... DIE SMARTESTE ABKÜRZUNG ZUM VOLUME VALUE KUNDE SCHWERPUNKT BIG DATA. (Datenmenge) Anzahl von Datensätzen und Files

Transkript

1 10 VOLUME (Datenmenge) B G Anzahl von Datensätzen und Files D Yottabytes Zettabytes Exabytes Petabytes Terabytes IQ Fotos: PASIEKA/Getty Images, istockphoto.com (5) VALUE (Analyse) Erkennen von Zusammenhängen, Bedeutungen, Mustern Vorhersagemodelle Data Mining Text Mining Bildanalytik, Visualisierung, Realtime KUNDE... DIE SMARTESTE ABKÜRZUNG ZUM

2 11 ATA Der Einschätzung von Gartner zufolge werden spätestens VARIETY (Datenvielfalt) Fremddaten (Web et cetera) Firmendaten Unstrukturierte, semistrukturierte, strukturierte Daten Präsentationen/Texte/Bilder/ Tweets/Blogs Kommunikation zwischen Maschinen KUNDEN VELOCITY (Geschwindigkeit) Datengenerierung in hoher Geschwindigkeit Übertragung der konstant erzeugten Daten Echtzeit Millisekunden Sekunden/Minuten/Stunden Maschinen CRM 2015 etwa 35 Prozent der Enter prise-it-ausgaben in den meisten Unternehmen außerhalb des Budgets der IT-Abteilung verwaltet 1 von ihren LOBs. Denn es gehört zum Job der Line-of-Business-Manager, mehr Nähe zum Kunden und damit letztlich neue Absatzwege zu schaffen sowie immer schneller auf Branchentrends zu reagieren, die zu Treibern von Vertrieb, Marketing, Controlling & Co. werden. Auf Zielgruppen beispielsweise, die sie nicht mehr über Werbung erreichen, sondern über Content- und Smartphones. Auf Facebook-User, die über Produkte schneller den Daumen heben und senken, als klassische Marktforschung deren like or dislike je vorhersagen könnte. Auf Autofahrer, denen Connected-Car-Systeme bessere Orientierung liefern als Verkehrsdurchsagen im Radio. Und auf Stromkonsumenten, die ihren Verbrauch mit smarten Messsystemen reduzieren. Dahinter stecken riesige Berge vielfältig strukturierter und unstrukturierter Daten aus Simulationen und Modellberechnungen, Sensoren und Social Media. In Bewegung gesetzt durch Cloud Computing, Mobility oder Colla boration. Aber vor allem die Cloud ist es, mit deren Ressourcen Big Data gleich zweifach zum Katalysator wird: der Trends, die Unternehmen und CIOs seit Jahren herausfordern und die Massen vielfältig strukturierter und unstrukturierter Daten liefern. Und der Lösungen, die Daten in Echtzeit erfassen, analysieren und zu neuer Aussagekraft verknüpfen. Die in Predictive Analytics zukünftiges Kundenverhalten etwa beliebig oft simulieren können. Wer ihre Merkmale Volumen, Vielfalt, Geschwindigkeit und Analyse beherrscht, wird in Big Data nicht vorrangig ein Problem sehen. Sondern vor allem eine Lösung. 1 Gartner-Pressemitteilung vom

3 12 VOLUME Vor allem den Fachbereichen dämmert vielerorts längst, welches Potenzial hinter Big Data steckt. Doch laut Gartner werden noch in drei Jahren 85 Prozent der Fortune-500-Firmen davor kapitulieren, aus Big Data etwa ihnen zur Verfügung stehender Daten über Produkte, Kunden, Dienstleistungen und Standorte Wett bewerbsvorteile zu erzielen. 1 Ein Grund könnte sein, dass gerade 15 Prozent aller Führungskräfte Big Data Analytics als vorwiegend vom Business getriebenes Thema ansehen. 