{"id":1344,"date":"2017-08-11T11:50:36","date_gmt":"2017-08-11T09:50:36","guid":{"rendered":"http:\/\/blog.iese.fraunhofer.de\/?p=1344"},"modified":"2024-02-26T12:29:09","modified_gmt":"2024-02-26T11:29:09","slug":"big-data-und-predictive-analytics-alles-nur-ein-hype","status":"publish","type":"post","link":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-und-predictive-analytics-alles-nur-ein-hype\/","title":{"rendered":"Big Data und Predictive Analytics \u2013 Alles nur ein Hype?"},"content":{"rendered":"<div class=\"info-box\"><strong>Potenzialanalyse Ihrer Daten &#8211; Fallstricke vermeide<\/strong>n<br \/>\nErfahren Sie in diesem Beitrag, warum es nicht nur Ihnen schwerf\u00e4llt, vermeintliche Sch\u00e4tze in vorhandenen Daten zu heben, was Ihr tats\u00e4chlicher Aktivposten bei der Umsetzung datengetriebener L\u00f6sungen ist und wie Sie mittels aktiver Datengenerierung Wirkzusammenh\u00e4nge effektiv aufdecken.<\/div>\n<h2>Warum Datensch\u00e4tze so schwer zu heben sind<\/h2>\n<p>In vielen Unternehmen stellt sich nach den ersten Big Data- und Predictive Analytics Projekten eine gewisse Ern\u00fcchterung ein. H\u00e4ufig lassen sich die erhofften Datensch\u00e4tze nicht so einfach heben wie erwartet oder die L\u00f6sung schafft es nicht in die tats\u00e4chliche Nutzung im Unternehmen.<\/p>\n<p>Die Gr\u00fcnde hierf\u00fcr sind vielf\u00e4ltig. Sie reichen von fehlenden Vor\u00fcberlegungen bez\u00fcglich der spezifischen Zielstellung \u00fcber mangelnde <a href=\"http:\/\/www.iese.fraunhofer.de\/blog\/quantity-over-quality-mistake\/\" target=\"_blank\" rel=\"noopener noreferrer\">Datenqualit\u00e4t<\/a> bis hin zum Versanden der L\u00f6sung in den letzten Stufen der Innovationspipeline aufgrund fehlender Akzeptanz bei den Nutzern.<\/p>\n<p>Mit Hilfe einer systematischen<a href=\"http:\/\/www.iese.fraunhofer.de\/blog\/whitepaper-how-to-demonstrate-the-business-value-of-big-data\/\" target=\"_blank\" rel=\"noopener noreferrer\"> Potenzialanalyse <\/a>lassen sich viele dieser Probleme fr\u00fchzeitig aufdecken und damit die Investition in aussichtsreiche Projekte sicherstellen.<\/p>\n<p>Allerdings \u00e4ndert dies nichts an der Situation, dass vorhandene Daten, die zwar im gleichen Kontext, aber zu einem anderen Zweck erzeugt und gesammelt wurden, selten zu optimalen Ergebnissen bei neuen innovativen Analysen f\u00fchren. Auch eine hohe Qualit\u00e4t der Daten hilft hier nur bedingt. Bildhaft gesprochen: Selbst der hochwertigste Laufschuh macht beim Bergwandern keine gute Figur.<\/p>\n<p>Beispiele finden sich unter anderem im Bereich<\/p>\n<ul>\n<li>Automobil, indem Sensordaten prim\u00e4r mit dem Ziel der optimalen Aussteuerung und nicht zur fr\u00fchzeitigen Vorhersage k\u00fcnftiger Ausf\u00e4lle erfasst wurden<\/li>\n<li>Versandhandel, bei dem die reibungslose Abwicklung von Verk\u00e4ufen im Vordergrund stand, nicht jedoch die Ableitung individueller Kaufempfehlungen f\u00fcr bestimmte Kunden.<\/li>\n<\/ul>\n<h2>Ihr eigentlicher Aktivposten\u00a0jenseits der Daten<\/h2>\n<p>Tas\u00e4chlich ist es keine neue Erkenntnis, dass wir uns im Vorfeld schon Gedanken \u00fcber den Zweck der Datenerhebung machen sollten<sup>[1]<\/sup>. Auch im Zeitalter von Data Lakes \u2013 von denen sich laut Gartner 90% als nutzlos herausstellen werden<sup>[2]<\/sup> \u2013 beh\u00e4lt sie ihre G\u00fcltigkeit. Diesbez\u00fcglich unterliegt man jedoch sehr leicht einer verzerrten Wahrnehmung, Innovationen in datengetriebenen Unternehmen, die sich ganz zuf\u00e4llig aus den vorliegenden Daten ergeben, sind eher spannende Anekdoten als der Normalfall. Vielmehr haben erfolgreiche datengetriebene Unternehmen wie Google M\u00f6glichkeiten gefunden, effektiv die f\u00fcr ihre Fragestellungen relevanten Daten zu identifizieren und ihre Datenerfassung effizient diesbez\u00fcglich auszurichten<sup>[3]<\/sup>.