Big Data

Daten sind in Unternehmen mittlerweile ein anerkannter Vermögenswert. Um diesen Vermögenswert intelligent zu nutzen, haben sich in der Praxis konventionelle Data-Warehouse- und moderne Big-Data-Ansätze entwickelt. Da Daten die Grundlage beider Ansätze bilden, werden diese aus einer Makroperspektive häufig gleichgesetzt. Tatsächlich nehmen sie jedoch unterschiedliche technische, fachliche und recht..

In den Anfangsphasen der Business Intelligence (BI) wurden dieser auch anspruchsvolle Datenanalysen zugerechnet – in der Literatur. Die Realität sah schon damals anders aus. Advanced-Analytics-Ansätze verharrten viele Jahre in Nischen. Mit dem Analytics-Boom hat sich dies geändert, allerdings sind viele der neuen Anwendungen nicht in den zentralen BI-Einheiten entstanden, sondern in den Fachbereic..

Für Jahrzehnte waren relationale Datenbanken, die SQL als ihre Abfragesprache benutzt haben, als populärste Lösung etabliert. Diese Datenbanken wurden üblicherweise als Einzelinstanzserver betrieben. Mit dem Erfolg von weltweit aufrufbaren Webanwendungen änderten sich jedoch die Anforderungen an Datenbanken: Die Zahl gleichzeitiger Zugriffe sowie deren Frequenz erhöhte sich drastisch und auch die ..

Neben neuen Rollen wie dem Data-Engineer oder -Scientist bringt die stetig wachsende Datenflut auch neue Ansätze und Praktiken in der Softwareentwicklung mit sich, denn Machine- und Deep-Learning-Ansätze sind längst nicht mehr der Forschung vorbehalten, sondern haben sich mittlerweile in Industrie und Wirtschaft etabliert. Dank moderner und freier Technologien wie TensorFlow, PyTorch oder XGBoost ..

Immer mehr Maschinen, Geräte und Dinge werden mit Sensoren ausgestattet und im Internet of Things (IoT) mit­einander vernetzt. Diese neuen digitalen Ökosysteme produzieren eine enorme Menge an Daten. Allein die Datenhaltung verursacht zunächst einmal Kosten. Dabei steckt in diesen Daten ein ungeheurer Wert. Unternehmen müssen diesen Wert mit der Hilfe von Data-Science-Methoden jedoch erst zutage f..