Big Data – einfach erklärt

Die Mengen, Zeichen oder Symbole der von einem Computer ausgeführten Vorgänge, die in Form von elektrischen Signalen gespeichert und übertragen und auf magnetischen, optischen oder mechanischen Aufzeichnungsmedien aufgezeichnet werden können, nennen sich Daten. Doch was ist dann Big Data?

Was genau ist Big Data?

Big Data sind ebenfalls Daten, aber mit einer riesigen Grösse. Big Data beschreiben eine Sammlung von Daten zu beschreiben, die ein riesiges Volumen aufweisen und dennoch mit der Zeit exponentiell wachsen. Kurz gesagt, solche Daten sind so gross und komplex, dass keines der herkömmlichen Datenverwaltungstools sie speichern oder effizient verarbeiten kann.

Bekannte Beispiele für Big Data

Im Folgenden finden Sie einige Beispiele für riesige Datenmengen:

• Die New Yorker Börse generiert pro Tag etwa ein Terabyte neuer Handelsdaten.
• Sozialen Medien: Die Statistik zeigt, dass täglich mehr als 500 Terabyte neuer Daten in die Datenbanken der Social-Media-Site Facebook aufgenommen werden. Diese Daten werden hauptsächlich in Form von Foto- und Video-Uploads, Nachrichtenaustausch und Kommentaren generiert.

Die verschiedenen Arten von Big Data

Diese Datenmengen können in drei Formen gefunden werden:

1. Strukturiert
2. Unstrukturiert
3. Halbstrukturiert

1. Strukturiert

Alle Daten, die auf einem festen Format gespeichert, abgerufen und verarbeitet werden können, werden als „strukturierte Daten“ bezeichnet. Im Laufe der Zeit haben IT-Talente grössere Erfolge bei der Entwicklung von Technologien erzielt, die solche Daten (bekannte Formate) verarbeiten und daraus Wert ableiten. Heutzutage sehen wir jedoch Probleme, wenn die Grösse solcher Daten stark zunimmt. Typische Grössen liegen bei mehreren Zettabytes.

Wussten Sie schon? Ein Zettabyte entspricht einer Milliarde Terabyte!

Wenn man sich diese Zahlen ansieht, kann man leicht verstehen, warum der Name „Massendaten“ vergeben wird und sich die Herausforderungen vorstellen, die mit seiner Speicherung und Verarbeitung verbunden sind.

2. Unstrukturiert

Alle Daten in unbekannter Struktur oder Form werden als unstrukturierte Daten klassifiziert. Unstrukturierte Daten sind nicht nur riesig, sondern stellen auch eine Vielzahl von Herausforderungen hinsichtlich ihrer Verarbeitung dar, um daraus einen Wert abzuleiten. Das klassische Beispiel für einen unstrukturierten Datensatz ist die heterogene Datenquelle, die eine Mischung aus einfachen Textdateien, Bildern und Videos enthält.

Heutzutage verfügen Unternehmen über eine Fülle von Daten, aber leider wissen sie seitdem nicht mehr, wie sie daraus einen Wert ableiten können. Diese Daten liegen in ihrer Rohform oder im unstrukturierten Format vor.

3. Halbstrukturiert

Die halbstrukturierten Datensätze können aus beiden Datenformen bestehen. Wir können halbstrukturierte Daten als strukturierte Daten sehen, aber sie sind tatsächlich nicht klar definiert. Das typische Beispiel für halbstrukturierte Datensätze sind Daten, die in einer XML-Datei dargestellt werden.

Die Eigenschaften von Big Data

1. Volumen Der Begriff „Big Data“ steht für Datenmengen von enormer Grösse. Die Datengrösse steht im Fokus bei der Bestimmung des Werts von Daten. Ob bestimmte Daten tatsächlich als Big Data betrachtet werden können oder nicht, hängt auch vom Datenvolumen ab. Daher ist Volumen ein Merkmal, das beim Umgang mit Big Data berücksichtigt werden muss.
2. Vielfalt Die nächste wichtige Eigenschaft von Big Data ist seine Vielfalt. Dieser Aspekt beschreibt die heterogenen Quellen und die Form der strukturierten und unstrukturierten Daten. In früheren Tagen waren Datenbanken und Tabellenkalkulationen die einzigen Datenquellen, die von den meisten Anwendungen berücksichtigt wurden. Heute werden Informationen in Form von E-Mails, Fotos, Videos, Überwachungsgeräten, PDFs oder Audio ebenfalls in den Analyseanwendungen berücksichtigt. Beim Speichern, Mining und Analysieren von Daten können grosse Mengen unstrukturierter Daten bestimmte Probleme verursachen.
3. Geschwindigkeit Die Geschwindigkeit bezieht sich hier auf die Datenerzeugung. Das tatsächliche Potenzial der Informationen bestimmt, wie schnell die Daten generiert und verarbeitet werden, um. Die sogenannte Big-Data-Velocity befasst sich mit der Geschwindigkeit, mit der Informationen aus Anwendungsprotokollen, Geschäftsprozessen, Sensoren, Netzwerken und Social-Media-Seiten oder Mobilgeräten eingehen. Der Datenfluss ist massiv und kontinuierlich.
4. Variabilität Dies bezieht sich auf die Inkonsistenz, die manchmal durch die Daten angezeigt werden kann, wodurch der Prozess der effektiven Handhabung und Verwaltung der Daten behindert wird.

Welche Vorteile bietet die Big-Data-Verarbeitung?

Die Fähigkeit, Big Data zu verarbeiten, bietet mehrere Vorteile:

Unternehmen können bei Entscheidungen externe Informationen nutzen

Durch den Zugriff auf soziale Daten von Suchmaschinen und Webseiten wie Twitter und Facebook können Unternehmen ihre Geschäftsstrategien optimieren.

Verbesserter Kundenservice

Gewöhnliche Systeme für Kundenfeedback werden durch neue Anwendungen mit Big-Data-Technologien ersetzt. In diesen neuen Systemen werden Big-Data- und Verarbeitungstechnologien in natürlicher Sprache verwendet, um die Antworten von Kunden zu lesen und zu bewerten.

Bessere betriebliche Effizienz

Mithilfe von Big-Data-Technologien können Sie einen Bereitstellungsbereich oder eine Landezone für neue Daten erstellen, bevor Sie festlegen, welche Informationen ins Data Warehouse verschoben werden sollen. Darüber hinaus hilft eine solche Integration von Data Warehouse und Big-Data-Technologien einem Unternehmen, Informationen, auf die selten zugegriffen wird, auszulagern.

Der Lebenszyklus der Big-Data-Analyse

Lassen Sie uns nun den Lebenszyklus der Big-Data-Analyse überprüfen:

1. Business Case-Bewertung Der Lebenszyklus der Big-Data-Analyse beginnt mit einem Business Case, der den Grund und das Ziel der Analyse definiert.
2. Identifizierung von Daten Hier wird eine Vielzahl von Datenquellen identifiziert.
3. Datenfilterung Alle identifizierten Daten aus der vorherigen Stufe werden hier gefiltert, um beschädigte Informationen zu entfernen.
4. Datenextraktion Daten, die nicht mit dem Tool kompatibel sind, werden extrahiert und dann in eine kompatible Form umgewandelt.
5. Datenaggregation In dieser Phase werden Daten mit denselben Feldern über verschiedene Datensätze hinweg integriert.
6. Datenanalyse Die Daten werden mithilfe analytischer und statistischer Tools ausgewertet, um nützliche Informationen zu ermitteln.
7. Visualisierung von Daten Mit Tools wie Tableau, Power BI und QlikView können Big-Data-Analysten grafische Visualisierungen der Analyse erstellen.
8. Endergebnis der Analyse Dies ist der letzte Schritt des Lebenszyklus der Big-Data-Analyse, in dem die endgültigen Ergebnisse der Analyse den Geschäftsinteressenten zur Verfügung gestellt werden, die Massnahmen ergreifen werden.

