Zusammenfassung
Big Data wird aktuell als einer der Haupttrends der IT-Industrie diskutiert. Big Data d. h. auf Basis großer Mengen unterschiedlich strukturierter Daten die Entscheidungen in Echtzeit oder prognostisch zu treffen. Von hochleistungsfähigen, schnell verfügbaren Prognoseverfahren erhofft man sich eine Risikominimierung für unternehmerische Entscheidungen in hochvolatilen Märkten.
Mit der Übergabe von Entscheidungsgewalt an Informationssysteme ändern sich auch die Regeln des Entscheidens und für die Entscheider. In der Big Data Ära müssen Unternehmensziele aktiver innerhalb des Unternehmens kommuniziert werden. Vorgesetzte werden künftig stärker an der Qualität ihrer Entscheidungen messbar sein. Um sensibel auf Marktänderungen zu reagieren, müssen Mitarbeiter kreativer, kritischer und proaktiv an der permanenten Überarbeitung von Teilzielen und Entscheidungsmodellen beteiligt werden.
Big Data wird deshalb nur dort erfolgreich eingesetzt werden, wo es eine Abkehr von Bauchentscheidungen durch Führungskräfte und eine Hinwendung zur permanent hinterfragten, datengetriebenen Entscheidungskultur gibt. Dies bedeutet, dass Führung zukünftig sehr viel komplexer wird und neue Formen der kooperativen, formalen Modellierung von Entscheidungsgrundlagen erfordert. Das Thema „Enterprise Architecture Modelling und Management“ wird dabei zum Schlüsselthema und im nächsten Buchkapitel detaillierter beleuchtet.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
- 2.
zitiert wird der Big-Data Experte Stefan Rüping, Fraunhofer Institut.
- 3.
Olaf Hofmann redet in diesem Zusammenhang von „Blended Data“ und „Blended Samples“, die Daten/Informationen aus unterschiedlich(st)en Quellen nutzen und zielgerichtet für ein bestimmtes Erkenntnisinteresse auswerten.
- 4.
Als größte Hürde bei der praktischen Umsetzung nennen die Befragten die Sicherheit der Daten. So sehen die Entscheider aus Industrieunternehmen Datensicherheit (50 %), Datenqualität (44 %) und Datenschutz (42 %) als größte Hürden.
- 5.
In der Erhebung von PwC sehen die Nutzer die größten Gefahren in technischen Problemen und der möglichen Fehlinterpretation der Daten.
- 6.
Das sogenannte implizite Wissen.
- 7.
Mehr als die Hälfte der Umfrageteilnehmer nannten die Verwaltung von und den Zugriff auf unstrukturierte Daten (57 %) und die wachsende Datenmenge (51 %) als größte Herausforderungen.
- 8.
Streif (2013, S. 19) „Fast alles … ist stark datengetrieben aber selten erkenntnisgetrieben.“.
- 9.
Berühmt sind folgende Beispiele: Target gelingt es vorherzusagen, welche Kunden in nächster Zukunft ein Baby erwarten werden. Ein Telekommunikationsunternehmen schafft es, die Kündigung der Kunden vorhersehen noch bevor diese durchgeführt wurde und ergreift präventiv Gegenmaßnahmen. Ein Kreditkartenunternehmen weiß auf Basis der Analyse der Kreditkartenabrechnung, welche Paare sich scheiden lassen werden. Weitere Beispiele finden sich in Bloching et al. (2012).
- 10.
Bei den Sparkassen sind dies die Finanz Informatik GmbH & Co. KG, bei den genossenschaftlichen Instituten die GAD eG und die FIDUCIA IT AG.
- 11.
Die deutschen Sparkassen setzten die Anwendung „OSPlus“ der Finanz Informatik GmbH & Co. KG ein, die Volks- und Raiffeisenbanken „bank21“ der GAD eG oder „agree“ der FIDUCIA IT AG.
- 12.
Hervorzuheben ist hier insbesondere SAP, die mit HANA gezielt den internationalen Bankenmarkt adressiert.
- 13.
Im Jahr 2013 wurden noch ca. 816 Mio. Überweisungen beleghaft eingereicht, vgl. hierzu Deutsche Bundesbank: Zahlungsverkehrs- und Wertpapierabwicklungsstatistiken der in Deutschland 2009–2013, Stand: Juli 2014, abrufbar unter bundesbank.de.
