Teilchenbeschleuniger für große Datenmengen

IT-DIRECTOR: Die unter Big Data zusammengefassten großen Datenmengen liegen häufig in unstrukturierter Form vor. Mit welchen Methoden und Techniken können Unternehmen unstrukturierte Daten für die Auswertung vorbereiten?

Professor Dr. Feindt: Ganz gleich, ob Sie Texte, Bilder oder Videos auswerten: Sie müssen wissen, was Sie herausfinden wollen. Dann lassen sich einfache Fragen beantworten. Als Physiker bin ich am CERN an Experimenten beteiligt, in denen pro Sekunde 40 Millionen Ereignisse mit insgesamt 1000 TByte gemessen werden. Mit einem intelligenten Algorithmus filtern wir online die extrem seltenen potenziell interessanten Ereignisse aus der Datenflut heraus, nur eines von circa zehn Millionen wird überhaupt abgespeichert. Dazu haben wir der Software die relevanten Muster antrainiert, aber wir müssen schon eine Vorahnung haben, was diese Muster sind.

Sowohl in der Wissenschaft als auch in der Wirtschaft leben Big-Data-Projekte vom Expertenwissen der jeweiligen Fachleute. Für Absatzprognosen beispielsweise sind Marktdaten und aggregierte Absätze interessant, nicht jedoch das, was auf dem einzelnen Kassenbon steht, individuelle Kundendaten oder auch die Bonität der einzelnen Kunden. Die konkrete Frage gibt vor, welche Daten Sie von vornherein vernachlässigen können.

IT-DIRECTOR: Wie kann ein Unternehmen seine bestehenden BI-Lösungen für die Big-Data-Analysen nutzen? Welche Investitionen sind für eine Aufrüstung nötig?

Professor Dr. Feindt: Die meisten Prognosen, die Unternehmen weiterbringen, lassen sich mit den historischen Daten zu Kunden oder Produkten erstellen. Die liegen im Data Warehouse bereits vor und werden noch viel zu wenig genutzt. Zusätzliche Datenaggregationen können über Cloud oder als SaaS ausgelagert werden. Meist sind intern keine riesigen Hochgeschwindigkeitscluster für Big Data nötig.

IT-DIRECTOR: Welche konkreten Ergebnisse aus Big-Data-Auswertungen haben Ihre Anwender überzeugt, weiter in diese Lösungen zu investieren?

Professor Dr. Feindt: Durch unsere Absatzprognose hat der Versandhändler Otto die Restbestände am Saisonende um mehr als 20 Prozent reduziert sowie die Lieferbereitschaft erhöht. Außerdem hat das Unternehmen weitere Projekte zum Retourenmanagement und zur flexiblen Preisgestaltung mit uns umgesetzt. Versicherungsunternehmen sprechen wir oft über die Kfz-Sparte an. Mit präzisen Schadensprognosen helfen wir, die Kosten in diesem Bereich zu senken und gleichzeitig attraktive Tarife zu gestalten. So können wir ein häufig unrentables in ein wettbewerbsfähiges und profitables Geschäft umwandeln. Im Lebensmittelhandel führt eine automatisierte Entscheidungsunterstützung in der Disposition mit oft hunderte Millionen Prognosen pro Tag zu einer verbesserten Warenverfügbarkeit.

IT-DIRECTOR: Die Datenmengen enthalten oft auch sensible Sicherheits- und Kunden-Daten: Was ist hinsichtlich des Datenschutzes und anderer Richtlinien bei Big-Data-Auswertungen zu beachten?

Professor Dr. Feindt: Für die Auswertung selbst spielen personenbezogene Daten keine Rolle. Für uns ist entscheidend, dass eine Reihe von Merkmalen wie beispielsweise Alter, Geschlecht und Postleitzahlenbereich zu einer Person gehören. Wer diese Person ist, interessiert uns nicht. Es liegt sowohl im Interesse unserer Kunden als auch in unserem, dass sämtliche Datenschutzbestimmungen streng eingehalten werden. Einen Datenskandal kann sich heute kein Unternehmen leisten.

www.blue-yonder.com

Bildquelle: Blue Yonder