Home >Data & Analytics >Big Data und Predictive Analytics
Big Data und Predictive Analytics
Date post:18-Dec-2014
Category:Data & Analytics
View:438 times
Download:9 times
Share this document with a friend
Description:
Big Data und Predictive Analytics fr alle? Worauf sollten Unternehmen achten, wenn sie eine Big-Data-Strategie aufsetzen? Jan Karstens, CTO von Blue Yonder, ist dieser Frage nachgegangen. Dies ist ein Auszug aus dem Competence Book "Business Intelligence Kompakt": http://www.competence-site.de/Business-Intelligence-Kompakt
Transcript:
<ul><li> 1. Competence Book - Business Intelligence ANWENDUNGEN - ANALYTICS / PREDICTIVE III 90 AUTOR: Jan Karstens (Blue Yonder GmbH) Worauf sollten Unternehmen achten, wenn sie eine Big-Data-Strategie aufsetzen? Jan Karstens, CTO von Blue Yonder, ist dieser Frage nachgegangen. Big Data in aller Munde oder doch nicht? Gemeinsam mit TOMORROW FOCUS Media ha- ben wir bei den FOCUS-Online-Lesern nachgefragt: Rund 1.100 Personen haben sich im Juni 2013 online beteiligt. Knapp 400 (393) konnten sich im Detail zu Big Data uern. Immerhin mehr als 35 Prozent [1]. Die Studie hat allerdings auch ergeben, dass Unternehmen bei der Realisierung von Predictive-Analytics-Projekten an ihre Grenzen stoen: Fachkrfte fehlen, es fllt schwer, Ziele klar fest- zulegen, innerhalb der Unternehmen kann die Qualitt der Prog- nosen nicht sichergestellt werden. Hier sind die Lsungsanbieter gefragt. Unternehmen mssen sich auf die softwarebasierten Vorhersagen verlassen knnen. Die externen Analysten mssen die individuellen Erfordernisse des Unternehmens und den Ein- satz der Algorithmen aufeinander abstimmen. Und sie sind ge- fordert, ihr Know-how in die Firmen hineinzutragen und dafr zu sorgen, dass es richtig eingesetzt wird. BigDataundPredictive Analytics fr alle? ber den Ursprung von Big Data und den Nutzen von Predictive Analytics Woher kommen die Daten? Die riesigen anfallenden Daten- mengen stammen aus unterschiedlichsten Quellen. Aus dem Unternehmen selbst, von Sensoren in Maschinen, Anlagen oder Fahrzeugen, aus Social Media oder aus Datenbanken wie etwa Wettervorhersagen oder statistischen Zahlen zur Wirtschafts- lage. Zudem gelangen sie in rasender Geschwindigkeit ins Unter- nehmen und mssen ebenso schnell ausgewertet werden idea- lerweise in Echtzeit, um ntzlich fr Unternehmen zu sein. </li> <li> 2. Competence Book - Business Intelligence ANWENDUNGEN - ANALYTICS / PREDICTIVE III 91 Hal Varian, Chefkonom bei Google, stell- te im Jahr 2005 fest, dass heutzutage die meisten wirtschaftlichen Transaktionen mit dem Computer zu tun haben. Mit diesem Ansatz entwickelte ervier Hauptkategorien, indenenvon Computerngesammelte Daten auch anderen Zwecken dienen knnen: gesteuerte Experimente neue Vertragsformen Datengewinnung und Analyse Personalisierung und Customization Die meisten von Hal Varian definierten Kategorien sind ein sehr guter Ausgangs- punkt, um sinnvolle Fragen zu Big Data und Predictive Analytics im unternehme- rischen Kontext zu entwickeln. In einem ersten Schritt gilt es herauszufinden, wel- che computer- mediated transactions im Mittelpunkt der Geschftsprozesse stehen. Enthalten sie das Potenzial fr kontrollierte Experimente, neue Vertragsformen, Daten- analysen oder Personalisierung/Customiz- ation? Wenn Sie sich diese Frage stellen, werden Sie schnell feststellen, dass nicht die tech- nologischen Aspekte entscheidend fr Sie sind. Erkennen Sie beispielsweise eine Mg- lichkeit, Nutzen aus kleinen, strukturierten Daten zu ziehen, bietet sich Hadoop fr Ihr Unternehmen eher weniger an. Liegt das Potenzial eher in einer groen Menge von Inhalten, die von Menschen gelesen werden knnen, (unstrukturierte Daten), knnte es sinnvoll sein, eine MapReduce-basierte Technologie zu whlen. Oft stellen wir fest, dass Unternehmen riesige, ber Jahre gesammelte Daten- schtze allein deshalb brachliegen lassen, weilsienichtinihrtechnologischesKonzept passen. Wir empfehlen einen Perspektiv- wechsel:KonzentrierenSiesichaufdenKern Ihrer computer-mediated transactions! Das knnen Interaktionen mit den Kunden sein, das Managen und Steuern von Mitar- beitern, das Verkaufen von Waren (online), die Lieferkettenlogistik, die Produktion von Waren oder die Effizienz von Maschinen und/oder Anlagen. Da nur Sie und Ihre Mit- arbeiter auf diese Daten zugreifen knnen, haben Sie dem Wettbewerb einen entschei- denden Schritt voraus. DasgesamteUnternehmenoderdiegesamte Produktion knnen heute mit Predictive Analytics umfassend auf die Zukunft ausge- richtet werden. Da smtliche Entscheidun- gen auf fundierten Analysen der vorhan- denen Daten basieren, ergeben sich daraus ber smtliche Prozesse hinweg enorme Wettbewerbsvorteile. Predictive: Die Zukunft im Blick statt in den Rckspiegel zu schauen Transaktionsdaten erlauben klassisches Business Intellligence, wie es in Unterneh- men seit Jahrzehnten durchgefhrt wird. Zwar ist auch in diesem Bereich noch viel zu tun, doch selbst mit ausgefeilten Methoden geraten Unternehmen im heu- tigen Geschftsumfeld mit diesen histo- rischen bzw. rckblickenden Anstzen an ihre Grenzen. Der Blick auf Daten aus der Vergangenheit ruft schnell die Fra- ge hervor, was in Zukunft geschieht. Wie wrden wir entscheiden, wenn wir das heute bereits wssten? Das genau ermg- licht Predictive Analytics. Damit generie- ren Sie den entscheidenden Nutzen aus (Big) Data. Eine Personalisierung etwa ist undenkbar, ohne das zu erwartende Ver- halten der Kundin zu antizipieren. Jede Empfehlung in einem Onlineshop basiert auf Annahmen ber die Prferenzen eines Besuchers. Zum Autor Jan Karstens: Jan Karstens ist der technische Innovator und Querdenker bei Blue Yonder. Er verantwortet die Produkt- und Technologieentwicklung von Real-Time Adaptive EnterpriseApplications. Er hat ber 15 Jahre Erfahrung in der IT-Branche, unter anderem mit industriespezifischen Lsungen und modernen Datenbanktech- nologien. Zuvor arbeitete er in zentralen Positionen bei SAP und Lufthansa. </li> <li> 3. Competence Book - Business Intelligence ANWENDUNGEN - ANALYTICS / PREDICTIVE III 92 Und jedes Suchresultat, das durch eine Suchmaschine geliefert wird, ist sorgfltig an den User angepasst. Diesen Prinzipien sollten auch Transaktionen im Unterneh- men gehorchen: Empfehlungen fr den Vertrieb, be- stimmte Kunden zu besuchen oder ausgewhlte Produkte anzubieten Replenishment basierend auf ei- ner feingranular prognostizierten Nachfrage Vorschlge fr Call-Center-Aktivit- ten abhngig vom Interesse der Kun- den an einem bestimmten Angebot Energy Hedging in energieintensiven Branchen basierend auf dem prog- nostizierten Bedarf Ersatzteilbeschaffung orientiert am vorhergesagten Bedarf personalisierte Versicherungsvertr- ge basierend auf den prognostizier- ten persnlichen Risiken Die Liste kann Branche fr Branche ver- lngert werden und alle Szenarien haben etwas gemeinsam: Sie betreffen operative Prozesse mit tausenden, Millionen oder gar Milli- arden Transaktionen pro Tag Sie haben das Potenzial, operative Entscheidungen (teilweise) zu auto- matisieren Wenn man jede einzelne Entscheidung optimiert, wirkt sich das direkt auf das Unternehmensergebnis aus Umstze steigen, Kosten sinken. Zudem hngen all diese Szenarien vom Wissen um die Zu- kunft ab. Denn darauf basieren verbesser- te oder automatisierte Entscheidungen. Predictive Analytics ist das Schlsselkonzept, um Ent- scheidungen begrndet zu treffen oder zu automati- sieren. Abhngig vom Um- fang der Entscheidungen gibt es zur Automatisie- rung keine Alternative. Das wird rasch klar, wenn man sich vorstellt, ein Such- maschinenunternehmen wrde Menschen einstel- len, um Suchergebnisse zu ermitteln. Genauso be- fremdlich wre es, wenn ein Online-Hndler seine Pro- duktempfehlungen manuell zusammenstellt. Von Daten zu Diensten Its not that they cant see the solution. They cant see the problem. G.K. Chesterton Um eigene Szenarien umzusetzen, ben- tigen Sie ein Team, das Data Science, Soft- wareentwicklung und operative Erfahrung vereint. Es sollte eng und gerne zusam- menarbeiten und sich rasch in Feedback- schleifen austauschen. Besonders kom- plex wird die