- 14.
Einer der bekanntesten Dienstleister, der ein Bonitätsscoring ausschließlich auf Basis von Big-Data-Analysen anbietet, ist das Hamburger Startup-Unternehmen Kreditech (kreditech.com). Das Scoring erfolgt ausschließlich auf Basis eines selbstentwickelten Algorithmus, der aus bis zu 10.000 online verfügbaren Indikatoren einen Kreditscore berechnet. Ein weiteres Beispiel ist das Startup-Unternehmen Kabbage, das Onlineshops mit Working Capital versorgt. Händler können Kabbage Zugang zu Kundenfeedbacks, Social Media Daten und weitere nicht öffentlich zugängliche Daten zur Verfügung stellen, um den Prozess der Kreditgewährung zu beschleunigen und/oder bessere Konditionen zu erhalten.
- 15.
So war die SAP Liquidity Risk Management Lösung eine der ersten bankfachlichen Anwendungen der SAP auf Basis der Big Data-Plattform HANA.
Literatur
Literatur zu 2.1
Altmann, G. (2013): Neue Entscheidungskultur. Personalmagazin, 3, 22–23.
Ammon, G. (1985): Der mehrdimensionale Mensch. Dynamische Psychiatrie, 18, 99–110.
Anders, G. (2010): Die Antiquiertheit des Menschen: Über die Seele im Zeitalter der zweiten industriellen Revolution (S. 245). C.H.Beck.
Anitav, N., Riley, H. N., & Ahituv, N. (1994): Principles of Information Systems for Management, 45.
Hanschke, I. (2011): Strategisches Management der IT-Landschaft: Ein praktischer Leitfaden für das Enterprise Architecture Management. Carl Hanser Verlag.
Hertweck, D. (2003). Escalating Commitment als Ursache gescheiterter D.V.-Projekte: Methoden und Werkzeuge zur Deeskalation. Deutscher Universitäts-Verlag GmbH.
Hüner, K. M., Ofner, M., & Otto, B. (2009): Towards a maturity model for corporate data quality management. In Proceedings of the 2009 ACM symposium on Applied Computing – SAC ’09 (S. 231–238). New York, New York, USA: ACM Press.
Krcmar, H. (2005). Informationsmanagement. Heidelberg: Springer; Auflage: 4., überarb. u. erw. Aufl.
Lieven, P. (2009). Der Werdegang der Krise. (R. Elschen & T. Lieven, Eds.) (S. 219–236). Wiesbaden: Gabler.
Matthes, D. (2011). Enterprise Architecture Frameworks Kompendium: Über 50 Rahmenwerke für das IT-Management. Springer; Auflage: 2011.
Nadler, U. (2014): Kann man „Big Data“ managen? Wie passt „Big Data“ in Information Governance Konzepte? Präsentation GI-Regionalgruppe Hamburg, 29. Januar http://www.hbt.de/fileadmin/media/GI_272_Big_Data_Governance.pdf, (zugegriffen am 8. April 2014)
Ortmann, G. (1990). Computer und Macht in Organisationen: Mikropolitische Analysen (S. 652). VS Verlag für Sozialwissenschaften; Auflage: 1990.
Schermann, M., Prilla, M., Krcmar, H., & Herrmann, T. (2008). Bringing life into references process models : A participatory approach for identifying , discussing , and resolving model adaptations. In Multikonferenz Wirtschaftsinformatik 2008 (S. 1577–1588). München.
Völker, R. (2007). Wissensmanagement im Innovationsprozess. Heidelberg: Physica-Verlag HD.
