Actian Datacast: Nutzen Sie die richtigen Daten für die richtige Entscheidungsfindung?

Letzte Woche haben wir die Ergebnisse des Actian Datacast 2019: Hybrid Data Trends Snapshotveröffentlicht, der Einblicke in die aktuellen Herausforderungen und Möglichkeiten für data driven Unternehmen bei der Verwaltung hybrider Datenumgebungen bietet.

Unsere Umfrage befragte 303 IT-Professionals mit Einfluss- und/oder Entscheidungsfindung in ihren Unternehmen mit mehr als 500 Mitarbeitern.

Im ersten Teil unserer Blogserie über die vier wichtigsten Trends, die sich aus unserer Untersuchung ergeben haben, werden wir uns eingehend mit den Herausforderungen und Möglichkeiten im Zusammenhang mit dem Zugang zu Daten befassen.

Der Zugang zu Daten ist begrenzt: Die Hälfte (51 %) der Endnutzer erhält Daten nicht in dem Moment, in dem sie sie benötigen

Die Hälfte der Unternehmen verfügt jedoch nicht über die notwendigen Ressourcen, um auf diese Daten zuzugreifen und sie in Echtzeit zu nutzen. Unsere Daten zeigen, dass mehr als 4 von 5 IT-Entscheidungsträgern (ITDMs) sagen, dass einer der schmerzhaftesten Aspekte der Data Analytics die lange Implementierungsdauer ist. Dennoch sind Unternehmen, die mehr ihrer Daten schneller und häufiger für umsetzbare Erkenntnisse nutzen können, ihren weniger agilen Konkurrenten voraus.

Nahezu 3 von 5 ITDM geben an, dass sie über viele Daten und Technologien verfügen, aber nicht glauben, dass diese für ihr Unternehmen etwas bewirken. Um die Geschäftsergebnisse zu verbessern und die Chancen auf geschäftlichen Erfolg zu erhöhen, ist es von entscheidender Bedeutung, dass man in der Lage ist, auf Daten zu reagieren.

Im Laufe der Zeit werden data driven Vorteile zeigen, wer die Hauptakteure in jeder Geschäftskategorie sind.

Für den langfristigen Erfolg ist es unabdingbar, eine Datenarchitektur zu verfolgen, die alle individuellen datenbezogenen Ziele eines Unternehmens ermöglicht. Dies bedeutet, dass die Funktionen überall dort eingesetzt werden können, wo die Daten eines Unternehmens bereits vorhanden sind, sei es vor Ort oder in der Cloud.

Unternehmen sollten in der Lage sein, auf ein Höchstmaß an Anfrage und Analytics-Performance über die Gesamtheit ihrer Daten zuzugreifen, und sie sollten in der Lage sein, dies zu tun, während sie alle erforderlichen Datenschutz- und Governance-Richtlinien problemlos durchsetzen können.

Die verfügbaren Daten sind nicht frisch oder aktuell: Nur 26 % der Endanwender schöpfen das Potenzial ihrer Daten voll aus

Im Unternehmen werden Daten erzeugt, die nicht sinnvoll und strategisch genutzt werden. Die Ingenieure brauchen Wochen oder sogar Monate, um die Lücken im System zu schließen und etwas Verwertbares herauszufinden. Eine langsamere Entscheidungsfindung ist jedoch nur eine Folge des Wartens auf Daten, die zur Analyse zur Verfügung stehen.

Moderne, aufstrebende Analytics Use Cases, wie Customer-360 und Hyper-Personalisierung, funktionieren einfach nicht mit veralteten Daten.

Da ML und KI immer aktiver an der Definition der Nutzer beteiligt sind, verschwimmen die Grenzen zwischen traditionell getrennten Transaktionsdatenbanken und Data Warehouses, wenn es darum geht, Daten in Algorithmen einzuspeisen, die Echtzeitentscheidungen und -automatisierungen treffen oder unterstützen.

Daher geht die Rolle von Echtzeitdaten im Unternehmen über interne Berichte und Erkenntnisse hinaus und beginnt nun, die Customer-Experience, Produktions- und Logistikabläufe und eine Vielzahl anderer geschäftskritischer Anwendungsfälle zu beeinflussen.

Die Komplexität der Daten stellt hier jedoch eine Einstiegshürde dar. Mehr als zwei von fünf Unternehmen (45 %) geben an, dass die Komplexität von Echtzeitdaten und big data eine Herausforderung darstellt, wenn sie ihre Daten nutzen wollen. Dies ist vor allem auf den Zeit- und Kostenaufwand für die Datenverarbeitung und -aufbereitung zurückzuführen, der bei der traditionellen, stapelweisen Datenerfassung und -speicherung im Silo entsteht.

Bei modernen Analysen für Unternehmen geht es darum, alle Daten aus allen Quellen - Anwendungen, Transaktionen, CRM und darüber hinaus - nutzbar zu machen. Diese müssen unter einem gemeinsamen Framework nutzbar gemacht - zusammengeführt - werden, das alle Anforderungen an die Berichterstattung, die Generierung von Erkenntnis und zunehmend auch an prädiktive Analysen und die Entscheidungsunterstützung eines Unternehmens unterstützen kann.

Insbesondere da die Art und Tiefe der Erkenntnisse und der Vorhersageunterstützung in den Mittelpunkt rücken, werden die Anforderungen, die sich aus der Operationalisierung von ML, KI und Algorithmen in immer mehr Branchen und Unternehmen ergeben, neue Hybriddaten erfordern.

Auf der Suche nach einem Weg nach vorn

Unternehmen sind seit langem auf der Jagd nach dem Versprechen von big data und der Frage, wie sie es nutzen können, um ihr Geschäft voranzutreiben. Das aktuelle Ergebnis dieser Jagd ist jedoch, dass viele Unternehmen in Daten ertrinken. Der Fokus liegt auf der Gewinnung der größtmöglichen Datenmenge. Die Unternehmen werden von der schieren Menge an Daten überflutet und entfernen sich dadurch immer weiter von ihren Datenzielen und -bestrebungen.

Unternehmen sind auf der Suche nach einem klaren Weg, wie sie ihre Daten am effektivsten erfassen, analysieren, verwalten und nutzen können. Bleiben Sie dran für die Teile 2-4 dieser Serie, in denen wir uns näher mit diesem Thema befassen.

Sehen Sie sich unsere Infografik an .

Über Actian Corporation

Actian macht Daten einfach. Unsere Datenplattform vereinfacht die Verbindung, Verwaltung und Analyse von Daten in Cloud-, Hybrid- und lokalen Umgebungen. Mit jahrzehntelanger Erfahrung in den Bereichen Datenmanagement und -analyse liefert Actian leistungsstarke Lösungen, die es Unternehmen ermöglichen, datengesteuerte Entscheidungen zu treffen. Actian wird von führenden Analysten anerkannt und wurde für seine Leistung und Innovation mit Branchenpreisen ausgezeichnet. Unsere Teams präsentieren bewährte Anwendungsfälle auf Konferenzen (z. B. Strata Data) und tragen zu Open-Source-Projekten bei. Im ActianBlog behandeln wir Themen wie Echtzeit-Dateneingabe, Datenanalyse, Data Governance, Datenmanagement, Datenqualität, Datenintelligenz und KI-gesteuerte Analysen.