In unserer heutigen Welt, in welcher die Digitalisierung immer weiter fortschreitet, werden Tag für Tag riesige Datenmengen aus unterschiedlichsten Quellen generiert. Da die Chancen der Nutzung von Big Data klar erkennbar sind, führt es dazu, dass sich immer mehr Branchen die Macht der Daten zunutze machen. Die Hauptziele sind hierbei für die unterschiedlichen Organisationen gleich. Kostensenkung, Optimierung von Prozessen, verbessertes Marketing und ein erhöhter Kundenservice sind die wohl prominentesten Ziele. In diesem Artikel werden die Branchen, mit der größten Nutzung von Big Data Anwendungen vorgestellt.
Big Data Anwendungen: Gesundheitswesen
Verbesserte Besetzung
Durch die Nutzung von Big Data und Anwendung von Analyseverfahren, wie z.B. Zeitreihenanalyse lassen sich die Besuchsraten für die nächsten 15 tage prognostizieren. Aufgrund dieser Daten können für bestimmte Tage oder Uhrzeiten zusätzliches oder weniger Personal eingeplant werden. Dadurch werden Wartezeiten verkürzt und die Behandlungsqualität erhöht sich.
Patientenbeteiligung
Durch die konstante Weiterentwicklung von Apps und Wearables wird Patienten die Möglichkeit geboten sich selbst aktiv an ihrer Gesundheit und Prävention zu beteiligen. Mithilfe von zusätzlichen Gadgets und Apps können die Kunden dauerhaft ihre Werte, wie Herzfrequenz, Anzahl der Schritte und Schlafgewohnheiten aufzeichnen lassen. Durch die Analyse der Werte können somit vorzeitig potentielle Erkrankungen erkannt werden.
Entscheidungsunterstützung
Durch die Nutzung von Predictive Analytics können bei Patienten mit komplexen Krankheitsgeschichten leichter und schneller Entscheidungen getroffen werden. Durch die Einbeziehung mehrerer Faktoren können so Entscheidungen zur Behandlungen getroffen werden, zu welchen ein Arzt aufgrund der Komplexität, kaum im Stande wäre.
Elektronische Patientenakten
Elektronische Patientenakten sind die wohl am häufig verbreitetste Form der Nutzung von Big Data Anwendungen im Gesundheitswesen. Durch die Speicherung der persönlichen Daten der Patienten in Informationssysteme wird die Übertragung der Patientenakten von Arzt zu Arzt erleichtert. Zusätzlich können die Patienten einfach überwacht werden. Erhält der Arzt beispielsweise Labortests eines Patienten, so können diese direkt eingespeichert und bei Bedarf auch automatisierte Warnung ausgelöst werden.
Echtzeitanalyse
Bei der Echtzeitanalyse erhält der Patient Geräte, z.B. ein Herzschrittmacher, welche kontinuierlich Daten an das Krankenhaus senden. Durch die dauerhafte Überwachung und Analyse der Daten wird bei einer starken und bedrohlichen Änderung der Daten sofort der Arzt kontaktiert. Dieser kann nun Maßnahmen ergreifen, um die Werte des Patienten wieder zu korrigieren.[1]
Big Data Anwendungen: Finanzwesen
Kreditwürdigkeit
Die Prüfung der Kreditwürdigkeit ist eine Big Data Anwendung mit besonderer Bedeutung. Um einen Kredit zu beantragen werden Informationen über den Kreditstellenden gesammelt und analysiert. Ausgehend aus den Ergebnissen können nun Kreditvorschläge mit unterschiedlichen Konditionen erstellt werden oder die Herausgabe eines Kredits verhindert werden. Problem daran ist, dass die Sammlung der Daten sehr zeitaufwendig ist und unterschiedliche Faktoren einberechnet werden müssen. Beispielsweise können auch nichtfinanzielle Faktoren eine große Rolle in der Kreditvergabe spielen. Zusätzlich können kürzlich erworbene finanzielle Probleme nicht betrachtet werden, da diese noch nicht eingespeichert wurden.
Mithilfe der Big Data Anwendungen im Finanzsektor lassen sich Echtzeit-Analysen der Kundeninformationen durchführen. Dies ermöglicht es Banken sofort Auskunft über die Daten des Kunden zu erlangen. Als Folge dessen kann die Kreditwürdigkeit und Kreditkonditionen sofort geklärt werden.
Erkennen von Marktmustern
Besonders im Bereich des Aktienhandels kann dies von großem Vorteil sein. Durch die Nutzung von Predictive Analytics lassen sich Muster in der Vergangenheit erkennen und Prognose zu bestimmten Wahrscheinlichkeiten für die Zukunft treffen. Aufgrund der Möglichkeit der Echtzeit-Analyse können so schnelle Entscheidungen getroffen werden. Durch die Analyse von Texten aus dem Internet können zusätzlich Entscheidungshilfen gefunden werden. Da der Aktienmarkt sehr spekulativ ist sollten die Ergebnisse jedoch immer kritisch hinterfragt werden.[2]
Personalisierung
Durch die Analyse von Kundendaten können Produkte an den Kunden angepasst werden. Beispielsweise können sich die Personalisierungen nach demografischen Merkmalen, dem Verhalten oder den finanziellen Gegebenheiten richten. So können personalisierte Produkte, wie Sparkonto, Anleihen oder Kredite angeboten werden, welche auf die Bedürfnisse und Eigenschaften des Kunden zugeschnitten sind. Somit ermöglicht es Banken mehr Kunden zu generieren und mit größerem Erfolg Verträge abzuschließen.[3]
Big Data Anwendungen: Bildung
Verbesserung von Unterrichtsmethoden
Selbst in Schulen werden täglich viele unterschiedliche Daten erzeugt. Durch das Speichern, Vergleichen und Analysieren unterschiedlichster Lerntechniken und Methoden lassen sich bessere Methoden finden, den Kindern Stoff zu vermitteln. Durch die Analyse von Testergebnissen lassen sich beispielsweise auch besonders unvorteilhafte Unterrichtsmethoden erkennen.
Nutzung der Ergebnisse
Ein jeder Schüler hinterlässt im Laufe seiner Schullaufbahn eine schiere Menge an Daten. Einzelne Testergebnisse, Verhaltensweisen oder auch die Notenübersicht am Ende eines Halbjahres sind nur ein Teil der Quellen von Daten des Schülers. Durch die Analyse jener Daten können Bildungsstand oder auch Interessen des Schülers erkannt werden. In Folge dessen können beispielsweise Aufgaben für die Schüler personalisiert werden, um Schwächen zu reduzieren und Stärken weiterhin zu verbessern.
Zusätzlich lassen sich durch die Nutzung dieser Daten Karriereprognosen für die Schüler erstellt werden, welche auf Stärken und Schwächen, dem Wissensstand und den Interessen des Schülers basieren. Hiermit werden die Schüler und Eltern bei einer Auswahl eines zukünftigen Jobs unterstützt.[4]
Wirksamkeit von Lehrkräften
Ein wichtiger Faktor bei dem Erfolg der Schüler ist nicht nur der Schüler selbst, sondern auch der Lehrer, der das Fach unterrichtet. Durch Big Data Anwendungen können beispielsweise die Erfolge des Lehrers in den Klassen aufgezeichnet werden. Durch die Analyse der Ergebnisse und Unterrichtsmethoden des Lehrers kann dessen Wirksamkeit überprüft werden. In Folge dessen können Schulungen angeboten werden, durch die die Wirksamkeit des Lehrers gesteigert wird.
