Zusammenfassung
Durch die vernetzte Digitalisierung stehen Unternehmen mehr Daten zur Verfügung als je zuvor. Die Tendenz ist dabei steigend und ein Ende der Entwicklung nicht abzusehen. Gleichzeitig wirken höhere Kundenanforderungen und ein globalisiertes Wettbewerbsumfeld spürbar auf die produzierende Industrie ein. Kompetenzen wie individualisierte Produktentwicklung, nachhaltige Kundenbindung und ein einzigartiges Wertversprechen gewinnen zunehmend an Relevanz. In diesem Spannungsfeld stellt sich die Frage, wie das Potenzial der stetig wachsenden Rohdatenmengen genutzt werden kann, um sich auf dem Markt von Mitstreitern abzusetzen.
Die Inhalte des Kapitels ‚Smart-Data-Management‘ sollen dazu dienen, produzierende Unternehmen zu befähigen, durch datenbasierte Anwendungen produktive und vorausschauende Entscheidungen zu treffen. Dabei kann der Mehrwert in einer gesteigerten Reaktionsgeschwindigkeit in Bezug auf externe Effekte liegen, aus der Verbesserung bestehender Unternehmensprozesse hervorgehen oder sich in neuen, durch Künstliche Intelligenz (KI) erschlossenen Geschäftsfeldern zeigen.
Dieses Kapitel schließt sich an die Themenstellungen der Informationslogistik (Kap. 8) und des Projektmanagements (Kap. 10) an und fokussiert die notwendigen Schritte zur erfolgreichen Umsetzung von datenbasierter Wertschöpfung. Es werden Trendthemen wie Big Data, KI und Maschinelles Lernen aufgegriffen und im Zuge dessen ein Projektvorgehensmodell vorgestellt, das auf das Management von Smart Data zugeschnitten ist.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Die Begriffe eines Online- und Offline-Datensatzes stammen aus der theoretischen Informatik und sind von dem Vorhandensein einer Internetverbindung, sprich dem Online-Sein, abzugrenzen.
- 2.
Literatur
Purdy M, Daugherty P (2017) How AI boosts industry profits and innovation. https://www.accenture.com/_acnmedia/accenture/next-gen-5/insight-ai-industry-growth/pdf/accenture-ai-industry-growth-full-report.pdf?la=en. Zugegriffen am 12.10.2020
Seifert I, Bürger M, Wangler L, Christmann-Budian S, Rohde M, Gabriel P, Zinke G (2018) Potentiale der künstlichen Intelligenz im produzierenden Gewerbe in Deutschland. Studie im Auftrag des Bundesministeriums für Wirtschaft und Energie (BMWi) im Rahmen der Begleitforschung zum Technologieprogramm PAiCE: Platforms, Additive Manufacturing, Imaging, Communication, Engineering. iit – Institut für Innovation und Technikin der VDI/VDE Innovation + Technik GmbH, Berlin. https://www.bmwi.de/Redaktion/DE/Publikationen/Studien/Potentiale-kuenstlichen-intelligenz-im-produzierenden-gewerbe-in-deutschland.pdf?__blob=publicationFile&v=8. Zugegriffen am 12.10.2020
Sopra Steria Consulting (Hrsg) (2017) Potentialanalyse Künstliche Intelligenz. https://www.soprasteria.de/newsroom/publikationen/Potentialanalyse-kuenstliche-intelligenz. Zugegriffen am 12.10.2020
van der Aalst W (2016) Process mining. Data science in action, 2. Aufl. Springer, Berlin
Aasheim C, Rutner P (2015) Data analytics vs. data science: a study of similarities and differences in undergraduate programs based on course descriptions. J Inf Syst Educ 26(2):103–115
Russell SJ, Norvig P (2009) Artificial intelligence. A modern approach, 3. Aufl. Prentice Hall, Upper Saddle River
Akerkar R (Hrsg) (2019) Artificial intelligence for business. Springer, Cham
Schuh G, Anderl R, Gausemeier J, ten Hompel M, Wahlster W (Hrsg) (2017) Industrie 4.0 Maturity Index. Die digitale Transformation von Unternehmen gestalten. acatech Deutsche Akademie der Technikwissenschaften e. V., München. https://www.acatech.de/publikation/industrie-4-0-maturity-index-die-digitale-transformation-von-unternehmen-gestalten/download-pdf?lang=de. Zugegriffen am 12.10.2020.
