Big Data: Ein großer Gewinn für Deutschland?

VOLUME I
WIPRO DACH
INSIGHTS
SCHAFFT BIG DATA EINEN
GROSSEN GESCHÄFTSWERT FÜR
UNTERNEHMEN IN DEUTSCHLAND?
Erhöhen Sie den Geschäftserfolg durch datengesteuerte
Entscheidungsfindung
www.wipro.com
DO BUSINESS BETTER
Neue Methoden der
Datenverarbeitung:
Wie Unternehmen mit
Big-Data-Analysen die
Wertschöpfungskette steigern
Deutsche Unternehmen stehen aktuell vor der Aufgabe, umfangreiche Datenbestände für
die Chancen zur Steigerung derWertschöpfungskette zu nutzen.Obwohl die Unternehmen
prinzipiell die Instrumente zur Ableitung von strategischen Geschäftsentscheidungen
aus Daten kennen, sind sie aufgrund der fehlenden Expertise bisher nicht in der
Lage, nachhaltig von den vorhandenen Datenmengen zu profitieren. Im Folgenden
werden die Kernaufgaben der Unternehmen sowie ein auf fünf Schichten basierendes
Reifegradmodell zur Erläuterung zukunftsweisender Analyseverfahrendargestellt. Der
Druck auf die Unternehmen, Big Data-Analysestrukturen aufzubauen, resultiert auch
aus der Tatsache, dass Technologieunternehmen, die über dieses Know-how bereits
verfügen, sich in etablierten Märkten zu positionieren beginnen. Auch aus diesem
Grunde sollten die dort angesiedelten Traditionsunternehmen Datenanalysestrukturen
zwingend auf- oder ausbauen.
3
Durch die Menge der weltweit zur Verfügung stehenden Daten und neue Möglichkeiten für Datenanalysen hat sich
die Art und Weise, wie Unternehmen geschäftliche Problemstellungen angehen, grundlegend verändert. So werden
Entscheidungen vermehrt auf Basis von Daten und nicht mehr aufgrund eines Bauchgefühls oder individuellen
Erfahrungen getroffen. Diese Optionen werden erst durch die verbesserte Erfassung, Speicherung und Verarbeitung von
Daten sowie durch ausgefeilte Analysetechnologien zugänglich. Führend in ihren Märkten sind heute Unternehmen, die
aus internen und externen Daten strategische Erkenntnisse ableiten.
Bislang stützte sich das klassische Business Intelligence-Paradigma (BI) weitgehend auf interne Datenquellen wie ERP-und
CRM-Systeme zur Umsetzung von Entscheidungsprozessen. Darüber hinaus stehen Unternehmen heute aber weitaus
mehr Datenquellen zur Verfügung. So nahm beispielsweise die Anzahl der Data Delivery-Anbieter explosionsartig zu. Die
sozialen Netzwerke des Internets gehören zudem ebenso längst zu den verlässlichen Lieferanten großer Datenmengen
wie untereinander kommunizierende Maschinen und Sensoren. Trotz des schnellen Fortschritts in der Datenanalyse
haben deutsche Unternehmen mit dem rasanten Tempo der technologischen Entwicklung nicht Schritthalten können:
Tatsächlich werden datenbasierte Geschäftsentscheidungen hierzulande nur zögerlich getroffen. In Zukunft sollten
Unternehmen daher gezielt die Kompetenzen der Mitarbeiter rund um Big Data aufbauen und bestehende Denkweisen
verändern, damit in den Unternehmen „datengesteuertes Denken“ Einzug hält.
Im Wesentlichen ist unter Big Data der Zugang zu neuen Datenquellen und der Einsatz von fortgeschrittenen
Analysemethoden zur Verbesserung von vorhandenen Produkten und Prozessen zu verstehen. Allerdings nutzen die
meisten Unternehmen in Deutschland nach wie vor althergebrachte Berichts- und Planungssysteme. Anspruchsvolle
statistischeMethodensind oft noch Neuland, und Mitarbeiter mit der Fähigkeit, Daten mit diesen Methoden zu
analysieren, sind rar gesät. Daher sollten sich Firmen in Deutschland von der klassischen Sichtweise auf die Nutzung
von Business Intelligence-Daten verabschieden und stattdessen auf einen geschlossenen Kreislauf mit Datenerfassung
in Echtzeit und modernen Analysemethoden setzen.
Kernaufgaben
Für die Analyse der Ausgangssituation in den Unternehmen solltendie Big-Data-Struktur genau untersucht und die Bereiche ermittelt
werden, in denen Verbesserungenmöglich sind. Hier lohnt der Blick auf zwei Strukturschichten:
• Datenschicht
In der Datenschicht werden in erster Linie Daten aus internen und externen Quellen gezogen. Zu den internen Datenquellen gehören
Product-Lifecycle-Management-Systeme, Customer-Relationship-Management-Systeme, Enterprise-Resource-Planning-Systeme oder
auch Content-Management-Systeme. Auch wenn diese Datenquellen für sich genommen schon komplett sind, sollten Unternehmen
sicherstellen, dass die Daten auch branchen- und regionsübergreifend einheitlich sind.
4
Zudem sollten Unternehmen in Deutschland auch externe
Datenquellen in ihre Entscheidungssysteme integrieren. In
den vergangenen Jahren hat die Relevanz externer Daten
deutlich zugenommen: Immer mehr Daten werden etwa
über Mobiltelefone oder Sensoren, die beispielsweise in
der Medizintechnik, in Industriemaschinen oder der RFIDTechnologie zum Einsatz kommen, generiert.Aufgrund der Fülle
dieser Datenquellen und der Daten selber, sollten Unternehmen
aber sicherstellen, dass sie lediglich relevante Daten
erfassen, eine umfangreiche Struktur für die Datenerfassung
entwickelnund die Struktur in die Entscheidungssysteme und
-prozesse integrieren.
• Analyseschicht
Auf der Analyseebene erfolgt die Datenverarbeitung auf Basis
der strategischen Prioritäten. Leistungsstarke Analyseschichten
weisen folgende Merkmale auf:
• Strategische Ausrichtung – Direkte Integration der
strategischen Ziele in die Entscheidungsprozesse
• Vollständigkeit – Nutzung von Daten aus sämtlichen
internen und externen Quellen
• Offenheit – Anwendung von Algorithmen oder statistischen
Tools auf bestimmte Datenbestände
• Weiterentwicklung – Einsatz von neuesten Hard- und
Softwaretechnologien sowie ausgefeilten Algorithmen
sollten Unternehmen daher nicht nur qualifizierte
Experten einstellen, sondern auch Verantwortlichkeits- und
Rechenschaftsstrukturen aufbauen.
Darüber hinaus ist die Einbindung von externen,
unstrukturierten Daten in die Analyseschicht nicht einfach,
da diese Daten in der Regel unterschiedliche Formate
aufweisen und daher zunächst konsolidiert werden müssen.
Insbesondere sollte darauf geachtet werden, dass Text- und
Data-Mining mit großen Datenbeständen vermieden werden,
um die „Überanalyse“ von verfügbaren Daten und die
Ableitung fehlerhafter Erkenntnisse auszuschließen.
Verbesserte Analysen auch zwischen diesen beiden
Ebenen – Datenschicht und Analyseschicht – können
die Wertschöpfung zusätzlich steigern. Bisher haben
sich IT-Abteilungen vor allem mit der Verbesserung der
Datenschichtbeschäftigt, die sich durch Nutzung neuer
Quellen und verbesserte Strukturierungsmethoden erreichen
lässt –etwa durch die Erkennung von Sprache und Schrift, die
Analyse von Videoinhalten oder Speichertechnologien. Eine
Strukturierung und Speicherung von Daten ist aber ineffizient,
wenn die Unternehmensbereiche daraus keine brauchbaren
Erkenntnisse ableiten können. Noch mühsamer gestalten
sich Analysen, wenn unterschiedliche Datenarten vorhanden
sind. Hauptproblem einiger Unternehmen in Deutschland
ist allerdings grundsätzlich die fehlende Kompetenz beim
Umgang mit der Analyseschicht..
Traditionelle Business Intelligence-Methoden basieren
weitgehend auf strukturierten Daten aus internen Quellen.
Daher sind sie nicht für die Nutzung von unstrukturierten
Daten wie für Dokumente, Emails oder Telefonanrufe
geeignet. Obwohl Unternehmen in Deutschland den Einsatz
von Big Data als positiv bewerten, steht kein ausreichendes
Know-how zur Verfügung, mit dem sie auf die Daten zugreifen
könnten; die IT-Abteilungen beschäftigen sich aktuell noch
zu wenig mit Big Data, obwohl die Unternehmensbereiche
stark davon profitieren würden. Auch die Fachbereiche
wissen noch zu wenig über die Fragestellungen an das
vorliegende Datenmaterial, die ihnen echten Gewinn fürs
Business bringen.Um unstrukturierte Daten zu verwenden,
5
Reifegradebenen
Auf Grundlage der bisherigen Ausführungen ergibt sich ein Reifegradmodell für Business Intelligence und Big Data in deutschen
Unternehmen, das von dem Umfang abhängt, mit dem sie Big Data-Technologien vorantreiben.
Änderung der klassischen
Wertschöpfungskette
Informations-Intensität
in der Wertkette
Hoch
Information =
Strategischer
Produktionsfaktor
Management umfassender
Wertschöpfungsnetzwerke
Information =
dominierender
Produktionsfaktor
Branchentransformation und
neue Geschäftsmodelle
Interne und externe
Prozesse
Niedrig
Information =
Strategischer
Produktionsfaktor
Interne Prozesse
Hoch
Unternehmensbereiche
Niedrig
Wertschöpfung
Unterstützung
Wertschöpfung
Unterstützung
Informations-Intensität in der Leistung
Grad der Leistungsexpansion
1.Abteilungsorientierte Analyse
Diese Ebene entspricht dem traditionellen Business
Intelligence-Modell mit abteilungsspezifischen Techniken der
Datenerhebung und -verarbeitung. Nachteil dieser Methodik
ist, dass Unternehmenkeine Synergieeffekte zwischen den
Abteilungen erzielen können. So nutzt beispielsweise die
Produktionsabteilung eines Automobilherstellers historische
Daten über die Lebenszyklen der Produktentwicklung.
Im Vertrieb und Marketing des Unternehmens stehen
Datenüber Kundenpräferenzen oder Vertriebsstrategien
zur Verfügung. Im Rahmen eines abteilungsorientierten
Ansatzesverwendet nun jede Abteilung ihre eigenen Daten,
um die Funktionsbereiche und Angebote zu verbessern.
6
Allerdings wäre das Unternehmen prinzipiell weitaus besser
in der Lage, an Kundenanforderungen ausgerichtete Autos
herzustellen, wenn die Daten aus der Produktion mit
den Vertriebserkenntnissen zusammen gebracht werden
könnten.
Verschiedene Gründe verhindern bislang diese Kombination
von Daten:
• Daten aus zwei Quellen liegen in inkompatiblen Formaten
vor
• Abteilungen befinden sich in unterschiedlichen Ländern oder
verwenden für die täglichen Betriebsabläufe unterschiedliche
Sprachen
• Adäquate Kommunikationskanäle fehlen
• Das Wissen darüber, dass ein Datenaustausch überhaupt
möglich ist, ist mangelhaft
Diese Probleme sind lösbar, wenn die Unternehmensleitung die
Initiative ergreift und entsprechende Möglichkeiten sucht.
3.Integrierte Datenverwaltung
Auf dieser Ebene werden Datenanalysefunktionen für
Unterstützungs- und Kernprozesse integriert, die sowohl
interne als auch externe Prozesse umfassen.Alle internen
und externen Daten werden zusammengeführt, um die
funktionsübergreifende Zusammenarbeit zu optimieren. Nur
auf dieser Ebene kann ein Unternehmen alle verfügbaren
Datenressourcen nutzen. Am Beispiel des Automobilherstellers
würde dies bedeuten, dass das Unternehmen HR-Daten
verwendet, um die Mitarbeiterproduktivität zu optimieren,
PLM- und Marketingdaten kombiniert, um kosteneffiziente
und kundenorientierte Produkte zu entwickeln und externe
Wirtschaftsdaten nutzt, um die Nachfrage in verschiedenen
Ländern zu ermitteln und damit Entscheidungen über
Preisgestaltung und Angebot zu treffen. Unternehmen,
die in veränderten Umfeldern wettbewerbsfähig bleiben
möchten, sollten eine auf vereinheitlichten datenbasierende
Infrastruktur aufbauen. Darüber hinaus sollten Unternehmen
ein Datenanalyse-Team zusammenstellen, das mit der IT und
den Business Teams kommuniziert und für die Ableitung von
strategischen Erkenntnissen zuständig ist.
2.Prozessorientierte Analyse
Unternehmen auf der zweiten Reifegradebene nutzen
Datenanalysetechniken auf der internen Prozessebene.
Grundsätzlich werden diese Prozesse in zwei Typen unterteilt:
in Kern- und Unterstützungsprozesse. In vielen deutschen
Branchen ist man heute mit Datenanalysetechniken für
Unterstützungsprozesse,nicht aber für Kernprozesse vertraut.
Beispielsweise verwendet die Personal- und Finanzabteilung
eines Automobilherstellers Datenverwaltungstechniken, die
in den Abteilungen Produktion und Logistik nicht eingesetzt
werden können. Diese Situation resultiert aus der Tatsache,
dass kommerzielle Analyselösungen wie ERP-Systeme für
Unterstützungsprozesse ohne weiteres verfügbar sind. Zudem
werden Kernprozesse zum Teil komplett durch interne Teams
verwaltet, die nicht über das erforderliche Know-how verfügen–
auch wenn sie das Potenzial der Datenanalyseverstehen.
Schließlich sind mittlerweile Drittsysteme für Kernprozesse
verfügbar; interne Teams müssen aber erst noch die Vorteile
der Datenverwaltung und Implementierungdieser Lösungen
erkennen.
4.Neue datengesteuerte Geschäftsmodelle
Unternehmen, die auf den ersten drei Reifegradebenen
operieren, nutzen die Datenanalysen vorwiegend zur
Erweiterung der bestehenden Geschäftsprozesse. Der nächste
logische Schritt ist dann die Einführung eines völlig neuen
Geschäftsmodells, bei dem das Unternehmen von Big-DataAnalysen profitiert. Beispielsweise ermöglicht ein GPS-Gerät,
das in einem Auto installiert ist, die Nachverfolgung des
Kraftstoffverbrauchsund Bestimmung des Verschleißes und
könnte für die Ermittlung von Wartungsterminen eingesetzt
werden. Zudem könnten Sensoren den Motorzustand oder
das Fahrverhalten erfassen und den Produktionsprozess durch
Ausrichtung an den Kundenanforderungen optimieren.
5.Datenökosysteme
Datenökosysteme
gehen
über
das
datenbasierte
Geschäftsmodell hinaus. Bislang konnten diese Ökosysteme
von deutschen Traditionsunternehmen noch nicht umgesetzt
7
werden. Zu dem Geschäftsmodell gehört der Aufbau einer
Dateninfrastruktur, in der verschiedene Geräte kontinuierlich
Informationen liefern. Damit entwickelt sich die Datenanalyse
von einem eher geringen Einflussfaktor in der strategischen
Entscheidungsfindung zu einer der wichtigsten Triebfedern.
Beispiele für diese Strukturen liefern die Technologieriesen
Google mit seiner Suchmaschine und Apple mit iTunes und
seinem App Store. Beide Unternehmen betreiben datenintensive
und auf Echtzeitanalysen basierende Geschäftsmodelle.