<\/p>\n<p>Auch der bildhafte Ausspruch \u201eDaten sind das neue \u00d6l\u201c kann zu der falschen \u00dcberzeugung f\u00fchren, dass man nur lange und tief genug in den vorhandenen Datenbergen graben muss, um innovative Erkenntnisse zu gewinnen. Im Gegensatz zum Roh\u00f6l, bei dessen Gewinnung und Speicherung man sich aber noch keine Gedanken \u00fcber den genauen Einsatz nach dessen Raffination machen muss, funktioniert das beim facettenreichen Konstrukt Daten nur sehr bedingt. Wenn es um innovative Analysen geht, sind f\u00fcr ein Unternehmen daher im Allgemeinen die M\u00f6glichkeiten zur effizienten Gewinnung geeigneter Daten im eigenen Umfeld wertvoller als die schon gesammelten Daten.<\/p>\n<h2>Das untersch\u00e4tzte Potential der aktiven Datengenerierung<\/h2>\n<p>Um aus den gesammelten Daten einen maximalen Nutzen zu ziehen, m\u00fcssen wir aber nicht nur die richtigen Daten sammeln, sondern auch die Situation und den Prozess der Datenerfassung aktiv auf Grundlage bisheriger Erkenntnisse ausgestalten. Eine solche aktive Datengenerierung l\u00e4sst sich besonders gut bei den erfolgreichsten datengetriebenen Unternehmen beobachten. Ist Ihnen beispielsweise aufgefallen, dass Sie bei Eink\u00e4ufen in gro\u00dfen Onlineshops teilweise gezielt um die Bewertung eines bestimmten Produkts gebeten werden, insbesondere, wenn f\u00fcr dieses Produkt erst wenige Bewertungen vorliegen? Manchmal werden bestimmten Kunden Produkte sogar kostenlos bereitgestellt, um diese zu bewerten und damit zielgenau bestehende Datenl\u00fccken zu schlie\u00dfen.<\/p>\n<p>Auch nehmen Sie als Nutzer von gro\u00dfen Onlineplattformen \u2013 f\u00fcr Sie unsichtbar \u2013 an zahlreichen Tests teil, die dazu dienen, aktiv bestimmte Daten zu generieren. Hierzu werden Nutzer gew\u00f6hnlich randomisiert in zwei oder mehr Gruppen eingeteilt. Abh\u00e4ngig von der Gruppe werden den Nutzern dann alternative Inhalte oder modifizierte Pr\u00e4sentationen derselben Inhalte bereitgestellt und \u00c4nderungen in ihrem Verhalten automatisch ausgewertet. Die durch solche <a href=\"https:\/\/de.wikipedia.org\/wiki\/A\/B-Test\" target=\"_blank\" rel=\"noopener noreferrer\">Split-Run-Tests <\/a>gewonnenen Erkenntnisse dienen anschlie\u00dfend dazu, beispielsweise die Darstellung der Inhalte oder die Auswahl der gezeigten Produkte zu optimieren.<\/p>\n<p>Durch aktuelle Trends in der Softwareentwicklung wie <a href=\"https:\/\/en.wikipedia.org\/wiki\/Over-the-air_programming\" target=\"_blank\" rel=\"noopener noreferrer\">Over the air programming <\/a>(OTA), <a href=\"https:\/\/de.wikipedia.org\/wiki\/Software_as_a_Service\" target=\"_blank\" rel=\"noopener noreferrer\">Software as a Service <\/a>(SaaS), <a href=\"https:\/\/de.wikipedia.org\/wiki\/Continuous_Delivery\" target=\"_blank\" rel=\"noopener noreferrer\">Continuous Delivery <\/a>(CD) und <a href=\"https:\/\/de.wikipedia.org\/wiki\/DevOps\" target=\"_blank\" rel=\"noopener noreferrer\">DevOps<\/a> ergeben sich aber weit \u00fcber das Marketing und die Verkaufsoptimierung hinausgehende Anwendungsgebiete f\u00fcr die aktive Datengenerierung. So k\u00f6nnen alternative Darstellung und Benutzerf\u00fchrungen in Anwendungen beispielsweise mittels CD und OTA zeitnah bereitgestellt und anschie\u00dfend anhand gro\u00dfer Stichproben einfach und effektiv evaluiert werden: Welches ist beispielsweise der optimale Zeitpunkt, den Nutzer einer Navigationsl\u00f6sung auf einen Abbiegevorgang hinzuweisen? Aber auch neue Funktionalit\u00e4ten k\u00f6nnen vor ihrer generellen Einf\u00fchrung getestet oder die Auswirkungen von Code\u00e4nderungen auf die Systemstabilit\u00e4t und Performance unter realen Bedingungen zuverl\u00e4ssig beurteilt werden, noch bevor diese dauerhaft in die Codebasis \u00fcbernommen werden.