Big Data Anwendungen: Produktion
Optimierung der Fertigungsprozesse
Durch die Analyse von Maschinendaten lassen sich Prozesse in der Fertigung optimieren und unterschiedliche Prozesse besser aufeinander abstimmen. Da in einer Fabrik nicht nur Maschinen, sondern auch Menschen zum Erfolg beitragen müssen in der Fertigung diese Faktoren eingesetzt werden. Hinzu kommt, dass eventuell manche Arbeiter einige Maschinen nicht bedienen können oder für bestimmte Maschinen lange Rüstzeiten einzuplanen sind. Diese Unmengen an Faktoren machen es für einen Analysten so gut wie unmöglich, optimierte Prozesse zu planen. Mithilfe von Big Data Anwendungen lassen sich die Faktoren miteinander verbinden und zu optimierten Fertigungsprozessen zusammenführen.
Ein weiterer Punkt bei der Analyse von Maschinendaten ist die Effektivität und Qualität der Maschine. Durch Blick auf die Erträge lässt sich erkennen für welche Produkte die Maschine besonders hohe oder niedrige Erträge generiert. Je nach dem können Ursachen hierfür gesucht werden. [5] Mithilfe von Sensordatenanalyse können Fertigungsfehler zeitig erkannt werden und dadurch Kosten für eine spätere Nachbearbeitung eingespart werden.
Kundenspezifische Produkte
Ein Paradebeispiel der Fertigung von kundenspezifischen Produkten auf Bestellung lässt sich in der Automobilindustrie finden. Jeder Hersteller fertigt heutzutage die Fahrzeuge nach dem Built-to-Order-Prinzip. Dieses ermöglicht es Unternehmen effizient Fahrzeuge zu fertigen und auf Lagerung von nicht benötigten Teilen zu verzichten. Hierzu müssen die Hersteller jedoch Zugriff auf alle Verkaufsdaten besitzen um präzise Analysen über alle möglichen Konfigurationen und deren Auftragsvolumen durchzuführen. Zusätzlich können durch Analysen von Verkaufszahlen und Produktdaten die Rentabilität jeder einzelnen Konfiguration ermittelt werden.
After sales
Rückrufe von Produkten können enorme Kosten hervorrufen. Durch die Verwendung von intelligenten Analysetools, welche für die Analyse von Produktionsdaten genutzt werden, können Fertigungsprozesse und die Qualität der Ware verbessert werden. Durch die erhöhte Qualität sollten in der Regel geringere Rückrufquoten zu ereichen sein, wodurch das produzierende Unternehmen enorme Kosten sparen kann.
Preventive and Predictive Maintenance
Um vorausschauende oder vorbeugende Wartung durchführen zu können müssen die Maschinen oder Konsumgüter mit Sensortechnologie ausgestattet sein, welche Daten in Echtzeit erfassen und analysieren.
Mithilfe von Analysetools können Muster erkannt werden und vorausgesagt werden, wann die Maschine vermutlich das nächste Mal ausfällt. Somit kann vor Eintritt des Ausfallzeitpunktes der Maschine eine Wartung durchgeführt werden. Hiermit können enorm hohe Ausfallzeiten und Reparaturkosten vermieden werden. Zusätzlich können irreversible Fehler, welche durch Ausfall der Maschine zu Stande kommen, verhindert werden.
Simulation neuer Fertigungsprozesse
Wenn ein neuer Fertigungsprozess in der Produktion eingeführt wird, so wird dieser mithilfe von unterschiedlichen Tests auf viele Faktoren getestet. Das Risiko des Ausfalls, die Qualität der Produkte oder auch die Kosten des Prozesses sind nur einige von vielen Faktoren, welche getestet und optimiert werden. Dies kann mithilfe von unterschiedlichen Tools zur Simulation ertestet werden. Auch Virtual-Reality-Anwendungen oder digitale Zwillinge sind Möglichkeiten der Erprobung eines solches Fertigungsprozesses. Weiterhin können auch Änderungen an bereits bestehenden Prozesse hierin erprobt werden. Durch die Änderung einer Eigenschaft einer Anlage kann die Auswirkung auf den gesamten Fertigungsprozess simuliert werden.[6]
Management Lieferkettenrisiko
Bei dem Bezug von Ware mittels JIT/ JIS-Prinzip müssen Lieferanten meist enge Zeitpläne einhalten. Entlang der Lieferkette kann es jedoch häufig zu ungeplanten Ausfällen kommen. Sperrungen auf der Autobahn, Unwetter oder Unfälle sind nur einige Beispiele hierfür. Um jedoch die Produktion weiterhin am Laufen zu halten müssen Unternehmen innerhalb kürzester Zeit unterschiedliche Analysen durchführen. Mithilfe der ermitteln Ergebnisse können Reihenfolgeänderungen in der Produktion durchgeführt werden oder auch Produkte von anderen Lieferanten bezogen.[7]
Dies sind nur einige von vielen Beispielen von Big Data Anwendungen in der Fertigung. Wenn das Problem genau definiert ist und die benötigten Daten vorhanden sind bzw. beschafft werden können, lassen sich Big Data Anwendungen für die Lösung jedes Problems einsetzen.
