Zu den gro\u00dfen Herausforderungen z\u00e4hlen dabei die Erfassung der Daten mit speziellen L\u00f6sungen, deren Speicherung und deren Analyse. Weitere wertvolle Kompetenzen sind unter anderem die Suche, Nutzung, \u00dcbertragung, Visualisierung, Abfrage, Aktualisierung sowie insbesondere der Schutz der Daten.<\/p>\n
Die Analyse von Datens\u00e4tzen kann neue Zusammenh\u00e4nge finden, um beispielsweise Gesch\u00e4ftstrends zu erkennen oder Konsumentenverhalten zu untersuchen.<\/p>\n
![\"Was](\"https:\/\/one2.sem-webagentur.de\/wp-content\/uploads\/2023\/08\/woher-stammen-big-data-1.jpg\" "\\"Herkunft")
<\/p>\n
Herkunft von Big Data<\/h2>\n
Die erhobenen Daten stammen aus verschiedenen Bereichen, wie z.B.:<\/p>\n
- \n
- Transaktionsdaten<\/strong>, z.B. Daten aus Rechnungen, Zahlungsauftr\u00e4gen, Lager- und Lieferscheinen<\/li>\n
- Maschinendaten,<\/strong>B. Daten von Industrieanlagen oder Verkehrsmittel<\/li>\n
- Echtzeitdaten von Sensoren<\/strong> (einschlie\u00dflich Sensoren auf dem Smartphone) und Weblogs, die das Benutzerverhalten online verfolgen<\/li>\n
- Soziale Daten<\/strong>, z.B. Daten, die von sozialen Mediendiensten wie Facebook Likes, Tweets und YouTube-Ansichten stammen<\/li>\n
- Daten von mobilen Ger\u00e4ten<\/strong><\/li>\n
- Finanzmarktdaten<\/strong>, z.B. Transaktions- und B\u00f6rsendaten<\/li>\n
- Internet der Dinge<\/strong> (IoT)<\/li>\n
- Machine to Machine Kommunikation (M2M)<\/strong><\/li>\n
- Multimediadaten<\/strong> \u2013 gr\u00f6\u00dfter Teil des Datenflusses im World Wide Web<\/li>\n
- Gesundheitswesen<\/strong>, z.B. Genanalyse<\/li>\n
- Wissenschaft<\/strong>, z.B. Klimaforschung, Genetik oder Geologie<\/li>\n<\/ul>\n
und vieles mehr.<\/p>\n
In vielen F\u00e4llen sind diese Daten f\u00fcr sich genommen bedeutungslos. Ein echter Gesch\u00e4ftswert entsteht oft erst durch die Kombination dieser\u00a0Big Data-Feeds mit traditionellen (relationalen) Daten wie Kundendaten, Vertriebsstandortdaten und Umsatzzahlen, um neue Erkenntnisse, Entscheidungen und Aktionen zu generieren.<\/p>\n
Beispiele f\u00fcr die Verarbeitung gro\u00dfer Datenmengen<\/h2>\n
Internationale Entwicklung:<\/strong> Untersuchungen zur effektiven Nutzung von Informations- und Kommunikationstechnologien legen nahe, dass verarbeitete Daten wichtige Erkenntnisse liefern, aber auch einzigartige Herausforderungen f\u00fcr die internationale Entwicklung darstellen k\u00f6nnen. Fortschritte in der Analyse von Big Data bieten eine kosteng\u00fcnstige M\u00f6glichkeit zur Verbesserung der Entscheidungsfindung in kritischen Entwicklungsbereichen, wie in der Gesundheitsversorgung, Besch\u00e4ftigung, wirtschaftlichen Produktivit\u00e4t, Kriminalit\u00e4t, Sicherheit sowie im Naturkatastrophen- und Ressourcenmanagement.<\/p>\n
Fertigung:<\/strong> Hier stehen Verbesserungen in der Lieferplanung und Produktqualit\u00e4t im Vordergrund. Big Data ist die Grundlage f\u00fcr die Transparenz in der Fertigungsindustrie, die es erm\u00f6glicht, Unsicherheiten wie inkonsistente Komponentenleistung und -verf\u00fcgbarkeit zu beseitigen. Predictive Manufacturing als anwendbarer Ansatz f\u00fcr nahezu keine Ausfallzeiten und Transparenz erfordert eine gro\u00dfe Datenmenge und fortschrittliche Prognosewerkzeuge f\u00fcr eine systematische Verarbeitung von Daten zu n\u00fctzlichen Informationen. Ein konzeptioneller Rahmen der pr\u00e4diktiven Fertigung beginnt mit der Datenerfassung, bei der verschiedene Arten von Sensordaten wie Akustik, Vibration, Druck, Strom, Spannung und Reglerdaten erhoben werden k\u00f6nnen.<\/p>\n