2 Die große Mehrheit hält den Trend für eine Spezial-Spielwiese ihrer IT-Abteilung. Ganz neu ist der dabei mitschwingende Vorwurf einer mitunter unausgereiften Line-of-Business-Denke der IT nicht. Aber für Frank Niemann, Koautor der PAC-Studie Embracing the Big Data Opportunity, wird die Diskussion, technische Expertise mit fachlicher Prozessexpertise zu verzahnen, durch Big Data massiv an Bedeutung gewinnen (siehe Interview Seite 17). First Mover im Vorteil Ob in der Finanzwirtschaft, der Fertigungsindustrie, dem Handel oder dem Energiesektor in der Folge werden in nahezu allen Branchen (siehe Grafik Seite 23) bald zwei Blöcke von Playern miteinander konkurrieren. Unternehmen, die an langsamen Infrastrukturen festhalten, aus tradierter Business Intelligence wenig aussagekräftige Informationen schöpfen und, laut Forrester Research, heute noch die große Mehrheit stellen. Sie nutzen derzeit zumeist nur fünf Prozent der ihnen zur Verfügung stehenden Daten wirklich effektiv. 3 Auf der anderen Seite die Konkurrenz, die Innovationspotenzial, Kostenersparnis und neue Wertschöpfung freisetzt, indem sie Kunden- und Produktdaten (aus Sensoren) etwa mit Social- Media-Daten verknüpft und in Echtzeit oder wenigstens Neartime zusammenträgt und auswertet. Big Data setzt da ein, wo konventionelle Business Intelligence auf Basis relationaler Datenbank- und Storagesysteme an ihre Grenzen stößt, erklärt Jürgen Urbanski, Mitglied des Deutsche Telekom Cloud Leadership Teams und Vorstandsmitglied des BITKOM-Arbeitskreises Big Data & Analytics. 4 Denn Big Data steht für Massen neuer unternehmensrelevanter Daten aus einer wachsenden Zahl von Kanälen und ständig neuer Devices. Mit denen sie sich immer schneller anzapfen lassen. Die Bandbreite ihrer Quellen reicht von den weltweit einer Milliarde Facebook-Nutzern bis zur Interaktion und Kommunikation von Maschinen. So geht es bei Big- Data-Herausforderungen vor allem darum, ihr Volumen, ihre Vielfalt, ihre Geschwindigkeit und ihren Wert richtig einzuordnen. Allein in Deutschland taxierte IDC das gesamte Datenvolumen an Datensätzen und Files auf mehr als 1,8 Millionen Zettabyte. 5 Besonders Technologien wie RFID, Ambient Intelligence sowie die im Kontext von Unternehmensprozessen immer stärkere Akzeptanz und Nutzung von Social-Media-Anwendungen sorgen alle zwei Jahre für eine Verdoppelung des Datenvolumens. Und zwingen die IT-Infrastrukturen vieler Unternehmen bereits in die Knie. Strategievorteil dank aggregierter Datenhaltung Dabei ist, was Unternehmen im ersten Schritt Richtung Big Data Analytics fehlt, nichts anderes als eine aggregierte Datenhaltung, die mitunter nur Hunderte von Terabyte intelligent bündelt. Eine Technologie, die Unternehmen den infrastrukturellen Part des Problems Big Data abnehmen könnte, steht längst verfügbar vor ihrer Tür die Cloud. Sie kombiniert laut Unternehmensberatung Booz Allen Hamilton alles, was aggregierte Datenhaltung braucht, um daraus strategische Vorteile zu erzielen: Virtualisierung, Grid Computing, Speicher-/Rechenleistung nach Bedarf und Web-Technologien. So lassen sich Massen von eingangs wenig aussagekräftigen Daten aus der Cloud in Neartime mit wertvollen Informationen zurückspielen. Vorausgesetzt, In-Memory-Technologien der Sorte High-Performance Analytics wie zum Beispiel HANA (SAP), GemStone (VMware) oder TimesTen (Oracle) werden richtig eingesetzt (siehe Kasten rechts zu In-Memory). AUTOMOTIVE Mit Big Data Produktfehler schneller orten Die Behebung eines Problems beim ersten Werkstattkontakt ihrer Kunden ist für die Autohersteller (OEM) wettbewerbsrelevant. Doch wie lässt sich die Ursache eines Defekts eingrenzen? Welche Werkstätten haben mit welchem Modell ähnliche Erfahrungen gemacht? Und zu welcher Lösung sind sie gekommen? Fragen, die mit der konventionellen Auswertungsmöglichkeit von Diagnosedaten, wie sie Autowerkstätten weltweit täglich millionenfach erheben, oft nicht beantwortet werden