Google weiß schon Wochen vorher, wann eine Grippewelle anrollt. Spezialisten sagen voraus, wer der nächste amerikanische Präsident wird und dass die Dänin Emmelie de Forest auf dem Siegertreppchen des European Song Contests stehen wird. Autos und ganze Städte werden immer smarter, Werbung passt zielgenau zu den eigenen Vorlieben. Hinter all dem steckt Big Data.

„Big Data“ ist einer der großen Begriffe der letzten Jahre. „Big“ deshalb, weil die Daten in solch großen Mengen und aus so vielen unterschiedlichen Quellen auftauchen, dass sie mit bisherigen Methoden nicht mehr gespeichert, gesiebt, verarbeitet und analysiert werden können. Erhebungen zufolge verdoppelt sich das Volumen unserer Daten alle zwei Jahre. Gigabytes war gestern, heute sprechen wir von Terabytes, Petabytes und Exabytes.

Gesammelt werden schon heute Daten zu Umwelt, Versicherungen, medizinischen Untersuchungen, Finanz-Transaktionen, Einkäufen, Benzinverbrauch, Verkehr – erhoben durch unzählige technische Geräte, Sensoren und vor allem unsere Tätigkeiten im Internet von der Google-Suche bis zum iTunes-Kauf. Allein die Erfassung von Handy-Daten samt Geo-Lokalisierung, Adressbuch- und Kalenderdaten ist enorm. Viele sprechen von Daten als einem neuen Rohstoff, der im Überfluss produziert wird.

Vor allem die mittlerweile geringen Speicherkosten und verbesserte Rechenleistung machen es einfach, Daten zu sammeln und abzulegen. Die Herausforderung wird darin bestehen, aus dem Berg an strukturierten und unstrukturierten Daten wertvolle Informationen und Erkenntnisse abzuleiten. Die neuen, exorbitant großen Datenmengen erfordern neue Methoden und Tools, ansonsten bleiben sie nutzlos. Wann immer von „Big Data“ gesprochen wird, sind also auch entsprechende Speicherungs- und Analyse-Technologien gemeint.

Profitieren können alle Branchen: Schon jetzt werden Brücken, Flugzeugturbinen, Eisenbahnwaggons mit entsprechenden Sensoren ausgestattet. Die daraus gewonnenen Daten und Erkenntnisse helfen etwa dabei, Brücken bei nahenden Schiffen automatisch hoch- und runterfahren zu lassen, den Kerosinverbrauch von Flugzeugen zu verringern, einen optimalen Standort für Windenergie-Projekte zu finden oder Vorhersagen über drohende Seuchen, Hungerkatastrophen oder Veränderungen am Finanzmarkt zu machen.

Nicht mehr wegzudenken sind in diesem Zusammenhang Algorithmen, denn nur sie schaffen es, Licht ins Datenchaos zu bringen. Sie spüren interessante Zusammenhänge, Übereinstimmungen sowie Abweichungen auf, aus denen sich Ergebnisse ableiten lassen. Sie helfen, die Nadeln im Heuhaufen zu finden, mit denen sich dann etwas anfangen lässt.

Die Vorreiter Google und Facebook schöpfen die Potenziale, die sich durch Big Data ergeben, schon stark aus. Von den Möglichkeiten der zwei Branchenriesen, das Nutzerverhalten zu tracken, profitieren auch die Werbetreibenden, da die Performance ihrer Anzeigen ständig angepasst und verbessert wird. In einer Studie der University of Cambridge über Facebook „Likes“ kam heraus, dass schon wenige Daten eines Menschen ausreichen, um zahlreiche Eigenschaften und Verhaltensweisen „vorherzusagen“ [1]. Und Google gelingt es gar, Grippewellen allein aufgrund der Sucheingaben vorauszusehen.

Aber auch Startups zeigen bereits auf, was in den kommenden Jahren dank Big Data möglich sein wird. So verweist Robert Scoble im Porträt auf S. 34 auf das US-Startup Uber [2], mit dessen Hilfe Nutzer Limousinen als Taxi mieten können. Das Unternehmen sieht auf einen Blick den gesamten Fahrzeugbestand auf einem kleinen Smartphone-Display und wer in welchem Fahrzeug sitzt; Nutzer wiederum sehen in Echtzeit das Taxi, das sich auf sie zubewegt, und bekommen nach Eintreffen automatisiert eine SMS zugeschickt.

Auch das australische Startup Kaggle [3] setzt bei seinem Konzept auf die neuen Potenziale von Big Data und verknüpft sie mit Crowdsourcing. Über die Plattform können Unternehmen wie zum Beispiel IBM oder Nasa Problemstellungen veröffentlichen, die dann als hochdotierte Wettbewerbe ausgeschrieben werden. Meist geht es dabei darum, einen passenden Algorithmus zu finden, um damit aus der vorhandenen Datenbasis bestimmte Fragestellungen zu beantworten oder Prognosen (Predictive Modeling) abzuleiten.

