Ratgeber Datenanalyse und Visualisierung

Transkript

1 DEZEMBER 2013 Ratgeber Datenanalyse und Visualisierung Gesponsert von

2 Inhalt Einführung: Wofür brauchen wir Big-Data-Analysen? 1 Wertschöpfung aus Big Data 2 Die entscheidende Bedeutung der Datenintegration für Big-Data-Analysen 3 Die Implikationen der Visualisierung für Big-Data-Analysen 4 Merkmale erfolgreicher Analysesysteme Die Vorteile der Visualisierung 7 Ausblick 10

3 1 Einführung: Wofür brauchen wir Big-Data-Analysen? Big Data ist heutzutage aus guten Gründen ein wichtiges Thema für alle CIOs und Führungskräfte. Big Data tritt in großen Mengen und oft in neuen Formaten auf und hat das Potenzial, die interne Funktionsweise von Unternehmen zu ändern, sodass Kunden anders und besser als bisher betreut werden können. Angesichts der großen Menge neuer Daten fühlen sich Unternehmen unter Druck, all diese Daten zu analysieren und auszuwerten, um gegenüber der Konkurrenz nicht ins Hintertreffen zu geraten. Oft wird zuerst in die zum Speichern und Verarbeiten von Big Data benötigte Infrastruktur investiert. Allerdings wird die Speicherung von Big Data in vielen Fällen schon fast mit einer Art von Besessenheit betrieben. Das Repository wird immer größer, jedoch scheint es, als könnten die Daten problemlos aufgenommen, aber nur mit großen Anstrengungen wieder herausgeholt werden. Um diese Falle zu vermeiden, ist es wichtig, einen Plan sowohl für den Erwerb und die Speicherung als auch für die Analyse und Verwendung von Big Data zu haben. Unternehmen müssen im Zusammenhang mit Big-Data-Analysen eine Vielzahl von Herausforderungen bewältigen: Integration von Big Data mit vorhandenen Datenströmen und Repositorys Bewältigung des enormen Datenvolumens von Big Data Q Q Umgang mit der Komplexität der zum Analysieren von Big Data erforderlichen Technologien Nutzung von Big Data zur Gewinnung relevanter Erkenntnisse für Wirtschaftsanalysten Extraktion des maximalen Nutzens aus Big Data Untersuchung von Big Data durch Visualisierung Q Q Kombination aktueller und zukünftiger Analytik, um Unternehmen die Anpassung an Veränderungen zu ermöglichen Nach Einschätzung von bieten Big-Data-Analysen enorme Chancen für Unternehmen. Nur mit der richtigen Analyselösung können diese Chancen optimal genutzt werden. In diesem Ratgeber wird erläutert, wie wichtig Datenintegration für einen erfolgreichen Big-Data-Ansatz ist. Außerdem wird das ideale Setup für die Big-Data-Visualisierung beschrieben.

