Big Data einfach erklärt: was ist Big Data?

Definition und Bedeutung von Big Data

Der Begriff Big Data bezieht sich auf große Mengen strukturierter, unstrukturierter und semistrukturierter Daten, die mit herkömmlichen Datenverarbeitungstechniken nicht effizient verarbeitet werden können. Das Konzept umfasst fünf Dimensionen, die als „6-V-Modell" bezeichnet werden:

Volumen (Volume): Beschreibt die riesige Menge an Daten, die kontinuierlich erzeugt wird, oft im Terabyte- oder Petabyte-Bereich.
Vielfalt (Variety): Big Data umfasst Daten aus unterschiedlichen Quellen, wie z. B. Texte, Bilder, Videos und Informationen von Sensoren.
Geschwindigkeit (Velocity): Daten entstehen in Echtzeit oder mit hoher Geschwindigkeit und müssen schnell erfasst und analysiert werden.
Glaubwürdigkeit (Veracity): Die Qualität und Zuverlässigkeit der Daten kann variieren, was zu Herausforderungen bei der Datenverarbeitung und -analyse führt.
Mehrwert (Value): Mehrwert durch die Verknüpfung von Datenmengen und den Einsatz von maschinellen Lernverfahren.
Datenqualität (Validity): Sicherstellung und Überprüfung der Datenqualität.

Big Data bietet wertvolle Einblicke und Möglichkeiten, erfordert jedoch den Einsatz fortschrittlicher Technologien, wie z. B. Cloud Computing und maschinelles Lernen, um aus den Daten nützliche Erkenntnisse zu gewinnen.

Wichtigkeit von Big Data

Gründe für Big Data:

Stetig wachsender Datenfluss durch

Digitalisierung
Internet der Dinge (IoT)
Soziale Medien
Online-Transaktionen
Sensoren
mobile Technologien

Wichtigkeit von Big Data:

fundierte Entscheidungsfindung
Entscheidungsprozesse optimieren
besseres Verständnis der Kunden
Kundenbindung
Bessere Kundenerfahrung
Erkennung von Risiken
Personalisierung von Dienstleistungen und Produkten
Trends und Verhalten vorhersagen
Kostensenkung
Effizienzsteigerung
komplexe Problemlösungen
Umsetzung innovativer Ideen
Fortschritte in Wissenschaft und Forschung

Ziele von Big Data

Die Ziele von Big Data sind vielfältig und variieren je nach Branche und Unternehmenskontext. Im Allgemeinen lassen sich jedoch die folgenden Hauptziele identifizieren:

Gewinnung von Erkenntnissen: Big Data zielt darauf ab, aus großen Datenmengen wertvolle Erkenntnisse zu gewinnen. So können fundierte Geschäftsentscheidungen getroffen und Geschäftsprozesse optimiert werden.
Personalisierung: Big Data-Analysen ermöglichen personalisierte Kundenerlebnisse und die Entwicklung maßgeschneiderter Produkte und Dienstleistungen.
Effizienzsteigerung: Big Data soll Betriebsabläufe optimieren und Effizienzsteigerungen erzielen, indem Engpässe erkannt und Prozesse automatisiert werden.
Vorhersage: Durch die Analyse historischer Daten können Unternehmen Trends erkennen und zukünftige Entwicklungen vorhersagen, um besser auf Marktveränderungen reagieren zu können.
Betrugserkennung und Sicherheit: Big Data wird auch eingesetzt, um Betrug aufzudecken und die IT-Sicherheit zu erhöhen, indem verdächtige Aktivitäten identifiziert werden.
Marktforschung: Big Data hilft Unternehmen, den Markt und ihre Kunden besser zu verstehen, indem sie umfangreiche Daten über das Verhalten, die Vorlieben und die Meinungen der Verbraucher sammelt.
Kostenoptimierung: Durch effizientere Ressourcennutzung und Ausgabenoptimierung können Unternehmen mithilfe von Big-Data-Analysen Kosten senken.
Innovationsförderung: Big Data ermöglicht die Identifizierung neuer Geschäftsmöglichkeiten und fördert Innovationen durch die Analyse von Daten und das Erkennen unerfüllter Bedürfnisse.
Wettbewerbsvorteile: Unternehmen, die Big Data erfolgreich nutzen, können sich einen Wettbewerbsvorteil verschaffen, indem sie schneller und präziser auf Marktveränderungen reagieren und bessere Produkte und Dienstleistungen anbieten.
Kundenzufriedenheit: Big Data hilft Unternehmen, die Bedürfnisse und Anforderungen ihrer Kunden besser zu verstehen und ihnen maßgeschneiderte Lösungen anzubieten.

Herkunft von Daten

Die Daten für Big Data stammen aus zahlreichen internen und externen Quellen. Einige der wichtigsten Quellen sind:

Unternehmen und Organisationen: Daten, die Unternehmen und Organisationen selbst erzeugen, z. B. Transaktions-, Kunden-, Produktions-, Finanz- und Logistikdaten.
Soziale Medien: Daten von Social-Media-Plattformen (wie Facebook, Twitter, Instagram), die die Informationen über das Verhalten und die Meinungen von Nutzern liefern.
Sensoren und IoT-Geräte: Sensoren in Maschinen, Geräten und IoT-Geräten sammeln kontinuierlich Daten wie Temperatur, Feuchtigkeit, Bewegung, Standortdaten, usw..
Websites und E-Commerce: Daten aus Besuchen von Websites, Suchanfragen, Online-Käufen und anderen Online-Aktivitäten.
Öffentliche Datenquellen: Daten von Regierungsstellen, statistischen Ämtern, öffentlichen Einrichtungen und Forschungsinstituten, die für die Analyse von Big Data relevant sein können.
Mobile Apps: Daten aus mobilen Apps, die von den Nutzern generiert werden, wie z.B. Standortdaten, Nutzungsverhalten und Aktivitäten in der App.
Maschinendaten: Daten von Maschinen und Anlagen, die in Industrie- und Fertigungsunternehmen eingesetzt werden, um Informationen über die Leistung und den Zustand der Maschinen zu erfassen.
Externe Datenanbieter: Für spezielle Branchen und Anforderungen können Unternehmen auch auf externe Datenanbieter zurückgreifen.

Abgrenzung von Big Data

Abgrenzung Big Data und KI (Künstliche Intelligenz)

Sie sind eng miteinander verbunden, jedoch nicht dasselbe. Big Data bezieht sich auf die Verarbeitung und Analyse großer Datenmengen, die oft im Petabyte- oder Exabyte-Bereich liegen. Diese Datenmengen würden traditionelle Datenbanken überfordern. Aus diesen riesigen Datensätzen sollen wertvolle Informationen und Muster extrahiert werden. Künstliche Intelligenz hingegen verwendet Algorithmen und maschinelles Lernen zur Unterstützung intelligenter Entscheidungen und Handlungen auf der Grundlage der gesammelten Daten. Während Big Data die Grundlage für KI bildet, ist KI die Technologie, mit der aus den Daten ein echter Mehrwert generiert werden kann.

Abgrenzung von Big Data und Smart Data

Smart Data hingegen bezieht sich auf ausgewählte strukturierte Informationen, die spezifische Fragen beantworten oder Ziele unterstützen. Es geht darum, relevante Daten auszuwählen und aufzubereiten, um effiziente Analysen zu ermöglichen, ohne Ressourcen für unbrauchbare Informationen zu verwenden.

Abgrenzung von Big Data und Business Intelligence (BI)

Im Gegensatz dazu konzentriert sich Business Intelligence (BI) auf die Fähigkeit, Daten zu analysieren und zu interpretieren, um fundierte Entscheidungen treffen zu können. Um Informationen verständlich und zugänglich zu machen, bieten BI-Tools visuelle Berichte, Dashboards und Datenvisualisierungen. Big Data kann eine wichtige Datenquelle für BI sein, insbesondere wenn herkömmliche Datenquellen begrenzt sind oder komplexe Zusammenhänge untersucht werden sollen.

Anwendungsgebiete von Big Data

Big Data kann in verschiedenen Bereichen eingesetzt werden und bietet vielfältige Möglichkeiten:

Marketing: Big Data ermöglicht die detaillierte Analyse von Kundenverhalten und -präferenzen, um personalisierte Marketingkampagnen zu entwickeln, Zielgruppen besser zu verstehen und den Erfolg von Marketingmaßnahmen zu messen.
Management: Führungskräfte können mit Big Data fundierte Entscheidungen treffen, Geschäftsprozesse optimieren und strategische Ziele festlegen. Die Analyse großer Datenmengen hilft, Trends und Chancen zu erkennen.
Maschinelles Lernen: Big Data bildet die Grundlage für das Training von KI- und Machine-Learning-Modellen. Je mehr Daten zur Verfügung stehen, desto genauer und effektiver können diese Modelle arbeiten.
Controlling: Die Auswertung großer Datenmengen ermöglicht es Unternehmen, Finanzdaten, Kostenstrukturen und Leistungskennzahlen effizient zu überwachen und Schwachstellen zu identifizieren.
Gesundheitswesen: Big Data trägt zur personalisierten Medizin bei, indem medizinische Daten analysiert werden, um Krankheiten vorherzusagen, Therapieansätze zu optimieren und die Patientenversorgung zu verbessern.
Datenbanken: Big-Data-Technologien ermöglichen die Speicherung und Verarbeitung großer Datenmengen in NoSQL-Datenbanken. Diese sind flexibler und skalierbarer als herkömmliche relationale Datenbanken.

Beispiele von Big Data

Echtzeit-Werbung

Die Analyse von Nutzerdaten und Verhaltensmustern auf Websites und in sozialen Medien ermöglicht personalisierte Werbung in Echtzeit, die gezielt auf Interessen und Nutzungspräferenzen eingeht.

Gesundheitsanalyse

Im Gesundheitswesen werden mit Big-Data-Analysen medizinische Daten von Patienten ausgewertet und Risikoprofile für bestimmte Krankheiten erstellt. Auf diese Weise ist es möglich, die medizinische Versorgung zu individualisieren und präventive Maßnahmen zu ergreifen, um die Gesundheit der Patienten zu verbessern.

Predictive Maintenance

In der Industrie können Sensoren und Datenanalysen eingesetzt werden, um den Zustand von Maschinen und Anlagen zu überwachen. Dies ermöglicht die Vorhersage von Wartungsbedarf und Ausfallrisiken und damit eine effizientere und kostengünstigere Instandhaltung.

Big Data Analytics

Unter Big Data Analytics ist der Prozess der Auswertung und Analyse großer und komplexer Datensätze mit dem Ziel, wertvolle Erkenntnisse zu gewinnen und Muster und Trends zu erkennen. Dabei werden fortgeschrittene Techniken wie Data Mining, maschinelles Lernen und statistische Analysen zur Gewinnung relevanter Informationen und zur Unterstützung fundierter Entscheidungen in verschiedenen Bereichen wie Wirtschaft, Wissenschaft und Gesundheitswesen eingesetzt.

Funktionsweise und Technologien von Big Data

Funktionsweise

Die Verarbeitung von Big Data erfolgt in mehreren Schritten:

Datenerfassung: Daten werden aus verschiedenen Quellen wie Sensoren, sozialen Medien, Webseiten und anderen digitalen Plattformen gesammelt.
Datenspeicherung: Die gesammelten Daten werden in speziellen Big-Data-Systemen gespeichert, die horizontale Skalierbarkeit und verteilte Speicherung bieten. Beispiele sind das Hadoop Distributed File System (HDFS) oder NoSQL-Datenbanken.
Datenverarbeitung: Zur Datenverarbeitung und -analyse werden Technologien wie MapReduce oder Spark eingesetzt. Dabei werden die Daten in kleinere Teile zerlegt, die dann parallel verarbeitet werden können.
Datenanalyse: Um Erkenntnisse, Muster und Trends in den Daten zu identifizieren, werden fortgeschrittene Analysetechniken wie Data Mining, maschinelles Lernen und statistische Analysen eingesetzt.
Datenvisualisierung: Um die gewonnenen Erkenntnisse für Entscheidungsträger leichter verständlich zu machen, werden sie häufig in anschaulichen Dashboards und Diagrammen visualisiert.

Technologien

Im Folgenden sind einige der Technologien aufgeführt, die Unternehmen und Organisationen dabei unterstützen können, wertvolle Erkenntnisse zu gewinnen, bessere Entscheidungen zu treffen und ihre Geschäftsprozesse zu optimieren:

Hadoop: Eine Open-Source-Software, die es ermöglicht, Daten auf verteilten Systemen zu speichern und zu verarbeiten. Hadoop ermöglicht die parallele Verarbeitung großer Datenmengen auf Clusterebene und umfasst die Komponenten Hadoop Distributed File System (HDFS) und MapReduce.
NoSQL-Datenbanken: Diese Datenbanken wurden speziell entwickelt, um unstrukturierte oder semistrukturierte Daten zu verarbeiten, und bieten eine hohe Skalierbarkeit und Performance.
Data Warehouses: Spezielle Datenbanken, die große Mengen strukturierter Daten aus unterschiedlichen Quellen integrieren, optimieren und analysieren.
Data Mining und maschinelles Lernen: Fortgeschrittene Analysetechniken, die in der Lage sind, Muster, Zusammenhänge und Trends in Daten zu erkennen und zu prognostizieren.
In-Memory-Technologie: Die Daten werden im Arbeitsspeicher gehalten, was die Zugriffszeiten erheblich verkürzt und eine Analyse in Echtzeit ermöglicht.
Cloud Computing: Bereitstellung von Rechenleistung und Speicherplatz für Big-Data-Anwendungen über Cloud-Plattformen mit flexibler Skalierbarkeit.
Stream Processing: Ermöglicht die Echtzeitanalyse und -verarbeitung von Daten, während diese in Systeme einfließen.
Data Visualization: Technologien zur grafischen Darstellung von Analyseergebnissen, um komplexe Zusammenhänge verständlich zu visualisieren.

Big Data Software

Es gibt eine Vielzahl von Big Data Softwarelösungen, die speziell für die Verarbeitung und Analyse großer Datenmengen entwickelt wurden. Hier sind einige ausgewählte Software-Typen:

Apache Spark: Eine schnelle und flexible Open-Source-Engine für die Analyse von Big Data, die eine In-Memory-Verarbeitung bietet und sich gut für komplexe Aufgaben in der Datenverarbeitung eignet.
Apache Flink: Eine weitere Open-Source-Plattform für Echtzeit-Datenverarbeitung, die fortschrittliche Streaming-Funktionen und geringe Latenzzeiten bietet.
Apache Kafka: Eine verteilte Streaming-Plattform, die die Verarbeitung, Speicherung und Übertragung großer Datenmengen in Echtzeit ermöglicht.
MongoDB: Eine dokumentenbasierte NoSQL-Datenbank, die eine flexible und skalierbare Speicherung sowohl strukturierter als auch unstrukturierter Daten ermöglicht.
Tableau: Eine Business Intelligence Software zur Visualisierung von Daten und interaktiven Analyse zur schnellen Erkennung komplexer Zusammenhänge in Daten.

Big Data Infrastruktur

Die folgenden Vorteile und Chancen ermöglichen es Unternehmen, ihre Geschäftsprozesse nachhaltig zu optimieren und sich einen Wettbewerbsvorteil am Markt zu verschaffen.

Effizienzsteigerung: Durch die Optimierung von Prozessen können Unternehmen ihre Effizienz steigern und Ressourcen besser nutzen.
Qualitätssteigerung: Prozessmanagement ermöglicht, Schwachstellen zu identifizieren und Maßnahmen zur Verbesserung der Qualität zu ergreifen.
Kostensenkung: Durch effizientere Prozesse und bessere Ressourcennutzung können Kosten gesenkt werden.
Kundenorientierung: Prozessmanagement ermöglicht eine gezielte Ausrichtung der Prozesse auf die Bedürfnisse der Kunden. Dies führt zu einer höheren Kundenzufriedenheit.
Flexibilität und Anpassungsfähigkeit: Durch die kontinuierliche Verbesserung der Prozesse sind Unternehmen in der Lage, sich schnell an veränderte Marktbedingungen anzupassen.
Innovationsförderung: Prozessmanagement schafft Raum für Innovationen, indem kontinuierliche Verbesserungen und neue Ideen in die Prozesse integriert werden.
Teamarbeit und Mitarbeiterbeteiligung: Prozessmanagement fördert die Zusammenarbeit der Mitarbeitenden und ermöglicht deren aktive Beteiligung an der Prozessgestaltung und -optimierung.

