Big Data Analytics im Lab – Platz für Experimente

Was ist ein Brand Discovery ?

Big Data Analytics macht es möglich, bis dato unbekannte Zusammenhänge in Unternehmensdaten zu erkennen. Das freut jeden Manager, der auf der Suche nach ungenutzten Potenzialen ist. Gleichzeitig ist das Unbekannte allerdings nicht gerade der beste Freund eines auf Kontrolle bedachten Unternehmenslenkers. Und Neuland entdeckt man nicht auf ausgetretenen Pfaden. Wie passen also Innovation durch Big Data und das Bedürfnis nach Stabilität zusammen?

Die Lösung heißt „Big Data Lab“. Dieses vom Softwarehersteller SAS entwickelte Konzept schafft einen geschützten Raum, in dem Unternehmen mit Big Data experimentieren, Anwendungsszenarien entwickeln, verfeinern und auch wieder verwerfen können. Scheitern ist hier ausdrücklich erlaubt und Teil des Prinzips. Nur so lassen sich Möglichkeiten von Big Data ohne Schere im Kopf über bisherige Grenzen hinweg ausloten.  

Big Data Analytics ist weit mehr als eine Fortsetzung von Business Intelligence mit größeren Datenmengen. Die große Stärke von Big Data Analytics ist es, Muster und Trends in Datenströmen zu identifizieren, die zuvor nicht sichtbar waren. Und das auch unter Berücksichtigung externer, oft unstrukturierter Daten. Wer das nutzen will, muss ergebnisoffen an diese Analysen herangehen – sprich: Experimente wagen und das Scheitern von Ansätzen in Kauf nehmen. Unternehmen investieren aber nur ungern in langwierige Projekte mit ungewisser Erfolgsaussicht. Diese Zurückhaltung in Sachen Experiment wird in einer Zeit der digitalen Transformation aber zunehmend zur Innovationsbremse.

Fachabteilung als treibende Kraft

Die Wirtschaft entwickelt sich im Zuge dieser Digitalisierung hin zu analytischen und datengetriebenen Unternehmen. Die Fachabteilungen, insbesondere Vertrieb und Marketing, aber auch Produktentwicklung und Fertigung, sind hier die treibenden Kräfte. Diese Fachbereiche haben in der Regel nicht die technische Expertise, um Nutzenprognosen für Big Data Analytics zu stellen. Aber sie haben das Fach- und Marktwissen, das erforderlich ist, um Anwendungsfelder zu identifizieren und zu erproben. Dafür brauchen sie eine praxisnahe, leistungsfähige Infrastruktur. Und einen CIO, der ihnen mit seinem Team diese Infrastrukturen zur Verfügung stellt.

Ressourcen effizient einsetzen

Experimentieren ist im Hinblick auf Innovation unverzichtbar. Der Ressourcenbedarf und damit auch die Projektrisiken sind aber erheblich. Denn es liegt in der Natur der (experimentellen) Sache, dass die Fachbereiche zu Beginn noch nicht in der Lage sind, ihren Bedarf konkret zu beschreiben. Dieser Mangel an Konkretheit hat zur Folge, dass für jedes Projekt ein individuelles Design der Test-Infrastruktur geschaffen werden muss. Dabei ist die in der Regel aus heterogenen Komponenten (beispielsweise Hadoop, HANA, R, Python) bestehende Infrastruktur an sich schon komplex und daher schwierig zu managen. Genau für diese Anforderungen fehlen in der IT meist die nötigen Ressourcen und teilweise auch Skills.

Schneller Einstieg, zeitnahe Validierung

Wer sich als Unternehmen also auf das Experiment Big Data Analytics einlassen will – und das wird mittelfristig fast jedes Unternehmen wollen und müssen – ist daran interessiert, seine Ressourcen in der Verprobungsphase so effizient wie möglich einzusetzen und seine Investitionen so gering wie möglich zu halten. Ein schneller Einstieg, ein zeitnahes Validierungsergebnis sind das Ziel. Hundertprozentige Datenqualität oder das perfekte Modell müssen an dieser Stelle noch gar nicht im Fokus stehen. Es geht um die Frage: Funktioniert etwas, oder funktioniert es nicht? – mit der Option, bei positivem Ausgang gleich in die Produktivsetzung zu gehen.

Alle Werkzeuge aus einer Hand

Genau hier setzt das Big Data Lab von SAS an: eine vorkonfektionierte und schlüsselfertige Infrastruktur für das Aufspüren und Ausprobieren von neuen datengetriebenen Szenarien, um Use Cases zu entdecken oder schnell zu verwerfen. Alle Werkzeuge vom fachbereichsgetriebenen Datenmanagement bis hin zu Explorationswerkzeugen für Fachanwender und Data Scientists sind an Bord. Die Datenhaltung erfolgt wahlweise kostengünstig in Hadoop. Der Analytics-Factory-Ansatz sorgt für Ausbaufähigkeit und Skalierbarkeit als Grundsäulen für die  Anschlussfähigkeit an eine professionelle Produktivsetzung nach einer unternehmensinternen Pilotphase.

Data Scientist „on demand“

Die Umgebung ist schnell und einfach verfügbar (entweder als On-Premise-Installation oder über die Cloud) und kann sofort genutzt werden. SAS liefert bei Bedarf auch Skills und Ressourcen, um das Big Data Lab produktiv zu machen – wenn im Unternehmen also noch nicht ausreichend Data Scientists, Datenmanager oder BI-Experten vorhanden sind, springt SAS mit Manpower und Expertise ein.

Mut zum Scheitern

Der schnelle Start und die flexiblen Schnittstellen erleichtern das Entdecken, Entwickeln und Validieren von Szenarien und ermöglichen eine Skalierung in produktive Umgebungen. Die im Lab erarbeiteten Szenarien können auf einer SAS Plattform besonders einfach, nachhaltig und bei voller Prozesssicherheit an große Zielgruppen ausgerollt werden – daran scheitern viele Big-Data-Start-ups.

Das Big Data Lab liefert Unternehmen keine Erfolgsgarantie für ihre Big-Data-Projekte. Aber es gibt ihnen die nötige Freiheit, zu experimentieren und sich an noch nicht erprobten Use Cases zu versuchen, bisher unbekannte Fragen zu stellen und aus den Antworten Handlungsanweisungen für die Zukunft zu ziehen. Und dies ist die Basis für die Entwicklung neuer (digitaler) Geschäftsmodelle. Mit dem Big Data Lab von SAS bleiben die Risiken und Kosten überschaubar. Nach dem Fail-Fast-Prinzip lassen sich Irrwege rasch identifizieren und ausschließen. Mit diesem Experimentierfeld vor Augen werden die Einstiegshürden für Big Data Analytics sowohl in finanzieller als auch psychologischer Hinsicht erheblich gesenkt – die Innovation hat freie Bahn.

Autor: Christoph Sporleder, Executive Advisor SAS Deutschland, Österreich, Schweiz

Christoph Sporleder (Bild: SAS)