Lin N (2015) Applied business analytics. Integrating business process, big data, and advanced analytics. Pearson, Upper Saddle River
Rich E, Knight K, Nair S (2009) Artificial intelligence, 3. Aufl. Tata McGraw-Hill, New Delhi
Burgess A (2018) The executive guide to artificial intelligence. Springer, Cham
Fasel D, Meier A (Hrsg) (2016) Big Data. Grundlagen, Systeme und NutzungsPotentiale. Springer Vieweg, Wiesbaden
John Walker S (2014) Big data: a revolution that will transform how we live, work, and think. Taylor & Francis, London
Mayer-Schönberger V, Cukier K (2014) Big data: a revolution that will transform how we live, work, and think. Taylor & Francis, London
Tozzi C (2020) Why data quality makes or breaks your big data operations. 16.04.2020. http://blog.syncsort.com/2018/04/data-quality/data-quality-big-data-operations/. Zugegriffen am 12.10.2020
Jähnichen S (2015) Von Big Data zu Smart Data – Herausforderungen für die Wirtschaft. Smart-Data-Newsletter, 01.08.2015 (Nr. 1):1–12. https://www.digitale-technologien.de/DT/Redaktion/DE/Downloads/Publikation/SmartData_NL1.pdf%3F__blob%3DpublicationFile%26v%3D5https://plattform-digitale-netze.de/app/uploads/2016/06/151103_PF1_007_FG2_Smart_Data_fuer_IM_kurz.pdf. Zugegriffen am 12.10.2020
Laney D (2001) 3D data management: controlling data volume, velocity, and variety. Gartner. META Group Research Note, 6
McKissick K (2015) Just how does Facebook store billions of photos? University of South Carolina, Los Angeles. https://news.usc.edu/88075/how-does-facebook-store-billions-of-photos/. Zugegriffen am 12.10.2020
Redaktion Südwind Magazin (Hrsg) (2012) Wer spekuliert mit Nahrungsmitteln? Südwind Magazin (2). https://www.suedwind-magazin.at/wer-spekuliert-mit-nahrungsmitteln. Zugegriffen am 12.10.2020
Wang Z, Ye X, Tsou M-H (2016) Spatial, temporal, and content analysis of Twitter for wildfire hazards. Natural Hazards 83:523–540, 30.04.2016. https://link.springer.com/content/pdf/10.1007%2Fs11069-016-2329-6.pdf. Zugegriffen am 12.10.2020
Coles P, Cox T, Mackey C, Richardson S (2006) The toxic terabyte. How data-dumping threatens business efficiency. IBM Global Technology Services. https://fliphtml5.com/uteh/ckfu. Zugegriffen am 12.10.2020
Fang H (2015) Managing data lakes in big data era: what’s a data lake and why has it became popular in data management ecosystem. In 2015 IEEE international conference on cyber technology in automation, control, and intelligent systems (CYBER), S 820–824. https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=7288049. Zugegriffen am 12.10.2020
Müller S (2016) Erweiterung des Data Warehouse um Hadoop, NoSQL & Co. In: Fasel D, Meier A (Hrsg) Big Data: Grundlagen, Systeme und NutzungsPotentiale. Springer, Wiesbaden, S 139–158
Dean J, Ghemawat S (2008) MapReduce: simplified data processing on large clusters. Commun ACM 51(1):107–113
Aggarwal CC (2018) Neural networks and deep learning. Springer, Cham
Corea F (2019) An introduction to data. Everything you need to know about AI, big data and data science. Studies in big data, Bd 50. Springer, Cham
Bracht U, Geckler D, Wenzel S (2011) Digitale Fabrik. Methoden und Praxisbeispiele. Springer, Berlin
Abolhassan F (2016) Was treibt die Digitalisierung? Springer, Wiesbaden
Shearer C (2000) The CRISP-DM model: the new blueprint for data mining. J Data Warehous 5(4):13–22
Davenport TH, Patil DJ (2012) Data scientist: the sexiest job of the 21st century. Harv Bus Rev (10). https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century. Zugegriffen am 12.10.2020
Monappa A (2020) Why data science matters and how it powers business value? Simplilearn. https://www.simplilearn.com/why-and-how-data-science-matters-to-business-article. Zugegriffen am 12.10.2020
Granville V (2014) Developing analytic talent. Becoming a data scientist. Wiley, Indianapolis
Thompson R (2018) Understanding data science and why it’s so important. Alexa Internet. https://blog.alexa.com/know-data-science-important/. Zugegriffen am 12.10.2020
Domingos P (1999) The role of Occam’s razor in knowledge discovery. Data Min Knowl Disc 3(4):409–425
Miller CC (2013) Data science: the numbers of our lives. The New York Times, 11.04.2013. https://www.nytimes.com/2013/04/14/education/edlife/universities-offer-courses-in-a-hot-new-field-data-science.html. Zugegriffen am 12.10.2020
Haider M (2016) Getting started with data science. Making sense of data with analytics. IBM Press/Pearson, Boston
Rollins J (2015) Data science methodology. https://courses.competencies.ibm.com/courses/course-v1:CognitiveClass+DS0103EN+v3/about. Zugegriffen am 12.10.2020
Fayyad UM, Piatetsky-Shapiro G, Smyth P, Uthurusamy R (1996) Advances in knowledge discovery and data mining. MIT Press, Boston
Aichele C, Schönberger M (2014) IT-Projektmanagement. Effiziente Einführung in das Management von Projekten. Springer Vieweg, Wiesbaden. https://link.springer.com/content/pdf/10.1007%2F978-3-658-08389-2.pdf. Zugegriffen am 12.10.2020
Sobiech F (2016) Abbildung von SynergiePotentialen zwischen IT-Anforderungen in Scrum. AutoUni – Schriftenreihe; Bd. 95. Springer, Wiesbaden 2016. – Zugl.: Clausthal, Techn. Univ., Diss., 2016. https://link.springer.com/content/pdf/10.1007%2F978-3-658-16328-0.pdf. Zugegriffen am 12.10.2020
Becker W, Eierle B, Fliaster A, Ivens B, Leischnig A, Pflaum A, Sucky E (Hrsg) (2019) Geschäftsmodelle in der digitalen Welt. Strategien, Prozesse und Praxiserfahrungen. Springer, Wiesbaden. Zugegriffen am 12.10.2020
Hoffmann J (2018) Informationssystem-Architekturen produzierender Unternehmen bei software-definierten Plattformen. Schriftenreihe Rationalisierung, Bd 158. Apprimus, Aachen. – Zugl.: Aachen, Techn. Hochsch., Diss., 2018
Kari M, Weber F, Schütte R (2019) Datengetriebene Entscheidungsfindung aus strategischer und operativer Perspektive im Handel. HMD 56(5):914–931. https://doi.org/10.1365/s40702-019-00530-9
Osterwalder A, Pigneur Y, Bernarda G, Smith A, Papadakos P (2014) Value proposition design. How to create products and services customers. Wiley, Hoboken
Lee K, Moser B, Jussen P, Wenger L (2019) Industrial Machine Learning. Expertenwissen für Entscheider in der produzierenden Industrie. Marktstudie. In: Stich V, Jussen P (Hrsg) FIR an der RWTH Aachen, Aachen. https://docplayer.org/112284587-Industrial-machine-learning.html. Zugegriffen am 12.10.2020
Brown DG, Samuelson FW (2019) 7. Pitfalls and opportunities in the development and evaluation of artificial intelligence systems. In: Kozma R, Alippi C, Choe Y, Morabito F (Hrsg) Artificial intelligence in the age of neural networks and brain computing. Elsevier, London, S 139–159
BMWi (Hrsg) (2017) Smart Data – Innovationen aus Daten. Ergebnisbroschüre. Berlin. https://www.bmwi.de/Redaktion/DE/Publikationen/Digitale-Welt/smart-data-innovationen-aus-daten.pdf?__blob=publicationFile&v=23. Zugegriffen am 12.10.2020
Johanning V (2014) IT-Strategie. Optimale Ausrichtung der IT an das Business in 7 Schritten. Springer Vieweg, Wiesbaden
Rollins J (2016) Why we need a methodology for data science. IBM Big Data & Analytics Hub. https://www.ibmbigdatahub.com/blog/why-we-need-methodology-data-science. Zugegriffen am 12.10.2020
Zikopoulos P (2012) Understanding big data. Analytics for enterprise class Hadoop and streaming data. McGraw-Hill, New York
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2022 Der/die Autor(en), exklusiv lizenziert durch Springer-Verlag GmbH, DE, ein Teil von Springer Nature
About this chapter
Cite this chapter
Benning, J., Wenger, L. (2022). Smart-Data-Management. In: Schuh, G., Zeller, V., Stich, V. (eds) Digitalisierungs- und Informationsmanagement. Springer Vieweg, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-63758-6_9
Download citation
DOI: https://doi.org/10.1007/978-3-662-63758-6_9
Published:
Publisher Name: Springer Vieweg, Berlin, Heidelberg
Print ISBN: 978-3-662-63757-9
Online ISBN: 978-3-662-63758-6
eBook Packages: Computer Science and Engineering (German Language)