4 2 Big Data gewinnbringend nutzen Es wird zu viel über das Volumen von Big Data geredet. Das große Volumen von Big Data wird oft überbetont. Für Unternehmen ist Big Data durchaus mit neuen Anforderungen verbunden, aber wenn es richtig verwaltet und analysiert wird, ist es vor allem sehr wertvoll. Der wichtigste Schritt bei der Entwicklung gewinnbringender Big-Data-Analysen ist die Datenintegration. Unternehmen schätzen Big Data nicht adäquat ein, wenn sie vor allem seine Besonderheit betonen und es als isoliertes, einzigartiges Phänomen betrachten. Um Big Data gewinnbringend nutzen zu können, muss es integriert und mit vorhandenen Daten kombiniert werden. Aktuelle BI- und Datenintegrationsansätze sollten nicht verworfen werden. Sie werden als Bestandteil jeder Big-Data-Lösung genutzt, denn im Kern ist Big Data nicht nur eine technologische, sondern auch eine operative Herausforderung. Der Wert von Big Data wird erschlossen, indem alle Data Warehouses so integriert werden, dass sie kohärent miteinander kommunizieren können. Big Data ist innerhalb des Kontexts des jeweiligen Unternehmens wichtig und muss zur umfassenden Wertschöpfung mit vorhandenen Datenquellen verbunden werden. Der höchste ROI mit Big Data wird erzielt, wenn alle Daten durch Blending für effektivere Analysen miteinander kombiniert werden können. Big Data ist neu und altbekannt zugleich Big Data ist ein neues Phänomen mit vielen altbekannten Merkmalen. Die Qualität von Big Data variiert stark, und Unternehmen dürfen Quantität nicht mit Qualität verwechseln. Oft wirkt Big Data aufgrund der schieren Menge an Daten auf den ersten Blick beeindruckend, aber liefert von sich aus keine relevanten Erkenntnisse. Weder Big Data noch herkömmliche Daten stellen eine Analysestrategie bereit, die Unternehmen bei der Entscheidungsfindung unterstützt. Die Daten müssen bereinigt, mit Daten aus vorhandenen Data Warehouses ergänzt und dann verfeinert und untersucht werden, und zwar von Content- und BI-Experten, die Muster erkennen und zwischen Verzerrungen und Fakten unterscheiden können. Unternehmen erzielen den höchsten ROI, wenn ihre Analyselösungen es ihnen ermöglichen, ihre aktuellen BI- und Anwendungsinfrastruktur um Big Data zu ergänzen und alle Daten für besonders effektive Analysen durch Blending (der logischen Verknüpfung verschiedener Datenquellen) miteinander zu kombinieren. Daher sollte der jeweilige Analysebedarf der entscheidende Faktor bei der Datenintegration sein. Dank der aktuellen Technologielösungen ist dies jetzt einfacher als jemals zuvor. Sobald die Daten integriert sind, kann das Unternehmen mit der Analyse beginnen. Unternehmen sollten eine Analyselösung einsetzen, die umfassend anpassbar und für den individuellen Bedarf skalierbar ist. Möglicherweise ist mehr als ein Analysetyp erforderlich. Doch erfolgreiche Unternehmen sind dynamisch und ändern sich im Laufe der Zeit. Hochwertige Analyselösungen sind entsprechend anpassbar und arbeiten nahtlos mit vorhandenen sowie zukünftigen Technologien. Unternehmen sollten sich nicht von ihrer vorhandenen BI-Lösung einengen lassen, sondern in Produkte und Tools investieren, die mehr Wachstum und eine einfachere Anpassung ermöglichen.

5 3 Interaktive und optisch ansprechende Analysen Die meisten erfahrenen BI-Experten können bestätigen, dass Analysen am besten genutzt werden können, wenn die Berichterstellung optisch ansprechend und in hohem Maße interaktiv ist. Bei Analysen geht es nicht nur um die Fragen, die einem Benutzer als erstes in den Sinn kommen. Vielmehr geht es darum, die Fragen stellen zu können, die sich aus der Datenuntersuchung ergeben. Die Möglichkeit, auf diese Weise zu interagieren und nachzuforschen, ist entscheidend für die optimale Nutzung des Potenzials von Big Data. Die entscheidende Bedeutung der Datenintegration für Big-Data-Analysen Die Datenintegration geht Hand in Hand mit der Analyse von Big Data. Ungeachtet der großen Bedeutung für Analysen können Unternehmen die Datenintegration und die Nutzung von Big Data nicht über Nacht realisieren, sondern nur in einem evolutionären Prozess. Bevor Unternehmen einen Plan zur Datenimplementierung entwerfen, müssen sie genau durchdenken, welchen Einfluss Big Data auf ihre Aktivitäten haben wird, denn Analysen und BI müssen gemeinsam genutzt werden. Unternehmen sollten Lösungen zur Big-Data-Integration wählen, die sie während des gesamten evolutionären Prozesses unterstützen. Zu bevorzugen sind Lösungen, die nicht nur das Problem der Datenintegration lösen, sondern auch Analysen und Visualisierung ermöglichen und jeden Schritt des Prozesses abdecken, sodass Organisationen den maximalen Nutzen daraus ziehen. Die Lösung sollte eine Komplettlösung für den gesamten Analysebedarf des Unternehmens sein. Die Datenintegration funktioniert am besten, wenn die goldene Mitte gefunden wird, sodass alle Datensysteme harmonisch arbeiten und die gleiche Sprache sprechen. Ohne Integration ist der Wert von Daten jeglicher Form sehr eingeschränkt. Mit einem Datenintegrationssystem, das Analysen ermöglicht, können Benutzer jederzeit und überall ohne Einschränkungen die enormen Möglichkeiten von Big Data nutzen. Datenintegrationstechnologie für Unternehmen sollte zudem flexibel und höchst anpassungsfähig sein. Isolierte Datensysteme sind die Antithese dieser Art der Agilität. Sie führen zu unnötigen Abgrenzungen innerhalb der BI und verhindern ein einheitliches Analysekonzept. Bei echter Datenintegration wird Big Data oberhalb vorhandener Datenströme positioniert, der Zugriff auf Big Data erfolgt auf gleiche Weise wie der Zugriff auf alle anderen Quelldaten, und Big Data wird in Relation zu anderen Daten gebracht. Dadurch vereinfachen Unternehmen die Zusammenarbeit zwischen IT- und BI-Experten sowie Analysten, sodass interne Partnerschaften und Kooperationen gefördert werden. Mit einem Datenintegrationssystem, das Analysen ermöglicht, können Benutzer die enormen Möglichkeiten von Big Data jederzeit und überall ohne Einschränkungen nutzen.

