/webcode.jsp
/de/suche/index.jsp
https://publikationen.dguv.de/DguvWebcode?query=
Bild: Artem - stock.adobe.com
Unter Big Data versteht man große und komplexe Datensätze, vor allem von neuen Datenquellen, die in großer Vielfalt, in großer Menge und mit hoher Geschwindigkeit anfallen [1]. Diese Datenmengen sind so groß, dass sie mit herkömmlicher Hard- und Software nicht mehr verarbeitet werden können. Big Data löst diese Probleme durch spezielle Hard- und Software, die verteilt, d. h. in einem Verbund von vielen Rechnern (Clustern), arbeitet [2]. Eine neuere Definition charakterisiert Big Data durch die sogenannten 6V: "Volume" (Datenumfang), "Velocity" (Geschwindigkeit, mit der Datenmengen generiert und transferiert werden), "Variety" (Bandbreite der Datentypen und -quellen), "Veracity" (Datenechtheit), "Value" (unternehmerischer Wert der Daten) und "Validity" (Datenkonsistenz und -qualität) [3].
Um neue Erkenntnisse ableiten zu können, müssen die Daten durch leistungsfähige Analysemethoden aufbereitet werden. Big-Data-Analysen erfolgen mithilfe von Tools und Technologien wie statistischen Analysen, Data Mining, Künstlicher Intelligenz (KI), Predictive Analytics oder Machine Learning - als Unterkategorie von KI [4]. Machine-Learning-Tools verwenden datengesteuerte Algorithmen und statistische Modelle, um Datensätze zu analysieren und dann aus den identifizierten Mustern Rückschlüsse zu ziehen oder Vorhersagen zu treffen. Dabei lernen die Algorithmen aus den Daten, während sie diese durchlaufen [5]. Abhängig von der Art der Daten und dem gewünschten Ergebnis kann eines von vier Lernmodellen genutzt werden: überwacht, unüberwacht, teilüberwacht oder bestärkend [6].
Big Data und Cybersicherheit sind eng miteinander verknüpft. Unternehmen, die große Datenmengen sammeln, sind einem hohen Risiko von Cyberangriffen ausgesetzt. Umgekehrt ist die Kombination von Big Data und maschinellem Lernen (KI) ein wichtiges Instrument im Kampf gegen Cyberkriminalität, indem man ungewöhnliche Aktivitäten schnell erkennen und entsprechende Gegenmaßnahmen einleiten kann [7].
Big Data hat Einfluss auf fast alle Aspekte des alltäglichen Lebens, Wirtschaft, Wissenschaft und Gesellschaft und gilt als einer der großen Innovationstreiber: In den kommenden Jahrzehnten werden sich auch in der Arbeitswelt durch Big Data zahlreiche Berufe stark verändern und neue Berufsbilder entstehen [8].
Die Menge an Daten wächst rasant: Von 2012 bis 2022 hat sich das weltweit generierte Datenvolumen verzehnfacht [9]. 2022 betrug die jährlich generierte bzw. replizierte digitale Datenmenge weltweit etwa 104 Zettabyte, für das Jahr 2027 sind 284 Zettabyte prognostiziert [10].
Die Digitalisierung bedingt den enormen Zuwachs. Zu den Treibern gehören das Internet und soziale Medien, aber auch die Integration digitaler Mess-, Steuer- und Regelsysteme in eine wachsende Zahl von Alltagsgegenständen [11]. So fungieren Smart Homes, vernetzte Fahrzeuge, Wearables, Smartwatches, Smartphones, Kundenkarten und viele weitere vernetzte Geräte und Plattformen als Datenquelle [12]. Auch neue Technologien wie Edge Computing (schnelle und effiziente Datenverarbeitung direkt oder nahe bei der Datenquelle), moderne Telekommunikationsinfrastrukturen (5G/6G), das Internet of Things (IoT), Augmented und Virtual Reality oder Kryptowährungen spielen bei der Generierung von Daten eine wichtige Rolle [13].
