Machine Learning, Predictive Analytics, Visualisierung

Sechs Big-Data-Megatrends für 2016

"Als Science-Fiction-Fan hat mich schon als Kind fasziniert, dass Computer Informationen und Zusammenhänge verstehen können. Diese Faszination hat mich bis heute nicht losgelassen.”
Daniel Fallmann ist Gründer und Geschäftsführer der Mindbreeze GmbH. Das Unternehmen gehört zu den führenden Anbietern für Enterprise Search Anwendungen in Europa und hat seinen Hauptgeschäftssitz im österreichischen Linz.
Big Data gehört zu den großen Treibern der digitalen Transformation. Deren Ziel ist es, nicht nur bestehende Geschäftsprozesse zu optimieren, sondern auch sich gleichsam ständig neu zu erfinden, um in einer Welt mit sich permanent ändernden Rahmenbedingungen erfolgreich zu agieren. Lesen Sie, welche Big-Data-Trends 2016 auf uns zukommen.

Big Data ist kein Schlagwort der Marketing-Abteilungen mehr, sondern immer öfter fester Bestandteil aktueller IT-Strategien. Kein Wunder, denn zukunftsweisende Technologien unterstützen Unternehmen dabei, die in der Organisation verstreuten Daten und Informationen intelligent zu verknüpfen und diese profitabel einzusetzen. Durch die zunehmende Vernetzung der Dinge gewinnt Big Data zusätzlich an Bedeutung: Damit lassen sich etwa völlig neue Geschäftsideen entwickeln. Wir haben die wichtigsten Trends, die 2016 den Markt beherrschen werden, zusammengefasst.

1. Intelligente Systeme auf Basis von Machine Learning

Die Entwicklung von selbstlernenden intelligenten Systemen - Stichwort Machine Learning beziehungsweise Deep Learning - schreitet mit großen Schritten voran. Geht es um das Verstehen von Informationen und das Erkennen von semantischen Zusammenhängen in riesigen Datenmengen, können Machine Learning-Algorithmen klar ihren Vorteil ausspielen.

Ein großer Treiber von Machine Learning ist das Thema Sicherheit. Beispiel: der Schutz von Gebäuden. Die Münchener Allianz Versicherung hat gemeinsam mit der TU München auf Basis von Big Data und intelligenten Analysen ein System entwickelt, das zahlreiche Gegenstände in einem Wohnraum oder Büro über Sensoren vernetzt. Dieses lernt stetig hinzu und kann auf diese Weise etwa einen Einbruch von anderen ungewöhnlichen, aber unkritischen Vorfällen unterscheiden. Fehlalarme bleiben damit die Ausnahme.

Whitepaper: Der Nutzen des Chief Data Officers

Der Chief Data Officer (CDO) wird immer öfter zu einer zentralen Führungkraft in Unternehmen auf der ganzen Welt. Der Grund ist die zunehmende Relevanz von Daten. Denn Daten sind überall und allgegenwärtig; sie untermauern jede Transaktion, jeden Betrieb und jegliche Interaktion innerhalb und außerhalb von Organisationen. Daten sind aber auf eine Infrastruktur angewiesen, sie müssen gespeichert, archiviert, analysiert und gesichert werden. Dafür braucht es den CDO. In dieser IBM-Studie wird die Rolle des CDO durchleuchtet und gezeigt, welche Vorteile Unternehmen konkret von ihm haben.

Nach dem gleichen Prinzip versuchen Kreditkartenanbieter, Online-Shopping sicherer zu machen. Im Jahr 2012 haben US-Bürger gemeinsam 26 Milliarden US-Dollar via Kreditkarte bezahlt, der geschätzte Schaden durch unautorisierte Transaktionen betrug dabei satte sechs Milliarden. Mithilfe von Machine Learning können die Systeme, die alle Transaktionen rund um die Uhr beobachten, normale Muster von kriminellen unterscheiden und nahezu in Echtzeit Vorsichtsmaßnahmen ergreifen. Dazu kommt, dass diese Systeme von Tag zu Tag besser werden.

Machine Learning spielt nicht nur im Security-Bereich eine immer größere Rolle, es unterstützt auch dort, wo "intellektuelle Fließbandarbeiten" den Berufsalltag trüben. Beispiel Posteingangsklassifikation - also die Verteilung der Post in Unternehmen: Heute passiert sie oft noch manuell, in Zukunft wird sie dank semantischer Inhaltsanalyse verstärkt automatisiert über die Bühne gehen. Das Gleiche gilt für die tägliche E-Mail-Flut, die auf Basis des User-Verhaltens priorisiert werden wird.

2. Geschäftsmodelle verändern sich

Die sogenannte digitale Transformation, deren Treiber unter anderem Big Data ist, und der sich verschärfende Wettbewerb fordern von Unternehmen nicht nur, ihre Geschäftsprozesse durch Digitalisierung zu optimieren, sondern sie gibt auch den Anstoß, neue Business-Modelle zu entwickeln.

Der mittelständische Hersteller von Sanitärausrüstung, Hagleitner, hat nicht das Handtuch vor den stets billigeren Konkurrenten geworfen, sondern seine Produkte in intelligente Devices verwandelt, indem er etwa Seifenspender mit Sensoren versah - Stichwort Internet of Things (IoT) beziehungsweise Industrie 4.0. Damit lassen sich einerseits die Prozesse optimieren: Immer im Bilde über die aktuellen Füllstände kann das Salzburger Unternehmen seine Kunden bedarfsgerecht und automatisiert mit Nachschub versorgen. Andererseits hat sich der ehemals reine Hardware-Hersteller mithilfe der Daten, die im Sekundentakt hereinkommen und analysiert werden, zu einem Hygiene-Spezialisten entwickelt, der innovative Konzepte - vor allem in einem sensiblen Bereich wie dem Gesundheitswesen - realisiert.

Neue Geschäftsmodelle entstehen wie bei Hagleitner sehr oft dadurch, dass Daten, die ohnehin in Massen verfügbar sind, in einen neuen Kontext gestellt und auf neuartige Weise verknüpft werden. Dieser Trend, der in den USA bereits stark ausgeprägt ist, wird auch Europa im Jahr 2016 vermehrt erreichen.

Mit den intelligenten Tools verändern sich auch die Spielregeln am Markt. Heute heißt der Kampf nicht mehr "Groß gegen Klein" sondern "schnell gegen langsam". Wer die digitale Transformation verschläft, sei er noch so groß, kann selbst von einem Startup-Unternehmen geschlagen werden, das sich Innovation auf seine Fahnen geschrieben hat.

3. Predictive Analytics als Game Changer

Geschäftsprozesse befinden sich im Fluss: Predictive Analytics - also die Fähigkeit, auf Basis von verfügbaren Daten verlässliche Prognosen zu erstellen - wird immer breiter eingesetzt, zunehmend mit hochspezialisierten Ausrichtungen und in bereits bekannten Tätigkeitsfeldern.

Ein typisches Beispiel ist der Bereich Predictive Maintenance. So kann etwa der Ausfall von Lokomotiven hohe Folgekosten nach sich ziehen, zudem sind Ersatzteile für Schäden extrem teuer. Aus diesen Gründen hat die Deutsche Bahn ihre Lokomotiven mit Sensoren versehen, die permanent Daten liefern. Analysten leiten aus diesen Daten Muster ab, beispielsweise bestimmte Verhaltensweisen oder Veränderungen an Sensoren vor einem Defekt. Diese deuten auf Fehler- und Schadensbilder hin. So profitiert das Unternehmen von einem Echtzeit-Wartungssystem, das die Schäden in den Loks vorhersagen kann. Dadurch erspart sich das Unternehmen Ausfälle und oft die teuren Ersatzteile.

Prognosen zu erstellen, ist schon seit Längerem möglich, etwa mit Business Intelligence-Werkzeugen. Doch diese sind auf strukturierte Daten angewiesen. Da Big Data Analytics in der Lage ist, auch unstrukturierte Daten (wie etwa jene von Sensoren oder Dokumente, die in natürlicher Sprache verfasst sind) auszuwerten, rücken traditionelle Tools im kommenden Jahr weiter in den Hintergrund.

4. Leichtgewichtige Datenintegration

Wissen im Business-Umfeld kann nur dann entstehen, wenn die Informationen, die im Unternehmen verteilt sind, verknüpft und allen Mitarbeitern bedarfsgerecht zur Verfügung gestellt werden. Als größtes Hindernis auf dem Weg zu einem intelligenten Gesamtunternehmen erweisen sich heute organisatorische und technische Silos, in denen die Informationen in der Regel geparkt sind. Aus diesem Grund werden Systeme wie Enterprise Search (eine Sonderform von Big Data) immer wichtiger, die es schaffen, Daten und Informationen über alle Abteilungs- und Applikationsgrenzen hinweg intelligent zu verknüpfen. Ein weiterer Vorteil ist, dass die Daten dabei dort bleiben, wo sie entstehen - es ist also nicht notwendig, die Unternehmensorganisation oder die IT-Landschaft auf den Kopf zu stellen. Diese Art von leichtgewichtiger Datenintegration entwickelt sich zum Standard und wird vor allem in Enterprise-Portalen zunehmend Anwendung finden.

5. Datenvisualisierung und 360-Grad-Sicht

Explorative Navigation durch Informationen und deren Visualisierung sind für Endanwender eine der Top-Prioritäten, um ihre tägliche Wissensarbeit zu unterstützen. Die Werkzeuge werden zunehmend einfacher in der Bedienung und richten sich auch an Nichtspezialisten und deren Bedürfnisse. User können damit unabhängiger von der IT-Abteilung agieren, da für die Anpassung der Lösungen kein IT-Fachpersonal notwendig ist - Stichwort Self-Service-IT.

Eine clevere Datenvisualisierung hilft Mitarbeitern, selbst komplexe Themen schneller als bisher zu erfassen oder Kunden besser kennenzulernen. Mit Enterprise Search entsteht aus einer Fülle unterschiedlichster Daten eine 360-Grad-Sicht auf Personen, Produkte und Themen, woraus sich klar definierte Aktionspläne in Sachen Verkauf, Servicierung oder beim Lösen von Problemen ableiten lassen.

6. Big Data erobert neue Bereiche

Big Data-Anwendungen halten Einzug in neue Branchen. 2015 gehörte etwa das Gesundheitswesen zu den Top-Gewinnern. Die Anwendungsfälle reichen von der Forschung und Diagnose bis zur intelligenten Verteilung von Ressourcen und Verwaltung. Dazu kommen Trends wie Health-Tracking, aktuelle Beispiele sind die Apple Watch und andere Wearables, die dafür sorgen sollen, Daten in den Dienst der Gesundheit zu stellen.

Eine weitere Branche, die von Big Data zunehmend profitieren wird, ist das produzierende Gewerbe. Sogenannte Smart Factories, in denen alle Komponenten vernetzt sind, miteinander kommunizieren und hoch automatisiert die zur Verfügung stehenden Ressourcen optimal, das heißt kostenschonend, nutzen, schaffen einen Spagat, der bis vor Kurzem unmöglich schien: die Realisierung von individuellen Kundenwünschen zu Kosten einer Großserienproduktion.

Neben den Bereichen Healthcare und Fertigungsindustrie eignen sich all jene Branchen für die Einführung von Big Data-Anwendungen, in denen bereits viele Daten vorhanden oder durch Integration von Industrie 4.0 beziehungsweise IoT-Lösungen große Volumina zu erwarten sind. Mit anderen Worten: Der Siegeszug von Big Data wird sich auch im Jahr 2016 fortsetzen. (wh)