6 4 Die Implikationen der Visualisierung für Big-Data-Analysen Hinsichtlich des Analyseprozesses sind Big-Data-Analysen nicht grundlegend anders als herkömmliche Analysen. Um den Wert der Visualisierung beim Analyseprozess zu nutzen, verwenden wir den branchenübergreifenden Standardprozess für Data Mining (CRISP - steht für englisch Cross-Industry Standard Process for Data Mining). CRISP besteht aus sechs Phasen: Geschäftsverständnis. Alle Analysen beginnen mit geschäftlichen Anforderungen. Um Analysen sinnvoll nutzen zu können, muss zunächst das Geschäftsproblem und der Bereich, in dem das Problem auftritt, verstanden werden. Datenverständnis. Im nächsten Schritt wird ermittelt, welche Daten vorhanden sind bzw. abgerufen werden können, welche Erkenntnisse die Daten liefern können und wie sie auf das Problem anwendbar sind. Datenintegration. Beim dritten Schritt werden die Daten für die Analyse vorbereitet. Hierbei werden Datenquellen durch Blending auf sinnvolle Art miteinander kombiniert. Die Integration ist ein wichtiger Teil dieses Prozesses. Modellierung. In diesem Schritt werden die Daten so modelliert, dass sie eine potenzielle Lösung für das zu lösende Geschäftsproblem darstellen. Evaluierung. Jetzt wird beurteilt, ob das Modell funktioniert. In der Regel wird der Vorgang wiederholt, wobei zusätzliche Datenquellen eingebracht und kombiniert, Änderungen am Modell vorgenommen und andere Hypothesen getestet werden können. Bereitstellung. Wenn das Modell bereit ist, wird es im letzten Schritt bereitgestellt. Diese Schritte stellen einen Zyklus dar: Wenn das Modell bereitgestellt wurde, bringt es zusätzliches Wissen, ein neues Geschäftsverständnis und frische Erkenntnisse. An diesem Punkt wiederholt sich der Zyklus, sodass das Unternehmen seine Datenstrategie weiter verfeinert.

7 5 Visualisierung für die Datenverständnisphase Bei kleinen Datasets kann dieser Prozess großteils durch eine manuelle Prüfung der Daten durchgeführt werden. Aber je größer die Datenmenge ist und je mehr Datenquellen auf das Geschäftsproblem angewendet werden, desto wichtiger ist ein anderer Ansatz zum Verstehen der Daten. Bei der Arbeit mit großen Datasets verwenden Statistiker oft Stichprobenverfahren. Bei diesen Verfahren wird eine Technik eingesetzt, die sicherstellt, dass die Stichprobe statistisch signifikant ist. Aber auf welcher Basis statistisch signifikant? Da die Basis erst bekannt ist, wenn die Modelle fertig gestellt wurden, kann die Datenstichprobe nicht am Anfang des Prozesses erhoben werden. Wenn die Tools Stichproben erheben, bevor Sie die Daten analysiert haben, gehen wertvolle Informationen verloren, und die Modelle sind möglicherweise nicht nur ungenau, sondern völlig falsch. Je mehr Datenquellen vorhanden sind und je größer diese Datenquellen sind, desto wichtiger ist die Visualisierung. Beim Umgang mit enormen Datenmengen ist es daher sinnvoller, sie zu visualisieren. Ein gutes Toolset für Big-Data-Analysen bietet Visualisierung auf allen relevanten Stufen des Analyseprozesses an. Je mehr Datenquellen vorhanden sind und je größer diese Datenquellen sind, desto wichtiger ist die Visualisierung, um genau zu verstehen, um welche Daten es sich handelt und wie sie zur Lösung des Geschäftsproblems beitragen können. Visualisierung zur Datenvorbereitung Ein weiterer wichtiger Bestandteil des Analyseprozesses ist das Blending verschiedener Datenquellen. Da Sie diesen Prozess in einem Tool visualisieren, mit dem Sie überprüfen können, inwiefern die Art des Daten-Blendings die Bedeutung der Datenquellen widerspiegelt (siehe Seite 6, Abschnitt Die Bedeutung einer integrierten Lösung ), wird die Anreicherung herkömmlicher Datenquellen mit relevanten Big-Data-Quellen zu einer visuellen Erfahrung. Darüber hinaus können Sie mit effektiven Analysesystemen nicht nur Datenquellen kombinieren, sondern auch mit dynamischem Daten-Blending das Modell anreichern. Mit anderen Worten: Sie erstellen durch das Daten-Blending kein statisches Dataset, sondern Sie legen ein Blending-Verfahren fest, das bei jedem Ausführen des Modells mit den neuesten verfügbaren Informationen durchgeführt wird.

8 6 Die Bedeutung einer integrierten Lösung Das folgende Beispiel aus der Praxis zeigt, welche negativen Auswirkungen ein ineffektives Analysesystem ohne Datenintegration auf die Nutzung von Big Data in einem Unternehmen haben kann. Unzählige Unternehmen haben beim Versuch, sich Big Data zunutze zu machen, ähnliche Erfahrungen gemacht. Ein Unternehmen führte ein Big-Data-System ein, das angeblich für die Integration von Big Data sorgen sollte, aber dies nur teilweise tat. Als Ergebnis wurde nicht versucht, die Verwendung einheitlicher Kategorisierungen bei den verschiedenen Datentypen sicherzustellen. BI-Benutzer sahen zwei Felder, die jeweils als Umsatz gekennzeichnet waren, eines aus einer Big-Data-Quelle und ein anderes aus einer der vorhandenen Datenquellen des Unternehmens. Die Big-Data-Kategorie Umsatz repräsentierte monatliche Einnahmen, während die vorhandene Datenkategorie tägliche Einnahmen zeigte. Da angenommen wurde, dass das Big-Data-Feld sich ebenfalls auf tägliche Einnahmen bezieht, schien es, dass bestimmte Kunden viel mehr ausgeben als tatsächlich der Fall war. Das Unternehmen richtete folglich eine Kampagne von besonders günstigen Angeboten und Anreizen an eine Kundenkohorte, die vermeintlich besonders hohe Umsätze generierte, die aber tatsächlich nur selten bei dem Unternehmen einkaufte. Als Ergebnis bemühte sich das Unternehmen um die falschen Kunden und gewährte ihnen erhebliche Rabatte, während es die wirklich profitablen Kunden wahrscheinlich ignorierte. Die versehentlich begünstigten Kunden haben die Rabatte wahrscheinlich genutzt, aber dem Unternehmen keine größeren Folgegeschäfte eingebracht. So hat das Unternehmen seine begrenzten Mittel auf die falschen Kunden angewendet und seine Gewinnspanne reduziert. Kostspielige Fehler dieser Art sind in der noch neuen Welt von Big Data leider weit verbreitet. Um solche Fehler zu vermeiden, brauchen Unternehmen Analyselösungen, die datentypübergreifend Aussagekraft haben und Quellen synchronisieren. Visualisierung für die Modellierungsphase In der Modellierungsphase testen Sie die Daten, um zu prüfen, ob Ihre Arbeitshypothese von den Daten unterstützt wird. Dabei untersuchen Sie Daten zunächst mit einfachen Maßnahmen (eindimensionale Statistiken). Die Visualisierung ist in der Modellierungsphase extrem wichtig, weil das Modell bei der Wiederholung des Verfahrens in den meisten Fällen überarbeitet werden muss, indem Datenquellen hinzugefügt, Daten auf neue Weise zusammengefasst und pivotiert werden, um neue Aspekte der Daten zu erkennen.

