Big Data. Chancen und Risiken im Gesundheitswesen


Seminararbeit, 2016
19 Seiten, Note: 1,0

Leseprobe

Inhaltsverzeichnis

1. Einleitung

2. Big Data
2.1 Begriffsdefinition
2.2 Einordnung in Wissenschaft und Technologie
2.3 Aktuelle Anwendung in Unternehmen
2.4 Implementierung im Unternehmen

3. Chancen
3.1 Marketing und Vertrieb
3.2 Forschung und Entwicklung
3.3 Produktion
3.4 Logistik
3.5 Controlling
3.6 Chancen im Gesundheitswesen

4. Risiken
4.1 Risiken für die Gesellschaft
4.2 Datensicherheit und Daten-Compliance

5. Schlussbetrachtung

Literaturverzeichnis II

1. Einleitung

Madeleine kauft auf Amazon ein Buch über Teambuilding, Markus sucht im Web nach Grüntee und Simon twittert seinen Kummer über ein verlorenes Match Fifa. Zur gleichen Zeit überwachen Paketdienste die Routen ihrer Lieferwägen, Energieunternehmen messen die Erträge ihrer Anlagen und Banken übermitteln wichtige Transaktionen. Vorgänge wie diese vollziehen sich massenhaft – jede Sekunde und überall auf der Welt. Dadurch werden unvorstellbar große Mengen an Daten produziert. In letzter Zeit wird heiß darüber diskutiert von welchem Wert diese entstehenden Datenberge sind und in welchem Ausmaß sie das Leben auf unserem Planeten verändern werden. In Assoziation mit dieser Diskussion steht der Begriff Big Data.

Diese Arbeit stellt sich daher die Frage, welche Chancen und Risiken durch Big Data entstehen. Um diese Frage zu beantworten untergliedert sich die Arbeit in fünf Teile. Nach der Einleitung wird der Begriff Big Data in Kapitel zwei abgegrenzt und erläutert. Kapitel drei dreht sich um die entstehenden Chancen in einigen Unternehmensbereichen und im Gesundheitswesen. Anschließend werden in Kapitel 4 die sich ergebenden Risiken ergründet. Im letzten Abschnitt werden die Ergebnisse der Arbeit zusammengefasst.

2. Big Data

2.1 Begriffsdefinition

Es gibt zahlreiche Definitionen von dem Begriff Big Data (BD), die je nach Unternehmen und Branche unterschiedlich sind. Ebenso gibt es starke Schwankungen hinsichtlich der Euphorie für den Begriff. Während McAfee und Brynjolfsson von einer “Management Revolution”[1] reden, bezeichnet Leodolter BD lediglich als “innovative Datennutzung“.[2]

Eaton u.a. beschrieben BD im Jahr 2012 so: „… the term Big data applies to information that can´t be processed or analyzed using traditional processes or tools.”[3] Andere Autoren grenzen BD auch in der Überforderung herkömmlicher Strukturen ab.[4] Um den Begriff BD ausführlicher zu definieren werden für gewöhnlich die sog. 3 V´s aufgeführt: Volume, Variety und Velocity.[5] Der Bundesverband Informationswirtschaft, Telekommunikation und neue Medien e.V. (BITKOM) beschreibt BD als „… den Einsatz großer Datenmengen aus vielfältigen Quellen mit einer hohen Verarbeitungsgeschwindigkeit zur Erzeugung wirtschaftlichen Nutzens.“[6] Zudem sieht der BITKOM in BD ebenfalls eine Überforderung der jeweiligen Infrastruktur und übernimmt die 3 V´s aber erweitert diese durch das Merkmal „Analytics“[7]. Die Definition des BITKOM ist für die vorliegende Arbeit und ihre Fragestellung am besten geeignet, da sie den wirtschaftlichen Nutzen - im Gegensatz zu den anderen vorliegenden Definitionen – direkt miteinbezieht. Im Folgenden werden die 3 V´s und deren Erweiterung des BITKOM erläutert.

2.1.1 Volume

Das Volumen der weltweit gespeicherten Daten steigt rasant an. Während es im Jahr 2000 rund 800.000 Petabytes gespeicherte Daten waren wird die Zahl bis 2020 geschätzt auf 35 Zettabytes[8] steigen. Das ist hauptsächlich auf unsere zunehmend digitalisierte Welt und der damit einhergehenden Vermehrung der Datenquellen zurückzuführen.[9] Die üblichen Daten in BD-Landschaften sind: Unternehmensdaten aus internen Quellen, Transaktionsdaten wie z.B. Forderungen, Daten aus sozialen Medien, Maschinendaten von Sensoren und Gesundheits- und Biometrische Daten wie Patientenakten oder Identitätsdaten.[10]

2.1.2 Variety

Durch die Zunahme der verschiedenen Datenquellen hat sich auch die Datenvielfalt geändert. Konventionelle Datenbanken waren relational, bestehend also aus strukturierten Daten. Nun haben Unternehmen zusätzlich rohe, semistrukturierte und unstrukturierte Daten zu handeln. Während traditionelle Analytics-Systeme nur strukturierte Daten auswerten (welche nur ca. ein Fünftel des Datenvolumens darstellen), können bei BD auch die anders-strukturierten Daten zur Wertschöpfung genutzt werden.[11] Die verschiedenen, vorherig genannten Datengruppen sind auch innerhalb ihrer eigenen Gruppe meist nicht gleich strukturiert. So handelt es sich bei den Unternehmensdaten meist um strukturierte Daten, die Transaktionsdaten können strukturiert oder semistrukturiert sein und die Daten aus sozialen Medien sind teilweise semistrukturiert und teilweise unstrukturiert. Patientenakten, Maschinendaten und biometrische Daten sind für gewöhnlich unstrukturiert.[12]

2.1.3 Velocity

Velocity bezieht sich bei BD nicht auf die Geschwindigkeit der Datenabspeicherung. Stattdessen beschreibt es die Geschwindigkeit eines sich stetig bewegenden Datenflusses der durch viele weitere Informationen Zustrom bekommt. Der Datenfluss bewegt sich zu schnell für herkömmliche Strukturen. Außerdem sind viele der Daten nur sehr kurze Zeit von Bedeutung weshalb sie in Sekunden bis hin zur Echtzeit erforscht werden müssen um Aufschluss über etwas geben zu können.[13] Zu diesen Daten gehören vor allem die Maschinendaten welche unter anderem von Sensoren generiert werden.[14]

2.1.4 Analytics

Alle Methoden zu möglichst automatisiertem Identifizieren und Verwenden von Mustern, Zusammenhängen und Bedeutungen. Bisherige Möglichkeiten der Datenanalyse-Verfahren werden durch den Einsatz verschiedener Verfahren und Modelle, Algorithmen, Data Mining, Bild- und Textanalytik erheblich erweitert.[15] Außerdem schreibt BITKOM: „Im Vordergrund stehen die Geschwindigkeit der Analyse (Realtime, Near-Realtime) und gleichzeitig die einfache Anwendbarkeit, ein ausschlaggebender Faktor beim Einsatz von analytischen Methoden in vielen Unternehmensbereichen.“[16]

2.2 Einordnung in Wissenschaft und Technologie

Bisher wurde Wissenszuwachs durch eine hypothesenbasierte Versuchs-Irrtum-Methode erlangt. Mit BD entstehen Hypothesen durch Korrelationen. Bei BD handelt es sich also um einen datenbasierten und nicht um einen hypothesenbasierten Ansatz.[17] Außerdem wird mit BD Ungenauigkeit zugelassen und ermöglicht so die Sicht auf generelle Trends, womit die Gesellschaft die Welt aus einer größeren Perspektive als bisher betrachten kann.[18] Durch BD treten Daten als Wertschöpfungsfaktor in den Vordergrund und verdrängen somit Soft- und Hardware als bestimmende Erfolgsfaktoren. BD knüpft an bereits vorhandenen Technologien wie z.B. transaktionale Systeme oder analytische Systeme an. So beschäftigt sich BD vermehrt mit Inhalt und Semantik der Daten.[19] Um die Daten in ihrer Vielfalt für Managementprozesse wertvoll zu machen werden „… unzugängliche Daten mit Hilfe von semantischen Technologien in >>ausreichend<< strukturierte Daten >>übersetzt<<.“[20] Traditionelle Technologien werden für BD-Lösungen mit Neuen kombiniert. Viele Unternehmen besitzen bereits Technologien die einen schrittweisen Übergang zu BD-Lösungen oder eine Implementation von BD-Techniken ermöglichen.[21] BD-Technologien lassen sich in nachfolgende Kategorien einteilen. Technologien zur:

- Erzeugung (z.B. Geo-Tracking),
- Verarbeitung und Integration (z.B. Virtualisierung),
- Speicherung (z.B. Cloud) und
- Auswertung (z.B. Advanced Analytics)

von BD.[22]

2.3 Aktuelle Anwendung in Unternehmen

Bei einer Studie im DACH Bereich 2014 gaben lediglich 22 % der 341 befragten Unternehmen an sich nicht mit BD zu befassen oder dies zu planen. 49 % der Befragten nutzen noch keine BD-Lösungen aber können sich dies für die Zukunft vorstellen. Zudem betreiben 18 % ein BD-Pilotprojekt und 12 % haben BD bereits in Unternehmensprozesse implementiert. Außerdem befassen der Umfrage nach mehr größere Unternehmen mit BD als kleinere. So ist der Anteil derer die BD bereits nutzen bei Unternehmen mit über 5000 Mitarbeitenden am höchsten und der Anteil der Nichtinteressierten am niedrigsten. Diese Verteilung findet sich umgekehrt bei Unternehmen mit bis zu 250 Mitarbeitenden wieder.[23] In einer Folgestudie im Jahr 2015 wurden nur ein kleiner Anstieg der BD-Nutzung festgestellt. Außerdem nennenswert ist, dass BD in Nordamerika häufiger genutzt wird als in Europa.[24] Die meisten Unternehmen befinden sich noch in einer Orientierungsphase, weshalb das die produktive Nutzung von BD in Europa noch nicht begonnen hat.[25]

2.4 Implementierung im Unternehmen

Eine Strategie zur Implementierung von BD kann in sieben Phasen unterteilt werden. In der ersten Phase werden bei einem Treffen mit den Stakeholdern ein Arbeitsplan und die Projektleitung definiert. Im nächsten Schritt werden die Anwendungsmöglichkeiten für BD erforscht und deren Qualitäts- und Sicherheitsanforderungen festgelegt. In Phase drei wird nun der Ist-Stand der vorhandenen IT-Struktur und Managementprozesse analysiert und so eingeschätzt welche Barrieren und Lücken vorhanden sind. In der nächsten Phase wird der festgelegt wie die IT-Struktur am Ziel aussehen muss damit sie den Leistungsanforderungen von BD gerecht wird. Außerdem wird ein allgemeiner Ziel-Stand auf der Basis der zuvor erforschten Anwendungsmöglichkeiten festgelegt. In Phase 5 werden die technischen Optionen und Problemlösungen für die BD-Einführung erarbeitet. Als nächstes werden BD-Maßnahmen anhand der definierten Anwendungsmöglichkeiten, und unter Berücksichtigung technischer und wirtschaftlicher Prioritäten, festgelegt. Zudem wird unter Rücksprache mit Management- und IT-Stakeholdern eine Roadmap zur Implementation festgelegt. In der letzten Phase wird ein BD-Pilotprojekt gestartet, evaluiert und daraus weitere Schritte abgeleitet.[26]

3. Chancen

Big Data bietet die Möglichkeit Entscheidungen auf den Führungsebenen zu verbessern und zu beschleunigen, wodurch der Wert des Unternehmens gesteigert wird. Die sich vergrößernden Datenberge sind als Rohstoff zu betrachten, welcher Nutzen und Gewinne stiften kann.[27] Für Unternehmen ist es deshalb wichtig herauszufinden, welche der verfügbaren Daten Informationen bereithalten, die für die weitere Unternehmensentwicklung relevant sind.[28] Im Folgenden werden einige Chancen in den verschiedensten Bereichen dargestellt, die sich durch BD ergeben.

3.1 Marketing und Vertrieb

Durch das Auswerten von Daten zum Nutzerverhalten kann der Einfluss bestimmter Online-Kampagnen auf den Umsatz gemessen und quantifiziert werden. Dadurch können Marketing- und Vertriebsabteilungen diverse Angebote für Einzelkunden oder Kundengruppen individualisieren, wodurch Verluste durch falsche Adressierung verringert werden. Zudem erhöhen sich die Potenziale des Cross-Selling durch BD-Analysen. So ist es Händlern im Internet möglich Muster im Kaufverhalten der Kunden festzustellen wodurch der Umsatz einzelner Einkäufe gesteigert werden kann. Desweitern wäre es durch Echtzeitanalyse von Standort- und Transaktionsdaten auch möglich Angebote individuell nach Kunde, Ort und Zeit zu erstellen. Bei der Umweltanalyse mit BD-Methoden fließen Daten aus allen möglichen Quellen wie z.B. Social Media, Presse oder Foren ein. Dadurch können ausführlichere und aktuellere Berichte über Kontrahenten und Marktsituation erzeugt werden, als das mit herkömmlichen Methoden möglich ist. Dadurch verbessert sich auch die Grundlage für den Auf- und Ausbau von unternehmenswichtigen Strategien aller Art. Auch können BD-Analysen helfen Kundenbeziehungen aufrecht zu erhalten. So kann durch z.B. Verhaltensanalysen festgestellt werden bei welchen Kunden ein belastetes Verhältnis zum Unternehmen vorliegt und anschließend mit gezielten Maßnahmen einer Kundenabwanderung entgegengesteuert werden.[29]

3.2 Forschung und Entwicklung

Für die Entwicklung oder Weiterentwicklung von Produkten und Dienstleistungen können Unternehmen Online-Feedback (Foren, Social-Media, etc.) und andere externe und interne Daten analysieren. Dadurch erhalten sie Überblick über Schwächen und Entwicklungspotenziale für ihre bestehenden Dienstleistungen und Produkte und gegebenenfalls Ideen für Neuentwicklungen. Außerdem können Unternehmen die Auswertung auch zur Sortimentsbereinigung oder als Anlass zur Beendigung von unnötigen Anstrengungen nutzen. Zudem können durch Social-Media-Analysen gesellschaftliche Trends früh erkannt und daraus Produkte für noch entstehende Märkte entwickelt werden. Durch die schnellere Berücksichtigung von Kundenwünschen und deren Umsetzung lassen sich Produkte schneller im Markt einführen und somit Wettbewerbsvorteile erschließen.[30]

3.3 Produktion

Bisher werden innerhalb der Produktion viele Daten in isolierten Systemen zu einem bestimmten Nutzen erstellt. Der Trend geht allerdings dahin verschiedene Systeme zu verknüpfen was die Auswertungen komplizierter macht. Allerdings kann die laufende Auswertung der zusammengefassten Daten die Produktionsqualität sichern und verbessern.[31] Die Produkte, Anlagen, Gebäude und die Logistik werden über intelligente Objekte vernetzt. Die Objekte sind miteinander vernetzt und steuern sich selbständig. Daraus ergeben sich die viele neue Möglichkeiten, einige davon sind: Die Produktions-, Anlagen und Bedarfsplanung wird verbessert. Die Energieeffizienz kann verbessert werden.

[...]


[1] McAfee, A. Brynjolfsson, E. (2012).

[2] Leodolter, W. (2015), S. 41.

[3] Eaton, C. u.a. (2012), S. 3.

[4] Chaki, S. (2015), S. 130.

[5] Vgl. Chaki, S. (2015), S. 130.

[6] BITKOM (2012), S. 21.

[7] Vgl. BITKOM (2012), S. 21.

[8] 35 Zettabytes sind ungefähr 46-mal so viel wie 800.000 Petabytes.

[9] Vgl Eaton, C. u.a. (2012), S.5-6.

[10] Vgl. Chaki, S. (2015), S. 131.

[11] Vgl. Eaton, C. u.a. (2012), S. 8.

[12] Vgl. Chaki, S. (2015), S. 131.

[13] Vgl. Eaton, C. u.a. (2012), S.8-9.

[14] Vgl. Chaki, S. (2015), S. 130.

[15] Vgl. BITKOM (2012), S. 21.

[16] BITKOM (2012), S. 21.

[17] Vgl. Leodolter, W. (2015), S. 125.

[18] Vgl. Leodolter, W. (2015), S. 131, zit. nach Schönberger und Cukier (2013).

[19] Vgl BITKOM (2012), S. 22.

[20] BITKOM (2012), S. 22.

[21] Vgl BITKOM (2012), S. 22.

[22] Vgl. Dittmar, C. (2016), S. 61.

[23] Vgl. BARC (2014), S.17-18.

[24] Vgl. BARC (2015), S. 10-12.

[25] Vgl. Dittmar, C. (2016), S. 58 zit. nach Gluchowski (2014).

[26] Vgl. Chaki, S. (2015), S. 136.

[27] Vgl. Schön, D. (2016), S. 298; Vgl. Dorschel, W. u.a. (2015), S. 9.

[28] Vgl. Kreutzer, R. T. (2015), S. 9.

[29] Vgl. BITKOM (2012), S. 35-36; Vgl. Schön, D. (2016), S. 299.

[30] Vgl. BITKOM (2012), S.37; Vgl. Schön, D. (2016), S. 300.

[31] Vgl. BITKOM (2012), S.38-40.

Ende der Leseprobe aus 19 Seiten

Details

Titel
Big Data. Chancen und Risiken im Gesundheitswesen
Hochschule
Hochschule für Angewandte Wissenschaften Neu-Ulm; früher Fachhochschule Neu-Ulm
Note
1,0
Autor
Jahr
2016
Seiten
19
Katalognummer
V349854
ISBN (eBook)
9783668369559
ISBN (Buch)
9783668369566
Dateigröße
776 KB
Sprache
Deutsch
Schlagworte
data, chancen, risiken, gesundheitswesen
Arbeit zitieren
Andreas Keis (Autor), 2016, Big Data. Chancen und Risiken im Gesundheitswesen, München, GRIN Verlag, https://www.grin.com/document/349854

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Big Data. Chancen und Risiken im Gesundheitswesen


Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden