Big Data – Strategischer Vorteil im

WIsMar – WirtschaftsInformatik steigert Marktchancen
Modul Wissenschaftliches Arbeiten SS2013
Big Data – Strategischer Vorteil im internationalen Wettbewerb
Robert Sack
Hochschule Wismar, Fakultät für Wirtschaftswissenschaften
Wirtschaftsinformatik
Nach Berechnungen verdoppelt sich das weltweite Datenvolumen alle zwei Jahre.
Hierbei handelt es sich um Datenmengen, die bis in die Exabytes (1018) gehen. Big Data behandelt das Problem der Erfassung,
Analyse und Visualisierung dieser Daten. Für Unternehmen ist es sinnvoll sich mit dem Thema Big Data auseinanderzusetzen.
Die schnelle und präzise Auswertung von Daten ermöglichen Unternehmen sowie Institutionen eine effektivere Marktbeobachtung
und eine schnelle Auswertung von Webstatistiken zur Anpassung von Online-Werbemaßnahmen. Sogar der Präsident der USA,
Barack Obama, hat sich bereits der Konzepte von Big Data bedient. Durch gezielte Analyse von Nutzerprofilen sozialer Netzwerke,
wurden sowohl unentschlossene Wähler, als auch deren Interessen ermittelt. Diese Kenntnisse stellen in einem Wahlkampf einen
markanten Vorteil dar.
Durch den voranschreitenden Globalisierungsprozess, wird es für Unternehmen immer wichtiger durch alternative Konzepte
konkurrenzfähig zu bleiben. Der nachfolgende Artikel zeigt Anwendungsbereiche von Big Data in der Wirtschaft auf, welche
Probleme dabei zu beachten sind und beantwortet die Frage: inwiefern Unternehmen von Big Data Konzepten profitieren können.
According to calculations the worldwide data volume doubles every two years.
These are amounts of data in the area of Exabytes (10 18). Big Data is about the capture, analyze and visualizing of these informations.
For companies it makes sense to think about the topic Big Data.
Because of the fast and precise evaluation of informations, companies as well as institutions are able to have a more effective market
investigation and a faster evaluation of web statistics for the adaption of online commercials.
Due to the increasing process of globalization it becomes more and more important for companies using alternative concepts to keep
competitive. The following article shows areas of application of Big Data in the economy. Which problems have to be observed?
Also the article answer the question: Which companies benefit?
EINFÜHRUNG
BEGRIFFSDEFINITION UND -ERKLÄRUNG
In einer Zeit mit immer schneller wachsenden Datenmengen,
stellt sich für Unternehmen die Frage, wie sie diese Datenflut
bewältigen und Trends sowie Muster daraus ableiten können.
Berechnungen zufolge verzehnfacht sich das Datenvolumen
alle fünf Jahre. Doch worin liegen die Ursachen dieser
explosionsartigen Vervielfältigung an Daten weltweit? Der
Hauptgrund liegt in vernetzten Geräten wie Smartphones,
Stromzählern, Überwachungskameras oder Autos mit
Navigationssystemen. Diese erzeugen fortwährend Daten.
Hinzu kommt die Vielfalt an verschiedenen Datentypen zum
Beispiel aus Transaktionen, wissenschaftlichen Versuchen,
Simulationen und Sensordaten. Dieses Problems nimmt sich
Big Data an. Doch kann der Nutzen von Big Data auch mit
bereits vorhandenen Mitteln, sprich mit einem Data
Warehouse, erzielt werden? Welches sind die zentralen
Problemstellungen von Big Data? Welche Herausforderungen
ergeben sich daraus für Unternehmen und welche Chancen
bieten sich? Über alle diese Fragen gibt der Artikel Auskunft.
Zunächst wird Big Data genauer definiert und erklärt.
Bei Big Data handelt es sich um einen abstrakten Oberbegriff
für jegliche Art und Anzahl von Daten, die mit traditionellen
Datenanalyseverfahren nicht handhabbar sind und daher neuer
Techniken und Technologien bedürfen. Jedoch ist der genaue
Ursprung und die erste Verwendung des Begriffes Big Data
nicht eindeutig zu bestimmen. Außerdem gibt es verschiedene
Quellen, die Big Data in seiner aktuellen Verwendung geprägt
haben. Bezüglich der Eigenschaften gibt es jedoch eine
unumstrittene Definition. Diese wurde von Gartner im Jahre
2011 verfasst. Gartner ist das weltweit führende ITForschungs- und Beratungsunternehmen. Sie haben Kunden in
13200 verschiedenen Organisationen. [1] Die Definition stützt
sich auf einen Forschungsbericht der Analysten Doug Laney.
