Zuletzt aktualisiert: September 22, 2021

Big Data gehört zu den Trendwörtern unserer Zeit. Doch was versteckt sich eigentlich hinter diesem Begriff? Mit dem Internet of Things, vermehrter Nutzung von Mobilgeräten und steigender Onlinepräsenz von Privatpersonen haben sich auch die Möglichkeiten Daten zu sammeln für Unternehmen exponentiell vermehrt. Als Resultat davon stehen schiere Mengen an Daten für die Analyse zur Verfügung.

Was Big Data genau ist und wie Unternehmen davon profitieren können erklären wir dir hier. Wir haben die wichtigsten Fragen für dich zusammengefasst und beantworten sie dir nachfolgend.

Das Wichtigste in Kürze

  • Big Data steht für eine sehr umfangreiche Menge an Daten, die sich dadurch auszeichnet, dass sie nicht nur strukturierte, sondern auch semi-strukturierte und unstrukturierte Daten beinhaltet.
  • Durch die Analyse von Big Data mittels Analytics kann sich ein Unternehmen einen Wettbewerbsvorteil gegenüber ihren Konkurrenten erwirtschaften.
  • Big Data stellt Unternehmen vor zahlreiche Herausforderungen. Einerseits die Schnelllebigkeit der Technologieentwicklung aber auch Fragen im Bereich Datenspeicherung sind mit dem Aufkommen von Big Data essenziell geworden.

Glossareintrag: Der Begriff Big Data im Detail erklärt

Big Data hat sich in den letzten Jahren auch außerhalb der IT-Branche beinahe zu einem Trendwort entwickelt, das alle verwenden. Um zu verstehen, was es genau auf sich hat mit Big Data haben wir dir nachfolgend die wichtigsten Aspekte aufgeführt und erklärt.

Was ist Big Data?

Unter dem Begriff Big Data wird eine umfangreiche Menge an unstrukturierten und strukturierten Daten verstanden, für deren Umwandlung in Wert spezifische Technologien und Analysemethoden erforderlich sind. (1)

In der Praxis wird der Begriff auch für viele angrenzende Konzepte verwendet: von der technologischen Fähigkeit, Daten zu speichern, zu aggregieren und zu verarbeiten bis hin zum kulturellen Wandel, der Wirtschaft und Gesellschaft durchdringt und in der Informationsflut ertrinken lässt.

Die ursprüngliche Definition von Big Data stammt von Gartner aus dem Jahre 2001 und lautete wie folgt: Unter Big Data versteht man Daten, die in großer Vielfalt, in großen Mengen und mit hoher Geschwindigkeit anfallen. Aus dieser Definition stammen auch die drei Begriffe V-Begriffe Variety, Volume und Velocity, die oft im Zusammenhang mit Big Data erwähnt werden.

  • Variety: Zu deutsch Vielfalt, steht Variety für die zahlreichen verfügbaren Datentypen. Traditionell waren Datentypen strukturiert und ideal für relationale Datenbanken geeignet. Mit dem Aufkommen von Big Data gibt es aber nun neue, unstrukturierte Datentypen. Unstrukturierte und semi-strukturierte Datentypen, beispielsweise Text, Audio und Video, erfordern eine zusätzliche Vorabverarbeitung, um die Bedeutung und die unterstützenden Metadaten zu erfassen.
  • Volume: Wie die Erklärung des Begriffes bereits erläutert, ist die Menge an Daten wichtig. Bei Big Data werden große Mengen an unstrukturierten Daten mit geringer Dichte verarbeitet. Je nach Unternehmen können das etliche Terabytes bis zu hunderten von Petabytes sein.
  • Velocity: Zu deutsch Geschwindigkeit, steht Velocity für die Schnelligkeitsrate, mit der Daten empfangen werden, aber auch mit der auf sie reagiert werden. Im Normalfall fließen die Daten direkt in einen Speicher und werden nicht auf eine Festplatte geschrieben. Internetfähige, intelligente Produkte können auch in Echtzeit oder beinahe in Echtzeit arbeiten. Entsprechend sind auch Auswertungen und Aktionen in Echtzeit erforderlich.

Teilweise wird der Begriff Big Data auch verwendet in Bezug auf leistungsstarke IT-Lösungen und Systeme, die zur Verarbeitung der Informationsflut dienen.

Wie wird Big Data analysiert?

Die Standard-Datenbanken und Softwares, die von Unternehmen bis anhin verwendet wurden, haben zunehmen Probleme mit dem stetig steigenden Volumen an Daten fertig zu werden. Problematisch ist jedoch nicht nur das Volumen, sondern auch die vielfältigen Datenformate die in Big Data vereint sind sowie die nicht ausreichende Geschwindigkeit des traditionellen Business Intelligence. Dies führt dazu, dass die unstrukturierten Daten nicht mehr effektiv verarbeitet werden können.

Die schiere Menge an Daten benötigt spezifisches Know-How und Technologien, damit eine Analyse überhaupt möglich wird. (Bildquelle: Markus Spiske / unsplash)

Die Verwaltung und Analyse von Big Data kann bei Unternehmen viel Zeit und Geld in Anspruch nehmen. Einerseits werden spezielle Softwares benötigt, welche mit den Volumen und den unterschiedlichen Dateiformaten der gesammelten Daten umgehen können. Andererseits erfordert die Analyse von Big Data auch Experten wie einen Data Scientist, der sich um die Big Data Analytics kümmert. (2)

Das Ziel von Big Data Analytics ist in erster Linie Entscheidungsgrundlagen für die Geschäftstätigkeit zu finden.

Oftmals handelt es sich dabei um Muster und Korrelationen, die aus den Daten herausgefiltert werden und anschliessend als Basis für strategische Entscheide gelten. Um dieses Ziel zu erreichen, analysiert ein Data Scientist die schieren Mengen an Transaktionsdaten aus den unterschiedlichsten Datenquellen und wertet diese aus. Data Mining ist ein weiterer Begriff, der oftmals in diesem Kontext verwendet wird.

Dank Hochleistungstechnologien wie Grid-Computing oder In-Memory-Analytics haben Unternehmen heute die Option, ihre gesamten Big Data-Bestände zu analysieren. Alternativ kann im Voraus ermittelt werden, welche Daten relevant sind, und erst anschliessend mit der Analyse zu starten.

Was hat Big Data mit Artificial Intelligence zu tun?

Die Verarbeitung und Analyse von Big Data beinhaltet extrem grosse Datenmengen und fordert daher leistungsstarke IT-Lösungen und Systeme, die mit dieser Informationsflut umgehen können. Diese neuen Softwares funktionieren oftmals mit Machine Learning bzw. Artificial Intelligence.
Big Data ist jedoch auch die Voraussetzung für AI und Machine Learning. Denn nur durch ausreichend grosse Datenmengen können Artifical Intelligence und Machine Learning lernen und sich weiterentwickeln.

Für was kann Big Data verwendet werden?

Durch die grossen Mengen an Daten, die den Unternehmen heute zur Verfügung stehen, eröffnen sich ganz neue Einblicke in die Interessen, das Kaufverhalten und auch das Risikopotenzial von Kunden und Prospects. (3)
Wenn Big Data Analytics kontinuierlich und gut umgesetzt wird, kann daraus ein Wettbewerbsvorteil erlangt werden.

Zur Einordnung und Analyse dieser Informationen greifen Data Scientists gezielt zu Analytics-Methoden. Darunter werden explizite Massnahmen verstanden, um unbekannte Korrelationen, versteckte Muster und andere nützliche Informationen aus den Daten zu identifizieren.

Die gewonnen Erkenntnisse können beispielsweise für ein effektiveres Marketing oder Umsatzsteigerung sorgen. Weitere Anwendungsbereiche von Big Data Erkenntnissen sind Produktentwicklung, Customer Experience, prädiktive Wartung, Vorantreiben von Innovation, betriebliche Effizienz sowie Betrug und Konformität.

Was sind die Herausforderungen bei Big Data?

Eine grosse Herausforderung im Zusammenhang mit Big Data stellt sich im Bereich von Datenzugriff, Datenmanagement und Datenspeicherung. (4) Mittlerweile bieten moderne Computersysteme die nötige Schnelligkeit, Rechenleistung und Flexibilität um schnell auf enorme Mengen und unterschiedliche Arten von Big Data zuzugreifen.

Jedoch stellen sich dem Unternehmen neue Aufgaben wie Integration der Daten, Sicherstellung der Datenqualität, Data Governance, sachgerechte Datenspeicherung als auch Datenaufbereitung für eine effektive Analyse. Herkömmliche Data Warehouses sind eine mögliche Option für die Datenspeicherung, aber auch Cloud-Lösungen, Data Lakes oder Hadoop.

Eine weitere Herausforderung stellt sich auch in der Kompatibilität der gesammelten Daten, besonders für Unternehmen, die sich noch im Anfangsstadium befinden was Big Data anbelangt.

Zu guter Letzt stellt auch die sich rasant entwickelnde Big-Data-Technologie eine Herausforderung dar für die Unternehmen. (5) Technologien, die noch vor ein paar Jahren als top of the top galten, sind heute bereits veraltet. Mit dieser Entwicklung Schritt zu halten ist eine kontinuierliche Herausforderung für Unternehmen, dessen Entscheidungsprozesse oftmals lang und rigid sind.

Fazit

Big Data beschäftigt Unternehmen stark auf unterschiedlichen Ebenen. Einerseits müssen die Daten gesammelt, gespeichert und für eine Analyse aufgearbeitet werden. Andererseits werden dafür Technologie und Know-How benötigt, was für Unternehmen ein grosses finanzielles Engagement bedeutet.

Bei kontinuierlicher und guter Big Data Analyse kann sich dies für das Unternehmen aber durchaus ausbezahlen. Sei es durch gezielteres Marketing und höhere Umsatzzahlen aber auch um Fehler zu entdecken und prädiktive Wartung zu betreiben, beispielsweise bei mangelhaften Produktserien.

Weiterführende Literatur: Quellen und interessante Links

[1] https://www.emerald.com/insight/content/doi/10.1108/LR-06-2015-0061/full/html

[2] https://link.springer.com/chapter/10.1007%2F978-3-658-13444-0_9

[3] https://link.springer.com/article/10.1007/s00287-014-0806-4

[4] https://link.springer.com/article/10.1007%2Fs11576-013-0350-x

[5] https://www.jstor.org/stable/41703503?seq=1

Bildquelle: 123rf / Monsit Jangariyawong

Warum kannst du mir vertrauen?

Testberichte