Big Data Analytics

Warum Big-Data-Projekte rote Zahlen schreiben

01. September 2016
Rüdiger Eberlein ist Berater und Architekt bei Capgemini. Er unterstützt seit mehr als 20 Jahren Unternehmen aus verschiedensten Branchen dabei, Geschäftsnutzen aus Big Data Analytics und Business Intelligence zu ziehen. Gemeinsam mit den Unternehmen erarbeitet er Strategien und identifiziert innovative Business Use Cases für Big Data Analytics als wichtigen Enabler der Digital Transformation.
Immer wieder scheitern Unternehmen daran, ihre Big-Data-Vorhaben erfolgreich umzusetzen. Um das zu vermeiden, gilt es vier Stolperfallen zu beachten.

15 Prozent der Big-Data-Projekte in Europa sind kommerziell nicht erfolgreich, so die Ergebnisse der Studie "The Big Data Payoff" von Capgemini und Informatica. Aber was genau bedeutet das? Der Hype um Big Data und Analytics hat sich inzwischen gelegt. Viele Unternehmen haben es ausprobiert, einige auch schon erfolgreich umgesetzt. Andere sind auf die Nase gefallen und haben ihre Lektionen gelernt. Doch warum bleibt trotz der großen Ambitionen in Sachen Big Data noch immer jedes sechste Projekt unprofitabel?

Wie profitabel sind Big-Data-Initiativen?
Wie profitabel sind Big-Data-Initiativen?
Foto: Capgemini

Grund Nr. 1: Das Projekt ist nicht vom Fachbereich initiiert

Meist initiiert die IT die Projekte. Aber Big DataBig Data und Analytics sind zwei Seiten derselben Medaille. Initiator für das Vorhaben muss der Fachbereich mit seinen strategischen Geschäftszielen sein – er steht für den Part Analytics. Die Rolle der IT ist die des Inspirators, sie muss das Projekt ermöglichen. Es bringt wenig, einfach eine technische Big-Data-Plattform, wie beispielsweise Hadoop oder MongoDB, bereitzustellen. Am Anfang steht immer das Identifizieren und Priorisieren analytischer Anwendungsfälle, die konkrete Insights liefern: für die Kundeninteraktion, den Prozessablauf, die Wettbewerbssituation am Markt oder andere fachliche Bereiche. Projektleiter sollten Big-Data-Projekte immer mit diesem Schritt starten. Alles zu Big Data auf CIO.de

Grund Nr. 2: Manager verfolgen zu lange nicht-tragfähige Anwendungsfälle

Nicht jeder Big-Data-Anwendungsfall kommt zum Fliegen. Häufig reichen die Qualität oder Breite der Daten nicht aus. Möglich auch, dass der angedachte Analytics-Ansatz nicht überzeugt. Die Data Scientists melden dann: "Das gefundene Prognosemodell ist nicht hinreichend signifikant oder akkurat." Ändern lässt sich das nicht. Die Antwort auf das Problem heißt hier: "Fail fast!" Versteifen Sie sich nicht auf einen einzigen analytischen Anwendungsfall, sondern verfolgen Sie besser von vornherein mehrere Kandidaten. Das weitere Vorgehen hängt dann stark davon ab, ob die Idee eines Anwendungsfalls trägt oder nicht. Das gilt es rasch zu ermitteln, meist mittels eines Proof of Concepts. Statt Angst vor dem Versagen eines einzelnen Anwendungsfalls zu haben, sollte das Credo der Initiative sein, die tragfähigen Anwendungsfälle möglichst schnell herauszufinden.

Grund Nr. 3: Die Infrastruktur ist oft nicht flexibel genug verfügbar

Für einen Fail-Fast-Ansatz braucht die IT eine Infrastruktur, die sie für einen Anwendungsfall sehr schnell und mit geringen Investitionskosten bereitstellen kann. Dafür sind die IT-Infrastrukturen in klassischen Unternehmen in der Regel aber gar nicht ausgelegt. Deren Maxime sind Verfügbarkeit, Qualitätssicherung und Verlässlichkeit für einen lang laufenden Betrieb von Anwendungen. Aus diesem Grund ist es wichtig, für Big-Data-Analytics-Anwendungsfälle die verschiedenen Optionen zum Arbeiten in der Cloud zu prüfen. Auch das Problem der fehlenden Fertigkeiten rund um den Betrieb neuer Big-Data-Plattformen lässt sich dabei verringern. Denn die bringt der Betreiber selbst mit.

Grund Nr. 4: Operationalisierung von Big Data Analytics

Einen Proof of Concept zum Erfolg zu bringen, schaffen noch die Meisten. Ungleich schwerer ist der Schritt hin zur letztlichen Implementierung des Anwendungsfalls in der IT-Anwendungslandschaft und der nachhaltigen Verankerung in den Geschäftsprozessen. Häufig bedenken Projektleiter den Aufwand für diesen Schritt der Operationalisierung nicht. Mitunter eignen sich die Werkzeuge und Plattform des Proof of Concept nicht für den laufenden Betrieb.

In der Regel lohnt sich ein Anwendungsfall finanziell erst, nachdem er in den produktiven Alltag überführt ist. Unternehmen sollten daher einen ganzheitlichen Prozess zur Umsetzung von analytischen Anwendungsfällen schaffen, der von der Idee über den Proof of Concept bis zum Betrieb reicht. Weiterhin sollten sie neben agilen Plattformen für die Entwicklung von Anwendungsfällen separat eine betriebsfähige Plattform etablieren. Sie dient dann dem Betrieb aller Anwendungsfälle.

Kurzum: Sollen Big-Data-Vorhaben profitabel laufen, dann muss zumindest zu Beginn der Fachbereich maßgeblich führen. Am Ende liegt es in den Händen der IT, den erfolgreichen Anwendungsfall auch produktiv zu betreiben. Und zwischendrin gilt es einige Anwendungsfälle von der Liste zu streichen, weil sie sich als nicht tragfähig erwiesen haben.

Zur Startseite