Literatur zu 2.2
Aier S., Maletta F., Riege C., Stucki K., Frank A (2008a). Aufbau und Einsatz der Geschäftsarchitektur bei der AXA Winterthur – Ein minimal invasiver Ansatz. In: DW2008: Synergien durch Integration und Informationslogistik, Gesellschaft für Informatik Köllen, St. Gallen
Aier S., Riege C., Winter R (2008b). Unternehmensarchitektur – Literaturüberblick und Stand der Praxis. Wirtschaftsinformatik 50(4):292–304
Bange C., Janoschek N (2014). Big Data Analytics 2014 – Auf dem Weg zur datengetriebenen Wirtschaft. Tech. rep., BARC-Insitut, Würzburg
Baron P (2013). Big Data für IT-Entscheider. Carl Hanser Verlag, München
Bayer F (2013). Prozessmanagement für Experten. Springer-Verlag, Berlin, Heidelberg
Bitkom (2011). Enterprise Architecture Management – neue Disziplin für die ganzheitliche Unternehmensentwicklung. Tech. rep., Bitkom e. V., URL http://www.bitkom.org/de/publikationen/38337_67462.aspx
Bitkom (2012). Big Data im Praxiseinsatz – Szenarien, Beispiele, Effekte. Tech. rep., Bitkom e. V., Berlin
Bleicher K (2011). Das Konzept integriertes Management, 8th edn. Campus Verlag, Frankfurt am Main
Conrads R (2013). In sieben Schritten zum erfolgreichen Big-Data-Projekt. Informatik-Spektrum 37(2):127–131
Cramer C., Dietze A (2012). Vom Hype zur Umsetzung – Checkliste für die Big-Data-Strategie. URL http://bit.ly/1mAhDU6
Dörner D (2009). Die Logik des Mißlingens: Strategisches Denken in komplexen Situationen, 8th edn. Rowohlt Taschenbuch Verlag, Reinbeck bei Hamburg
Frauenhofer IAIS (2012). BIG DATA – Vorsprung durch Wissen Innovationspotenzialanalyse. URL http://www.fraunhofer.de/content/dam/zv/de/forschungsthemen/kommunikation/bigdata/Innovationspotenzialanalyse_Big-Data_Fraunhofer-IAIS.pdf
Freitag A., Matthes F., Schulz C (2011). A METHOD FOR BUSINESS CAPABILITY DEPENDENCY ANALYSIS. URL http://wwwmatthes.in.tum.de/file/100js250slddo/sebis-Public-Website/Team/Andreas-Freitag/Final_INNOV_Capabilities_2011.pdf
Gadatsch A (2012). Big Data. wisu – Das Wirtschaftsstudium 41. Jahrga(WISU 12/12):1615–1621
Gates B (1994). Information at your Fingertips. In: Comdex, Las Vegas
Hanschke I (2012). Enterprise Architecture Management – Einfach und Effektiv. Carl Hanser Verlag, München
Hanschke I (2013). Strategisches Management der IT-Landschaft, 3rd edn. Carl Hanser Verlag, München
Jahnke I., Herrmann T., Prilla M (2008). Modellierung statt Interviews? Eine „neue“ qualitative Erhebungsmethode. In: Herczeg M., Kindsmüller MC (eds) Mensch und Computer 2008. 8. fachübergreifende Konferenz für interaktive und kooperative Medien, Oldenbourg Verlag, München, S. 377–386
Keuntje J., Barkow R (2010). Enterprise Architecture Management in der Praxis, 1st edn. Symposion Publishing, Düsseldorf
Kröger K (2013). 10 Gartner-Trends bis 2017. URL http://www.cowo.de/a/2501630
Küller P., Hertweck D (2013). Bedeutung von Services in einer dezentralen Energieversorgung. HMD – Praxis der Wirtschaftsinformatik 50(291):60–70
Lux J., Wiedenhöfer J., Ahlemann F (2008). Modellorientierte Einführung von Enterprise Architecture Management. HMD – Praxis der Wirtschaftsinformatik 45. Jg.(262):19–28
Marek D (2010). Unternehmensentwicklung verstehen und gestalten – Eine Einführung, 1st edn. Gabler, Wiesbaden
Matthes D (2011). Enterprise Architecture Frameworks Kompendium. Springer-Verlag, Heidelberg
Newman D (2012). Big Data Disruptions Tamed With Enterprise Architecture – 27 March 2012. URL http://www.gartner.com/resId=1964716
Niemann KD (2005). Von der Unternehmensarchitektur zur IT-Governance, 1st edn. Springer Fachmedien, Wiesbaden
Sandkuhl K., Wißotzki M., Stirna J (2013). Unternehmensmodellierung. Springer-Verlag, Berlin, Heidelberg
The Open Group (2010). TOGAF Version 9 – Ein Pocket Guide. Van Haren Publishing, Zaltbommel