Big Data und Datenschutz

Datenschutzaspekte und die Bewältigung der damit verbundenen Herausforderungen sind für den Umgang mit Big Data von entscheidender Bedeutung, um das Vertrauen der Nutzer zu erhalten und mögliche rechtliche Konsequenzen zu vermeiden. In diesem Zusammenhang sind mehrere wichtige Aspekte zu berücksichtigen:

Anonymisierung und Pseudonymisierung von Daten Um die Privatsphäre des Einzelnen zu schützen, sollten personenbezogene Daten vor der Verarbeitung anonymisiert oder pseudonymisiert werden. Auf diese Weise wird verhindert, dass aus den Daten auf die Identität der betroffenen Personen geschlossen werden kann.
Einhaltung der Datenschutzbestimmungen: Unternehmen müssen sicherstellen, dass sie die geltenden Datenschutzgesetze und -bestimmungen einhalten, insbesondere wenn es um die Verarbeitung personenbezogener Daten geht. Dies ist je nach Region oder Land mit unterschiedlichen Anforderungen verbunden.
Data Governance: Ein klares und transparentes Datenmanagement ist entscheidend, damit der Datenschutz gewährleistet ist. Für den Umgang mit Daten, den Zugriff darauf und die Datenspeicherung sollten klare Richtlinien und Prozesse festgelegt werden.
Datensicherheit: Große Datenmengen können anfällig für Cyber-Angriffe und Datenlecks sein. Daher ist eine robuste Datensicherheitsstrategie von großer Bedeutung. Der Schutz vor unberechtigtem Zugriff und Datenverlust muss gewährleistet sein.

Zu den Herausforderungen für den Datenschutz im Zusammenhang mit Big Data gehören:

Komplexität der Daten: Big Data umfassen häufig verschiedene Datentypen aus unterschiedlichen Quellen, was die Identifizierung und den Schutz personenbezogener Daten erschwert.
Verknüpfung von Daten: Eine Herausforderung für den Datenschutz besteht darin, dass durch die Verknüpfung verschiedener Datensätze Rückschlüsse auf Personen gezogen werden können.
Einwilligung: Das Einholen und Verwalten von Einwilligungen zur Datennutzung kann sich bei großen Datensätzen als komplex erweisen.
Internationale Compliance: Unternehmen müssen sich im Rahmen ihrer globalen Aktivitäten mit den Datenschutzbestimmungen verschiedener Länder auseinandersetzen.

Vorteile und Chancen von Big Data

Erkenntnisse aus großen Datenmengen gewinnen: Big Data ermöglicht die Analyse komplexer Daten, um wertvolle Erkenntnisse und Trends zu identifizieren.
Personalisierte Kundenerfahrung: Unternehmen können maßgeschneiderte Produkte und Dienstleistungen anbieten, um die Kundenzufriedenheit zu erhöhen.
Effizienzsteigerung: Geschäftsprozesse können automatisiert und optimiert werden, was die Effizienz steigert.
Innovationsförderung: Big Data bringt neue Geschäftsideen und Innovationen hervor.
Wettbewerbsvorteil: Big Data ermöglicht eine schnelle Entscheidungsfindung und damit einen Wettbewerbsvorteil.
Betrug aufdecken und Sicherheit erhöhen: Big Data hilft, Betrug aufzudecken und die Sicherheit zu erhöhen.
Unterstützung von Forschung und Entwicklung: Forschung und Entwicklung in verschiedenen Branchen werden durch Big Data unterstützt.
Kosteneinsparung: Mit der Analyse von Daten können Unternehmen ihre Kosten optimieren.
Personalmanagement: Big Data unterstützt das Personalmanagement und die Mitarbeiterzufriedenheit.
Verbesserte Entscheidungsfindung: Führungskräfte können datengestützte Entscheidungen treffen und strategischer agieren

Probleme und Herausforderungen

Datenschutz und Datensicherheit: Die Verarbeitung großer Datenmengen birgt das Risiko der Offenlegung sensibler Informationen und der Erleichterung von Datenschutzverletzungen.
Datenqualität und -verfügbarkeit: Big Data erfordert hochwertige und zuverlässige Daten. Eine Herausforderung kann es sein, heterogene Datenquellen verfügbar zu machen und zu integrieren.
Analytische Komplexität: Für die Verarbeitung und Analyse von Big Data sind komplexe Algorithmen und leistungsfähige Technologien erforderlich.
Infrastruktur- und Speicherkosten: Die Umsetzung von Big Data erfordert eine spezialisierte Infrastruktur und große Speicherkapazitäten, was zu hohen Kosten führen kann.
Fachkräftemangel: Die Nachfrage nach Fachkräften für die Analyse von Big Data übersteigt häufig das Angebot. Dies führt zu einem Fachkräftemangel.
Ethik und Verantwortung: Die Nutzung von Big Data wirft ethische Fragen auf, insbesondere in Bezug auf den Umgang mit Daten und Algorithmen.
Rechtliche und regulative Herausforderungen: Bei der Nutzung von Big Data muss sichergestellt werden, dass die geltenden Gesetze und Vorschriften eingehalten werden.
Datensilos und Datenintegration: Daten sind möglicherweise in verschiedenen Datenspeichern abgelegt, was ihre Integration und Analyse erschwert.
Unstrukturierte Daten: Ein Großteil der Daten liegt in unstrukturierter Form vor, was die Analyse und Interpretation erschwert.
Skalierbarkeit: Die Skalierbarkeit von Big-Data-Systemen, um mit der wachsenden Menge an Daten umgehen zu können, stellt eine Herausforderung dar.

