Big Data: Unterschied zwischen den Versionen
Aus ControllingWiki
Achtung. Sie nutzen eine nicht mehr unterstützte Version des Internet Explorer. Es kann zu Darstellungsfehlern kommen. Bitte ziehen Sie einen Wechsel zu einer neueren Version des Internet Explorer in Erwägung oder wechseln Sie zu einer freien Alternative wie Firefox. (Die Seite wurde neu angelegt: „Dieses Stichwort des ControllingWiki wird in Kürze ergänzt.“) |
|||
(8 dazwischenliegende Versionen von 2 Benutzern werden nicht angezeigt) | |||
Zeile 1: | Zeile 1: | ||
− | + | ''Prüfsiegel gültig bis 2022'' | |
+ | |||
+ | == Hintergrund == | ||
+ | |||
+ | Die Entwicklungen der Informationstechnologie der vergangenen Jahre bieten Unternehmen völlig neue Möglichkeiten der Erfassung, Speicherung und Vernetzung bisher unvorstellbarer Mengen an Informationen (vgl. Abbildung 1). Diese werden unter dem Schlagwort Big Data zusammengefasst. Renommierte Wirtschaftsprofessoren, wie Erik Brynjolfsson und Andrew McAfee vom Massachusetts Institute of Technology erhoffen sich von der Nutzung von Big Data eine Management-Revolution, welche die Art, wie wir Entscheidungen treffen, verändern wird. | ||
+ | |||
+ | [[Datei:Big Data Abb 1.jpg]] | ||
+ | |||
+ | ''Abb. 1: Wachsende Datenvielfalt und Komplexität (vgl. Seidel 2013, S. 18)'' | ||
+ | |||
+ | |||
+ | == Merkmale von Big Data == | ||
+ | |||
+ | Um den Nutzen von Big Data verstehen zu können, muss der Begriff präzisiert und von der gängigen Vorstellung, es handele sich lediglich um große Datenmengen, abgegrenzt werden. Definitionsübergreifend können zunächst drei wesentliche Merkmale von Big Data festgehalten werden: | ||
+ | |||
+ | '''1. Volume''' | ||
+ | Auch wenn die Größe der Datenmenge nicht das zentrale konstitutive Merkmal ist, spielt die Zunahme der verfügbaren Daten und die Möglichkeit selbst Tera- und Petabytes problemlos verarbeiten zu können eine wichtige Rolle. | ||
+ | Die Gründe für die rasante Zunahme der verfügbaren Datenmengen liegen im Zusammenspiel von mehreren Trends. Zum einen hat die Möglichkeit der Kommunikation im Internet zum Entstehen von sozialen Plattformen geführt. Durch Blogs, Beiträge in Diskussionsforen und auf Videoportalen oder Mitteilungen in sozialen Netzwerken (Facebook, Twitter) entstehen tägliche riesige Datenmengen. Zum anderen haben die Entwicklung von Smartphones und die Nutzung von mobilen Diensten im Internet diesen Datenzuwachs gefördert. | ||
+ | Ein weiterer wichtiger Treiber von Big Data ist die Möglichkeit über Sensortechnologie Produktionsgüter, Maschinen, und Endgeräte miteinander zu verknüpfen. Diese M2M-Kommunikation (Machine-to-Machine) führt zu einem stetigen Datenstrom an Informationen über Produktionsvorgänge oder dem Nutzungsverhalten von Endverbrauchern (vgl. Abbildung 2). | ||
+ | |||
+ | [[Datei:Big Data Abb 2.jpg]] | ||
+ | |||
+ | ''Abb. 2: Herkunftskategorien von Big Data (in Anlehnung an: Velten/Janata 2012, S. 5)'' | ||
+ | |||
+ | '''2. Variety''' | ||
+ | Das zweite Attribut beschreibt die unterschiedlichen Datenformate und -formen von Daten. Unter Big Data werden Texte, Audiotracks als auch Videos subsummiert. Bei den möglichen Formen muss unterschieden werden zwischen strukturierten, halbstrukturierten oder unstrukturierten Daten. | ||
+ | Strukturierte Daten finden sich bspw. in klassischen ERP-Systemen. Jeder Datensatz weist ein einheitliches Format mit definierten Attributen auf. Sowohl einen klar definierten als auch einen unstrukturierten Bestandteil weisen halbstrukturierte Daten auf. E-Mails oder Logfiles sind ein gutes Beispiel hierfür. Demgegenüber haben unstrukturierte Daten keinerlei offensichtlich vordefiniertes Format. Twitter-Mitteilungen oder Beiträge in Diskussionsforen folgen keinem einheitlichen System. Vor allem unstrukturierte Daten führen zu völlig neuen Anforderungen an die Datenverarbeitung und -analyse. | ||
+ | |||
+ | '''3. Velocity''' | ||
+ | Informationen welche zu Big Data zu zählen sind, werden in den häufigsten Fällen konstant aktualisiert. Sei es bei Statusmeldungen von Maschinen oder von Nutzern sozialer Netzwerke. Um immer auf dem neuesten Informationsstands sein zu können, müssen die riesigen Datenmengen schneller, teils in Echtzeit ausgewertet werden. Dies stellt Herausforderung an eine Real-Time Datenerfassung, | ||
+ | -übertragung, -verarbeitung und -analyse. | ||
+ | Die drei beschriebenen Merkmale lassen allerdings noch nicht erkennen, warum Big Data zu einer Management-Revolution führen oder wieso sich Unternehmen damit beschäftigen sollten. Aus ökonomischen Aspekten sollten daher folgende zwei Merkmale ergänzt werden: | ||
+ | |||
+ | '''4. Value''' | ||
+ | Der Einsatz von Big Data im Unternehmenskontext kann nur dann gerechtfertigt sein, wenn sich ein erkennbarer Nutzen erzielen lässt. Dieser kann erzielt werden, indem die Entscheidungsgrundlagen verbessert oder Produkte und Dienstleistungen besser auf die Wünsche der Kunden abgestimmt werden können. | ||
+ | |||
+ | '''5. Veracity''' | ||
+ | Liegen die relevanten Informationen für eine Verbesserung der Entscheidungsqualität im Unternehmen vor, darf der Richtigkeit nicht angezweifelt werden. Veracity beschreibt, ob Vertrauen in die Glaubwürdigkeit der Daten besteht. | ||
+ | |||
+ | |||
+ | == Fazit == | ||
+ | |||
+ | Die grundlegende Idee, mit Hilfe von Daten die Entscheidungen im Unternehmen zu verbessern ist nicht neu. Die klassischen Informationen, welche Unternehmen im Rahmen von Data Warehouses nutzen, sind zur Berichtserstattung über vergangene Ereignisse geeignet. Davenport bezeichnet dies als Analytics 1.0 (vgl. Davenport, 2012). Die Verknüpfung von Unternehmensdaten mit externen Informationen und die Ausschöpfung der Potenziale neuer Analysemethoden ermöglicht es Unternehmen, größere Datenmengen zu nutzen. Die Analyse von Zusammenhängen in den Unternehmensprozessen und die Frage, warum etwas passiert ist, rückt in den Vordergrund (Analytics 2.0). Nach Davenport werden Unternehmen den vollen Nutzen von Big Data allerdings erst dann erzielen, wenn alle Entscheidungen im Unternehmen datenbasiert getroffen werden (Analytics 3.0). Dies umfasst insbesondere die Integration von kunden- und marktorientierten Daten in die Produktentwicklung, sowie das Angebot neuer Produkte und Dienstleistungen, welche selbst Daten nutzen. | ||
+ | |||
+ | == '''Big Data in Theorie und Praxis - der ICV hat's''' == | ||
+ | |||
+ | [http://www.icv-controlling.com Das ControllingWiki ist die Wissensplattform des Internationaler Controller Vereins ICV.] Mehr als 6000 Mitglieder und weit über 100 Firmenmitglieder international profitieren von seinen Angeboten. Neben Fachveranstaltungen rund um Controlling und Unternehmenssteuerung bieten fast 60 regionale Arbeitskreise, sechs Branchenarbeitskreise und 16 Fachkreise Controlling-Interessierten Teilhabe und aktive Teilnahme in 16 Ländern an. [https://www.icv-controlling.com/arbeitskreise/bi-big-data-und-controlling/kernteam.html An dieser Stelle laden wir Sie zum ICV-Fachkreis "Big Data und Controlling" ein]. [https://www.icv-controlling.com/verein/literatur/icv-digitalisierungsoffensive.html Fachkreisleiter Prof. Dr. Andreas Seufert ist u.a. auch Initiator der ICV-Digitalisierungsoffensive, deren Angebote für Sie auch von Interesse sein könnten.] | ||
+ | |||
+ | == Literatur == | ||
+ | |||
+ | Davenport, T.H./Barth, P./Bean, R., “How ‘Big Data’ is Different.“, MIT Sloan Management Review 53 (2012), Nr. 1, S. 43-46. | ||
+ | |||
+ | Seidel, T., “Big Data - Einordnungskunst”, Business Intelligence Magazine (2013), Nr. 1, S. 26-28. | ||
+ | |||
+ | Velten, C./Janata, S., „Datenexplosion in der Unternehmens-IT. Wie Big Data das Business und die IT verändert“, BT Germany (Hrsg.), 2012. | ||
+ | |||
+ | == Ersteinstellender Autor == | ||
+ | |||
+ | Andreas Aschenbrücker, International Performance Research Institute gGmbH (IPRI) | ||
+ | |||
+ | [[Kategorie:Industrie 4.0/Big Data]] |
Aktuelle Version vom 16. August 2019, 13:06 Uhr
Prüfsiegel gültig bis 2022
Inhaltsverzeichnis
Hintergrund
Die Entwicklungen der Informationstechnologie der vergangenen Jahre bieten Unternehmen völlig neue Möglichkeiten der Erfassung, Speicherung und Vernetzung bisher unvorstellbarer Mengen an Informationen (vgl. Abbildung 1). Diese werden unter dem Schlagwort Big Data zusammengefasst. Renommierte Wirtschaftsprofessoren, wie Erik Brynjolfsson und Andrew McAfee vom Massachusetts Institute of Technology erhoffen sich von der Nutzung von Big Data eine Management-Revolution, welche die Art, wie wir Entscheidungen treffen, verändern wird.
Abb. 1: Wachsende Datenvielfalt und Komplexität (vgl. Seidel 2013, S. 18)
Merkmale von Big Data
Um den Nutzen von Big Data verstehen zu können, muss der Begriff präzisiert und von der gängigen Vorstellung, es handele sich lediglich um große Datenmengen, abgegrenzt werden. Definitionsübergreifend können zunächst drei wesentliche Merkmale von Big Data festgehalten werden:
1. Volume Auch wenn die Größe der Datenmenge nicht das zentrale konstitutive Merkmal ist, spielt die Zunahme der verfügbaren Daten und die Möglichkeit selbst Tera- und Petabytes problemlos verarbeiten zu können eine wichtige Rolle. Die Gründe für die rasante Zunahme der verfügbaren Datenmengen liegen im Zusammenspiel von mehreren Trends. Zum einen hat die Möglichkeit der Kommunikation im Internet zum Entstehen von sozialen Plattformen geführt. Durch Blogs, Beiträge in Diskussionsforen und auf Videoportalen oder Mitteilungen in sozialen Netzwerken (Facebook, Twitter) entstehen tägliche riesige Datenmengen. Zum anderen haben die Entwicklung von Smartphones und die Nutzung von mobilen Diensten im Internet diesen Datenzuwachs gefördert. Ein weiterer wichtiger Treiber von Big Data ist die Möglichkeit über Sensortechnologie Produktionsgüter, Maschinen, und Endgeräte miteinander zu verknüpfen. Diese M2M-Kommunikation (Machine-to-Machine) führt zu einem stetigen Datenstrom an Informationen über Produktionsvorgänge oder dem Nutzungsverhalten von Endverbrauchern (vgl. Abbildung 2).
Abb. 2: Herkunftskategorien von Big Data (in Anlehnung an: Velten/Janata 2012, S. 5)
2. Variety Das zweite Attribut beschreibt die unterschiedlichen Datenformate und -formen von Daten. Unter Big Data werden Texte, Audiotracks als auch Videos subsummiert. Bei den möglichen Formen muss unterschieden werden zwischen strukturierten, halbstrukturierten oder unstrukturierten Daten. Strukturierte Daten finden sich bspw. in klassischen ERP-Systemen. Jeder Datensatz weist ein einheitliches Format mit definierten Attributen auf. Sowohl einen klar definierten als auch einen unstrukturierten Bestandteil weisen halbstrukturierte Daten auf. E-Mails oder Logfiles sind ein gutes Beispiel hierfür. Demgegenüber haben unstrukturierte Daten keinerlei offensichtlich vordefiniertes Format. Twitter-Mitteilungen oder Beiträge in Diskussionsforen folgen keinem einheitlichen System. Vor allem unstrukturierte Daten führen zu völlig neuen Anforderungen an die Datenverarbeitung und -analyse.
3. Velocity Informationen welche zu Big Data zu zählen sind, werden in den häufigsten Fällen konstant aktualisiert. Sei es bei Statusmeldungen von Maschinen oder von Nutzern sozialer Netzwerke. Um immer auf dem neuesten Informationsstands sein zu können, müssen die riesigen Datenmengen schneller, teils in Echtzeit ausgewertet werden. Dies stellt Herausforderung an eine Real-Time Datenerfassung, -übertragung, -verarbeitung und -analyse. Die drei beschriebenen Merkmale lassen allerdings noch nicht erkennen, warum Big Data zu einer Management-Revolution führen oder wieso sich Unternehmen damit beschäftigen sollten. Aus ökonomischen Aspekten sollten daher folgende zwei Merkmale ergänzt werden:
4. Value Der Einsatz von Big Data im Unternehmenskontext kann nur dann gerechtfertigt sein, wenn sich ein erkennbarer Nutzen erzielen lässt. Dieser kann erzielt werden, indem die Entscheidungsgrundlagen verbessert oder Produkte und Dienstleistungen besser auf die Wünsche der Kunden abgestimmt werden können.
5. Veracity Liegen die relevanten Informationen für eine Verbesserung der Entscheidungsqualität im Unternehmen vor, darf der Richtigkeit nicht angezweifelt werden. Veracity beschreibt, ob Vertrauen in die Glaubwürdigkeit der Daten besteht.
Fazit
Die grundlegende Idee, mit Hilfe von Daten die Entscheidungen im Unternehmen zu verbessern ist nicht neu. Die klassischen Informationen, welche Unternehmen im Rahmen von Data Warehouses nutzen, sind zur Berichtserstattung über vergangene Ereignisse geeignet. Davenport bezeichnet dies als Analytics 1.0 (vgl. Davenport, 2012). Die Verknüpfung von Unternehmensdaten mit externen Informationen und die Ausschöpfung der Potenziale neuer Analysemethoden ermöglicht es Unternehmen, größere Datenmengen zu nutzen. Die Analyse von Zusammenhängen in den Unternehmensprozessen und die Frage, warum etwas passiert ist, rückt in den Vordergrund (Analytics 2.0). Nach Davenport werden Unternehmen den vollen Nutzen von Big Data allerdings erst dann erzielen, wenn alle Entscheidungen im Unternehmen datenbasiert getroffen werden (Analytics 3.0). Dies umfasst insbesondere die Integration von kunden- und marktorientierten Daten in die Produktentwicklung, sowie das Angebot neuer Produkte und Dienstleistungen, welche selbst Daten nutzen.
Big Data in Theorie und Praxis - der ICV hat's
Das ControllingWiki ist die Wissensplattform des Internationaler Controller Vereins ICV. Mehr als 6000 Mitglieder und weit über 100 Firmenmitglieder international profitieren von seinen Angeboten. Neben Fachveranstaltungen rund um Controlling und Unternehmenssteuerung bieten fast 60 regionale Arbeitskreise, sechs Branchenarbeitskreise und 16 Fachkreise Controlling-Interessierten Teilhabe und aktive Teilnahme in 16 Ländern an. An dieser Stelle laden wir Sie zum ICV-Fachkreis "Big Data und Controlling" ein. Fachkreisleiter Prof. Dr. Andreas Seufert ist u.a. auch Initiator der ICV-Digitalisierungsoffensive, deren Angebote für Sie auch von Interesse sein könnten.
Literatur
Davenport, T.H./Barth, P./Bean, R., “How ‘Big Data’ is Different.“, MIT Sloan Management Review 53 (2012), Nr. 1, S. 43-46.
Seidel, T., “Big Data - Einordnungskunst”, Business Intelligence Magazine (2013), Nr. 1, S. 26-28.
Velten, C./Janata, S., „Datenexplosion in der Unternehmens-IT. Wie Big Data das Business und die IT verändert“, BT Germany (Hrsg.), 2012.
Ersteinstellender Autor
Andreas Aschenbrücker, International Performance Research Institute gGmbH (IPRI)