Für Unternehmen, die das eigene Big Data-Projekt erfolgreich realisieren möchten, gilt es deshalb unbedingt, Stolperfallen zu vermeiden. Die 15 beliebtesten finden Sie hier. Samt Navigation zur Umgehung.
1. Sofort in neue Technologien investieren
Um große Datenmengen abzuspeichern, bauen Unternehmen ihre Serverkapazitäten aus. Vielleicht engagieren Sie auch einen Dienstleister. Dagegen spricht erstmal nichts. Neue Technologien sind attraktiv, doch nicht jede eignet sich für jede Unternehmung. Überlegen Sie also im Vorhinein, ob und wozu Sie Big Data brauchen.
2. Die eigenen Daten reichen vollkommen aus
Wenn alles aus den Daten herausgeholt werden soll, zeigt sich oftmals, dass die eigenen Datenpools doch nicht so gut gefüllt sind wie gedacht. Für Big Data-Analysen benötigen Sie nämlich - wie der Name sagt - große Datenmengen. Nicht selten aus mehreren, frei zugänglichen Datenquellen. Und aktuell, das heißt in Echtzeit, generiert. Rechnen Sie also damit, dass Sie eher zu wenig als zu viele Daten besitzen. Und haben Sie keine Angst davor, noch weitere Daten-Steams hinzuzufügen.
3. Alle Daten in eine einzige Datenbank
So komfortabel der Gedanke scheint - er trügt. Sie werden Ihre Daten kaum in einer einzigen Datenbank ablegen können. Daten unterschiedlichen Formats erfordern unterschiedliche Möglichkeiten sie zu speichern, um sie bestmöglich weiterverarbeiten zu können. Begnügen Sie sich daher nicht mit Kleinkrämerei, sondern prüfen Sie genau, was Sie wirklich brauchen.
4. Datenpools möglichst verschließen
Nicht jeder stellt den Kollegen gerne seine Daten zur Verfügung. Oder dem Dienstleister alle firmeneigenen Daten. Das Horten bringt einen allerdings auch nicht weiter. Für Data Scientists sind Daten wie eine Spielwiese, auf der sie sich austoben müssen. Alle Daten werden meistens nie gebraucht. Doch Sie sollten nicht von Beginn an das Analysieren durch unnötige Restriktionen verkomplizieren.
5. Alles dem Team aus der Business Intelligence überlassen
Business Intelligence funktioniert anders als Data Science. Wen Sie mit Big Data-Projekten betrauen und wie Sie Ihr Team zusammenstellen, sollten Sie wohl überlegt und ganz nach den Kompetenzen der Mitarbeiter entscheiden.
6. Nicht ohne (m)einen Akademiker
Apropos Kompetenzen. Diese sind wichtig und richtig - lassen sich aber nicht immer an einem Titel ablesen. Gerade in den technischen Bereichen gibt es immer wieder hochkompetente Quereinsteiger.
7. Fach-Chinesisch muss man können
Sprechen Sie R? Nein? Macht nichts. Denn es ist nicht wichtig, jede Programmiersprache und jede Anwendung auf einem Expertenlevel zu beherrschen. Ihre Mitarbeiter sollten in der Lage sein, sich schnell und flexibel in jedwede Aufgabe einzuarbeiten und dabei die entsprechenden Maßnahmen zu treffen.
8. Big Data... jetzt und sofort
Mit Daten fix was Tolles zaubern - das klingt wie Magie. Und bleibt es auch. Es ist nämlich ein Irrglaube, dass sich bei Big Data alles ad hoc realisieren lässt. Die Programmierung der Daten zu mathematischen Modellen ist harte Arbeit. Eine überzogene Erwartungshaltung ist hier nicht zielführend. Denn welche Erkenntnisse in den Daten liegen, ist im Voraus kaum absehbar.
9. Die ersten Ergebnisse müssen überzeugen
Big Data ist neu und wird skeptisch betrachtet. Da sollten die ersten Ergebnisse schon überzeugen. Das tun sie aber in den seltensten Fällen. Denn besonders zu Beginn eines Big Data-Projekts wird viel Zeit auf explorative Analysen verwendet. Die Data Scientists machen sich mit den Daten vertraut und loten deren Potenzial aus. Betrachten Sie die ersten Ergebnisse deshalb als vorläufig und als Ausgangspunkt für tiefergehende Analysen.
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.
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)