<\/p>\n<h2>Was wirklich z\u00e4hlt, sind Kausalit\u00e4ten<\/h2>\n<p>Was ist nun aber der entscheidende Vorteil aktiver Datengenerierung, sozusagen ihr Unique Selling Point? In der Diskussion um Big Data und Predictive Analytics wird h\u00e4ufig \u00fcbersehen, dass die Auswertung passiv gesammelter Daten bestenfalls das Aufdecken und Modellieren m\u00f6glicher Zusammenh\u00e4nge (d.h. Korrelationen) zwischen beobachteten Gr\u00f6\u00dfen erlaubt. Was uns aber gew\u00f6hnlich interessiert, sind keine Korrelationen, sondern die Auswirkungen bestimmter Faktoren und Entscheidungen \u2013 also Kausalit\u00e4ten. Wir wollen nicht wissen, ob die Anzahl der St\u00f6rche mit der Geburtenrate korreliert \u2013 was teilweise der Fall ist<sup>[4]<\/sup> \u2013 sondern, ob der Storch die Kinder tats\u00e4chlich zur Welt bringt (um deren Population in diesem Fall aktiv zu erh\u00f6hen).<\/p>\n<p>Eine Aufdeckung von Kausalit\u00e4ten erfordert aber die gezielte Einflussnahme auf die Datenerhebungssituation. Nicht umsonst bilden kontrollierte Experimente seit jeher die Grundlage des wissenschaftlichen Erkenntnisgewinns. Im Rahmen einer gezielten Steuerung der zu untersuchenden Faktoren l\u00e4sst sich deren Effekt isolieren und konkret bestimmen. Fr\u00fcher brauchte es hierzu aufwendig geplante Studien in Laborumgebung mit zum Teil bezahlten Probanden. Heute er\u00f6ffnen sich Unternehmen deutlich schnellere und effizientere M\u00f6glichkeiten im Rahmen von Entwicklungsmethoden wie beispielsweise <a href=\"https:\/\/de.wikipedia.org\/wiki\/Lean_Development\" target=\"_blank\" rel=\"noopener noreferrer\">Lean Development<\/a>, welche auch die zunehmend geringere time-to-market, denen sich heutige Unternehmen oftmals ausgesetzt sehen, adressieren. Durch das Konzept der <a href=\"https:\/\/de.wikipedia.org\/wiki\/Minimum_Viable_Product\" target=\"_blank\" rel=\"noopener noreferrer\">Minimal Viable Products <\/a>(MVP) und extrem kurzen Release-Zyklen lassen sich in solchen Umgebungen schnell qualifizierte Daten zur Produktqualit\u00e4t oder neuen Funktionen erlangen. Interessante Beitr\u00e4ge hierzu liefern unter anderem aktuelle Forschungsprojekte wie <a href=\"http:\/\/www.opti4apps.de\/\" target=\"_blank\" rel=\"noopener noreferrer\">Opti4Apps<\/a> und <a href=\"http:\/\/www.q-rapids.eu\/\" target=\"_blank\" rel=\"noopener noreferrer\">Q-Rapids<\/a>.<\/p>\n<h2>Fazit<\/h2>\n<p>Verlassen Sie sich in der Produktentwicklung k\u00fcnftig nicht mehr nur auf die Einsch\u00e4tzung Ihres Produktmanagers oder das Bauchgef\u00fchl Ihres Qualit\u00e4tsverantwortlichen, sondern generieren Sie datenbasierte Evidenzen f\u00fcr Ihre Annahmen. In Anbetracht aktueller Entwicklungen in den Bereichen Software as a Service und Continuous Delivery waren die Vorrausetzungen noch nie so gut wie heute.<\/p>\n<p>Bei der Umsetzung k\u00f6nnen Sie sich von praxiserprobten Ideen aus dem Bereich der Lean Analytics inspirieren lassen<sup>[5]<\/sup>. Vielleicht identifizieren Sie aber erst einmal im Rahmen einer <a href=\"https:\/\/www.iese.fraunhofer.de\/de\/leistungen\/data\/big-data-potenzial.html\" target=\"_blank\" rel=\"noopener noreferrer\">Potenzialanalyse<\/a> die f\u00fcr Sie wirklich wichtigen Hypothesen. Denn die Qualit\u00e4t Ihrer Fragestellung bestimmt ma\u00dfgeblich den Nutzen, den Sie aus Ihrer Beantwortung ziehen k\u00f6nnen.<br \/>\n<a href=\"https:\/\/www.iese.fraunhofer.de\/de\/leistungen\/data\/big-data-potenzial.html\">Das Fraunhofer IESE unterst\u00fctzt Sie gerne.<\/a><\/p>\n<p>&nbsp;<\/p>\n<h2>Referenzen<\/h2>\n<p>[1] V. R. Basili, H. D. Rombach: The TAME project. Towards improvement-oriented software environments. In: IEEE Transactions on Software Engineering. Band 14, Nr. 6, 1988, S. 758\u2013773<\/p>\n<p>[2] Gartner Blog Article, http:\/\/blogs.gartner.com\/merv-adrian\/2014\/12\/30\/prediction-is-hard-especially-about-the-future\/, last accessed 2017\/07\/25<\/p>\n<p>[3] Tang, D., Agarwal, A., O\u2019Brien, D., Meyer, M.: Overlapping experiment infrastructure: More, better, faster experimentation. In: Proceedings of the 16th ACM SIGKDD international conference on Knowledge discovery and data mining, ACM (2010) 17\u201326<\/p>\n<p>[4] Matthews, R. (2000). Storks deliver babies (p= 0.008). Teaching Statistics, 22(2), 36-38.<\/p>\n<p>[5] A. Croll, B. Yoskovitz: Lean Analytics, O\u2019Reilly 2013.<\/p>\n<p>&nbsp;<\/p>\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Erfahren Sie, warum es nicht nur Ihnen schwerf\u00e4llt, vermeintliche Sch\u00e4tze in vorhandenen Daten zu heben, was Ihr tats\u00e4chlicher Aktivposten bei der Umsetzung daten-getriebener L\u00f6sungen ist und wie Sie mittels aktiver Datengenerierung Wirkzusammenh\u00e4ng effektiv aufdecken.<\/p>\n","protected":false},"author":26,"featured_media":1350,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[211],"tags":[26,104],"coauthors":[46],"class_list":["post-1344","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-digitale-transformation","tag-big-data","tag-data-analytics"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v27.5 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Big Data und Predictive Analytics \u2013 Alles nur ein Hype? - Blog des Fraunhofer IESE<\/title>\n<meta name=\"description\" content=\"Potenzialanalyse Ihrer Daten: Das Fraunhofer IESE zeigt Ihnen wie sie Fallstricke vermeiden und relevante datengetriebene L\u00f6sungen entwickeln.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-und-predictive-analytics-alles-nur-ein-hype\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Big Data und Predictive Analytics \u2013 Alles nur ein Hype? - Blog des Fraunhofer IESE\" \/>\n<meta property=\"og:description\" content=\"Potenzialanalyse Ihrer Daten: Das Fraunhofer IESE zeigt Ihnen wie sie Fallstricke vermeiden und relevante datengetriebene L\u00f6sungen entwickeln.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-und-predictive-analytics-alles-nur-ein-hype\/\" \/>\n<meta property=\"og:site_name\" content=\"Fraunhofer IESE\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/FraunhoferIESE\/\" \/>\n<meta property=\"article:published_time\" content=\"2017-08-11T09:50:36+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-02-26T11:29:09+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2017\/08\/iStock_000055930348_Double.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"748\" \/>\n\t<meta property=\"og:image:height\" content=\"375\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Dr. Michael Kl\u00e4s\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@FraunhoferIESE\" \/>\n<meta name=\"twitter:site\" content=\"@FraunhoferIESE\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Dr. Michael Kl\u00e4s\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"6\u00a0Minuten\" \/>\n\t<meta name=\"twitter:label3\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data3\" content=\"Dr. Michael Kl\u00e4s\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/big-data-und-predictive-analytics-alles-nur-ein-hype\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/big-data-und-predictive-analytics-alles-nur-ein-hype\\\/\"},\"author\":{\"name\":\"Dr. Michael Kl\u00e4s\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#\\\/schema\\\/person\\\/790f3967298ec81883eb87ed11d86c5e\"},\"headline\":\"Big Data und Predictive Analytics \u2013 Alles nur ein Hype?\",\"datePublished\":\"2017-08-11T09:50:36+00:00\",\"dateModified\":\"2024-02-26T11:29:09+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/big-data-und-predictive-analytics-alles-nur-ein-hype\\\/\"},\"wordCount\":1261,\"publisher\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/big-data-und-predictive-analytics-alles-nur-ein-hype\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2017\\\/08\\\/iStock_000055930348_Double.jpg\",\"keywords\":[\"Big Data\",\"Data Analytics\"],\"articleSection\":[\"Digitale Transformation\"],\"inLanguage\":\"de\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/big-data-und-predictive-analytics-alles-nur-ein-hype\\\/\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/big-data-und-predictive-analytics-alles-nur-ein-hype\\\/\",\"name\":\"Big