Gesundheitswesen:<\/strong> Big Data Analytics ist mitverantwortlich daf\u00fcr, das Gesundheitswesen zu verbessern, indem es unter anderem personalisierte Medizin und pr\u00e4skriptive Analytik bietet. Der Umfang der in den Gesundheitssystemen generierten Daten ist nicht trivial. Mit dem zus\u00e4tzlichen Einsatz von mHealth, eHealth und tragbaren Technologien wird das Datenvolumen weiter zunehmen. Dazu geh\u00f6ren unter anderem elektronische Gesundheitsdaten, Bilddaten, Patientendaten und Sensordaten. Die Notwendigkeit, der Daten- und Informationsqualit\u00e4t in solchen Umgebungen mehr Aufmerksamkeit zu schenken, ist noch gr\u00f6\u00dfer geworden.<\/p>\n
Medien:<\/strong> Um zu verstehen, wie die Medien gro\u00dfe Datenmengen nutzen, ist es zun\u00e4chst notwendig, einen Kontext in den Medienprozess zu bringen. Die Branche scheint sich vom traditionellen Ansatz, bestimmte Medienumgebungen wie Zeitungen, Zeitschriften oder Fernsehsendungen zu nutzen, zu entfernen und stattdessen die Verbraucher mit Technologien anzusprechen, die die Zielgruppen zu optimalen Zeiten und an optimalen Orten erreichen. Ziel ist es, eine Botschaft oder einen Inhalt zu vermitteln, der (statistisch gesehen) im Einklang mit der Einstellung des Verbrauchers steht. So werden beispielsweise Botschaften (Anzeigen) und Inhalte (Artikel) zunehmend auf die Bed\u00fcrfnisse der Konsumenten zugeschnitten, die ausschlie\u00dflich durch verschiedene Data-Mining-Aktivit\u00e4ten gewonnen wurden.<\/p>\n
Internet der Dinge (Internet of Things – IoT):<\/strong> Der Grundgedanke vom Internet der Dinge ist es, Gegenst\u00e4nde zu smarten Objekten zu machen, um daraus Daten zu gewinnen. Dabei handelt es sich sowohl um Alltagsgegenst\u00e4nde, wie z.B. Uhren oder K\u00fchlschr\u00e4nke, als auch um Fahrzeuge oder Bahngleise. Diese intelligenten Objekte generieren st\u00e4ndig neue Informationen, die mit Hilfe einer Big Data-Analyse erst ausgewertet und in Erkenntnisse umgewandelt werden k\u00f6nnen. Aufgrund einer immer gr\u00f6\u00dfer werdenden Anzahl an vernetzten Ger\u00e4ten werden auch immer mehr Daten gesammelt. Das hat zur Folge, dass die Auswertung der Datenbest\u00e4nde zwar schwieriger wird, jedoch relevantere Schl\u00fcsse daraus gezogen werden k\u00f6nnen.<\/p>\n
![\"Beispiele](\"https:\/\/one2.sem-webagentur.de\/wp-content\/uploads\/2023\/08\/herausforderungen-von-big-data-1.jpg\" "\\"Big")
<\/p>\nHerausforderungen von\u00a0Big Data<\/h2>\n
Die offensichtlichste Herausforderung, die mit hohen Datenmengen verbunden ist, ist die einfache Speicherung und Analyse dieser Informationen. Dokumente, Fotos, Audio, Videos und andere unstrukturierte Daten k\u00f6nnen schwierig zu durchsuchen und zu analysieren sein. Um das Datenwachstum zu bew\u00e4ltigen, setzen Unternehmen auf verschiedene Technologien. Wenn es um Storage geht, k\u00f6nnen konvergierte und hyperkonvertierte Infrastrukturen und softwaredefinierte Speicher die Skalierung der Hardware erleichtern. Nat\u00fcrlich wollen Unternehmen nicht nur Daten speichern, sondern wollen sie nutzen, um ihre Gesch\u00e4ftsziele zu erreichen.<\/p>\n
Big Data ist f\u00fcr Unternehmen hilfreich, um wettbewerbsf\u00e4higer zu werden – aber nur, wenn sie daraus Erkenntnisse gewinnen und diese schnell umsetzen k\u00f6nnen. Um diese Geschwindigkeit zu erreichen, setzen einige Unternehmen auf eine neue Generation von ETL- und Analysetools, die die Zeit f\u00fcr die Erstellung von Berichten drastisch verk\u00fcrzen. Sie investieren in Software mit Echtzeit-Analysefunktionen, die es ihnen erm\u00f6glicht, sofort auf Marktentwicklungen zu reagieren. Aber um die Anwendungen zu entwickeln, zu verwalten und zu betreiben, die Erkenntnisse generieren, brauchen Unternehmen Profis mit spezifischem Fachwissen. Das hat die Nachfrage nach Experten in diesem Bereich in die H\u00f6he getrieben. Um dem Talentmangel zu begegnen, haben Unternehmen eine Reihe von M\u00f6glichkeiten. Erstens erh\u00f6hen viele ihre Budgets und ihre Rekrutierungs- und Bindungsbem\u00fchungen. Zweitens bieten sie ihren derzeitigen Mitarbeitern mehr Ausbildungsm\u00f6glichkeiten, um Talente selbst zu entwickeln. Drittens: Viele Unternehmen setzen auf Technologie. Sie kaufen Analysel\u00f6sungen mit Selbstbedienung und\/oder maschineller Lernf\u00e4higkeit. Diese Tools wurden entwickelt, um auf einfache Art und Weise verwendet zu werden und Unternehmen dabei zu helfen, ihre Ziele zu erreichen, selbst wenn sie nicht \u00fcber viele Spezialisten verf\u00fcgen.<\/p>\n
Die Heterogenit\u00e4t der Datens\u00e4tze f\u00fchrt zu Herausforderungen bei der Integration. Die Informationen stammen von vielen verschiedenen Orten – Unternehmensanwendungen, Social Media Streams, E-Mail-Systeme, von Mitarbeitern erstellten Dokumenten, etc. All diese Daten zu kombinieren und so abzustimmen, dass sie f\u00fcr die Erstellung von Berichten verwendet werden k\u00f6nnen, kann Probleme verursachen. Hersteller bieten eine Vielzahl von Datenintegrationstools an, die den Prozess vereinfachen sollen. Jedoch beklagen viele Unternehmen, dass sie das Problem der Datenintegration noch nicht gel\u00f6st haben. Eng mit der Idee der Datenintegration verbunden ist die Datenvalidierung. Oft bekommen Organisationen \u00e4hnliche Daten von verschiedenen Systemen, die aber nicht immer \u00fcbereinstimmen. Beispielsweise kann das E-Commerce-System Tagesums\u00e4tze auf einer bestimmten Ebene anzeigen, w\u00e4hrend das ERP-System (Enterprise Resource Planning) andere Angaben liefert. Der Prozess, diese Datens\u00e4tze in \u00dcbereinstimmung zu bringen und sicherzustellen, dass sie korrekt, nutzbar und sicher sind, wird als Data Governance bezeichnet. Die L\u00f6sung von Data Governance-Herausforderungen ist sehr komplex und erfordert in der Regel eine Kombination aus Richtlinien\u00e4nderungen und Technologie.<\/p>\n
![\"Herausforderungen](\"https:\/\/one2.sem-webagentur.de\/wp-content\/uploads\/2023\/08\/big-data-und-cloud-computing-1.png\" "\\"Big")
<\/p>\nBig Data\u00a0und Cloud Computing<\/h2>\n
Das Cloud Computing<\/a> machte es einfacher, die beste Technologie in kosteng\u00fcnstigen Paketen anzubieten. Cloud Computing<\/a> senkte nicht nur die Kosten, sondern stellte auch den kleineren Unternehmen eine Vielzahl von Anwendungen zur Verf\u00fcgung. So wie die Cloud stetig w\u00e4chst, entsteht auch eine Explosion von Informationen im Internet. Social Media ist eine v\u00f6llig andere Welt, in der sowohl Vermarkter als auch gew\u00f6hnliche Nutzer t\u00e4glich viele Daten generieren. Organisationen und Institutionen erstellen ebenfalls t\u00e4glich Daten, die im Laufe der Zeit schwer zu verwalten sind. cloud computing und gro\u00dfe Datenmengen bieten gemeinsam eine ideale L\u00f6sung, die sowohl skalierbar als auch f\u00fcr Gesch\u00e4ftsanalysen geeignet ist. Die