Als eines von 5 Merkmalen von Big Data steht “Value” für den Wert von Daten. Ein Wert aus Daten entsteht, wenn ein Unternehmen Daten optimierend oder innovativ einsetzen kann. Dabei gilt es, Anwendungsfälle zu identifizieren und mittels Data Analytics oder Data Mining diese Daten zu verarbeiten, um Information oder neue Geschäftsmodelle daraus zu generieren. Damit entsteht Big Data Value und eine neue Ära der Datennutzung.
Zusammenfassung des Artikels
- “Value” ist eines der Merkmale von Big Data und bezeichnet den Wert von Daten
- Wert kann durch das Generieren, Sammeln oder Auswerten von Daten entstehen
- Beispiele für Big Data Value sind umfassende Kundendaten, gecrawlte Daten oder Daten aus dem Bereich Internet of Things
Inhaltsverzeichnis
Die 5 Vs als Merkmale für Big Data
Um Big Data zu definieren werden üblicherweise 5 “Vs” genutzt: Volume (Menge), Velocity (Geschwindigkeit), Variety (Vielfältigkeit), Veracity (Qualität) und Value (Wert).
Big Data Volume: Die Menge an Daten
Wer das erste Mal “Big Data” liest, wird sofort an die Menge von Daten denken. Dies ist einer eindeutigsten Faktoren, wodurch sich Big Data von herkömmlichen Daten unterscheidet.
Für die Menge “Big” gibt es allerdings keine fixe Richtlinie, sondern es bezieht sich eher auf die Idee, dass die Datenmengen nicht mehr einfach verarbeitet werden können. Dies kann im einfachsten Fall die Datenmenge an sich sein, aber auch die Anforderungen von Algorithmen an Hardware und Software stossen gerne an Limits.
Daher ist “Volume” eines der zentrale Merkmale für Big Data.
Big Data Velocity: Schnelle Erzeugung und Änderung von Daten
Ein anderes Merkmal ist die Velocity, zu Deutsch die Geschwindigkeit mit der Daten erzeugt oder geändert werden. Früher war es üblich, dass angelegte Daten selten oder gar nicht geändert werden. Auch die Erzeugungsgeschwindigkeit war üblicherweise relativ gering.
Dieser Faktor hat sich mit neuen Technologien und Plattformen wie Sozialen Medien oder dem Internet der Dinge (IoT) erheblich geändert.
Daten werden heute in sehr großen Mengen generiert, geändert, angepasst und transferiert. Events – also kleine Nachrichten von Geräten – werden im Millisekundentakt generiert und benötigen ganz neue Software um erfasst und gespeichert zu werden. Daher ist die Datengeschwindigkeit (Velocity) ein weiteres prägnantes Merkmal für Big Data.
Big Data Variety: Unstrukturierte Daten haben ein hohes Potential
Als drittes Merkmal gilt die Varianz der Big Data-Daten. Während lange Zeit in Business Analytics nur strukturierte Daten verarbeitet wurden, sind diese Grenzen durch Big Data aufgebrochen worden. Nicht nur Daten-Tabellen werden verarbeitet, sondern auch andere Datentypen wie Bilder, Videos oder Text.
Die Big Data Variety stellt neue Herausforderungen an Software, Tools, Datenspeicherung und Analyse. Andererseits birgt sich auch sehr viel Information und Wissen in diesen unstrukturierten Daten. Zum Beispiel beinhaltet ein Bild eines Kunden oft mehr Information als jede Kundendatenbank. Daher sind Unternehmen sehr daran interessiert, diese neuen Arten von Daten auszuwerten.
Big Data Veracity: Sind die Daten vertrauenswürdig?
Neben den drei ersten Merkmalen für Big Data kamen zwei weitere hinzu. Das vierte Merkmal ist die Big Data Veracity. Hierbei stellt sich die Frage, welcher Herkunft und welcher Qualität die Daten sind.
Diese Fragen sind wichtig, da Daten nur sinnvoll und nachhaltig eingesetzt werden können, so sie zuverlässig sind. Wenn die Datenqualität fraglich ist oder unklar ist, wie die Daten generiert wurden, kann man diese nicht verlässlich zu Analysen einsetzen.
Für einen detaillierten Artikel zum Thema Big Data Veracity siehe unser Artikel “Big Data Veracity: Was ist das? Definition und Beispiele”.
Big Data Value: Der Wert der Daten
Das fünfte Merkmal ist das Big Data Value, also ob und wenn ja, welchen Wert die Daten haben. Dieses Merkmal möchten wir in den nächsten Abschnitten ausführlich definieren und anhand von Beispielen erklären.
Das fünfte V: Big Data Value
Big Data Value, zu Deutsch “Der Wert der Daten”, ist das fünfte Merkmal von Big Data. Man bezeichnet damit pauschal, ob Daten einen Wert besitzen und falls, welchen. Dabei ist nicht notwendigerweise der rein monetäre Wert gemeint, sondern vor allem der inhaltliche: Welche Erkenntnisse können wir aus den Daten ziehen?
