The Big Six: Sechs Big Data-Megatrends 2016

Big Data gehört zu den großen Treibern der digitalen Transformation, deren Ziel es ist, nicht nur bestehende Geschäftsprozesse zu optimieren, sondern auch sich gleichsam ständig neu zu erfinden – die ideale Voraussetzung dafür, um in einer Welt mit sich permanent ändernden Rahmenbedingungen erfolgreich zu agieren. [...]

Big Data ist kein Schlagwort der Marketing-Abteilungen mehr, sondern immer öfter fixer Bestandteil aktueller IT-Strategien. Kein Wunder, denn zukunftsweisende Technologien unterstützen Unternehmen dabei, die im Unternehmen verstreuten Daten und Informationen intelligent zu verknüpfen und diese profitabel einzusetzen. Durch die zunehmende Vernetzung der Dinge gewinnt Big Data zusätzlich an Bedeutung: Damit lassen sich etwa völlig neue Geschäftsideen entwickeln. Mindbreeze hat die wichtigsten Trends, die 2016 den Markt beherrschen werden, zusammengefasst.

1. Intelligente Systeme auf Basis von Machine Learning

Die Entwicklung von selbstlernenden intelligenten Systemen – Stichwort Machine Learning beziehungsweise Deep Learning – schreitet mit großen Schritten voran. Geht es um das Verstehen von Informationen und das Erkennen von semantischen Zusammenhängen in riesigen Datenmengen, können Machine Learning-Algorithmen klar ihren Vorteil ausspielen.

Ein großer Treiber von Machine Learning ist das Thema Sicherheit. Beispiel: der Schutz von Gebäuden. Die Münchener Allianz Versicherung hat gemeinsam mit der TU München auf Basis von Big Data und intelligenten Analysen ein System entwickelt, das zahlreiche Gegenstände in einem Wohnraum oder Büro über Sensoren vernetzt. Dieses lernt stetig hinzu und kann auf diese Weise etwa einen Einbruch von anderen ungewöhnlichen, aber unkritischen Vorfällen unterscheiden. Fehlalarme bleiben damit die Ausnahme.

Nach dem gleichen Prinzip versuchen Kreditkartenanbieter, Online-Shopping sicherer zu machen. Im Jahr 2012 haben US-Bürger gemeinsam 26 Milliarden US-Dollar via Kreditkarte bezahlt, der geschätzte Schaden durch unautorisierte Transaktionen betrug satte sechs Milliarden. Mithilfe von Machine Learning können die Systeme, die alle Transaktionen rund um die Uhr beobachten, normale Muster von kriminellen unterscheiden und nahezu in Echtzeit Vorsichtsmaßnahmen ergreifen. Dazu kommt, dass diese Systeme von Tag zu Tag besser werden.

Machine Learning spielt nicht nur im Security-Bereich eine immer größere Rolle, es unterstützt auch dort, wo „intellektuelle Fließbandarbeiten“ den Berufsalltag trüben. Beispiel Posteingangsklassifikation – also die Verteilung der Post in Unternehmen: Heute passiert sie oft noch manuell, in Zukunft wird sie dank semantischer Inhaltsanalyse verstärkt automatisiert über die Bühne gehen. Das Gleiche gilt für die tägliche E-Mail-Flut, die auf Basis des User-Verhaltens priorisiert werden wird.  

2. Geschäftsmodelle verändern sich

Die sogenannte digitale Transformation, deren Treiber unter anderem Big Data ist, und der sich verschärfende Wettbewerb fordern von Unternehmen nicht nur, ihre Geschäftsprozesse durch Digitalisierung zu optimieren, sondern sie gibt auch den Anstoß, neue Business-Modelle zu entwickeln.

Der mittelständische Hersteller von Sanitärausrüstung, Hagleitner, hat nicht das Handtuch vor dem stets billigeren Mitbewerb geworfen, sondern seine Produkte in intelligente Devices verwandelt, indem er etwa Seifenspender mit Sensoren versah – Stichwort Internet of Things (IoT) beziehungsweise Industrie 4.0. Damit lassen sich einerseits die Prozesse optimieren: Immer im Bilde über die aktuellen Füllstände kann das Salzburger Unternehmen seine Kunden bedarfsgerecht und automatisiert mit Nachschub versorgen. Andererseits hat sich der ehemals reine Hardware-Hersteller mithilfe der Daten, die im Sekundentakt hereinkommen und analysiert werden, zu einem Hygiene-Spezialisten entwickelt, der innovative Konzepte – vor allem in einem sensiblen Bereich wie dem Gesundheitswesen – realisiert.

Neue Geschäftsmodelle entstehen wie bei Hagleitner sehr oft dadurch, dass Daten, die ohnehin in Massen verfügbar sind, in einen neuen Kontext gestellt und auf neuartige Weise verknüpft werden. Dieser Trend, der in den USA bereits stark ausgeprägt ist, wird auch Europa im Jahr 2016 vermehrt erreichen.

Mit den intelligenten Tools verändern sich auch die Spielregeln am Markt. Heute heißt der Kampf nicht mehr „Groß gegen Klein“, sondern „schnell gegen langsam“. Wer die digitale Transformation verschläft, sei er noch so groß, kann selbst von einem Startup-Unternehmen geschlagen werden, das sich Innovation auf seine Fahnen geschrieben hat.  

3. Predictive Analytics als Game Changer

Geschäftsprozesse befinden sich im Fluss: Predictive Analytics – also die Fähigkeit, auf Basis von verfügbaren Daten verlässliche Prognosen zu erstellen – wird immer breiter eingesetzt, zunehmend mit hochspezialisierten Ausrichtungen und in bereits bekannten Tätigkeitsfeldern.

Ein typisches Beispiel ist der Bereich Predictive Maintenance. So kann etwa der Ausfall von Lokomotiven hohe Folgekosten mit sich ziehen, zudem sind Ersatzteile für Schäden extrem teuer. Aus diesen Gründen hat die Deutsche Bahn ihre Lokomotiven mit Sensoren versehen, die permanent Daten liefern. Analysten leiten aus diesen Daten Muster ab, beispielsweise bestimmte Verhaltensweisen oder Veränderungen an Sensoren vor einem Defekt. Diese deuten auf Fehler- und Schadensbilder hin. So profitiert das Unternehmen von einem Echtzeit-Wartungssystem, das die Schäden in den Loks vorhersagen kann. Dadurch erspart sich das Unternehmen Ausfälle und oft die teuren Ersatzteile.

Prognosen zu erstellen, ist schon seit Längerem möglich, etwa mit Business Intelligence-Werkzeugen. Doch diese sind auf strukturierte Daten angewiesen. Da Big Data Analytics in der Lage ist, auch unstrukturierte Daten (wie etwa jene von Sensoren oder Dokumente, die in natürlicher Sprache verfasst sind) auszuwerten, rücken traditionelle Tools im kommenden Jahr weiter in den Hintergrund.