Softwareentwicklung, wenn datengetriebene Dienstleistungen aufzu- bauen sind. Das kann nur funktionieren, wenn die Teammitglieder eng zusammen- arbeiten. Bei Predictive-Analytics-Projek- ten geht es nicht nur darum, eine Software zu programmieren, die den geschftlichen Anforderungen entspricht. Vielmehr soll- te die Software ihr eigenes Verhalten aus den Datenstrmen ableiten, die sie verar- beitet. Mit der Zeit verndern sich nicht nur die Basis der Software-Codes, sondern auch die zugefhrten Daten. Die Software wird quasi um einen selbstkonfigurie- renden Teil ergnzt. Fr derart komplexe Softwareumgebungen ist Know-how in Data Science gefragt. Die Datenbasis, mit der Sie beginnen, wchst im Laufe der Zeit und entwickelt sich. In fast allen Fllen zeigt sich, dass der ursprngliche Datenbestand unzu- reichend ist. Mglicherweise war die Da- tenqualitt mangelhaft, sodass historische Daten erneut extrahiert oder bearbeitet werden mssen. Oder die Datenmenge reicht nicht aus, weshalb zustzliche Da- tenquellen in Betracht gezogen werden mssen. All diese Umstnde erfordern ei- nen iterativen Ansatz. </li> <li> 4. Competence Book - Business Intelligence ANWENDUNGEN - ANALYTICS / PREDICTIVE III 93 Typische Hrden fr die Entwick- lung datengetriebener Services sind fehlendes Wissen darber, wo die internen Datenquellen zu fin- den sind, und mangelhafte interne Untersttzung. Eine noch grere Herausforderung ist es, externe Da- tenquellen zu integrieren. APIs und Datendienstleistungen sind zwar reichlich vorhanden, doch Ihr Team muss prfen und testen, ob die Da- ten mit den internen Daten abgegli- chen werden knnen. Mglicherwei- se mssen dazu auch Vertrge mit externen Lieferanten ausgehandelt werden. Wenn ein Vorhersagemodell etab- liert ist, muss es fr den produktiven Einsatz vorbereitet werden. Dabei deckt eine Demonstration oder ein Prototyp nur etwa zehn Prozent der erforderlichen Vorbereitung ab. Typische Hindernisse fr den Pro- duktivbetrieb sind: Unzureichende Stabilitt die Lsung funktioniert in den Labs, kann aber nicht im Pro- duktivbetrieb eingesetzt werden Mangel an Skalierbarkeit die L- sung eignet sich gut fr eine Teilmen- ge der Daten, skaliert aber nicht auf die realen Datenbestnde Mangel an Przision die Vorhersa- gen sind nicht exakt genug Mangel an Vertrauen die Endanwen- derakzeptierendieDatenmagie nicht Blue Yonder hat eine Lsung gefunden, um all diese Unwgbarkeiten im Bereich datengetriebener Services zu umgehen. Von den Daten zur Prognoseanwendung Predictive Analytics macht Big Dataeinem greren Kreis von Anwendern zugng- lich. Unternehmen sollten genau prfen was sie mit Predictive Analytics erreichen mchten. Big Data liefert dazu lediglich die Grundlage. Blue Yonder entwickelt Prognosean- wendungen mit einem Team aus erst- klassigen Data Scientists, Fachleuten fr IT-Infrastruktur mit Saas (Software as a Service)-Kenntnissen, versierten Designern fr Benutzeroberflchen so- wie erfahrenen Softwareentwicklern. Zusammen entwerfen und betreiben sie Lsungen, die als SaaS angeboten werden. Wir konzipieren Software fr Endanwender, indem wir uns auf das fachliche Umfeld sowie die Bedrfnisse und Ziele der User konzentrieren. Wir bersetzen unsere Branchenerfahrun- gen in Prognoseanwendungen, die leicht zu bedienen sind, und machen diese Anwendungen einem breiten Markt zu- gnglich. Dabei bietet sich SaaS als Lie- fermodell an. Kunden profitieren schnell von Verbesserungen in unseren Vorher- sagemodellen. Zudem knnen sie externe Datenquellen leicht hinzufgen, um ihre Prognosean- wendungen zu erweitern und zu opti- mieren. Wir betreiben die Software im Rahmen einer zuverlssigen Scale-out-Ar- chitektur fr unsere Kunden. So mssen sie diese nicht selbst aufbauen und unter- halten. Als Services macht Blue Yonder Unter- nehmen weltweit Big Data und Predictive Analytics zugnglich. Mit Forward De- mand haben wir gerade den ersten Bau- stein eines wachsenden Spektrums von Prognoseanwendungen auf den Markt gebracht. Weitere vorkonfigurierte Lsun- gen von Blue Yonder werden folgen. </li> </ul>
Embed Size (px)
Recommended