Big Data

Unternehmen wissen längst, dass Daten das neue Gold sind. Aber erst rund ein Drittel von ihnen hebt diesen Schatz systematisch, das heißt mit Hilfe integrierter Business-Intelligence-Plattformen (BI) mit automatisierten Analyseprozessen [Hag19a]. Ohne eingebettete Automatisierung, Maschinelles Lernen (ML) und Künstliche Intelligenz (KI) bei der Datenanalyse geht jedoch wertvolle Zeit zur Gewinnung..

Die fortschreitende Digitalisierung führt dazu, dass immer mehr Daten aus unterschiedlichen Bereichen erfasst werden. Viele Firmen möchten hiervon profitieren und setzen sich zum Ziel, zur Data-Driven Company zu werden. Dadurch verändern sich nicht nur die Anforderungen an die Technik – auch Mitarbeiter stehen vor ganz neuen Herausforderungen: Sie müssen zum Data Analyst werden, um ihre Aufgaben b..

Dieser Artikel zeigt auf, wie Architekturen für die Speicherung, Verarbeitung und Analyse von IoT-Daten beschaffen sein sollten. Es wird untersucht, wann und welche Daten dezentral auf Edge-Knoten und zentral in der Cloud gespeichert werden sollten. Ein wichtiger Aspekt dabei ist auch ob, wann, wo, wie und welche Daten (vor-) aggregiert werden sollen. Ebenso wird darauf eingegangen, wo welche Art ..

Gut zwei Jahre ist es her, seit Blockchain seinen größten Hype erlebte. Damals, im Jahr 2017, riss die Marktkapitalisierung von Kryptowährung kurzzeitig fast die Trillion-US-Dollar-Grenze. Blockchain war damals vor allem im Zusammenhang mit Bitcoin bekannt, war die Technologie doch gemeinsam mit der Kryptowährung entstanden, als webbasiertes, dezentrales, öffentliches Buchhaltungssystem sämtlicher..

Bisweilen ist es unklar, wie sich die Disziplin Data Science Engineering in BI-Architekturen einbettet. Ein Problem dabei ist, dass Data Engineers häufig komplexe Pipelines – unter anderem zur Industrialisierung von maschinellen Lernverfahren – designen oder auch NoSQL-Datenbanken nutzen. Hier stoßen gängige, SQL-basierte Transformationen, wie man sie aus dem klassischen ETL-Bereich kennt, an Gren..