Thielscher J (2010). Enterprise Architecture Management Capabilities entwickeln. In: AK Professional Services vom 9. Juni 2010, Bitkom e. V., Bad Homburg
Vogt M., Hertweck D., Küller P., Hales K (2011). Adapting IT Governance Frameworks Towards Domain Specific Requirements : Examples of the Domains of Small & Medium Enterprises and Emergency Management. In: Proceedings of the Seventeenth Americas Conference on Information Systems, Detroit, Michigan August 4th–7th 2011, Detroit
Wolff F (2008). Ökonomie multiperspektivischer Unternehmensmodellierung: IT-Controlling für modell-basiertes Wissensmanagement. Gabler Verlag, Wiesbaden
Literatur zu 2.3
Apte C (2010) The Role of Machine Learning in Business Optimization. In: Proceedings of the 27th International Conference on Machine Learning
Chapman P, Clinton J, Kerber R, Khabaza T, Reinartz T, Shearer C, Wirth R (2000) CRISP-DM 1.0, Step-by-step data mining guide. URL http://www.the-modeling-agency.com/crisp-dm.pdf
Chu C, Kim S, Lin Y, Yu Y, Bradski G, Ng A, Olukotun K (2006) Map-Reduce for Machine Learning on Multicore. In: Proc. 20th Ann. Conf. Neural Information Processing Systems (NIPS’06), S. 281–288
Davenport T, Barth P, Bean R (2012) How ‘Big Data’ is Different. MIT Sloan Management Review 54(1):22–24
Domingos P (2012) A Few Useful Things to Know About Machine Learning. Communications of the ACM 55(10):78–87
Eckerson W (2007) Predictive Analytics: Extending the Value of Your Data Warehousing Investment. TDWI Best Practices Report, TDWI Research
Franks B (2012) Taming the Big Data Tidal Wave. Wiley
Jensen D, Cohen P (2000) Multiple Comparisons in Induction Algorithms. Machine Learning 38:309–338
Kemper HG, Baars H, Mehanna W (2010) Business Intelligence – Grundlagen und praktische Anwendungen. Vieweg+Teubner
Kraska T, Talwalkar A, Duchi J, Griffith R, Franklin M, Jordan M (2013) MLbase: A Distributed Machine-learning System. In: 6th Biennial Conference on Innovative Data Systems Research (CIDR’13)
LaValle S, Lesser E, Shockley R, Hopkins M, Kruschwitz N (2011) Big Data, Analytics and the Path from Insights to Value. MIT Sloan Management Review 52(2):21–31
Mohanty S, Jagadeesh M, Srivatsa H (2013) Big Data Imperatives. Apress
Owen S, Anil R, Dunning T, Friedman E (2012) Mahout in Action. Manning Publications Co.
Rajaraman A, Leskovec J, Ullman J (2010) Mining of Massive Datasets. Standford University, URL http://infolab.stanford.edu/~ullman/mmds/book.pdf
Shearer C (2000) The CRISP-DM Model: The new blueprint for data mining. Journal of Data Warehousing 5(4):13–22
Wu X, Zhu X, Wu GQ, Ding W (2014) Data Mining with Big Data. IEEE Transactions on Knowledge and Data Engineering 26(1):97–107
Literatur zu 2.4
Auer, S., März, L., Tutsch, H., Sihn, S. (2011): Classification of Interdependent Planning Restrictions and their Various Impacts on Long-, Mid- and Short Term Planning of High Variety Production. New Worlds of Manufacturing. 44th CIRP International Conference on Manufacturing Systems 2011, edited by N. A. Duffie, Madison, Wisconsin, Omnipress.
Boysen, N., Malte, F., Scholl, A. (2007): Produktionsplanung bei Variantenfließfertigung. Planungshierarchie und Hierarchische Planung. Jenaer Schriften zur Wirtschaftswissenschaft. Hrsg.: H.-W. Lorenz, Scholl A. Wirtschaftswissenschaftliche Fakultät, Friedrich-Schiller-Universität Jena, 22/2006
KPMG (2011) KPMG’s Global Automotive Executive Survey 2011. Publ. No. 101205.
März, L., Pröpster, M., Röser, S. (2012): Simulationsgestützte Bewertung getakteter Linien. wt Werkstatttechnik online 102 (2012) 3: 146–151
Niederprüm, M., Sammer, K. (2012): Generation of car body variants via late configuration, Konferenz Montagesysteme 2012 Automotive Circle International, 28.–29. Februar 2012, Bad Nauheim
VDI 3633 Blatt 1 (2010) Simulation von Logistik-, Materialfluß- und Produktionssystemen; Grundlagen.
