Was versteht man unter Big Data?

Big Data bezeichnet die unglaubliche Menge strukturierter und unstrukturierter Informationen, die von Menschen und Maschinen generiert werden – laut PwC sind es täglich mehrere Petabyte. Es sind die Social Media-Posts, die wir nach Kundenstimmungen durchforsten, Sensordaten, die den Status von Maschinen anzeigen, und Finanztransaktionen, die Geld mit Höchstgeschwindigkeit bewegen. Darüber hinaus ist die Bedrohung zu groß, zu vielfältig und kommt viel zu schnell auf uns zu, als dass herkömmliche Tools und Verfahren zur Datenverarbeitung eine Chance hätten.

Es ist auch viel zu wertvoll, um nicht analysiert zu werden. Mit Big Data können Sie aus dieser umfassenden Datensammlung Erkenntnisse gewinnen, die einem Unternehmen dabei helfen, effizienter zu werden, schneller Innovationen zu schaffen, mehr Geld zu verdienen und einfach rundum erfolgreich zu sein.

Glücklicherweise machen die Fortschritte in den Bereichen Analytik und maschinelles Lernen die Big Data-Analyse für jedes Unternehmen zugänglich.

Was versteht man unter Big Data? Big Data: Definition

Bei Big Data handelt es sich um extrem große und komplexe Datensätze, die mit herkömmlichen Datenverarbeitungstools, insbesondere Kalkulationstabellen, nicht einfach verwaltet bzw. analysiert werden können. Big Data umfasst strukturierte Daten, wie eine Bestandsdatenbank oder eine Liste finanzieller Transaktionen; unstrukturierte Daten, wie Social-Media-Beiträge oder Videos; und gemischte Datensätze, wie sie zur Schulung von großen Sprachmodellen für KI verwendet werden. Diese Datensätze können alles enthalten, von den Werken Shakespeares bis hin zu den Budgettabellen eines Unternehmens der letzten 10 Jahre.

Big Data ist weiter gewachsen, da technologische Durchbrüche die Kosten für Speicher und Rechenleistung erheblich gesenkt haben. Dadurch ist es einfacher und günstiger geworden, mehr Daten als je zuvor zu speichern. Mit diesem erhöhten Datenvolumen können Unternehmen genauere und präzisere Geschäftsentscheidungen auf Basis ihrer Daten treffen. Doch den vollen Nutzen aus Big Data zu ziehen, bedeutet nicht nur, diese zu analysieren – auch wenn das bereits ein großer Vorteil ist. Vielmehr handelt es sich um einen kompletten Entdeckungsprozess, der einsichtige Analysten, Geschäftsbenutzer und Führungskräfte erfordert, die die richtigen Fragen stellen, Muster erkennen, begründete Vermutungen anstellen und Verhaltensweisen prognostizieren.

Was sind die fünf Merkmale von Big Data?

Traditionell erkennen wir Big Data an drei Merkmalen: Vielfalt, Volumen und Geschwindigkeit, auch bekannt als die „drei V“ (Variety, Volume und Velocity). Allerdings sind in den letzten Jahren zwei weitere Merkmale („Vs“) dazugekommen: Wert und Wahrhaftigkeit (Value und Veracity).

Diese Ergänzungen sind sinnvoll, da Daten heute als Kapital gelten. Man denke nur an die weltweit größten Technologieunternehmen. Viele der Produkte, die sie anbieten, basieren auf ihren Daten, die sie ständig analysieren, um mehr Effizienz zu erzielen und neue Initiativen zu entwickeln. Der Erfolg hängt von allen „fünf V“ ab.

