Der Datendschungel in Unternehmen wächst explosionsartig – und damit die Notwendigkeit von Big Data Analytics. Denn mit dem steigenden Datenvolumen nimmt auch die Angriffsfläche für potenzielle Bedrohungen zu. Um die massiven Datenbestände sinnvoll nutzen zu können und rechtzeitig Informationen über potenzielle Risiken zu gewinnen, brauchen Unternehmen ein ganzheitliches Analysesystem. Lesen Sie hier, wie Big Data Analytics Ihre Cyber Security unterstützt.

Ein Finger, der auf ein virtuelles Big Data Analytics Schild in der Luft zeigt.
Big Data Analytics © greenbutterfly /stock.adobe.com

Was ist Big Data Analytics?

Um die Vorteile von Big Data Analytics zu verstehen, genügt ein Blick auf die Bedeutung der Massendaten. Big Data sind strukturierte sowie unstrukturierte Datensätze aus unterschiedlichen Quellen und von hoher Vielfalt. Aufgrund der digitalen Transformation arbeitet schon heute eine Vielzahl an Unternehmen unterschiedlicher Branchen mit den Massendaten – Tendenz steigend.

Big Data Analytics beschreibt die Untersuchung dieser Datenbestände auf Basis künstlicher Intelligenz (KI). Im Detail übernimmt die Software die Beschaffung, Optimierung und Auswertung, Analyse und Präsentation der Informationen. Während früher nur Datenexpert*Innen Logs auf Anomalien prüfen konnten, übernehmen das heute die Maschinen. Sie erkennen zuverlässig Unregelmäßigkeiten, für die die menschlichen kognitiven Fähigkeiten nicht länger ausreichen.

Die Analyse erfolgt in drei Schritten:

  1.  Datenschutzbeschaffung: Aus den verfügbaren Quellen werden alle Daten extrahiert und Format, Umfang und die zu verwendende Data-Input-Pipeline definiert. Statische Exporte und Automatisierungen geben Zugriff auf die unterschiedlichen Datenformate.
  2. Optimierung und Auswertung: Nach der Extraktion untersucht die Software die Daten hinsichtlich Konsistenz, Qualität und Richtigkeit und prüft, inwiefern sich die gesammelten Daten sinnvoll weiterverarbeiten lassen.
  3. Analyse: Die verfügbaren Datenströme lassen sich im Anschluss auf Muster, Fehler und wertvolle Zusammenhänge untersuchen. Auf dieser Grundlage können Sie gezielt Geschäftsprozesse optimieren und Sicherheitslücken aufdecken.

Auch Dark Data spielt in diesem Zusammenhang eine wichtige Rolle: Gemeint ist damit die Dunkelziffer an Daten, die in Abhängigkeit von den sichtbaren Datenvolumen mitwächst. Das passiert vor allem dann, wenn Unternehmen neue treibende Technologien wie Internet of Things (IoT), Augmented und Virtual Reality (AR/VR) oder Blockchain ohne Analytics-System einsetzen. Unentdeckt, ungenutzt oder unbekannt, entziehen sich diese Daten der Kontrolle. Das Problem: Sie erschweren die Interpretation und Optimierung der Datenbestände, aber vor allem das rechtzeitige Erfassen potenzieller Bedrohungen.

Analytics-Methoden: Eine für alle gibt es nicht

Nach der Datenbeschaffung, Optimierung und Aufbereitung des generierten Datensatzes erfolgt die eigentliche Analysearbeit. Dabei kommen unterschiedliche Methoden der modernen Statistik zum Einsatz. Je präziser die ausgewählten Modelle auf Ihre geschäftsspezifischen Fragestellungen ausgerichtet sind, umso zuverlässigere Ergebnisse liefert das System.

Die Untersuchungsmethoden sind vielfältig und reichen von der rein deskriptiven über die prognostische Analytik bis zur algorithmusbasierten Erkenntnisanalyse. Hinter jeder explorativen Analyse stehen intelligente Tools und Methoden wie Clustering, Klassifikationsverfahren und Hypothesentests, die wiederum auf Algorithmen des Data Mining und Machine Learning (ML) basieren.

Data Mining hilft, versteckte Muster in großen Datenbeständen zu erkennen, zu extrahieren und in vordefinierte Klassen zu strukturieren. Durch eine gründliche Suche lokalisiert die Software die relevanten Datenpunkte, um z. B. ungewöhnliche und untypische Signale oder Sicherheitslücken aufzudecken. Als Unterart der künstlichen Intelligenz (KI) ermöglicht Machine Learning, dynamisch Analyseergebnisse und neue Zusammenhänge aus extrahierten Daten zu ziehen. Dabei entwickelt sich das System eigenständig weiter und passt sich den aufgezeichneten Daten an.