Er hatte die Herausforderungen des Datenwachstums als
dreidimensional bezeichnet. Gartner hat daraus ein 3-V-Modell
entwickelt.
1
Die erste Eigenschaft ist „Volume“ (dt. Volumen). Soziale
Medien wie Facebook und Twitter erzeugen eine Vielzahl an
Daten. Allein Facebook verwaltet täglich ein Datenvolumen
von 500 Terabyte (1012). [2]
Für traditionelle Datenbanksysteme stellt das eine große
Herausforderung dar. Es gibt bereits Datenbanken im Petabyte
(1015) Bereich. Jedoch sind diese teuer. Die Herausforderung
besteht darin den Wert der Daten zu ermitteln und
herauszufinden ob diese die hohen Anschaffungskosten für
solch eine Datenbank aufwiegen.
ABGRENZUNG ZU BUSINESS INTELLIGENCE
Zur Beantwortung der Frage ob Big Data Herausforderungen
auch mit bereits vorhandenen Mitteln gelöst werden können,
soll anschließend der Unterschied von Big Data zu Business
Intelligence erläutert werden. Laut Definition wird Business
Intelligence als betriebliche Entscheidungsunterstützung durch
einen integrierten, aufs Unternehmen bezogenen IT-basierten
Gesamtansatz beschrieben. [6]
Daten werden aus unterschiedlichen Abteilungen extrahiert,
transformiert und in einer zentralen Datenbank (Data
Warehouse) abgelegt. Business Intelligence Anwendungen
können über definierte Schnittstellen auf die Daten zugreifen
und diese weiterverarbeiten. Der zentrale Unterschied
zwischen Big Data und Business Intelligence liegt in der
Ausrichtung auf die gesammelten und verarbeitenden Daten.
Business Intelligence Lösungen setzen strukturierte,
konsistente und beständige Daten voraus. Big Data Lösungen
dagegen sind auf unstrukturierte und möglicherweise nicht
konsistente Daten hin optimiert. Der Unterschied zwischen
strukturierten und unstrukturierten Daten wurde bereits
erläutert. Was sind konsistente beziehungsweise nicht
konsistente Daten? Datenkonsistenz bezeichnet die Korrektheit
der in der Datenbank gespeicherten Daten. Inkonsistente Daten
können zu schweren Fehlern führen, wenn die darüber liegende
Anwendungsschicht nicht damit rechnet. Business Intelligence
Lösungen greifen auf Daten eines Data Warehouse zu. Da das
Data Warehouse eine klassische relationale Datenbank ist,
kann Business Intelligence nicht mit inkonsistenten Daten
arbeiten. Im Unterschied ist auch der Einsatz von
verschiedenen Technologien begründet. Wie bereits erläutert
setzen Business Intelligence Lösungen auf
traditionelle
Datenbanksysteme wie relationale Datenbanken, wohingegen
Big Data Lösungen auf neuen Konzepten wie zum Beispiel
Not Only SQL (NoSql), Hadoop oder In-MemoryTechnologien basieren. Diese Lösungsansätze werden im
Folgenden genau erörtert.
Die zweite Eigenschaft ist „Velocity“ (dt. Geschwindigkeit).
In einer marktwirtschaftlich geprägten Welt wird es für
Unternehmen immer wichtiger Daten möglichst schnell zu
verarbeiten und entsprechend darauf reagieren zu können. Es
existiert allerdings noch ein zweiter Aspekt. Und das ist die
Rate mit der aktuell Daten in verschiedensten
Anwendungsbereichen erzeugt werden. So verdoppelt sich das
Datenvolumen alle zwei Jahre. Das geht aus einer Studie der
International Data Corporation aus dem Jahre 2011 hervor. [3]
Diese Entwicklung wird in erster Linie getrieben durch die
zunehmende maschinelle Erzeugung von Daten zum Beispiel
über Protokolle von Telekommunikationsverbindungen, WebZugriffen und die automatische Erfassung von verschiedenen
Sensoren (zum Beispiel Kameras, Mikrofone, Wettersensoren).
Im Jahre 2011 zum Beispiel wurden global 1,8 Zettabyte (10 21)
an Daten produziert. [4]
Die dritte Eigenschaft ist „Variety“ (dt. Vielfalt).