können. Oder auf die ein Feedback im aufwendigen Erfahrungs- und Datenabgleich zwischen Werkstätten, OEMs, Zulieferern und Bauteileproduzenten mehrere Wochen in Anspruch nehmen konnte. Eindeutig mehr Zeit, als Autofahrer bereit sind, auf ihr Fahrzeug wegen eines herstellerverantworteten Fehlers zu verzichten. Darum tauschen Mechatroniker weltweit gern Ersatzteile aus, wenn sie ihnen nur defektverdächtig erscheinen. Weil die Diagnosen mit stationärem Messmodul in der Werkstatt oder via Tablet-PC im mobilen Panneneinsatz einfach kein fehlerhaftes Bauteil zu erkennen geben. Doch die Kundenzufriedenheit hat ihren Preis. Die Kosten des Austauschs von vermeintlich defekten Komponenten, bei deren Nachuntersuchung OEMs oder Zulieferer keine Fehlfunktion feststellen, bewegen sich laut Branchenverband Automotive Industry Action Group (AIAG) in Milliardenhöhe. Um vor allem die sogenannte gefühlte Fehlersuche ihrer Werkstattspezialisten zuverlässiger zu machen, suchen gleich mehrere deutsche Automobilbauer jetzt gemeinsam mit T-Systems die Lösung in Big Data Analytics. Denn die täglich anfallenden Millionen von Diagnosedaten nur ihrer eigenen, weltweit bis zu Vertragswerkstätten schnellstmöglich abzugleichen, würde die bislang vorhandenen Ressourcen der Informationsverarbeitung der Hersteller völlig überfordern. 4 Der BITKOM-Leitfaden mit weiteren Informationen zum Potenzial von Big Data und vielfältigen Einsatzszenarien aus der Praxis ist kostenfrei herunterzuladen unter publikationen/38337_ aspx. Provider dürfen nicht in Silos denken Auch für Mario Zillmann, Leiter Professional Services der Marktforscher von Lünendonk, ist der technologisch enge Zusammenhang zwischen Cloud-Konzepten und Big Data ein entscheidender Wegweiser, um auch in Spitzenlastzeiten Echtzeitanalysen fahren zu können. Darüber hinaus hält der Autor des Lünendonk- Trendpapiers Big Data im Handel einen anderen Punkt für wesentlich. Um technologische Systembrüche und damit verbundene Performance-Reduzierungen bei Datensammlung und -integration auszuschließen, so Zillmann, sei darauf zu achten, dass infrage kommende Cloud-Provider das Zusammenspiel von Hardware, Software, Netzen und Endgeräten an ihren Schnittstellen beherrschen und sie beim Aufbau einer Big-Data-Architektur nicht länger als Silos begreifen. Auch deshalb reicht es für Christian Wirth, bei T-Systems verantwortlich für Big Data & BI als VP im Bereich Global Product Innovation & Leadership, in Zukunft nicht aus, wenn Big-Data-Lösungen aus der Cloud nur die Art und Menge der Datenverarbeitung eines Unternehmens zum Kern einer individuellen Big-Data-Strategie machen. Die Konsequenzen des Umgangs mit diesen Datenmengen werden für die Entscheider in den Fachbereichen den Unterschied machen. Sie werden in die Lage versetzt, komplexe Fragestellungen in einer neuartigen Art und Weise zu beantworten. Ihre Entscheidungsgeschwindigkeit und die Erkenntnis über neue Marktpotenziale werden sich damit entscheidend verändern. 1 Gartner-Pressemitteilung vom Quelle: IDC White Paper im Auftrag von SAS, Big Data Analytics in Deutschland Quelle: Forrester Research Inc., How Forrester Clients are Using Big Data, September Quelle: IDC-Studie Big Data in Deutschland, 2012