Literatur zu 2.6
Anderson, C. (2008). The End of Theory: The Data Deluge Makes the Scientific Method Obsolete. Wired Magazine, 16.7.2008. http://www.wired.com/science/discoveries/magazine/16-07/pb_theory
Angioni, G. (2004). Doing, Thinking, Saying. In C. Sanga & T. Ortalli (Eds.), Nature Knowledge (S. 249–261). New York-Oxford: Berghahm Books.
Berchtenbreiter, S. (2013). BIG DATA und die Implikationen für die Marketingforschung. Marktforschung.de. http://www.marktforschung.de/information/fachartikel/marktforschung/big-data-und-die-implikationen-fuer-die-marketingforschung/, zugegriffen am 14.05.2013.
Bloching, B., Luck, L., & Ramge, T. (2012). Data unser. München: Redline Verlag.
Boyd, D. (2010). Privacy and Publicity in the Context of Big Data. WWW 2010. http://www.danah.org/papers/talks/2010/WWW2010.html
Campillo-Lundbeck, S. (2014). Allmächtiger Algorithmus. Horizont, 5/2014, 17.
Dapp, T. F. (2014). Big Data. Die ungezähmte Macht. Deutsche Bank Research, 04.03.2014.
Faulbaum, F., Stahl, M., & Wiegand, E.(2012). Qualitätssicherung in der Umfrageforschung. Neue Herausforderungen für die Markt- und Sozialforschung. Schriftenreihe der ASI – Arbeitsgemeinschaft Sozialwissenschaftlicher Institute. Wiesbaden: Springer VS.
Gogia, S. (2012). Was „Big Data“ so wichtig für Kundeninteraktion macht. Forrester Research, 01.06. 2012.
Googlewatchblog http://www.googlewatchblog.de/2013/05/jahre-youtube-nutzer-stunden//, zugegriffen am 19.06.2014.
Hofmann, O. (2012). Entwicklungen in der Online-Marktforschung. Vom ungeliebten Kind zum Allheilmittel. In F. Faulbaum, E. Stahl, & Wiegand, E. (Eds.), Qualitätssicherung in der Umfrageforschung (S. 139–146). Wiesbaden: Springer VS.
Kary, J. (2014). Datenüberflutet. Markt und Mittelstand, 3/2014, 20–26.
o.V., Big Data ist bei Industrieunternehmen als Thema angekommen. Marktforschung.de, http://www.marktforschung.de/information/nachrichten/marktforschung/big-data-ist-bei-industrieunternehmen-als-thema-angekommen/backpid/3279/, zugegriffen am 11.03.2014.
Reips, U.-D. (2009). Schöne neue Forschungswelt – Zukunftstrends. In C. König, M. Stahl, & E. Wiegand (Eds.), GESIS-Schriftenreihe Band 1: Nicht-reaktive Erhebungsverfahren (S. 129–138). GESIS: Bonn.
Streif, S. (2013). Daten wie Sand am Meer, acquisa, 10/2013, 19.
Voss, A. & Sylla, K.-H. (2014). Innovationspotenzialanalyse Big Data – Ergebnisse für das Marketing. Marketing Review St. Gallen, 1/2014, 36–45.
Literatur zu 2.7
Bachmann, R., Kemper, G., & Gerzer, T. (2014). Big Data – Fluch oder Segen? Heidelberg: Mitp.
Berchtenbreiter, S. (2013). BIG DATA und die Implikationen für die Marketingforschung. Marktforschung.de. http://www.marktforschung.de/information/fachartikel/marktforschung/big-data-und-die-implikationen-fuer-die-marketingforschung/, zugegriffen am 05.06.2014.
Bloching, B., Luck, L., & Ramge, T. (2012). Data unser. München: Redline Verlag.
Campbell, D. T. & Fiske, D. W. (1959). Convergent and discriminant validation by the multitrait-multimethod matrix. Psychological Bulletin, 56, 81–105.
Church, A. H. & Dutta, S. (2013). The promise of big data for OD: Old wine in new bottles or the next generation of data-driven methods for change? OD Practitioner, 45, 23–31.
Eudes, Y. (10.04.2014). Comment notre ordinateur nous manipule. LeMonde.fr. http://www.lemonde.fr/technologies/article/2014/04/10/big-brother-ce-vendeur_4399335_651865.html, zugegriffen am 05.06.2014.
Foscht, T. & Swoboda, B. (2011). Käuferverhalten. Wiesbaden: Gabler.
Grüger, O. (2013). Webanalyse und Business Intelligence als Basis für die aktive Steuerung von Webshops. In R. Haberich (Ed.), Future Digital Business (S. 259–273). Heidelberg: Mitp.
Haberich, R. (2013). Digital Intelligence. In R. Haberich (Ed.), Future Digital Business (S. 49–70). Heidelberg: Mitp.
Heinemann, G. (2014). Der neue Online-Handel. Wiesbaden: Springer Gabler.
Kudyba, S. (2014). Mining and analytics in E-Commerce. In S. Kudyba (Ed.), Big Data, Mining, and Analytics (S. 147–163). Boca Raton (FL): CRC Press.
Kudyba, S. & Kwatinetz, M. (2014). Introduction to the Big Data Era. In S. Kudyba (Ed.), Big Data, Mining, and Analytics (S. 1–15). Boca Raton (FL): CRC Press.
Morys, A. (2013). Fünf Regeln, damit aus einer kleinen Kennzahl ein großer Deckungsbeitrag wird. In R. Haberich (Ed.), Future Digital Business (S. 371–399). Heidelberg: Mitp.
Spiegel, J. R., McKenna, M. T., Lakshman, G. S., & Nordstrom, P. G. (2013). Method and system for anticipatory package shipping. U.S. Patent 8,615,473 B2, Dec 24, 2013
Spieß, E. (2013). Konsumentenpsychologie. München: Oldenbourg.
Stoever, L. (2014). Verschieben Sie Big Data! Internet World Business, 7/14, 42.
Völcker, T. (2013). Schürfen nach Gold: Der Wert von Social Media-Daten. In R. Haberich (Ed.), Future Digital Business (S. 275–288). Heidelberg: Mitp.
Zimmer, D. (2014). Outfit für jedes Wetter. Internet World Business, 6/14, 16.
Literatur zu 2.8
Hamerle, A., Plank, K. (2010), Intransparenzen auf Verbriefungsmärkten. Auswirkungen auf Risikoanalyse und Bewertung. Informatik-Spektrum 10/2010. Springer. Wiesbaden 2010
Hofstetter, Y, (2014), Sie wissen alles. Wie intelligente Maschinen in unser Leben eindringen und warum wir für unsere Freiheit kämpfen müssen. C. Bertelsmann. München: 2014
Hüthig, S. (2013). Die Entdeckung der Standardsoftware. Bankmagazin 10/2013: S. 8.
Hüthig, S. (2014). Digitalisierung. Viel mehr als ein Projekt. Bankmagazin 10/2014: S. 12.
Krüger, M., Seitz, F. (2014). Kosten und Nutzen des Bargelds und unbarer Zahlungssysteme. Studie im Auftrag der Deutschen Bundesbank (20.08.2014) abrufbar unter www.bundesbank.de
Moch, D. (2011). Strategischer Erfolgsfaktor Informationstechnologie. Wiesbaden: Gabler.
Schulzki-Haddouti, C. (2014). Zügelloses Scoring. CT 21/2014, S. 38.
Wiebe, F. (2014a). Angriff der Computer-Nerds. Handelsblatt vom 12.08.2014.
Wiebe, F. (2014b). Die Angst vor dem Silicon Valley. Handelsblatt vom 13.10.2014.
Literatur zu 2.9
Blau, D. (2009): Das Moore’sche Gesetz. München: GRIN-Verlag
Eckert, C. (2012): IT-Sicherheit. Konzepte – Verfahren – Protokolle. München: Oldenbourg Wissenschaftsverlag, Auflage:4
März, L., Weigert, G. (2011): Simulation und Optimierung. Heidelberg: Springer; Hrsg.: März L, Krug W, Rose O, Weigert G: Simulation und Optimierung in Produktion und Logistik. Praxisorientierter Leitfaden mit Fallbeispielen. Reihe VDI-Buch.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2015 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Dorschel, J. et al. (2015). Wirtschaft. In: Dorschel, J. (eds) Praxishandbuch Big Data. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-07289-6_2
Download citation
DOI: https://doi.org/10.1007/978-3-658-07289-6_2
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-07288-9
Online ISBN: 978-3-658-07289-6
eBook Packages: Business and Economics (German Language)