• Volume (Volumen). Die Menge an Daten ist wichtig. Bei Big Data müssen Sie große Mengen an unstrukturierten Daten mit geringer Dichte verarbeiten. Dabei kann es sich um Daten von unbekanntem Wert handeln, wie z. B. Datenfeeds von X (ehemals Twitter), Clickstreams auf einer Webseite oder einer mobilen App oder sensorgestützte Geräte. Für einige Unternehmen können das etliche Terabytes an Daten sein. Für andere Hunderte von Petabytes.
• Velocity (Geschwindigkeit). Die Geschwindigkeit ist die Schnelligkeitsrate, mit der Daten empfangen werden und mit der (vielleicht) auf sie reagiert wird. Im Normalfall fließt die höchste Geschwindigkeit von Daten direkt in den Speicher und wird nicht auf eine Festplatte geschrieben. Einige internetfähige, intelligente Produkte arbeiten in Echtzeit oder beinahe in Echtzeit. Für sie sind Auswertungen und Aktionen in Echtzeit erforderlich.
• Variety (Vielfalt). Vielfalt bezieht sich auf die zahlreichen verfügbaren Datentypen. Traditionelle Datentypen waren strukturiert und eigneten sich bestens für relationale Datenbanken. Durch die Zunahme von Big Data gibt es nun neue, unstrukturierte Datentypen. Unstrukturierte und semistrukturierte Datentypen wie Text, Audio und Video erfordern zusätzliche Vorabverarbeitung, um die Bedeutung und die unterstützenden Metadaten zu gewinnen.
• Veracity (Wahrhaftigkeit). Wie wahrheitsgetreu sind Ihre Daten – und wie sehr können Sie sich auf sie verlassen? Die Idee der Wahrhaftigkeit von Daten ist mit anderen funktionalen Konzepten wie Datenqualität und Datenintegrität verbunden. Letztendlich überschneiden sich alle diese Aspekte und führen die Organisation zu einem Daten-Repository, das qualitativ hochwertige, genaue und zuverlässige Daten liefert, die Erkenntnisse und Entscheidungen ermöglichen.
• Value (Wert). Daten haben in der Geschäftswelt einen hohen Wert. Dieser ist aber erst dann nützlich, wenn er entdeckt wird. Da Big Data umfassende und tiefgehende Erkenntnisse vereint, liegen irgendwo in all diesen Informationen Insights verborgen, die Ihrem Unternehmen zugutekommen können. Dieser Wert kann intern sein, z. B. betriebliche Prozesse, die optimiert werden können, oder extern, z. B. Vorschläge für Kundenprofile, die das Engagement maximieren können.

Die Entwicklung von Big Data: Vergangenheit, Gegenwart und Zukunft

Obwohl das Konzept „Big Data“ relativ neu ist, reicht die Notwendigkeit, große Datensätze zu verwalten, bis in die 1960er- und 1970er-Jahre zurück, als die ersten Data Center entstanden und relationale Datenbanken entwickelt wurden.

Vergangenheit. Etwa im Jahr 2005 erkannte man langsam, wie viele Daten Benutzer bei Facebook, YouTube und anderen Online-Diensten generierten. Im selben Jahr wurde Apache Hadoop ins Leben gerufen, ein Open-Source-Framework, das speziell für die Speicherung und Analyse großer Datenmengen entwickelt wurde. Auch NoSQL gewann in dieser Zeit an Beliebtheit.

Gegenwart. Die Entwicklung von Open-Source-Frameworks wie Apache Hadoop und in jüngerer Zeit Apache Spark war für das Wachstum von Big Data von entscheidender Bedeutung, da sie die Arbeit mit Big Data erleichtern und die Speicherung kostengünstiger machen. Seitdem ist das Volumen von Big Data massiv gewachsen. Benutzer generieren nach wie vor Unmengen von Daten – aber es sind nicht nur Menschen, die das tun.

Durch das Internet of Things sind mehr Objekte und Geräte mit dem Internet verbunden und sammeln Daten zu Nutzungsmustern der Kunden und zur Produktleistung. Die Einführung des maschinellen Lernens (ML) hat zu noch mehr Daten geführt.

Zukunft. Big Data hat es weit gebracht, und sein Wert wird mit der zunehmenden Nutzung von generativer KI und Cloud-Computing in Unternehmen noch steigen. Die Cloud bietet flexible Skalierbarkeit und ermöglicht es Entwicklern, unkompliziert Ad-hoc-Cluster einzurichten, um eine Untergruppe der Daten zu testen. Und Diagrammdatenbanken werden ebenfalls immer wichtiger, da sie riesige Datenmengen auf eine Weise anzeigen können, sodass Analysen schnell und umfassend durchgeführt werden können.

Vorteile von Big Data

Big-Data-Services ermöglichen ein umfassenderes Verständnis von Trends und Mustern, indem sie verschiedene Datensätze zu einem Gesamtbild zusammenfügen. Diese Fusion erleichtert nicht nur die retrospektive Analyse, sondern verbessert auch die Vorhersagefunktionen, sodass genauere Prognosen und strategische Entscheidungen möglich sind. In Kombination mit künstlicher Intelligenz (KI) geht Big Data über die herkömmliche Analyse hinaus und ermöglicht es Unternehmen, innovative Lösungen zu entwickeln und transformative Ergebnisse zu erzielen.

Umfassendere Antworten sorgen für größeres Vertrauen in die Daten – was zu einem völlig neuen Ansatz zur Problemlösung führt.

• Bessere Erkenntnisse. Wenn Unternehmen über mehr Daten verfügen, können sie bessere Erkenntnisse daraus ableiten. In manchen Fällen bestätigt die größere Bandbreite das Bauchgefühl angesichts vielfältigerer Umstände. In anderen Fällen deckt ein größerer Datenpool bislang verborgene Zusammenhänge auf und erweitert möglicherweise verpasste Perspektiven. All dies ermöglicht Unternehmen, ein umfassenderes Verständnis für das Wie und Warum der Dinge zu erlangen, insbesondere wenn die Automatisierung eine schnellere und einfachere Verarbeitung großer Datenmengen ermöglicht.
• Entscheidungsfindung. Dank besserer Erkenntnisse können Unternehmen datengestützte Entscheidungen mit zuverlässigeren Projektionen und Vorhersagen treffen. Wenn Big Data mit Automatisierung und Analysen kombiniert wird, eröffnet das eine ganze Reihe von Möglichkeiten, darunter aktuellere Markttrends sowie Social Media-Analysen und Muster, die als Grundlage für das Risikomanagement dienen.
• Personalisierung der Customer Experiences. Mithilfe von Big Data können Unternehmen Kundenprofile erstellen, indem sie Kundenverkaufsdaten, demografische Branchendaten und verwandte Daten wie Aktivitäten in sozialen Medien und Engagements in Marketingkampagnen kombinieren. Vor der Einführung von Automatisierung und Analyse war diese Art der Personalisierung aufgrund ihres enormen Umfangs nicht möglich. Mit Big Data verbessert dieser Detaillierungsgrad das Engagement und die Customer Experience.
• Verbesserte betriebliche Effizienz. Jede Abteilung generiert Daten, auch wenn die Teams nicht wirklich darüber nachdenken. Das bedeutet, dass jede Abteilung auf operativer Ebene von Daten profitieren kann, zum Beispiel bei der Erkennung von Prozessanomalien, der Identifizierung von Mustern für Wartung und Ressourcennutzung sowie der Aufdeckung verborgener Ursachen menschlicher Fehler. Ob technische Probleme oder Leistungsfragen des Personals, Big Data liefert Erkenntnisse darüber, wie eine Organisation funktioniert und wie sie sich verbessern kann.

Anwendungsfälle für Big Data

Big Data kann Ihnen helfen, eine Reihe von Geschäftsaktivitäten zu optimieren, einschließlich Kundenerfahrung und Analysen. Hier sind nur wenige Anwendungsfälle aufgeführt.

1. Einzelhandel und E-Commerce. Unternehmen wie Netflix und Procter & Gamble nutzen Big Data, um die Kundennachfrage vorherzusehen. Sie erstellen prädiktive Modelle für neue Produkte und Dienste, indem sie zentrale Attribute alter und aktueller Produkte und Dienste klassifizieren und die Beziehung zwischen diesen Attributen und dem kommerziellen Erfolg dieser Angebote modellieren. Darüber hinaus nutzt P&G zur Planung, Produktion und Markteinführung von neuen Produkten die Daten und Analysen von Fokusgruppen, Social Media, Testmärkten und frühzeitigen Ladeneinführungen.