4 13 PRAKTISCHE ERFAHRUNG Telekom vertraut SAP HANA Um ihre Unternehmensausgaben sowie das Einkaufs- und Lieferantenverhalten besser planen und steuern zu können, hat die Deutsche Telekom die SAP-Analysesoftware HANA (High- Performance Analytic Appliance) im Vor-Betrieb. Fortlaufend Einsparpotenziale zu identifizieren und umzusetzen ist eine zentrale Aufgabe des Einkaufscontrollings der Telekom. Um die dafür nötige Qualität des konzernweiten Reportings aller internationalen Gesellschaften deutlich zu verbessern, konsolidierte das Unternehmen zunächst alle BI-Systeme der einzelnen Gesellschaften auf einer Plattform. Mit der Modernisierung und Erweiterung ihrer Architektur wurde zugleich ein Single Point of Truth geschaffen. Seither verfügt die Telekom konzernweit über konsistente Auswertungen, hat keine Probleme mehr mit abweichenden Daten aus unterschiedlichen Quellen und vermeidet redundante Informationen im System. So erwartet Telekom-Projetleiter Dirk Hampel hohe Performancegewinne beim Reporting, wenn wir mit SAP HANA Geschäftsvorgänge im laufenden Betrieb analysieren und Entscheidungen schneller treffen können. Zugleich reduziert die Deutsche Telekom AG so ihre Kosten für Hardware, Systembetrieb und Wartung. In-Memory Datenbankmanagementsysteme, die anstelle von Festplattenlaufwerken den Arbeitsspeicher eines Computers als Datenspeicher nutzen, bieten wesentlich höhere Zugriffsgeschwindigkeiten als Festplattenlaufwerke, die Algorithmen für den Zugriff sind einfacher und damit unterm Strich die für Unternehmen wichtigen Zugriffszeiten besser vorhersagbar. Wenn ich bei einer Veranstaltung IT-Leute nicht mehr von Businessleuten unterscheiden kann, habe ich alles richtig gemacht. WAYNE SHURTS, CIO SuperValu, zur notwendigen Ausbildung von Tweeners, die sich in den Fachbereichen von Unternehmen so gut auskennen wie in der IT. VARIETY VELOCITY VALUE Dass das Web Massen von Texten, Videos und Bildern, aber auch Tweets, Blogs, s oder die Kommunikation zwischen Maschinen zumeist als unstrukturierte Fremddaten in die Unternehmen spült, sorgt zusätzlich für eine enorme Vielfalt unterschiedlicher Formate. So sei es für IT- Dienstleis ter mit skalierbarer Informationsverarbeitung als technologischer Grundlage für Big Data Analytics noch nicht getan, warnt Prof. Dr. Volker Markl, Inhaber des Lehrstuhls für Datenbanksysteme und Informationsmanagement (DIMA) an der Technischen Universität Berlin (siehe Gastbeitrag Seite 20). Parallelverarbeitung entschlüsselt Datenberge Vielmehr müssen neben neuen skalierbaren Verfahren zur Datenanalyse und massiven Parallelverarbeitung großer Datenmengen geeignete Anfragesprachen und Verarbeitungsmethoden vor allem für die Nutzung von Video- und Audiodateien überhaupt erst entwickelt werden. CRM Zugleich nimmt die Geschwindigkeit der Datengenerierung ständig zu. Und wie schnell Daten verarbeitet werden können, um Geschäftsprozesse nach Möglichkeit in Echtzeit zu unterstützen, hängt zum einen wesentlich von den bereitstehenden IT-Systemen ab. Und erfordert technische Infrastrukturen, wie sie von den meisten Unternehmen noch nie in Anspruch genommen wurden. Im Klartext: Rechen- und Speicherkapazitäten in der Dimension von High-Performance Computing. Zum anderen aber auch davon, wie schnell Informationen über verändertes Kundenverhalten, die Notwendigkeit neuer Prozesse, Produkte oder Dienstleistungen aus den Fachbereichen in den IT-Abteilungen ankommen. Technik alleine reicht nicht Um den Blick ihrer IT-Kollegen für die Pain Points der Fachbereiche zu schärfen, gehen IT-Chefs wie Wayne Shurts längst den direkten Weg. Der CIO des US-Lebensmittelhändlers SuperValu, mit 38 Milliarden Dollar Umsatz und Mitarbeitern eine der größten Supermarktketten des Landes, lässt regelmäßig jeden seiner IT-Mitarbeiter tageweise zwischen Kunden und