Smart Data - Potenziale und Herausforderungen - Arbeitsgruppe 2 Projektgruppe Smart Data - div ...
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Arbeitsgruppe 2 Vernetzte Anwendungen und Plattformen für die digitale Gesellschaft Projektgruppe Smart Data Smart Data – Potenziale und Herausforderungen
Smart Data – Potenziale
und Herausforderungen
Inhalt
1 Einleitung................................................................................................................................................ 3
2 Hauptaussagen....................................................................................................................................... 3
3 Potenziale von Smart Data...................................................................................................................... 4
Smart Data für kleine und mittlere Unternehmen..................................................................................... 4
Beispiel: Ohne Smart Data keine Energiewende....................................................................................... 4
Beispiel: Industrie 4.0............................................................................................................................. 5
Beispiel: Smart Data für IT-Sicherheit und Betrugserkennung................................................................... 5
Beispiel: Impulse für die personalisierte Medizin...................................................................................... 6
4 Technologische Grundlagen..................................................................................................................... 7
Datenplattformen.................................................................................................................................... 7
Technologiekomponenten........................................................................................................................ 9
5 Allgemeine Hürden und Hindernisse bei Smart Data................................................................................ 12
Datenschutz und Privatsphäre................................................................................................................. 12
Umsetzung von Smart-Data-Projekten..................................................................................................... 12
Mangel an Experten................................................................................................................................ 13
Einheitliche Analyse von Unternehmensdaten.......................................................................................... 13
6 Branchenspezifische Chancen und Herausforderungen bei Smart Data.................................................... 14
Einzelhandel........................................................................................................................................... 14
Energie................................................................................................................................................... 14
Forschung und Wissenschaft................................................................................................................... 15
Gesundheit............................................................................................................................................. 15
Industrie 4.0........................................................................................................................................... 16
7 Handlungsempfehlungen......................................................................................................................... 17
8 Übersicht der Beteiligten an der Projektgruppe Smart Data..................................................................... 18
Arbeitsgruppe 2 im Nationalen IT-Gipfel –2– Projektgruppe Smart DataSmart Data – Potenziale
und Herausforderungen
1 Einleitung
In Gesellschaft und Wirtschaft gewinnen digitale Daten die drei folgenden Wesensmerkmale: a) sehr große
zunehmend an Bedeutung. Die fortschreitende Digita- Datenmenge, b) große Datenwachstumsraten und c) in
lisierung in allen Lebens- und Unternehmensbereichen der Regel geringe Informationsdichte bei jedoch großer
führt zu einem rasanten Wachstum von Datenbestän- Vielfalt bezüglich der Datenquellen und Datenformate.
den: Verbraucher äußern sich in Online-Foren oder so- Unter „Smart Data“ wollen wir die intelligente Nutzung
zialen Netzwerken über Produkte und Services, medi- aller Daten verstehen, die einem Unternehmen zur
zinische Kleinstgeräte überwachen Vitalfunktionen von Verfügung stehen. Dazu gehören auch neue Datenarten,
Patienten, in Industrieanlagen erfassen Sensoren Para- die heute unter dem Begriff „Big Data“ subsummiert
meter von Produktionsabläufen, durch das Internet der werden, sowie alle bisherigen Daten, die in Unternehmen
Dinge und Dienste kommt es zu einer immer stärkeren und Behörden bereits aktiv benutzt werden. „Smart
Vernetzung aller Bereiche. Data“ versucht dem Rechnung zu tragen und
Der Begriff „Big Data“ steht für eine neue Komplexität von berücksichtigt neue, nicht nur technische, Aspekte sowie
Daten sowie deren Analyse, welche die Möglichkeiten die wertschöpfende Datenanalyse zur Erlangung von
gängiger technischer Lösungen übersteigt. Es ergeben Wissensvorteilen und zur Entscheidungsunterstützung.
sich etwa steigende Anforderungen bezüglich Daten Dazu gehören die Datensicherheit, der Datenschutz und
volumen, Datenraten, Datenheterogenität s owie der Kontext, in dem die Daten erhoben wurden. Dank
Daten qualität. „Big Data“ ist charakterisiert durch dieser holistischen Sicht wird der gesellschaftliche und
wirtschaftliche Nutzen dieser neuen Form von Daten
hervorgehoben.
2 Hauptaussagen
In diesem Strategiepapier werden Potenziale vergangenen Jahre in Bezug auf Cloud Computing
aufgezeigt, die sich aus Smart Data für die Wirtschaft sowie bei Datenmarktplätzen haben hier die
in Deutschland in ausgewählten Branchen, unter Einstiegshürden verkleinert. Dennoch ist eine
anderem in Einzelhandel, Gesundheit, Energie und
Förderung weiterhin unabdingbar.
Industrie, ergeben. Zusätzlich werden allgemeine • Wir wollen die große Vielfalt von Daten für
und branchenspezifische Herausforderungen und unsere Gesellschaft und für das Individuum
Hindernisse zusammengetragen, welche die Umsetzung deutlich stärker nutzbar machen. Dafür müssen
von Smart-Data-Projekten in Deutschland erschweren. intelligente Lösungen zur Anwendung kommen,
Aus Sicht der Projektgruppe bedarf es einer die ein hohes Maß an Flexibilität zulassen und
gemeinsamen Aktion von Wirtschaft und Politik, um die das Prinzip der digitalen Selbstbestimmung
folgenden Kernpunkte weiter voranzutreiben: stützen, wie etwa Pseudonymisierungs- oder
• Kleine und mittlere Unternehmen stehen beim Anonymisierungslösungen.
Einsatz von Smart-Data-Projekten vor besonderen • Es braucht eine verstärkte Förderung in der
Herausforderungen. Die Entwicklungen der universitären sowie berufsbegleitenden Ausbildung
um dem Mangel an Experten für den Umgang mit
Smart Data entgegenzuwirken.
Arbeitsgruppe 2 im Nationalen IT-Gipfel –3– Projektgruppe Smart DataSmart Data – Potenziale
und Herausforderungen
3 Potenziale von Smart Data
Die Verwendung von Smart Data ermöglicht die Erken- Beispiel: Ohne Smart Data keine
nung von Zusammenhängen und Mustern, damit bes- Energiewende
sere Entscheidungen oder Vorhersagen für die Zukunft
getroffen werden können. Entscheidend ist hierbei die Mit einer Optimierung des privaten Verbrauchs von
Datenqualität. Nur qualitativ hochwertige Daten können Elektroenergie unter Nutzung von Smart Metering in
die Basis für korrekte Entscheidungen bilden. Im Fol- deutschen Haushalten könnte ein bedeutender Bei-
genden werden die Potenziale von Smart-Data-Anwen- trag zur Energiewende geleistet werden. Im vorigen
dungen an ausgewählten Anwendungsfällen vorgestellt. Jahr stellte das Bundesministerium für Wirtschaft und
Energie eine Studie zum flächendeckenden Einsatz
von Smart Metering in Deutschland vor. Ein Szenario
Smart Data für kleine und mittlere geht davon aus, dass bis 2022 mehr als zehn Millionen
Unternehmen digitale Zähler installiert und somit rund zwei Drittel
aller Haushalte und Unternehmen von der Innovation
Es gibt zwei bedeutende Entwicklungen, die es kleinen erfasst werden.
und mittleren Unternehmen ermöglichen, die Potenziale Smart Meter bilden die Grundlage für ein intelligentes
von Smart Data zur Entscheidungsunterstützung Stromnetz der Zukunft, auch Smart Grid genannt.
genauso erfolgreich zu nutzen, wie es Großunternehmen Das intelligente Stromnetz verbindet Erzeuger und
bereits tun. Zum einen werden die technischen und Verbraucher sowie Energiespeicher und ermöglicht
finanziellen Anforderungen für die Einführung von den Austausch von Zustandsinformationen. So wird es
Smart-Data-Technologien in den Unternehmen dank möglich, Angebot und Nachfrage besser aufeinander
voranschreitender Etablierung von Cloud-Computing- abzustimmen und zeitnah auf Schwankungen zu
Lösungen (Infrastructure, Platform sowie Software as a reagieren. Dies kann nur funktionieren, wenn es gelingt,
Service) immer geringer. Zum anderen gibt es mit den die Daten von Millionen Verbrauchern in kurzer Zeit zu
aufkommenden Informationsmarktplätzen zunehmend verarbeiten. Benötigt wird auch eine Rückkopplung an
bessere Möglichkeiten zum gegenseitigen Austausch die Verbraucher, z. B. in Form von Preisinformationen,
von Daten, was zur Folge hat, dass auch kleinen Unter um die Motivation zur Verminderung des Verbrauchs
nehmen immer mehr Daten zur Verfügung stehen. in Zeiten von vergleichsweise geringem Angebot
Durch politische Rahmenbedingungen können sich hier zu stärken. Das intelligente Stromnetz der Zukunft
Wettbewerbsvorteile für den deutschen Mittelstand besteht aus einer großen Zahl von technischen
einstellen. Diese Rahmenbedingungen müssen vor Systemen, die durch Daten-Dienste miteinander
allem die rechtlichen (Datenschutz, Datensicherheit
verbunden sind. Dazu gehören die Erfassung,
und Datenaustausch) sowie personellen Anforderungen Speicherung, Verarbeitung und Visualisierung aller
berücksichtigen. 1 technischen und betriebswirtschaftlichen Daten und
komplexe Optimierungsrechnungen. Smart Data
und Cloud Computing gehören zu den Technologien,
die im intelligenten Stromnetz eingesetzt werden.
Energieunternehmen können Smart-Grid-Lösungen
1 Ein Ergebnis der vom BMWi in Auftrag gegebenen Innovationspotenzialanalyse in Bezug auf Technologien zum Verwalten und Analysieren
von großen Datenmengen (Big Data Management); http://www.dima.tu-berlin.de/menue/research/big_data_management_report/.
Arbeitsgruppe 2 im Nationalen IT-Gipfel –4– Projektgruppe Smart DataSmart Data – Potenziale
und Herausforderungen
in der Cloud mit Ketten von modular aufgebauten Beispiel: Smart Data für IT-Sicherheit
IT-Services umsetzen. Smart-Data-Analysen können
und Betrugserkennung
eingesetzt werden, um die Energiepreise besser auf
bestimmte Kundengruppen auszurichten. Smart-Data-Technologien lassen sich bei der Aufspü-
rung von hochentwickelten Bedrohungen, Insider-An-
griffen oder Konto-Übernahmen nutzen. Hier ist die
Beispiel: Industrie 4.0 Echtzeitfähigkeit von besonderer Bedeutung, da auch
Kriminelle mit steigender Geschwindigkeit Verbrechen
Seit einiger Zeit macht der Verband Deutscher begehen. Mit Smart Data lassen sich Muster von Über-
Maschinen- und Anlagenbau (VDMA) auf neue griffen herausarbeiten – so könnten Organisationen
Wettbewerber aufmerksam: Chinesische Maschinen sich schnell ein Bild über die Sicherheitslage in ihrem
bauer sind nicht mehr nur im Segment der preiswerten Unternehmen machen und damit zeitnah auf Bedro-
Massenware tätig. Sie dringen schrittweise in die hungen reagieren.
