Advertisement

Informatik-Spektrum

, Volume 38, Issue 5, pp 370–378 | Cite as

Big Data, Big Opportunities

Anwendungssituation und Forschungsbedarf des Themas Big Data in Deutschland
  • Stefan Wrobel
  • Hans Voss
  • Joachim Köhler
  • Uwe Beyer
  • Sören Auer
HAUPTBEITRAG BIG DATA, BIG OPPORTUNITIES

Zusammenfassung

Angetrieben von den technischen Innovationen in der Informatik stehen in allen Bereichen von Wirtschaft, Gesellschaft und Privatleben heute immer mehr Daten zur Verfügung, die potenziell übertragen, gespeichert und analysiert werden könnten, um daraus nützliche Informationen als Grundlage für neue Dienste zu gewinnen. Technische Neuerungen wie die verteilte oder speicherresidente Verarbeitung von Daten haben dazu geführt, dass unsere Analysefähigkeiten so stark gewachsen sind, dass eine neue Klasse von Anwendungen möglich erscheint. Unter dem Schlagwort ,,Big Data“ scheint sich daher zurzeit eine Revolution bei der Nutzung von Daten in allen Bereichen anzukündigen. Der vorliegende Artikel versucht angesichts aktueller Studien zur Nutzung von Big Data-Ansätzen zu beleuchten, inwieweit die großen öffentlichen Erwartungen sich tatsächlich schon im praktischen Ansatz insbesondere in Unternehmen niederschlagen. Er identifiziert darüber hinaus auf Basis allgemeiner und in den Studien zu beobachtender Trends die wichtigsten Herausforderungen, denen sich das Thema Big Data in den nächsten Jahren stellen muss, wenn es die hohen aktuellen Erwartungen auch längerfristig einlösen will.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

References

  1. 1.
    Aggarwal CC (ed) (2007) Data Streams – Models and Algorithms. Springer Verlag, BerlinGoogle Scholar
  2. 2.
    Auer S, Bizer C, Kobilarov G, Lehmann J, Cyganiak R, Ives Z (2007) DBpedia: A Nucleus for a Web of Open Data. In: Aberer K (ed) The Semantic Web, Lecture Notes in Computer Science 4825, Springer Verlag, pp 722–735Google Scholar
  3. 3.
    Barnes SB (2006) A Privacy Paradox: Social Networking in the United States. First Monday, [S.I.], doi: 10.5210/fm.v11i9.1394, ISSN 13960466. http://journals.uic.edu/ojs/index.php/fm/article/view/1394/1312, letzter Zugriff: 17.6.2014Google Scholar
  4. 4.
    Bea FX, Haas J (2013) Strategisches Management. UVK Verlagsgesellschaft mbH, Konstanz MünchenGoogle Scholar
  5. 5.
    Berners-Lee T (2009) Linked-data design issues. W3C design issue document. The World-Wide Web Consortium W3C, Juni 2009. http://www.w3.org/DesignIssues/LinkedData.html, letzter Zugriff: 17.6.2014Google Scholar
  6. 6.
    Bizer C, Eckert K, Meusel R, Mühleisen H, Schuhmacher M, Völker J (2013) Deployment of RDFa, Microdata, and Microformats on the Web – A Quantitative Analysis. The Semantic Web – ISCW 2013. Proc. 12th Int Semantic Web Conference. Springer Verlag, Berlin, pp 17–32Google Scholar
  7. 7.
    Bizer C, Heath R, Berners-Lee R (2009) Linked Data – the story so far. Int J Semant Web Inform Sys 5(3):1–22CrossRefGoogle Scholar
  8. 8.
    Cavoukian A, Taylor S, Abrams ME (2010) Privacy by Design: essential for organizational accountability and strong business practices. Ident Inform Soc 3(2):405–413. http://www.springer.com/article/ 10.1007/s12394-010-0053-z, letzter Zugriff: 17.6.2014Google Scholar
  9. 9.
    Davenport TH, Patil DJ (2012) Data Scientist: The Sexiest Job of the 21st Century. Harv Bus Rev Oktober. http://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century/, letzter Zugriff: 17.6.2014Google Scholar
  10. 10.
    Divakaran A (ed) (2009) Multimedia Content Analysis. Springer Verlag, BerlinGoogle Scholar
  11. 11.
    Forsyth DA, Ponce J (2012) Computer Vision: A Modern Approach. 2. Aufl. PearsonGoogle Scholar
  12. 12.
    Gaber MM, Zaslavsky A, Krishnaswamy S (2005) Mining Data Streams: A Review. ACM Sigmod Record 34(2):18–26CrossRefGoogle Scholar
  13. 13.
    Giatrakos N, Deligiannakis A, Garofalakis M, Sharfman I, Schuster A (2012) Prediction-based geometric monitoring over distributed data streams. Proceedings of the 2012 ACM SIGMOD International Conference on Management of Data. ACM, pp 265–276Google Scholar
  14. 14.
    Hadoop (2013) Welcome to Apache Hadoop. Apache Software Foundation. http://hadoop.apache.org, letzter Zugriff: 17.6.2014Google Scholar
  15. 15.
    Haris A (2014) How To Become a Data Scientist: 11 Universities to Study Big Data. SiliconAngle Blog, 2014. http://siliconangle.com/blog/2013/02/27/how-to-become-a-data-scientist-11-universities-to-study-big-data/, letzter Zugriff: 17.6.2014Google Scholar
  16. 16.
    Heilmann D, Liegl T (2013) Big Data und Datenschutz – Der Umgang der Deutschen mit persönlichen Daten und die Konsequenzen für den Einsatz von Big-Data-Analysen. Handelsblatt Research Institute. research.handelsblatt.com/datenschutz-und-big-data-was-die-deutschen-denken/, letzter Zugriff: 17.6.2014Google Scholar
  17. 17.
    Kagermann H, Wahlster W, Helbig J (Hrsg) (2013) Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0. Stifterverband für die dt. Wissenschaft, April 2013. http://www.bmbf.de/pubRD/Umsetzungsempfehlungen_Industrie4_0.pdf, letzter Zugriff: 17.6.2014Google Scholar
  18. 18.
    Kamp M, Kopp C, Mock M, Boley M, May M (2013) Privacy-Preserving Mobility Monitoring using Sketches of Stationary Sensor Readings. Machine Learning and Knowledge Discovery in Databases – Proc. ECML PKDD 2013. Springer Verlag, pp 370–386Google Scholar
  19. 19.
    King J, Magoulas R (2014) Data Science Salary Survey. O’Reilly Media. http://www.oreilly.com/data/free/files/stratasurvey.pdf, letzter Zugriff: 17.6.2014Google Scholar
  20. 20.
    Kiron D, Ferguson RB Prentice PK (2013) From Value to Vision: Reimagining the Possible with Data Analytics. MIT Sloan Management Review, Cambridge, USA. http://sloanreview.mit.edu/reports/analytics-innovation/, letzter Zugriff: 17.6.2014Google Scholar
  21. 21.
    Kiron D, Ferguson RB, Prentice PK. Innovating with Analytics. MIT Sloan Manag Rev 54(1):47–52. http://sloanreview.mit.edu/article/innovating-with-analytics/, letzter Zugriff: 17.6.2014Google Scholar
  22. 22.
    Krishnan A, Ramaswamy S, Diana F, Mulcahy K, Propper J, Conzone M (2013) The Emerging Big Returns on Big Data. TCS Consulting. http://www.tcs.com/bigdatastudy, letzter Zugriff: 17.6.2014Google Scholar
  23. 23.
    Lauer T (2010) Change Management – Grundlagen und Erfolgsfaktoren. Springer Verlag, BerlinGoogle Scholar
  24. 24.
    Lee SZ, Jain AK (2011) Handbook of Face Recognition. 2. Aufl. Springer Verlag, BerlinGoogle Scholar
  25. 25.
    Manyika J, Chui M, Brown B, Bughin J, Dobbs R, Roxburgh C (2011) Big Data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute. http://www.mckinsey.com/insights/business_technology/ big_data_the_next_frontier_for_innovation, letzter Zugriff: 17.6.2014Google Scholar
  26. 26.
    Mertins K, Jaekel FW (2006) MO2GO: User Oriented Enterprise Models for Organizational and IT Solutions. In: Bernus P, Mertins K, Schmidt G (eds) Handbook on Architectures of Information Systems. 2. Aufl. Springer Verlag, Berlin, pp 649–664Google Scholar
  27. 27.
    Sandkuhl K, Wißotzki M, Stirna J (2013) Unternehmensmodellierung: Grundlagen, Methode und Praktiken. Springer Vieweg, BerlinCrossRefGoogle Scholar
  28. 28.
    Schaar P (2010) Privacy by Design. Ident Inform Soc 3(2):267–274. http://link.springer.com/article/10.1007/s12394-010-0055-x, letzter Zugriff: 17.6.2014Google Scholar
  29. 29.
    Schäfer A, Knapp M, May M, Voß A (2012) Big Data – Vorsprung durch Wissen – Innovationspotenzialanalyse. Fraunhofer Institut für Intelligente Analyse- und Informationssysteme IAIS, 2012. http://www.iais.fraunhofer.de/bigdata-studie.html, letzter Zugriff: 17.6.2014Google Scholar
  30. 30.
    Smeaton AF, Over P, Doherty AR (2010) Video shot boundary detection: Seven years of TRECVid activity. Comp Vision Image Underst 114(4):411–418CrossRefGoogle Scholar
  31. 31.
    Storm – Distributed and fault-tolerant realtime computation (2013) Apache Software Foundation. http://storm.incubator.apache.org, letzter Zugriff: 17.6.2014Google Scholar
  32. 32.
    Swan M (2013) The quantified self: Fundamental Disruption in Big Data Science and Biological Discovery. Big Data J 1(2):85–99CrossRefGoogle Scholar
  33. 33.
    Sweeney L (2002) k-Anonymity: A Model for Protecting Privacy. Intern J Uncertain, Fuzziness Knowledge-Based Sys 10(5):557–570zbMATHMathSciNetCrossRefGoogle Scholar
  34. 34.
    Urbanski J, Weber M (Hrsg) (2012) Big Data im Praxiseinsatz – Szenarien, Beispiele, Effekte. BITKOM Bundesverband Informationswirtschaft, Telekommunikation und neue Medien e.V., Berlin. http://www.bitkom.org/de/publikationen/38337_73446.aspx, letzter Zugriff: 17.6.2014Google Scholar
  35. 35.
    Westerman G, Tannou M, Bonnet D, Ferraris P, McAfee A (2012) The Digital Advantage: How digital leaders outperform their peers in every industry. MIT Sloan Manag Rev Cambridge, USA. http://sloanreview.mit.edu/offers-digital-transformation-2012/, letzter Zugriff: 17.6.2014Google Scholar
  36. 36.
    Zaveri A, Rula A, Maurino A, Pietrobon R, Lehmann J, Auer S (2014) Quality Assessment Methodologies for Linked Open Data. To appear in J Semantic Web – Interoperability, Usability, Applicability, IOS PressGoogle Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2014

Authors and Affiliations

  • Stefan Wrobel
    • 1
    • 2
  • Hans Voss
    • 1
  • Joachim Köhler
    • 1
  • Uwe Beyer
    • 1
  • Sören Auer
    • 1
    • 2
  1. 1.Fraunhofer Institut für Intelligente Analyse und Informationssysteme IAISSankt AugustinDeutschland
  2. 2.Institut für Informatik IIIUniversität BonnBonnDeutschland

Personalised recommendations