9 7 Visualisierungen für effektive Big-Data-Analysen sind in allen Phasen des Analyseprozesses erforderlich. Visualisierung für die Bereitstellungsphase Viele Toolsets bieten Visualisierung nur während der Bereitstellung an. Die Visualisierung spielt hier eine wichtige Rolle, da in dieser Phase Analysen in Anwendungen eingebettet werden, um verschiedenen Typen von Endanwendern arbeitsrelevante Informationen zu liefern. Aber die Visualisierung ist nicht nur in der Bereitstellungsphase von entscheidender Bedeutung. Vielmehr sind Visualisierungen für effektive Big-Data-Analysen in allen Phasen des Analyseprozesses erforderlich. Merkmale erfolgreicher Analysesysteme Die Vorteile der Visualisierung Die Notwendigkeit der Datenintegration für erfolgreiche Big-Data-Analysen ist klar. Aber was sind die wichtigsten Merkmale erfolgreicher Analysesysteme? Unternehmen sollten nach Lösungen suchen, die nicht nur ein oder zwei spezialisierte Funktionen abdecken, sondern das gesamte Analysespektrum. Zudem sollte die Lösung die gesamte Datenanalyse-Lieferkette abdecken, vom Abrufen der Daten bis zur Ausgabe der Analysen. Ein System sollte Folgendes umfassen: Betriebsberichterstellung und herkömmliche BI-Dashboards Neue Technologien wie Visualisierung und prognostische Analysen Ein Tool mit vollständigem Funktionsumfang sollte Analysen aller integrierten Daten liefern und die Interaktion zwischen Big Data und anderen Datenquellen ermöglichen. Dies ist keine übertriebene Maximalforderung. Vielmehr ist es absolut sinnvoll, mit einer umfassenden Plattformlösung zu arbeiten, um Benutzern die Möglichkeit zu geben, alle Datentypen an einem zentralem Ort zu untersuchen, statt immer wieder zwischen verschiedenen Tools zu wechseln. Wenn man diese Anforderung konsequent zu Ende denkt, sollten Analysen mit der Lösung so eingebettet werden können, dass Benutzer im Kontext der von ihnen eingesetzten Anwendungen informiert werden, statt für Analysen eine separate Anwendung öffnen zu müssen. Ein Tool mit vollständigem Funktionsumfang sollte Analysen aller integrierten Daten liefern und die Interaktion zwischen Big Data und anderen Datenquellen ermöglichen. Diese Kombination sollte nicht statisch und vordefiniert sein, sondern in Echtzeit anhand des neuesten Inputs generiert werden. Analysen und Visualisierung sollten schnell und einfach auf Daten aus mehreren Quellen zugreifen und relevante Daten hervorheben. Die Berücksichtigung von Daten aus mehreren Quellen führt zu einer angereicherten und immersiven Analyseumgebung.

10 8 Navigation durch Big Data mit Musteranalyse Zur Navigation durch Big Data benötigen Unternehmen auch Tools, die den Umgang mit Big Data auf Detailebene vermeiden und relationale Funktionen zur Mustererkennung bereitstellen. Aufgrund des großen Volumens von Big Data wäre jeder Versuch, auf Mikroebene damit zu arbeiten, ähnlich produktiv und effizient wie der Versuch, alle Sandkörner in einer Wüste zu zählen. Stattdessen müssen Analysetools Daten auf konkrete und zugängliche Weise zusammenfassen. Damit Analysten spezifische Elemente in bestimmter Hinsicht näher untersuchen können, müssen die Tools auch Drilldowns unterstützen. Die Anpassbarkeit ist ebenfalls sehr wichtig. Zur Unterstützung von Big-Data-Analysen benötigen Unternehmen eine Lösung, die Benutzern den Zugriff auf Daten über jede Datenquelle wie herkömmliche Datenbanken, Data Warehouses, Hadoop oder andere Systeme ermöglicht. Das System sollte auch die Möglichkeit der wahlweisen Bereitstellung vor Ort oder in der Cloud bieten. Ein Unternehmen, das gegenwärtig eine Bereitstellung vor Ort bevorzugt, möchte in Zukunft möglicherweise zur Cloud wechseln. Eine Datenintegration- und Analyselösung sollte eine solche Anpassbarkeit unterstützen. Sowohl Betriebsanalysen als auch prognostische Analysen sind erforderlich, damit Unternehmen sehen, wo sie sich befinden und welche Richtung sie einschlagen. Anpassbare und flexible Analysen Ein anpassbares System sollte flexibel und mit Mobilgeräten zugänglich sein. Benutzer sollten in der Lage sein, zunächst nur die für ihren aktuellen Bedarf an Analysekapazitäten erforderlichen Komponenten zu installieren und das System jederzeit bedarfsgerecht zu skalieren. Darüber hinaus sollten sie die Möglichkeit haben, den Service in andere Produkte und Anwendungen einzubetten, sodass die vorhandene Datenarchitektur und Systeme in die neue Lösung integriert werden können. Schließlich sollten sie in der Lage sein, mit jedem Gerät auf das System zuzugreifen, sei es per Laptop, ipad oder Smartphone. Die Anpassung ist entscheidend für die Visualisierung. Die Lösung sollte eine Visualisierungsbibliothek mit zahlreichen Optionen anbieten. Es sollte Benutzern jedoch auch in die Lage versetzen, neue Visualisierungen nach Bedarf zu generieren. So kann ein Unternehmen sich das System wirklich zu eigen machen. Außerdem darf nicht vergessen werden, dass es bei Analysen ungeachtet neuer Trends nicht nur darum geht, die Entwicklungsrichtung eines Unternehmens zu identifizieren. Es geht nämlich gleichermaßen darum, zu ermitteln, wo das Unternehmen heute steht. Daher muss die Lösung sowohl für Betriebsanalysen als auch für prognostische Analysen geeignet sein. Benutzer jedes Qualifikationsniveaus sollten in der Lage sein, das System ohne weitere Schulung zu verwenden. So wird sichergestellt, dass die Implementierung die Mitarbeiter nicht von der laufenden Arbeit abhält. Das System sollte für jeden Benutzer intuitiv bedienbar sein, nicht nur für erfahrene IT- oder Analyseexperten.

11 9 Diese einfache Zugänglichkeit für jeden Benutzer wird unter anderem durch ein interaktives Dashboard mit umfangreichen Visualisierungsfunktionen erzielt. Die Visualisierungen müssen attraktiv, aber einfach zu generieren sein. Visualisierungen dieser Art machen Big Data für eine größere Zielgruppe verständlich und anwendbar. Visualisierungen müssen unmittelbar, interaktiv und auf allen mobilen Geräten verfügbar sein, sodass jeder Mitarbeiter jederzeit und überall Berichte erstellen kann. Zudem müssen Benutzer in der Lage sein, diese neuen Analysen zu erstellen und zu optimieren, ohne sich bei jedem Schritt des Prozesses an die IT-Abteilung zu wenden. Anderenfalls werden Ressourcen unnötig beansprucht, und die Effizienz wird vermindert. Zukunftssicher: Eine erweiterbare und flexible Plattform Eine Lösung sollte nicht nur für heute entwickelt werden. Die Technologie ist für kurzlebige Trends ähnlich anfällig wie die Mode. Das topmoderne System von heute wird in fünf Jahren möglicherweise vom Markt verschwunden sein. Da Technologien kontinuierlich weiterentwickelt werden, muss es möglich sein, neue Features in ein System zu integrieren, ohne dass das Unternehmen, in dem es eingesetzt wird, anschließend wieder bei null anfangen muss. Eine anpassbare, erweiterbare und flexible Plattform bietet Unternehmen diese Zukunftssicherheit. Suchen Sie eine Lösung mit folgenden Merkmalen: Technologieunabhängig. Obwohl Hadoop gegenwärtig voll im Trend liegt, ist eine Analyselösung, die für die Arbeit mit jeder zugrunde liegenden Plattform angepasst werden kann, eine bessere langfristige Investition. Da die zugrunde liegende Technologie weiterentwickelt wird, ist es wichtig, dass die Lösung mit der Technologie wachsen kann und nicht veraltet. Verwendung offener Standards. Wenn eine Plattform mit proprietären Formaten arbeitet, besteht ein hohes Risiko, sich zu fest an einen Anbieter zu binden. Der Einsatz proprietärer Formate beim Datenaustausch zwischen den Analysephasen deutet darauf hin, dass eine Lösung dafür ausgelegt ist, Unternehmen an den Anbieter zu binden. Transparenz - keine Black-Box. Vertrauen Sie keinen übertriebenen Versprechungen. Es ist ein schlechtes Zeichen, wenn ein Anbieter behauptet, seine Lösung könne alles, ohne Ihnen zu verraten, wie sie im Einzelnen funktioniert. Support. Da es viele Typen von Big Data gibt, werden Sie mit neuen Datentypen arbeiten, sodass beim ersten Anlauf möglicherweise nicht alles rund läuft. Aber dank kontinuierlichem Support werden Sie die Schwierigkeiten beim Blending von Big Data mit herkömmlichen Datenquellen nach und nach in den Griff bekommen.

12 10 Ausblick Eine Big-Data- Analyselösung sollte für Mitarbeiter aller Qualifikationsstufen zugänglich und deshalb anpassbar und zukunftsfähig sein. Unternehmen sollten gegenüber Big-Data-Analysen keine übertriebene Ehrfurcht aufkommen lassen. Wenn Big Data sinnvoll integriert wurde, kann es für aussagekräftige Analysen eingesetzt werden, die die Entscheidungsfindung im Unternehmen unterstützen. Die Datenintegration sollte nach und nach erfolgen und vorhandene Daten einbeziehen, sodass alle Analysen im Kontext des Unternehmens und des Geschäftsproblems betrachtet werden. Eine Big-Data-Analyselösung sollte für Mitarbeiter aller Qualifikationsstufen zugänglich und deshalb anpassbar und zukunftsfähig sein. Am wichtigsten ist, dass Unternehmen nicht mehrere Produkte zur Erfüllung ihrer Anforderungen im Bereich Big-Data-Analysen erwerben sollten, wenn sie ein einziges Produkt kaufen können, das alle benötigten Services auf einer einzigen Plattform bietet. empfiehlt den Ansatz von Pentaho, da dieser den gesamten Prozess der Big-Data-Analyse unterstützt von der Datenintegration über die Datenuntersuchung und Visualisierung bis hin zur prognostischen Analyse und daher viele Risiken des disruptiven und äußerst dynamischen Big-Data-Markts ausschaltet. ist eine Quelle von Nachrichten, Analysen, Forschung und Wissen für CIOs, CTOs und andere IT- und Business-Experten. steht mit seiner Zielgruppe im Dialog, um Technologietrends zu erfassen und mit modernsten Methoden auszuwerten, zu analysieren und zu kommunizieren, um Praktikern beim Lösen komplexer geschäftlicher Probleme zu helfen. Besuchen Sie uns unter Dieser Ratgeber wurde von erstellt und von Pentaho gesponsert.