Daten: Das neue Öl – Wie Raffinerien rohe Information in Business Value verwandeln

Für Enterprise Teams ist Daten überall – bereit, Insights zu unlocken, die Business Goals vorantreiben. Wir sprachen mit zwei von Nokias führenden IoT-Experten, Marc Jadoul, Director of IoT Market Development, und Denny Lee, Head of Analytics Strategy, über die Verwandlung von Daten in das „Öl“, das Wachstum antreibt.

ReadWrite: Der Satz „Daten sind das neue Öl“ ist auf Konferenzen und in Diskussionen aufgetaucht, aber was bedeutet er wirklich für Businesses und ihre Clients?

Marc Jadoul: Aus Value-Perspektive: Denken Sie an Daten wie Crude Oil. Genau wie ein Barrel Crude zu hochwertigem Jet Fuel raffiniert wird, muss Raw Data eine ähnliche Transformation durchlaufen, um seinen vollen Worth zu unlocken. Je raffinierter die Daten, desto sophistiziertere Applikationen kann es antreiben.

Stellen Sie sich eine Pyramide vor: Die Basis repräsentiert Raw Sensor Data. Die nächste Stufe involviert Monitoring und Discovery – Anomalien oder Trends identifizieren. Diese Analyse liefert kritische Information, die Data-Driven Decision Making (DDDM) supported. Fügen Sie eine Learning Layer durch Cognitive Analytics hinzu, predikt die Daten nicht nur Future Behavior, sondern informieren auch Decisions. Am Apex werden voll raffinierte Daten zu Knowledge, das autonome Entscheidungen von Machines und Applications ermöglicht.

In dieser Value Chain bewegen sich Daten von Raw Input zu Insight, dann zu Knowledge, letztlich automatisierend Prozesse. Die Raffinerie-Analogie – statt Lubrikant-Metapher – highlightet, wie erhöhte Raffinerie Value amplifiziert.

Denny Lee: Als die „New Oil“ Phrase surfaced, erinnerte sie mich an die 1970er, als Oil Control Economic Control bedeutete. Daten spielen ähnliche Rolle: Sie zu meistern lässt Sie Ihre Industry und Market steuern. Daten werden oft Currency genannt, aber sie sind Raw. Insights und Intelligence sind, was Businesses truly need, und diese Distinction matters.

RW: Wenn Sie einen Client auf Data-Driven Innovation beraten, was sollten sie first fragen?

MJ: Starten Sie mit Verstehen Ihres eigenen Business und der Challenges, denen Sie gegenüberstehen. Jagen Sie keine Solution bevor Sie das Problem kennen. Wie Simon Sinek sagt: Beginnen Sie mit „Why“ statt „How“ oder „What“.

DL: Business Outcomes matter, aber Sie müssen auch die Audience innerhalb der Organisation considerieren. CEOs sehen broad Sandbox, während andere Stakeholders auf narrow Domains fokussieren. Map ihren Context, dann arbeiten Sie backwards, um die Daten zu identifizieren, die ihr spezifisches Problem lösen. Dieser Ansatz aligns Analytics mit Business Objectives.

Cross-Organizational Collaboration ist kritisch – wertvolle Insights emerge oft nur, wenn Barrieren gebrochen werden.

RW: Wer ist der typische Champion in einer IoT-getriebenen Data Initiative, und wie alignen Sie Goals across the Enterprise?

DL: In IoT splittet die Organisation in OT (Operations Technology) und IT. Der OT Champion kontrolliert Infrastructure, während der IT Champion Information Flow managed. Beispielsweise kann ein Predictive-Maintenance-Fokus nur ein spezifisches Budget involvieren, wohingegen ein Manager breiteren, cross-funktionalen Impact suchen mag.

MJ: Data Analysts spielen pivotal Role. Sie „raffinieren“ Daten, bridgen den Gap zwischen Raw Input und Business Insight. Ihr Skill Set blendet Mathematik, Statistik, Algorithmen und Domain Knowledge – essenziell für Translation von Daten in actionable Decisions.

RW: Ist es risky, einen Client mit zu vielen Data Options zu overwhelm, besonders wenn sie In-House Talent fehlt?

MJ: Es kommt auf die Solution an. Beispielsweise erfordert ein Temperatursensor an einer Kühlunit nur Anomalie-Monitoring; Filtering at Source verhindert Data Overload. Intelligente Datensammlung und frühes Preprocessing sind Key.

DL: Denken Sie an Data Intelligence als Stack, ähnlich dem Human Brain: Lowest Layer handled Rapid, Autonomous Decisions; Higher Layers provide Augmented Intelligence für Human Oversight. In einer IoT Factory powered Bottom Layer Robotics, während Upper Layers Strategic Insights offerieren.

MJ: Edge Computing ist das moderne Äquivalent eines Reverse CDN. Indem Daten nah an ihrer Quelle verarbeitet werden – ob Video oder IoT – reduzieren Sie Latency und vermeiden massive Volumes zur Cloud zu shutteln. Dies spiegelt die Caching Strategy wider, die Streaming viable machte.

RW: Können Sie Beispiele für Data-Driven Processes geben, die sowohl Cost Savings als auch klare Decision Pathways unlocken?

MJ: Unsere Video-Analytics Solution ist ein Prime Example. Tausende CCTV Kameras generieren Continuous Streams, aber nur eine Fraction erfordert Human Attention. Durch Real-Time Video Analyse flaggt das System Anomalien – Wrong-Way Traffic, Security Breaches – allowend Rapid Response mit Fraction des Manpower, saving Costs while improving Safety.

DL: Andere Use Cases: Predictive Maintenance, Next-Best Action Recommendations, Automated Root-Cause Analysis, Customer-Centric AI, Operational Optimization. Diese Applications bewegen sich beyond Siloed Data, delivering Enterprise-Wide Value.

Dieser Artikel wird in Partnerschaft mit Nokia erstellt und ist Teil einer Serie exploring Data Analytics, Security und IoT Platforms.