Auszug aus dem Experton Big Data Vendor Benchmark 2016

Big Data Vendor Benchmark 2016
Big-Data-Lösungsanbieter und -Dienstleister im Vergleich
Deutschland
Eine Untersuchung der
Experton Group AG
München, Deutschland
Autoren: Holm Landrock, Prof. Dr. Andreas Gadatsch

Inhaltsverzeichnis
1 EXECUTIVE SUMMARY 6
2 VORWORT ZUR DRITTEN AUSGABE DES BIG DATA VENDOR BENCHMARKS 6
3 MARKTENTWICKLUNG 15
4 DER BIG DATA VENDOR BENCHMARK 19
4.1 Methodik und Untersuchungsdesign 21
4.2 Auswahl der untersuchten Anbieter 23
4.3 Grundsätzliches zu den aktuellen Bewertungskriterien 24
4.4 Durchführung der Untersuchung 25
5 BIG-DATA-STRATEGIE 26
5.1 Big Data Consulting 26
5.2 Big Data Consulting (Unternehmen ab 1000 MA) 28
5.2.1 Bewertete Unternehmen im Bereich Big Data Consulting (ab 1000 MA) 28
5.2.2 Bewertungskriterien für Big Data Consulting 29
5.2.3 Anbieter-Benchmark Big Data Consulting (ab 1000 MA) 30
5.3 Big Data Consulting (Unternehmen unter 1000 MA) 34
5.3.1 Bewertete Unternehmen im Bereich Big Data Consulting (unter 1000 MA) 34
5.3.2 Bewertungskriterien für Big Data Consulting 35
5.3.3 Anbieter-Benchmark Big Data Consulting (unter 1000 MA) 37
6 BIG-DATA-PROZESSE 41
6.1 Big Data Operations 41
6.1.1 Bewertete Unternehmen im Bereich Big Data Operations 42
6.1.2 Bewertungskriterien für Big Data Operations 42
6.1.3 Anbieter-Benchmark Big Data Operations 43
6.2 Big Data Analytics 48
6.2.1 Bewertete Unternehmen im Bereich Big Data Analytics 49
6.2.2 Bewertungskriterien für Big Data Analytics 50
6.2.3 Anbieter in der Kategorie Analytics-Lösungen 51
6.3 Visualisierung und Reporting 56
6.3.1 Bewertete Unternehmen im Bereich Big-Data-Syndizierung, -Visualisierung, -Reporting 57
6.3.2 Bewertungskriterien für Big-Data-Syndizierung, -Visualisierung, -Reporting 57
6.3.3 Anbieter-Benchmark Big-Data-Visualisierung, Reporting 59
7 BIG-DATA-SYSTEME (SOFTWARE) 64
Alle Rechte vorbehalten Experton Group Big Data Vendor Benchmark 2016 3

7.1 Big Data Aggregation 64
7.1.1 Bewertete Unternehmen im Bereich Big Data Aggregation 65
7.1.2 Bewertungskriterien für Big Data Aggregation 65
7.1.3 Anbieter-Benchmark Big Data Aggregation 66
7.2 Datenbanken und Datenmanagement-Lösungen 68
7.2.1 Bewertete Unternehmen im Bereich Datenbanken und Datenmanagement-Lösungen 68
7.2.2 Bewertungskriterien für Anbieter von Datenbanken und Datenmanagement-Lösungen 68
7.2.3 Anbieter-Benchmark Datenbanken und Datenmanagement-Lösungen 69
7.3 Big Data Security Analytics 73
7.3.1 Bewertete Unternehmen im Bereich Big Data Security Analytics 74
7.3.2 Bewertungskriterien für Big Data Security Analytics 74
7.3.3 Anbieter-Benchmark Big Data Security Analytics 75
8 BIG-DATA-SYSTEME (HARDWARE) 79
8.1 Big Data Appliances 79
8.1.1 Bewertete Unternehmen im Bereich Big Data Appliances 80
8.1.2 Bewertungskriterien für Big Data Appliances 80
8.1.3 Anbieter-Benchmark Big Data Appliances 81
8.2 Big Data Storage 83
8.2.1 Bewertete Unternehmen im Bereich Big Data Storage 83
8.2.2 Bewertungskriterien für Big Data Storage 84
8.2.3 Anbieter-Benchmark Big Data Storage 84
9 VERÄNDERUNGEN ZUM VORJAHRES-BENCHMARK 87
9.1 Eigenständiger Security Vendor Benchmark 87
9.2 Neue Einordnung der Kategorie „Consulting“ 87
9.3 Relevanz von Unternehmen 87
10 AUSBLICK 88
Alle Rechte vorbehalten Experton Group Big Data Vendor Benchmark 2016 4