Für Industrieunternehmen stellt die Verfügbarkeit (hochwertiger) Daten einen zentralen Wettbewerbsfaktor für Wachstum und Innovationen dar. Datenbasierte Geschäftsmodelle und Plattformen gewinnen an Bedeutung. Dies führt zu einem steigenden Einsatz solcher Anwendungen in der Industrie, insbesondere beim Einsatz von KI [9]. Auch sind die mit Big Data gesammelten Informationen zunehmend wichtig, um die Cybersicherheit von Unternehmen oder öffentlichen IT-Infrastrukturen zu stärken, um sich gegen Cyberkriminelle zu wappnen, die ihrerseits große Datenmengen zu ihrem Vorteil nutzen.
Auch die Wissenschaft verspricht sich Vorteile durch die Analyse von Big Data bei Umwelt- und Klimaschutz [14], bei medizinischer Forschung und Diagnostik [15], bei der Vorhersage von Erdbeben und Epidemien und der Analyse von Migrationen oder Verkehrsstaus [12]. Den Behörden können Big Data-Technologien bei der Erfüllung vieler öffentlicher Aufgaben helfen, wie etwa Daseinsvorsorge, Umwelt-Monitoring, Stadtentwicklung, Smart-City-Konzepte und Wirtschaftsförderung. Möglich sind auch Anwendungen zur Abschätzung von Gesetzesfolgen oder zur Meinungsanalyse. Weitere Einsatzgebiete sind die öffentliche Sicherheit, die Sicherheit kritischer Infrastrukturen [16] und die Kriminalistik [12].
Im Jahr 2022 hatten laut einer Studie 95 % der Firmen weltweit Probleme, aus ihren (komplexen) Daten Erkenntnisse zu ziehen. Ein Großteil setzt immer noch auf zeitaufwendige Tabellenkalkulation bei der Datenverarbeitung und berichtet von mangelnder Automatisierung und Qualifikationsdefiziten, besonders bei fortgeschrittenen Fähigkeiten wie dem Machine Learning [17].
Im Jahr 2024 sehen zwar fast alle deutschen Unternehmen (98 %) eine große Bedeutung von Datenanalysen für die Wettbewerbsfähigkeit, aber nur 37 % der Unternehmen nutzen Big Data bereits. Immerhin 48 % diskutieren darüber oder planen den Einsatz. Die Hürden bei der Digitalisierung sind begründet durch einen Mangel an Fachkräften, fehlende Zeit, erhebliche Anforderungen an die technische Sicherheit und einen zumindest bei der Implementierung hohen Kostenaufwand [18; 19].
"Big Data as a Service"-Plattformen (BDaaS) können jedoch interessierten Unternehmen hohe Einstiegsinvestitionen für die nötige Technik vor Ort ersparen, indem sie alle Ressourcen in der Cloud bereitstellen. Zudem kümmern sich die BDaaS-Anbieter um Wartung und Updates der Plattformen und die Einhaltung von Compliance- und Datenschutzvorgaben. So ermöglichen technische Vorteile und Kostenersparnisse, vor allem bei nutzungsbasierten Abrechnungsmodellen, dass auch kleinere Unternehmen in die Analyse großer Datenmengen einsteigen können [20]. BDaaS ist ein stark wachsendes Modell: Bis zum Jahr 2032 erwartet man eine durchschnittlichen jährliche Wachstumsrate von 25,3 % auf fast 80 Milliarden US-Dollar [21].
Vor allem hohe Anforderungen an den Datenschutz [18] können die schnelle Verbreitung von Big Data einschränken. Die Studie "Datenwirtschaft in Deutschland" des Instituts der deutschen Wirtschaft verdeutlicht, dass die Datenschutz-Grundverordnung (DSGVO) auch nach einigen Jahren Anwendungspraxis Rechtsunsicherheiten verursacht. 85 % der befragten Unternehmen gaben "datenschutzrechtliche Grauzonen" als Hemmnis für eine stärkere wirtschaftliche Datennutzung an. Die fehlende Rechtssicherheit bei der Anonymisierung von Daten wird als konkretes Beispiel von 73 % der Betriebe genannt [22].
