Weltweit sind Unternehmen mit immer größer werdenden Datenmengen konfrontiert, mit denen sie jedoch nichts anzufangen wissen. Denn Big Data ist komplex und bringt unterschiedlichste Herausforderungen mit sich, welchen Datenanalysten in bisherigen IT-Projekten nicht in dieser Art und Weise begegnet sind. Diese Herausforderungen werden mit dem sogenannten 5V-Modell dargestellt und beschreiben, was beim Analysieren von Big Data zu beachten ist.
In dieser Seminararbeit werden daher die einzelnen Elemente des 5V-Modells sowie die Herausforderungen, die sie mit sich bringen, erläutert. Zudem wird gezeigt, wie diese Herausforderungen in der Praxis zu bewältigen sind und inwiefern herkömmliche Ressourcen nicht dazu in der Lage wären, dies zu bewerkstelligen.
Hierzu wird als Einstieg in die Erläuterung des 5V-Modells zuerst der Begriff Big Data definiert, wodurch der Grund für das Bestehen des Modells deutlich wird. Im Anschluss wird kurz dessen Entstehungsgeschichte vorgestellt und danach die einzelnen Bestandteile näher erläutert sowie ihre Herausforderungen anhand von Beispielen verdeutlicht. Zum Abschluss wird anhand des autonomen Fahrens die besondere Komplexität der Echtzeitverarbeitung von audiovisuellen Daten (AV-Daten) dargestellt.
Inhaltsverzeichnis
1 Einleitung
1.1 Problemstellung
1.2 Zielsetzung
1.3 Vorgehensweise
2 Big Data Herausforderungen: Das 5V-Modell
2.1 Die Bedeutung von Big Data
2.2 Die Entstehung des 5V-Modells
2.3 V1: Volume
2.4 V2: Velocity
2.5 V3: Variety
2.6 V4: Veracity
2.7 V5: Value
3 Analyse dynamischer AV-Daten
3.1 Die Bedeutung dynamischer AV-Daten
3.2 Autonomes Fahren als Anwendungsbeispiel des 5V-Modells
4 Fazit und Ausblick
4.1 Das 5V-Modell als Einstieg in Big Data
4.2 Die Weiterentwicklung des xV-Modells ist nicht beendet
Zielsetzung & Themen
Die Arbeit verfolgt das Ziel, die Herausforderungen von Big Data anhand des 5V-Modells systematisch zu erläutern und deren praktische Relevanz sowie die Grenzen herkömmlicher Ressourcen aufzuzeigen.
- Grundlagen und Definition von Big Data
- Detaillierte Analyse der 5 Vs: Volume, Velocity, Variety, Veracity und Value
- Herausforderungen bei der Verarbeitung heterogener Daten
- Echtzeitverarbeitung am Praxisbeispiel des autonomen Fahrens
- Zukunftsperspektiven und Weiterentwicklungen des Modells
Auszug aus dem Buch
2.3 V1: Volume
Das erste V des Modells ist die namensgebende Eigenschaft von Big Data und steht für die immer größer werdenden Datenmengen, die gespeichert und verarbeitet werden müssen.10 So ist in Abb. 1 ersichtlich, dass die jährlich weltweit generierte Datenmenge exponentiell ansteigt. Während im Jahr 2010 rund 2,5 Zettabyte (ZB) an Daten generiert wurden, wuchs diese Zahl 2016 auf über 16 ZB an. Für 2025 wird von der IDC bereits eine generierte Datenmenge von über 160 ZB vorhergesagt.11
Diese riesigen Datenvolumina stellen Unternehmen unter anderem vor zwei neue Herausforderungen. Die erste besteht darin, dass die Verarbeitung der großen Datenmengen nicht mehr mit herkömmlichen Speicher- und Analysetechniken bewerkstelligt werden kann.13 So gehören z. B. relationale Datenbanken zu den am weitesten verbreiteten Datenbanktypen.14 Diese arbeiten jedoch mit in Relation stehenden Tabellen, welche bei Datenabfragen zu Mengen verknüpft werden müssen. Dabei ergibt sich aus der Mengenlehre ein umso größerer Rechenaufwand, je größer der abgefragte Datenbestand ist.15 Daher müssen Unternehmen, die mit Big Data arbeiten wollen, auf sogenannte Not only Structured Query Language (NoSQL-) Datenbanken umsteigen, welche effizienter mit großen Datenmengen arbeiten können.16
Die zweite Herausforderung, die aufgrund der großen Datenvolumina entsteht, ist die geringe Dichte an wertvollen Daten, aus denen ein Mehrwert für das Unternehmen generiert werden kann.17 Denn ein logischer Nebeneffekt der dauerhaften Steigerung der Datenmenge ist, dass auch die Menge an wertlosen Daten steigt. Jedoch sind in diesen Datenbergen die wichtigen Informationen versteckt und müssen von den unwichtigen Daten getrennt werden. Dieses Herausfiltern der wichtigen Informationen lässt sich gut mit dem Goldwaschen vergleichen. So ist es die Aufgabe der Unternehmen, den wertlosen Sand in harter und aufwendiger Arbeit von dem Gold zu trennen. Wichtig ist dabei jedoch, dass an der richtigen Stelle gesucht wird, denn wo kein Gold liegt, kann auch keines gefunden werden.18
Zusammenfassung der Kapitel
1 Einleitung: Dieses Kapitel führt in die Problematik wachsender Datenmengen ein und definiert die Zielsetzung sowie die methodische Vorgehensweise der Arbeit.
