Was kann man alles mit Big Data anfangen?

Big Data ist ein Begriff, mit dem viele der heutigen Tech-Entscheider wahrscheinlich aufgewachsen sind. Vor zwanzig Jahren galt dieser Ansatz noch als einer der Höhepunkte der Entwicklung der Technologie, von dem damals nur die größten Unternehmen profitieren konnten. Aber in der Welt der aktuellen Datenmengen oder des Data Stack können sogar Start-ups ihr Wachstum mit Big Data vorantreiben.

Stefan Käser, Solution Architect bei DoubleCloud, erklärt was es mit Big Data auf sich hat und wo die ganz praktischen Einsatzfelder liegen. DoubleCloud aus Berlin ist ein junger Anbieter eines modernen Data-Stacks für End-to-End-Analytik.

„Big Data kann definiert werden als die Summe komplexer Datensätze, die so umfangreich sind, dass herkömmliche Software für Datenverarbeitung sie oft nicht mehr auf einfache Weise verarbeiten kann. Doch wenn sie richtig eingesetzt werden, können diese umfangreichen Datenmengen für etablierte Unternehmen und auch für Start-ups von unschätzbarem Wert sein, wenn es darum geht, Probleme zu lösen, von denen sie vorher selbst vielleicht keine direkte Ahnung gehabt hatten.

Man denke zum Beispiel an eine Website für E-Commerce: Sie muss in der Lage sein, potenziellen Kunden die richtigen Inhalte, Produkte und Angebote zu empfehlen, und zwar auf der Grundlage ihrer bisherigen Interessen und Erfahrungen. Man sollte berūcksichtigen, was sich diese Kunden zum Beispiel in den sozialen Medien und im Internet angesehen haben. Aber das Erfassen, Kategorisieren und Verwenden der damit zusammenhängenden Daten ist bisher eher eine schwer zu bewältigende Aufgabe gewesen. An dieser Stelle kommt Big Data ins Spiel.

Was kann Big Data leisten?

Als Teil einer effizienten, modernen Datenschicht, die für die Verarbeitung großer Datenmengen ausgelegt ist, gibt es eigentlich nicht viel, was ein Unternehmen mit Big Data nicht tun könnte. Der entscheidende Punkt dabei ist natürlich, zuerst die richtige Datenarchitektur zu schaffen, um diese Mengen an Rohdaten zu unterstützen. Aber wenn diese Architektur erst einmal geschaffen ist (und das ist mit der richtigen Hilfe viel einfacher, als man vielleicht annehmen sollte), gibt es nicht viel, was Big Data nicht tun kann.

1. Predictive Modeling mit Big Data

Vorausschauende Modellierung (Predictive Modeling) ist eine bedeutende Anwendung von Big Data, erfordert aber nicht nur eine große Menge an Informationen, sondern auch viele unterschiedliche Arten von Informationen, um erfolgreich zu sein. Kurz gesagt besteht dieser Ansatz darin, alle gespeicherten Daten zu verwenden, um virtuelle Simulationen durchzuführen und mögliche Ergebnisse vorauszusagen. Wenn Data Scientists diese Modelle nutzen, können sie damit beginnen, Ausgangsvariablen zu beeinflussen, um bessere Vorhersagen zu treffen und eventuelle, optimale Lösungen zu erstellen.

Zum Beispiel wird die Ausführung von „X“ und anschließend von „Y“ wahrscheinlich in „XY“ resultieren, aber wenn man die Ausgangsvariablen ändert, kann man sehen, dass man vielleicht „XX“ erreicht, wenn man „X“, „Y“ und „XY“ gleichzeitig ausführt. (Wenn das zunächst keinen Sinn ergibt, liegt das auch daran, dass es vage ausgedrückt ist. Was man ausführt und was man ändert, hängt stark von den eigenen geschäftlichen Anforderungen ab.)

Die Verwendung von Predictive Modeling (manchmal auch als Predictive Analytics bezeichnet) verschiebt ein Unternehmen weg von reaktiven Prozessen hin zu einer wesentlich proaktiveren Haltung. Je umfassender und integrativer die eigene Modellierung von Daten ausfällt, desto nützlicher wird das endgültige Modell aussehen. Aus diesem Grund ist es so wichtig, eine wirkungsvolle Architektur einzurichten, damit man die anfallenden Datenmengen schnell, kostengünstig und effizient verarbeiten kann.

2. Die Cyber Security mit Big Data verstärken

Big Data und Cyber Security sind vielleicht keine Begriffe, die man automatisch miteinander in Verbindung bringt, aber wenn so viele Informationen gesammelt werden, muss man sicherstellen, dass sie auch ordentlich abgespeichert werden.

Aber wie genau soll das funktionieren? Vielleicht so: Die Informationen, die mit Big Data gesammelt werden, können auch dazu verwendet werden, die eigene Cyber Security gegen mögliche oder künftige Angriffe zu stärken. Wer bereits als CISO unterwegs ist, weiß wahrscheinlich genau, dass eines der größten Sicherheitsprobleme darin besteht, dass man nie ganz sicher sein kann, wann ein Malware- oder Ransomware-Angriff tatsächlich losgeht.

Wurde die eigene Hardware bereits in Mitleidenschaft gezogen? War man von einem DOS-Angriff betroffen? Sind die Mitarbeiter im Unternehmen bereits das Ziel von Phishing- oder Social-Engineering-Betrügereien geworden?

Wie könnte man solche Ereignisse oder Trends auch nur annähernd vorhersagen oder erkennen? Der Einsatz von Big Data mag zwar praktisch und hilfreich sein, um die Vorbereitung eines Unternehmens in Sachen möglicher Attacken zu testen, aber richtig zur Geltung kommt diese Technologie erst dann, wenn man sie mit ein wenig ML/AI kombiniert.

Je schneller ein Angriff identifiziert werden kann, desto schneller können die richtigen Schritte eingeleitet werden, um ihn zu neutralisieren. Big Data ist von unschätzbarem Wert, wenn es darum geht, diese Schritte zu automatisieren und Verhaltensweisen anhand historischer Aufzeichnungen und Echtzeitdaten zu identifizieren, um genau festzustellen, was “normal” ist und was nicht und was gegen solche Vorkommnisse unternommen werden muss.

3. A/B-Tests in Echtzeit

Eines der Dinge, die man bei Big Data immer zu vergessen scheint, besteht darin, dass es mit der richtigen Architektur einfacher ist, damit Geschwindigkeiten unter einer Sekunde zu erreichen. Hat man das in die Praxis umgesetzt, erweist es sich als sehr nützlich für A/B-Tests in Echtzeit – also für eine Testmethode zur Bewertung zweier Varianten eines Systems, bei der die Originalversion gegen eine leicht veränderte Version getestet wird. Start-ups brauchen immer solche Verfahren, um Szenarien und Hypothesen zu testen oder Botschaften zu ändern, um sich zum Beispiel den Marktbedingungen anzupassen.

Mit der geeigneten Menge an Daten und einer sehr schnellen Architektur können Unternehmen leicht vergleichen, was sie über ihre Kunden zu wissen glauben, und was tatsächlich in Echtzeit passiert. Auf diese Weise können sie Landing Pages, Capture-Formulare und Nachrichten optimieren, um die besten Ergebnisse zu erzielen. Man kann dies am Beispiel der Homepage von Amazon gut beobachten: Zu einem beliebigen Zeitpunkt können über 200 verschiedene Versionen live sein, die auf der Grundlage umfassender A/B-Tests und personalisierter Präferenzen für Klicks und Verkäufe optimiert werden.