Regalen im Verkauf einer der 4700 Filialen mitarbeiten. Um das Business besser zu verstehen, schaffen wir Tweeners, die sich mit IT so gut auskennen wie mit unserem Geschäft, so Shurts. Wenn ich in einer Veranstaltung IT-Leute nicht mehr von Businessleuten unterscheiden kann, habe ich alles richtig gemacht. Und dabei geht es nicht mal nur darum, der Menge, Geschwindigkeit und Vielfalt von Daten einfach nur Herr zu werden. Sondern darum, den Schritt von Big Data zu Big Data Analytics zu gehen und den gewonnenen Daten auch Aussagekraft zu geben. Denn die Wertschöpfung, so PAC-Analyst Frank Niemann, erfolgt erst über Analytics. Doch das dafür nötige Erkennen der Zusammenhänge, Bedeutungen und Muster von Daten will gelernt sein. So werden laut Gartner bis 2015 zwar mehr als 90 Prozent aller Unternehmensführer durchaus verstanden haben, dass Informationen ein strategisches Asset sind. Nicht einmal zehn Prozent jedoch können dann auch ihren wirtschaftlichen Wert quantifizieren. 6 Von anderen lernen So, schätzt McKinsey, werden allein der US-Wirtschaft im Jahr 2018 bis zu 1,5 Millionen Daten- Analysten fehlen. 7 Doch Gegenbeispiele dafür, wie IT-Abteilungen vielerorts heute bereits dazulernen, Daten intelligent zu veredeln und Big Data Analytics für ihre Unternehmen schon jetzt gewinnbringend einzusetzen, gibt es in allen Branchen. Drei haben wir ausgewählt. Fotos: PASIEKA/Getty Images, istockphoto.com (2) 6 Gartner-Studie Predicts 2012: Information Infrastructure and Big Data, November McKinsey & Company, Studie Big Data: The Next Frontier for Innovation, Competition and Productivity, Mai 2011

5 14 Wenn 52 Millionen Autos keinen Stau produzieren BIG DATA IN TRAFFIC Der Auftraggeber: Bundesforschungsprojekt gefördert durch BMWi und BMBF, unterstützt durch BMVBS, das Land Hessen und den Verband der Automobilindustrie (VDA) Die Aufgabe: Stau- und unfallfreie Verkehrssteuerung Die Lösung: Car-to-car-Communication zur Verknüpfung von Fahrzeugund Systemdaten mit Verkehrsleitstelle Der Nutzen: Autoverkehr wird effizienter, sicherer und umweltverträglicher Ein ausgewähltes Netz aus Autobahnen, Landstraßen und innerstädtischen Verkehrswegen in der Rhein-Main-Region, zehn Dutzend Autos nahezu aller deutschen Fabrikate und 127 Sensoren, die aus Lichtsignalanlagen und Baken heraus mit den Fahrzeugen kommunizieren. Im Feldversuch simtd (sichere intelligente Mobilität Testfeld Deutschland) untersuchen Unternehmen der Automobilindustrie, wissenschaftliche Institutionen und die öffentliche Hand gemeinsam mit T-Systems den Beitrag intelligenter Kommunikationslösungen zur Verbesserung der Verkehrssicherheit und Mobilität. Seit August dieses Jahres im Großraum Frankfurt, zuvor drei Jahre lang auf einem alten Kasernengelände in Friedberg (Hessen). Doch was wäre, wenn alle in Deutschland zugelassenen 52 Millionen Autos mit einer intelligenten Verkehrssteuerung vernetzt würden? Breitbandige Verbindung der Fahrzeuge mit dem Internet, die Kommunikationseinheiten IVS (Integrated Vehicle Stations) an Bord der Autos und Millionen von Roadside Units am Straßenrand alle müssten zusammenspielen. Keine Frage, die Ausstattung des vierjährigen Forschungs projekts mit 69 Millionen Euro ist sinnvoll investiert. Denn allein die Staus auf deutschen Straßen kosten die Volkswirtschaft des Transitlands jährlich 17 Milliarden Euro. IT MUSS LERNEN, WIE VERKEHRSPLANER DENKEN Doch an einen nationalen Rollout des Leuchtturmprojekts ist (noch) nicht zu denken. Allein der Feldversuch, bei dem die 120 Fahrzeuge nur Kilometer pro Woche zurücklegen, generiert einen Daten-Traffic von 30 Terabyte. Zugegeben, der weitaus größte Teil sind Steuerungs- und Log-Daten, um die Machbarkeit telematischer Sicherheitsdienste analysieren und bewerten zu können. Doch die Anbindung aller Autos auf deutschen Straßen an die interaktive Verkehrssteuerung würde einen Daten-Traffic von Milliarden Terabyte produzieren. Pro Tag. In nahezu Echtzeit lassen sich solche Massendaten nur mit Big Data Analytics auswerten und von der Verkehrszentrale als wichtige Information über Ad-hoc-Netze wieder an die Fahrzeuge und Leitsysteme zurückspielen, so Ralf Grigutsch, simtd-projektmanager bei T-Systems. Wenn Autos zugleich untereinander, mit Roadside Units und einer Leitstelle kommunizieren, ist die Verkehrssteuerung auf Big Data angewiesen. Fotos: View Stock/Getty Images, Paul Seheult/Eye Ubiquitous

6 An jedem ihrer 800 Standorte kann die US-Kaufhauskette Macy s mit Big Data die Preise für ihre Artikel individuell gestalten. 15 Preisfindung ein Kernprozess der Branche BIG DATA IM HANDEL Das Unternehmen: Kaufhauskette in den USA, Mitarbeiter Die Aufgabe: Tägliche Preisoptimierung von Artikeln in 800 Warenhäusern Die Lösung: In-Memory-Lösung und Umstellung der vorhandenen Infrastruktur auf optimierte Datenhaltung Der Nutzen: Berechnung mit Datenvolumina von zwei Terabyte pro Analyse, die früher 30 Stunden in Anspruch nahm, dauert heute weniger als 120 Minuten Mit einem Umsatz von fast 30 Milliarden Dollar gilt Macy s als größter Warenhausbetreiber der USA. Um im mehrere Zehntausend Artikel umfassenden Sortiment möglichst optimale Preise anzubieten, geht das Unternehmen heute auf standortspezifische Unterschiede jeder einzelnen Filiale ein. Ob bei Jeans des Trendlabels 7 For All Mankind, Markenuhren von Longines oder Badetüchern von Hugo Boss wenn für bestimmte Produkte ein starker Wettbewerber benachbart ist, werden die Preise in diesem Kaufhaus aggressiv nach unten gesetzt, um auf jeden Fall wettbewerbsfähig zu sein. Ist bei anderen der gut 800 Macy s-filialen zwischen 920 Seventh Street in Los Angeles und 1000 Third Avenue in New York kein Wettbewerber vorhanden, bleiben die Preise dort unverändert. So ergeben sich über das gesamte Sortiment und alle Standorte rund 270 Millionen Preispunkte. Auf Basis zuvor erfolgter Abverkäufe bestimmter Waren (etwa zwei Terabyte an Daten) wurden bisher wöchentlich neue Preise für die Sortimente berechnet was ungefähr 30 Stunden Rechenzeit in Anspruch nahm. Da Macy s aber sieben Tage pro Woche geöffnet hat, konnten regelmäßig bestimmte Abverkäufe gar nicht in die Analyse aufgenommen werden. Macy s IT-Abteilung musste lernen, welchen Schwung ihre mehr als Kollegen vom Einkauf und Marketing und vor allem die Verkäufer in den Filialen in die Abverkaufszahlen einzelner Produkte bringen, wenn deren Preise stimmen. Und das IT-Department brauchte eine Lösung, um die eingehenden Preismeldungen der Konkurrenz, die ein Netz eigener Scouts von den mehreren Tausend Wettbewerbern täglich zusammenträgt, schnell um zusetzen. LERNERFOLGE DER IT Bis dahin behalf sich in der Konzernzentrale in Cincinnati Macy s CIO Larry Lewark jahrelang damit, wenigstens Teilsortiments- Optimierungen vorzunehmen. Ein Notnagel entschied sich der IT-Chef für Big Data Analytics, um hausintern einen Kernprozess seiner Branche zu optimieren die Preisfindung. Denn gerade durch das hohe Datenvolumen gilt es im Handel, ein hohes Potenzial signifikanter Wettbewerbsvorteile zu erzielen. Durch Umstellung seiner vorhandenen Infrastruktur auf eine Cloud-bereitgestellte Softwarelösung von SAS und den Einsatz von In-Memory-Technologie schaffte es Lewark, die Analyse über das gesamte Sortiment auf eine Zeit unter zwei Stunden zu drücken. Die neue Lösung kann nun skalieren, liefert Macy s die Geschwindigkeit, Preise im Tagesverlauf mehrfach anpassen zu können und im gesamten Sortiment besser auf lokale Wettbewerber reagieren zu können. Und das auf analytisch fundierter Basis.