Unternehmen stehen beispielsweise vor der Herausforderung, dass keine einheitlichen und rechtssicheren Standards für die Anonymisierung von personenbezogenen Daten existieren. Die DSGVO enthält keine positive Definition des Begriffs der Anonymisierung [9]. Wenn die Fallzahlen von nachträglich gebildeten Gruppen zu klein werden, lassen sich unter Umständen wieder reale Personen zuordnen, sodass die Daten nach den geltenden rechtlichen Anforderungen allenfalls als pseudonymisiert, aber nicht als anonymisiert gelten [16].
Auch die Zweckbindung im Bundesdatenschutzgesetz kann die Datennutzung hemmen: Bei personenbezogenen Daten fehlt (bisher) oft die Erlaubnis für eine nachträgliche Verwendung für andere Zwecke als die ausdrücklich bei der Erfassung abgefragten. So können bestehende Datenbestände in vielen Fällen nur anonymisiert oder mit einer neuen Einwilligung ausgewertet werden. Beides erfordert einen hohen Aufwand und ist in der Praxis oft kaum zu leisten [16].
KI zur Nutzung von Big Data kann einerseits helfen, den Energieverbrauch zu senken, die Energieeffizienz zu verbessern und dem Klimawandel entgegenzuwirken, andererseits hat die Technologie selbst einen erheblichen CO₂-Fußabdruck. Vor allem das Training von KI-Modellen mit großen Datenmengen ist sehr energieintensiv. Man hat ermittelt, dass der Stromverbrauch von Datencentern und Datenübertragungsnetzwerken jeweils 1 bis 1,5 % des weltweiten Gesamtverbrauchs beträgt. Der damit verbundene Treibhausgasausstoß beläuft sich auf 1 % der energiebezogenen weltweiten Emissionen [23]. Der Stromverbrauch aller Rechenzentren der Welt zusammen entsprach mit 500 bis 650 TWh im Jahr 2021 in etwa dem Strombedarf von ganz Deutschland [24] - und die Tendenz ist stark steigend. Teilweise sind rechtliche Vorgaben zum Energieverbrauch von KI-Systemen im europäischen AI Act verankert, der im Jahr 2026 in Kraft tritt [25]. Offen bleibt, welche konkreten Auswirkungen die Vorgaben zur Ressourceneffizienz auf die Ausbreitung von Big Data haben werden.
Vorreiter beim Einsatz von Big-Data-Analysen waren die Automobilindustrie, Versicherungen, die Chemie- und Pharmaindustrie und die Energiewirtschaft [26]. Auch Tech-Startups nutzen Big Data und Data Analytics besonders intensiv [27]. Die Bedeutung von Big Data wächst aber stetig, auch für kleine und mittlere Unternehmen [28].
Big Data kann in verschiedenen Branchen Prozesse optimieren und Arbeitsabläufe erleichtern, beispielsweise bei der Analyse von Maschinendaten und Produktionsmengen in der Produktion oder bei der Analyse von Energiekosten, Laufzeiten, Takteinhaltung und Revisionsarbeiten. In der Logistik lassen sich Prozessabläufe verbessern sowie die Personaleinsatz- und Kapazitätsplanung steuern. Im Personalmanagement kann man datenbasiert überprüfen, ob die Beschäftigten entsprechend ihrer Qualifikation eingesetzt sind oder wo es Möglichkeiten zur Optimierung und Flexibilisierung von Arbeitszeiten gibt [29], um Beschäftigte zu entlasten, ohne dass Betriebsabläufe beeinträchtigt werden. In der Öl- und Gasindustrie sind Unfälle oft die Folge von Bränden oder Explosionen oder auf eine Belastung mit schädlichen Substanzen zurückzuführen. Hier kann eine intelligente Gaserkennung mithilfe von Sensoren, Big Data und smarter Software eine entscheidende Rolle bei der Früherkennung gefährlicher Situationen spielen [30].
Big Data und lernende Systeme können Arbeitsschutzinstitutionen bei Aufsichtstätigkeiten unterstützen, indem sie etwa in kurzer Zeit Unternehmen mit besonders hohen Risiken ermitteln. Durch die höhere Effizienz steht mehr Zeit für die Beratungs- und Überwachungsaufgaben zur Verfügung. Diese können auf Basis der breiteren Informationsbasis auch zielgenauer erfolgen. Big Data kann auch genutzt werden, um Muster in Unfallstatistiken zu erkennen und so Risiken besser einzuschätzen. So können Unternehmen gezielt in die Prävention investieren und die Unfallraten und Kosten senken [31].
Eine weltweite Studie (2023) unter Beschäftigten - je zur Hälfte Führungskräfte und Beschäftigte ohne Führungsverantwortung - hat ergeben, dass enorme Datenmengen zu Überforderung führen können. So sagen 91 % der Führungskräfte, dass die Datenflut den Erfolg ihres Geschäfts beeinträchtigt, 72 % gaben sogar an, gar keine Entscheidungen anhand von Daten mehr zu treffen [32]. Die mögliche Belastung durch Big Data ist besonders für kleinere Betriebe wahrscheinlicher: Laut der Studie "Big Data - Big Chance für kleine und mittlere Unternehmen", einer Befragung von kleinen und mittelgroßen Unternehmen (KMU) und Einrichtungen, die sich mit Daten befassen, fehlt es vielen KMU an Know-how, Zeit und den richtigen Technologien, um das Potenzial ihrer Daten auszuschöpfen [29].
Ein Ressourcenproblem stellen auch extrem große und unstrukturierte Datenmengen (Dark Data) dar - oft mangelt es an Expertise, um aus den schwer zu verarbeitenden Daten Erkenntnisse zu ziehen. Obwohl Dark Data ohne weitere Verarbeitung wertlos sind, beanspruchen sie Speicherplatz und entsprechende (Energie-)Ressourcen. Schätzungen gehen davon aus, dass es sich bei bis zu 90 % der Unternehmensdaten um solche Daten handelt [33]. Eine Vielzahl unstrukturierter Daten ist vor allem für die Industrie herausfordernd (43 %), denn eine Auswertung ist nur dann sinnvoll, wenn die Daten von Relevanz sind und in hoher Qualität vorliegen, ansonsten kann es zu Fehlinterpretationen kommen - mit möglichen Folgen für den Unternehmenserfolg und die Arbeitsplatzsicherheit der Beschäftigten [29].
Sogar physische Gefahren oder Unfälle sind durch eine falsche Auslegung von Daten denkbar, sofern die Funktionsfähigkeit von Anlagen oder Maschinen betroffen ist. Bei der datengetriebenen Produktion werden Fertigungsprozesse optimal gestaltet; durch den Zugriff auf Echtzeitdaten sind potenzielle Probleme und Ausfälle frühzeitig erkennbar. Auch Wartungs- und Instandhaltungsarbeiten lassen sich durchführen, bevor es zu Ausfällen kommt (Predictive Maintenance) [34; 35]. Umgekehrt können Daten zu (sicherheitsrelevanten) Funktionen Risiken bergen, wenn sie irrtümlich zu einem Eingriff in laufende Prozesse Anlass geben. Möglich wäre dies etwa in der chemischen Produktion, wenn Kühlmitteldruck, -temperatur und -menge falsch gewählt würden und Reaktionen außer Kontrolle geraten [36].
Der Zugriff auf Big Data ermöglicht oft Rückschlüsse auf konkrete Personen, sodass sich Fragen zum Datenschutz und zum Schutz der Privatsphäre stellen. Big-Data-Analysen bergen die Gefahr, anonymisierte oder pseudonymisierte Daten zu deanonymisieren. Besonders bei umfangreichen und detaillierten Daten besteht eine hohe Wahrscheinlichkeit, dass durch einen Abgleich der Merkmalsdaten eine Re-Identifizierung gelingt [37].
Tatsächlich können Big-Data-Technologien Entscheidungen von Arbeitgebern beeinflussen und sich so auf die Beschäftigungs- und Aufstiegsaussichten von Angestellten auswirken. Mithilfe umfangreicher Datenbestände lassen sich Algorithmen trainieren, um Verhaltensanalysen von Beschäftigten durchzuführen und Vorhersagen zu treffen. Daten über Arbeitnehmende können aus verschiedenen Quellen innerhalb und außerhalb des Arbeitsplatzes gesammelt werden, z. B. Anzahl der Tastaturklicks, Informationen aus sozialen Medien, Anzahl und Inhalt von Telefonaten, besuchte Websites, physische Präsenz, Bewegungen im Büro, Inhalt von E-Mails und sogar Tonfall und Körperbewegungen [38].
Allerdings sind Analysen von Verhaltensdaten mit den im Bundesdatenschutzgesetz (BDSG) fixierten Grundprinzipien der Datenvermeidung und der Datensparsamkeit nur schwer vereinbar. Zudem scheidet eine wirksame Einwilligung zur Datenverwendung für Big-Data-Analysen in der Praxis meist aus. Und selbst die Erlaubnistatbestände nach dem BDSG sind aufgrund der fehlenden Verhältnismäßigkeit und der Persönlichkeitsrechte der Beschäftigten meist nicht gerechtfertigt [39]. Insgesamt scheint die Situation auch für Betriebe schwierig: Eine Studie des Fraunhofer-Instituts für Sichere Informationstechnologie (2023) kritisiert, dass der aktuelle Rechtsrahmen für eine sichere Verarbeitung von Big Data und eine Anonymisierung personenbezogener Daten nicht ausreicht und für Rechtsunsicherheit bei Unternehmen sorgt [40].
Big Data benötigt nicht nur einen angemessenen Datenschutz bei Beschäftigten, sondern stellt gleichzeitig hohe Anforderungen an den Umgang mit großen Datenmengen seitens der verantwortlichen Beschäftigten. So sollte etwa ein Schutz der Daten über ihren gesamten Lebenszyklus im Sinne eines "Data Life-Cycle Management" (DLCM) gewährleistet sein. Dies gilt naturgemäß in erster Linie für sensible Daten, die vom Zeitpunkt ihrer Erstellung gesichert sein müssen [41]. Bei Zeitdruck und knappen Personalressourcen kann es zu Arbeitsverdichtung und Überforderung kommen.
Eine zusätzliche Arbeitsbelastung kann darin bestehen, dass viele Daten in Unternehmen noch in veralteten Systemen oder analogen Formaten wie Papier oder Film gespeichert sind. Um alle Daten automatisiert analysieren zu können, müssen diese Informationen digitalisiert und zentral erfasst werden. Hier ist eine Digitalstrategie erforderlich, die die Dokumenten- und Informationssicherheit und auch die sichere Entsorgung von Papierdokumenten berücksichtigt [42]. Bei Behörden und öffentlichen Institutionen müssen Daten überdies über Jahrzehnte hinweg nutzbar bleiben, unabhängig vom verwendeten Speichersystem. Die Europäische Kommission will aber die interoperable Archivierung und Datenverwaltung fördern und unterstützt durch ihre "eArchiving Initiative" Organisationen bei der langfristigen Bewahrung von Informationen [43].
|
[1] Big Data: Definition. Hrsg.: ORACLE Deutschland B.V. & Co. KG, München 2024
https://www.oracle.com/de/big-data/what-is-big-data/ (abgerufen am 9.7.2024)
[2] Was ist Big Data? Definition, 4 V’s und Technologie. Hrsg.: Datasolut GmbH, Köln 2024
https://datasolut.com/was-ist-big-data/ (abgerufen am 15.7.2024)
[3] Die sechs Vs von Big Data. Hrsg.: TechTarget, Inc., Newton 2021
https://www.computerweekly.com/de/definition/Die-sechs-Vs-von-Big-Data#:~:text=Die%20sechs%20Vs%20von%20Big%20Data%20(Velocity%2C%20Volume%2C%20Value,aus%20ihren%20Daten%20zu%20ziehen (abgerufen am 17.9.2024)
[4] Was sind Big-Data-Analysen? Hrsg.: Microsoft Corporation, Redmond 2024
https://azure.microsoft.com/de-de/resources/cloud-computing-dictionary/what-is-big-data-analytics
[5] Was Big Data und Machine Learning vereint und unterscheidet. Hrsg.: TechTarget, Inc., Newton 2021
https://www.computerweekly.com/de/tipp/Was-Big-Data-und-Machine-Learning-vereint-und-unterscheidet (abgerufen am 16.7.2024)
[6] Machine Learning: Definition, Algorithmen, Methoden und Beispiele. Hrsg.: Datasolut GmbH, Köln 2024
https://datasolut.com/was-ist-machine-learning/#:~:text=Maschinelles%20Lernen%20ist%20ein%20Teilgebiet,Unsupervised%20Learning%20und%20Reinforcement%20Learning (abgerufen am 17.9.2024)
[7] Big Data und Cyber Security - Wie hängt das zusammen? Hrsg.: Info-Point-Security GmbH, Andechs 2024
https://www.infopoint-security.de/big-data-und-cyber-security-wie-haengt-das-zusammen/a36728/ (abgerufen am 17.7.2024)
[8] Woher kommt Big Data? Hrsg.: Stifterverband für die Deutsche Wissenschaft e.V., Essen 2024
https://ki-campus.org/node/368?locale=de (abgerufen am 12.7.2024)
[9] Datenwirtschaft als Katalysator industrieller Innovation. Hrsg.: Bundesverband der Deutschen Industrie e. V. (BDI), Berlin 2023
https://bdi.eu/artikel/news/datenwirtschaft-als-katalysator-industrieller-innovation#:~:text=Im%20Verlauf%20des%20letzten%20Jahrzehnts,sich%20dieses%20Volumen%20nochmals%20verdreifachen.(abgerufen am 18.7.2024)
[10] Volumen der jährlich generierten/replizierten digitalen Datenmenge weltweit von 2010 bis 2022 und Prognose bis 2027. Hrsg.: Statista, Inc., New York 2024
https://de.statista.com/statistik/daten/studie/267974/umfrage/prognose-zum-weltweit-generierten-datenvolumen/ (abgerufen am 17.7.2024)
[11] Big Data - Management und Analyse großer Datenmengen. Hrsg.: Bundesministerium für Bildung und Forschung, Berlin 2024
https://www.bmbf.de/bmbf/de/forschung/digitale-wirtschaft-und-gesellschaft/informationsgesellschaft/big-data/big-data_node.html (abgerufen am 8.7.2024)
[12] Was ist Big Data? Hrsg.: fonial GmbH, Köln 2024
https://www.fonial.de/wissen/begriff/big-data/ (abgerufen am 19.7.2024)
[13] Neue Studie zeigt exponentielles Wachstum von Datenvolumen und Datenwert im Datenzeitalter. Hrsg.: Splunk Inc., San Francisco 2020
https://www.splunk.com/de_de/newsroom/press-releases/2020/new-industry-research-shows-the-volume-and-value-of-data-increasing-exponentially-in-the-data-age.html (abgerufen am 19.7.2024)
[14] Anwendungslabor für Künstliche Intelligenz und Big Data am UBA. Hrsg.: Umweltbundesamt, Dessau-Roßlau 2024
https://www.umweltbundesamt.de/themen/digitalisierung/anwendungslabor-fuer-kuenstliche-intelligenz-big#intro (abgerufen am 16.7.2024)
[15] Die Zukunft der Medizin: Wie Big Data das Gesundheitswesen verändert. Hrsg.: Vention Solutions GmbH, Berlin 2023
https://ventionteams.com/de/insights/big-data-im-gesundheitswesen (abgerufen am 17.9.2024)
[16] Leitlinien für den Big-Data-Einsatz im Überblick Chancen und Verantwortung. Hrsg.: Hasso-Plattner-Institut, Potsdam 2015
https://www.digitale-technologien.de/DT/Redaktion/DE/Downloads/Publikation/Smart_Data_Positionspapier_BigData_Leitlinien.pdf?__blob=publicationFile&v=7 (nicht barrierefrei) (abgerufen am 16.7.2024)
[17] IDC-INFOGRAPHIC-Democratizing-Data-Analytics-for-a-digital-first-world. Hrsg.: Alteryx Inc., Irvine 2022
https://www.alteryx.com/blog/idc-infographic-democratizing-data-analytics-for-a-digital-first-world (abgerufen am 19.7.2024)
[18] Unternehmen wollen Digitalisierung vorantreiben – müssen aber schneller werden. Hrsg.: Bitkom e. V., Berlin 2024
https://www.bitkom.org/Presse/Presseinformation/Unternehmen-wollen-Digitalisierung-vorantreiben (abgerufen am 10.7.2024)
[19] Vor- und Nachteile von Big Data. Hrsg.: Vogel Communications Group GmbH & Co. KG, Würzburg 2014
https://www.elektronikpraxis.de/vor-und-nachteile-von-big-data-a-ac75d0e8b4154a64f2846aaedc83ea07/?p=1 (abgerufen am 26.7.2024)
[20] Die beliebtesten Anbieter von Big Data as a Service. Hrsg.: Vogel IT-Medien GmbH, Augsburg 2022
https://www.bigdata-insider.de/die-beliebtesten-anbieter-von-big-data-as-a-service-a-a42fbdabe2772189db30b13fdc9609e9/(abgerufen am 26.7.2024)
[21] Integration Platform as a Service (iPaaS). Hrsg.: Fortune Business Insights, Pune 2024
https://www.fortunebusinessinsights.com/de/integration-platform-as-a-service-ipaas-markt-109835 (abgerufen am 24.10.2024)
[22] Datenwirtschaft in Deutschland - Wo stehen die Unternehmen in der Datennutzung und was sind ihre größten Hemmnisse? Hrsg.: Bundesverband der Deutschen Industrie e.V. (BDI), Köln 2021
https://www.iwkoeln.de/studien/klaus-heiner-roehl-lennart-bolwin-wo-stehen-die-unternehmen-in-der-datennutzung-und-was-sind-ihre-groessten-hemmnisse.html (abgerufen am 24.7.2024)
[23] Big Data in der Forschung. Hrsg.: Universität Konstanz Konstanz 2024
https://forschungsdaten.info/themen/informieren-und-planen/big-data-in-der-forschung/ (abgerufen am 31.7.2024)
[24] Digitale Geräte und Prozesse haben einen hohen Energiebedarf. Tendenz steigend. Doch es gibt auch Ideen, deren Nachhaltigkeit zu verbessern. Hrsg.: Deutschlandradio - Körperschaft des öffentlichen Rechts, Köln 2022
https://www.deutschlandfunknova.de/beitrag/strombedarf-von-rechenzentren-und-endgeraeten-effizienz-steigern-abwaerme-nutzen (abgerufen am 24.10.2024)
[25] Der Energiebedarf von Künstlicher Intelligenz wächst rasant. Hrsg.: Vogel IT-Medien GmbH, Augsburg 2024
https://www.bigdata-insider.de/der-energiebedarf-von-kuenstlicher-intelligenz-waechst-rasant-a-e58cbc39e0baf6c8b5f367b9ace8a5a1/ (abgerufen am 26.7.2024)
[26] Big Data in der Praxis: Statistiken rund um Anwendungsbeispiele. Hrsg.: ScienceSoft USA Corporation, McKinney 2019
https://www.scnsoft.de/blog/big-data-statistiken-und-beispiele (abgerufen am 31.7.2024)
[27] Bitkom-Umfrage: Startups sind Technologie-Vorreiter in Deutschland. Hrsg.: Konradin-Verlag Robert Kohlhammer GmbH, Leinfelden-Echterdingen 2023
https://industrieanzeiger.industrie.de/news/bitkom-umfrage-startups-sind-technologie-vorreiter-in-deutschland/ (abgerufen am 31.7.2024)
[28] Datenstrategien für den Mittelstand: Wie KMU Big Data nutzen können. Hrsg.: OLINDA SAS, Paris 2024
https://qonto.com/de/blog/kmu/unternehmenswachstum/kmu-big-data (abgerufen am 31.7.2024)
[29] Big Data: Big Chance für kleine und mittelständische Unternehmen (KMU). Hrsg.: techconsult GmbH, Kassel 2022
https://cloud.ionos.de/reports/techconsult-studie-big-data-2022 (abgerufen am 9.8.2024)
[30] How To Use Big Data To Strengthen Worker Safety. Hrsg.: Society of Petroleum Engineers, Richardson 2021
https://jpt.spe.org/how-to-use-big-data-to-strengthen-worker-safety (abgerufen am 7.8.2024)
[31] Wie sieht der Arbeitsschutz der Zukunft aus? Hrsg.: CALIMA Safety GmbH, Berlin 2024
https://www.calima.io/arbeitsschutz/die-zukunft-des-arbeitsschutzes (abgerufen am 6.8.2024)
[32] The Decision Dilemma Hrsg.: Oracle Corporation, Redwood Shores 2023
https://www.enoughtrace.com/enough_trace_dot_com_data/no_clicks/decision_dilemma_global_study_Oracle_Apr2023.pdf (nicht barrierefrei) (abgerufen am 5.8.2024)
[33] The difference between big data and dark data. Hrsg.: Domo, Inc., American Fork 2024
https://www.domo.com/learn/article/the-difference-between-big-data-and-dark-data (abgerufen am 8.8.2024)
[34] Datengetriebene Produktion: Der Einfluss von Big Data in der Fertigung. Hrsg.: Höfelmeyer Waagen GmbH, Georgsmarienhütte 2024
https://blog.hoefelmeyer.de/datengetriebene-produktion (abgerufen am 13.8.2024)
[35] Big Data in der Produktion. Hrsg.: Interstuhl Büromöbel GmbH & Co. KG, Meßstetten-Tieringen 2024
https://www.bimos.com/B/de-de/news/3015/big-data-in-der-produktion (abgerufen am 12.8.2024)
[36] Die Bedeutung von Big Data für den Maschinenbau. Hrsg.: item Industrietechnik GmbH, Solingen 2019
https://blog.item24.com/digital-engineering/die-bedeutung-von-big-data-fuer-den-maschinenbau/ (abgerufen am 12.8.2024)
[37] Künstliche Intelligenz und Arbeitsrecht. Hrsg.: Hans-Böckler-Stiftung, Düsseldorf 2022
https://www.boeckler.de/de/pressemitteilungen-2675-digitale-kontrolle-diskriminierungsschutz-haftungsfragen-44947.htm (abgerufen am 19.8.2024)
[38] OSH and the Future of Work: benefits and risks of artificial intelligence tools in workplaces. Hrsg.: European Agency for Safety and Health at Work (EU-OSHA), Bilbao 2019
https://osha.europa.eu/en/publications/osh-and-future-work-benefits-and-risks-artificial-intelligence-tools-workplaces (abgerufen am 20.8.2024)
[39] Big Datenschutz bei Big Data. Hrsg.: Haufe-Lexware GmbH & Co. KG, Freiburg 2018
https://www.haufe.de/personal/arbeitsrecht/datenschutz-zulaessigkeit-von-big-data-analysen_76_441566.html#:~:text=BDSG%3A%20Big%2DData%2DAnalysen%20regelm%C3%A4%C3%9Fig%20nicht%20gerechtfertigt&text=1%20Satz%201%20BDSG%20d%C3%BCrfen,Beendigung%20dieses%20Verh%C3%A4ltnisses%20erforderlich%20ist.(abgerufen am 19.8.2024)
[40] Studie: Fehlende Rechtssicherheit für Big Data und KI. Hrsg.: Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V., München 2023
https://www.sit.fraunhofer.de/de/presse/details/news-article/show/studie-fehlende-rechtssicherheit-fuer-big-data-und-ki/ (abgerufen am 17.9.2024)
[41] Endpunkt-Sicherheit allein reicht nicht. Hrsg.: MEDIENHAUS Verlag GmbH, Bergisch-Gladbach 2024
https://www.it-zoom.de/dv-dialog/e/endpunkt-sicherheit-allein-reicht-nicht-34341/ (abgerufen am 19.8.2024)
[42] Wie Unternehmen den Wert unstrukturierter Daten mit KI nutzen können. Hrsg.: IT Verlag für Informationstechnik GmbH, Otterfing 2024
https://www.it-daily.net/it-management/big-data-analytics/wie-unternehmen-den-wert-unstrukturierter-daten-mit-ki-nutzen-koennen (abgerufen am 10.9.2024)
[43] eArchiving Initiative: Big Data dauerhaft aufbewahren. Hrsg.: TechTarget, Inc., Massachusetts 2024
https://www.computerweekly.com/de/feature/eArchiving-Initiative-Big-Data-dauerhaft-aufbewahren (abgerufen am 10.9.2024)
Der Trendbericht als barrierefreie PDF-Publikation: