Konzepte für den Erfolg mit Big Data

Konzepte für den
Erfolg mit Big Data
Erfolg für vier gängige Szenarios
Copyright ©2014 Pentaho Corporation. Weitergabe erlaubt. Alle Marken sind Eigentum der jeweiligen Inhaber.
Aktuelle Informationen finden Sie auf unserer Website unter pentaho.de.
Inhalt
Inhalt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
Einführung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Definitionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Derzeitige Übernahme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Aufkommende Übernahme. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Data Warehouse-Optimierung. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Um was geht es und warum investieren Unternehmen in diese Optimierung? . . . . . . . . . . . . . . . . . . . . . . . . 5
Aufbau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Kernpunkte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Optimierte Datenaufbereitung. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Um was geht es und warum investieren Unternehmen in diese Optimierung? . . . . . . . . . . . . . . . . . . . . . . . . 6
Aufbau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Kernpunkte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
360-Grad-Ansicht von Kunden. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Um was geht es und warum investieren Unternehmen in diese Optimierung? . . . . . . . . . . . . . . . . . . . . . . . . 7
Aufbau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Kernpunkte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Daten monetarisieren. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Um was geht es und warum investieren Unternehmen in diese Optimierung? . . . . . . . . . . . . . . . . . . . . . . . . 9
Aufbau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Kernpunkte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Konzepte für den Erfolg mit Big Data
PENTAHO 2
Einführung
Mittlerweile hat es sich herumgesprochen, dass Big Data eine große Verschiebung in der
Landschaft der Unternehmenstechnologie darstellt. Laut Schätzungen von IDC wächst die
Menge an brauchbaren Daten weltweit zwischen 2010 und 2020 um das Zwanzigfache,
während 77 % der für Unternehmen relevanten Daten bis 2015 nicht strukturiert sein werden.1
Da sich der Trend in Bezug auf Volumen und Diversität fortsetzt, stellen Unternehmen mehr
und mehr auf Hadoop, NoSQL und andere Tools um, um große Datenmengen in den Griff zu
bekommen, die mit älteren Technologien bestehend aus relationalen Datenbanken und Data
Warehouses nicht mehr effizient verwaltet werden können.
Obwohl die Chancen mit dem Einsatz von Big Data
rasant wachsen, zeigen Untersuchungen, dass sich
Unternehmen mit zwei großen Herausforderungen
konfrontiert sehen: Wertschöpfung aus Big Data
und Definition einer Big Data-Strategie.2 Im Hinblick
auf diese Herausforderungen werden in diesem
Dokument Big Data-Anwendungsfälle erörtert, die
Geschäftsergebnisse für heutige Unternehmen
generieren. Zudem wird ein Blick auf zukünftig zu
erwartende Anwendungsfälle geworfen. Auf den
folgenden Seiten werden diese Anwendungsfälle
erläutert und erklärt, warum Unternehmen in
diese investieren. Es werden außerdem werden die
allgemeinen Referenzarchitekturen vorgestellt.
1 IDC Digital Universe Study, 2012.
2Gartner “Big Data Adoption in 2013 Shows Substance Behind the
Hype,” 2013.
360-GradAnsicht von
Kunden
Derzeitige Übernahme
Daten
monetarisieren
Optimierte
Datenaufbereitung
Data WarehouseOptimierung
Optimieren
GESCHÄFTLICHE
AUSWIRKUNGEN
Transformation
Die Grafik unten zeigt zehn wichtige Big DataAnwendungsfälle für Unternehmen, die gemäß der
Auswirkungen auf die Geschäftstätigkeit (y-Achse)
sowie der Komplexitätsstufe der Implementierung
(x-Achse) kategorisiert sind. Auswirkungen auf die
Geschäftstätigkeit reichen von der Optimierung
aktueller Prozesse bis hin zur Umwandlung
des gesamten Geschäftsmodells. Komplexität
reicht von Einstiegsimplementierungen, die
auf Standardtechnologien basieren, bis hin zu
fortgeschrittenen Anwendungsfällen, die auf einer
Kombination aus Technologien basieren, von denen
einige nicht im großen Maßstab vermarktet sind.
Die Anwendungsfälle sind entweder als „Derzeitige
Übernahme“ oder „Aufkommende Übernahme“
gekennzeichnet. Erstere gibt eine breit gestreute
Implementierung von Anwendungsfällen an, die
einfach zu wiederholenden Richtlinien folgen,
während letztere Implementierungen beinhaltet,
die noch nicht allgemein etabliert sind, deren
wachsender Einsatz jedoch zukünftig erwartet wird.
In diesem Dokument werden die Einzelheiten der
„Derzeitige Übernahme“-Anwendungsfälle erläutert.
On-Demand
Big Data
Blending
Interne Big
Data als
Dienst
Prognostische
Analysen mit
Big Data
Anwendungen
der nächsten
Generation
Aufkommende Übernahme
Untersuchen
von Big Data
Einstieg
KOMPLEXITÄT VON ANWENDUNGSFÄLLEN
Konzepte für den Erfolg mit Big Data
PENTAHO 3
Erweitert
Die einzelnen Anwendungsfälle
werden im Folgenden kurz definiert:
DER ZEITIGE ÜBERNAHME
Data Warehouse-Optimierung – Das herkömmliche
Data Warehouse (DW) stößt durch immer größere
Datenvolumen an seine Grenzen und kann
keine zeitgerechten Analysen mehr bieten. Die
Erweiterung der DW-Kapazität kann sehr teuer
sein. Unternehmen setzen daher auf Big Data, um
weniger häufig genutzte Daten auszulagern und die
DW-Leistung zu erhöhen.
Optimierte Datenaufbereitung – In diesem
Zusammenhang ist der Big Data-Speicher der
Dreh- und Angelpunkt für die Verarbeitung von
Daten aus vielen verschiedenen Quellen, bevor
diese in Analysen mit geringer Latenzzeit (meistens
in eine Analysedatenbank für schnelle Abfragen)
verschoben werden. Einsparungen bei den ETL- und
Datenverwaltungskosten nehmen zu und Big Data
wird ein wichtiger Teil des Analyseprozesses.
360-Grad-Ansicht von Kunden – Diese Ansicht
basiert auf dem Blending von verschiedenen operativen und Transaktions-Datenquellen mit Big Data-Quellen zum Erstellen von On-Demand-Analyseansichten
für die wichtigsten Kunden-Touchpoints. Darin enthalten ist auch die Bereitstellung von Informationen für
kundenorientierte Mitarbeiter und Partner innerhalb
von Branchenanwendungen, die sie täglich verwenden.
Daten monetarisieren – In diesem Fall werden
angereicherte und anonymisierte Datasets
Drittanbietern als Dienst bereitgestellt. Hier werden
leistungsstarke Datenverarbeitung und eingebettete
Analysen genutzt, um dem Unternehmen eine neue
Einnahmequelle zu eröffnen.
AUFKOMMENDE ÜBERNAHME
Erforschen von Big Data – Unternehmen lagern
enorm große Datenmengen in Big Data-Speichern
aus, aber nicht immer sind sie sicher, um welche
Informationen es sich überhaupt handelt (so
genannte „Dark Data“) und ob diese produktiv
genutzt werden können. Um „einen ersten Eindruck
zu erhalten“, führen Analysten Data MiningStandardalgorithmen durch, um Muster in Daten aus
anderen Quellen zu erkennen.
Nutzen von Maschinen- und Sensordaten – Bis
vor kurzem war es noch unerschwinglich, Analysen
mit großen Datenmengen von Geräten wie Sensoren,
Routern und Set-Top-Boxen durchzuführen.
Mittlerweile können diese Informationen jedoch mit
Big Data für Data Mining und Analysen mit geringer
Latenzzeit genutzt werden – was Unternehmen in
die Lage versetzt, schnell auf Betriebsstörungen und
Serviceprobleme zu reagieren.
Prognostische Analysen mit Big Data – Big Data
bietet einen neuen Satz an Tools zur Optimierung von
Algorithmen für maschinelles Lernen (für Schulungsund Evaluierungszwecke) und zu deren Nutzung zur
Vorhersage oder Beeinflussung von Ausgabe
(Bewertung). Die Ausführung von prognostischen
Analysen im Big Data-Speicher beinhaltet
Anwendungen für die Betrugserkennung,
Empfehlungsmaschinen und Angebotsoptimierung.
Anwendungen der nächsten Generation –
Obwohl Cloud Computing und SaaS keine
neuen Trends darstellen, ist ihre nächste Phase
höchstwahrscheinlich eng an Big Data gekoppelt.
Anwendungsanbieter setzten auf Innovation
bei der Daten- und Analysearchitektur, um
ihre Produkte leistungsfähiger, intelligenter
und wertvoller für Kunden zu machen. Eine
eingebettete Analyseschnittstelle innerhalb der
Endbenutzeranwendung ermöglicht dem Verkäufer,
aus dieser Innovation umfangreich Kapital zu schlagen.
Blending von Big Data On-Demand – Trotz der
Implementierung von Big Data-Speichern sind
Teams häufig den zeitlichen Beschränkungen
der vorhandenen Data Warehouse-Infrastruktur
ausgesetzt. Für zeitkritische Anforderungen ist die
grundsätzliche Umgehung des Data Warehouse
möglicherweise erforderlich. Das „punktgenaue“
Blending ersetzt die Bereitstellung von Daten und
liefert die richtigen Daten zum richtigen Zeitpunkt
aus allen Quellen für die Analyse.
Interne Big Data als Dienst – Unternehmen nutzen Big
Data als gemeinsamen Datenbankdienst, der für einige
Anwendungsentwicklungsteams zur Aufnahme von und
zum Zugriff auf Daten bereitgestellt wird. Ziel ist die
Erreichung von Größen- und Kosteneinsparungen im
Verhältnis zu einem eher silobasierten Ansatz. ETL- und
Analyselösungen sind als Komponenten im zentralen
Unternehmenspaket enthalten.
Konzepte für den Erfolg mit Big Data
PENTAHO 4
Data Warehouse-Optimierung
PDI
Aus diesem Grund haben Unternehmen ihren Blick
auf Big Data gerichtet, insbesondere auf Hadoop,
um diesen Druck zu reduzieren. Das Modell für
verteilte Datenverarbeitung von Hadoop bietet eine
leistungsstarke Verarbeitung auf gebrauchsüblicher
Hardware und speichert Daten in HDFS (Hadoop
Distributed File System). Die Kosten für dieses
Modell unterschreiten in der Regel diejenigen für
die herkömmliche Data Warehouse-Speicherung
erheblich. Die Hadoop-Speicherkosten betragen
zirka 1.000 US-Dollar pro Terabyte (TB) im
Gegensatz zu zirka 5.000 bis 10.000 US-Dollar pro
TB oder mehr für ein vollständig geladenes Data
Warehouse (einschließlich Hardware, Server usw.)3
IT-Organisationen übertragen daher weniger häufig
genutzte Daten aus ihrem Data Warehouse nach
Hadoop, um unter Einhaltung der Vereinbarung zum
Servicelevel und bei rechtzeitiger Datenbereitstellung
Kosten für die Datenspeicherung einzusparen.
AUFBAU
In diesem Beispiel geht es um ein Unternehmen,
das Daten aus CRM- und ERP-Systemen sowie aus
anderen Quellen nutzt. Ein Hadoop-Cluster wurde
implementiert, um weniger häufig genutzte Daten
aus dem vorhandenen Data Warehouse auszulagern.
Dabei werden Speicherkosten eingespart und die
Abfrageleistung wird erhöht, wenn Analysten vom
Analyse-Data Mart auf Informationen zugreifen müssen.
Analytisches
Data Mart
PDI
al
er
L
ay
er
CRM- &
ERP-Systeme
Re
la
tio
n
UM WAS GEHT ES UND WARUM INVESTIEREN
UNTERNEHMEN IN DIESE OPTIMIERUNG?
Die Data Warehouse-Optimierung ist einer der
häufigsten Anwendungsfälle für Big Data, die
jedoch zwei erhebliche Schwachstellen aufweist:
Kosten und betriebliche Leistung. Da das Volumen
von Daten, die ein Unternehmen speichern und
auf das es zugreifen muss, stetig zunimmt, stößt
die vorhandene Data Warehouse-Kapazität an
ihre Grenzen. Dies führt zu einer verschlechterten
Abfrageleistung und einem langsamen Zugriff auf
Daten für IT- und Geschäftsanwender. Zudem steigt
der Druck, bei führenden Anbietern mehr Data
Warehouse-Speicherkapazität zu erwerben – eine
sehr kostspielige Angelegenheit und möglicherweise
auch nur eine vorübergehende Lösung im Hinblick
auf den stetigen Datenzuwachs.
Data
Warehouse
PDI
Andere
Datenquellen
Aufnehmen
HadoopCluster
KERNPUNK TE
Obwohl die Data Warehouse-Optimierung einer
der häufigsten Big Data-Anwendungsfälle ist,
müssen dennoch Zeit, Anstrengung und Planung zur
Ausführung aufgewendet werden. Hadoop zählt nach
wie vor zu den aufstrebenden Technologien. Um
jedoch die in den Hadoop-Distributionen enthaltenen
vorinstallierten Tools verwenden zu können, sind
Java-Programmierkenntnisse erforderlich, um
Routinen zu erstellen, mit denen Data WarehouseDaten nach Hadoop ausgelagert werden. Für
Unternehmen ist es oft nicht einfach, genügend
geeignete Entwickler und Analysten mit HadoopErfahrung zu finden, abgesehen davon, dass deren
Vergütung etwa 50 % über der der Experten mit
Kenntnissen in SQL und anderen herkömmlicheren
Tools liegt.4
Pentaho bietet eine intuitive grafische
Benutzeroberfläche (GUI) für Big Data-Integration, die
die manuelle Programmierung ersetzt und den
Zugriff auf Hadoop für alle Datenentwickler
gewährleistet. Dies beschleunigt die Amortisierung
und spart Personalkosten. Auch wenn ein
Unternehmen bereits über eine implementierte
Integrationslösung verfügt, bieten alte Plattformen
keine Lösungen ohne Programmierung, um
vorhandene Datenquellen und Datenbanken mit
Hadoop zu integrieren.
3 Information Week, „How Hadoop Cuts Big Data Costs”, 2012.
4 O’Reilly, „2013 Data Science Salary Survey”, 2013.
Konzepte für den Erfolg mit Big Data
PENTAHO 5
Optimierte Datenaufbereitung
UM WAS GEHT ES UND WARUM INVESTIEREN
UNTERNEHMEN IN DIESE OPTIMIERUNG?
Angesichts explodierender Volumen strukturierter
Transaktions-, Kunden- und anderer Daten werden
herkömmliche ETL-Systeme immer langsamer
und Analysen können nicht mehr durchgeführt
werden. Dank der „Datenaufbereitung“ können
die meisten Datenquellen über einen skalierbaren
Big Data-Verarbeitungs-Hub mit Hadoop für die
Transformation optimiert werden. Die aufbereiteten
Daten werden an eine Analysedatenbank für SelfService-Analysen von unterschiedlichen Daten mit
einer geringen Latenzzeit weitergeleitet.
Dieser Anwendungsfall ist oft eine logische
Konsequenz der Kosteneinsparungen und der
operativen Verbesserung der Data WarehouseOptimierung. An dieser Stelle werden mehr und
komplexere Daten in Hadoop geladen – wodurch
Hadoop nicht mehr nur ein Archiv ist, sondern eine
Quelle mit wertvollen Geschäftsinformationen aus
mehreren Quellen, die nur darauf warten abgefragt
zu werden. Im Gegensatz zur Data WarehouseOptimierung ist dieser Anwendungsfall weitaus
transformativer. Dank schnellerer Abfragen, schneller
Einbindung und leistungsstarker Verarbeitung
können Unternehmen anhand der Kombination
aus Hadoop und einer Analysedatenbank (wie zum
Beispiel Vertica oder Greenplum) nützliche Analysen
von diversen Datenquellen mit großem Volumen
durchführen. Gleichzeitig können Teams Datasets für
prognostische Analysen schneller entwickeln.
AUFBAU
Im Beispiel unten wird eine Aufbereitungsarchitektur
für einen Vermarktungsdienstleister für elektronische
Medien zwecks Bereitstellung personenbezogener
Angebote erstellt. Online-Kampagnen-, Registrierungs- und Transaktionsdaten werden via Hadoop
aufgenommen, verarbeitet und an eine Analysedatenbank gesendet. Ein Geschäftsanalyse-Front-End
bietet Berichterstellung und Ad-hoc-Analyse für
Geschäftsanwender.
KERNPUNK TE
Die Herausforderungen an die Mitarbeiter und die
Produktivität in Bezug auf die DW-Optimierung
existieren nach wie vor. Darum überrascht es
kaum, dass die Rendite mit Tools erhöht werden
kann, die die Programmierung ersetzen und den
Analyzer
Transaktionen –
Batch & Echtzeit
PDI
Registrierungen
& Einlösungen
PDI
HadoopCluster
AnalyseDatenbank
Berichte
Ort, E-Mail,
sonstige Daten
Prozess der Integration von Big Data-Speichern in
verschiedene relationale Systeme vereinfachen.
Auf der anderen Seite stellt dieser Anwendungsfall
generell ein umfangreicheres und langwieriges
Integrationsprojekt dar, für das die Konsolidierung
vieler Punkt-zu-Punkt-Systemverbindungen in
ein zentrales Hub-Modell erforderlich ist. Die
Durchführung des Projekts wird komplexer, je
vielfältiger die Datentypen und Datenquellen sind.
Um so wichtiger ist es, sich für Datenintegrationsund Analyseplattformen mit einer äußerst flexiblen
Verbindung zu einem breiten Spektrum an aktuellen
und zukünftigen Datensystemen zu entscheiden.
Aufgrund der immer wichtiger werdenden
analytischen Einblicke aus Hadoop in diesem
Anwendungsfall rückt auch die Zusammenarbeit
zwischen Datenentwicklern und Geschäftsanalysten
in den Fokus. Für Datenanbindung und Business
Intelligence ist eine integrierte Plattform erforderlich.
Wenn IT- und Geschäftsanwender getrennte Toolsets
verwenden, ist eine effektive Zusammenarbeit
weitaus schwieriger.
Eine Analysedatenbank wird normalerweise
als Hauptteil dieser Architektur betrachtet.
Diese Datenbanken werden in der Regel durch
schnellere Abfrageleistung, größere Skalierbarkeit,
mehrdimensionale „Analysewürfel“ bzw.
speicherinterne Funktionen für Business Intelligence
optimiert. Im Vergleich dazu erreichen herkömmliche
Transaktionsdatenbanken möglicherweise nicht das
Niveau an Abfrageleistung und Analysefunktionen.
Konzepte für den Erfolg mit Big Data
PENTAHO 6
360-Grad-Ansicht von Kunden
UM WAS GEHT ES UND WARUM INVESTIEREN
UNTERNEHMEN IN DIESE OPTIMIERUNG?
Schon lange versuchen unsere Kunden, verschiedene
Datenquellen zu vereinen, um eine On-Demand-Analyseansicht für die wichtigsten Kunden-Touchpoints zu
erstellen. Durch die Nutzung von Big Data und herkömmlichen Datenquellen in einem vollständig integrierten System können Unternehmen dieses Ziel erreichen
und eine umfangreiche Einsicht in Kundendaten gewinnen. Im Gegensatz zur DW-Optimierung und der
optimierten Datenaufbereitung, bei denen es sich
primär um kosten- und effizienzgesteuerte Anwendungsfälle handelt, zielt die 360-Grad-Ansicht von
Kunden klar auf die Steigerung des Customer-LifetimeValue ab, besonders in wettbewerbsintensiven
Konsumentenmärkten, in denen Kundenabwanderung
ein wichtiger Faktor ist (zum Beispiel Telekommunikationsunternehmen, Gastronomie und Finanzdienstleister). Die beiden wichtigsten Erfolgsfaktoren sind wachsende Cross-Selling- und Up-Selling-Einnahmen sowie
die Minimierung der Kundenabwanderung.
Dieser Anwendungsfall wird über das Back-End durch
das Vereinen aller Daten der Kunden-Touchpoints in
einem einzelnen Repository für schnelle Abfragen
(höchstwahrscheinlich NoSQL oder Hadoop) ermöglicht.
Das Front-End unterstützt diesen Anwendungsfall,
indem die relevanten Messgrößen an einem zentralen
Ort für Geschäftsanwender zusammengeführt werden.
Durch das Blending von zuvor getrennten Daten können
Vertriebs- und Serviceteams mit der 360-Grad-Ansicht
von Kunden ein besseres Verständnis des Käufers
erlangen und sich ein genaueres Bild darüber machen,
wie die Produkte und Dienstleistungen einer Marke
aufgenommen werden. Ausgestattet mit diesen Einblicken können die Mitarbeiter während der Interaktion
mit den Kunden weitaus produktivere und profitablere
Entscheidungen treffen - und das unmittelbar.
CRM-System
Dokumente &
Bilder
PDI
NoSQL
Call CenterAnsicht
PDI
ResearchAnalysten
Verwaltungsinfos
Ansprüche
Prognostische
Analyse
OnlineInteraktionen
AUFBAU
Im Beispiel oben speichert ein Finanzdienstleistungsunternehmen Daten aus verschiedenen Quellen in
einem einzelnen Big Data-Speicher, in diesem Fall
NoSQL. Von dort aus werden die Daten verarbeitet
und auf der Ebene einer eindeutigen Kunden-ID
zusammengefasst, um eine 360-Grad-Ansicht zu
erstellen. Präzise und verwaltete Kundendaten
werden an die entsprechenden Analyseansichten für
jede Rolle weitergeleitet, einschließlich der Call
Center-Mitarbeiter, der Analysten und der Datenexperten.
KERNPUNK TE
Wenngleich diese Implementierung den jeweiligen
Unternehmensbereichen großen Nutzen bringen
kann, kann sie dennoch äußerst komplex und
ressourcenintensiv sein. Zusätzlich zu den
Herausforderungen bezüglich der personellen
Big Data-Ressourcen und die in den vorherigen
Abschnitten erläuterten Anforderungen aufgrund
der Punkt-zu-Punkt-Integration setzt die 360-Grad-
Die beiden Hauptfaktoren für Erfolg ist die Steigerung
von Cross-Selling- und Upselling-Umsätzen und
die Minimierung der Kundenabwanderung.
Konzepte für den Erfolg mit Big Data
PENTAHO 7
Ansicht von Kunden eine erhebliche strategische
Planung aus Geschäftsperspektive dar. Zunächst
sollten bestimmte die Einnahmen betreffenden
Ziele mit dem Projekt verknüpft werden. Die
jeweiligen Interessensgruppen müssen die potenziell
treibenden Kräfte für Kundenzufriedenheit und
mögliche Verkaufschancen für die Mitarbeiter mit
Kundenkontakt ermitteln, die Vorteile aus diesen
Daten ziehen. Parallel dazu müssen die jeweiligen
Endanwender Teil des Planungsprozesses sein,
damit Informationen aus den richtigen Quellen an
die richtigen Personen auf die richtige Art und Weise
geliefert werden. Analysen müssen den Anwendern
so präsentiert werden, dass sie sicher angenommen
werden. Dies bedeutet, dass der Zugriff einfach sein
muss, die Inhalte einfach zu verstehen sind und
die Analysen in wichtige operative Anwendungen
eingebettet werden können.
Aus technischer Perspektive kann eine NoSQLLösung wie MongoDB der bevorzugte Big DataSpeicher sein, wenn ein Unternehmen viele
zeitkritische Kundenstromdaten in eine einzelne
Sammlung weiterleiten möchte, die schnell und
einfach auf die Server verteilt werden kann. Hadoop
ist eher geeignet, wenn die Daten in Batches
verarbeitet werden und historisch gespeichert
werden müssen. Häufig werden sowohl Hadoop als
auch NoSQL in derselben Architektur verwendet. Die
Integration der jeweiligen Big Data-Speicher in die
unterschiedlichsten Back-End-Anwendungen und
Datenbanken ist entscheidend, doch aller Voraussicht
nach werden auch neue Front-End-Anforderungen
auftreten. Verschiedene Nutzer von Kundenanalysen
erfordern unterschiedliche BI-Typen. Dazu zählen:
>Intuitive und anpassbare Dashboards für
Führungskräfte
>Anspruchsvolle und intuitive Slicing- und DicingTools für Analysten
>Verteilte Berichterstellungsfunktionen für die
gemeinsame Verwendung von Informationen in
Teams
>Tools für Data Mining und prognostische Analysen
für Datenexperten
>Analysen, die in operative Software wie CRM- und
Service-Anwendungen eingebettet werden können
Aus Perspektive der Technologiekompatibilität und
Lieferantenbeziehungen ist es sinnvoll, sich nach
Daten- und Analyseanbietern umzusehen, die die
meisten bzw. alle dieser Funktionen in einer
integrierten Plattform bereitstellen. Gleichzeitig sollte
eine Verpflichtung seitens der Anbieter bestehen, Big
Data-Integrationsfunktionen bereitzustellen, die sich
im Laufe der Zeit nahtlos in Technologieänderungen
integrieren lassen – wodurch die Neukonfiguration
einer Projektbereitstellung minimiert und die
Belastbarkeit maximiert werden kann. Die Fähigkeit,
sich verändernden Kundenbedürfnissen und
Datenarchitekturen zu begegnen, ist in einem
anspruchsvollen Projekt wie der 360-Grad-Analyse
von Kunden von großer Bedeutung.
Aus Perspektive der
Technologiekompatibilität
und Lieferantenbeziehungen
ist es sinnvoll, sich nach
Daten- und Analyseanbietern
umzusehen, die die meisten
bzw. alle dieser Funktionen in
einer integrierten Plattform
bereitstellen.
Konzepte für den Erfolg mit Big Data
PENTAHO 8
Daten monetarisieren
UM WAS GEHT ES UND WARUM
INVESTIEREN UNTERNEHMEN IN DIESE
OPTIMIERUNG?
Die Kosteneffizienz von Big Data und die Fähigkeit
zur Verarbeitung unterschiedlicher Datenstrukturen
eröffnet viele Möglichkeiten, das Hauptgeschäft eines
Unternehmens zu erweitern. Es bietet aber auch
das Potenzial zum Hinzufügen neuer strategischer
Einnahmeströme, die sich in vielerlei Hinsicht vom
Kerngeschäft unterscheiden. „Daten monetarisieren“
ist ein solcher Anwendungsfall – er ermöglicht den
Verkauf der Daten selbst.
Kunde (anonym)
Analyse
PDI
PDI
& Daten
Abrechnung
HadoopCluster
AnalyseDatenbank
Netz
Standort
Da Unternehmen in ihrem täglichen Geschäft
immer mehr und vielseitigere Daten sammeln,
steigt deren potenzieller Wert für Drittanbieter
zunehmend. In diesem Anwendungsfall werden die
Daten organisiert, aufbereitet und anonymisiert
(zwecks Datenschutz für die Personen oder
Unternehmen, von denen die Daten stammen),
bevor sie verkauft werden – in der Regel
an externe Auftraggeber aus dem Bereich
Marketing. Ein Telekommunikationsunternehmen
kann beispielsweise Standortdaten von
Mobiltelefonen zu verschiedenen Tageszeiten
sammeln und die erfassten Datasets an
ein Handelsunternehmen verkaufen, um
Geschäftsstandortentscheidungen zu unterstützen.
Daraus ergibt sich eine neue Einnahmequelle für
das Telekommunikationsunternehmen, da seine
Daten dem Handelsunternehmen, das bisher
althergebrachte Methoden verwendet hat, dabei
helfen, seine Kunden auf intelligentere Art und Weise
zu erreichen.
AUFBAU
Im Beispiel unten kombiniert ein
Telekommunikationsunternehmen demografische
und Mobilitätsdaten, um Drittanbietern unter
Nutzung von raumbezogenen Visualisierungen einen
spezialisierten Analysedienst bereitzustellen und das
Kaufpotenzial für den Einzelhandel zu ermitteln. Für
diesen Anwendungsfall wird eine Hadoop- und eine
Analysedatenbank verwendet.
KERNPUNK TE
Gartner sagt voraus, dass die Datenbestände
von Unternehmen im Jahr 2016 zu 30 Prozent
monetarisiert sein werden5 – dies stellt eine echte
Verkaufschance dar und die Nutzung der richtigen
Big Data-Tools und Ansätze kann dieses Potenzial
freigeben. Im Vergleich zu kostspieligeren Data
Warehouse-Lösungen können im Anwendungsfall
„Daten monetarisieren“ mit Hadoop als
Verarbeitungsplattform Kosten reduziert und höhere
Renditen erzielt werden (mindestens 5 bis 10 Mal
billiger pro TB, siehe „Data Warehouse-Optimierung“).
Rentabilität und Amortisierung werden mit den
Funktionen für die Big Data-Integration, für die
keine Programmierung erforderlich ist, und für
die Geschäftsanalysen weiter verbessert. Für
die Bereitstellung von Analysen als Dienst für
Drittanbieter ist möglicherweise die Einbettung
von Berichterstellungen und Visualisierungen in
eine dem Unternehmens-Branding entsprechende
Webanwendung erforderlich. Die offene Architektur
und die visuelle Flexibilität von Pentaho eignen sich
hervorragend für diesen Ansatz.
5Gartner, „Gartner sagt voraus, dass die Datenbestände von Unternehmen im Jahr 2016 zu 30 Prozent monetarisiert sind“, 2013.
Konzepte für den Erfolg mit Big Data
PENTAHO 9
Hauptsitz
Citadel International - Suite 340
5950 Hazeltine National Dr.
Orlando, FL 32822, USA
Tel.+1 407 812 6736
Fax+1 407 517 4575
Vertrieb (USA und weltweit)
353 Sacramento Street, Suite 1500
San Francisco, CA 94111, USA
Erfahren Sie mehr über
Pentaho Business Analytics
Tel.+1 415 525 5540
Gebührenfrei +1 866 660 7555
Vereinigtes Königreich, übriges
Europa, Naher Osten, Afrika
London, Großbritannien
Tel.+44 7711 104854
Gebührenfrei (UK) 0 800 680 0693
FR ANKREICH
Niederlassung - Paris, Frankreich
Tel.+33 97 51 82 296
Gebührenfrei (Frankreich) 0800 915343
DEUTSCHL AND, ÖSTERREICH, SCHWEIZ
Niederlassung - Frankfurt, Deutschland
Tel.+49(0)89 / 37 41 40 81
Gebührenfrei (Deutschland) 0800 186 0332
BELGIEN, NIEDERL ANDE, LUXEMBURG
Niederlassung - Antwerpen, Belgien
Tel.+31 6 52 69 88 01
Gebührenfrei (Belgien) 0800 773 83
Copyright ©2014 Pentaho Corporation. Weitergabe erlaubt. Alle Marken sind Eigentum der jeweiligen Inhaber.
Aktuelle Informationen finden Sie auf unserer Website unter pentaho.de. 14-033-v2
pentaho.de/contact
0800 186 0332