É«¿Ø´«Ã½

Big Data bietet Unternehmen immense M?glichkeiten, darunter aussagekr?ftigere Einblicke in das Kundenverhalten, genauere Prognosen ¨¹ber das Marktgeschehen und eine insgesamt h?here Effizienz.

Menschen und Unternehmen erzeugen jedes Jahr immer mehr Daten. Laut einem IDC-Bericht hat die Welt im Jahr 2010 gerade einmal 1,2?Zettabyte (1,2?Billionen Gigabyte) an neuen Daten erzeugt. Bis 2025 k?nnte dieser Wert auf 175?Zettabyte (175?Billionen Gigabyte) oder mehr ansteigen¹.

In dem Ma?e, in dem Unternehmen diese florierende Ressource ¨¹ber vorausschauende Analysen und Datengewinnung erschlie?en, wird auch der Markt f¨¹r Big Data wachsen. prognostizieren, dass sich der Wert des Big-Data-Marktes zwischen 2018 und 2027 von 169?Milliarden Dollar auf 274?Milliarden Dollar nahezu verdoppeln wird.

Aber was sind die wesentlichen Unterschiede zwischen Big Data und herk?mmlichen Daten? Und welche Auswirkungen haben sie auf die aktuelle Daten-Storage-, Datenverarbeitungs- und Datenanalysetechnologie? Hier erkl?ren wir die unterschiedlichen Zwecke der einzelnen Arten von Daten und betonen gleichzeitig die Bedeutung einer Strategie, bei der sowohl Big Data als auch herk?mmliche Daten gewinnbringend eingeplant werden.

?

Was sind herk?mmliche Daten?

Bei herk?mmlichen Daten handelt es sich um strukturierte, relationale Daten, die Unternehmen seit Jahrzehnten speichern und verarbeiten. Herk?mmliche Daten machen noch immer den gr??ten Teil der weltweiten Daten aus.

Unternehmen k?nnen herk?mmliche Daten zum Nachverfolgen von Verk?ufen oder zum Verwalten von Kundenbeziehungen oder Arbeitsabl?ufen verwenden. Herk?mmliche Daten sind oft einfacher zu bearbeiten und k?nnen mit herk?mmlicher Datenverarbeitungssoftware verwaltet werden. Sie bieten jedoch im Allgemeinen weniger tiefgehende Einblicke und einen geringeren Nutzen als Big Data.

?

Was ist Big Data?

Der Begriff ?Big Data¡° kann sich sowohl auf einen gro?en und komplexen Datensatz beziehen als auch auf die Methoden, die zur Verarbeitung dieser Art von Daten verwendet werden. Big Data hat vier Hauptmerkmale, die oft als ?die vier Vs¡° bezeichnet werden:

• Volume (Volumen): Big Data ist ¡­ nun, gro?. Big Data zeichnet sich nicht nur durch seine Gr??e aus, sondern typischerweise auch durch ein sehr hohes Datenvolumen.
• Variety (Vielfalt): Ein gro?er Datensatz enth?lt in der Regel strukturierte, halbstrukturierte und unstrukturierte Daten.
• Velocity (Geschwindigkeit): Big Data wird schnell generiert und oft in Echtzeit verarbeitet.
• Veracity (Stichhaltigkeit): Big Data ist nicht automatisch von besserer Qualit?t als herk?mmliche Daten, aber seine Stichhaltigkeit (Genauigkeit) ist extrem wichtig. Anomalien, Verzerrungen und Rauschen k?nnen die Qualit?t von Big Data erheblich beeintr?chtigen.

?

Die Unterschiede zwischen Big Data und herk?mmlichen Daten

Zur Unterscheidung zwischen Big Data und herk?mmlichen Daten werden mehrere Merkmale verwendet. Dazu geh?ren folgende:

• die Gr??e der Daten
• wie die Daten organisiert sind
• die zum Verwalten der Daten erforderliche Architektur
• die Quellen, aus denen die Daten stammen
• die zum Analysieren der Daten verwendeten Methoden

Gr??e

Herk?mmliche Datens?tze werden in der Regel in Gigabytes und Terabytes gemessen. Dank ihrer Gr??e k?nnen sie zentral, sogar auf einem Server, gespeichert werden.

Big Data zeichnet sich nicht nur durch seine Gr??e, sondern auch durch seine Menge aus. Big Data wird ¨¹blicherweise in Petabytes, Zettabytes oder Exabytes gemessen. Die stets wachsenden Big-Data-Datensets sind einer der Hauptgr¨¹nde f¨¹r die Nachfrage nach moderneren Cloud-basierten Daten-Storage-L?sungen mit hoher Kapazit?t.

Organisation

Herk?mmliche Daten sind normalerweise strukturierte Daten, die in Datens?tzen, Dateien und Tabellen organisiert sind. Felder in traditionellen Datens?tzen sind relational, sodass es m?glich ist, ihre Beziehung zueinander herauszuarbeiten und die Daten entsprechend zu bearbeiten. Herk?mmliche Datenbanken wie SQL, Oracle DB und MySQL verwenden ein festes Schema, das statisch und vorkonfiguriert ist.

Big Data verwendet ein dynamisches Schema. Im Storage ist Big Data roh und unstrukturiert. Wenn auf Big Data zugegriffen wird, wird das dynamische Schema auf die Rohdaten angewendet. Moderne nicht relationale oder NoSQL-Datenbanken wie Cassandra und MongoDB sind aufgrund der Art und Weise, wie sie Daten in Dateien speichern, ideal f¨¹r unstrukturierte Daten.

Architektur

Herk?mmliche Daten werden in der Regel ¨¹ber eine zentralisierte Architektur verwaltet, die f¨¹r kleinere, strukturierte Datens?tze kosteng¨¹nstiger und sicherer sein kann.

Im Allgemeinen besteht ein zentralisiertes System aus einem oder mehreren Client-Knoten (z.?B. Computer oder mobile Ger?te), die mit einem zentralen Knoten (z. B. einem Server) verbunden sind. Der zentrale Server steuert das Netzwerk und ¨¹berwacht dessen Sicherheit.

Aufgrund seiner Gr??e und Komplexit?t ist es nicht m?glich, Big Data zentral zu verwalten. Es erfordert eine verteilte Architektur.

Verteilte Systeme verbinden mehrere Server oder Computer ¨¹ber ein Netzwerk und fungieren als gleichberechtigte Knoten. Die Architektur kann horizontal skaliert werden (?ausw?rts¡°) und funktioniert auch dann noch, wenn ein einzelner Knoten ausf?llt. Verteilte Systeme k?nnen Standardhardware nutzen, um Kosten zu senken.

Quellen

Herk?mmliche Daten stammen in der Regel aus dem Enterprise Resource Planning (ERP), dem Customer Relationship Management (CRM), Online-Transaktionen und von anderen Daten auf Unternehmensebene.

Big Data stammt aus einem breiteren Spektrum von Daten auf Unternehmens- und Nicht-Unternehmensebene. Dazu k?nnen Informationen aus sozialen Medien, Ger?te- und Sensordaten sowie audiovisuelle Daten geh?ren. Diese Quellentypen sind dynamisch, entwickeln sich st?ndig weiter und wachsen mit jedem Tag.

Zu den Quellen unstrukturierter Daten k?nnen auch Text-, Video-, Bild- und Audiodateien geh?ren. Mit den Spalten und Zeilen herk?mmlicher Datenbanken kann diese Art von Daten nicht genutzt werden. Da immer mehr Daten unstrukturiert sind und aus verschiedenen Quellen stammen, sind Big-Data-Analysemethoden erforderlich, um aus ihnen einen Wert zu sch?pfen.

Analyse

Die Analyse herk?mmlicher Daten erfolgt inkrementell: Ein Ereignis tritt ein, Daten werden generiert und die Analyse dieser Daten erfolgt nach dem Ereignis. Die Analyse herk?mmlicher Daten kann Unternehmen dabei helfen, die Auswirkungen bestimmter Strategien oder ?nderungen auf Basis einer begrenzten Anzahl an Kennzahlen ¨¹ber einen bestimmten Zeitraum zu verstehen.

Big-Data-Analysen k?nnen in Echtzeit erfolgen. Da Big Data im Sekundentakt generiert wird, kann die Analyse bereits w?hrend der Datenerfassung erfolgen. Die Analyse von Big Data erm?glicht Unternehmen ein dynamischeres und ganzheitlicheres Verst?ndnis ihrer Bed¨¹rfnisse und Strategien.

Nehmen wir zum Beispiel an, ein Unternehmen hat in ein Schulungsprogramm f¨¹r seine Mitarbeiter investiert und m?chte dessen Wirkung messen.

Bei einem herk?mmlichen Datenanalysemodell k?nnte das Unternehmen versuchen, die Auswirkungen des Schulungsprogramms auf einen bestimmten Bereich des Betriebs, wie z.?B. den Verkauf, zu bestimmen. Das Unternehmen stellt den Umsatz vor und nach der Schulung fest und schlie?t alle Fremdeinfl¨¹sse aus. Es kann theoretisch sehen, um wie viel der Umsatz durch die Schulung gestiegen ist.

Im Rahmen eines Big-Data-Analysemodells kann das Unternehmen Fragen danach beiseite lassen, wie sich das Schulungsprogramm auf einen bestimmten Aspekt seines Betriebs ausgewirkt hat. Stattdessen k?nnen durch das Analysieren einer gro?en Menge an Daten, die in Echtzeit im gesamten Unternehmen gesammelt werden, die spezifischen Bereiche identifiziert werden, auf die Auswirkungen erkennbar sind, wie z. B. Vertrieb, Kundenservice, ?ffentlichkeitsarbeit usw.

?

Big Data versus herk?mmliche Daten: Wichtige ?berlegungen f¨¹r die Zukunft

Big Data und herk?mmliche Daten dienen unterschiedlichen, aber verwandten Zwecken. Es mag zwar den Anschein haben, dass Big Data einen gr??eren potenziellen Nutzen hat, aber es ist nicht unter allen Umst?nden geeignet (oder notwendig). Big Data ¡­

• ¡­ kann eine tiefere Analyse von Markttrends und Verbraucherverhalten liefern. Die Analyse herk?mmlicher Daten kann enger gefasst und zu eingeschr?nkt sein, um die aussagekr?ftigen Erkenntnisse zu liefern, die Big Data liefern kann.
• ¡­ liefert schneller Einblicke. Organisationen k?nnen in Echtzeit von Big Data lernen. Im Kontext von Big-Data-Analysen kann dies einen Wettbewerbsvorteil darstellen.
• ¡­ ist effizienter. Die zunehmende Digitalisierung unserer Gesellschaft bedeutet, dass Menschen und Unternehmen jeden Tag ¨C und sogar jede Minute ¨C riesige Datenmengen erzeugen. Big Data erm?glicht es uns, diese Daten nutzbar zu machen und sie sinnvoll zu interpretieren.
• ¡­ erfordert umfassende Vorbereitung. Um diese Vorteile zu nutzen, m¨¹ssen sich Unternehmen durch neue Sicherheitsprotokolle, Konfigurationsschritte und eine Erh?hung der verf¨¹gbaren Rechenleistung auf Big Data vorbereiten.

Der Aufstieg von Big Data bedeutet nicht, dass herk?mmliche Daten verschwinden. Herk?mmliche Daten ¡­

• ¡­ k?nnen einfacher zu sichern sein, weshalb sie f¨¹r hochsensible, pers?nliche oder vertrauliche Datens?tze vorzuziehen sind. Da herk?mmliche Daten kleiner sind, erfordern sie keine verteilte Architektur und seltener Storage Dritter.
• ¡­ k?nnen mit herk?mmlicher Datenverarbeitungssoftware und einer normalen Systemkonfiguration verarbeitet werden. Die Verarbeitung von Big Data erfordert in der Regel einen h?heren Konfigurationsaufwand, was den Ressourcenverbrauch und die Kosten unn?tig in die H?he treiben kann, obwohl herk?mmliche Datenmethoden ausreichen w¨¹rden.
• ¡­ sind leichter zu bearbeiten und zu interpretieren. Da herk?mmliche Daten einfacher und relational sind, k?nnen sie mithilfe normaler Funktionen verarbeitet werden ¨C und sind m?glicherweise sogar f¨¹r Nicht-Experten zug?nglich.

Letztlich geht es nicht um die Wahl zwischen Big Data und herk?mmlichen Daten. Da immer mehr Unternehmen gro?e, unstrukturierte Datens?tze generieren, ben?tigen sie die richtigen Tools daf¨¹r. Ein Verst?ndnis daf¨¹r, wie beide Modelle genutzt und unterst¨¹tzt werden, ist ein notwendiges Element der Aktualisierung Ihrer Strategie, um f¨¹r eine Big Data-Zukunft ger¨¹stet zu sein.

?

Zus?tzliche Kapitel im Big-Data-Leitfaden

1. Strukturierte Daten versus unstrukturierte Daten
2. 5 Wege, wie Big Data Unternehmen auf die Spr¨¹nge hilft
3. Die Beziehung zwischen Big Data und IoT