Benutzer-Werkzeuge

Webseiten-Werkzeuge


konzepte:volumen
  • Bookmark "Volumen (BigData)" auf del.icio.us
  • Bookmark "Volumen (BigData)" auf Digg
  • Bookmark "Volumen (BigData)" auf Furl
  • Bookmark "Volumen (BigData)" auf Reddit
  • Bookmark "Volumen (BigData)" auf Ask
  • Bookmark "Volumen (BigData)" auf Google
  • Bookmark "Volumen (BigData)" auf Netscape
  • Bookmark "Volumen (BigData)" auf StumbleUpon
  • Bookmark "Volumen (BigData)" auf Technorati
  • Bookmark "Volumen (BigData)" auf Live Bookmarks
  • Bookmark "Volumen (BigData)" auf Yahoo! Myweb
  • Bookmark "Volumen (BigData)" auf Facebook
  • Bookmark "Volumen (BigData)" auf Newsvine
  • Bookmark "Volumen (BigData)" auf Yahoo! Bookmarks
  • Bookmark "Volumen (BigData)" auf Twitter
  • Bookmark "Volumen (BigData)" auf myAOL
  • Bookmark "Volumen (BigData)" auf Slashdot
  • Bookmark "Volumen (BigData)" auf Mister Wong

Volumen (BigData)

Einführung

BigData wird heutzutage durch die allumfassende Vernetzung in Unternehmen immer mehr Relevanz zugeschrieben. Der Begriff wird durch das Marktforschungsunternehmen Gartner wie folgt erklärt: „Big data is high-volume, high-velocity and/or high-variety information assets“ (http://www.gartner.com/it-glossary/big-data). Im Zusammenhang mit der angegebenen Definition spricht man oft von den drei Vs. Das erste V steht für das große Volumen an Daten, die für analytische Zwecke weiterverarbeitet werden sollen. Die folgende Ausarbeitung soll einen kurzen Einblick in die erste Dimension von BigData im geschäftlichen Kontext geben.

Betriebswirtschaftlicher Mehrwert

Im Konzept von BigData hat jedes Objekt aus der realen Welt seinen eigenen digitalen Fußabdruck. Dieser wird durch verschiedenste Daten beschrieben. Ein Beispiel hierfür ist die Verknüpfung von Kundenprofilen mit sozialen Medien wie Facebook. Das Unternehmen gelangt sowohl an interne Verkaufsattribute wie Art der Produktkäufe, Wert der Käufe, Bonität etc., als auch an Vorlieben und Interessen aus dem sozialen digitalen Umfeld. Der Mensch in der Rolle Kunde produziert selbst Unmengen an Daten, die für das gezielte Ausrichten von Werbemaßnahmen genutzt werden können. Oft fehlt es jedoch an Bewusstsein, dass die Daten zu analytischen Zwecken weiterverarbeitet werden dürfen. Das Handelsblatt schreibt dazu: „Der Käufer liefert die Daten-Bausteine, oft ohne darüber nachzudenken: etwa mit seiner Kundenkarte am Ladentisch oder dem Warenkorb am Bildschirm.“ (http://www.handelsblatt.com/unternehmen/handel-konsumgueter/goldmine-kundendaten-risikofaktor-big-data/9108330.html). Kunden selbst generieren durch die Benutzung von smarten Gegenständen (InternetOfThings) wie Heizungsteuerung oder Fitnessarmbändern sehr viele Daten, die für unternehmerische Zwecke verwendet werden können. ERP-Systeme bilden funktionale Bereiche wie Vertrieb oder Produktion digital ab. Ein Data-Warehouse vereint dabei diversen internen und externen Daten. Es werden Stammdaten sowie Transaktionsdaten aufgenommen und verarbeitet. Da in Unternehmen Geschäftsprozesse wie Einkäufe, Verkäufe oder Produktionsvorgänge mit hoher Frequenz (das zweite V in o.g. Definition von BigData) durchlaufen werden, fallen in kurzer sehr viele Transaktionsdaten an. Stammdaten wie Kundenadressen ändern sich eher seltener. Mitarbeiter werden durch die Verwendung mobiler Endgeräten befähigt beide Datenarten standortunabhängig und ad-hoc in die IT-Systeme des Unternehmens einzupflegen. Auch sie nehmen dabei die Rolle des Datenproduzenten an (vgl. http://www.businessinsider.com/big-data-is-growing-thanks-to-mobile-2013-12). Durch die Analysen der Daten lassen sich Prozesse optimieren, Prognosen durchführen und die Zufriedenheit der Mitarbeiter oder Kunden stärken.

Technische Herausforderungen

Auf Grund der Verbindung verschiedenster Datenquellen für Auswertungszwecke fallen z.T. sehr heterogene Daten an (drittes V in o.g. Definition von BigData), die zunächst abgefangen und zusammen gespeichert werden müssen. Problematisch hierbei ist die Aufbereitung von unstrukturierten Daten wie Posts oder Blockeinträge in ein brauchbares Format. Für die Integration mit strukturierten Daten müssen bestimmte Text-Mining-Algorithmen verwendet werden, die sich auf eine Vielzahl von Dokumenten anwenden lässt. In sozialen Medien werden täglich bis zu 4,75 Mrd. Inhalte veröffentlicht (vgl. http://www.futurebiz.de/artikel/facebook-statistiken-475-mrd-inhalte-werden-taeglich-auf-facebook-geteilt/). Für die Verwendung dieser und weiterer Daten benötigen Unternehmen solide Datenbankstrukturen. Ein Data-Warehouse bietet die Möglichkeit, historisierte und integrierte Daten zu verwalten und für Entscheidungsunterstützende Aufgaben benutzen zu können. Da vernetzte smarte Gegenstände oft in Echtzeit mit IT-Systemen kommunizieren, ergibt sich eine weitere Anforderung. Datenanalysen mit Data-Warehouse-Anbindung in Echtzeit stellt Unternehmen vor großen technischen Herausforderungen. Oft wird skalierbare Technologie wie MPP-Cluster (vgl. http://searchbusinessanalytics.techtarget.com/news/2240111416/Clustering-SMP-and-MPP-in-Very-Large-Data-Warehouses-VLDWs) verwendet, die jedoch sehr komplex bei Einführung und Wartung ist. Der reibungslose Aufbau des Datenstroms von operativen Quellsystemen bis hin zur Visualisierung der Untersuchungen wird durch immer schneller auftretende Inhalte in internen und externen Systemen erschwert. Oft fehlt es an qualifizierte Mitarbeiter, die die komplexen technischen Systeme bedienen können (vgl. http://www.silicon.de/blog/die-fuenf-groessten-herausforderungen-von-big-data/).

Fazit und Ausblick

Die digitale Ausrichtung von Unternehmen muss mit den hohen Datenvolumina abgestimmt sein. Andernfalls könnten einzelne Betriebe nicht mehr konkurrenzfähig sein. Marktanalysen durch Data-Warehousing ist zurzeit ein zentraler Bestandteil von BigData. Des Weiteren werden schon bald neue Trends in diesem Bereich zu erkennen sein (vgl. http://www.ibmbigdatahub.com/blog/big-data-and-analytics-trends-2017-james-kobielus-s-predictions). BigData steigert durch das hohe Volumen signifikant die Anforderungen an eine solide Data-Warehouse-Struktur.

  • Bookmark "Volumen (BigData)" auf del.icio.us
  • Bookmark "Volumen (BigData)" auf Digg
  • Bookmark "Volumen (BigData)" auf Furl
  • Bookmark "Volumen (BigData)" auf Reddit
  • Bookmark "Volumen (BigData)" auf Ask
  • Bookmark "Volumen (BigData)" auf Google
  • Bookmark "Volumen (BigData)" auf Netscape
  • Bookmark "Volumen (BigData)" auf StumbleUpon
  • Bookmark "Volumen (BigData)" auf Technorati
  • Bookmark "Volumen (BigData)" auf Live Bookmarks
  • Bookmark "Volumen (BigData)" auf Yahoo! Myweb
  • Bookmark "Volumen (BigData)" auf Facebook
  • Bookmark "Volumen (BigData)" auf Newsvine
  • Bookmark "Volumen (BigData)" auf Yahoo! Bookmarks
  • Bookmark "Volumen (BigData)" auf Twitter
  • Bookmark "Volumen (BigData)" auf myAOL
  • Bookmark "Volumen (BigData)" auf Slashdot
  • Bookmark "Volumen (BigData)" auf Mister Wong
konzepte/volumen.txt · Zuletzt geändert: 2017/04/03 10:55 von niklasgiesa