2. Gesundheitswesen. Die Gesundheitsbranche kann zahlreiche Datenquellen intern (z. B. elektronische Patientenakten, tragbare Geräte der Patienten und Personaldaten) und extern (z. B. Versicherungsunterlagen und Krankheitsstudien) kombinieren, um sowohl die Erfahrung der Anbieter als auch der Patienten zu optimieren. Intern können Personalpläne, Lieferketten und das Facility Management durch die Erkenntnisse der Betriebsteams optimiert werden. Die unmittelbare und langfristige Versorgung der Patienten kann sich ändern, wenn alles auf Daten basiert, beispielsweise personalisierten Empfehlungen und prädiktiven Scans.

3. Financial Services. Wenn es um Sicherheit geht, sind es nicht nur ein paar betrügerische Angreifer – Sie haben es mit ganzen Expertenteams zu tun. Die Sicherheitslandschaft und die Konformitätsanforderungen entwickeln sich beständig weiter. Mit Big Data können Sie Muster in Daten erkennen, die auf Betrug hindeuten, und große Mengen an Daten erfassen, um das regulatorische Reporting zu beschleunigen.

4. Fertigung. Prädiktive Wartungsfaktoren, die mechanische Fehler prognostizieren können, sind möglicherweise tief in strukturierten Daten vergraben, z. B. Jahr, Marke und Modell des Geräts. Sie finden sich aber auch in unstrukturierten Daten, die Millionen von Protokolleinträgen, Sensordaten, Fehlermeldungen und Motortemperaturen enthalten. Wenn Unternehmen diese Hinweise auf mögliche Fehler analysieren, bevor Probleme tatsächlich auftreten, profitieren sie von einer kostengünstigeren Wartung und einer höheren Verfügbarkeit von Teilen und Equipment.

5. Staatliche und öffentliche Dienste. Behörden können möglicherweise Daten aus vielen unterschiedlichen Quellen erfassen, beispielsweise aus DMV-Aufzeichnungen, Verkehrsdaten, Polizei-/Feuerwehrdaten, Aufzeichnungen öffentlicher Schulen und mehr. Dadurch können die Effizienzen auf viele verschiedene Arten gesteigert werden, wie z. B. durch die Erkennung von Fahrertrends für ein optimiertes Kreuzungsmanagement und eine bessere Ressourcenzuweisung in Schulen. Regierungen können Daten ebenfalls öffentlich zugänglich machen, um die Transparenz zu verbessern und das öffentliche Vertrauen zu stärken.

Herausforderungen von Big Data

Big Data bringt neben zahlreichen Vorteilen auch Herausforderungen mit sich.

Zunächst sind Big Data ... groß. Obwohl neue Technologien zur einfacheren Datenspeicherung entwickelt wurden, verdoppelt sich das Datenvolumen laut Analysten etwa alle zwei Jahre. Unternehmen, die mit ihren Daten nicht Schritt halten können und nach Möglichkeiten suchen, diese effektiv zu speichern, werden keine Erleichterung durch eine Reduzierung des Datenvolumens finden.

Es reicht nicht aus, Ihre Daten nur kostengünstig und zugänglich zu speichern. Um einen Wert zu erzielen, müssen Daten genutzt werden, und der Erfolg hängt dabei von der Kuratierung ab. Kuratierte Daten – also Daten, die für den Kunden relevant und so organisiert sind, dass sie eine aussagekräftige Analyse ermöglichen – erscheinen nicht einfach so. Kuratierung erfordert viel Arbeit. In vielen Unternehmen verbringen Data Scientists 50 % bis 80 % ihrer Zeit mit der Kuratierung und Vorbereitung von Daten, damit diese effektiv genutzt werden können.

Wenn alle Daten im Repository eines Unternehmens gespeichert sind, bestehen weiterhin zwei erhebliche Herausforderungen. Zunächst werden die Anforderungen an Datensicherheit und Datenschutz Einfluss darauf haben, wie IT-Teams mit diesen Daten umgehen. Dies umfasst die Einhaltung regionaler und branchenspezifischer Vorschriften, Verschlüsselung und rollenbasierte Zugriffsrechte für sensible Daten. Zweitens sind Daten nur dann von Nutzen, wenn sie eingesetzt werden. Die Schaffung einer datengesteuerten Kultur kann eine Herausforderung sein, insbesondere wenn alte Richtlinien und althergebrachte Ansichten in der Kultur verankert sind. Neue dynamische Anwendungen wie Selfservice-Analysen können für nahezu jede Abteilung bahnbrechend sein. Allerdings müssen die IT-Teams Zeit und Mühe in Schulung, Einarbeitung und Training investieren. Dabei handelt es sich um eine langfristige Investition, die bedeutende organisatorische Veränderungen hervorbringt, um Erkenntnisse und Optimierungen zu gewinnen.

Zu guter Letzt verändert sich Big-Data-Technologie rasant. Vor ein paar Jahren war Apache Hadoop die gängige Technologie für die Verarbeitung von großen Datenmengen. Im Jahr 2014 wurde dann Apache Spark eingeführt. Heute sorgt eine Kombination aus Technologien für neue Durchbrüche auf dem Big Data-Markt. Hier mitzuhalten ist eine ständige Herausforderung.

Funktionsweise von Big Data

Big Data liefert Erkenntnisse, die neue Chancen und Geschäftsmodelle aufzeigen. Nach der Datenaufnahme sind für den Einstieg drei wichtige Maßnahmen erforderlich:

1. Integrieren

Bei Big Data werden Daten aus mehreren unterschiedlichen Quellen und Anwendungen zusammengeführt. Traditionelle Mechanismen der Datenintegration wie ETL (Extract, Transform, Load) sind dazu im Allgemeinen nicht in der Lage. Für die Analyse von Big Data in Terabyte- oder gar Petabyte-Größe werden neue Strategien und Technologien benötigt.

Bei der Integration müssen die Daten erfasst und verarbeitet werden. Außerdem muss gewährleistet werden, dass sie formatiert werden und in einer Form vorliegen, die Ihre Geschäftsanalysten nutzen können.

2. Verwalten

Für Big Data wird viel Speicherplatz benötigt. Die Speicherlösung kann in der Cloud, On-Premises oder in einer Kombination aus beidem gehostet werden. Sie können Ihre Daten in jeder beliebigen Form speichern und Ihre gewünschten Verarbeitungsanforderungen und notwendigen Prozess-Engines bei Bedarf zu diesen Datensätzen bringen. Viele Menschen wählen ihre Speicherlösung danach aus, wo sich ihre Daten derzeit befinden. Data Lakes gewinnen nach und nach an Beliebtheit, da sie Ihre aktuellen Computing-Anforderungen unterstützten und Ihnen die Möglichkeit geben, bei Bedarf Ihre Ressourcen zu skalieren.

3. Analysieren

Die Investition in Big Data zahlt sich aus, wenn Sie Ihre Daten analysieren und als Grundlage für Entscheidungen und Maßnahmen nutzen. Eine visuelle Analyse Ihrer vielfältigen Datensätze verschafft Ihnen neue Klarheit. Untersuchen Sie die Daten noch weiter, um neue Erkenntnisse zu gewinnen. Teilen Sie Ihre Ergebnisse mit anderen. Entwickeln Sie Datenmodelle mit Machine Learning und künstlicher Intelligenz. Lassen Sie Ihre Daten für Ihr Unternehmen arbeiten.

Best Practices für Big Data

Um Sie beim Einstieg in Big Data zu unterstützen, haben wir einige zentrale Best Practices für Sie zusammengestellt. Hier sind unsere Empfehlungen für den Aufbau einer erfolgreichen Grundlage für Big Data.

1. Big Data auf konkrete Geschäftsziele ausrichten

Umfassendere Datensätze ermöglichen Ihnen neue Erkenntnisse. Daher ist es wichtig, neue Investitionen in Kompetenzen, in das Unternehmen oder in die Infrastruktur mit einem stark geschäftlich orientierten Kontext zu tätigen, um fortlaufende Projektinvestments und -finanzierungen zu gewährleisten. Um festzustellen, ob Sie auf dem richtigen Weg sind, stellen Sie sich die Frage, inwiefern Big Data Ihre wichtigsten Geschäfts- und IT-Prioritäten unterstützt und ermöglicht. Dazu gehören beispielsweise folgende Aspekte: das Filtern von Web-Protokollen, um E-Commerce-Verhaltensmuster zu verstehen, Stimmungsanalysen aus Social Media und Kundensupport-Interaktionen oder das Verständnis statistischer Korrelationsmethoden und ihrer Relevanz für Kunden-, Produkt-, Fertigungs- und Entwicklungsdaten.

