WebWi Susannes Lernblog

 
Big Data Trends

Das vergangene Jahr war ein bedeutendes Jahr in der Welt der Big Data. Viele erkannten, dass die digitale Transformation ohne Big Data nicht möglich wäre. Denn erst die Erkenntnisse, die sich aus den Daten gewinnen lassen, unterstützen nun immer mehr Unternehmen in ihrer Entwicklung und Entscheidungsprozessen. Anhand der gewonnenen Daten ist es den Unternehmen nun möglich bestehende Geschäftsprozesse in einem kontinuierlichen Prozess zu optimieren. Des Weiteren können sie Prozesse, die veraltet sind, durch neue ersetzen (Vgl. Q1).

Durch die zunehmende Vernetzung gewinnt Big Data immer mehr an Wertigkeit - bspw. wenn wir von "Internet of Things (IoT) sprechen. Unter diesen neuen Rahmenbedingungen und bereits gewonnenen Daten finden sich ungeahnte Möglichkeiten für neue Geschäftsmodelle. Dies bestätigt uns auch die immer größer werdende und erfolgreiche Gründer- und Start-Up-Szene (Vgl. Q1).

1. Machine Learning

Unternehmen weltweit haben bereits begonnen Techniken des Machine Learnings zu entwickeln um große Datenmengen besser analysieren zu können und aus dieser Masse an Datenmengen neue Erkenntnisse zu gewinnen (Vgl. Q5).

Große Cloud-Service-Provider wie Amazon, Google und Microsoft bieten nicht nur Analysen als Dienstleistung an, sondern auch, Machine APIs und Open-Source-Learning-Tools. Diese neuen Entwicklungen des Machine Learnings ermöglicht es Entwicklern, neue Anwendungen in den unterschiedlichsten Bereichen zu erstellen - wie z.B. in der Betrugserkennung, Gesichtserkennung oder für medizinische Diagnosen (Vgl. Q5). Machine Learning ist ebenfalls von großer Bedeutung wenn es um das Thema Sicherheit geht, bspw. um das Online-Shopping sicherer zu machen oder auch um die Sicherheit von Gebäuden mithilfe von Machine Learning zu verbessern (Vgl. Q1).

Für das Jahr 2016 wird prognostiziert, dass sich viele neue Entwicklungen mit den neuen Techniken des machinellen Lernens in großem Maßstab umgesetzt werden (Vgl. Q5). Weitere überlegende Technologien des Machine Learnings, das sogenannte "Deep Learning" sollen uns einen Schritt näher an die künstlichen Intelligenz bringen. Einige der vielversprechenden Anwendungen, die "Deep Learning" verwenden sind, Cortana, Google Now, Siri oder Facebook M (Vgl. Q5). 

2. IoT und der Wandel der Geschäftsmodelle

Das "Internet der Dinge" (IoT), soll im Jahr 2016 Unternehmen bei der Optimierung ihrer herkömmlichen Geschäftsprozesse unterstützen. Es wird prognostiziert, dass sich dadurch auch viele neue Business-Modelle entwickeln werden. Viele Unternehmen werden mithilfe von Big Data und im Rahmen der Digitalen Transformation ihr Geschäftsmodell an die neuen Bedingungen des Marktes anpassen (Vgl. Q1).

IoT: Number of Connected Devices Worldwide from 2012 to 2020 (in billions)
Quelle:
http://www.statista.com/graphic/1/471264/iot-number-of-connected-devices-worldwide

Die obigen Zahlen zeigen, dass der Markt für IoT mit einer unglaublichen Geschwindigkeit wächst. Es wird vorausgesagt, dass die Investitionen für das Industrial Internet oder "Internet der Dinge" bis 2020 stark ansteigen werden (Vgl. Q6). 

Gartner, Inc. prognostiziert " 6,4 Billion Connected "Things" will be in use in 2016, up 30 percent from 2015" (Q3)

3. Predictive Analytics

Modernen Vorhersagemethoden sollen Unternehmen ermöglichen, auf Basis verfügbarer Daten, verlässliche Prognosen für zukünftige Ereignisse zu erstellen. Ganz besonders im Bereich Wartung und Instandhaltung von Maschinen soll Predictive Analytics bzw. "Predicitve Maintenance" zum Einsatz kommen, um kostspielige Ausfälle von Maschinen oder Motoren vorzubeugen (Vgl. Q1).