Segmente der Qualitätsspitzenprodukte ein – seit Ein konkreter Anwendungsfall stellt beispielsweise
Jahrzehnten eine Festung der deutschen Hersteller. die Verwaltung von Server-Logdaten dar, wobei
Aus diesem Grund müssen deutsche Maschinenbauer große Volumen an computergenerierten Daten
mit innovativen Produkten immer mindestens einen anfallen. Es umfasst das Sammeln, die zentrale
Schritt voraus sein. Aggregation, die Langzeitspeicherung, die Analyse
Diese Chance bietet sich mit Industrie 4.0. Mit der Logdaten in Echtzeit sowie die Suche in den
Intelligenz ausgestattete Produktionsanlagen werden Logdaten und daraus generierten Berichten. Nicht
über das Internet miteinander vernetzt, verschiedene nur die großen Logvolumina, sondern auch die Zahl
Wertschöpfungsstufen horizontal und vertikal zu der unterschiedlichen Logformate stellen hierbei
hochflex iblen Fertigungs- und Logistiksystemen erhebliche Herausforderungen dar. Die Möglichkeit
integriert. Smart Data, Cloud Computing, RFID, Internet einer sinnvollen manuellen Auswertung und Analyse
der Dinge und Dienste – alle diese Technologien wird dagegen immer geringer. Dies gilt besonders dann,
gehören zu den Treibern. Das Konzept Industrie wenn Logdaten miteinander korreliert werden müssen,
4.0 wird im kommenden Jahrzehnt schrittweise um Beurteilungen einer Situation oder Auswertungen
umgesetzt. Prototypische Realisierungen einzelner von Fehlerzuständen vorzunehmen. Verdächtige
Komponenten lassen sich in der Wirtschaft bereits Veränderungen oder Vorgänge möglichst rasch und
besichtigen. Schrittweise entstehen Smart Factories, am besten in Echtzeit zu erkennen ist der Anspruch
in denen intelligente Produktionsanlagen, Produkte von IT-Sicherheitsexperten. Solche Anwendungen
und Ressourcen sowie Menschen interagieren und stehen zurzeit noch am Anfang, werden jedoch in ihrer
mit anderen intelligenten Systemen – Smart Grids, Verbreitung und Bedeutung stark zunehmen, da die
Smart Logistics – in Verbindung stehen. In allen Auswertung von Logdaten mittels Smart Data einen
Prozessschritten einer so hochintegrierten Produktion sehr guten Ansatzpunkt dafür bietet.
entstehen massenhaft Daten, die durch Smart-Data-
Technologien erfasst, gespeichert und verarbeitet sowie
für Optimierungen und Simulationen genutzt werden.
Aus all diesen Gründen scheint es gerechtfertigt, von
grundlegenden Veränderungen in der Art zu sprechen,
wie Produkte und Dienstleistungen entwickelt,
produziert und auch konsumiert werden.
Arbeitsgruppe 2 im Nationalen IT-Gipfel –5– Projektgruppe Smart DataSmart Data – Potenziale
und Herausforderungen
Beispiel: Impulse für die personalisierte helfen IT-gestützte DNA-Analysen dabei potenziell
Medizin wirkungslose Behandlungsmethoden mit jedoch
immensen Nebenwirkungen für den Patienten zu
Besonders mit Blick auf die alternde Gesellschaft in vermeiden.
Deutschland werden Smart-Data-Anwendungen in der Ein weiteres Beispiel stellt die Behandlung der
Medizin für viele Menschen immer wichtiger. Konkret Erbkrankheit Mukoviszidose dar. Diese Krankheit
helfen Smart-Data-Analysen bei der Überwachung von behindert die Lungenfunktion, rund die Hälfte der
Vitalparametern, personalisierter Medizin sowie der Patienten mit dieser Diagnose erreicht nicht das
Erforschung von Erbkrankheiten. vierzigste Lebensjahr. Die Fortschritte bei der Gen
Die personalisierte Medizin ermöglicht eine an den sequenz ierung und bei den Smart-Data-Methoden
einzelnen Patienten angepasste Behandlung und erlauben es, eine auf den Patienten zugeschnittene
Prognose von Krankheiten. Erhebliche Fortschritte im Therapie zu entwickeln und ihnen so ein deutlich
Bereich der Molekularbiologie sowie der Biotechnologie längeres und besseres Leben zu ermöglichen.
haben die personalisierte Medizin als eine praktikable Smart Data kann auch für Infarkt-Betroffene nützlich
Alternative ermöglicht. Besonders die Kombination sein. So erlaubt es die automatische Analyse von EKG-
der Biotechnologie mit IT-gestützten Analysen und Daten von Infarkt-Betroffenen, frühzeitig Abweich
Prozessen birgt vielversprechende Potenziale. Darüber ungen von einem „normalen“ Verlauf zu erkennen, die
hinaus eröffnet die personalisierte Medizin für das Risiko vervielfachen, innerhalb eines Jahres einen
Krankenkassen die Möglichkeit einer verbesserten und erneuten Infarkt zu erleiden.
individuelleren Versorgung von Patienten. Als letztes Beispiel seien Analysen der DNA von an
Beispielsweise ermöglicht die personalisierte Medizin Parkinson-Erkrankten genannt. So bauen Forscher
bei Krebspatienten besser angepasste und wirkungs mit prominenter Unterstützung des selbst betroffenen
vollere Therapien. Heutzutage spricht nur ein Teil Schwergewichtsweltmeisters Muhammad Ali und das
der Patienten tatsächlich auf die Chemotherapie- Unternehmen 23andMe die weltweit größte Datenbank
Behandlung an. Da sich jeder Tumor von den anderen für die Parkinson-Forschung auf. Erste bahnbrechende
unterscheidet, beispielweise von seinem genetischen Erkenntnisse sind schon vorhanden: Zwei Gene w urden
Material her, müssen die behandelnden Ärzte die identifiziert, die mit der Krankheit verknüpft sind, und
individuellen Aspekte der Erkrankung bei der Therapie ein Gen wurde gefunden, das Schutz gegen Parkinson
berücksichtigen, damit sie Wirkung zeigt. Hierbei bietet.
