Datensilos auflösen

So klappt es mit erfolgreichen Big-Data-Analysen

Wenn Unternehmen Silos auflösen und Daten zentralisiert an einem Ort vorhalten, erhöhen sich die Chancen auf erfolgreiche Big-Data-Analysen, erlärt Matthias Maier, Security Evangelist bei Splunk.

Matthias Maier, Splunk

Matthias Maier, Security Evangelist bei Splunk

IT-DIRECTOR: Herr Maier, glaubt man den Marketing-Aussagen der Software-Anbieter, reicht allein die Anschaffung von Big-Data-Tools aus, um Unternehmen mittels vorausschauender Analysen auf die Erfolgsspur zu bringen. Inwieweit ist eine solche Einschätzung realistisch oder doch viel zu kurz gegriffen?
M. Maier:
Der Schlüssel zum Erfolg mit Big-Data-Lösungen liegt darin, dass alle Mitarbeiter in einem Unternehmen auf Daten zugreifen und sie nutzen können. Indem der Zugang zu den Daten frei ist, können Unternehmen Big-Data-Tools nutzen, um Innovationen anzutreiben und sich einen Wettbewerbsvorteil zu verschaffen.

IT-DIRECTOR: An welchen Stellschrauben müssen die Verantwortlichen tatsächlich drehen, damit der Einsatz von Big-Data-Analyse-Software das Unternehmen entscheidend voranbringen kann?
M. Maier:
Wenn Unternehmen Silos auflösen und Daten zentralisiert an einem Ort speichern, erhöhen sie die Chancen, mit Big Data einen Nutzen für das Geschäft zu generieren. So können unterschiedliche Teams diese Ressource nutzen. Sie haben die Möglichkeit, die Datenmassen zu durchsuchen und daraus einen Wert für ihre spezifische Funktion zu ziehen.

IT-DIRECTOR: Generell sind Analysen bzw. deren Ergebnisse immer nur so gut wie die Algorithmen, die ihnen zugrundeliegen. Wer in den Anwenderunternehmen sollte die Erstellung von Algorithmen übernehmen?
M. Maier:
Es gibt drei Möglichkeiten, Algorithmen auf Big Data anzuwenden. Erstens: Daten zentral abspeichern und den Anwendern im Unternehmen über die einfachste verfügbare analytische Sprache Zugang dazu verschaffen – die Suche. Zweitens: Big-Data-Lösungen nutzen, die bereits eingebaute Algorithmen für bestimmte Anwendungsfälle anbieten. Ein Beispiel hierfür ist Splunk User Behaviour Analytics (UBA). Die Lösung wurde speziell für die Erkennung von Cyber-Attacken entwickelt. Die dafür notwendigen Regeln – basierend auf maschinellem Lernen – sind bereits im Produkt vordefiniert. Drittens: Ein eigenes Center of Excellence Team im Unternehmen einrichten. Dieses Team arbeitet über Geschäftsbereiche hinweg und unterstützt bei der Entwicklung maßgeschneiderter Algorithmen. Branchen, die hohe Anforderungen an solche Tools haben, verwenden diese Option schon seit längerer Zeit. Ein Beispiel dafür ist der Versicherungssektor.

IT-DIRECTOR: Inwieweit kann dabei sichergestellt werden, dass Fachabteilungen eigene Big-Data-Analysen erstellen können, ohne auf das Fachwissen spezieller „Data Scientists“ angewiesen zu sein?
M. Maier:
Mit einem benutzerfreundlichen User Interface kann jeder Mitarbeiter im Unternehmen selbst Daten analysieren, ohne ein Data Scientist sein zu müssen. Vereinfachung hilft dabei, den ersten Schritt zu machen.

IT-DIRECTOR: Wie lassen sich aus den durch Big-Data-Analysen ermittelten Mustern und Zusammenhängen konkrete Erkenntnisse ziehen? Und im nächsten Schritt gar konkrete Handlungsempfehlungen ableiten?
M. Maier:
Big Data ist ein Werkzeug für eine ganze Bandbreite von Anwendungsmöglichkeiten – sei es Business Analytics, Sicherheit oder IT Operations. Unabhängig vom Anwendungsszenario kann Big Data wertvolle Erkenntnisse liefern, wenn der Nutzer Zugang dazu hat. Eine Firma für Musik-Streaming analysiert beispielsweise Nutzungsdaten, um Muster im Verhalten der Kunden zu erkennen. Auf Basis dieser Erkenntnisse kann die Marketing-Abteilung besser entscheiden, wie sie ihre Ressourcen einsetzt.

IT-DIRECTOR: Inwieweit braucht man in Zeiten von künstlicher Intelligenz und selbstlernenden Algorithmen den Menschen überhaupt noch?
M. Maier:
Selbstlernende Algorithmen und künstliche Intelligenz bringen Einblicke zum Vorschein, die in händischen Analysen möglicherweise unentdeckt blieben. Dies kann Menschen dabei helfen, effizienter zu arbeiten und letztlich zu besseren Geschäftsergebnissen beitragen. Ein typisches Security Operations Center (SOC) beschäftigt sich mit sehr unterschiedlichen und weitreichenden Bedrohungen. Algorithmen, die auf maschinellem Lernen basieren, besitzen die Fähigkeit Daten Alarme und Aktivitäten im Netzwerk zusammenzubringen, sodass der einzelne Security-Operations-Mitarbeiter ein Endergebnis erhält. Ohne diese Fähigkeit wäre ein wesentlich größeres Team nötig, um das Geschäft auf dem gleichen Niveau zu schützen.

IT-DIRECTOR: Warum sind „intelligente, selbstlernende Maschinen“ den Menschen überlegen – wie häufig in der IT-Branche kolportiert wird?
M. Maier:
Maschinelles Lernen ist in der digitalen Welt das Äquivalent zur Automatisierung in der physischen. Wie bei einer Produktionslinie in einer automatisierten Fabrik sollte es immer einen Menschen geben, der letztlich auf Basis der Ergebnisse, die mit maschinellem Lernen erzielt wurden, eine Entscheidung trifft.

IT-DIRECTOR: Welche Gefahren und Risiken setzt man sich aus, wenn man selbstlernenden Algorithmen blindlings vertraut? Können Sie ein Beispiel nennen?
M. Maier:
Es kann eine gefährliche Situation entstehen, wenn am Ende nicht ein Mensch die finale Entscheidung trifft. Datenquellen können beeinflusst oder manipuliert werden, was zu falschen automatisierten Handlungen führen könnte, wenn letztlich kein Mensch entscheidet.

©2019Alle Rechte bei MEDIENHAUS Verlag GmbH

Unsere Website verwendet Cookies, um Ihnen den bestmöglichen Service zu bieten. Durch die weitere Nutzung der Seite stimmen Sie der Verwendung zu. Weitere Infos finden Sie in unserer Datenschutzerklärung.

ok