Predictive Analytics wird aber mittlerweile auch in vielen anderen Branchen eingesetzt. Im Sicherheits-Bereich spielt das sogenannte "Predictive Policing" bereits eine große Rolle, um bspw. Straftaten vorherzusagen (Vgl. Q2). 

Von einem intelligenten Stromnetz, dem "Smart Grid" wird ebenfalls gesprochen, wenn wir von den Anwendungsbereichen des Predicitve Analytics in der Zukunft sprechen. "Smart Grid" soll den Stromverbrauch voraussagen, um den Stromverbrauch und die fluktuierende Stromerzeugung (Solar- und Windkraftwerke) in Einklang zu bringen (Vgl. Q2).

4. Datenintegration, Datenvisualisierung, Diagnostik & Datenbanken

Mithilfe von sogenannten "Enterprise-Search-Systemen" sollen in Zukunft die großen Datenmengen in Unternehmen, über Abteilungs- und Applikationsgrenzen hinweg, intelligent verknüpft werden. Zur visuellen Aufbereitung komplexer Daten und vielfältiger Quellen innerhalb von Unternehmen, wird es neue Werkzeuge und Programme geben, um komplexe Daten und Informationen schneller und einfacher erfassen bzw. intern weitergeben zu können (Vgl. Q1).

5. Die Welt als Datensatz

2016 steht ganz im Zeichen von Industrie 4.0. "Smart Factories" werden in ihren Produktionsprozesse einen hohen Automatisierungsgrad erreichen, um Ressourcen optimal und kosteneffizient nutzen zu können (Vgl. Q1).

Aber nicht nur in der Produktion, nein auch in der Gesundheitsbranche soll es neue Entwicklungen geben. Hier wurde Big Data bislang hauptsächlich für die Forschung und Diagnostik von Krankheiten und zur Krebsbekämpfung eingesetzt. Doch mit dem Boom der Wearables, wie bspw. die "Smart-Watches und "Fitness.Tracker - dringt Big Data in die Welt des Einzelnen vor. Die Daten generiert aus den "Self-Tracking" Systemen sind ganz besonders bei Krankenkassen und Versicherungen begehrt. Damit erhoffen sich Institutionen die sportlichen Aktivitäten und Konsumgewohnheiten des Versicherten per App mitmessen zu können (Vgl. Q1) - Standards für Qualität, Datenschutz und Datensicherheit fehlen.

Fazit

Es beseht kein Zweifel daran, dass die neuen Big Date Trends zur "künstlichen Intelligenz" enorme Möglichkeiten bieten. Auf der anderen Seite müssen sensitive Daten auch geschützt werden.  Bei fast allen Big Data Anwendungen geht es um personenbezogene Daten, was bedeutet, dass in den meisten Fällen die Grenzen des Datenschutzrechts überschritten werden. Um die Potenziale von Big Data wirklich nutzen zu können, muss aber zuerst Big Data mit dem Datenschutz in Einklang gebracht werden (Vgl. Q7).

Q1:
tp://www.internetworld.de/technik/big-data/7-wichtigsten-big-data-trends-1092581.html
(zuletzt aufgerufen am 15.04.2016)

Q2: 
http://www.computerwoche.de/a/was-ist-was-bei-predictive-analytics,3098583,5
(zuletzt aufgerufen am 13.04.2016)

Q3: 
http://www.gartner.com/newsroom/id/3165317
(zuletzt aufgerufen am 13.04.2016)

Q4: 

http://www.tableau.com/sites/default/files/media/Whitepapers/381493_top8bigdatatrends2016_de-de.pdf?ref=lp&signin=d07bd692bd2d4376a0edb78ca8c54ae1&1[os]=windows
(zuletzt aufgerufen am 15.04.2016)

 Q5: 
http://www.edvancer.in/7-big-data-trends-2016/
(zuletzt aufgerufen am 15.04.2016)

Q6: 
http://www.statista.com/graphic/1/471264/iot-number-of-connected-devices-worldwide
(zuletzt aufgerufen am 15.04.2016)

Q7:

http://www.searchsecurity.de/lernprogramm/Datenschutz-Big-Data-Analysen-erfordern-mehr-als-Anonymisierung
(zuletzt aufgerufen am 15.04.2016)