2 Big Data Herausforderungen: Das 5V-Modell: Hier werden die fünf zentralen Dimensionen (Volume, Velocity, Variety, Veracity, Value) vorgestellt, die die Herausforderungen im Umgang mit Big Data beschreiben.
3 Analyse dynamischer AV-Daten: Dieses Kapitel überträgt die theoretischen Erkenntnisse des 5V-Modells auf die praktische Echtzeitverarbeitung von audiovisuellen Daten beim autonomen Fahren.
4 Fazit und Ausblick: Das Abschlusskapitel resümiert das 5V-Modell als hilfreiches Orientierungsinstrument und wirft einen Blick auf zukünftige Erweiterungen in Richtung eines xV-Modells.
Schlüsselwörter
Big Data, 5V-Modell, Datenanalyse, Volume, Velocity, Variety, Veracity, Value, NoSQL, Echtzeitverarbeitung, AV-Daten, autonomes Fahren, Datenqualität, Datenmanagement, Unternehmen.
Häufig gestellte Fragen
Was ist das zentrale Thema dieser Arbeit?
Die Arbeit behandelt die Herausforderungen, die durch Big Data für Unternehmen entstehen, und strukturiert diese mithilfe des 5V-Modells.
Welche Aspekte zählen zu den 5 Vs?
Die fünf Dimensionen sind Volume (Datenmenge), Velocity (Geschwindigkeit), Variety (Vielfalt), Veracity (Wahrheit/Qualität) und Value (Wert).
Was ist das primäre Ziel der Untersuchung?
Ziel ist es, die Elemente des 5V-Modells zu erläutern und zu zeigen, warum herkömmliche IT-Ressourcen bei der Bewältigung dieser Herausforderungen an ihre Grenzen stoßen.
Welche wissenschaftliche Methode liegt der Arbeit zugrunde?
Es handelt sich um eine theoretische Auseinandersetzung mit dem Thema, die durch die Analyse des 5V-Modells und deren Anwendung auf ein praktisches Beispiel (autonomes Fahren) ergänzt wird.
Welche Inhalte umfasst der Hauptteil?
Der Hauptteil gliedert sich in eine detaillierte Erläuterung der 5 Vs und eine anschließende Analyse dynamischer AV-Daten unter Praxisbedingungen.
Welche Begriffe charakterisieren die Arbeit am besten?
Wichtige Begriffe sind insbesondere Big Data, 5V-Modell, Datenqualität, Echtzeitanalyse und digitale Transformation.
Warum spielt NoSQL in diesem Zusammenhang eine Rolle?
NoSQL-Datenbanken werden als notwendig erachtet, um große und unstrukturierte Datenmengen effizienter verarbeiten zu können als klassische relationale Datenbanken.
Wie illustriert das Beispiel des autonomen Fahrens die Theorie?
Das autonome Fahren verdeutlicht, wie durch Kamerasysteme erzeugte AV-Daten in Echtzeit verarbeitet und nach den Kriterien des 5V-Modells bewertet werden müssen, um Sicherheit zu gewährleisten.
- Arbeit zitieren
- Anonym (Autor:in), 2022, Datenorganisation in Big Data. Das 5V-Modell unter Einbezug dynamischer AV-Daten, München, GRIN Verlag, https://www.grin.com/document/1322222
