How to kill your Big Data project
15 Möglichkeiten, die Nutzung eigener Daten zu sabotieren
10. Alles glauben, was die Daten sagen
In unendlich vielen Daten finden Sie Unmengen an Mustern, die alles belegen, was auf der Welt interessant sein könnte. Doch nur weil eine Korrelation vorliegt, muss dort keine Kausalität herrschen. Sie sollten deshalb immer Skepsis gegenüber den Ergebnissen behalten. Denn letztlich bleibt immer noch der Mensch für die Interpretation der Ergebnisse entscheidend.
11. Die eigenen Maschinen machen das allein
Maschinen geben ihre Daten leider nicht bereitwillig her. Die Daten aus alter Hardware zu verstehen, ist noch ein weiteres Problem, da die gewonnenen Daten alles andere als von Beginn an sauber und strukturiert sind. Die analoge Welt lässt sich nicht bereitwillig digitalisieren. Dessen müssen Sie sich immer bewusst sein.
12. Bloß nichts weitersagen
Schweigen mag manchmal Gold sein. Hier aber definitiv nicht. Denn wer keine Informationen weitergibt, gefährdet das ganze Projekt. Vermeiden Sie deshalb Alleingänge der am Projekt beteiligten Mitarbeiter und setzen Sie stattdessen auf Know-how-Transfer.
13. Design wird überbewertet
Dass die Technik funktioniert, ist die eine Seite der Medaille. Die andere ist, dass die Technik einfach und angenehm anzuwenden sein muss. Entwickler sollten deshalb immer auch an ein intuitives Design von Interfaces, Prozessen, System- und Datenbank-Landschaften denken. Letzten Endes muss der Anwender mit dem System vertraut sein, um damit effektiv arbeiten zu können.
- Big Data: Neue Berufsbilder
In den teilweise euphorischen Einschätzungen von Markforschern und IT-Unternehmen ist immer wieder die Rede von neuen Berufsbildern, die Big Data mit sich bringen soll. Dazu zählen unter anderem folgende Tätigkeiten: - Data Scientist
Er legt fest, welche Analyseformen sich am besten dazu eignen, um die gewünschten Erkenntnisse zu erzielen und welche Rohdaten dafür erforderlich sind. Solche Fachleute benötigen solide Kenntnisse in Bereichen wie Statistik und Mathematik. Hinzu kommen Fachkenntnisse über die Branche, in der ein Unternehmen beziehungsweise tätig ist und über IT-Technologien wie Datenbanken, Netzwerktechniken, Programmierung und Business Intelligence-Applikationen. Ebenso gefordert sind Verhandlungsgeschick und emotionale Kompetenz, wenn es um die Zusammenarbeit mit anderen Abteilungen geht. - Data Artist oder Data Visualizer
Sie sind die "Künstler" unter den Big-Data-Experten. Ihre Hauptaufgabe besteht darin, die Auswertungen so zu präsentieren, dass sie für Business-Verantwortliche verständlich sind. Die Fachleute setzen zu diesem Zweck Daten in Grafiken und Diagramme um. - Data Architect
Sie erstellen Datenmodelle und legen fest, wann welche Analyse-Tools Verwendung finden und welche Datenquellen genutzt werden sollen. Auch sie benötigen ein umfassendes Know-how auf Gebieten wie Datenbanken, Datenanalyse und Business Intelligence. - Daten-Ingenieur
Diese Aufgabe ist stark auf die IT-Infrastruktur ausgerichtet. Der Dateningenieur ist das Big-Data-Analysesystem zuständig, also die Hard- und Software sowie Netzwerkkomponenten, die für das Sammeln und Auswerten von Daten benötigt werden. Eine vergleichbare Funktion haben System- und Netzwerkverwalter im IT-Bereich. - Information Broker
Er kann mehrere Rollen spielen, etwa die eines Datenhändlers, der Kunden Informationen zur Verfügung stellt, oder die eines Inhouse-Experten, der Datenbestände von unterschiedlichen Quellen innerhalb und außerhalb des Unternehmens beschafft. Außerdem soll er Ideen entwickeln, wie sich diese Daten nutzbringend verwenden lassen. - Data Change Agents
Diese Fachleute haben eine eher "politische" Funktion. Sie sollen bestehende Prozesse im Unternehmen analysieren und anpassen, sodass sie mit Big-Data-Initiativen kompatibel sind. Nur dann lässt sich aus solchen Projekten der größtmögliche Nutzen ziehen. Wichtig sind daher ausgeprägte Kommunikationsfähigkeiten, Verständnis für Unternehmensprozesse sowie Kenntnisse im Bereich Qualitätssicherung und Qualitätsmanagement (Six Sigma, ISO 9000).
14. Auf keinen Fall um Hilfe bitten
Ein Big Data-Projekt zu starten, benötigt viel Expertenwissen - etwa um eine entsprechende Infrastruktur aufzubauen oder ein spezielles Vorhersagemodell zu erstellen. Dieses Wissen ist in vielen Unternehmen zu Beginn noch nicht vorhanden. Es empfiehlt sich deshalb, bei einem so neuen Thema wie Big Data Hilfe von außen zu holen. Dies kann das eigene Projekt um einiges nach vorne bringen.
15. Kein eigenes Budget für Big Data-Projekte
Große Budgets werden in Big Data meistens nicht investiert. Das müssen sie auch nicht zwangsläufig. Allzu stiefmütterlich sollte das eigene Projekt allerdings auch nicht behandelt werden. Vielmehr gilt es, wie eigentlich überall, eine adäquate Budgetplanung zu treffen. Eine zu geringe Investitionssumme kann das Projekt verlangsamen; zu viel investiertes Geld kann an den falschen Stellen verrinnen.
Und jetzt?
Sind Sie bis hierher durchgekommen, gilt es, möglichst alle Stolperfallen zu vermeiden. Nicht mit dem großen - sprich: teuren - Masterplan, sondern indem Sie einfach anfangen. Mit den Daten, die Sie haben. Denn diese sind ein Schatz für kommende Erkenntnisse, Maßnahmen und Erfolge. Ergänzt um die Daten, die wichtig, sinnvoll und verfügbar sind. Und gemeinsam mit jemandem, der sich damit auskennt.
Die Herausforderung von Big Data liegt nicht nur darin, möglichst viele Daten zu sammeln, sondern richtig damit umzugehen. Wichtig zu wissen ist, welche relevanten Daten selektiert werden müssen, um sinnvoll analysieren, auswerten und interpretieren zu können. Bei alledem gibt es keine Patentlösung, da die Fragestellungen zu den jeweiligen Daten stets unterschiedlich sind. Budgets sind natürlich wichtig, aber auch mit einem kleinen lässt sich starten. Für den Anfang reicht es beispielsweise aus, die eigenen Kunden und Marktlagen genauer zu kennen, um erfolgreiche Maßnahmen daraus abzuleiten. Eine eigene teure Infrastruktur ist übrigens auch keine Stolperfalle, denn auch dafür gibt es Dienstleister. Daten statt warten. Legen Sie los. (bw)