Diese Eigenschaft ist der wichtigste Aspekt von Big Data und
stellt gleichzeitig die größte Herausforderung dar.
Traditionelle Datenbanksysteme können mit den stark
unterschiedlichen und oft unstrukturierten Daten nicht
umgehen. Sie arbeiten mit Relationen. Das kann man sich
vereinfacht als Tabelle vorstellen. Jede Zeile einer solchen
Tabelle entspricht einem Datensatz. Zudem sind strukturierte
Daten erforderlich. Ein Beispiel für strukturierte Daten sind
Kundenstammdaten. Es gibt jedoch auch halbstrukturierte
Daten, wie zum Beispiel die von E-Mails. Hierbei ist der Kopf
(Absender, Empfänger, Betreff) strukturiert und der Rumpf
unstrukturiert. Für den Text einer E-Mail existiert keine
vorgegebene Struktur. Außerdem existieren unstrukturierte
Daten wie Bilder, Videos und Audiodateien. Big Data fasst
alle Daten, ob strukturiert oder nicht zusammen und analysiert
diese gemeinsam.
LÖSUNGSANSÄTZE
Eine zentrale Herausforderung von Big Data ist die rasant
wachsende Komplexität, die aufgrund der mangelnden Struktur
von Daten entsteht. Als Regel lässt sich sagen, dass heute nur
15% der Daten strukturiert sind, circa 85% der Daten sind
unstrukturiert. [7](S. 5) Außerdem hält eine neue Vielfalt an
Datenarten im geschäftlichen und privaten Bereich Einzug.
Soziale Medien fördern die Verbreitung von Texten, Bildern,
Musik- oder Videodateien. Darüber hinaus liefern intelligente
Geräte wie Smartphones oder Navigationssysteme eine
Vielzahl an Sensordaten. Darüber hinaus ist es für die optimale
Unterstützung und Steuerung von Geschäftsprozessen
unabdingbar, Geschäftsdaten in Echtzeit zu analysieren und
auszuwerten.
Um diese Herausforderungen zu bewältigen, gibt es
verschiedene Lösungsansätze welche jetzt erläutert werden.
Eine weitere Eigenschaft, die häufig zur Beschreibung von Big
Data Verwendung findet ist „Veracity“ (dt. Zuverlässigkeit).
Diese wurde von IBM geprägt. [5] Daten stammen häufig aus
unterschiedlichen Quellen und können daher zweifelhaft oder
ungenau sein. Auch darin besteht die Herausforderung von Big
Data. Zudem muss unter dem Aspekt der Unternehmensziele
(zum Beispiel maximaler Gewinn) die Verfügbarkeit und
Analyse der Daten möglichst schnell geschehen. Das führt
dazu, dass die Daten nicht rechtzeitig bereinigt werden. Daher
haftet den gesammelten Daten häufig eine gewisse
Ungenauigkeit und Unsicherheit an. Dies muss bei der
Betrachtung von Big Data berücksichtigt werden.
2
Der erste Lösungsansatz soll Not Only SQL (NoSql) sein.
NoSql dient dazu nicht strukturierte Daten zu managen.
Das sind vor allem Texte, Bilder, Audios und Videos. Die
Bezeichnung Not Only SQL steht für „nicht nur SQL“. Obwohl
die NoSql Datenbanken nicht-relationale Daten speichern
können, verfügen sie meist auch über eine an SQL angelehnte
Schnittstelle zur Abfrage der Daten. Der NoSql-Ansatz wird
versucht relationale Systeme sinnvoll zu ergänzen. Und zwar
mit Methoden die deren Defizite beheben, durch nichtrelationale und nicht transaktionsgeschützte Konzepte.
Transaktionsschutz beschreibt erwünschte Eigenschaften von
Verarbeitungsschritten in Datenbankmanagementsystemen
(Atomarität, Konsistenzerhaltung, Isolation, Dauerhaftigkeit).
NoSql gewährleistet eine schnelle Speicherung großer
Datenmengen. Dafür verzichtet NoSql auf absolute
Datenkonsistenz und starke Strukturierung der gespeicherten
Daten.
Big Data überall anzutreffen wo Informationen von großer
Bedeutung sind. Die Anwendungsbereiche in der Wirtschaft
gliedern sich in fünf Gruppen.
Die erste Gruppe ist Marketing und Vertrieb. Big Data
erleichtert es Marketing- und Vertriebsabteilungen Produktund Serviceangebote zunehmend auf Kundensegmente oder
einzelne Kunden zuzuschneiden und Streuverluste im
Marketing zu vermindern. Streuverluste sind Fehlinvestitionen
in Werbekampagnen, die eine nicht relevante Zielgruppe
erreichen, aber dennoch einen Werbeträger belegen. [8]
Dem Handel eröffnen sich Cross-Selling-Potenziale. Wenn
Händler
typische
Muster
für
Kaufentscheidungen
identifizieren, können sie den Umsatz pro Kaufvorgang
erhöhen. Durch das in Echtzeit zueinander in Beziehung setzen
von Transaktionsdaten, Standortdaten eines Kunden und
demographischen Daten, ist es Händlern möglich, zu einem
bestimmten Zeitpunkt an einem Ort spezifische Angebote zu
machen.
Der nächste Lösungsansatz ist Hadoop. Hadoop nimmt sich in
erster Linie des Problems der großen Datenmengen an.
Applikationen können komplexe Computing-Aufgaben auf
tausende Rechnerknoten verteilen und Datenvolumina im
Petabyte-Bereich verarbeiten. Dabei werden rechenintensive
Prozesse auf Server-Clustern abgearbeitet. Ein Server-Cluster
ist ein Verbund aus mehreren Servern. Hadoop enthält eine
Implementierung des MapReduce-Algorithmus.
Die Grundidee von MapReduce ist, Rechenaufgaben in kleine
Teile zu zerlegen, auf eine Vielzahl von Rechnern zu verteilen,
dort extrem parallelisiert abzuarbeiten und sie danach wieder
zusammenzuführen.
Die zweite Gruppe ist die Produktentwicklung. In der
Entwicklung der nächsten Produktgeneration helfen SocialMedia-Analysen und die Auswertung von Sensordaten der
zurzeit im Einsatz befindlichen Produkte. Produkte nächster
Generationen könnten demnach genauer auf die Bedürfnisse
der Kunden zugeschnitten sein. Durch Social-MediaTrendanalysen könnten außerdem neue Produktideen
entwickelt werden.
Die dritte Gruppe ist Produktion, Service und Support. Entlang
von Produktions- und Lieferketten und an Produkten werden
Sensordaten erfasst und zur Optimierung der Fertigungs-,
Service- und Supportprozesse verwendet. Die meisten dieser
Daten fließen in Echtzeit in Datenbanken ein. Zum Beispiel
zum Zweck der Überwachung. Dies wird unter anderem in der
Ölförderung praktiziert. Hierbei lassen sich mit Daten von
Bohrköpfen, seismischen Sensoren und Telemetrie-Satelliten
Fehler vermeiden sowie Betriebs- und Wartungskosten senken.
Unternehmen
arbeiten
daran
die
verschiedenen
Unternehmensbereiche miteinander zu verknüpfen und auch
Zulieferer und Partner in die Optimierung mit einzubeziehen.
Ein weiterer Lösungsansatz ist die In-Memory-Technologie.
In-Memory-Technologie ist eine weitere Technik, die den
Umgang mit großen Datenmengen erleichtert. Durch
gesunkene Hardwarekosten hat sich das Caching der Daten im
Hauptspeicher zu einem beliebten Mittel der PerformanceSteigerung gemacht. Aus einer Befragung der InfraLive GmbH
aus dem Jahr 2012 geht das klar hervor. Dabei gaben 56% der
Befragten
an,
dass
Bestrebungen
bezüglich
der
Implementierung der Data-Management-Strategie eine zentrale
Rolle spielen. [7](S. 13) Der größte Vorteil von In-MemoryTechnologien ist, dass der Arbeitsspeicher eines Rechners
wesentlich höhere Zugriffsgeschwindigkeiten ermöglicht als
der Festplattenspeicher. Zudem werden dadurch die
Algorithmen für den Zugriff einfacher. Mit In-MemoryTechnologien wird vor allem die Herausforderung der
möglichst schnellen Verarbeitung von Daten angegangen. Die
Vorteile von In-Memory-Technologien lassen sich optimal
nutzen, wenn die gesamte Datenmenge in den Hauptspeicher
passt. Um hohe Leistung zu erzielen wird In-MemoryComputing verwendet, ohne dabei mit der bewährten
relationalen Technik zu brechen. Hersteller bieten hybride
Datenbanken an. Das ist eine Mischung aus beidem.
