Ob es die Fehlermeldung einer Maschine, ein Suchbegriff im Internet oder ein Like in einem Sozialen Netzwerk ist, jede noch so kleine Spur an Daten wird in dem heutigen Zeitalter aufgesogen und abgespeichert. Was früher das Öl darstellte, sind im 21. Jahrhundert die Daten. So werden Unmengen an Daten, sogenannte Big Datas abgespeichert und weiterverwendet. Um jedoch diese riesige Menge an Daten effektiv einsetzen zu können, muss zwischen wichtigen und unwichtigen Informationen unterschieden werden. Die sogenannte Smart Data wird hierbei als Endprodukt angestrebt. So verhält es sich mit den Daten wie bei der Ölgewinnung. Erst durch zahlreiche Verarbeitungsschritte kann ein Nutzen erzeugt werden.
So wurde der Umsatz für das Jahr 2017 mit Big-Data-Lösungen auf weltweit 50 Milliarden Euro abgeschätzt. Bietet man dem Unternehmen eine Steigerung des Nutzens in Form von Smart Data an, wird eine weitaus höhere Umsatzzahl zu erwarten sein. Experten gehen davon aus, dass im Jahr 2025 Smart-Data-Lösungen einen Umsatz von 85 Milliarden Euro erzielen werden. Ganz zu schweigen von dem enormen Nutzengewinn, der entstehen wird.
In dieser Hausarbeit wird das Thema Smart Data beleuchtet. Zu Beginn wird die Problemstellung sowie das Ziel dieser Hausarbeit aufgezeigt. Um dem Leser ein fundamentales Wissen über die Begriffe Big Data und Smart Data anzueignen, werden diese als zentrale Begriffe definiert und erläutert. Nachdem sich der Leser ein Grundwissen angeeignet hat, geht es in die Entstehung von Smart Data. Hier wird der Weg von Big Data zu Smart Data in 4 Schritten aufgezeigt. Diese 4 Stufen setzen sich aus der Datenerhebung, dem Datenmanagement, der Datenanalyse und der Datenvisualisierung zusammen. Nachdem der Leser das Wissen über die Entwicklung von Smart Data erlangt hat, werden die Herausforderungen in Bezug auf die Datensicherheit und den Rechtlichen Rahmen von Smart Data aufgezeigt. Anschließend werden 3 potenzielle [...]
Inhaltsverzeichnis
1. Einleitung
1.1 Problemstellung
1.2 Ziel der Arbeit
2. Definition zentraler Begriffe
2.1 Big Data
2.2 Smart Data
3. Big Data wird zu Smart Data
4. Herausforderungen an Smart Data
4.1 Datensicherheit
4.2 Rechtlicher Rahmen
5. Potenzielle Anwendungsbereiche
5.1 Smart Energy
5.2 Smart Mobility
5.3 Industrie 4.0
6. Handlungsempfehlung
7. Schluss
Zielsetzung & Themen
Die Hausarbeit untersucht, wie durch die Transformation von Big Data in Smart Data ein höherer Erkenntniswert und eine qualitative Nutzensteigerung für Wirtschaft und Industrie erreicht werden kann, wobei die technologischen Schritte sowie rechtliche und sicherheitsrelevante Hürden analysiert werden.
- Grundlagen und Definitionen von Big Data und Smart Data
- Prozessschritte der Datentransformation: Erhebung, Management, Analyse, Visualisierung
- Sicherheits- und Datenschutzherausforderungen
- Praxisanwendungen in den Bereichen Smart Energy, Smart Mobility und Industrie 4.0
Auszug aus dem Buch
3. Big Data wird zu Smart Data
Der Weg von Big Data zu Smart Data beginnt bei der Datenerhebung. Hierbei werden riesige Datenmengen von Milliarden an Geräten erzeugt. Ob nun die Daten vom Smartphone, Social Media, Internet of Things oder der Industrie 4.0 erzeugt werden ist unrelevant. Ein Mehrwert kann nur dann geschaffen werden wenn es gelingt, die Daten preiswert zu speichern, auf flexible Weise zu befragen um Erkenntnisse zu gewinnen und zeitnah zur Verfügung zu stellen (vgl. Meinel/ Schneiss, Smart Data – Potenziale und Herausforderungen, 2015, S. 9). Sofern die Daten nicht eigenständig erhoben werden, kann die Datenbeschaffung ebenfalls durch unterschiedliche Open-Data-Repositorien erfolgen. Hierbei kann man zwischen globalen, kontinentalen, landesbezogenen und bereichsbezogenen Repositorien oder Portalen differenzieren. Als globales Repositorium kann für Forschungszwecke Re3data genannt werden. DBpedia fungiert als semantisches Netz und Datenbank für alle wikipedia.org Inhalte. Bezogen auf Deutsche Datenerhebungen ist beispielsweise RADAR zu erwähnen. Es ist ein Portal zur Veröffentlichung und Archivierung der Daten aus Forschungsprojekten. Die Herausforderung, die sich im Bereich der Datenerhebung ergibt, sind die unterschiedlichen Formate aus den unterschiedlichen Datenquellen. Dies macht es schwierig, Daten aus einer Vielzahl von Quellen für den Analyseprozess zu vereinen. Als Trend in der Datenerhebung zeichnen sich die In-Memory Datenspeicherung, sowie das NOMAD Repositorium ab (vgl. Smart Data Forum, Datenerhebung, 2017)
Zusammenfassung der Kapitel
1. Einleitung: Die Einleitung erläutert die zunehmende Bedeutung von Daten als "neues Öl" und definiert das Ziel der Arbeit, den Prozess der Umwandlung von Big Data in nutzbringendes Smart Data darzulegen.
2. Definition zentraler Begriffe: Dieses Kapitel liefert eine theoretische Abgrenzung der Konzepte Big Data, definiert über vier Dimensionen, und Smart Data als dessen intelligente Weiterentwicklung.
3. Big Data wird zu Smart Data: Es wird der vierstufige Transformationsprozess von der Datenerhebung über das Datenmanagement und die Datenanalyse bis zur Datenvisualisierung beschrieben.
4. Herausforderungen an Smart Data: Hier werden kritische Aspekte wie Datensicherheit durch Cloud-Systeme und die Einhaltung rechtlicher Rahmenbedingungen wie der DS-GVO beleuchtet.
5. Potenzielle Anwendungsbereiche: Das Kapitel veranschaulicht anhand von Praxisbeispielen, wie Smart Data in Smart Energy, Smart Mobility und Industrie 4.0 einen Mehrwert generiert.
6. Handlungsempfehlung: Das Kapitel fasst die Erkenntnisse zusammen und empfiehlt, den Fokus auf sichere Datenstrategien zu legen, da der Nutzenzugewinn durch Smart Data die Herausforderungen überwiegt.
7. Schluss: Der Schluss fasst die wesentlichen Kernpunkte der Arbeit zusammen und gibt einen Ausblick auf die zukünftige Relevanz von Smart Data.
Schlüsselwörter
Smart Data, Big Data, Datenerhebung, Datenmanagement, Datenanalyse, Datenvisualisierung, Industrie 4.0, Smart Energy, Smart Mobility, Datensicherheit, DS-GVO, Machine Learning, Deep Learning, Internet of Things, Wissenstransformation
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit behandelt die Transformation von unstrukturierten Big-Data-Mengen in qualitativ hochwertige Smart-Data-Ergebnisse, um den praktischen Nutzen für Unternehmen zu steigern.
Was sind die zentralen Themenfelder der Analyse?
Die zentralen Themen umfassen die Definition der Begriffe, den technischen Prozess der Datenverarbeitung, die rechtlichen und sicherheitstechnischen Herausforderungen sowie spezifische industrielle Anwendungsbereiche.
Welches Ziel verfolgt der Autor mit dieser Untersuchung?
Das primäre Ziel ist es, aufzuzeigen, wie durch intelligente Filterung und Analyse ein höherer Nutzenwert erzielt wird als bei der bloßen Anhäufung von Big Data.
Welche wissenschaftliche Methode wird in der Arbeit angewandt?
Die Hausarbeit stützt sich auf eine Literaturanalyse bestehender Konzepte und Fallbeispiele, um den Transformationsweg von Big Data zu Smart Data systematisch aufzuarbeiten.
Welche Aspekte werden im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die Definition der Begriffe, die vier Phasen der Datentransformation, eine Diskussion über Sicherheit und Recht sowie eine detaillierte Betrachtung von drei Anwendungsgebieten.
Welche Schlüsselbegriffe charakterisieren diese Arbeit?
Wichtige Begriffe sind insbesondere Smart Data, Datensicherheit, industrielle Digitalisierung (Industrie 4.0), sowie die Prozessschritte von der Datenerhebung bis zur Visualisierung.
Wie unterscheidet sich Smart Data konkret von Big Data?
Während Big Data vorrangig große, oft unstrukturierte Datenmengen sammelt, liegt bei Smart Data der Fokus auf dem intelligenten Aussuchen, Filtern und Verstehen der Daten, um unmittelbar Wissen abzuleiten.
Welche Rolle spielt die Datensicherheit bei Smart-Data-Anwendungen?
Datensicherheit ist ein kritischer Faktor, da Cloud-Systeme und dezentrale Speicherung erhöhte Angriffsrisiken bieten, die durch Maßnahmen wie IoT-Sicherheit und Trusted-Clouds mitigiert werden müssen.
Welche Praxisbeispiele werden für die Anwendungsbereiche genannt?
Die Arbeit nennt das Projekt "Smart Watts" für den Energiesektor, das Start-up "UbiGo" für Smart Mobility und die prädiktive Instandhaltung bei der BMW Group für Industrie 4.0.
- Arbeit zitieren
- Janik Loges (Autor:in), 2019, Smart Data. Macht Qualität den Unterschied?, München, GRIN Verlag, https://www.grin.com/document/541231