Die verschiedenen Formen von Big-Data-Analytics

Es gibt vier Arten von Big-Data-Analysen:

Beschreibende Analytik

Dies fasst vergangene Daten in einer Form zusammen, die leicht lesbar ist. Der Vorgang hilft bei der Erstellung von Berichten wie Gewinn und Umsatz eines Unternehmens. Ausserdem unterstützt es die Tabellierung von Social-Media-Metriken.

Anwendungsfall: Die Dow Chemical Company analysierte ihre früheren Daten, um die Auslastung der Einrichtungen in ihren Büro- und Laborflächen zu erhöhen. Mithilfe deskriptiver Analysen konnte die Dow Chemical Company nicht ausgelasteten Raum identifizieren. Durch diese Flächenkonsolidierung konnte das Unternehmen jährlich fast 4 Millionen US-Dollar einsparen.

Diagnostic Analytics

Dies geschieht, um zu verstehen, was überhaupt ein Problem verursacht hat. Techniken wie Drilldown, Data Mining und Datenwiederherstellung sind Beispiele. Unternehmen verwenden diagnostische Analysen, weil sie einen detaillierten Einblick in ein bestimmtes Problem bieten.

Anwendungsfall: Der Bericht eines E-Commerce-Unternehmens zeigt, dass die Verkäufe zurückgegangen sind, obwohl Kunden Produkte in ihren Einkaufswagen legen. Dies kann verschiedene Gründe haben, beispielsweise dass das Formular nicht korrekt geladen wurde, die Versandkosten zu hoch sind oder nicht genügend Zahlungsoptionen verfügbar sind. Hier können Sie mithilfe von Diagnoseanalysen den Grund ermitteln.

Predictive Analytics

Diese Art der Analyse untersucht die historischen und gegenwärtigen Daten, um Vorhersagen für die Zukunft zu treffen. Die prädiktive Analyse verwendet Data Mining, Künstliche Intelligenz und maschinelles Lernen, um aktuelle Daten zu analysieren und Vorhersagen über die Zukunft zu treffen. Es arbeitet beispielsweise an der Vorhersage von Kundentrends und Markttrends.

Anwendungsfall: PayPal bestimmt, welche Vorsichtsmassnahmen sie treffen müssen, um ihre Kunden vor betrügerischen Transaktionen zu schützen. Mithilfe von Predictive Analytics verwendet das Unternehmen alle historischen Zahlungsdaten und Benutzerverhaltensdaten und erstellt einen Algorithmus, der betrügerische Aktivitäten vorhersagt.

Prescriptive Analytics

Diese Art der Analyse schreibt die Lösung für ein bestimmtes Problem vor. Perspective Analytics funktioniert sowohl mit deskriptiven als auch mit prädiktiven Analysen. Meistens basiert es auf Künstliche Intelligenz und maschinellem Lernen.

Anwendungsfall: Mithilfe von Prescriptive Analytics kann der Gewinn einer Fluggesellschaft maximiert werden. Diese Art der Analyse wird verwendet, um einen Algorithmus zu erstellen, der die Flugpreise automatisch basierend auf zahlreichen Faktoren anpasst, einschliesslich Kundennachfrage, Wetter, Reiseziel, Ferienzeiten und Ölpreisen.

Fazit

Big Data sind definiert als Datenmengen, die sehr gross sind. Es ist ein Begriff, der verwendet wird, um eine Sammlung von Daten zu beschreiben, die riesig sind und dennoch mit der Zeit exponentiell wachsen. Bekannte Beispiele für die Generierung der riesigen Datenmengen sind beispielsweise Börsen und Social-Media-Sites. Die gesammelten Big Data können strukturiert, unstrukturiert und halbstrukturiert sein. Wichtige Merkmale sind Volumen, Vielfalt, Geschwindigkeit und Variabilität. Zusammenfassend heisst das, Verbesserte Unternehmensführung, bessere betriebliche Effizienz und die verbesserte Entscheidungsfindung. Das sind jedoch nur einige Vorteile von Big Data.