2. Fachkräftemangel durch Standards und Governance lindern

Eines der größten Hindernisse dafür, von Ihrer Investition in Big Data zu profitieren, besteht darin, nicht genügend Personal mit den erforderlichen Fähigkeiten zur Analyse Ihrer Daten zu haben. Um dieses Risiko zu minimieren, stellen Sie sicher, dass Big-Data-Technologien, -Überlegungen und -Entscheidungen zu Ihrem IT-Steuerungs-Programm hinzugefügt werden. Die Standardisierung Ihres Ansatzes ermöglicht Ihnen die Verwaltung der Kosten und die effektive Nutzung Ihrer Ressourcen. Unternehmen, die Big-Data-Lösungen und -Strategien implementieren, sind gut damit beraten, ihre Kompetenzanforderungen frühzeitig und häufig zu bewerten und mögliche Kompetenzlücken proaktiv zu identifizieren. Diese Probleme lassen sich durch die (vielseitige) Schulung von vorhandenen Mitarbeitern, durch die Einstellung neuer Mitarbeiter und die Einbeziehung von Beratungsunternehmen beheben.

3. Optimierter Wissenstransfer mit einem Exzellenzzentrum

Nutzen Sie den Ansatz eines Exzellenzzentrums, um Wissen weiterzugeben, die Übersicht zu wahren und Projektkommunikationen zu verwalten. Gleich, ob es sich bei Big Data um eine neue oder erweiterte Investition handelt – die direkten und indirekten Kosten können auf das gesamte Unternehmen aufgeteilt werden. Mit diesem Ansatz lassen sich die Big-Data-Fähigkeiten und die allgemeine Ausgereiftheit der Informationsarchitektur strukturierter und systematischer optimieren.

4. Der größte Vorteil liegt darin, unstrukturierte an strukturierten Daten auszurichten

Es ist zweifellos wertvoll, Big Data allein zu analysieren. Noch umfassendere geschäftliche Einblicke erhalten Sie jedoch, wenn Sie Big Data mit geringer Dichte mit den strukturierten Daten verbinden und integrieren, die Sie bereits nutzen.

Gleich, ob Sie Big Data zu Kunden, Produkten, Geräten oder zur Umgebung erfassen: Ziel ist es, ihre zentralen Stamm- und Analysezusammenfassungen durch relevantere Datenpunkte zu ergänzen, was zu besseren Schlussfolgerungen führt. So können Sie beispielsweise zwischen der Stimmung aller Kunden und der Ihrer besten Kunden unterscheiden. Daher sehen viele Unternehmen Big Data als wichtige Erweiterung der vorhandenen Business-Intelligence-Funktionen, Data-Warehousing-Plattform und Informationsarchitektur.

Berücksichtigen Sie dabei, dass die Big-Data-Analyseprozesse und -modelle sowohl auf Menschen als auch auf Maschinen basieren können. Zu den Big-Data-Analysefunktionen gehören Statistiken, räumliche Analysen, Semantik, interaktive Erkennung und Visualisierung. Mit analytischen Modellen können Sie Daten unterschiedlicher Typen und Quellen korrelieren, um Verknüpfungen herzustellen und wichtige Aspekte zu erkennen.

5. Richten Sie Ihr Discovery-Lab auf Performance aus

Die Entdeckung von etwas Bedeutendem in Daten ist nicht immer ein geradliniger Prozess. Manchmal wissen wir nicht einmal, wonach wir eigentlich suchen. Das ist nicht unerwartet. Management und IT müssen diesen Mangel an Ausrichtung oder Mangel an klaren Anforderungen unterstützen.

Gleichzeitig ist es wichtig, dass Analysten und Datenexperten eng mit dem Unternehmen zusammenarbeiten, um die zentralen Kompetenzlücken und -anforderungen zu verstehen. Um die interaktive Datenerkundung und das Experimentieren mit statistischen Algorithmen zu unterstützen, benötigen Sie hochleistungsfähige Arbeitsbereiche. Stellen Sie sicher, dass Ihre Sandbox-Umgebungen die benötigte Leistung aufweisen – und korrekt verwaltet sind.

6. Ausrichtung am Cloud-Betriebsmodell

Big Data-Prozesse und -Benutzer benötigen Zugriff auf umfassende Ressourcen, sowohl für iterative Experimente als auch für die Ausführung von Produktionsaufgaben. Eine Big-Data-Lösung umfasst alle Datenbereiche, darunter Transaktionen, Stammdaten, Referenzdaten und zusammengefasste Daten. Analyse-Sandboxes sollten bei Bedarf erstellt werden. Die Ressourcenverwaltung spielt eine wichtige Rolle bei der Steuerung des gesamten Datenflusses, einschließlich der Vor- und Nachverarbeitung, Integration, datenbankinternen Zusammenfassung und analytischen Modellierung. Eine durchdachte Strategie für die Bereitstellung und Sicherheit von Private und Public Clouds leistet einen wesentlichen Beitrag zur Unterstützung dieser sich verändernden Anforderungen.

Mehr über Big Data bei Oracle erfahren

Für Unternehmen, die eine effiziente und umfassende Verwaltung von Big Data benötigen, bietet die Oracle Cloud Infrastructure (OCI) Big Data-Plattform eine breite Palette an Funktionen mit einem außergewöhnlichen Preis-Leistungs-Verhältnis. OCI ist eine vollständig verwaltete, automatisch skalierbare und elastische Big-Data-Plattform mit nativ integrierten Big-Data-Tools, die mit einem Pay-as-you-go-Modell bereitgestellt wird und alle Ihre Daten zusammenführt.

Das Volumen, die Geschwindigkeit und die Vielfalt von Big Data machen es zu einer Herausforderung, aussagekräftige Erkenntnisse und umsetzbare Informationen abzuleiten. Unternehmen, die jedoch in die Tools und das Fachwissen investieren, die erforderlich sind, um wertvolle Informationen aus ihren Daten zu extrahieren, können eine Fülle von Erkenntnissen gewinnen, die es den Entscheidungsträgern ermöglichen, ihre Strategie auf Fakten und nicht auf Vermutungen zu stützen.

Häufig gestellte Fragen zu Big Data

Was bedeutet „Big Data“?

Unter Big Data versteht man extrem große und vielfältige Datensätze, die mit herkömmlichen Methoden und Tools der Datenverarbeitung nicht einfach verwaltet werden können.

Was ist ein Beispiel für Big Data?

Big Data ist durch die „fünf V“ gekennzeichnet – das heißt, es enthält ein großes Volumen (Volume) an Informationen , weist eine hohe Geschwindigkeit (Velocity) bzw. Schnelligkeit der Datengenerierung auf, verfügt über eine Vielfalt (Variety) an Datentypen und legt Wert auf die Wahrhaftigkeit (Veracity) und den Wert (Value) der Daten. Zu den Quellen gehören beispielsweise E-Mails und Texte, Videos, Datenbanken, IoT-Sensordaten, soziale Beiträge, Webseiten und vieles mehr.

Beispiele für Branchen, die auf datengestützte Entscheidungen angewiesen sind, sind das Gesundheitswesen, der Einzelhandel, das Finanzwesen und das Marketing. Im Gesundheitswesen kann Big Data dazu verwendet werden, große Datensätze zu analysieren, um vorherzusagen, wann ein Patient von einem frühzeitigen Eingriff profitieren könnte, bevor sich eine Krankheit wie Typ-2-Diabetes entwickelt. Im Einzelhandel können Big Data dabei helfen, Lagerbestände zu optimieren und Angebote sowie Empfehlungen zu personalisieren. Im Finanzwesen werden Big Data zur Betrugserkennung und besseren Trenderkennung eingesetzt, während Marketingspezialisten riesige Mengen unstrukturierter Social-Media-Daten verfolgen können, um Stimmungen zu erkennen und Werbekampagnen zu optimieren.