Genauere Analysen können zu sichererer Entscheidungsfindung führen. Und bessere Entscheidungen können größere betriebliche Effizienz, Kostenreduzierungen und geringere Risiken bedeuten.
Der Branchenanalyst Doug Laney (derzeit bei Gartner) hat bereits 2001 die heute anerkannte Definition von Big Data als die drei Vs Volume, Velocity und Variety (Volumen, Geschwindigkeit und Vielfalt) formuliert1.
Bei SAS berücksichtigen wir zwei weitere Dimensionen, wenn wir über Big Data nachdenken:
1 Quelle: META Group. "3D Data Management: Controlling Data Volume, Velocity, and Variety." Februar 2001.
Das eigentliche Problem ist nicht, dass Sie sich große Datenmengen aneignen, sondern was Sie mit den Daten tun, auf die es ankommt. Die hoffnungsvolle Vision ist, dass Unternehmen in der Lage sein werden, Daten aus sämtlichen Quellen zu erfassen und relevante Daten nutzbar zu machen und zu analysieren, um Antworten zu finden, die es ihnen ermöglichen, 1. Kosten zu senken, 2. Zeit einzusparen, 3. neue Produkte und optimierte Angebote zu entwickeln und 4. klügere geschäftliche Entscheidungen zu treffen. Die Kombination von Big Data und Hochleistungsanalyse kann beispielsweise Folgendes ermöglichen:
Viele Unternehmen sind besorgt, dass die Menge der angesammelten Daten so groß wird, dass es schwierig wird, die wertvollsten Informationen zu finden.
Bis vor Kurzem waren Unternehmen darauf beschränkt, nur Teilmengen ihrer Daten zu nutzen, oder mussten sich auf einfache Analysen beschränken, weil das schiere Datenvolumen ihre Verarbeitungsplattformen überwältigte. Aber welchen Sinn hat es, Terabytes von Daten zu erfassen und zu speichern, wenn man sie nicht im vollen Zusammenhang analysieren kann oder Stunden oder Tage auf Ergebnisse warten muss? Andererseits lassen sich nicht alle geschäftlichen Fragen durch Big Data besser beantworten. Sie haben jetzt zwei Möglichkeiten:
Analyse riesiger Datenvolumen. Wenn für die Antworten, die Sie suchen, eine Analyse aller Ihrer Daten erforderlich ist, dann lassen Sie sich nicht abhalten. Es gibt heute Hochleistungstechnologien, die Werte aus riesigen Datenmengen extrahieren. Ein Ansatz ist die Nutzung von High-Performance Analytics-Technologien wie Grid Computing, In-Database Processing und In-Memory Analytics zur Analyse von großen Datenmengen.
Vorab bestimmen, welche Daten relevant sind. Traditionell neigte man dazu, alles zu speichern (Kritiker nennen das Datenhortung) und erst bei der Abfrage der Daten festzustellen, was relevant ist. Heute haben wir die Möglichkeit, Analysen am Front-End durchzuführen, um die Relevanz anhand des Kontextes zu bestimmen. Diese Art der Analyse bestimmt, welche Daten in Analyseprozesse integriert werden sollten und welche gegebenenfalls zur späteren Verwendung auf günstigem Speicherplatz gespeichert werden sollten.
Eine Reihe aktueller technischer Fortschritte ermöglichen es Unternehmen, Big Data und Big Data Analytics optimal zu nutzen:
UPS sind große Datenmengen nicht fremd. Das Unternehmen erfasst bereits seit den 1980er-Jahren eine Vielzahl von Paketbewegungen und Transaktionen. Inzwischen verfolgt UPS täglich die Daten von 16,3 Millionen Sendungen für 8,8 Millionen Kunden, mit durchschnittlich 39,5 Millionen Kundenanfragen zur Sendungsverfolgung pro Tag. Das Unternehmen speichert über 16 Petabyte Daten.
Ein Großteil der in jüngster Zeit erfassten Daten stammt jedoch von den Telematiksystemen in über 46.000 Fahrzeugen. So werden beispielsweise Daten zu Geschwindigkeit, Fahrtrichtung und der Leistung von Bremsen und Antriebsstrang gespeichert. Die Daten werden nicht nur zur Überwachung der täglichen Leistung genutzt, sondern auch für eine umfassende Neugestaltung der Routenstrukturen von UPS. Diese Initiative mit dem Namen ORION (On-Road Integration Optimization and Navigation) ist das wohl größte Operations Research-Projekt weltweit. Es greift auch stark auf Online-Kartendaten zurück und wird letztendlich die Routen der Fahrer in Echtzeit konfigurieren.
Das Projekt hat 2011 bereits über 31,8 Millionen Liter Kraftstoff eingespart, indem es die täglichen Routen um gut 136 Millionen Kilometer verkürzt hat. UPS schätzt, dass durch die Einsparung von nur einer Meile pro Fahrer und Tag 30 Millionen US-Dollar gespart werden, die Gesamtersparnis ist also beträchtlich. Das Unternehmen ist außerdem bestrebt, mithilfe von Datenanalyse die Effizienz seiner 2.000 täglichen Flüge zu optimieren.2
2 Quelle: Thomas H. Davenport and Jill Dyche, "Big Data in Big Companies," Mai 2013.
Now you can run hundreds and thousands of models at the product level - at the SKU level - because you have the big data and analytics to support those models at that level.
Digitale Transformation und datengetriebene Unternehmen verändern die Art und Weise, wie wir handeln, einkaufen, arbeiten und leben. Das ist der Hintergrund für den Erfolg von Hadoop. In einem Gastbeitrag erläutert der SAS-Entwicklungspartner Cloudera, welche Rolle Hadoop jetzt schon spielt.