Wichtig: Es gibt keinen heiligen Gral für sämtliche Herausforderungen und Anwendungsfälle. Setzen Sie stattdessen auf die Vielfalt sich ergänzender explorativer Analyseverfahren und bauen Sie sich Ihr individuelles Framework an Komponenten und Methoden auf. So erhöhen Sie die Chance, für jede Herausforderung die passenden Tools parat zu haben und in Bezug auf Cyber Security optimal aufgestellt zu sein.

Daten gewinnen an Volumen – und Wert

Big Data Analytics erlaubt Ihnen, die Innovationskraft, Geschäftsprozesse und damit den Erfolg Ihres Unternehmens zu optimieren. So ermöglichen Einblicke und Interaktionen in Echtzeit etwa, Kund*Innen das zum jeweiligen Touchpoint passende Produkt vorzuschlagen. Als Vorstufe für den Einsatz von KI-Anwendungen kann die Analysesoftware außerdem Arbeitsprozesse und Aufgaben intelligent übernehmen und effizienteres Arbeiten ermöglichen. Ein Gamechanger sind Big Data Analytics als Instrument der Cyber Security, etwa zur Verhinderung von Datenschutzverletzungen oder Verstößen gegen Compliance-Anforderungen.

Trotz der immensen Bedeutung von Daten und deren Verarbeitung sind die wenigsten Unternehmen für die Herausforderungen des Datenzeitalters gewappnet. Das zeigt der Forschungsbericht „Das Datenzeitalter hat begonnen. Sind Sie bereit?“ von Splunk, einem langjährigen Partner von NetDescribe, und TRUE Global Intelligence. Im Oktober 2019 und Januar 2020 wurden weltweit 2.259 Führungskräfte aus Business und IT befragt, um Einblick in den Status quo und die Wettbewerbsfähigkeit unterschiedlicher Branchen und geographischer Regionen zu gewinnen.

Zwei Kreisdiagramme zum Thema Big Data Analytics
Fast die Hälfte aller befragten Führungskräfte befürchtet, abgehängt zu werden (Quelle: Splunk).

Der Wert von Big Data ist weitgehend bekannt, jedoch mangelt es an der Vorbereitung:

  • Rund zwei Drittel der befragten Führungskräfte rechnen mit einem steigenden Wert und Volumen der Daten in ihrem Unternehmen. Zudem erwarten sie eine durchschnittliche Verfünffachung (!) der Datenmenge bis 2025.
  • Laut 66 % der Befragten handelt es sich bei mindestens der Hälfte der Unternehmensdaten um Dark Data, die erst noch erschlossen werden müssen.
  • 57 % der Führungskräfte sind der Meinung, ihr Unternehmen kann mit der Geschwindigkeit des Datenwachstums nicht Schritt halten.
  • Fast die Hälfte (47 %) befürchtet sogar, bei einem schnellen Anstieg des Datenvolumens hinter der Konkurrenz zurückzubleiben.

Wo steht Deutschland im Vergleich zu anderen Märkten?

Betrachtet man die Ergebnisse der Umfrage, wird schnell deutlich: Der Umgang mit großen Datenbeständen ist eine globale Herausforderung, die häufig schon mit der Einstellung gegenüber neuen Technologien beginnt. Laut Umfrageergebnissen bilden deutsche Unternehmen im internationalen Vergleich zwar nicht das Schlusslicht, messen den Entwicklungen von Big Data jedoch deutlich weniger Wert bei als andere Regionen.

Ein Balkendiagramm mit zwei Balken zum Thema Big Data Analytics zu erwarteten Datenwertsteigerung. In Deutschland rechnen beispielsweise nur 58 % der befragten Führungskräfte aus Business und IT damit, dass der Wert der Daten in den nächsten Jahren steigt. Tendenziell unterschätzen deutsche Unternehmen die Bedeutung den neuen Technologien im anbrechenden Datenzeitalter.

Anders verhält es sich in China: Mit 90 % erwartet dort der größte Anteil der befragten Führungskräfte eine Wertsteigerung der Daten im kommenden Jahrzehnt. Ganze 83 % der Befragten sind nach eigenen Angaben auf einen explosiven Anstieg des Datenvolumens vorbereitet – regionsübergreifend sind es nur 47 %.

Die befragten Unternehmen aus Australien rechnen mit dem zweithöchsten Wachstumsfaktor, dennoch fehlt es an Ressourcen: Für 83 % der Unternehmen ist die Einführung neuer Technologien eine große Hürde bei der Datennutzung und -verwaltung.

