Von Business Intelligence zur Data Economy

Es sieht wohl so aus, als ob das schöne Cebit-Motto “Datability” es nicht als feststehender Begriff in den Sprachgebrauch der IT-Profis schafft. Zumindest wenn man Google Trends glauben darf. Hier zeigt sich, dass das Interesse – gemessen an den Suchanfragen – wieder schnell abgeflaut ist. Aber das gilt nur für den Begriff – und nicht für das Thema.

Datability beschreibt recht trefflich die Herausforderung vieler Unternehmen mehr aus ihren Daten zu machen. Und diese Reise hat in den meisten Unternehmen erst begonnen, wie aktuelle Untersuchungen von Crisp Research zeigen.

Reise zu neuen datenbasierten Geschäftsmodellen hat erst begonnen

So stehen mehr als zwei Drittel der Unternehmen noch am Anfang, wenn es darum geht neue datenbasierte Dienste und Geschäftsmodelle zu entwickeln und bestehende Prozesse mittels der neuen Big Data-Technologien Business-Modelle-in-der-Daten-Ökonomieweiter zu optimieren.

Um sich hier grob zu orientieren und die sich anschließenden Architektur- und Sourcing-Fragen (Wer ist der passende Technologie- und Integrationsanbieter?) klären zu können, sollten Entscheider sich folgende Fragen stellen bzw. eine Einordnung anhand folgender Matrix vornehmen.

So gilt es zu beantworten, ob im Unternehmen bestehende Prozesse oder Geschäftsmodelle unterstützt und optimiert oder neue entwickelt werden sollen.

Zudem stellt sich die Frage, ob es dazu “nur” der Analyse bestehender interner Datenbestände (z.B. Preis- oder Lagerbestandsdaten aus Business-Applikationen) bedarf oder ob neue Daten im Unternehmen erfasst (z.B. Sensordaten) oder extern zugekauft werden sollen (z.B. Wetterdaten, Social Media-Daten etc.).

Technologie- und Herstellerauswahl – Evolution der Analytics-Lösungen

Sobald Unternehmen für sich entschieden haben, um welche Business Cases und Datenbestände es geht und welche Daten, wie und in welcher Granularität und Aktualität analysiert werden müssen, kann die Vorbereitung der Technologieauswahl erfolgen. Denn diese ist maßgeblich von der Problemstellung und weniger von den begrifflichen Vorlieben des CIO abhängig.

So muss konstatiert werden, dass es für viele klassische Analyseaufgaben immer noch vollkommen ausreichend ist, auf klassische BI-Software zu setzen. Dies gilt vor allem in Szenarien, wenn Datenbestände wohl strukturiert sind, die Analyseaufgaben einem wiederkehrenden Muster erfolgen und nicht die Notwendigkeit zur Auswertung in Echtzeit vorliegt. Denn dies ist eine wesentliche Differenzierung von klassischen BI-Lösungen gegenüber den neuen In-Memory-Technologien wie z.B. SAP HANA oder Oracle Exadata. Diese lassen sich auch als “High-Performance” BI bezeichnen und beziehen sich auf die Analyse strukturierter Daten in Größenordnungen von bis zu 1 PB RAM.

Kommen neue Anforderungen auf die Unternehmen zu, wie z.B. die Analyse und Visualisierung nicht genau spezifizierbarer Datenbestände (viele Quellen, unstrukturierte Daten) und deren Kombination mit externen Datenquellen, so bietet sich der Einsatz neuer Frameworks- und Technologie wie z.B. Hadoop an. Hier besteht – eine entsprechende Infrastruktur vorausgesetzt – eine nahezu unbegrenzte Skalierungsfähigkeit und Flexibilität bei den Analysen.

Evolution-of-Analytics-Services

In den letzten 24 Monaten hat sich für die Anwender eine recht komfortable Situation entwickelt, da IT-Dienstleister wie z.B. T-Systems, IBM oder Accenture in großem Stile in den Bereich “Big Data & Analytics” investiert haben. Dies gilt einerseits für den Aufbau entsprechender Skills und Beratungsprogramme. Vor allem aber für den Aufbau und den Betrieb entsprechender IT-Infrastrukturen. So stellt z.B. T-Systems nicht nur eine breite Auswahl an Technologien zur Verfügung, sondern liefert diese in nahezu allen Betriebskonzepten – von On-Premise, über hybride Umgebungen bis hin zu reinrassigen Cloud-Plattformen.

Anwender sind erstmals in der Lage, die neuen Analytics-Möglichkeiten auszuprobieren und zu nutzen, ohne sich auf horrende Vorabinvestitionen einlassen zu müssen. Und dies ist elementar wichtig, da viele der heutigen Big Data- und Analytics-Projekte einen explorativen und innovativen Charakter haben. Meist kann zu Projektbeginn der ROI noch nicht genau bestimmt werden. Dieser ergibt sich erst nach mehreren Iterationsstufen und in Weiterentwicklung der Analysen mit den Fachkollegen.

Aus einer Reihe von Fallstudien und Best Practices ist klar erkennbar, dass diejenigen Unternehmen, die eine offene und kreative Kultur im Umgang mit den Daten (“Data Culture”) pflegen und innovative Projekte befürworten, deutlich erfolgreicher bei der Implementierung großer Analytics-Vorhaben sind.

Data Economy – Mehr als 6,1 Mrd. Euro Umsatz mit datenbasierten Diensten

Es existieren nicht nur viele Beispiele für die neuen Anwendungen und Services im Datenzeitalter. Auch erste Prognosen zur Marktentwicklung der neuen datenbasierten Dienste liegen nun vor. Im Auftrag des BITKOM hat Crisp Research eine Analyse zu den Big Data-IT-Infrastrukturen und den darauf aufbauenden „Datability“-Services und Geschäftsmodellen durchgeführt, deren Ergebnisse zur Cebit erstmalig vorgestellt wurden.

The-Data-Economy

Die Zusammenfassung der Ergebnisse finden Sie zudem in folgender Infografik des BITKOM visualisiert.