Capgeminis 7 Trends für ein datengetriebenes Jahr – Big Data muss erwachsen werden

Big Data, Smart Data, Analytical Data, Data Science – Im Jahr 2016 findet Rüdiger Eberlein, Big Data-Spezialist bei Capgemini, wird es Zeit, dass in Sachen Daten und ihre Analyse der nächste Reifegrad erreicht wird. 

Rüdiger Eberlein, Autor dieses Beitrags und Big Data Spezialist bei Cap Gemini

1. Catch me, if you can: Kunden– und Operational Analytics werden wirklich Real Time

Kunden – und genauso Bürger – erwarten einen einfacheren Zugriff auf Online-Dienste, was zu immer mehr digitalen Interaktionen führt. Um Kunden zu verstehen und das richtige Set an Produkten und Dienstleistungen anzubieten, ist Customer Analytics für Unternehmen unabdingbar. Die Ergebnisse daraus müssen an Ort und Stelle verfügbar sein, um die Chance einer aktiven Interaktion mit dem Kunden nicht zu verpassen. Ebenso sollte Analytics zur Optimierung operativer Prozesse genauso hoch getaktet sein. Im Jahr 2016 werden wir den Aufstieg leistungsfähiger Plattformen wie Spark und Nifi erleben, die sowohl die Power von In-Memory einbringen als auch die Funktionen zur Entwicklung wahrhafter Echtzeit-Analyse-Lösungen.

2. Back off man, I’m a scientist – DIY Data Science erreicht die Management-Etage

Die Do-it-yourself-Art (DIY), die wir bereits seit einiger Zeit in Business Intelligence und Reporting erleben, wird sich nun auch in Bereiche wie Analytics und Data Science ausbreiten. Werkzeuge wie IBM’s Watson Analytics und BigML ermöglichen nahezu jedem Fachbereichsleiter ein bisschen Data Scientist zu sein, also Algorithmen und Vorhersagemodelle ganz allein zu explorieren. Um einen Sinn aus dem Überfluss an Daten zu ziehen, wird Visualisierung der Schlüssel sein, um den Wald unter all den Bäumen zu sehen. Do-it-yourself Data Science unterstützt Unternehmen, eine echte datengetriebene Kultur zu etablieren. Aber amateurhaftes Herangehen an Data Science – und sei es noch so enthusiastisch – wird zu falschen Erkenntnissen führen.

3. Use the Force, Luke – Insights können von der Stärke der Crowd profitieren

Es ist hart, eine Big-Data-Plattform aufzusetzen und zu warten. Das erfordert sowohl neue rare Fähigkeiten, wie Data Science, als auch neue unausgereifte Technologien wie Spark und Hadoop. Es ist auch schwierig zu planen, wann, wie viel und wie oft man diese neuen Fähigkeiten braucht. Also warum nicht nach draußen schauen und gleich von Beginn an externen Rat einholen? Offene Community-Plattformen wie Kaggle bieten Unternehmen flexible kollektive Denkleistung einiger der schlauesten Data Scientists und Technologen der Welt. Ebenso sollten Sie einen Blick auf den sich rasch entwickelnden Markt an katalogbasierten Standard-Analytics-Lösungen werfen, die einen viel schnelleren Weg zum Insights getriebenen Unternehmen ermöglichen.

4. Let it go! – Machine intelligence beginnt seine eigene Reise

Machine intelligence verändert die Art, wie Unternehmen Erkenntnisse aus ihren Daten gewinnen. Es nutzt dazu Ansätze wie Deep Learning, Mustererkennung, Kognitive Intelligenz und Complexity Reduction, um analytische Modelle zu erzeugen, die oftmals übertreffen, was wir Menschen aufnehmen und erschaffen können. Machine intelligence verringert menschliches Eingreifen und kann letztlich neue analytische Modelle vollautomatisch erstellen. Unternehmen können so ihre Lösungen für Bereiche wie Missbrauchserkennung, Asset Management oder auch Produktempfehlungen optimieren. Aber das Potential von Autonomics geht weit darüber hinaus –unabhängige Machine intelligence wird unseren Spielraum deutlich erweitern.

5. You Talkin’ To Me? – Internet of Things geht in beide Richtungen

Ja, definitiv ja, wir werden immer mehr physikalisch: Das Internet der Dinge (IoT) wird weiterhin einer der stärksten Treiber der nächsten Welle von „Big Data Analytics“ sein. Und es wird nicht auf große Datenvolumina beschränkt sein, die Sensoren für eine nachfolgende Analyse in einer zentralen Umgebung liefern. Um den wirklichen Nutzen des IoT einzufahren, sollten die Erkenntnisse aus Analytics zurückgespielt werden zu den Things – meist in Echtzeit. Das trifft nicht nur auf das persönliche IoT (z. B. direktes Feedback zu Fitness, Gewicht, Schlaf, Aktivitäten) zu, sondern auch auf das industrielle IoT. Dort werden Maschinen und Sensoren mit Insights verknüpft, u. a. für vorausschauende Wartung und Verbrauchsoptimierung in Industrien wie Energie, Maschinenbau, Automobil und Chemie.

6. You’re Going To Need A Bigger Boat – die Datenlandschaft entwickelt sich in verschiedene Richtungen

Bei all dem Potenzial und den Versprechen rund um Big Data müssen Unternehmen ihre Datenlandschaft einem Redesign unterziehen, um mit den zu erwartenden Volumina, Zeitanforderungen, Agilitätsbedürfnissen und analytischen Anforderungen umgehen zu können. Viele denken darüber nach, ihre bestehenden teuren Data Warehouses teilweise auf kostengünstige Massendaten-Plattformen wie Hadoop auszulagern. Sie schauen auch nach neuartigen Analytics-Werkzeugen wie Tableau und R – die anders sind als das, was sie bislang für Enterprise Reporting genutzt haben. Der Datenarchitekt im Jahr 2016 muss in der Lage sein, nahtlos verschiedene Arten von bestehenden und neuen Technologien miteinander zu verknüpfen. Wobei die hoch verteilte föderative Datenlandschaft mehr und mehr Realität im Unternehmen wird.

7. Why So Serious? – auf dem Weg zum nächsten Reifegrad

Big Data muss erwachsen werden – ob man das will oder nicht. Die frühen abenteuerlichen Tage waren sehr von agilen explorativen Ansätzen und gewagten Proof-of-Concepts über das Unternehmen hinweg bestimmt. Das hat geholfen, um das Momentum aufzubauen. Aber jetzt muss der nächste Reifegrad erreicht werden. Definitionen müssen abgestimmt, Qualität gewährleistet, die Entwicklung industrialisiert und Technologiestandards (wie z. B. die Open Data Platform Initiative) vereinbart werden. Eine unternehmensweite datengetriebene Kultur – agile Do-it-yourself Analytics inbegriffen – braucht eine Grundlage in Enterprise Scale. Denken Sie über Themen nach wie Datenklassifizierung, gemeinsame Nutzung von Daten, Datenschutz, lokale Regularien, Sicherheit und Zugriffskontrolle, um nur einige Aspekte zu nennen. Um letztlich über den unrühmlichen Proof-of-Concept hinauszukommen, muss man ernst machen.

Weitere Posts von Rüdiger Eberlein finden Sie hier