Aktuell nutzen Unternehmen in Deutschland die beiden
ersten Reifegradebenen für Big-Data-Analysen. Einige wenige
Firmen operieren auf der dritten Ebene, der integrierten
Datenverwaltung. Um erfolgreich zu bleiben, sollten diese
Unternehmen strikte Datenverfahren für die täglichen
Betriebsabläufe einführen. Die Unternehmensleitung sollte
sicherstellen, dass zwischen den Unternehmensbereichen und
der Datenanalyse keine Lücken bestehen. Ferner sollten IT
Teams Methoden zur Einbindung von Gerätedaten in die Analyse
finden. Hier sollte eine Zusammenarbeit mit den BusinessTeams erfolgen, damit die erforderliche Analysemethode
identifiziert und die wichtigsten Leistungskennzahlen definiert
werden.
Zukunftsperspektive
Die jüngsten Entwicklungen in der Datenanalyse haben
die Grenzen zwischen den unterschiedlichen Branchen
aufgeweicht. Automobilhersteller wie Daimler, BMW oder Audi
profitieren von denselben Datenanalysesystemen wie etwa die
Supermarktkette Lidl. Erkenntnisse über das Kundenverhalten,
regionale Präferenzen oder die Wetterlage unterstützen die
Entwicklung des perfekten Automobils genauso, wie sie die
Rentabilität von landwirtschaftlichen Produkten steigern.
In diesem Kontext müssen sich Hersteller künftig mit
Technologieunternehmen wie Google und Facebook messen,
die Vorreiter in der Datenanalyse sind. Beispielsweise hat
Google bereits versucht, sich in der Automobilwelt mit dem
Projekt für das „Fahrerlose Auto“ zu etablieren.
Unternehmen in Deutschland sind beim Aufbau eines
umfassenden Datenökosystems mit vielen Hindernissen
konfrontiert. Produktionsfirmen beauftragen beispielsweise
8
in der Regel viele unterschiedliche Lieferanten; bis zu 70
Prozent der Einzelteile, die Autohersteller verwenden,
stammen von solchen Zulieferern. Diese Unternehmen
sind nicht in der Lage, eine Infrastruktur mit Echtzeitdatenin
ihre
Endprodukte
einzubetten.
Dienstleister
wie
Telekommunikationsgesellschaften haben möglicherweise
Zugang zu mehr Kompetenzen, die wesentlich stärker auf
die Datenanalyse ausgerichtet sind. Diese Unternehmen
unterliegen aber auch gesetzlichen Beschränkungen bei
der Speicherung und Nutzung von Kundendaten. In jedem
Fall können Unternehmen mit Dritten und Datenexperten
zusammenarbeiten, um Alternativlösungen zu entwickeln.
So können Autohersteller GPS- oder Diagnosegeräte
installieren, die Daten aus dem Mikrosteuerbaustein des
Motors auslesen und in ihr Produktangebot integrieren.
Oder Telekommunikationsanbieter kooperieren mit OnlineMessenger-Diensten oder Suche-Anbietern, um ihre Kunden
besser zu verstehen.
Schlussfolgerung
Verantwortlich für die Nutzung von Big
Data in deutschen Unternehmen ist die
Organisationsebene.
Daher
sollte
die
Unternehmensleitung über die Möglichkeiten zur
Steigerung der Wertschöpfung informiert sein und,
falls keine integrierte Datenstrategie zur Verfügung
steht,
entsprechende
Verantwortlichkeiten
aufbauen und Roadmaps entwerfen. Darüber
hinaus sollte geklärt werden, wer für die Bereiche
Business Intelligence und Big Data verantwortlich
ist – die IT oder die Kerngeschäfte. Da die
unterschiedlichen Abteilungen und Prozesse in
Traditionsunternehmen ihre Daten meist nicht
austauschen, wirken sich alle Maßnahmen zur
Integration positiv auf die Wettbewerbsfähigkeit
aus. Dabei ist zu beachten, dass die Kompetenzen
und Technologien optimiert werden müssen,
bevor die Unternehmen von der Datenanalyse
profitieren.
Durch Technologieunternehmen, die
ihre
Wissensgrundlage nutzen, um in traditionelle
Märkte einzusteigen, werden die Märkte künftig
noch wettbewerbsintensiver. Big Data bietet
Unternehmen, die sich dieser Herausforderung
stellen, völlig neue Geschäftsmöglichkeiten.
Autor: Prof. Dr. Andreas Seufert
Prof. Dr. Andreas Seufert lehrt Betriebswirtschaft und
Informationsmanagement im Fachbereich Management und
Controlling an der FH Ludwigshafen am Rhein und ist Direktor
des Instituts für Business Intelligence an der SteinbeilsHochschule Berlin sowie Leiter des Arbeitskreises „Business
Intelligence” des Internationalen Controllervereins. Darüber
hinaus ist er als Gutachter renommierter Zeitschriften und
Konferenzen tätig.
Prof. Dr. Seufert verfügt über langjährige Erfahrung im Bereich
der akademischen Forschung und Lehre, unter anderem an
der Universität St. Gallen sowie dem Massachusetts Institute
oft Technology (MIT). Als (Co-) Autor und Herausgeber
von Büchern, Zeitschriften und
Konferenzbeiträgen
verfasste er über 100 Publikationen. Er besitzt zudem
langjährige internationale Erfahrung im Bereich der IT- und
Managementberatung. Schwerpunkte seiner internationalen
Forschungs- und Beratungstätigkeiten sind Strategisches
Management, Informationsmanagement, Controlling und
Unternehmenssteuerung, Business Intelligence/Big Data und
Corporate Performance Management sowie Knowledge
Management und Web 2.0.
Weitere Informationen stehen zur Verfügung unter:
http://www.i-bi.de/
9
DIE MACHT DER ANALYSE
Laut einer neuen, von Wipro in Auftrag gegebenen Studie der Economist Intelligence Unit besteht ein
enger Z
usammenhang zwischen Gewinnwachstum und der strategischen Nutzung von Daten.
11
Großer Wert durch Big Data
Qualität, nicht Quantität
Manch einer denkt möglicherweise, wir würden Begeisterung empfinden angesichts
der Flut an Zahlen, die wir zu sehen bekommen. Das ist eine falsche Vorstellung. Das
Ironische ist, dass in einer Welt knapper werdender Ressourcen viele an der einen
Sache zu ersticken drohen, die wir im Überfluss haben.
12
In meiner Interaktion mit globalen Unternehmen
bekomme ich den Eindruck, dass die IT-Experten von
dem Datenstrom, dem sie gegenüberstehen, geradezu
erdrückt werden. Sie wissen nicht, wo sie in Big
Data nach Wert suchen sollen. Sie fragen: „Kann man
Quantität in Qualität umwandeln?“ Sie meinen damit:
„Hilf mir, einen geschäftlichen Nutzen für diesen riesigen
Berg von Daten, die wir erfassen, zu finden.“ Um Daten
effektiv zu nutzen, ist es zunächst wichtig, einen starken
Business Case zu schaffen: Wie viel Geld und Zeit kann
ich dadurch sparen? Wie hoch ist der Wert dieser Zeit?
Wie stark kann ich Ressourcen kürzen, wenn ich Big
Data und Analysen verwende? Welche Einblicke kann
ich dadurch gewinnen, die wiederum zusätzliches
Geschäft schaffen, zu neuen Produkten führen, helfen,
neue Märkte zu erschließen, oder sicherstellen, dass
wir vor dem Wettbewerb stehen? Kann ich dadurch
Kundenbegeisterung hervorrufen? Was ist diese
Kundenbegeisterung wert? Das Seltsame ist, dass
viele Unternehmen denken, sie müssten frische oder
zusätzliche Datenquellen anzapfen, um diesen Wert
freizusetzen. Zugegebenermaßen ist dies oft der Fall.
Doch genauso oft haben wir festgestellt, dass die Realität
überraschend – und angenehm – simpel sein kann.
Anstatt mehr Daten fehlen möglicherweise Faktoren wie die
Verfügbarkeit kritischer Daten in Echtzeit. Nehmen wir den Fall
eines Herstellers von schwerem Bergbaugerät. Der Hersteller
wollte ein Gerät auf der Grundlage strenger Service-LevelVereinbarungen nach Kilometern abrechnen. Vor einigen Jahren
wäre das ein einfach zu planender Service gewesen: Es hätte mehr
oder weniger bedeutet, dass der Hersteller die Kosten für das
Gerät und die Wartung durch die zu erwartende durchschnittliche
Lebensdauer des Geräts teilen muss. Mit dieser Methode, die hier
zugegebenermaßen stark vereinfacht wurde, hätte der Hersteller
eine große Menge an Ersatzgerät zur Verfügung stellen müssen,
um sicherzustellen, dass die Service-Level-Vereinbarungen
eingehalten werden. Dadurch wären die Kosten für den Service
erheblich gestiegen und er wäre nicht überlebensfähig gewesen.
Das ist mittlerweile anders.
Der Hersteller ist unser Kunde.Wir haben diesen Service für den
Kunden durch die Überwachung der Anlagen in Echtzeit möglich
gemacht. Dadurch werden Störungen vorhergesagt und es wird
sichergestellt, dass das Gerät gewartet wird, bevor es ausfällt. Und
so werden die anspruchsvollen Service-Level-Vereinbarungen
eingehalten.
Die Nutzung von Daten und Analysen in Echtzeit hat dem
Unternehmen dabei geholfen, eine alternative Einnahmequelle
zu schaffen. Die Tatsache, dass das Unternehmen die strengen
Service-Level-Vereinbarungen einhalten kann, bedeutet auch, dass
seine Kunden zufrieden sind. In diesem Fall ist die Datenmenge
deutlich angestiegen. Doch das allein war nicht ausreichend. Wir
mussten die gesamte Datenkette in Echtzeit durchsuchen: von
der Erfassung über die Anreicherung, die Bereinigung und die
Analyse bis zur Aktion. Wir haben nicht versucht, eine Lücke
beim Wissen darüber, was im Einsatz an dem Bohrgerät passieren
könnte, zu schließen. Die Daten über die Geräteleistung standen
dem Fragenden stets zur Verfügung. Man konnte jederzeit als
Historiendaten-Dump darauf zugreifen. Stattdessen mussten wir
zu einem Echtzeit-Management der Daten sowie der Analyse
übergehen. Für Big Data kann es sehr viele Anwendungsfälle
geben. Organisationen müssen sich zunächst immer über den
Unternehmenswert, der aus Daten gewonnen werden kann,
einigen. Erst dann sollten sie festlegen, wie die Daten untersucht
werden sollen, um diesen Wert herauszuziehen. Um Big Data
zu einer Quelle nutzbarer Informationen zu machen, benötigt
13
Vorantreiben von Maschinendateneinblicken
Verbesserung der Kundeneinblicke
Analysen können dazu beitragen, eine 720-Grad-Ansicht des
Kunden zu erhalten und eine extreme Personalisierung zu schaffen,
wettbewerbsfähige Preise für ausgewählte Kundengruppen anzubieten,
die Markentreue zu steigern und den Konsum durch gezielte Angebote
und Kampagnen anzutreiben
man ein erfahrenes Team. Man braucht Anwendungen, um die
Daten zu verarbeiten und in die gewünschte Form zu bringen.