Data und Predictive Analytics \u2013 Alles nur ein Hype? - Blog des Fraunhofer IESE\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/big-data-und-predictive-analytics-alles-nur-ein-hype\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/big-data-und-predictive-analytics-alles-nur-ein-hype\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2017\\\/08\\\/iStock_000055930348_Double.jpg\",\"datePublished\":\"2017-08-11T09:50:36+00:00\",\"dateModified\":\"2024-02-26T11:29:09+00:00\",\"description\":\"Potenzialanalyse Ihrer Daten: Das Fraunhofer IESE zeigt Ihnen wie sie Fallstricke vermeiden und relevante datengetriebene L\u00f6sungen entwickeln.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/big-data-und-predictive-analytics-alles-nur-ein-hype\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/big-data-und-predictive-analytics-alles-nur-ein-hype\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/big-data-und-predictive-analytics-alles-nur-ein-hype\\\/#primaryimage\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2017\\\/08\\\/iStock_000055930348_Double.jpg\",\"contentUrl\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2017\\\/08\\\/iStock_000055930348_Double.jpg\",\"width\":748,\"height\":375,\"caption\":\"Fraunhofer IESE - Big Data Fraunhofer\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/big-data-und-predictive-analytics-alles-nur-ein-hype\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Startseite\",\"item\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Big Data und Predictive Analytics \u2013 Alles nur ein Hype?\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#website\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/\",\"name\":\"Fraunhofer IESE\",\"description\":\"Blog des Fraunhofer-Institut f\u00fcr Experimentelles Software Engineering\",\"publisher\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#organization\",\"name\":\"Fraunhofer IESE\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2016\\\/08\\\/fhg_iese_logo.png\",\"contentUrl\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2016\\\/08\\\/fhg_iese_logo.png\",\"width\":183,\"height\":50,\"caption\":\"Fraunhofer IESE\"},\"image\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/FraunhoferIESE\\\/\",\"https:\\\/\\\/x.com\\\/FraunhoferIESE\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/fraunhoferiese\\\/\",\"https:\\\/\\\/www.youtube.com\\\/c\\\/FraunhoferIESE\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#\\\/schema\\\/person\\\/790f3967298ec81883eb87ed11d86c5e\",\"name\":\"Dr. Michael Kl\u00e4s\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2022\\\/02\\\/klaes_michael-96x96.jpg83e380d8683e0c7345165dedbc8ccb71\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2022\\\/02\\\/klaes_michael-96x96.jpg\",\"contentUrl\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2022\\\/02\\\/klaes_michael-96x96.jpg\",\"caption\":\"Dr. Michael Kl\u00e4s\"},\"description\":\"Dr. Michael Kl\u00e4s ist seit Abschluss seines Informatikstudiums in der angewandten Forschung t\u00e4tig und ber\u00e4t Unternehmen in den Bereichen Softwarequalit\u00e4t und Datenanalyse. Im Laufe der letzten Dekade verantwortete er in zahlreichen Industrie- und Forschungsprojekten insbesondere den Aufbau von KPI-Systemen, die Evaluation neuer Technologien und die Entwicklung pr\u00e4diktiver Analysen. In seiner Dissertation besch\u00e4ftigte er sich mit der Vorhersage von Softwarefehlern unter Einbeziehung von Expertenwissen. Aktuell liegt sein Schwerpunkt im Bereich der Potenzialanalyse f\u00fcr datengetriebene Innovation und der Datenqualit\u00e4ts- und Unsicherheitsanalyse bei Big-Data- und KI-Systemen. Als Autor zahlreicher Fachpublikationen engagiert er sich zudem als Hochschuldozent und als Experte bei der Normierung (DIN\\\/VDE).\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/author\\\/michael-klaes\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Big Data und Predictive Analytics \u2013 Alles nur ein Hype? - Blog des Fraunhofer IESE","description":"Potenzialanalyse Ihrer Daten: Das Fraunhofer IESE zeigt Ihnen wie sie Fallstricke vermeiden und relevante datengetriebene L\u00f6sungen entwickeln.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-und-predictive-analytics-alles-nur-ein-hype\/","og_locale":"de_DE","og_type":"article","og_title":"Big Data und Predictive Analytics \u2013 Alles nur ein Hype? - Blog des Fraunhofer IESE","og_description":"Potenzialanalyse Ihrer Daten: Das Fraunhofer IESE zeigt Ihnen wie sie Fallstricke vermeiden und relevante datengetriebene L\u00f6sungen entwickeln.","og_url":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-und-predictive-analytics-alles-nur-ein-hype\/","og_site_name":"Fraunhofer IESE","article_publisher":"https:\/\/www.facebook.com\/FraunhoferIESE\/","article_published_time":"2017-08-11T09:50:36+00:00","article_modified_time":"2024-02-26T11:29:09+00:00","og_image":[{"width":748,"height":375,"url":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2017\/08\/iStock_000055930348_Double.jpg","type":"image\/jpeg"}],"author":"Dr. Michael Kl\u00e4s","twitter_card":"summary_large_image","twitter_creator":"@FraunhoferIESE","twitter_site":"@FraunhoferIESE","twitter_misc":{"Verfasst von":"Dr. Michael Kl\u00e4s","Gesch\u00e4tzte Lesezeit":"6\u00a0Minuten","Written by":"Dr. Michael Kl\u00e4s"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-und-predictive-analytics-alles-nur-ein-hype\/#article","isPartOf":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-und-predictive-analytics-alles-nur-ein-hype\/"},"author":{"name":"Dr. Michael Kl\u00e4s","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#\/schema\/person\/790f3967298ec81883eb87ed11d86c5e"},"headline":"Big Data und Predictive Analytics \u2013 Alles nur ein Hype?","datePublished":"2017-08-11T09:50:36+00:00","dateModified":"2024-02-26T11:29:09+00:00","mainEntityOfPage":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-und-predictive-analytics-alles-nur-ein-hype\/"},"wordCount":1261,"publisher":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#organization"},"image":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-und-predictive-analytics-alles-nur-ein-hype\/#primaryimage"},"thumbnailUrl":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2017\/08\/iStock_000055930348_Double.jpg","keywords":["Big Data","Data Analytics"],"articleSection":["Digitale Transformation"],"inLanguage":"de"},{"@type":"WebPage","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-und-predictive-analytics-alles-nur-ein-hype\/","url":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-und-predictive-analytics-alles-nur-ein-hype\/","name":"Big Data und Predictive Analytics \u2013 Alles nur ein Hype? - Blog des Fraunhofer IESE","isPartOf":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-und-predictive-analytics-alles-nur-ein-hype\/#primaryimage"},"image":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-und-predictive-analytics-alles-nur-ein-hype\/#primaryimage"},"thumbnailUrl":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2017\/08\/iStock_000055930348_Double.jpg","datePublished":"2017-08-11T09:50:36+00:00","dateModified":"2024-02-26T11:29:09+00:00","description":"Potenzialanalyse Ihrer Daten: Das Fraunhofer IESE zeigt Ihnen wie sie Fallstricke vermeiden und relevante datengetriebene L\u00f6sungen entwickeln.","breadcrumb":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-und-predictive-analytics-alles-nur-ein-hype\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.iese.fraunhofer.de\/blog\/big-data-und-predictive-analytics-alles-nur-ein-hype\/"]}]},{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-und-predictive-analytics-alles-nur-ein-hype\/#primaryimage","url":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2017\/08\/iStock_000055930348_Double.jpg","contentUrl":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2017\/08\/iStock_000055930348_Double.jpg","width":748,"height":375,"caption":"Fraunhofer IESE - Big Data Fraunhofer"},{"@type":"BreadcrumbList","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-und-predictive-analytics-alles-nur-ein-hype\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Startseite","item":"https:\/\/www.iese.fraunhofer.de\/blog\/"},{"@type":"ListItem","position":2,"name":"Big Data und Predictive Analytics \u2013 Alles nur ein Hype?"}]},{"@type":"WebSite","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#website","url":"https:\/\/www.iese.fraunhofer.de\/blog\/","name":"Fraunhofer IESE","description":"Blog des Fraunhofer-Institut f\u00fcr Experimentelles Software Engineering","publisher":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.iese.fraunhofer.de\/blog\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#organization","name":"Fraunhofer IESE","url":"https:\/\/www.iese.fraunhofer.de\/blog\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#\/schema\/logo\/image\/","url":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2016\/08\/fhg_iese_logo.png","contentUrl":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2016\/08\/fhg_iese_logo.png","width":183,"height":50,"caption":"Fraunhofer IESE"},"image":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/FraunhoferIESE\/","https:\/\/x.com\/FraunhoferIESE","https:\/\/www.linkedin.com\/company\/fraunhoferiese\/","https:\/\/www.youtube.com\/c\/FraunhoferIESE"]},{"@type":"Person","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#\/schema\/person\/790f3967298ec81883eb87ed11d86c5e","name":"Dr. Michael Kl\u00e4s","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2022\/02\/klaes_michael-96x96.jpg83e380d8683e0c7345165dedbc8ccb71","url":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2022\/02\/klaes_michael-96x96.jpg","contentUrl":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2022\/02\/klaes_michael-96x96.jpg","caption":"Dr. Michael Kl\u00e4s"},"description":"Dr. Michael Kl\u00e4s ist seit Abschluss seines Informatikstudiums in der angewandten Forschung t\u00e4tig und ber\u00e4t Unternehmen in den Bereichen Softwarequalit\u00e4t und Datenanalyse. Im Laufe der letzten Dekade verantwortete er in zahlreichen Industrie- und Forschungsprojekten insbesondere den Aufbau von KPI-Systemen, die Evaluation neuer Technologien und die Entwicklung pr\u00e4diktiver Analysen. In seiner Dissertation besch\u00e4ftigte er sich mit der Vorhersage von Softwarefehlern unter Einbeziehung von Expertenwissen. Aktuell liegt sein Schwerpunkt im Bereich der Potenzialanalyse f\u00fcr datengetriebene Innovation und der Datenqualit\u00e4ts- und Unsicherheitsanalyse bei Big-Data- und KI-Systemen. Als Autor zahlreicher Fachpublikationen engagiert er sich zudem als Hochschuldozent und als Experte bei der Normierung (DIN\/VDE).","url":"https:\/\/www.iese.fraunhofer.de\/blog\/author\/michael-klaes\/"}]}},"jetpack_featured_media_url":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2017\/08\/iStock_000055930348_Double.jpg","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/posts\/1344","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/users\/26"}],"replies":[{"embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/comments?post=1344"}],"version-history":[{"count":15,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/posts\/1344\/revisions"}],"predecessor-version":[{"id":11819,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/posts\/1344\/revisions\/11819"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/media\/1350"}],"wp:attachment":[{"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/media?parent=1344"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/categories?post=1344"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/tags?post=1344"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/coauthors?post=1344"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}