traditionelle Infrastruktur f\u00fcr Datenspeicherung und -verwaltung erweist sich heute als langsamer und schwieriger zu verwalten. Cloud Computing kann ein Unternehmen dagegen mit allen Ressourcen versorgen, die ben\u00f6tigt werden<\/a>. Vor der Cloud steckten Unternehmen gro\u00dfe Summen in den Aufbau von IT-Abteilungen und mussten dann weiter investieren, um die Hardware auf dem neuesten Stand zu halten. Jetzt k\u00f6nnen Unternehmen Big Data auf externen Servern hosten und zahlen nur f\u00fcr Speicherplatz und Rechenleistung, die sie tats\u00e4chlich in Anspruch nehmen (Pay-as-you-go).<\/p>\n
![\"Zukunft](\"https:\/\/one2.sem-webagentur.de\/wp-content\/uploads\/2023\/08\/zukunft-und-ausblick-von-big-data-1.jpg\" "\\"Big")
<\/p>\nZukunft und Ausblick<\/h2>\n
Viele Unternehmen werden nach Technologien suchen, die es ihnen erm\u00f6glichen, in Echtzeit auf Daten zuzugreifen und zu reagieren. Im Zuge der Fortschritte bei der Datenanalyse haben einige Unternehmen begonnen, in maschinelles Lernen (Machine learning) zu investieren. Machine Learning ist ein Teilgebiet der k\u00fcnstlichen Intelligenz. Durch Erkennen von Mustern in vorliegenden Datenbest\u00e4nden sind IT-Systeme in der Lage, auf Basis vorhandener Datenbest\u00e4nde und Algorithmen Muster und Gesetzm\u00e4\u00dfigkeiten zu erkennen und eigenst\u00e4ndig L\u00f6sungen f\u00fcr Probleme zu entwickeln.<\/p>\n
<\/p>\n
<\/p>\n
Bildquellen:<\/em><\/p>\n
- \n
- \u00a9 geralt | pixabay.com<\/li>\n
- \u00a9 geralt | pixabay.com<\/li>\n
- \u00a9 geralt | pixabay.com<\/li>\n
- \u00a9 Tumisu | pixabay.com<\/li>\n
- \u00a9 geralt | pixabay.com<\/li>\n<\/ol>\n","protected":false},"excerpt":{"rendered":"
Die komplexen Datenmengen von Big Data stellen besondere Anforderungen an die Speicherung und Verarbeitung: \u2713 Definition \u2713 Cloud \u25ba Jetzt weiterlesen!<\/p>\n","protected":false},"author":3,"featured_media":30121,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false,"footnotes":"","_links_to":"","_links_to_target":""},"categories":[55],"tags":[76],"class_list":["post-31905","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-trends","tag-digitalisierung-de"],"acf":[],"_links":{"self":[{"href":"https:\/\/one2.sem-webagentur.de\/de\/wp-json\/wp\/v2\/posts\/31905","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/one2.sem-webagentur.de\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/one2.sem-webagentur.de\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/one2.sem-webagentur.de\/de\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/one2.sem-webagentur.de\/de\/wp-json\/wp\/v2\/comments?post=31905"}],"version-history":[{"count":1,"href":"https:\/\/one2.sem-webagentur.de\/de\/wp-json\/wp\/v2\/posts\/31905\/revisions"}],"predecessor-version":[{"id":31906,"href":"https:\/\/one2.sem-webagentur.de\/de\/wp-json\/wp\/v2\/posts\/31905\/revisions\/31906"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/one2.sem-webagentur.de\/de\/wp-json\/wp\/v2\/media\/30121"}],"wp:attachment":[{"href":"https:\/\/one2.sem-webagentur.de\/de\/wp-json\/wp\/v2\/media?parent=31905"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/one2.sem-webagentur.de\/de\/wp-json\/wp\/v2\/categories?post=31905"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/one2.sem-webagentur.de\/de\/wp-json\/wp\/v2\/tags?post=31905"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
- Maschinendaten,<\/strong>B. Daten von Industrieanlagen oder Verkehrsmittel<\/li>\n