Im Vereinigten Königreich, in Frankreich und in Japan verlaufen die Vorbereitungen im Hinblick auf neue Technologien und deren Auswirkungen schleppend: Dort verwenden beispielsweise nur 19 % der Befragten bereits KI/ML-Technologien (Vereinigtes Königreich) und 67 % halten es für schwierig, mit den Entwicklungen im Datenbereich Schritt zu halten (Japan). Im Marktvergleich haben die französischen Befragten das geringste Vertrauen in ihre Fähigkeiten beim Datenmanagement – die Auswirkungen der nächsten Datenwelle werden in einem Großteil der Unternehmen gar nicht erst thematisiert.

Anwendungsbereiche von Big Data Analytics

Meta-Daten, geografische Informationen, Bild- und Text-Daten oder Logs: Im Datenzeitalter generiert nahezu jeder Lebens- und Arbeitsbereich eine Vielfalt an Informationen, die wiederum in unterschiedlichen Größen und Formaten vorliegen. So vielfältig wie die Art der Daten sind auch die Branchen und Bereiche, in denen sie verarbeitet werden.

Ob im Einzelhandel, in der Fertigung oder in der Logistik: Erfolgreiche Datenpioniere setzen häufig auf eine vernetzte, ganzheitliche Strategie: Sie nutzen sowohl Big Data als auch spezifische Use Cases in ihren Business-, Security- und IT-Teams. Das veranschaulicht Splunk anhand von mehr als 40 Erfolgsgeschichten im E-Book „Pioniere des Datenzeitalters“.

Intel konnte beispielsweise mithilfe einer Intelligence Platform eine lückenlose Transparenz sicherstellen und damit die interne Informationssicherheit verbessern. Neben der schnelleren Erkennung komplexer Bedrohungen ermöglicht die Plattform heute einen einheitlichen Ansatz für die Steuerung der Cyber Security.

Dem Smart-Home-Anbieter Arlo gelang es mithilfe einer maßgeschneiderten Datenanalyseplattform unter anderem, die Time-to-Market für neue Produkte und Funktionen zu reduzieren und Systeme sowie Kundendaten besser zu schützen.

Auch das deutsche Industrieunternehmen Zeppelin konnte durch die Nutzung einer datengestützten Analyseplattform die Transparenz von Betriebsdaten erhöhen und interne Prozesse optimieren. Die vorausschauende Instandhaltung ermöglicht einen verbesserten Kundenservice, eine reduzierte Ausfallzeit und eine deutlich schnellere Fehlerbehebung.

Herausforderungen und Chancen

Das Erfassen und Auswerten der großen Datenmengen stellt Software-Anbieter und Datenfachleute vor vielfältige Herausforderungen. Die meisten liegen auf der Organisationsebene, wie auch die Forschungsergebnisse von Splunk und TRUE Global Intelligence zeigen.

Typische Herausforderungen im Umgang mit Big Data:

  • Personalmangel
  • unzureichende Technologie-Kenntnisse
  • Mangel an klaren Use Cases
  • mangelnde Unterstützung von der Führungsspitze
  • Schwierigkeiten bei der Datennutzung und beim Datenmanagement
  • Schwierigkeiten beim Erfassen von Dark Data

Unser Tipp:

Fokussieren Sie sich auf die Chancen und Möglichkeiten, die Big Data Analytics mit sich bringt. Ein guter Anfang ist die Optimierung der Organisation, Verwaltung und Verwendung Ihrer Unternehmensdaten. Eine Bestandsaufnahme aller vorhandenen Daten inklusive ihrer Quellen und der zugrundeliegenden Prozesse verschafft Ihnen den nötigen Überblick. Entwickeln Sie eine Datenstrategie, die auf die individuellen Anforderungen Ihres Business ausgerichtet ist und die wichtigsten Kennzahlen fokussiert. Verabschieden Sie sich vom Silo-Denken: Standardisierte Tools, Qualifikationen und Prozesse sollten jeder Person im Unternehmen jederzeit Zugriff auf die richtigen Daten ermöglichen.

Last but not least: Denken Sie bei jedem dieser Schritte an die Cybersicherheit. Ihr IT-Sicherheitskonzept sollte die Basis Ihrer Datenstrategie und damit jederzeit up-to-date sein, um Ihr Unternehmen zuverlässig vor potenziellen Bedrohungen zu schützen. Und falls Ihnen intern die Ressourcen fehlen: Sprechen Sie uns einfach an – NetDescribe unterstützt Sie gern bei der Auswahl und Implementierung der richtigen Lösung.