevant halten.
Ein weiteres potenzielles Schlupfloch liegt in den geringen technischen Kenntnissen der Self-Service-BI-Nutzer. Auch wenn Analysten ihren Job gut kennen, ist es unwahrscheinlich, dass sie eine komplett überarbeitete Analyseplattform sofort nutzen können. Um dieses Risiko auszugleichen, muss in die Schulung der Benutzer investiert werden, und zwar in Form von typischen Demos und fortlaufenden Lerneinheiten, die darauf abzielen, die BI-Mitarbeiter über die technischen Implikationen von Self-Service-BI-Systemen zu informieren.
Kurz gesagt: Es ist besser, die technischen Fähigkeiten der Anwender nicht zu überschätzen, sondern Produktivitätsverluste im Vorfeld zu vermeiden.
5. Überwindung interner Engpässe
In großen Unternehmen sind die verschiedenen Datentypen über verschiedene Abteilungen verstreut. Sie werden für unterschiedliche Zwecke gespeichert und gehören verschiedenen Teams, die oft nicht so effizient kommunizieren, wie sie sollten. Manchmal weiß eine Abteilung nichts von den Daten, die sich in einer anderen Abteilung befinden, und kann daher keine Maßnahmen ergreifen. Dadurch wird ein enormer Wert übersehen, den eine solche Zusammenarbeit bringen könnte.
Solche internen Engpässe können sowohl durch fehlende abteilungsübergreifende Zusammenarbeit als auch durch mangelhafte Interoperabilität der Systeme verursacht werden. In jedem Fall sollten Sie daran denken, dass Abteilungen und Informationssilos die Datenverbreitung im gesamten Unternehmen nicht behindern sollten.
Ein guter Ausgangspunkt wäre, die Mitarbeiter zusammenzubringen, die in ihren jeweiligen Teams für die Durchsetzung gemeinsamer Datenrichtlinien zuständig sind. Sie könnten sich auf Ihre hochrangigen Fachleute verlassen, die den Rest der Organisation motivieren könnten, Engpässe und Verzögerungen bei der Datenbereitstellung zu minimieren.
Was die Interoperabilität der Systeme betrifft, so sollte diese auf technischer Ebene angegangen werden, um einen Zugang zu ermöglichen, der den Sicherheits- und Effizienzstandards entspricht. Zunächst müssen die Datenkonsumenten erfasst werden, um ein rollenbasiertes Zugriffsmodell mit klar definierten Benutzerrechten zu erstellen. Auf diese Weise lassen sich Datenschutzprobleme und Fälle von beabsichtigtem oder unbeabsichtigtem Datenmissbrauch vermeiden. Zweitens ist die Beibehaltung gemeinsamer Datenformate der Schlüssel zu Ihrer Fähigkeit, diese Daten über interne Systeme hinweg zu nutzen.
Die Schritte zur Überwindung interner Engpässe umfassen unter anderem Folgendes:
- Filtern Sie Ihre Daten nach den Rollen, Fachgebieten, Interessen und Zuständigkeiten der Benutzer, um die Datenmenge abzurunden, die sie zu sehen und zu bearbeiten bekommen.
- Priorisieren Sie wertvolle Daten nach ihrer Relevanz für die Nutzer innerhalb dieser spezifischen Rollen.
- Stellen Sie sicher, dass Sie die neuesten Daten verteilen, sobald sie verfügbar sind, vorzugsweise über ein Warnsystem, das die Benutzer auffordert, ihre Dashboards und Analysetools sofort zu überprüfen.
Wenn Technologie auf Strategie trifft
Big Data spielt in vielen Branchen eine Rolle, von der fertigung bis zum Gesundheitswesen. Doch wie jede Unternehmensinnovation sind auch Big-Data-Projekte mit Kosten verbunden. Diese Kosten können jedoch mit einem angemessenen Maß an Vorbereitung gut ausgeglichen werden. Big Data und seine Auswirkungen auf das Geschäft sind enorm, und viele Führungskräfte haben bereits begonnen, die Vorteile zu genießen. Das Geheimrezept für diesen Erfolg liegt wahrscheinlich in einer gut durchdachten Strategie zur Entwicklung und Einführung von Big-Data-Management-Lösungen.
Dieser Leitfaden hat gezeigt, wie Big Data in verschiedenen Branchen von Nutzen sein kann, und vier Bereiche zusammengefasst, in denen Big Data Ihre Aufmerksamkeit erfordert - von der Datenqualität und den Vorkehrungen für die Migration bis hin zu Self-Service-BI-Fähigkeiten und internen Stoppern. Denken Sie daran, dass jeder dieser Aspekte den Wert von Big-Data-Initiativen auf seine eigene Weise beeinflussen kann, so dass es viel einfacher ist, sich mit ihnen zu befassen, bevor Sie loslegen.
