Maschinen protokollieren Laufzeiten und Störungen, ERP- und CRM-Systeme sammeln Vorgänge, Webshops und Serviceportale zeichnen jede Interaktion auf. So wachsen die Datenbestände in mittelständischen Unternehmen seit Jahren. Hinzu kommen Protokolldateien aus Netzwerk, Firewall und Cloud-Diensten. Der Begriff Big Data steht für den Umgang mit diesen Beständen. In diesem Beitrag erkläre ich, was dahintersteckt, wo der praktische Nutzen liegt und wie Sie das Thema ohne großes Projekt angehen können.
Big Data beginnt, wo die vorhandenen Werkzeuge nicht mehr ausreichen
Big Data beschreibt strukturierte, semistrukturierte und unstrukturierte Daten, die in großer Menge, in hoher Vielfalt und mit hoher Geschwindigkeit entstehen. Strukturierte Daten sind zum Beispiel Tabellen aus dem ERP-System. Unstrukturierte Daten sind Bilder, Videos, E-Mails oder Logdateien.
Der Begriff meint zugleich die Technologien und Verfahren, mit denen sich solche Bestände speichern und auswerten lassen. Klassische Datenbanken und Tabellenkalkulationen stoßen dabei an Grenzen. Das kann am Volumen liegen, an der uneinheitlichen Struktur der Daten oder daran, dass Auswertungen nahezu in Echtzeit vorliegen müssen.
Die Datenmenge allein macht noch kein Big Data aus. Es beginnt dort, wo die vorhandenen Werkzeuge für die gewünschte Auswertung nicht mehr ausreichen. Diese Schwelle liegt in einem Produktionsbetrieb mit Sensordaten deutlich niedriger als in einem reinen Verwaltungsbetrieb.
Fünf Merkmale beschreiben Big Data
In der Fachliteratur werden die Merkmale von Big Data traditionell als V-Begriffe beschrieben. Fünf davon sind für die Praxis relevant:
Volume: die reine Datenmenge. Häufig geht es um Größenordnungen im Terabyte-Bereich und darüber.
Velocity: die Geschwindigkeit, mit der Daten entstehen und verarbeitet werden müssen. Ein Störungsalarm aus der Produktion ist nach einer Stunde wertlos.
Variety: die Vielfalt der Datenarten, von Sensorwerten über Textdokumente bis zu Video- und Audioaufzeichnungen.
Veracity: die Verlässlichkeit der Daten. Aus lückenhaften oder fehlerhaften Quellen entstehen fehlerhafte Auswertungen.
Value: der wirtschaftliche Wert. Erst eine Auswertung, die eine Entscheidung nachweislich verändert, rechtfertigt den Aufwand.
Weitere Merkmale werden ergänzt, etwa zur Sichtbarkeit von Daten oder zur Frage, wie lange Daten aufbewahrt werden müssen. Für eine erste Einordnung reichen die fünf genannten Punkte. Sie helfen Ihnen zu beurteilen, ob ein Vorhaben Big-Data-Technik erfordert oder ob eine sauber gebaute Auswertung im vorhandenen System genügt.
Die Anwendungsfälle hängen stark von der Branche ab
Im Mittelstand kommen diese Bereiche am häufigsten vor:
Produktion: Maschinen- und Sensordaten zeigen, wann Verschleiß auftritt. Wartung lässt sich planen, statt auf einen Ausfall zu reagieren.
Vertrieb und Service: Auswertungen über Aufträge, Reklamationen und Servicekontakte machen sichtbar, welche Kunden abwandern könnten und woran es liegt.
Produktentwicklung: Nutzungsdaten aus dem Feld zeigen, welche Funktionen im Einsatz sind und welche nicht.
Einkauf und Logistik: Bedarfsprognosen auf Basis historischer Daten reduzieren Lagerbestand und Fehlmengen.
IT-Sicherheit: Die zentrale Auswertung von Protokolldaten aus Servern, Endgeräten und Cloud-Diensten macht Auffälligkeiten früher sichtbar als eine Prüfung einzelner Systeme.
Die IT-Sicherheit halte ich für viele Unternehmen für den naheliegendsten Einstieg. Die Daten liegen ohnehin vor, der Nutzen ist klar benennbar, und die Auswertung lässt sich mit etablierten Werkzeugen umsetzen.
Der Nutzen hängt davon ab, was Sie aus den Ergebnissen machen
Datenauswertung ersetzt keine unternehmerische Entscheidung. Sie verbessert die Grundlage, auf der Sie entscheiden. Typische Ergebnisse sind:
Engpässe und Fehlerursachen werden früher erkannt
Stillstandzeiten und Ausschuss sinken
Angebote und Preise lassen sich gezielter auf Kundengruppen zuschneiden
Prognosen für Absatz und Bedarf werden belastbarer
Auffälligkeiten in IT-Systemen fallen schneller auf
Diese Effekte stellen sich nicht automatisch ein. Sie hängen davon ab, ob im Unternehmen jemand die Ergebnisse liest, versteht und in Maßnahmen übersetzt. Ein Dashboard, das niemand ansieht, verändert nichts.
Vor der Technik steht die Datenqualität
Wenn Stammdaten doppelt gepflegt sind, Felder uneinheitlich befüllt werden oder Zeitstempel fehlen, liefert auch eine leistungsfähige Analyseplattform keine brauchbaren Ergebnisse. Eine Bereinigung der Quellsysteme ist unbequem, aber meist der wirksamste erste Schritt.
Hinzu kommt die Frage nach Speicher und Rechenleistung. Cloud-Plattformen sind hier verbreitet, weil sich Kapazität kurzfristig anpassen lässt. Für Unternehmen mit besonderen Anforderungen an Datenhaltung oder Latenz bleibt der Betrieb im eigenen Rechenzentrum eine gute Option. Beide Wege lassen sich kombinieren.
Rechtlich unterliegen personenbezogene Daten der DSGVO. Zweckbindung, Datenminimierung und Löschfristen gehören deshalb schon in den Aufbau einer Auswertung. Klären Sie früh, welche Daten überhaupt zusammengeführt werden dürfen, und binden Sie den Datenschutzbeauftragten und den Betriebsrat rechtzeitig ein.
Schließlich ist ein zentraler Datenbestand ein lohnendes Ziel für Angreifer. Zugriffsrechte, Verschlüsselung, Protokollierung und ein geprüftes Backup gehören deshalb von Anfang an dazu.
Ein eng abgegrenzter Pilot ist der beste Einstieg
Große Datenplattformen scheitern selten an der Technik und häufig daran, dass zu Beginn keine klare Frage gestellt wurde. Ich empfehle deshalb ein eng abgegrenztes Vorgehen:
Formulieren Sie eine konkrete Frage, zum Beispiel: Welche Anlage verursacht die meisten ungeplanten Stillstände?
Prüfen Sie, welche Datenquellen diese Frage beantworten können und ob die Daten vollständig vorliegen.
Bereinigen Sie die Quellsysteme, bevor Sie auswerten.
Setzen Sie einen Piloten mit 1 bis 2 Datenquellen um und begrenzen Sie ihn zeitlich.
Bewerten Sie das Ergebnis nüchtern danach, ob sich eine Entscheidung dadurch geändert hat.
Erst danach lohnt es sich, Speicher, Werkzeuge und Kompetenz auszubauen.
Das globale Datenvolumen wächst weiter, und mit ihm die Zahl der Auswertungsmöglichkeiten. Eine eigene Datenplattform braucht deshalb noch lange nicht jedes mittelständische Unternehmen. Ein nüchterner Blick auf die vorhandenen Daten lohnt sich aber, bevor Sie investieren.
Wenn Sie einschätzen möchten, ob Ihre Infrastruktur für geplante Auswertungen ausreicht und welche Datenquellen sich sinnvoll zusammenführen lassen, sprechen Sie uns gerne an. Wir sehen uns Ihre Ausgangslage an und benennen die nächsten Schritte.
Daten sicher speichern und auswerten
Bevor Daten ausgewertet werden können, müssen sie verlässlich und nachvollziehbar abgelegt sein. Wir bieten Cloud-Speicher aus europäischen Rechenzentren und die passende Anbindung an Ihre Systeme.
Häufige Fragen
Big Data bezeichnet Datenmengen, die zu groß, zu vielfältig oder zu schnelllebig sind, um sie mit klassischen Datenbanken und Tabellenkalkulationen auszuwerten. Der Begriff umfasst zugleich die Technologien und Verfahren, mit denen solche Daten gespeichert und analysiert werden. Ziel ist eine belastbare Grundlage für unternehmerische Entscheidungen.
Die wichtigsten sind Volume für die Datenmenge, Velocity für die Geschwindigkeit, Variety für die Vielfalt der Datenarten, Veracity für die Verlässlichkeit und Value für den wirtschaftlichen Nutzen. In der Fachliteratur kommen weitere Merkmale hinzu, etwa zur Sichtbarkeit oder zur Aufbewahrung. Für die Praxis genügen die fünf genannten.
Das hängt von der Fragestellung ab, nicht von der Unternehmensgröße. Wer Maschinendaten, Kundendaten oder Protokolldateien systematisch auswertet, erkennt Muster früher. Sinnvoll ist ein enger Pilot mit einer klaren Frage und einer sauberen Datenquelle. Erst wenn dieser einen messbaren Nutzen bringt, lohnt der weitere Ausbau.