Arbeitsgruppe 2 im Nationalen IT-Gipfel –6– Projektgruppe Smart DataSmart Data – Potenziale
und Herausforderungen
4 Technologische Grundlagen
Dieses Kapitel umreißt den Stand der Technik. Es Programmiermodell und -Ausführungssystem. HDFS
werden die wichtigsten Arten von Plattformen für das ist in der Lage, sehr große Mengen von Daten in
Speichern und Analysieren von Smart Data beschrieben beliebigen Formaten verteilt und fehlertolerant auf
sowie deren typische Komponenten erläutert.2 tausenden von Rechnern zu speichern. Dabei werden
individuelle Dateien redundant im Rechnerverbund
gehalten. Das MapReduce-Programmiermodell
Datenplattformen ermöglicht eine einfache Spezifikation von parallelen
Analyse
programmen, bei denen der Nutzer die
In den vergangenen Jahren wurden eine Reihe von normalerweise sehr komplexen Aspekte der parallelen
Datenplattformen entwickelt, die den Betrieb und Programmierung nicht zu berücksichtigen braucht.
das Management der neuen Datenklassen auf eine Diese Spezifikation folgt einem strikten Schema,
möglichst effiziente und kostengünstige Art und Weise das sich jedoch für vielfältige Anwendungsfälle
ermöglichen. Dazu gehören Technologien wie Hadoop als gut geeignet erwiesen hat. Es können nahezu
und noSQL-Datenbanken, die sich einen festen Platz beliebige Operationen auf beliebig strukturierten
in Smart-Data-Architekturen gesichert haben. Diese Daten ausgeführt werden und das parallel und
Technologien sind exzellente Ergänzungen zu den kostengünstig auf bis zu tausenden von Rechnern. Da
bisherigen Datenhaltungssystemen, die den Großteil der das MapReduce-Ausführungssystem für Batch-basierte
heute in Unternehmen zur Analyse anstehenden Daten Analysevorgänge mit sehr großen Datenmengen
verwalten. Diese Data-Warehouse-Systeme verfügen optimiert wurde, ist eine interaktive Datenanalyse
in der Regel über exzellente analytische Verfahren und mit kurzen Antwortzeiten im Sekundenbereich nicht
Algorithmen und eine breite Basis. Nahezu alle diese möglich. Üblich sind Ausführungszeiten im Bereich von
Systeme verfügen über entsprechende In-Memory- Minuten bis Stunden.
Technologien, die für eine schnelle Auswertung Eine andere Innovation ist der High-Performance
unabdingbar sind. In Abbildung 1 sind die entsprechenden Computing Cluster (HPCC), eine Open-Source-
Technologiekomponenten dargestellt. Entscheidend für Supercomputing-Plattform für datenintensive Anwen
den Erfolg von Smart Data wird u. a. sein, ob es gelingt, dungen, die Unternehmen dabei unterstützt, Smart-Data-
diese unterschiedlichen Datenhaltungs-Technologien Probleme zu lösen. Die HPCC-Plattform zeichnet sich
auf einfache Art und Weise interagieren zu lassen. Daten insbesondere durch ihre konsistente, datenzentrierte
jedweder Art und Daten aus unterschiedlichen Quellen, Programmiersprache (ECL) sowie eine Architektur aus,
wie beispielsweise Hadoop, noSQL, relationale Systeme die eine effiziente Datenverarbeitung ermöglicht. Sie
und Dateisysteme, müssen gemeinsam nutzbar sein. bietet damit Geschwindigkeit, Skalierbarkeit und eine
schnelle Analyse großer Datenmengen.
Massiv parallele Systeme: Eine hervorzuhebende
Plattform ist Hadoop der Apache Software Foundation. noSQL-Datenbanksysteme: noSQL-Datenbanksysteme
Hadoop bildet zunehmend die Grundlage von
(„noSQL“ steht für „Not only SQL“) dienen, ähnlich
Systemen und Teilkomponenten für das Speichern und wie Hadoop, der Speicherung großer Mengen von
Verarbeiten von Smart Data, die in offen verfügbaren Daten mit geringer Dichte und besitzen im Gegensatz
sowie kommerziellen Lösungen Anwendung finden. zu relationalen Systemen keine Schemabindung. In den
Konzeptionell beruht Hadoop auf dem verteilten letzten Jahren hat sich eine Reihe von unterschiedlichen
Dateisystem HDFS sowie dem MapReduce- noSQL-Datenbanken ausgebildet, wobei die Key-Value-
2 Für weiterführende Details wird auf den BITKOM-Leitfaden „Big-Data-Technologien – Wissen für Entscheider“ verwiesen.
Arbeitsgruppe 2 im Nationalen IT-Gipfel –7– Projektgruppe Smart DataSmart Data – Potenziale
und Herausforderungen
Store-Technologie am weitesten verbreitet ist. Daneben Analytische Datenbanken: Diese Systeme bilden im
sind weitere Kategorien zu nennen wie z. B. Document-, Wesentlichen die heutige Basis für Data-Warehouse-
Column- oder Graph-Store-Datenbanken. Ähnlich wie und Business-Intelligence-Anwendungen. Dabei
bei Hadoop können noSQL-Datenbanken auf einem Netz werden aus unterschiedlichsten Quellen Daten
von Standard-Rechnersystemen ausgeführt werden, was unterschiedlichster Art in einem Data Warehouse (oder
den Betrieb großer Systeme sehr kosteneffizient macht. Data Mart) konsolidiert und mit unterschiedlichsten
Algorithmen (Data Mining, Analytics etc.) ausgewertet.
Hauptspeicher-Datenbanksysteme (In-Memory-Daten- Zunehmend verfügen diese Systeme über optimierte
banksysteme): Für Anwendungsfälle, in denen eine in- spaltenorientierte Hauptspeicherdatenbanken, die für
teraktive Analyse von Daten notwendig ist, die im re- Near-Realtime-Analytics unabdingbar sind. Des Weiteren
lationalen Datenschema abgebildet werden können, hat sich gezeigt, dass eine Einbindung von Hadoop- und
haben sich relationale, spaltenbasierte Hauptspeicher- noSQL-Datenquellen in eine bestehende oder neu zu
Datenbanksysteme etabliert. Diese Datenbanksysteme schaffende analytische Datenbankumgebung eine sehr
halten ihren Datenbestand primär im zuletzt deutlich effiziente und äußerst tragfähige Anwendungsplattform
günstiger gewordenen Hauptspeicher der Rechner vor, schaffen kann.
was gegenüber Festplatten die Latenzen für Datenzu-
griffe verringert, Datendurchsätze steigert und somit
eine sehr effiziente Analyse ermöglicht.
Abbildung 1: Taxonomie von Smart-Data-Plattformen
Arbeitsgruppe 2 im Nationalen IT-Gipfel –8– Projektgruppe Smart DataSmart Data – Potenziale
und Herausforderungen
Technologiekomponenten Batch Processing: Bei der Batchverarbeitung oder auch
Stapelverarbeitung werden Geschäftsvorfälle gesammelt
Der Zweck jeder Smart-Data-Plattform ist es, Daten in und – in häufig nächtlichen, vom Online-Betrieb freien –
entscheidungsrelevante Informationen umzuwandeln. Batch-Läufen verarbeitet. So werden durch Batch-Skripte
Voraussetzung dafür ist, dass es sich um qualitativ hoch- und Werkzeuge für ETL (Extract, Transform, Load) immer
wertige Daten handelt. Die Vielfalt an Einsatzszenarien wiederkehrend die neu angefallenen Daten aus den
erfordert vielfältige Werkzeuge auf jeder Ebene. operativen Systemen abgezogen und für entsprechende
Abbildung 1 stellt eine sehr vereinfachte Taxonomie der analytische Zielsysteme aufbereitet. Die neu berechnete
Technologien dar, die für eine Komplettlösung benötigt Datenbasis steht den Analysenwerkzeugen mit zeitlicher
werden. Die Darstellung ist als modularer Baukasten Verzögerung zur Verfügung. Zur Reduzierung dieser
zu verstehen. Die Schichten 1 bis 4 repräsentieren den Verzögerung beim Laden von Daten müssen die Batch-
Weg von den Rohdaten zu geschäftsrelevanten Erkennt- Läufe weiter parallelisiert und optimiert werden.
nissen. Dieser Weg wird flankiert von den Schichten 5 In einem Smart-Data-Szenario stößt man schnell an
(Datenintegration) und 6 (Datensicherheit sowie -Gover- die Grenzen der traditionellen Batch-Verarbeitung. Ein
nance), die auf ein harmonisches Zusammenspiel von Hadoop-basierter Sammelspeicher hingegen vereinigt
Smart-Data-Plattformen mit existierenden Technologien, die Zwischenspeicherung der Originaldaten aus den
Standards, Prozessen und Compliance-Vorgaben zielen. Quellsystemen im HDFS mit deren Transformation mit
Hilfe der schnellen parallelen Batch-Verarbeitung.
Schicht 1: Datenhaltung
Viele Unternehmen sind von der Vielfalt, Geschwindigkeit Streaming und Complex Event Processing: Der tradi
und Menge an Daten überfordert. Ein echter Mehrwert tionelle Ansatz von Data Warehousing analysiert
für das Geschäft kann aus diesen Daten nur gewonnen ruhende Daten, in denen der Anwender mit
werden, wenn es gelingt: a) die Daten kostengünstig verschiedenen Techniken nach den gewünschten
zu speichern, b) die Daten auf vielfältige und flexible Informationen sucht. Die Überwachung und Steuerung
Weise zu „befragen“, um wertvolle und umsetzbare dynamischer Prozesse bedarf eines anderen Ansatzes.
Erkenntnisse zu gewinnen und c) diese Erkenntnisse Hierbei werden zeitlich geordnete Ereignisse
zeitnah zur Verfügung zu stellen. Die kostengünstigen, überwacht, verdichtet, gefiltert und korreliert. Muster
exponentiell wachsenden Kapazitäten von Online- und Regel sind hier konstant, die Daten dagegen in
Storage ermöglichen die Speicherung immer größerer schneller Bewegung, daher auch der Begriff Streaming.
Datenmengen als Basis für analytische Fragestellungen.
Schicht 3: Analytische Verarbeitung
Schicht 2: Datenzugriff Text- und Semantische Analyse, Video- und Audio-Analyse:
Was typischerweise nicht wächst, ist die zur Verfügung Neben Datenströmen, die z. B. aus der Vernetzung von
stehende Zeit für die Beantwortung aufkommender Geräten stammen oder von Sensoren generiert werden,
Fragen. Die technische Herausforderung besteht also stellt die Auswertung von Daten, die in textueller
darin, eine massiv zunehmende Menge an Eingabedaten Form vorliegen, ein großes wirtschaftliches Potenzial
zu verarbeiten, ohne dabei den zur Verfügung stehenden für Unternehmen dar. So lassen sich beispielsweise
Zeitrahmen zu überschreiten. Ein solches System hat in Social-Media-Daten Produkttrends erkennen oder
die Verarbeitung und den Datenfluss einer großen Dokumente mit Hilfe von Textanalyse und semantischen
Datenmenge zu organisieren. Hier seien zwei Verfahren Technologien durch Zusatzinformation anreichern, so
beispielhaft genannt: dass die angereicherten Daten neue Möglichkeiten für
Anwendungen und Analysen bieten.
Arbeitsgruppe 2 im Nationalen IT-Gipfel –9– Projektgruppe Smart DataSmart Data – Potenziale
und Herausforderungen
Neben den Datenströmen, die unmittelbar auf Text- Predictive Analytics: Mithilfe von Predictive Analytics
Dokumenten basieren, wachsen insbesondere Audio- können aus einem Datensatz Trends und Verhaltens-
und Video-Inhalte explosionsartig an. Nach Extraktion muster abgeleitet und vorhergesagt werden. Hierbei
der Text-Informationen lassen sich diese Schätze unter kommen je nach Anwendungszenario verschiedene sta-
Nutzung linguistischer und semantischer Verfahren tistische Algorithmen und Modellierungs-Techniken zum
heben. Einsatz, die darauf abzielen, Muster in aktuellen oder
historischen Daten zu erkennen und daraus Ableitungen
Orts- und raumbezogene Datenanalyse: Viele Daten für das zukünftige Verhalten treffen zu können.
weisen einen Ortsbezug auf. Die schnell steigenden
Nutzerzahlen von Smartphones und Digitalkameras Data Mining und Machine Learning: Data Mining ist ein
bieten die Möglichkeit, viele Informationen zusammen bildlicher Oberbegriff für eine Vielzahl von verschiedenen
mit GPS-Koordinaten zu erheben. So sind z. B. im Methoden, Verfahren und Techniken, der die Intention
Handel Analysen zur Bewertung neuer Standorte unter zusammenfasst – geradezu im Sinne eines „Daten-
Einbeziehung der räumlichen Dimension seit vielen Bergbaus“ – Schätze, also verwertbares Wissen, aus
Jahren Standard. In die Absatzprognosen für einzelne den Daten des Unternehmens zu fördern. Insbesondere
Artikel gehen Wettermodelle ebenso ein wie die bezeichnet Data Mining das intelligente, größtenteils
Einwohnerverteilung bestimmter Einkommensklassen. automatisierte Aufspüren und die Extraktion von
Versicherungen ermitteln anhand von Geolokationen wirtschaftlich nutzbaren Mustern und Zusammenhängen
zusammen mit Überflutungsmodellen die Schadens in großen Datenbeständen. Der Begriff Machine
risiken von Immobilien. Mit Smart-Data-Methoden Learning beschreibt eine Vielzahl von Anwendungen und
werden nun auch andere Daten, die nur implizit über Methoden, in denen Computerprogramme selbständig
einen Ortsbezug verfügen, mit Geoinformationen neues Wissen erwerben.
verknüpft.
Schicht 4: Visualisierung
Web-Analyse: Führende Online-Händler experimen Das Hauptziel der Visualisierung ist die Multiplikation
tieren täglich auf ihren Seiten. Sie wollen herausfinden, des analytischen Potenzials von Mensch und Computer
ob die Änderungen zu gewünschten Kundenreaktionen durch eine effektive Kombination interaktiver Visuali
führen. Die Vielzahl an Erkenntnissen hinsichtlich sierungstechniken mit rechnergestützter Datenanalyse.
einzelner Benutzergruppen wird dazu genutzt, um Bei der visuellen Analyse kommen unterschiedliche
in Echtzeit den Inhalt einer Webseite anhand der Techniken zum Einsatz. Sie lassen sich nach folgenden
Zuordnung eines Benutzers zu einer gewissen Kriterien unterscheiden: a) Visualisierung zur
Benutzergruppe dynamisch anzupassen. Informationsbereitstellung versus visuelle Analyse zur
Graphbasierte Methoden eignen sich zur Modellierung Wissensaufbereitung, b) Visualisierungsnutzung durch
der Web-Daten, um mehr als die offensichtlichen den Entscheidungsträger versus durch den Analysten
Abhängigkeiten z. B. von Produkten im Webshop zu und Domänen-Experten sowie c) Informationskonsum
erkennen und so Benutzer über die Platzierung von oder Analyse ortsgebunden am Arbeitsplatz versus
Angeboten gezielter zu steuern. Des Weiteren wird die mobil.
Web-Analyse immer mehr mit anderen Analysetechniken
wie z. B. Predictive Analytics verknüpft, um nicht nur
das Verhalten eines Kunden zu analysieren und damit
Webseiten zu optimieren, sondern auch Voraussagen
über seine nächsten Schritte zu treffen und ihm speziell
zugeschnittene Angebote zu präsentieren.
Arbeitsgruppe 2 im Nationalen IT-Gipfel – 10 – Projektgruppe Smart DataSmart Data – Potenziale
und Herausforderungen
Schicht 5: Datenintegration einfach abzufragende APIs, Webserver protokollieren
Die herkömmlichen Technologien zur Integration die Benutzerzugriffe sehr umfangreich und die Daten
von Anwendungen und Daten sind für Smart- liegen oftmals in Form von Textdateien bereits vor.
Data-Lösungen weiterhin von Bedeutung. Diese Folgt man dem Paradigma „Speichere jetzt – Verarbeite
Technologien sind heute im unternehmensweiten später“, dann reduziert sich das Laden der Daten
produktiven Einsatz in verschiedenen Business- (Load) auf einen einfachen Transportvorgang. Die
Intelligence-, SOA-, Anwendungs- und B2B- Transformationen schließlich werden aufwendiger.
Integrations szenarien. Eine Wiederverwendung in Die Verarbeitung wenig strukturierter Daten lässt sich
Smart-Data-Architekturen ist notwendig, da die schlechter optimieren und verbraucht deutlich mehr
meisten werthaltigen Unternehmensdaten heute in Ressourcen. Selbst wenn die Daten nicht in eine
strukturierter Form in existierenden Anwendungen strukturierte Form gebracht werden müssen, so sind
(z. B. ERP, CRM) und Datenbanken vorliegen. Etablierte doch auch für statistische und andere Datenanalysen oft
Integrationstechnologien sind in der Lage, zahlreiche umfangreiche Vorverarbeitungen erforderlich. In einer
Datenquellen zu integrieren und sie einer Smart- massiv parallelen Umgebung, die viel Rechenleistung
Data-Umgebung zur Verfügung zu stellen. Durch den zur Verfügung stellt, können diese Transformationen
Einsatz von Integrations-Middleware können diese auch bei großen Datenmengen noch hinreichend schnell
unterschiedlichen Datenquellen über standardisierte durchgeführt werden.
Schnittstellen zugänglich gemacht werden. Hier
haben sich Enterprise-Service-Bus-Technologien (ESB) Schicht 6: Datensicherheit und -Governance
etabliert. Datensicherheit: Bei der Umsetzung von Smart-
Die andere wesentliche Technologie zur Anbindung Data-Projekten sind die Themen Datenschutz und
verschiedener Datenquellen sind Datenintegrations- IT-Sicherheit stark in den Vordergrund gerückt. Im
oder ETL-Plattformen. Im Unterschied zu einem ESB Entwurf der Datenschutz-Grundverordnung sind zudem
liegt bei ETL-Plattformen der Fokus auf dem Transfer und die Anforderungen an „Data protection by design and
der Transformation von großen und komplexen Daten by default“ ausdrücklich verankert.
mengen, die häufig im Batch-Verfahren durchgeführt
werden. Daten-Governance: Unter Daten-Governance versteht
Im Rahmen von Smart Data kommen zu den man eine Kombination von Prozessen, Technologien
existierenden Integrationslösungen neue Konnek und Wissen, mit der sich nachhaltig wertvolle und
tivitäts-Anforderungen hinzu. Die beschrie benen qualitativ hochwertige Informationen gewinnen lassen.
Faktoren – hohe Datenvolumina und -Raten, unvoll
ständige Schemata – führen insgesamt zu einer Neu
definition der Datenintegration: weg vom Vorgehen
des „Extract-Transform-Load“, hin zu einem „Extract-
Load-Transform“ (ELT). In einem Smart-Data-Umfeld ist
der Aufwand für Extraktion (Extract) der Daten häufig
vernachlässigbar. Sensorik-Daten werden bereits in
großen Mengen geliefert, Social-Media-Dienste haben
Arbeitsgruppe 2 im Nationalen IT-Gipfel – 11 – Projektgruppe Smart DataSmart Data – Potenziale
und Herausforderungen
5 Allgemeine Hürden und Hindernisse bei Smart Data
Die Umsetzung von Smart-Data-Projekten birgt große müssen intelligente Lösungen zur Anwendung kommen,
Potenziale für Unternehmen in Deutschland, jedoch die ein hohes Maß an Flexibilität zulassen und das Prinzip
treffen viele Projekte auf dieselben Hindernisse. Des der digitalen Selbstbestimmung stützen, wie etwa
Weiteren fehlt es an Experten für die Datenanalyse. Pseudonymisierungs- und Anonymisierungslösungen.
Auch freiwillige Lösungen der Industrie können in diesem
Zusammenhang eine sinnvolle Lösung darstellen.
Datenschutz und Privatsphäre Neben einer notwendigen Expertise im Bereich der
technischen Verarbeitung sind klare Regeln und
Bei Smart-Data-Anwendungen, bei denen personenbe- Leitlinien beim Umgang mit allen Daten, insbesondere
zogene Daten verwendet werden, muss wie auch bei bei personenbezogenen Daten, unverzichtbar. Dazu
anderen Datenverarbeitungsprozessen das deutsche gehört nicht nur der technische Datenschutz, sondern
Datenschutzrecht berücksichtigt werden. Deutsches auch die Implementierung von Datenschutzregeln
Datenschutzrecht ist auch dann anwendbar, wenn ein in der eigenen Organisation, z. B. in Form von
nicht in der EU ansässiges Unternehmen im Inland Da- innerbetrieblichen Richtlinien und Schulungen der
ten erhebt, verarbeitet oder nutzt. Um sowohl für Unter- Mitarbeiter zum Umgang mit Daten.