Big Data Anwendungen: Transport
Verkehrssteuerung
Big Data können nicht nur von Unternehmen und Einzelpersonen, sondern auch von der Regierung genutzt werden. Die Regierung kann Big Data nutzen, um den Verkehr einzuschränken oder den Verkehrsfluss zu verbessern. Hierbei werden meist Echtzeitanalysen und Prognosen mit historischen Daten ausgeführt. Hinzu kommen jedoch noch zusätzliche Analysen mit schwierigen Algorithmen, welche auch Faktoren, wie Wetterbedingungen und Fahrzeuggeschwindigkeiten mit in die Berechnung einfügen. Diese Daten können nur an Straßenbetreiber übergeben werden. Besonders in der Innenstadt kann so schnell reagiert werden und beispielsweise Ampelphasen an die Verkehrslage angepasst werden.
Straßeninfrastruktur
Straßenreparatur und -entwicklung sind Probleme, mit welche jede Stadt und jedes Land zu kämpfen hat. Die Zeit von dem Auftreten eines Straßenproblems bis hin zur Behebung können durchaus mehrere Monate, wenn nicht sogar Jahre dauern. Um dieses Problem zu beheben hat sich bereits die Stadt Boston an der Nutzung einer App namens „Street Bump“ beteiligt. Diese App zeichnet Signaldaten vom Beschleunigungssensor der bostoner Autofahrer auf. Dies ermöglicht es den Benutzern der App, als auch der Stadt Boston, Stöße und Schlaglöcher in Straßen zu erkennen und rechtzeitig zu beheben.
Routenoptimierung
Die Routenoptimierung ist besonders für Unternehmen mit geringen freien Kapazitäten zwischen den Prozessen ein Segen. Produktionsunternehmen, welche auf JIT-Teile durch Lieferanten setzen können somit gewährleisten, dass die Teile rechtzeitig ankommen. Verkehrsdaten, Wetterdaten und Zustellsequenzen, werden hier bei der Analyse betrachtet und eine optimale Route errechnet. Die Analysen und Routenoptimierung finden in Echtzeit statt. Somit kann der Lieferant auf unerwartete Staus oder Unfälle reagieren und in Sekundenschnelle eine neue Route generieren.
Zusätzlich können auch andere Faktoren, wie die Empfindlichkeit der geladenen Teile oder Lebensmittel und bestimmte Temperaturen Einfluss auf die Routenoptimierung haben.[8]
Für weitere Informationen zu Big Data Anwendungen in allen Bereichen der Logistik, besuchen sie „Big Data in der Logistik“.
Big Data Anwendungen: Unterhaltung
Kundenempfehlungen
Dies ist die wohl größte Anwendung von Big Data in der Unterhaltungsbranche. Unternehmen wie Spotify, Amazon Prime und Netflix sind darauf ausgerichtet die Daten der Kunden zu nutzen. Hierbei nutzen sie vor allem Daten der Verhaltensweisen auf den Plattformen. Diese Unternehmen analysieren die Daten und geben dem Kunden Musik- und Filmempfehlungen auf Grundlage der von ihm geschauten/ gehörten Filme/ Lieder.
