Skip to main content
SpringerLink
Log in

Smart-Data-Management

Durch datenbasierte Anwendungen vorausschauende Entscheidungen treffen

  • Chapter
  • First Online:
Digitalisierungs- und Informationsmanagement

  • 10k Accesses

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.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 79.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever
Hardcover Book
USD 99.99
Price excludes VAT (USA)
  • Durable hardcover edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Notes

  1. 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. 2.

    Zu finden unter https://center-smart-services.com/download/industrial-machine-learning-marktstudie/.

Literatur

  1. 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

  2. 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

  3. Sopra Steria Consulting (Hrsg) (2017) Potentialanalyse Künstliche Intelligenz. https://www.soprasteria.de/newsroom/publikationen/Potentialanalyse-kuenstliche-intelligenz. Zugegriffen am 12.10.2020

  4. van der Aalst W (2016) Process mining. Data science in action, 2. Aufl. Springer, Berlin

    Book  Google Scholar 

  5. 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

    Google Scholar 

  6. Russell SJ, Norvig P (2009) Artificial intelligence. A modern approach, 3. Aufl. Prentice Hall, Upper Saddle River

    MATH  Google Scholar 

  7. Akerkar R (Hrsg) (2019) Artificial intelligence for business. Springer, Cham

    Google Scholar 

  8. 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.

  9. Lin N (2015) Applied business analytics. Integrating business process, big data, and advanced analytics. Pearson, Upper Saddle River

    Google Scholar 

  10. Rich E, Knight K, Nair S (2009) Artificial intelligence, 3. Aufl. Tata McGraw-Hill, New Delhi

    Google Scholar 

  11. Burgess A (2018) The executive guide to artificial intelligence. Springer, Cham

    Book  Google Scholar 

  12. Fasel D, Meier A (Hrsg) (2016) Big Data. Grundlagen, Systeme und NutzungsPotentiale. Springer Vieweg, Wiesbaden

    Google Scholar 

  13. John Walker S (2014) Big data: a revolution that will transform how we live, work, and think. Taylor & Francis, London

    Google Scholar 

  14. Mayer-Schönberger V, Cukier K (2014) Big data: a revolution that will transform how we live, work, and think. Taylor & Francis, London

    Google Scholar 

  15. 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

  16. 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

  17. Laney D (2001) 3D data management: controlling data volume, velocity, and variety. Gartner. META Group Research Note, 6

    Google Scholar 

  18. 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

  19. 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

  20. 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

  21. 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

  22. 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

  23. 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

    Chapter  Google Scholar 

  24. Dean J, Ghemawat S (2008) MapReduce: simplified data processing on large clusters. Commun ACM 51(1):107–113

    Article  Google Scholar 

  25. Aggarwal CC (2018) Neural networks and deep learning. Springer, Cham

    Book  Google Scholar 

  26. 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

    Google Scholar 

  27. Bracht U, Geckler D, Wenzel S (2011) Digitale Fabrik. Methoden und Praxisbeispiele. Springer, Berlin

    Book  Google Scholar 

  28. Abolhassan F (2016) Was treibt die Digitalisierung? Springer, Wiesbaden

    Book  Google Scholar 

  29. Shearer C (2000) The CRISP-DM model: the new blueprint for data mining. J Data Warehous 5(4):13–22

    Google Scholar 

  30. 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

  31. 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

  32. Granville V (2014) Developing analytic talent. Becoming a data scientist. Wiley, Indianapolis

    Google Scholar 

  33. 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

  34. Domingos P (1999) The role of Occam’s razor in knowledge discovery. Data Min Knowl Disc 3(4):409–425

    Article  Google Scholar 

  35. 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

  36. Haider M (2016) Getting started with data science. Making sense of data with analytics. IBM Press/Pearson, Boston

    Google Scholar 

  37. Rollins J (2015) Data science methodology. https://courses.competencies.ibm.com/courses/course-v1:CognitiveClass+DS0103EN+v3/about. Zugegriffen am 12.10.2020

  38. Fayyad UM, Piatetsky-Shapiro G, Smyth P, Uthurusamy R (1996) Advances in knowledge discovery and data mining. MIT Press, Boston

    Google Scholar 

  39. 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

  40. 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

  41. 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

    Google Scholar 

  42. Hoffmann J (2018) Informationssystem-Architekturen produzierender Unternehmen bei software-definierten Plattformen. Schriftenreihe Rationalisierung, Bd 158. Apprimus, Aachen. – Zugl.: Aachen, Techn. Hochsch., Diss., 2018

    Google Scholar 

  43. 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

    Article  Google Scholar 

  44. Osterwalder A, Pigneur Y, Bernarda G, Smith A, Papadakos P (2014) Value proposition design. How to create products and services customers. Wiley, Hoboken

    Google Scholar 

  45. 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

  46. 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

    Chapter  Google Scholar 

  47. 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

  48. Johanning V (2014) IT-Strategie. Optimale Ausrichtung der IT an das Business in 7 Schritten. Springer Vieweg, Wiesbaden

    Google Scholar 

  49. 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

  50. Zikopoulos P (2012) Understanding big data. Analytics for enterprise class Hadoop and streaming data. McGraw-Hill, New York

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. FIR e.V. an der RWTH Aachen, Aachen, Deutschland

    Justus Benning & Lucas Wenger

Authors
  1. Justus Benning
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Lucas Wenger
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Justus Benning .

Editor information

Editors and Affiliations

  1. RWTH Aachen, Aachen, Deutschland

    Günther Schuh

  2. FIR e.V. an der RWTH Aachen, Aachen, Deutschland

    Violett Zeller

  3. FIR e.V. an der RWTH Aachen, Aachen, Deutschland

    Volker Stich

Rights and permissions

Reprints and permissions

Copyright information

© 2022 Der/die Autor(en), exklusiv lizenziert durch Springer-Verlag GmbH, DE, ein Teil von Springer Nature

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

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)

Publish with us

Policies and ethics

Search

Navigation