Ziel dieses Essays ist es, den Begriff Big Data und Big Data Analytics darzulegen und ihn mit Data Warehouse zu vergleichen. Auch die Relevanz von Big Data im Unternehmen sowie die Einhaltung des Datenschutzes sollen in diesem Essay dargelegt werden.
Zunächst wird es eine Begriffsbestimmung zu Big Data und Data Warehouse geben. Danach werden die Unterschiede in Bezug auf Datenspeicherung, Datenherkunft und Datenqualität von Big Data und Data Warehouse beleuchtet. Im letzten Abschnitt geht es um den Datenschutz und die damit verbundenen Folgen bei Nichteinhaltung sowie um die Relevanz von Big Data im Unternehmen. Zusammengefasst und bewertet wird das Thema im Fazit.
Inhaltsverzeichnis
1. Einleitung
2. Big Data
2.1 Begriffsbestimmung
2.1.1 Volume (Menge)
2.1.2 Velocity (Geschwindigkeit)
2.1.3 Variety (Vielfalt)
2.1.4 Veracity (Wahrhaftigkeit)
2.1.5 Analytics
2.2 Anwendungsbereich
3. Data Warehouse
3.1 Begriffsbestimmung
3.2 Anwendungsbereich
4. Unterschied Big Data und Data Warehouse
4.1 Datenspeicherung
4.2 Datenherkunft
4.3 Datenqualität
5. Datenschutz im Hinblick auf Big Data
5.1 Überblick über die Rechtliche Grundlage in Bezug auf Personenbezogene Daten
5.2 Folgen von Verstößen gegen den Datenschutz
6. Relevanz von Big Data im Unternehmen
7. Fazit
Zielsetzung & Themen
Ziel dieses Essays ist es, den Begriff Big Data sowie Big Data Analytics zu definieren, diese mit dem Konzept des Data Warehouse zu vergleichen und die wirtschaftliche Relevanz sowie die datenschutzrechtlichen Anforderungen in Unternehmen zu analysieren.
- Definition und Merkmale von Big Data (Die vier V’s)
- Konzept und Anwendungsbereiche von Data Warehouse
- Gegenüberstellung: Big Data vs. Data Warehouse
- Datenschutzanforderungen (DS-GVO) und Konsequenzen bei Verstößen
- Wirtschaftliche Bedeutung und Nutzung von Big Data in Unternehmen
Auszug aus dem Buch
2.1 Begriffsbestimmung
Obwohl der Begriff Big Data häufig verwendet wird, gibt es bis heute keine allgemeingültige Definition. Im IT-Glossar der Gartner Group wird Big Data wie folgt Definiert:
„Big data is high-volume, high-velocity and/or high-variety information assets that demand cost-effective, innovative forms of information processing that enable enhanced insight, decision making, and process automation.“
Zusammenfassend kann man demnach sagen, dass es bei Big Data Anwendungen um die Beherrschung der drei V’s, nämlich Volume (Menge), Velocitiy (Geschwindigkeit) und Variety (Vielfalt), geht. Im Laufe der Zeit und unter Betrachtung des enormen Wachstums von Social Media und den damit verbundenen Möglichkeiten von öffentlichen Äußerungen wurde noch ein viertes Merkmale, nämlich Veracity (Wahrhaftigkeit) hinzugefügt.
Zusammenfassung der Kapitel
1. Einleitung: Die Einleitung führt in die Bedeutung von Daten als "Rohstoff des 21. Jahrhunderts" ein und formuliert das Ziel des Essays, Big Data und Data Warehouse vergleichend zu betrachten.
2. Big Data: Dieses Kapitel erläutert die Definition von Big Data anhand der Merkmale Volume, Velocity, Variety und Veracity sowie das Thema Analytics und mögliche Anwendungsbereiche.
3. Data Warehouse: Hier wird das Konzept des Data Warehouse definiert, seine vier Merkmale (Themenorientierung, Integration, Beständigkeit, zeitliche Varianz) aufgezeigt und sein Anwendungsbereich beschrieben.
4. Unterschied Big Data und Data Warehouse: Das Kapitel stellt die beiden Technologien hinsichtlich Datenspeicherung, Datenherkunft und Datenqualität gegenüber, um die jeweiligen Vor- und Nachteile zu verdeutlichen.
5. Datenschutz im Hinblick auf Big Data: Es wird ein Überblick über die datenschutzrechtliche Lage gemäß DS-GVO gegeben und die möglichen Konsequenzen bei Verstößen gegen diese Bestimmungen erläutert.
6. Relevanz von Big Data im Unternehmen: Dieser Abschnitt analysiert die aktuelle Bedeutung von Big Data in deutschen Unternehmen anhand von Studien und beleuchtet Hemmnisse bei der Einführung.
7. Fazit: Das Fazit bewertet die Ergebnisse, diskutiert die Herausforderungen bei der Datenqualität und Datenschutz und gibt eine Empfehlung für den Einsatz von Data Warehouse in kleinen Unternehmen.
Schlüsselwörter
Big Data, Data Warehouse, Datenspeicherung, Datenqualität, DS-GVO, Datenschutz, Volume, Velocity, Variety, Veracity, Datenanalyse, Unternehmensentscheidungen, Informationstechnik, Digitalisierung, Big Data Analytics
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit behandelt die technologischen Grundlagen von Big Data und Data Warehouse, deren Unterschiede sowie die damit verbundenen Herausforderungen hinsichtlich Datenschutz und Unternehmensnutzung.
Welche zentralen Themenfelder werden bearbeitet?
Die zentralen Themen sind die Definition und Merkmale von Big Data, die Funktionsweise von Data Warehouse, der Vergleich beider Konzepte, die rechtlichen Datenschutz-Rahmenbedingungen sowie die praktische Implementierung in Unternehmen.
Was ist das primäre Ziel oder die Forschungsfrage?
Das Ziel ist es, Big Data und Big Data Analytics zu definieren, diese mit dem Data Warehouse zu vergleichen sowie die Relevanz und die Einhaltung des Datenschutzes in Unternehmen darzulegen.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit basiert auf einer Literaturanalyse und einer deskriptiven Auswertung von Studien und Marktberichten, um den aktuellen Status quo von Big Data in der Wirtschaft zu bewerten.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in Definitionen beider Daten-Konzepte, einen Vergleich der Speichermethoden und Datenqualitätsansätze, eine Einordnung in das Datenschutzrecht sowie eine Analyse der Verbreitung von Big Data in deutschen Unternehmen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit wird maßgeblich durch Begriffe wie Big Data, Data Warehouse, Datenqualität, Datenschutz, DS-GVO, Datenmenge und unternehmerische Entscheidungsfindung charakterisiert.
Warum wird für kleine Unternehmen eher das Data Warehouse empfohlen?
Da kleine Unternehmen oft Schwierigkeiten haben, die komplexen Anforderungen der DS-GVO umzusetzen und häufig eine höhere Datenpräzision gegenüber reiner Datenmasse priorisieren, wird ihnen laut Fazit das Data Warehouse nahegelegt.
Welches Beispiel wird für die Kritik an der Datenqualität von Big Data genannt?
Die Arbeit nutzt den Fall "Google Flu Trends" als Beispiel, um zu zeigen, dass Big Data-Vorhersagen unpräzise sein können und saisonale Epidemien massiv falsch einschätzen können.
- Arbeit zitieren
- Laura Scharnbach (Autor:in), 2020, Big Data und Data Warehouse. Datenschutz und Relevanz von Big Data im Unternehmen, München, GRIN Verlag, https://www.grin.com/document/1185133