2 Vorwort zur dritten Ausgabe des Big Data Vendor Benchmarks
Im Betrachtungszeitraum dieses Benchmarks macht eine Erkenntnis die Runde durch
Unternehmen und Medien: die Notwendigkeit der datengetriebenen Geschäftsmodellinnovation.
Was verbirgt sich hinter dieser Formulierung? Es geht darum, nicht nur bestehende
Geschäftsmodelle auf eine breitere Datenbasis zu stellen, sondern völlig neue
Geschäftsmodelle aus einer tiefgründigen Analyse aller verfügbaren Daten zu generieren.
Ein Beispiel? Wenn eine Versicherung beispielsweise einen verhaltensabhängigen
Versicherungstarif entwickelt (übrigens ein Use-Case, der zusammen mit der Auswertung
von Fahrzeugdaten für Wartungsprognosen in etwa von jedem dritten Anbieter als Beispiel
für seine Aktivitäten genannt wird), so entwickelt sie lediglich eine Variante des nun schon
über 80 Jahre alten Produkts „Kfz-Schaden“. Dieses wird auf eine breitere Datenbasis
gestellt; der Innovationswert ist, mit Verlaub, überschaubar.
Geschäftsmodellinnovation entsteht aber erst, wenn ganz neue datengetriebene
Geschäftsmodelle entstehen. Das wäre der Fall, wenn die Versicherung alle ihre
Vertragsdaten aus den Silos in einen Datenspeicher schafft und diese Daten anonymisiert.
Dann können zwar keine neuen Verträge mit diesen Kunden abgeschlossen werden, aber
es könnten generalisierte Sichten auf die Daten erzeugt werden, beispielsweise eine
Kaufkraftanalyse pro Straßenkreuzung. Das könnten für Handelsunternehmen sehr
wertvolle Informationen hinsichtlich der Standortplanung sein. Warum sollten
Versicherungen zum Datenhändler werden? Weil sie über deutlich mehr aktuelle Daten in
feiner, granulierter Form verfügen, als sie sich umfragebasierend mit bezahlbarem
Aufwand ermitteln lassen. Dann wird die Standortwahl für den Datenkunden nicht mehr zu
guten Schätzung, sondern erhält ein solides Datenfundament. Dieses Beispiel
veranschaulicht das notwendige Umdenken für Big-Data-Szenarien.
Big Data kommt langsam bei den deutschen Entscheidern an, was aber nur zum Teil an den
Entscheidern liegt und zu einem Teil damit zu tun hat, dass einige US-amerikanische
Anbieter den deutschen Markt nur am Rande wahrnehmen. Deutsche Unternehmen haben
sich in den zurückliegenden drei Jahren aber auch nicht mit Megainvestitionen in neue
Geschäftsmodelle gebrüstet. Ein wichtiger Grund sind die anhaltenden ICT-Sparorgien. Die
in der Vergangenheit verfolgten Sparkurse der Anwenderunternehmen im Bereich der ICT-
Ausgaben haben zu einem Investitionsstau geführt. Daher werden derzeit die Budgets
hauptsächlich für unabdingbare Projekte genutzt, so etwa um den Betrieb der installierten
Basis zu optimieren. Gelder für innovative und zukunftsweisende Projekte sind derzeit
Mangelware. Dies führt auf Anbieterseite dazu, dass Branchenlösungen selten sind und
kundenspezifische Use Cases zum „Proof of Concept“ ohne echte Produktivsetzung die
Regel sind.
Alle Rechte vorbehalten Experton Group Big Data Vendor Benchmark 2016 8