{"id":1637,"date":"2017-11-06T09:00:17","date_gmt":"2017-11-06T07:00:17","guid":{"rendered":"http:\/\/blog.iese.fraunhofer.de\/?p=1637"},"modified":"2024-02-19T11:56:09","modified_gmt":"2024-02-19T10:56:09","slug":"big-data-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt","status":"publish","type":"post","link":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt\/","title":{"rendered":"Big-Data-Projekte: Gro\u00dfes Potenzial oder doch zum Scheitern verurteilt?"},"content":{"rendered":"

Was motiviert einen Anbieter f\u00fcr Produktionssteuerungs- und Qualit\u00e4tssicherungssoftware sowie Dienstleistungen im Bereich High-Tech-Fertigung zur Einf\u00fchrung von Big-Data-L\u00f6sungen<\/a>? Welche Herausforderungen k\u00f6nnen mit solchen L\u00f6sungen gemeistert werden? Und warum scheitern dennoch so viele Big-Data-Vorhaben in den Unternehmen? Im Interview stand uns Dr. Dirk Ortloff, Department Manager bei der camLine GmbH<\/a> und Mitglied im Konsortium des Big-Data-Forschungsprojektes PRO-OPT<\/a>, zu diesen Fragen Rede und Antwort.<\/p>\n

\n

Der Kundennutzen aus dem Projekt PRO-OPT:<\/p>\n

\u2022 Prototypische Analysen \u00fcber Standorte sind jetzt m\u00f6glich
\n\u2022 Potenzial f\u00fcr die Abschaffung von teils manuellen Prozessen; viel mehr Digitalisierung
\n\u2022 Neue Datenanalysen und -visualisierungen
\n\u2022 Flexible M\u00f6glichkeit, Desktop-Analysen mit Big-Data-Analysen zu verkn\u00fcpfen<\/p>\n<\/div>\n

\u00a0Interview<\/h2>\n

Herr Ortloff, was war Ihre Motivation, sich beim Forschungsprojekt PRO-OPT zu beteiligen?<\/em>
\nWir hatten uns aus zwei Motivationen heraus entschieden, uns am Projekt PRO-OPT zu beteiligen: Zum einen wollten wir einfach mehr \u00fcber Big-Data-Technologien lernen, weil wir diese in unsere Produktpalette integrieren wollen. Au\u00dferdem hatte sich einer unserer gr\u00f6\u00dften Kunden, ein namhafter Automobilzulieferer, bereits entschieden, im Projekt mitzuwirken und seine besonderen Supply-Chain-Herausforderungen hier einzubringen. Dieser Automobilzulieferer arbeitet unter anderem mit unserer Data-Warehouse-L\u00f6sung LineWorks mDICE, die wir nun im Projekt prototypisch um neue Big-Data-Ans\u00e4tze erweitert haben. mDICE ist unser Tool zur detaillierten Traceability-Analyse aus den Tracking- und Tracing-Daten der gesamten Produktion sowie zum KPI Reporting.<\/p>\n

Was waren denn die besonderen Herausforderungen dieses Automobilzulieferers?<\/em>
\nEin zentrales Thema war die Garantieabwicklung und Analyse der Tracking- und Tracing-Daten. Automobilzulieferer m\u00fcssen bei Garantieanfragen schnell reagieren und als Teil der Supply Chain Auswertungen \u00fcber ihre Produktion fahren \u2013 Stichwort Traceability. Dies gilt in einigen Bereichen auch f\u00fcr verbaute Teile von Zulieferern. Vom Automobilkonzern geforderte Reaktionszeiten von 24 Stunden waren bei der Unternehmensstruktur von \u00fcber 60 Werken und deren lokaler Datenhoheit \u00fcber die interne Supply Chain nur schwer realisierbar. Analysen nahm der Automobilzulieferer in jedem Werk separat vor und f\u00fchrte sie anschlie\u00dfend zusammen. Mit der Folge, dass die Reaktionsfristen manchmal nicht einzuhalten waren. Zudem f\u00fchrten die teilweise langen Laufzeiten bei zu weit gefassten Abfragekriterien zu Abbr\u00fcchen durch Timeouts. Au\u00dferdem lie\u00df das eingesetzte Warehouse-System aufgrund der existierenden technischen Limitierungen bei so gro\u00dfen Datenmengen die Implementierung zus\u00e4tzlich gew\u00fcnschter Reports und Analysen einfach nicht zu.<\/p>\n

Welchen Kundennutzen kann der Automobilzulieferer aus dem Projekt PRO-OPT ziehen?<\/em>
\nMit den prototypisch umgesetzten Big-Data-Erweiterungen und der ansatzweisen Umsetzung neuer M\u00f6glichkeiten sind nun teilautomatisierte Analysen \u00fcber alle Standorte durchf\u00fchrbar \u2013 die lokale Datenhoheit bleibt dabei trotzdem erhalten. Durch die schnellen Datenanalysen \u00fcber die interne Supply Chain konnten Abfragen teilweise um Gr\u00f6\u00dfenordnungen beschleunigt werden. Dadurch kann der Zulieferer sehr rasch nachvollziehen, ob die Garantieanspr\u00fcche an ihn gerechtfertigt sind oder nicht. Und das innerhalb der vom Automobilkonzern geforderten 24-Stunden-Frist. Somit k\u00f6nnen nun Garantieanspr\u00fcche h\u00e4ufiger abgewehrt und Strafen wegen \u00dcberschreitung der Frist vermieden werden. Dar\u00fcber hinaus sind jetzt erste Versionen von v\u00f6llig neuen Datenanalysen und Visualisierungen m\u00f6glich, durch die unser Kunde tiefere Einsichten in die Produktion und das Verhalten der Maschinen erh\u00e4lt. Generell hat das Projekt PRO-OPT f\u00fcr das Unternehmen die Perspektive auf L\u00f6sungen geschaffen, Desktop-Analysen flexibel mit Big-Data-Analysen zu verkn\u00fcpfen.<\/p>\n

Warum scheitern denn Ihrer Ansicht nach so viele Big-Data-Projekte in den Unternehmen?<\/em>
\nVielen Unternehmen fehlt einfach das Know-how, um gro\u00dfe Big-Data-Projekte zu stemmen. Getreu dem Motto \u00bbWir machen erst mal einen Data Lake\u00ab f\u00fchren sie alle verf\u00fcgbaren Daten in einem System zusammen. Denn oft unterliegen sie dem Irrglauben, dass man so viele Daten wie m\u00f6glich in das System stecken sollte, um maximal viele und maximal flexible Auswertungen fahren zu k\u00f6nnen. So funktioniert das leider nicht, da wir hier ein Performance-Problem erwarten k\u00f6nnen. Deshalb muss sich das Unternehmen auch bei Big-Data-Analysen im Vorfeld Gedanken \u00fcber sinnvolle Auswertungen machen, die unter Ber\u00fccksichtigung der Kosten-Nutzen-Relation einen Mehrwert bieten. Eine vorgeschaltete Potenzialanalyse <\/a>ist zu empfehlen und kann hier Aufschluss geben. Hinzu kommt, dass vielen Unternehmen das praktische Know-how bei der Speicherung der Daten in verteilten Systemen fehlt.<\/p>\n

Speicherung in verteilten Systemen \u2013 wie muss ich mir das vorstellen?<\/em>
\nKlassische Data-Warehouse-Systeme arbeiten mit relationalen Datenbanken, z. B. SQL. Diese sto\u00dfen bei datenintensiven Anwendungen und den damit verbundenen Transaktionslasten zunehmend auf Leistungs- und Effizienzprobleme. Nicht mehr akzeptable Reaktionszeiten sind die Folge. Im Projekt PRO-OPT haben wir f\u00fcr die Big-Data-Analysen NoSQL-Datenbanken eingef\u00fchrt. Diese sind von Grund auf als verteilte, horizontal skalierende Systeme ausgelegt. Sie k\u00f6nnen riesige Datenmengen effizient speichern und punkten auch bei einer gro\u00dfen Anzahl parallel stattfindender Schreib- und Lesezugriffe mit ausgezeichneten Antwortzeiten \u2013 teilweise sehen wir hier eine Verbesserung der Antwortzeiten um Gr\u00f6\u00dfenordnungen. Allerdings ben\u00f6tigt man auch bei NoSQL-Datenbanken ein gewisses Fachwissen, um tats\u00e4chlich schnellen Zugriff zu erm\u00f6glichen: Denn zusammengeh\u00f6rende Daten sollten nicht willk\u00fcrlich zusammengew\u00fcrfelt, sondern aufgeteilt in m\u00f6glichst wenige Partitionen auf den einzelnen Rechnern gespeichert werden.<\/p>\n

Inwiefern werden Sie die Erkenntnisse aus dem Projekt in Ihre Softwarel\u00f6sungen f\u00fcr Produktionsunternehmen einflie\u00dfen lassen?<\/em>
\nUnsere Data-Warehouse-L\u00f6sung mDice haben wir dahingehend prototypisch erweitert, dass wir nun auch eine NoSQL-Datenbank mit verteilten Systemen integriert haben. Dadurch haben wir die Performance deutlich verbessert, und die PRO-OPT-Architektur bietet jetzt die M\u00f6glichkeit des Zugriffs \u00fcber Standorte hinweg, ohne Daten zentralisieren zu m\u00fcssen. Au\u00dferdem haben wir unser Datenanalysetool Cornerstone um Big-Data-Datenbankabfragen und -analysen sowie neue Visualisierungen erweitert. Auch im Bereich Supply Chain Quality Management haben wir in unser Tool LineWorks SQM die Erkenntnisse aus dem Projekt einflie\u00dfen lassen. Hier geht es um die Fragestellung, wie Qualit\u00e4tsdaten \u00fcber die Supply Chain weitergegeben werden k\u00f6nnen. Das hei\u00dft, Qualit\u00e4tsdaten werden schon vor der Lieferung ausgetauscht, sodass der Empf\u00e4nger die Lieferung vor Versand freigeben oder sperren kann und die Wareneingangskontrolle nur noch stichprobenartig durchf\u00fchren muss.<\/p>\n

Wie konnte das Fraunhofer IESE<\/a> zum Erfolg des Projektes PRO-OPT beitragen?<\/em>
\nNeben einer hervorragenden technischen Projektleitungskompetenz sind die Wissenschaftler des Fraunhofer IESE bestens vertraut mit der Umsetzung von Big-Data-Projekten. Die Zusammenarbeit in PRO-OPT hat gezeigt, wie wichtig es ist, sich beim Thema Big Data Experten an die Seite zu holen. Potenzialanalysen, verteilte Datenbanksysteme, Datenmodellierung, Softwarearchitektur \u2013 das sind einige der Themen, die das IESE kompetent in das Projekt eingebracht hat. So hat das Institut die Ausarbeitung der zweckm\u00e4\u00dfigen PRO-OPT-Architektur \u00fcbernommen. Au\u00dferdem haben die IESE-Kollegen f\u00fcr uns den ersten Datenmodellierungsansatz ausgearbeitet, sodass man gleich in Richtung Query-based Modeling gekommen ist. Mit Query-based Modeling m\u00f6chte man schnellere Antwortzeiten erzielen, indem Daten als konkrete Antworten auf Fragestellungen angesehen und entsprechend auch als Antwortdaten f\u00fcr jede einzelne Fragestellung modelliert werden. Insgesamt kann man sagen, dass die Zusammenarbeit mit den Big-Data-Experten des Fraunhofer IESE unsere Lernkurve unglaublich reduziert hat.<\/p>\n

Zum 31.12.2017 wird das vom Bundesministerium gef\u00f6rderte Projekt PRO-OPT nach drei Jahren Laufzeit zu Ende gehen. Wird Ihre Zusammenarbeit mit dem Fraunhofer IESE danach weitergehen?<\/em>
\nDas will ich doch schwer hoffen. Gerne w\u00fcrden wir die erfolgreiche Zusammenarbeit mit dem Fraunhofer-IESE-Konsortium weiter ausbauen und sind gerade dabei, die n\u00e4chsten Weichen zu stellen.<\/p>\n

\n

PRO-OPT ist ein Forschungs- und Entwicklungsprojekt im Rahmen des Technologieprogramms \u00bbSmart Data \u2013 Innovationen aus Daten\u00ab des Bundesministeriums f\u00fcr Wirtschaft und Energie. Projektziel ist es, Unternehmen in dezentralen, kooperativen Strukturen (Smart Ecosystems<\/a>) die effektive und intelligente Analyse gro\u00dfer Datenmengen zu erm\u00f6glichen. Vor allem durch die Digitalisierung und Automatisierung fallen bei der Produktion immer gr\u00f6\u00dfere Datenmengen an. Die Datenquellen liegen dabei verteilt in unterschiedlichen Standorten eines Teilnehmers oder bei verschiedenen, wirtschaftlich unabh\u00e4ngigen Teilnehmern des Ecosystems <\/a>\u2212 insbesondere deshalb, weil in die Produktion meist nicht nur Teile aus eigener Fertigung eingehen. \u00dcbergreifende Analysen m\u00fcssen unter Ber\u00fccksichtigung von Zugriffsberechtigungen auf diese Quellen heruntergebrochen werden. Big-Data-Strategien sollen hier helfen, diese Analysen zu erm\u00f6glichen bzw. effizienter zu gestalten. Die L\u00f6sung wird in der Automobildom\u00e4ne angesiedelt, da diese in Deutschland eine Schl\u00fcsselstellung besitzt und einen starken Leuchtturmeffekt f\u00fcr weitere Branchen hat.<\/p>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Was motiviert einen Anbieter f\u00fcr Produktionssteuerungs- und Qualit\u00e4tssicherungssoftware sowie Dienstleistungen im Bereich High-Tech-Fertigung zur Einf\u00fchrung von Big-Data-L\u00f6sungen? Welche Herausforderungen k\u00f6nnen mit solchen L\u00f6sungen gemeistert werden? Und warum scheitern dennoch so viele Big-Data-Vorhaben in den Unternehmen? Im Interview stand uns Dr….<\/p>\n","protected":false},"author":30,"featured_media":0,"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":[40],"class_list":["post-1637","post","type-post","status-publish","format-standard","hentry","category-digitale-transformation","tag-big-data","tag-data-analytics"],"yoast_head":"\nBig-Data-Projekte: Gro\u00dfes Potenzial oder doch zum Scheitern verurteilt?<\/title>\n<meta name=\"description\" content=\"Big-Data-Strategien sollen helfen, Analysen effizienter zu gestalten. Dr. Dirk Ortloff gibt Einblicke in das Potenzial der Big-Data-Projekte.\" \/>\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-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Big-Data-Projekte: Gro\u00dfes Potenzial oder doch zum Scheitern verurteilt?\" \/>\n<meta property=\"og:description\" content=\"Big-Data-Strategien sollen helfen, Analysen effizienter zu gestalten. Dr. Dirk Ortloff gibt Einblicke in das Potenzial der Big-Data-Projekte.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt\/\" \/>\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=\"2017-11-06T07:00:17+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-02-19T10:56:09+00:00\" \/>\n<meta name=\"author\" content=\"Claudia Reis\" \/>\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=\"Claudia Reis\" \/>\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=\"Claudia Reis\" \/>\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-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/big-data-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt\\\/\"},\"author\":{\"name\":\"Claudia Reis\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#\\\/schema\\\/person\\\/74379e9d949815723fc48914fe08afb1\"},\"headline\":\"Big-Data-Projekte: Gro\u00dfes Potenzial oder doch zum Scheitern verurteilt?\",\"datePublished\":\"2017-11-06T07:00:17+00:00\",\"dateModified\":\"2024-02-19T10:56:09+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/big-data-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt\\\/\"},\"wordCount\":1299,\"publisher\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#organization\"},\"keywords\":[\"Big Data\",\"Data Analytics\"],\"articleSection\":[\"Digitale Transformation\"],\"inLanguage\":\"de\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/big-data-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt\\\/\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/big-data-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt\\\/\",\"name\":\"Big-Data-Projekte: Gro\u00dfes Potenzial oder doch zum Scheitern verurteilt?\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#website\"},\"datePublished\":\"2017-11-06T07:00:17+00:00\",\"dateModified\":\"2024-02-19T10:56:09+00:00\",\"description\":\"Big-Data-Strategien sollen helfen, Analysen effizienter zu gestalten. Dr. Dirk Ortloff gibt Einblicke in das Potenzial der Big-Data-Projekte.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/big-data-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/big-data-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/big-data-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Startseite\",\"item\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Big-Data-Projekte: Gro\u00dfes Potenzial oder doch zum Scheitern verurteilt?\"}]},{\"@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\\\/74379e9d949815723fc48914fe08afb1\",\"name\":\"Claudia Reis\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2019\\\/08\\\/claudia_reis_blog-5D3_7818-96x96.jpg0dc6e6250bf7a6626f832388dcba7f02\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2019\\\/08\\\/claudia_reis_blog-5D3_7818-96x96.jpg\",\"contentUrl\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2019\\\/08\\\/claudia_reis_blog-5D3_7818-96x96.jpg\",\"caption\":\"Claudia Reis\"},\"description\":\"Claudia Reis ist Teamleiterin und Pressereferentin in der Abteilung Corporate Communications & Technology Marketing am Fraunhofer IESE. Nach ihrem Abschluss als Diplom-Kauffrau an der Universit\u00e4t Trier mit den Schwerpunkten Marketing und Statistik arbeitete sie viele Jahre im Bereich Public Relations\\\/Investor Relations in Unternehmen der IT-Branche, zuletzt als Leiterin Public Relations\\\/Investor Relations bei der proALPHA Business Solutions GmbH.\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/author\\\/claudia-reis\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Big-Data-Projekte: Gro\u00dfes Potenzial oder doch zum Scheitern verurteilt?","description":"Big-Data-Strategien sollen helfen, Analysen effizienter zu gestalten. Dr. Dirk Ortloff gibt Einblicke in das Potenzial der Big-Data-Projekte.","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-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt\/","og_locale":"de_DE","og_type":"article","og_title":"Big-Data-Projekte: Gro\u00dfes Potenzial oder doch zum Scheitern verurteilt?","og_description":"Big-Data-Strategien sollen helfen, Analysen effizienter zu gestalten. Dr. Dirk Ortloff gibt Einblicke in das Potenzial der Big-Data-Projekte.","og_url":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt\/","og_site_name":"Fraunhofer IESE","article_publisher":"https:\/\/www.facebook.com\/FraunhoferIESE\/","article_published_time":"2017-11-06T07:00:17+00:00","article_modified_time":"2024-02-19T10:56:09+00:00","author":"Claudia Reis","twitter_card":"summary_large_image","twitter_creator":"@FraunhoferIESE","twitter_site":"@FraunhoferIESE","twitter_misc":{"Verfasst von":"Claudia Reis","Gesch\u00e4tzte Lesezeit":"6\u00a0Minuten","Written by":"Claudia Reis"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt\/#article","isPartOf":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt\/"},"author":{"name":"Claudia Reis","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#\/schema\/person\/74379e9d949815723fc48914fe08afb1"},"headline":"Big-Data-Projekte: Gro\u00dfes Potenzial oder doch zum Scheitern verurteilt?","datePublished":"2017-11-06T07:00:17+00:00","dateModified":"2024-02-19T10:56:09+00:00","mainEntityOfPage":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt\/"},"wordCount":1299,"publisher":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#organization"},"keywords":["Big Data","Data Analytics"],"articleSection":["Digitale Transformation"],"inLanguage":"de"},{"@type":"WebPage","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt\/","url":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt\/","name":"Big-Data-Projekte: Gro\u00dfes Potenzial oder doch zum Scheitern verurteilt?","isPartOf":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#website"},"datePublished":"2017-11-06T07:00:17+00:00","dateModified":"2024-02-19T10:56:09+00:00","description":"Big-Data-Strategien sollen helfen, Analysen effizienter zu gestalten. Dr. Dirk Ortloff gibt Einblicke in das Potenzial der Big-Data-Projekte.","breadcrumb":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.iese.fraunhofer.de\/blog\/big-data-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-projekte-grosses-potenzial-oder-doch-zum-scheitern-verurteilt\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Startseite","item":"https:\/\/www.iese.fraunhofer.de\/blog\/"},{"@type":"ListItem","position":2,"name":"Big-Data-Projekte: Gro\u00dfes Potenzial oder doch zum Scheitern verurteilt?"}]},{"@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\/74379e9d949815723fc48914fe08afb1","name":"Claudia Reis","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2019\/08\/claudia_reis_blog-5D3_7818-96x96.jpg0dc6e6250bf7a6626f832388dcba7f02","url":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2019\/08\/claudia_reis_blog-5D3_7818-96x96.jpg","contentUrl":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2019\/08\/claudia_reis_blog-5D3_7818-96x96.jpg","caption":"Claudia Reis"},"description":"Claudia Reis ist Teamleiterin und Pressereferentin in der Abteilung Corporate Communications & Technology Marketing am Fraunhofer IESE. Nach ihrem Abschluss als Diplom-Kauffrau an der Universit\u00e4t Trier mit den Schwerpunkten Marketing und Statistik arbeitete sie viele Jahre im Bereich Public Relations\/Investor Relations in Unternehmen der IT-Branche, zuletzt als Leiterin Public Relations\/Investor Relations bei der proALPHA Business Solutions GmbH.","url":"https:\/\/www.iese.fraunhofer.de\/blog\/author\/claudia-reis\/"}]}},"jetpack_featured_media_url":"","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/posts\/1637","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\/30"}],"replies":[{"embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/comments?post=1637"}],"version-history":[{"count":4,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/posts\/1637\/revisions"}],"predecessor-version":[{"id":10052,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/posts\/1637\/revisions\/10052"}],"wp:attachment":[{"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/media?parent=1637"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/categories?post=1637"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/tags?post=1637"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/coauthors?post=1637"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}