In-Memory-Computing, Pattern Hubs und die Fähigkeit, sich
den Datenfluss zunutze zu machen, sind die neuen Waffen,
um das Big Data-Problem in den Griff zu bekommen. Hier
beginnt auch die Unsicherheit bei den IT-Teams: Die benötigten
Ressourcen, das Tool-Kit, das dabei helfen wird, das Zahlenchaos
zu durchsuchen, die Menschen, die Tücken und die Kosten, die
damit verbunden sind, sind derzeit noch unklar. Big Data und
Analysen zu nutzen, ist in Ihrem Geschäft unvermeidbar. Schaffen
Sie einen Anwendungsfall dafür. Alles andere wird sich von selbst
ergeben. Ein starker Anwendungsfall ist für gewöhnlich ein guter
Ausgangspunkt, denn damit können Sie nach Qualität suchen,
anstatt sich in Quantität zu verlieren.
14
Das Nutzen von Maschinen- und Gerätedaten
kann dabei helfen, Störungen zu verhindern und
Geld durch kürzere Stillstandszeiten zu sparen
Größe des digitalen Universums 2011
1,8 Zetabyte
Vorausgesagtes Wachstum 2009 - 2020
35 Zetabyte
Betrugsprävention
Kostensenkung im IT-Bereich
Betrugsprävention durch
korrelierende Daten aus
mehreren Quellen wie CDRs von
Finanztransaktionen und so weiter
Datentrennung, speicherbasiert nach Art
und Wichtigkeit der Daten, sowie Nutzung
von kostengünstigen Datenbanken,
Big Data-Plattformen/Open SourcePlattformen
Autor: K. R. Sanjiv
„K. R. Sanjiv ist Senior Vice President und Chief Technology
Officer der globalen IT-Sparte von Wipro. Als CTO verantwortet
er die Strategie und Vision der technologischen Entwicklung
des Unternehmens. Dies umfasst die Entwicklungszeit, die
Schaffung eines Ökosystems für innovative Entwicklungen in
diesen Bereichen, das IP-Management sowie den Aufbau von
Industrie- und Forschungs-Partnerschaften. Bevor er diese Rolle
innehatte, war er globaler Leiter des Geschäftsbereichs Analytics
& Information Management. Er trug die globale Verantwortung
für den Jahresabschluss, die Strategie und den operativen Betrieb
des Bereichs und war dem CEO unterstellt. Sanjiv verfügt über
mehr als 25 Jahre Erfahrung im IT-Bereich, einschließlich Beratung,
Anwendung und Technologieentwicklung und war in verschiedenen
Industriesegmenten sowie Technologiebereichen tätig.
Seit Sanjiv 1989 zuWipro kam,ist er mit der Unternehmensarchitektur
für Organisationen befasst und kümmert sich um technische
Modelle, die Definition von Transformationsprogrammen und
Governance-Modelle.
Sanjiv hat bei führenden CxO-Gipfeln, Branchen- und akademischen
Konferenzen zu verschiedenen Themen aus dem Bereich Business
Technology referiert. Er hat einen Bachelor-Abschluss vom Birla
Institute of Technology and Science, Pilani.”
15
DO BUSINESS BETTER
www.wipro.com
NYSE:WIT | ÜBER 140.000 MITARBEITER | 60 LÄNDER | CONSULTING | SYSTEMINTEGRATION | OUTSOURCING
Wipro LTD., Doddakannelli, Sarjapur Road, Bangalore - 560 035, India
Wipro in DACH - Deutschland, Österreich, Schweiz
Tel: +91 (80) 2844 0011, Fax: +91 (80) 2844 0256
Tel: +49 221 355 001 0, Fax: +49 221 995 549 60
© Copyright 2014. Wipro Ltd. Alle Rechte vorbehalten. Kein Teil dieser Veröffentlichung darf in irgendeiner Form oder mit irgendwelchen Mitteln vervielfältigt, in einem Datenempfangssystem
gespeichert, übermittelt (elektronisch, mechanisch, durch Fotokopie, Aufzeichnung oder andere Mittel) werden ohne die ausdrückliche schriftliche Genehmigung von Wipro Ltd. Alle anderen hier
erwähnten Marken sind Eigentum ihrer jeweiligen Besitzer. Inhalte können ohne vorherige Ankündigung geändert werden.
IND/PMCS/WIPRO/JUN 2014 - AUG 2014