Die Anfor­de­run­gen ver­schie­de­ner Unter­neh­men hin­sicht­lich Big Data kön­nen sich stark unter­schei­den. Um die für ein spe­zi­fi­sches Unter­neh­men erfor­der­li­chen Anfor­de­run­gen mög­lichst schnell und zuver­läs­sig iden­ti­fi­zie­ren zu kön­nen, hat saracus con­sul­ting den saracus Big Data Use Case Kon­fi­gu­ra­tor  (BDUK) ent­wi­ckelt. Mit­hilfe einer Daten­bank, die den Zugriff auf über 600 vor­de­fi­nierte  Basis-Use-Cases ermög­licht, kann der Kon­fi­gu­ra­tor die Defi­ni­tion von Use Cases und die damit ver­bun­de­nen Anfor­de­run­gen beschleunigen.

Big Data Use Case Repository

Tool-basierte Generierung von Big Data Use Cases Bild1
Abbil­dung 1 BDUK Suchmaske

Das Big Data Use Case Repo­si­tory dient dem geziel­ten Auf­fin­den von bestimm­ten Use Cases sowie der Auf­lis­tung von Use Cases, die den eige­nen Such­kri­te­rien ent­spre­chen.  Um geeig­nete Use Cases zu iden­ti­fi­zie­ren, kön­nen die Ergeb­nisse nach Bran­che, Unter­neh­men, benö­tig­ten Daten und/oder wei­te­ren Attri­bu­ten gefil­tert wer­den. Außer­dem kön­nen Use Cases im Repo­si­tory bezüg­lich ihrer Bewer­tun­gen oder Bezie­hun­gen zuein­an­der visua­li­siert werden.

Anschlie­ßend an das Such­menü wer­den alle den Fil­tern ent­spre­chen­den Use Cases auf­ge­lis­tet. Inner­halb die­ser Auf­lis­tung fin­det man zu jedem Use Case eine kurze Beschrei­bung, sowie Anga­ben zur Bran­che, zu Appli­ka­tio­nen, zu Unter­neh­mens­zie­len, zum Pro­zess oder Unter­neh­mens­be­reich, zu Devices und Chan­nels, zu den mit dem Use Case ver­bun­de­nen Daten und zu den Anwen­dern. Dar­aus wird deut­lich, dass die zugrun­de­lie­gende Daten­bank eine breite Masse an unter­schied­lichs­ten und durch­aus kon­kre­ten Anfor­de­run­gen abdeckt.

Tool-basierte Generierung von Big Data Use Cases Bild2
Abbil­dung 2 Bei­spiel Use Case

Big Data Use Case Konfigurator

Tool-basierte Generierung von Big Data Use Cases Bild3
Abbil­dung 3 Use Case Konfigurator
Tool-basierte Generierung von Big Data Use Cases Bild4
Abbil­dung 4 Idenzifizierungsmerkmale

Der Big Data Use Case Kon­fi­gu­ra­tor (BDUK) unter­stützt unter­schied­li­che Her­an­ge­hens­wei­sen an die Defi­ni­tion von Use Cases. Sollte sich unter den in der Daten­bank ver­füg­ba­ren Use Cases bereits ein Use Case befin­den, der dem zu Gene­rie­ren­den stark ähnelt, so ist es mög­lich, die­sen exis­tie­ren­den Use Case um indi­vi­du­elle Anpas­sun­gen zu erwei­tern oder abzu­wan­deln.
Exis­tiert jedoch noch kein geeig­ne­ter Basis-Use-Case zur schnel­len Anpas­sung, bie­tet der Use Case Kon­fi­gu­ra­tor außer­dem die Mög­lich­keit, einen belie­bi­gen Use Case auf Grund­lage einer Viel­zahl von vor­ge­ge­be­nen Iden­ti­fi­zie­rungs­merk­ma­len sowie indi­vi­du­el­ler Erwei­te­run­gen zu erstel­len und zur Daten­bank hinzuzufügen.

Tool-basierte Generierung von Big Data Use Cases Bild5
Abbil­dung 5 Hin­zu­fü­gen von Attri­bu­ten und Bewer­tung dieser

Der BDUK ermög­licht für jede die­ser Pha­sen die schnelle Aus­wahl von Attri­bu­ten. So gibt es bei­spiels­weise auch die Mög­lich­keit der Bewer­tung von Merk­ma­len der Use Cases. Es kön­nen etwa die Kom­ple­xi­tät und/oder der Nut­zen eines Use Cases in der Daten­bank bewer­tet wer­den. Im Bedarfs­fall wird eine Reihe vorab iden­ti­fi­zier­ter Use Cases auf Grund­lage ihrer Bewer­tun­gen auto­ma­tisch priorisiert.

Tool-basierte Generierung von Big Data Use Cases Bild7
Abbil­dung 6 Visua­li­sie­rung der Use Case Priorisierung

Bei der Visua­li­sie­rung der Prio­ri­sie­rung wird für jeden Use Case ein Kreis dar­ge­stellt. Die Größe sowie die Lage eines jeden Krei­ses im Dia­gramm gibt Aus­kunft über das Risiko (Größe), die Bene­fits (x‑Achse) sowie die Kom­ple­xi­tät (y‑Achse) des jewei­li­gen Use Cases. Ziel ist es, den­je­ni­gen Use Case aus­zu­wäh­len, des­sen Kreis mög­lichst groß, mög­lichst weit rechts sowie mög­lichst weit oben dar­ge­stellt wird.

Eine andere Funk­tion des BDUK ermög­licht es, die gesamte Road­map der Ent­wick­lung eines Use Cases nach dem Big Data Frame­work abzubilden.

Basis Use Case Profile

Um das Ver­ständ­nis für den BDUK zu ver­bes­sern und seine Rele­vanz hin­sicht­lich Big Data zu ver­an­schau­li­chen, wird saracus con­sul­ting auf die­sem Blog in regel­mä­ßi­gen Abstän­den bei­spiel­hafte Basis-Use-Cases aus dem BDUK ver­öf­fent­li­chen. Diese Basis-Use-Cases sind Use-Case-Pro­file, die in der Daten­bank hin­ter­legt sind und mit­hilfe des BDUK indi­vi­du­ell erwei­tert und ange­passt wer­den kön­nen. Der erste in die­ser Reihe ver­öf­fent­lichte Use Case ist unter der Bezeich­nung ‚Kon­text­ba­sierte per­so­na­li­sierte Echt­zeit-Omnich­an­nel-Kam­pa­gnen‘ zu fin­den und wird im Fol­gen­den vorgestellt.

Der Use Case Kon­text­ba­sierte per­so­na­li­sierte Echt­zeit-Omnich­an­nel-Kam­pa­gnen stellt die Ent­wick­lung einer Digi­ta­len Mar­ke­ting­platt­form dar, die einem Ein­zel­han­dels­un­ter­neh­men kon­text­ba­sierte Kam­pa­gnen ermög­li­chen soll. Im Rah­men der kon­text­ba­sier­ten Kam­pa­gnen sol­len Kun­den über digi­tale Kanäle per­so­na­li­sierte Ange­bote erhal­ten.
Diese per­so­na­li­sier­ten Ange­bote wer­den auf Basis einer Viel­zahl von inter­nen und exter­nen Infor­ma­tio­nen gene­riert. Sie errei­chen des­halb eine für den Kun­den oder des­sen Situa­tion sehr hohe Rele­vanz, weil sie durch Umstände oder Ereig­nisse getrig­gert wer­den, wel­che in kon­kre­tem Zusam­men­hang mit dem jewei­li­gen Kun­den ste­hen. Dies kann bei­spiels­weise durch das Wet­ter, Über­be­stände an Waren, lokale Events, Ver­kehrs­si­tua­tio­nen oder die räum­li­che Nähe eines poten­ti­el­len Kun­den zum Geschäft gesche­hen. Um diese kon­text­ba­sier­ten Ange­bote in Echt­zeit zu ermög­li­chen, müs­sen digi­tale Kanäle inner­halb und außer­halb des Mark­tes syn­chro­ni­siert werden.

In der Pra­xis könnte eine sol­che kon­text­ba­sierte Kam­pa­gne so aus­se­hen, dass ein ent­spre­chen­des Ein­zel­han­dels­un­ter­neh­men einen Über­be­stand eines bestimm­ten Arti­kels fest­stellt und dar­auf­hin den Kun­den in der Umge­bung, die im Geschäft oder online bereits in der Ver­gan­gen­heit ähn­li­che Arti­kel gekauft haben, Ange­bots­ak­tio­nen zu eben die­sem Arti­kel in der App anzei­gen lässt. Es wäre ebenso mög­lich, dass es einen Regen­schauer gibt und Kun­den, die sich in der Nähe des Mark­tes auf­hal­ten, Ange­bots­ak­tio­nen zu Regen­schir­men ange­zeigt werden.

Im Fol­gen­den wer­den die Iden­ti­fi­zie­rungs­merk­male die­ses Use Cases auf­ge­führt. Es wird deut­lich, dass eine Viel­zahl von kun­den­spe­zi­fi­schen Daten benö­tigt wer­den, um die Ange­bote zu per­so­na­li­sie­ren. Zudem wer­den für die Omnich­an­n­el­aspekte des Use Cases unter­schied­li­che Chan­nel und Devices genutzt, die nach Mög­lich­keit schnell und zuver­läs­sig zusam­men­ar­bei­ten soll­ten, um die Ange­bote in Echt­zeit gene­rie­ren und anzei­gen zu kön­nen.
Dies kann unter ande­rem mit­hilfe von Tech­no­lo­gien wie Hadoop, Apa­che Kafka, Apa­che Spark Strea­ming und Apa­che HBase umge­setzt werden.