Gartner bezeichnet Daten als die „am wenigsten genutzte Ressource in Unternehmen“. Kaum ein Unternehmen kennt den materiellen Wert seiner Datenfriedhöfe. Das soll sich nach Meinung des Marktforschungsinstitutes ändern. Deshalb hat es sich jetzt ausgedacht, wie man den Finanzwert von Daten berechnen könnte.

Weil Big Data mit großen Datenmengen zu tun hat, assoziieren IT-Verantwortliche das Thema oftmals auch mit großen Konzernen. Sie nehmen an, dass vor allem dort große Mengen an strukturierten und unstrukturierten Daten entstehen und analysiert werden müssen. Ein Blick auf den Mittelstand jedoch zeigt: Auch hier gibt es viele und unterschiedliche Daten und auch hier kann es sich lohnen, eine Big-Data-Initiative zu starten.

S/4HANA ist die aktuelle Echtzeit-ERP-Suite des Unternehmens SAP SE. Die Software löst Vorgängerprodukte wie SAP R/3 ab und basiert auf der neuen In-Memory-Datenbanktechnologie SAP HANA. Da die Wartung für das Vorgängersystem R/3 im Jahr 2027 endet, steht für Altkunden in den nächsten Jahren die SAP-S/4HANA-Migration an. Es existieren verschiedene Migrationsmöglichkeiten.

Im Gegensatz zu klassischen Prozessoren (CPUs) arbeiten GPUs (Graphical Processing Units) parallelisiert und bandweitenoptimiert. Das heißt: Sie eignen sich besser für rechenintensive Vorgänge, vor allem im Bereich Künstliche Intelligenz, Machine Learning und Deep Learning. Werden KI-Anwendungen damit reif für die Praxis und was bedeutet das für die gesamte Infrastruktur?

R ist eine freie Programmiersprache, die speziell für statistische Berechnungen und Visualisierungen von Daten konzipiert ist. Sie ist eine der führenden Lösungen für die statistische Datenanalyse und kann für das Data Mining oder Predictive Analytics eingesetzt werden.

OLEDB – Object Linking and Embedding Database – ist eine von Microsoft entwickelte Programmierschnittstelle, mit der sich standardisiert auf verschiedene Datenquellen zugreifen lässt. OLEDB unterstützt nicht nur strukturierte Daten und SQL-Abfragen, sondern auch unstrukturierte Datenquellen wie einfache Textdateien.

Die gegenwärtige Komplexität von Big Data beruht auf zwei wesentlichen Faktoren: Unstrukturiertheit und Verbundenheit der Daten. Zugleich lassen sich Beziehungen zwischen verschiedenen Elementen nur äußerst ressourcenintensiv und kompliziert in einer relationalen Datenbank darstellen. Graphdatenbanken dagegen spielen bei solchen Datenmodellen ihre Stärken aus.

Das System Mensch verarbeitet Daten automatisiert und in Echtzeit. Unternehmen können davon lernen und ihren veralteten Datenverarbeitungsprozess für die Digitalisierung fit machen.

Die Gründe, warum eine strategische Datenanalyse bis heute noch nicht wirklich effektiv ist, sind vielfältig. Zu der Praxisferne mancher Entwickler gesellen sich häufig falsche Inhalte, fehlende didaktische Ansätze und mangelnde Vorbereitungen für den passenden Nachwuchs. Dabei entscheiden Wissen und Kompetenz über den Erfolg eines Unternehmens. Wo also muss nachjustiert werden?

Studien berichten von den Chancen durch Artificial Intelligence (AI). Doch wie sieht dies in der Praxis aus? Wie nutzen Start-ups, die für Neues naturgemäß aufgeschlossen sind, die Fähigkeiten von KI? Wir haben uns auf dem Dublin Tech Summit 2018 (DTS 2018) umgesehen.