Einfach gesagt ist die Idee, dass nebst anderer Merkmale wie die Menge an Daten, deren Inhalten und Qualität, man sich auch die Frage stellen soll, ob die Daten einen Wert für das Unternehmen oder die Organisation haben.
Welche Arten von Wert kann man Daten zuweisen?
Der offensichtlichste Wert von Daten ist der, der alleine durch den Besitz der Daten generiert wird. Dies sind vor allem Daten, die so selten sind, dass sie einen Wettbewerbsvorteil verschaffen oder verkauft werden können.
Als Beispiele gelten besonders industriespezifische Daten, gecrawlte Daten (z.B. Google), besondere Kundendaten (z.B. Kontodaten) oder Gerätedaten (z.B. Fertigungsmaschinen). Jeder dieser Datenbestände hat einen intrinsischen Wert, da er gesammelt und aggregiert wurde.
Ein weiterer Wert, der für die meisten Unternehmen zutreffen dürfte, sind Daten die bei Auswertung erlauben Prozesse zu verbessern. Hierbei wird meistens mittels Datenanalyse und Data Mining Information aus den Daten extrahiert und dann den Fachexperten der Abteilungen zur Verfügung gestellt.
Daten zur Verbesserung betreffen so ziemlich alle operativ generierten Daten wie zum Beispiel aus dem CRM (Kundendaten), aus einem Service-System, aus dem ERP, Webanalytics und viele mehr. Alle diese Datenquellen bilden ein Bruchstück des Verhaltens von Menschen und Maschinen ab; folglich erlaubt eine Auswertung, diese besser zu verstehen.
Der dritte Wert sind Daten die im Zuge der digitalen Transformation für neue Geschäftsmodelle eingesetzt werden können. Hier verwertet man Daten auf eine Art und Weise, die Innovation schafft. Meistens mittels künstlicher Intelligenz und Machine Learning werden Vorhersagen oder Zugehörigkeiten bestimmt, die als Produkt oder Service zu etablieren sind.
Es können alle Daten in diesen Bereich fallen, haben jedoch meist zur Prämisse, dass sie geschickt ausgewertet werden. Sogar öffentlich zugängliche oder einkaufbare Daten können verwertet werden, so dass sie mehr als nur den Datenwert besitzen.
Sind Daten ohne “Wert” wertlos?
Somit stellt sich im Umkehrschluss die Frage, ob Daten ohne direkt erkennbaren “Big Data Value” auch wertlos sind und somit ggf. gelöscht oder gar nicht erst erfasst werden sollen.
Dem ist natürlich zu widersprechen. Man weiß nicht vorab, welche Daten welchen Wert bedeuten können. Wichtig ist es hingegen, Daten unabhängig von ihrem Inhalt nutzbar zu machen indem zum Beispiel die Datenqualität hoch gehalten wird und ein Datenkatalog gepflegt wird.
Der Unterschied ist, dass manche Daten bereits inhärent Wert produzieren können, andere hingegen (noch) nicht. Bei diesen gilt es dann, entweder später wertvolle Analysen oder Einsatzzwecke zu identifizieren.
Wie kann man den Wert messen?
Bleibt die Frage, wie man den Wert von Daten messen kann. Generell gibt es selbstverständlich keine Metrik, auf der man Big Data Value angeben kann. Eine einfache Methode hingegen ist, sich zu überlegen, in welchen Anwendungsfällen man vorliegende Daten einsetzen kann. Findet man problemlos mehrere Use Cases bei denen diese Daten eine Rolle spielen können, haben sie auch einen Wert.
Möchte man diesen grundsätzlichen “Einsatzwert” noch verstärken, kann man noch weitere Metriken wie zum Beispiel Einzigartigkeit, Innovationspotential, Auswertungsschwierigkeit, Menge und Qualität der Daten in Betracht ziehen. Somit wird schnell klar, welches Value die Daten besitzen.
Beispiele für wertvolle Daten: Big Data Value in der Praxis
Beispiel 1: Unternehmenseigene Kundendaten
Ein umfassender Wissensstand über die eigenen Kunden ist einer der größten Wettbewerbsvorteile die ein Unternehmen erlangen kann. Schon bei sehr grundständigen Daten wie die Adresse, Bestellhäufigkeit, Kategorienutzung, Newsletterinteraktion kann durch eine umfassende Analyse eine starke Verbesserung von Marketingmaßnahmen, Service und Produktpalette erreicht werden.
Das wohl einfachste Beispiel ist die Einteilung von Kunden in Kundengruppen (z.B. mittels Clustering), um diese dann mit individuellen Newslettern anzusprechen. Ob nun Kategorie-spezifisch oder Preissegmente: Wer die Bedürfnisse der Kunden besser versteht und darauf eingeht, kann auf erhöhte Loyalität und Konvertierung hoffen.
Besonders attraktiv wird die Arbeit mit Kundendaten selbstverständlich, wenn man Advanced Analytics einsetzt, um zum Beispiel Vorhersagen (z.B. Lifetime Value oder Kundenabwanderung) zu generieren, Pricing anzupassen oder Prozesse zu optimieren. Alles was hilft, um a) Kunden besser zu verstehen und b) sein Unternehmen kundenzentrierter auszurichten, hat einen großen Wert.
Beispiel 2: Crawler für Websites oder Social Media
Während fast alle Unternehmen Kundendaten haben, haben die wenigsten gecrawlte Daten. Ein Crawler durchforstet das Internet (oder nur bestimmte Webseiten) und extrahiert Information. Entweder die gesamte Website (wie zum Beispiel Google) oder nur spezifische Informationen (wie zum Beispiel Pricing-Software). Dadurch wird ein großer Datenbestand angehäuft, der sich meist um ein spezifisches Thema dreht.
Warum sind diese Daten wertvoll, wenn sie doch online frei verfügbar sind? Die Extraktion, sinnvolle Erfassung und Speicherung der Daten (z.B. in einem Data Warehouse) hat den großen Vorteil, dass sie einfach und effektiv analysiert werden können. Vor allem wenn man bedenkt, dass ein Crawler meist nicht nur Daten von einer Website 1 zu 1 kopiert, sondern beispielsweise Statements aus allen Social Media Quellen zusammenführt.
Das dadurch entstandene Kompendium an strukturierten und unstrukturierten Daten hat einen eigenen Wert: Man ist nicht mehr auf manuelle Arbeit über mehrere Applikationen und Kanäle angewiesen, sondern kann sich auf die Schaffung von Wert durch Automatisierung und Machine Learning konzentrieren. Ob nun Visualisierung, Sentiment-Analyse oder der Einfluss auf Umsatzzahlen: Es gibt viele Anwendungsfälle, wofür gecrawlte Daten eingesetzt werden können und werden.
Beispiel 3: IoT – Das Internet der Dinge
Ein weiteres Beispiel für Daten mit besonderem Wert sind Daten aus dem Internet of Things. Diese meist nur unternehmensintern vorhandenen Daten zeichnen den Zustand und die Interaktion von sogenannten Edge Devices – also elektronischen Geräten auf. Beispiele hierfür sind Kühlschränke, Staubsauger-Roboter, Maschinensensoren, Automobilmessgeräte. In jedem Fall übermitteln diese Geräte über das Internet Daten vom Zustand, von der Umgebung und/oder wie Nutzer oder Mitarbeiter damit interagieren.
Durch diesen Datenbestand ergibt sich eine unglaublich nahe Interaktion mit Mensch und Umgebung der IoT-Devices. Wo sie sind (geographische Daten), wie sie genutzt werden (Interaktionsdaten), wie ihr Zustand ist (Sensorik) und vieles mehr kann aufgezeichnet, gesendet und ausgewertet werden.
Analysen basierend auf IoT-Daten führen dann zu sehr intensiven Erkenntnissen wie Geräte eingesetzt werden, weshalb Maschinen oder Haushaltsgeräte kaputt gehen und ob die Entwicklung alle Szenarien in der Produktkonzeption bedacht hat. Folglich erlangt man umfangreiches Wissen wie man Produkte verbessern oder auch die Daten monetarisieren kann. Dies bildet die Grundlage für analoge wie auch digitale Innovation und entspricht damit eindeutig dem Big Data Value.
Wie Kobold AI aus Daten Mehrwert schafft
Während der Einsatz von künstlicher Intelligenz sehr aufwendig und kostenintensiv wirkt, muss das nicht sein. Unserer Plattform Kobold AI hat zum Ziel, KI für Nicht-Experten zugänglich zu machen. Wir bieten KI-Produkte die einfach online bestellt und mit eigenen Daten angereichert werden können.
Mehr Infos in unserem Info-Video zum Thema Self-Service KI-Produkte:
Fazit von “Big Data Value” in Unternehmen
Einfach gesagt steht das Big Data Merkmale “Value” für den Wert von Daten. Ob nun Wert durch die Einzigartigkeit der Daten, Wert durch die Möglichkeiten zur Verbesserung von Prozessen und Wissen oder Innovationsgehalt: Es gibt viele Gründe, weshalb Daten einen Wert beinhalten.
Das soll nicht heissen, dass blind Daten erzeugt und gespeichert werden sollen. Es sollte am Horizont immer Möglichkeiten zur Auswertung und zum Einsatz der Daten geben. Dennoch ist es heute so, dass Speicherplatz sehr günstig ist; und langjährige Datensammlungen meist einen sehr hohen Wert generieren können.
Von daher sollte jedes Unternehmen sehr explizit überlegen, welche Daten es generieren kann, welche Daten es akquirieren sollte und wie die Datenstrategie gestaltet werden muss, um die Digitale Transformation voran zu treiben.