Ein deutsches Startup aus dem Gesundheitsbereich ist Soma Analytics [4]. Die Smartphone-App will ein Frühwarnsystem für Stress liefern und damit eine Präventionshilfe für Burnout und Depressionen. Dafür sammelt die Anwendung unterschiedlichste Daten und misst beispielsweise die Stimmhöhe bei Telefonaten, die Motorik beim Tippen von SMS und die Schlafqualität, sofern Nutzer ihr Smartphone mit ins Bett nehmen. Mit einer Fülle von Daten erhebt die Anwendung das aktuelle Stresspotenzial seiner Nutzer.

Überhaupt landet man aktuell schnell bei Gesundheits-Apps und Tools, wenn man von interessanten Big-Data-Anwendungen spricht. Nicht mehr wegzudenken sind in diesem Zusammenhang Fitness-Tracker wie das Armband Jawbone Up oder Fitbit Flex, die eine Vielzahl an Daten analysieren wie Schrittanzahl, Schlafgewohnheiten, Gewicht, Nährwerte von Lebensmitteln und Sportaktivitäten, um daraus individuelle Angaben und Tipps zu ermitteln. Viele Menschen treffen sich bereits in zahlreichen Städten zu „Quantified Self“-Meetups, wo sie sich über Erfahrungen mit Self-Tracking-Lösungen austauschen und informieren.

An sich ist das Sammeln und Auswerten von Daten keine Neuheit. Auch jetzt schon lassen Unternehmen Daten in Datenlagern, sogenannten Data-Warehouses, sammeln und auswerten. Business Intelligence, also die elektronische und systematische Analyse von Daten, wird seit den Neunzigern von vielen großen Unternehmen genutzt. Was also ist das Neue an Big Data?

IBM beschreibt drei Charakteristiken für Big Data: Umfang, Vielfalt und Geschwindigkeit [5]. Umfang, weil die neuen Datenmengen – „Twitter allein generiert täglich über sieben Terabytes (TB) an Daten“ – mit traditionellen Systemen für Business Intelligence nicht mehr gespeichert werden können. Vielfalt, weil Big Data Daten aus allen erdenklichen Quellen miteinschließt und nicht nur bestimmte, strukturierte Datensätze – darunter das gesamte, rohe Datenmaterial unserer Internet-Tätigkeiten von der Transaktion über Postings in Sozialen Netzwerken bis hin zu eingestellten Bildern und Videos. Und Geschwindigkeit, weil Daten heute als beständiger Fluss hereinkommen und praktisch in Echtzeit gespeichert, verarbeitet und ausgewertet werden müssen, um so stets aktuelle Ergebnisse zu liefern. Echtzeit-Daten-Streaming heißt die Devise. Im Vergleich dazu bleiben die Ergebnisse von Data Warehouses eher grob und einseitig, die längeren Reaktionszeiten sind ein weiterer Nachteil. Im Detail besteht der Nutzen von Big Data für Unternehmen in folgenden Punkten:

Gründer und Entscheider sollen auf der Basis von Big-Data-Echtzeit-Analysen eine bessere Grundlage für ihre Geschäftsentscheidungen bekommen, zum Beispiel weil sie rechtzeitig über Veränderungen am Markt und bei den Kundenbedürfnissen Bescheid wissen. So prognostiziert zum Beispiel das Hochzeits-Portal TheKnot.com anhand der über 400 Millionen angeschauten Hochzeitskleider von Besucherinnen, welche Modelle in Zukunft am beliebtesten sein werden. Aber mehr noch: Anhand von Kreditkartendaten ließen sich laut Plattform sogar Scheidungswahrscheinlichkeiten berechnen [6].

Big-Data-Analysen helfen dabei, Schwächen der eigenen Produkte oder Services schnell zu identifizieren und zu optimieren. So lassen sich zum Beispiel leicht Stimmungen zu einem Produkt oder Unternehmen aufspüren und Postings oder Kommentare von Kunden auswerten. Die Datenanalyse aus sozialen Medien zeigt auf, „was in tausenden Blogs und Foren sowie auf Twitter und auf Facebook über uns gesprochen wird. Dabei bewertet eine künstliche Intelligenz diese Inhalte und stellt beispielsweise dar, ob die Diskussion gerade gut, neutral oder schlecht für uns läuft“, berichtet Ferdinand von Reinhardstoettner, Social-Media-Manager bei Telefónica Deutschland, bei espresso digital [7]. Big Data hilft auch beim Verstehen von Zusammenhängen und wird zum Beispiel im Supply-Chain-Management angewandt, um zu verstehen, warum die Defekt-Raten eines Herstellers auf einmal nach oben schnellen.

Das Einbeziehen von relevanten Informationen über Kunden und Nutzer in Echtzeit führt dazu, dass Produkte immer stärker für den einzelnen Kunden individualisiert werden können. Dies geschieht schon stark im Bereich Versicherungen und Gesundheit. So ermittelt beispielsweise die Climate Corporation in den USA über ein Sensoren-Netzwerk Temperatur-, Niederschlags-, Bodenfeuchtigkeits- und Ertragsdaten und bietet Millionen von US-Farmen entsprechend der individuellen Risiko-Prognosen entsprechende Versicherungskonditionen an. Auch personalisierte Gesundheitsberatung, verhaltensbasierte Energieberatung und Assisted Finance für individuelle Finanzziele sind keine Zukunftsmusik mehr.

Über Daten aus den Sozialen Medien können Unternehmen heute detailreiche Informationen über ihre Kunden und Nutzer bekommen – und so besser zielgruppengerechtes Marketing betreiben. Beim Kampagnenmanagement beispielsweise werden Millionen Daten aus den Sozialen Medien mit einbezogen und auf bestimmte Schlagworte hin analysiert, darunter sogar Video- und Audio-Dateien. Außerdem kann Big Data dazu dienen, Kunden beim E-Mail-Dialog-Marketing vor Spam- und vor allem Phishing-Mails zu schützen – gerade letztere umgehen oft die üblichen Spam-Filter. So entwarf zum Beispiel der Anbieter fun communications für einen kommerziellen E-Mail-Versender auf Basis von Big-Data-Analysen von Phishing-Mails einen Dienst, der es E-Mail-Empfängern extrem erleichtert, die berüchtigten Mail-Duplikate zu erkennen. Klassische Datenbanken waren bei der Analyse von über einer Milliarde Ereignissen pro Monat an ihre Grenzen gestoßen. Auch Kündigungen von Angeboten lassen sich voraussehen und darauf reagieren, bevor die Kunden tatsächlich gekündigt haben.

Die Analyse von Daten trägt dazu bei, den Vertrieb und die Logistik eines Unternehmens zu verbessern, indem zum Beispiel Transporte, Beladungen und Routen besser geplant werden. Sensoren geben über den Wartungszustand von Maschinen und Geräten Auskunft und sehen technische Ausfälle voraus. Der Big-Data-Spezialist Blue Yonder ermittelte zum Beispiel für den Drogeriemarkt dm die perfekte Mitarbeiter-Anzahl für die unterschiedlichen dm-Filialen und sagte voraus, an welchen Tagen bestimmte Produkte besser verkauft werden als an anderen und mit welchen Faktoren dies zusammenhängt (Stichwort „Predictive Analytics“) [8].

Eine Schwierigkeit, die den Siegeszug von Big Data in Unternehmen noch verhindert, sind die neuen technischen Anforderungen, die sich daraus ergeben. Die Möglichkeiten von Big Data im eigenen Unternehmen einzusetzen, erfordert nicht nur neue Software, sondern auch neue Anforderungen an IT-Fachkräfte und die IT-Infrastruktur. Die Echtzeit-Analyse von Daten ist eine große Herausforderung. Eine der Kernkompetenzen besteht darin, Big Data sinnvoll zu visualisieren, ansonsten werden sich Entscheider aufgrund der Masse an Daten in irrelevanten Details verlieren oder sogar auf scheinbare Widersprüche stoßen. Verdichtung, Vereinfachung und Visualisierung sind entscheidend. Auch entstehen Kosten durch neue Hard- und Software sowie das Anwerben oder Ausbilden entsprechender IT-Kräfte. Schulungen und Ausbildungen zum „Big-Data-Analysten“ werden zum Beispiel von den Herstellern SAS und EMC angeboten, genauso wie von IBM, HP und Oracle. Allerdings werden dabei meist die eigenen Big-Data-Lösungen behandelt, es gibt bisher kaum herstellerneutrale Angebote.

Es muss jedoch nicht gleich die große, interne Lösung sein, für die IT-Spezialisten benötigt werden. Gründer müssen nicht erst SQL lernen oder sich mit dem Java-Framework Hadoop beschäftigen. Einzelunternehmer und kleine bis mittelständische Unternehmen können auch auf die Hilfe von Startups zugreifen, die sich dem Thema Big Data verschrieben haben. Verschiedenste Analyse-, Reporting-und Visualisierungs-Tools sind intuitiv bedienbar und helfen auch Nicht-Techies bei der Analyse von Daten.

Das SaaS-Tool Domo dient zur Visualisierung von Big Data. Es liefert Schaubilder und Grafiken in Echtzeit, mit denen Gründer und Unternehmer einen Überblick und wertvolle Erkenntnisse aus ihrem Datenschatz bekommen. Die Anwendung ist ansprechend gestaltet, intuitiv bedienbar und wartet mit einer für Smartphone und Tablet optimierten Darstellung auf.

Sumo Logic richtet sich an die IT-Teams von Startups und Unternehmen. Es hilft bei der schnellen Ursachenanalyse von IT-Infrastruktur, bei der Fehlersuche von Produktionsanwendungen und beim Aufdecken von Sicherheitslücken. Dafür sammelt und analysiert der cloud-basierte Dienst die Protokolldaten von Unternehmen – im Petabyte-Bereich – und befreit sie davon, Daten selbst archivieren, sichern und wiederherstellen zu müssen.

Die cloud-basierte SaaS-Plattform Kontagent hilft all jenen, die etwas mit der Entwicklung, Vermarktung und Bereitstellung von mobilen Anwendungen zu tun haben, beim Tracken und Analysieren der gesammelten App-Daten, um so an neue Kunden zu kommen, die Viralität und das Nutzer-Engagement zu steigern und den Umsatz voranzutreiben.

Zoomdata ist ein Analyse- und Visualisierungs-Tool für das iPhone, das speziell für das kleine Display des Smartphones gestaltet wurde. Es bezieht Touch-Funktionen mit ein, um Daten zu visualisieren. Nutzer können zwischen unterschiedlichen Darstellungsarten wählen, die App ist also etwas für User, denen bei der Datenvisualisierung auch die Ästhetik wichtig ist.

Auch in Deutschland gibt es bereits interessante Big-Data-Visualisierungs-Startups. Mit der SaaS-Anwendung Datapine aus Berlin können Gründer und Unternehmer sämtliche Daten, die über eine intuitiv bedienbare Drag&Drop-Oberfläche eingefügt wurden, ganz ohne IT-Kenntnisse analysieren und visualisieren. Es lassen sich dynamische Boards erstellen, an die eigene Datenbanken oder externe Webdienste angebunden sind, und für sämtliche Mitarbeiter
freigeben. Das Startup befindet sich noch in der Betaphase,
interessierte Nutzer können sich aber als Beta-Tester bewerben.

Auch ParStream kommt aus Deutschland und wurde bereits 2008 gegründet. Die analytische Datenbank liefert laut Mitgründer und CTO Jörg Bienert auch bei Milliarden von Datensätzen, die kontinuierlich einfließen, Antwortzeiten unter einer Sekunde – also quasi in Echtzeit. Zur Analyse der Daten verwendet ParStream das neuartige Indizierungsverfahren „Highly Parallel Compressed Index“, das es ermöglicht, Daten im komprimierten Zustand einzuspeisen. Das Startup reiste 2012 im Rahmen des German Silicon Valley Accelerator-Programms ins Silicon Valley.

Wer doch lieber auf einen (deutschen) Komplettdienst vertrauen möchte, wird beispielsweise beim Berliner Unternehmen The unbelievable Machine Company [9] fündig. Der Hosting-Anbieter spezialisiert sich zunehmend auf den Bereich Big Data und bietet mit dem Produkt „Data Science Lab“ einen dreistufigen Prozess, über den Unternehmen schrittweise an das erste eigene Big- Data-Projekt herangeführt werden: von der Theorie über Business Case, Strategiefindung und erste „Data- Dive-Ins” bis hin zum „Go live” des richtigen Projekts. The unbelievable Machine Company betreut neben Konzernen wie die Deutsche Post auch zahlreiche Startups und kleine Unternehmen.

Die Möglichkeiten, die sich für Unternehmen aus der Analyse großer Datenmengen ergeben, sind enorm. In Deutschland stehen dieser Entwicklung viele noch verhalten gegenüber, was vor allem an der hierzulande üblichen Fokussierung auf Datenschutzfragen liegt. Darüber hinaus gibt es die Debatte, ob es tatsächlich eine gute Entwicklung ist, dass Entscheidungen zunehmend auf Daten und automatisierten Prozessen basieren – ist dies das Ende jeglicher Intuition im Geschäftsbereich?

Trotz mancher Anfragen zeigen zahlreiche Studien auf, dass immer mehr Unternehmen das Potenzial von Big Data in Zukunft ausschöpfen wollen. Die Integration entsprechender IT und Fachleute ins Unternehmen erfordert allerdings einiges an Investition und Zeit. Kleinere Unternehmen können auch auf die Dienste von Startups zugreifen, die sich der Analyse und Visualisierung von großen Datenmengen spezialisiert haben. Mit ihrer Hilfe lassen sich schon heute wertvolle Erkenntnisse zu Nutzern, Wettbewerb und Marketingfragen ableiten.