Big Data Strategie

Es bedarf einer gut durchdachten Strategie, um Big Data in einer Organisation einzuführen und umzusetzen. Im Folgenden sind einige konkrete Schritte aufgeführt, die dabei behilflich sein können:

Geschäftsziele definieren: Klaren Geschäftszielen und Use Cases für die Nutzung von Big Data identifizieren, die einen echten Mehrwert für das Unternehmen schaffen.
Ressourcen- und Budgetplanung: Festlegung eines angemessenen Budgetrahmens für die Implementierung von Big Data und Bereitstellung der erforderlichen Ressourcen, einschließlich technischer Expertise und Infrastruktur.
Datenbestände analysieren: Vorhandene Datenbestände gründlich auf relevante Datenquellen und mögliche Datenlücken analysieren.
Auswahl von Technologien und Werkzeugen: Geeignete Big-Data-Technologien und Tools auswählen, die den Organisationsanforderungen entsprechen und eine effiziente Datenverarbeitung und -analyse ermöglichen.
Dateninfrastruktur aufbauen: Aufbau der erforderlichen Dateninfrastruktur für die effiziente Speicherung, Verwaltung und Verarbeitung großer Datenmengen. Dies kann sowohl die Nutzung von Cloud-Diensten als auch von Systemen vor Ort umfassen.
Gewährleistung von Datenschutz und Datensicherheit: Umsetzung geeigneter Maßnahmen für Datenschutz und -sicherheit zum Schutz sensibler Informationen und zur Einhaltung gesetzlicher Vorgaben.
Mitarbeitende schulen: Mitarbeitende auf die Nutzung von Big Data vorbereiten, Schulungen und Trainingsprogramme anbieten, um ihre Datenkompetenz und Analysefähigkeiten zu verbessern.
Pilotprojekte starten: Die Umsetzung mit kleineren Pilotprojekten starten, um erste Erfahrungen zu sammeln, Erfolge aufzuzeigen und mögliche Herausforderungen frühzeitig zu erkennen.
Skalierung und Optimierung: Um den Mehrwert zu maximieren, wird die Big-Data-Lösung nach erfolgreichen Pilotprojekten auf weitere Bereiche der Organisation skaliert und kontinuierlich optimiert.
Kontinuierliche Verbesserung: Die Big-Data-Strategie wird kontinuierlich überwacht und verbessert. Dabei wird auf das Feedback der Nutzer reagiert, neue Technologien werden evaluiert und die Strategie wird an sich ändernde Geschäftsanforderungen angepasst.

Umsetzung von Big Data

Für eine erfolgreiche Umsetzung von Big Data ist es wichtig, klare Geschäftsziele zu definieren, die notwendigen Ressourcen und Technologien adäquat zu planen, Datenschutz und Datensicherheit zu gewährleisten sowie die Mitarbeitenden einzubeziehen und zu schulen Ein professioneller Dienstleister wie das IPH kann dabei mit seinem Know-how und seiner Erfahrung in der Umsetzung von Big-Data-Projekten unterstützen. Er kann die Organisation mit seiner Beratung bei der Auswahl der richtigen Technologien, beim Aufbau einer effizienten Dateninfrastruktur und bei der frühzeitigen Erkennung und Bewältigung möglicher Herausforderungen unterstützen, um eine erfolgreiche und reibungslose Umsetzung zu gewährleisten.
Wenn Sie mehr über Big Data erfahren möchten, kontaktieren Sie gerne die Ansprechpartnerin Frau Dr.-Ing. Maren Müller unter mueller@iph-hannover.de oder +49 (0)511 279 76-443.

Big Data: Das müssen Sie über die Welt der großen Datenmengen wissen