Die vierte Gruppe ist Distribution und Logistik. Durch eine
stärkere Vernetzung von Fahrzeugen mit der Außenwelt, wird
eine nachhaltige Kostensenkung angestrebt. Immer mehr
Fahrzeuge werden mit Sensoren und Steuerungsmodulen
ausgestattet. Diese liefern Fahrzeugdaten wie den
Benzinverbrauch, Verschleißinformationen von Fahrzeugteilen
sowie Positionsdaten und speichern sie in eine Datenbank. Mit
Hilfe solcher Daten können Disponenten zeitnah Touren
planen, und gegebenenfalls Routen und / oder Beladung
ändern, Wartungskosten und Stillstandzeiten minimieren. In
der Optimierung von Lieferketten liegt ein weiteres
Einsatzgebiet von Big Data. Dazu dienen Daten der eigenen
Kapazitäten. Darüber hinaus müssen dafür Daten der
Auftragsfertiger, der Zwischenlager und der Logistikpartner
sowie Prognosen künftiger Absatzmengen gesammelt und
analysiert werden. Eine zeitnahe Auswertung dieser Daten ist
erfolgsentscheidend.
EINSATZGEBIETE IN DER WIRTSCHAFT
Die Anwendungsbereiche von Big Data sind vielfältig. Die
klassischen Produktionsfaktoren in der Wirtschaft sind Boden,
Arbeit und Kapital. Durch die wachsende Bedeutung von
Daten im betriebswirtschaftlichen Kontext, aber auch für
statistische, wissenschaftliche oder technische Anwendungen,
wird immer häufiger die Information als Produktionsfaktor
hinzugenommen. Deshalb sind die Anwendungsbereiche von
Die fünfte Gruppe ist Finanz- und Risikocontrolling. Eine
zentrale Anwendung ist hierbei die Echtzeit-Reaktion auf
Geschäftsinformationen.
3
Durch Big-Data-Technologien können unterschiedliche
Unternehmensinformationen schnell zusammengeführt werden.
Die Zahl an Daten, Fakten und Beobachtungen steigt
kontinuierlich. Und neue Herangehensweisen in Soft- und
Hardware ermöglichen es Informationen analytisch so
aufzubereiten, dass sie im Geschäftsprozess zur Verfügung
stehen. Big Data Ansätze erlauben die gezielte Beantwortung
von Add-Hoc Fragestellungen, wohingegen Business
Intelligence Lösungen formatierte Berichte aus starren
Datenmodellen einsetzen. Eine weitere Anwendung ist die
Erstellung von aussagekräftigen Vorhersagemodellen. Mit BigData-Technologien können viele unterschiedliche Modelle
berechnet werden und deren Aussagekraft verglichen werden.
Und das zeitnah. Mit Business-Intelligence-Lösungen ist die
Berechnung der Vohersagemodelle aufgrund der Komplexität
der Fragestellung sowie der Menge der anfallenden Daten ein
aufwändiger Prozess mit langen Laufzeiten.
Die Chancen die sich aus Big Data ergeben sind zahlreich.
Laut dem Frauenhofer-Institut für intelligente Analyse- und
Informationsverfahren wird Big Data zu einem Schlüsselfaktor
in der weltweiten digitalen Revolution in der Wirtschaft. [9]
(S. 3) Mit Big Data Konzepten lassen sich Vertriebs- und
Marketingaktivitäten
und
–auswertungen
verbessern.
Geschäftsanalysen lassen sich optimieren, sodass genau
identifiziert werden kann bei welchen Prozess in welcher
Abteilung des Unternehmens Potentiale zur Umsatzsteigerung
beziehungsweise Kostensenkung vorhanden sind. Außerdem
lassen sich Logistikprozesse optimieren. Damit sind
beispielweise minimale Stillstandzeiten gemeint. Zudem kann
Big Data neue Geschäftsfelder erschließen. Durch SocialMedia-Analysen ergibt sich die Möglichkeit für Unternehmen
Produkte zu entwickeln, die besser auf die Bedürfnisse der
Kunden zugeschnitten sind. Unter dem Aspekt der wachsenden
Konkurrenz auf dem Weltmarkt in allen Bereichen der
Wirtschaft, kann Big Data Unternehmen einen beträchtlichen
strategischen Vorteil einbringen. Allerdings sind diese
Chancen momentan alle theoretisch. Es existieren noch keine
Standards und wenig fertige Lösungen für Big Data.
HERAUSFORDERUNGEN & CHANCEN FÜR
UNTERNEHMEN
Der Einsatz von Big Data Konzepten eröffnet Unternehmen
viele Chancen. Wie diese genau aussehen, soll später
ausgeführt werden. Die mit Big Data verbundenen Chancen
entstehen nicht automatisch. Unternehmen müssen sich mit
Herausforderungen auseinandersetzen, die primär das
Management von Daten betrifft. Das Fundament um die
Möglichkeiten von Big Data Konzepten zu nutzen, ist eine
innovative Big Data Strategie. Mit einer solchen Strategie
haben Unternehmen die Möglichkeit auf Markt- und
Kundenveränderungen schnell reagieren und bevorstehende
Veränderungen frühzeitig erkennen zu können. Daraus lassen
sich Wettbewerbsvorteile ziehen. Für solch eine Strategie
reicht es nicht aus immer größere Datenmengen zu speichern.
Unternehmen verfügen seit Jahren über Massendaten und
Dokumenten, die mithilfe von Business Intelligence analysiert
und ausgewertet werden. Dies stößt jedoch an seine Grenzen.
Aufgrund des Datenvolumens dauert die Auswertung zu lange
und verliert somit für die Entscheidungsvorbereitung an Wert.
Daraus lässt sich schlussfolgern, dass Daten schnell
ausgewertet werden müssen, um den optimalen Nutzen aus
ihnen zu ziehen. Des Weiteren müssen Unternehmen
sicherstellen alle relevanten Daten und Informationen zu
erfassen und sicherzustellen, dass diese nicht verloren gehen.
Sprich Unternehmen müssen Datenverluste vermeiden. Des
Weiteren müssen Unternehmen für den Umgang mit Daten
Verantwortlichkeiten und Prozesse festlegen. Zum einen um
Missbrauch von Daten zu vermeiden, zum anderen für die
Auswertung komplexer Daten in Echtzeit. Um dies umsetzen
zu können benötigen Unternehmen eine heterogene und
komplexe Informationslandschaft. Das führt zu höheren
Betriebskosten. Das immense Datenvolumen sowie die Vielfalt
der
Informationen
erhöhen
die
Bedeutung
einer
problemadäquaten Interpretation der Daten sowie die
Sicherstellung ihrer Aktualität. Fehlinterpretationen sind
unbedingt zu vermeiden. Grundvoraussetzung um das immense
Datenvolumen problemadäquat interpretieren zu können sind
klare Datenstrukturen und Abläufe. Unternehmen müssen
darüber hinaus beachten, dass Daten aus vielen
unterschiedlichen und möglicherweise unsicheren Quellen
stammen. Dies hat große Relevanz bei der Analyse, weil Daten
eventuell ungenau und unsicher sein können.
AUSBLICK
In den nächsten Jahren werden durch wachsende Anzahl und
Diversität von Diensten die immer größere Datenmengen
anfallen. Dieser große, unstrukturierte Datenhaufen soll in
Zukunft durch Big Data Systeme strukturiert und für Analysen
zugänglich gemacht werden. Damit das gelingt muss sowohl
auf Software- als auch auf Hardwareebene weiterentwickelt
werden. Es werden einerseits geeignete Speicher und
Rechencluster und andererseits neue abstrakte und analytische
Verfahren sowie statistische Methoden, um Zusammenhänge in
den Daten zu verstehen und diese gewinnbringend nutzen zu
können benötigt.
REFERENZEN
1. http://www.gartner.com/technology/about.jsp
2. http://t3n.de/news/facebook-big-datagigantische-410203/
3. http://www.cio.de/dynamicit/bestpractice/228
1581/
4. http://t3n.de/news/infografik-viele-datenproduziert-welt-2011-317261/
5. http://www01.ibm.com/software/data/bigdata/
6. Grünwald, Taubner: Business Intelligence, In:
Informatik Spektrum: Aktuelles Schlagwort.
http://link.springer.com/content/pdf/10.1007%
2Fs00287-009-0374-1, Deutschland, 2009
7. TNS Infratest GmbH – Geschäftsbereich
Technology: Quo Vadis Big Data –
Herausforderungen – Erfahrungen –
Lösungsansätze, 2012
8. http://de.wikipedia.org/wiki/Streuung
9. http://www.iais.fraunhofer.de/fileadmin/user_
upload/Abteilungen/KD/pdfs/FraunhoferIAIS_Bi
g-Data_2012-12-10.pdf
4