* *Quelle: BITKOM, Leitfaden Big Data im Praxiseinsatz Szenarien, Beispiele, Effekte, 2012

7 16 Risikoabschätzung in Echtzeit BIG DATA IN FINANCE Das Unternehmen: Finanzinstitut, Singapur, 500 Niederlassungen, 19 Länder Die Aufgabe: Risikoabschätzung in Echtzeit Die Lösung: In-Memory-Technologien und High-Performance-Analytics-Software Der Nutzen: Die zuvor 18 Stunden dauernde Risikoabschätzung über 8,8 Milliarden Value-at-Risk-Berechnungen braucht heute nur noch wenige Minuten Mit einer Bilanzsumme von 237 Milliarden Dollar ist die United Overseas Bank (UOB) in Singapur eines der größten Finanzinstitute Südostasiens. Dass ihr Aktienkurs in den vergangenen fünf Jahren um 45 Prozent zulegte, signalisiert, wie erfolgreich das Management die Instrumente des volatilen Finanzgeschäfts beherrscht. Dabei ist die Berechnung aller vorhandenen Risiken im Portfolio einer Bank fachlich wie technisch anspruchsvoll. Bei der UOB verteilen sich die Risiken auf verschiedene Finanzinstrumente und werden bestimmt über Marktparameter, etwa Preise, Fristen, Fälligkeiten. Die Berechnung des Gesamtrisikos setzt in der Konzernzen trale am UOB Plaza, direkt am Südufer des Singapur River, circa 8,8 Milliarden einzelne hochkomplexe Value-at-Risk-Berechnungen voraus. DENKEN IN GESCHÄFTSPROZESSEN ENTSCHEIDET Um aktuelle Marktauswirkungen auf das Gesamtrisiko der Bank zu untersuchen, brauchte die von UOB-CIO Susan Hwee geführte IT-Abteilung noch unlängst bis zu 18 Stunden. Eine zeitnahe Reaktion auf neu eintretende Marktrisiken war damit unmöglich. Doch ob ESW-Entscheidungen im fernen Brüssel, Naturkatastrophen oder schlicht ein neues Mohammed- Video die IT-Chefin und ihr IT-Department haben gelernt, dass sich das Risiko einer Bank durch politische, gesellschaftliche oder wirtschaftliche Ereignisse nicht mehr innerhalb weniger Tage ändert. Sondern mitunter in wenigen Minuten. Dabei ist im Fall der UOB weniger die Menge der einzubeziehenden Daten das Problem als vielmehr der Aufwand für die Berechnung. Das hat UOBs bisherige Rechensysteme überfordert und lenkte den Fokus der IT-Chefin Anfang dieses Jahres auf Big Data. Die aktuell von ihr getestete Lösung steht auf zwei Säulen: In-Memory-Technologie und einer High-Performance-Analysesoftware von SAS. Damit gelingt es, die Risikoberechnung auf wenige Minuten abzukürzen. Und sich schnell ändernde Parameter quasi in Echtzeit in die aufwendigen Analytics einzubeziehen. Wurde die Risikoanalyse bisher teilweise als lästige Pflichtübung auf Drängen der Aufsichtsbehörden wahrgenommen, nutzt UOB das Instrument heute im operativen Geschäft. Um Handelsstrategien im Voraus zu prüfen und zu erwartende Konsequenzen neuer Marktereignisse in ihrer Wirkung schneller einschätzen zu können. * * Quelle: BITKOM, Leitfaden Big Data im Praxiseinsatz Szenarien, Beispiele, Effekte, 2012 Um die Risiken in ihrem Portfolio täglich neu zu ermitteln, führt die UOB minutenschnell 8,8 Milliarden komplexe Value-at-Risk-Berechnungen durch. THOMAS VAN ZÜTPHEN Mehr Infos zu Big Data Einfach QR-Code scannen. Links: