6
Biel:
Nach Ihren Darlegungen ist Big Data ein
recht facettenreiches Thema, das weit über
Fragen der Hard- und Software hinausreicht
und auch kulturelle und organisatorische As-
pekte tangiert. Wir können nun nicht davon
ausgehen, dass Informationen „einfach da
sind“ oder sich leicht erschließen lassen, son-
dern wir müssen sie mehr oder minder aufwen-
dig gewinnen. Wie ist dieser Prozess der Infor-
mationsgewinnung zu gestalten?
Vierkorn:
Ja, das kann man so sagen. Wir ha-
ben ja bereits heute sehr viele unterschiedliche
Daten, die wir für unterschiedliche Zwecke
nutzen.
Biel:
Zwischenfrage: Was passiert mit diesen
„Alt-Daten“ im Zeichen von Big Data?
Vierkorn:
In unseren Big-Data-Projekten spie-
len die „traditionellen Quellen“ weiterhin eine
wichtige Rolle. Es ist durchaus nicht so, dass wir
alles neu machen und von vorne beginnen. Be-
währtes hat sehr wohl auch aus der Perspektive
von Big Data weiterhin seinen festen Platz.
Biel:
Und was ändert sich, was ist anders oder
was kommt hinzu?
Vierkorn:
Wie bereits gesagt, die „traditionel-
len Quellen“ sind unverändert bedeutsam und
auch notwendig, aber nicht mehr ausschließ-
lich.
Ergänzend treten weitere Datenquellen
hinzu
, wie z. B.
Kundensupport, Supply
Chain, Maschinendaten.
Auch E-Commerce
und Social Media werden immer häufiger ver-
wendet bis hin zu polystrukturierten Daten und
Streamingdaten. Beispiele wären Twitter oder
Nachrichtendienste.
Biel:
Wir haben schon mehrfach über „die
Daten“ gesprochen. Wie lassen sich diese
umreißen und definieren?
Vierkorn:
Unter Daten versteht man im allge-
meinen (Zahlen-)Werte oder formulierbare Be-
funde, die durch Messung oder Beobachtung
gewonnen wurden. Daten sind der „Rohstoff“
den wir verarbeiten und veredeln müssen, um
an Informationen zu gelangen, und im weiteren
Verlauf an relevante Erkenntnisse zu gelangen.
Biel:
Ihre Ausführungen lassen bereits den
Schluss zu, dass Daten nicht gleich Daten sind
und Daten immer vielfältiger und heterogener
werden. Wenn wir von Big Data reden, geht es
offenbar nicht nur um mehr Daten, sondern
auch um neue oder andere Daten bzw. Daten-
arten. Ist dieser Schluss richtig?
Vierkorn:
Dieser Vermutung ist zuzustimmen.
Ja, um mit den Daten besser umgehen und sie
leichter verarbeiten zu können, müssen wir Da-
tenarten unterscheiden, Daten kategorisieren.
Grundsätzlich werden heute im Rahmen der Big
Data verstärkt Daten gesammelt – auch wenn
sie heute noch nicht alle zur Auswertung ge-
bracht werden.
Biel:
Geht es also um weitere Daten? Die Erfas-
sung der Daten verändert sich?
Vierkorn:
Unter die Erfassung fallen auch Da-
ten, die bisher nicht auf dem Radar der Unter-
nehmen für Auswertungen standen. Dabei ist
zu berücksichtigen, dass die
Technologien
der letzten Jahre es erlauben
, nun größere
Datenmengen
kosteneffizienter
zu speichern
und auszuwerten.
Biel:
Lassen sich die Daten aus der Sicht Ihrer
Praxis kategorisieren?
Vierkorn:
Wir haben es heute mit drei unter-
schiedlichen Datenarten zu tun. Die Datenarten
lassen sich sehr gut in
strukturierte, poly-
strukturierte und unstrukturierte Daten
klassifizieren.
Die strukturierten Daten sind
die, die wir bereits heute kennen, und sie bei-
spielsweise aus dem Rechnungswesen oder
der Betriebsdatenerfassung beziehen. Poly-
strukturierte Daten können beispielsweise Daten
von Maschinen oder Sensoren sein. Unstruktu-
rierte Daten sind die vielen anderen, beispiels-
weise aus den sozialen Netzwerken. Das heißt,
dass vor allem Maschinendaten, Streaming-
Abb. 2: Beispielhafte Anwendung und Nutzenpotenziale von Big Data entlang der Wertschöpfungskette
Interview zum Thema: Big Data – Bedeutung und Auswirkungen
