Big Data Analytics
Was es ist und was man darüber wissen sollte
Bei Big Data Analytics werden große Datenmengen auf verborgene Muster, Korrelationen und andere Erkenntnisse hin untersucht. Mithilfe moderner Technologie lassen sich beinahe sofort Ergebnisse aus Datenanalysen abrufen, während dies bei herkömmlichen Business Intelligence-Lösungen länger dauert und weniger effizient ist.
Geschichte und Evolution von Big Data Analytics
Das Big Data-Konzept existiert schon seit Jahren und die meisten Organisationen wissen mittlerweile, dass sie aus einer Analyse all der Ströme eingehender geschäftlicher Daten erheblichen Nutzen ziehen können. Aber bereits in den 1950er Jahren, also Jahrzehnte bevor irgendjemand den Begriff „Big Data“ in den Mund nahm, analysierten Unternehmen ihre Daten bereits mithilfe einfacher Verfahren (im Prinzip durch manuelle Untersuchung von Zahlen in Kalkulationstabellen) und leiteten daraus Erkenntnisse beispielsweise über Trends ab.
Das Neue und Nützliche an Big Data Analytics sind Schnelligkeit und Effizienz. Während ein Unternehmen noch vor ein paar Jahren Daten erfasste, diese analysierte und daraus Informationen ableitete, um sie als Grundlage für künftige Entscheidungen zu nutzen, kann es heute unverzüglich Erkenntnisse gewinnen und auf dieser Basis sofort Entscheidungen treffen. Diese Möglichkeit, schneller vorzugehen und dadurch agil zu bleiben, verschafft Organisationen einen Wettbewerbsvorteil, den es in dieser Form zuvor nicht gab.
Warum sind Big Data-Analysen wichtig?
Big Data Analytics hilft Organisationen dabei, ihre Daten sinnvoll zu nutzen und neue Chancen zu erkennen. Dies wiederum ist die Grundlage für intelligentere geschäftliche Maßnahmen, effizientere Betriebsabläufe, höhere Gewinne und zufriedenere Kunden. Unternehmen, die Big Data mit Advanced Analytics nutzen, profitieren in vielerlei Hinsicht, u.a. in folgenden Bereichen:
- Kostensenkungen. Big Data-Technologien wie Hadoop und Cloud-basierte Analytics bringen bei der Speicherung großer Datenmengen erhebliche Kostenvorteile mit sich – und sie können Effizienzreserven in den geschäftlichen Abläufen aufdecken.
- Schnellere, bessere Entscheidungsfindung. Dank der Schnelligkeit von Hadoop und In-Memory Analytics in Verbindung mit der Möglichkeit zur Erschließung neuer Datenquellen können Unternehmen ihre Daten jetzt unverzüglich analysieren – und sich in ihren Entscheidungen auf die Erkenntnisse daraus stützen.
- Neue Produkte und Dienstleistungen. Anhand von Analytics lassen sich Kundenbedürfnisse und Kundenzufriedenheit ausloten und daraus erwächst die Chance, gezielt auf Kundenwünsche einzugehen. Davenport weist darauf hin, dass immer mehr Unternehmen gestützt auf Big Data Analytics neue, auf die Kundenwünsche abgestimmte Produkte kreieren.
Big Data Analytics in der Welt von heute
Die meisten Organisationen verfügen über Big Data. Und viele sind sich der Notwendigkeit bewusst, diese nutzbringend einzusetzen. Aber wie? Folgende Ressourcen präsentieren die neuesten Erkenntnisse zur Interaktion von Big Data und Analytics.
Statistiken und maschinelles Lernen in großem Stil
Die Idee des maschinellen Lernens gibt es schon seit Jahrzehnten, aber erst jetzt lässt sie sich auf große Datenmengen anwenden.
Die Leistungsstärke von SAS® im Dienste von Hadoop
Sie möchten Hadoop noch besser nutzen? In diesem White Paper wird das Lösungsportfolio von SAS zur Anwendung von Business Analytics auf Hadoop vorgestellt.
Big Data Analytics sorgt für eine bessere Welt
SAS setzt sich mit Leidenschaft für den Einsatz von Advanced Analytics ein, um unsere Zukunft zu verbessern – sei es bei der Lösung von Problemen im Zusammenhang mit Armut, Krankheit, Hunger, Analphabetismus, Klimawandel oder Bildung. Erfahren Sie, wie wir das tun.
Die harte Arbeit hinter Analytics
MIT Sloan Management Review führte seine sechste jährliche Umfrage unter Führungskräften, Managern und Analytics-Fachleuten durch und befragte diese nach den Chancen von Business Analytics.
Wer nutzt Big Data Analytics?
Stellt man sich ein Unternehmen vor, das rasche, agile Entscheidungen treffen muss, um wettbewerbsfähig zu bleiben, dann kann man fast sicher sein, dass dieses Unternehmen Big Data Analytics nutzt. Und so verwenden Organisationen unterschiedlicher Art diese Technologie:
Life Sciences
Klinische Forschung ist zeitaufwändig und teuer, denn klinische Studien können aus vielfältigen Gründen fehlschlagen. Moderne Analytics-Techniken, künstliche Intelligenz (KI) und das Internet of Medical Things (IoMT) haben das Potenzial, die klinische Forschung durch intelligentere, automatisierte Lösungen in allen Phasen schneller und effizienter zu gestalten.
Banken
Finanzinstitutionen erfassen große Mengen unstrukturierter Daten und leiten daraus analytische Erkenntnisse ab, um fundierte Finanzentscheidungen treffen zu können. Big Data Analytics macht einander überschneidende, redundante Tools und Systeme überflüssig und ermöglicht auf diese Weise einen Informationszugriff nach Bedarf.
Fertigungsindustrie
In der industriellen Fertigung ist Problemlösung nichts Neues. Die Hersteller kämpfen Tag für Tag mit schwierigen Herausforderungen – von komplexen Lieferketten bis zum IoT, vom Arbeitskräftemangel bis zu Anlagenausfällen. Aus diesem Grund ist Big Data Analytics in der Fertigungsindustrie unverzichtbar, denn anhand dieser Technologie erkennen Unternehmen Kosteneinsparpotenziale und Umsatzchancen und bleiben wettbewerbsfähig.
Gesundheitswesen
Aus dem Gesundheitswesen ist Big Data nicht wegzudenken. Patientenakten, Behandlungspläne, Versicherungs- und sonstige Informationen sind nicht leicht zu verwalten – aber sie sind eine Quelle wertvoller Erkenntnisse, sobald man sie sachgemäß analysiert. Aus diesem Grund spielt Big Data Analytics im Gesundheitswesen eine so zentrale Rolle. Durch die schnelle Analyse großer – strukturierter ebenso wie unstrukturierter – Datenmengen können im Gesundheitswesen lebensrettende Diagnosen oder Behandlungsoptionen beinahe sofort ermittelt werden.
Government
Diverse staatliche Stellen sind mit der gleichen großen Herausforderung konfrontiert: trotz schrumpfender Budgets keine Kompromisse bei Qualität oder Produktivität einzugehen. Von diesem Problem sind insbesondere die Strafverfolgungsbehörden betroffen, die die Kriminalitätsrate trotz relativ magerer Ressourcen niedrig halten sollen. Aus diesem Grund setzen viele Behörden auf Big Data Analytics. Die Technologie strafft die Arbeitsabläufe und verschafft der Behörde gleichzeitig einen ganzheitlicheren Überblick über kriminelle Aktivitäten.
Einzelhandel
Der Kundenservice hat in den vergangenen Jahren eine rasante Entwicklung durchlaufen, denn gut informierte Kunden erwarten vom Einzelhandel, dass ihre Wünsche genau verstanden und zeitnah erfüllt werden. Mit Big Data Analytics kann der Einzelhandel diesen Erwartungen gerecht werden. Gestützt auf grenzenlose Datenmengen aus Kundentreueprogrammen, Analysen des Kaufverhaltens und anderen Quellen kann sich der Einzelhandel nicht nur ein genaues Bild seiner Kunden machen, sondern auch Trends prognostizieren, neue Produkte empfehlen – und seine Gewinne steigern.
Das Hauptziel einer formellen Daten- und Analytics-Strategie in Unternehmen besteht in der Regel in einer besseren Entscheidungsfindung durch Analytics in einer Vielzahl von Tätigkeitsbereichen. [Und] unsere Umfrageergebnisse und Interviews liefern deutliche Belege dafür, dass erfolgreiche Analytics-Strategien das Vorgehen bei der Entscheidungsfindung in Unternehmen tiefgreifend verändern.
Aus dem White Paper Beyond the Hype: The Hard Work Behind Analytics Success
Durch moderne Analytics stärkt Rogers Communications seine Kundenorientierung
Rogers Communications ist bestrebt, die Kundenzufriedenheit zu verbessern und seine führende Position im kanadischen Medien- und Telekommunikationssektor zu wahren.
Hier erfahren Sie, wie Rogers Communication die Zahl der Reklamationen mithilfe moderner Analytics-Verfahren halbieren konnte, indem das Unternehmen seinen Kunden die richtigen Dienstleistungen zur rechten Zeit anbot.
Funktionsweise und Schlüsseltechnologien
Es gibt keine einzelne Technologie, die den gesamten Bereich der Big Data Analytics abdeckt. Selbstverständlich gibt es fortschrittliche Analyseverfahren, die sich auf Big Data anwenden lassen, aber eigentlich wirken mehrere unterschiedliche Technologien zusammen, um den größten Nutzen aus den vorhandenen Informationen zu erschließen. Dieses sind die wichtigsten:
Maschinelles Lernen. Beim maschinellen Lernen, einem bestimmten Teilbereich der KI, wird eine Maschine trainiert und lernt. Mit dieser Technik lassen sich schnell und automatisch Modelle generieren, die größere Mengen komplexer Daten analysieren und schneller genauere Ergebnisse erbringen können – und das auch in sehr großem Maßstab. Mithilfe präziser Modelle verschafft sich eine Organisation bessere Chancen, lukrative Geschäftsmöglichkeiten zu erkennen – oder unbekannte Risiken zu vermeiden.
Datenmanagement. Daten müssen von hoher Qualität sein und sachgemäß aufbereitet vorliegen, bevor sie zuverlässig analysiert werden können. Angesichts der ständigen ein- und ausgehenden Datenströme muss eine Organisation allerdings unbedingt wiederholbare Prozesse zur Sicherstellung und Aufrechterhaltung von Datenqualitätsstandards einrichten. Liegen die Daten in zuverlässiger Qualität vor, sollte die Organisation ein übergeordnetes Datenmanagementprogramm auflegen, das das gesamte Unternehmen auf den gleichen Stand bringt.
Data Mining. Data Mining dient zur Untersuchung großer Datenmengen mit dem Ziel, Muster in diesen Daten zu erkennen. Die so gewonnenen Informationen lassen sich für weitere Analysen zur Beantwortung komplexer geschäftlicher Fragen nutzen. Mit Data Mining-Software wird es möglich, die relevanten Elemente aus all dem chaotischen und repetitiven „Datenrauschen“ herauszuarbeiten und anhand der so gewonnenen Informationen mögliche Ergebnisse zu bewerten. Auf diese Weise gelangen Organisationen rascher zu informierten Entscheidungen.
Hadoop. Hadoop ist ein Open Source Framework für die Speicherung großer Datenmengen und die Ausführung von Anwendungen auf Standard-Hardware-Clustern. Hadoop hat sich aufgrund der ständig zunehmenden Datenvolumina und Datenvarianten zu einer Schlüsseltechnologie für Unternehmen entwickelt und eignet sich dank des zugrunde liegenden verteilten Computing-Modells für eine schnelle Verarbeitung von Big Data. Ein weiterer Vorzug von Hadoop ist das kostenlose Open Source Framework, mit dem Standardhardware zur Speicherung großer Datenmengen genutzt werden kann.
In-Memory Analytics. Die Analyse von Daten im Arbeitsspeicher (statt auf der Festplatte) ermöglicht die sofortige Ableitung von Erkenntnissen aus Daten, sodass rasch gehandelt werden kann. Dank dieser Technologie erübrigt sich der Zeitaufwand für die Aufbereitung und analytische Verarbeitung der Daten vor dem Test neuer Szenarien und der Erstellung neuer Modelle. Damit öffnet sich ein unkomplizierter Weg für Organisationen, agil zu bleiben und bessere Geschäftsentscheidungen zu treffen. Darüber hinaus kann die Technologie für iterative und interaktive Analyseszenarien eingesetzt werden.
Predictive Analytics. Predictive Analytics ist eine Technologie zur Ermittlung der Wahrscheinlichkeit künftiger Ergebnisse auf der Basis historischer Daten mithilfe von Daten, statistischen Algorithmen und Techniken des maschinellen Lernens. Ziel ist die bestmögliche Prognose künftiger Ereignisse, sodass Organisationen stärker darauf vertrauen können, die bestmögliche Geschäftsentscheidung getroffen zu haben. Am häufigsten wird Predictive Analytics in der Betrugserkennung, der Risikobewertung sowie im operativen Betrieb und im Marketing eingesetzt.
Text Mining. Text Mining ist eine Technologie zur Analyse von Textdaten aus dem Internet, aus Kommentarfeldern, Büchern und sonstigen Textquellen mit dem Ziel, zu Erkenntnissen zu gelangen, die zuvor übersehen wurden. Text Mining nutzt maschinelles Lernen bzw. Sprachtechnologien, um Dokumente – E-Mails, Blogs, Twitter-Feeds, Umfragen, Wettbewerbsinformationen usw. – zu durchforsten, große Datenmengen zu analysieren und neue Themen oder Zusammenhänge aufzudecken.
Nächste Schritte
Lernen Sie die Rolle von Big Data Analytics im Datenmanagement kennen!
Die SAS® Plattform
Die SAS® Plattform beruht auf der Nutzung analytischer Erkenntnisse als Grundlage für geschäftliches Handeln und unterstützt jede Phase des Analytics life cycle – von den Daten über die Discovery bis hin zur Bereitstellung.
Visual Text Analytics
Mit SAS Visual Text Analytics lassen sich neu entstehende Trends und verborgene Chancen erkennen, denn die Software ermöglicht die automatische Konvertierung unstrukturierter Daten in aussagefähige Erkenntnisse, die ihrerseits für maschinelles Lernen und in Prognosemodellen genutzt werden können.
Literaturempfehlungen
- Article Shut the front door on insurance application fraud!Fraudsters love the ease of plying their trade over digital channels. Smart insurance companies are using data from those channels (device fingerprint, IP address, geolocation, etc.) coupled with analytics and machine learning to detect insurance application fraud perpetrated by agents, customers and fraud rings.
- Article Machine learning and artificial intelligence in a brave new worldWhat is the interplay between man and machine in a brave new world with AI?
- Article Machine learning, data science and AI meet IoTIn this video, Kirk Borne and Michele Null discuss the intersection of machine learning, AI and data science with IoT data and analytics.
Seit 1976 vertrauen Unternehmen weltweit auf SAS.