Big Data Anwendungen: Einzelhandel
Kundenverhaltensanalyse
Die Kundenverhaltensanalyse wird hauptsächlich verwendet um Erkenntnisse über den Kunden zu gewinnen und in Folge dessen Entscheidungen zur Verbesserung der Kundengewinnung und Kundenbindung anzuwenden. Hierfür werden Daten aus sozialen Medien, Geschäftsdaten oder auch aus der Nutzung des Kunden auf der Website entnommen. Durch die Analyse jener Daten können Erkenntnisse darüber gewonnen werden, welcher Altersgruppe die Kunden angehören und wie sich verhalten. Oder auch was sie am liebsten kaufen und wieso. Als Folge dessen können spezielle Marketingkampagnen oder auch eine Personalisierung des Geschäfts auf die Kunden durchgeführt werden.
Erhöhung der Konversionsrate
Mithilfe der Analyse von Kaufhistorien, Browserverläufen oder Daten auf Social-Media lässt sich die Konversionsrate eines Einzelhändlers erhöhen. Einzelhändler können Werbung, ausgerichtet auf die Interessen des Kunden, auf bestimmten Websiten schalten. Hierbei wäre das schalten der Werbung über beispielsweise Bio-Lebensmittel vor einem Video auf einem Food Channel auf Youtube eine gute Möglichkeit Kunden zu gewinnen. Ebenso kann der Einzelhändler messen, wie erfolgreich die von ihm angewandte Markenkampagne war.[9]
Fazit
Dies sind nur einige von vielen Branchen, welche Big Data Anwendungen nutzen. Mithilfe von Big Data und Big Data Analytics können unentdeckte Muster und Erkenntnisse gewonnen werden. Durch deren Nutzung sind Unternehmen in der Lage in jedem Teilbereich Kosten einzusparen, effizientere Prozesse zu gestalten oder auch das Risiko zu reduzieren. Mithilfe von Big Data lassen sich so gut wie alle Probleme in einem Unternehmen lösen. Letztlich ist es von den Unternehmen abhängig dieses Potentiale zu nutzen und einen Schritt in Richtung Zukunft zu gehen.
Quellenangaben
[1] Lebied, Mona (18.07.2018): „12 Examples of Big Data Analytics In Healthcare That Can Save People“, unter: https://www.datapine.com/blog/big-data-examples-in-healthcare/ (24.11.2018).
[2] Trelewicz, Jennifer Q. (17.10.2017): „Big Data and Big Money: The Role of Data in the Financial Sector“, unter: https://www.infoq.com/articles/big-data-in-finance (24.11.2018).
[3] Chrisos, Marianne (19.4.2018): “How the Financial Sector Will Benefit from Big Data”, unter: https://www.techfunnel.com/information-technology/how-the-financial-sector-will-benefit-from-big-data/ (24.11.2018).
[4] „5 Dramatic Impacts of Big Data on Education“, unter: https://www.newgenapps.com/blog/5-dramatic-impacts-of-big-data-on-education (27.11.2018).
[5] Burgess, Jan (15.09.): “4 Big Data Use Cases in the Manufacturing Industry”, unter: http://www.ingrammicroadvisor.com/data-center/4-big-data-use-cases-in-the-manufacturing-industry (27.11.2018).
[6] Bódi, Katalin (02.07.2018): “10 big data use cases in manufacturing”, unter: https://www.actify.com/industry-topics/10-big-data-use-cases-manufacturing/ (27.11.2018).
[7] Burgess, Jan (15.09.): “4 Big Data Use Cases in the Manufacturing Industry”, unter: http://www.ingrammicroadvisor.com/data-center/4-big-data-use-cases-in-the-manufacturing-industry (27.11.2018).
[8] Joshi, Naveen (20.09.2017): „This is why big data in transportation is a big deal“, unter: https://www.allerin.com/blog/this-is-why-big-data-in-transportation-is-a-big-deal (27.11.2018).
[9] Hitchcock, Erin (27.02.2018): „Five Big Data Use Cases for Retail“, unter: https://www.datameer.com/blog/five-big-data-use-cases-retail/ (27.11.2018).