nehmen als auch für Verbraucher zu größerer Rechts-
sicherheit beizutragen, können intensivere Aufklärung
und, sofern im Einzelfall gewünscht, auch Unterstützung Umsetzung von Smart-Data-Projekten
bei der Rechtsanwendung sinnvoll sein. Hierzu gehört
auch, dass illegale Datennutzungen und Datenmiss- „Datenspeicherung, -management, -sicherheit und -be-
brauch effektiv verfolgt und geahndet werden. reitstellung fordern von Unternehmen einen Aufwand,
Dies gilt auch für die teilweise vorgebrachten den einige von ihnen scheuen“, berichtet IDC in einer
Forderungen nach einer Nutzung der Daten nur nach seiner aktuellen Umfragen.3 Dass Investitionen bei der
Einwilligung des Betroffenen oder einer generellen Einführung von Smart-Data-Analysen anfallen ist klar,
Anonymisierung der Daten. Diese Vorgaben, die jedoch ist für deren Durchführung nicht automatisch der
zudem selbst vom deutschen Datenschutzrecht Austausch vorhandener Systeme erforderlich. Häufig ist
nicht vorgesehen sind, würden aber den Einsatz von es nur eine gezielte Ergänzung. Die Kosten hängen dabei
Big-Data-Anwendungen in wesentlichen Bereichen von den individuellen Anforderungen und Gegebenhei-
verunmöglichen. Hier gilt es, sachgerechte Lösungen ten des jeweiligen Anwenderunternehmens ab.
zu finden, die einen hohen Schutz der Privatsphäre des Die Menge an Daten, die Unternehmen im Blick haben
Einzelnen ermöglichen, aber gleichzeitig die Nutzung müssen, wächst unaufhaltsam, etwa in Form von Ma-
der erheblichen gesellschaftlichen und wirtschaftlichen schinendaten oder Informationen aus sozialen Netzwer-
Potenziale von Smart Data nicht ausschließen. ken. Diese Daten können bei der Produktentwicklung
Dies sollte auch bei der derzeitigen Überarbeitung hilfreich bzw. unverzichtbar sein und damit die Pro-
des EU-Datenschutzrechts berücksichtigt werden. dukteinführungszeit für neue Produkte verkürzen. Doch
Wichtig ist auch hier, dass Ansätze gefunden werden, für die Analyse der riesigen Datenmengen fehlen häufig
die hinreichend flexibel sind, um Innovationen und die technischen Möglichkeiten und Fähigkeiten. Dieses
Wachstum in der EU weiterhin zu ermöglichen. Dafür Problem kann durch die Verbindung von Smart Data mit
3 IDC-Studie: Big Data – Business Value in deutschen Unternehmen auf dem Prüfstand, Frankfurt am Main, 13. Dezember 2013.
Arbeitsgruppe 2 im Nationalen IT-Gipfel – 12 – Projektgruppe Smart DataSmart Data – Potenziale
und Herausforderungen
Elementen des Cloud Computings gelöst werden. Bei Einheitliche Analyse von
Cloud-Lösungen stehen IT-Ressourcen schnell, skalier- Unternehmensdaten
bar und nahezu in unbegrenztem Umfang zur Verfügung.
Neben fehlendem Expertenwissen sind die fehlende
unternehmensweite Datensammlung sowie mangelhafte
Mangel an Experten Datenintegration große Hürden. Jedoch ist genau
dies der Schlüssel für ein umfassendes Auswerten
Ein großes Hemmnis bei der Umsetzung von Smart-Da- der Unternehmens- und Kundendaten im Rahmen
ta-Projekte ist der Mangel an Experten, die in der Lage der gesetzlichen Regelungen. Meist führen einzelne
sind, entsprechende Analysen mit großen und hetero- Abteilungen ihre eigenen Datenbanken, auf die jedoch
genen Datenmengen durchzuführen.4 Häufig werden kein anderer Bereich Zugriff hat. Für die Durchführung
stattdessen Personen aus den eigenen IT-Reihen des einer unternehmensweiten Analyse der Daten ist die
Unternehmens eingesetzt, die noch keine oder wenig Infrastruktur vieler Unternehmen jedoch noch nicht
Erfahrung mit Smart-Data-Projekten haben. Es ist drin- ausgereift. Nicht nur der Datenfluss zwischen den
gend zu empfehlen, dass Unternehmen erst mit kleinen Abteilungen ist eingeschränkt, auch unterschiedliche
und mittleren Smart-Data-Lösungen starten. So können Prioritäten der Smart-Data-Anwendungen verzögern das
Mitarbeiter reale Erfahrung sammeln und diese in späte- Implementieren.
ren größeren Projekten erweitern. Eine zusätzliche Herausforderung ist die große Vielfalt
Die „Datenwissenschaft“ ist ein relativ neues und ein der Daten und Datenformate. Dies ist eine Problematik,
sehr komplexes Thema, das Wissen aus unterschiedli- die nicht erst durch Smart-Data-Analysen akut wurde,
chen Bereichen voraussetzt. Hier treffen sich Informa- sondern bereits seit der Einführung von Data-Warehou-
tik, Mathematik, Statistik, Datenschutz, Sicherheit und ses eine entscheidende Herausforderung darstellt.
im besten Fall spezifisches Branchenwissen. Häufig
werden Mitarbeiter für Smart-Data-Projekte eingestellt,
die Experten in ihrem speziellen Bereich sind, aber kein
nötiges Branchenwissen aufweisen. Dies führt dazu,
dass Smart-Data-Anwendungen im schlimmsten Falle
nicht den gewünschten inhaltlichen oder monetären
Erfolg bringen.
4 Teradata-Umfrage: Big Data Analytics ist Chefsache, Oktober 2013.
Arbeitsgruppe 2 im Nationalen IT-Gipfel – 13 – Projektgruppe Smart DataSmart Data – Potenziale
und Herausforderungen
6 Branchenspezifische Chancen und Herausforderungen bei Smart Data
Neben allgemeinen Hürden und Hindernissen bei auch neue innovative Geschäftsmodelle ermöglichen,
Smart-Data-Projekten gibt es zahlreiche spezifische beispielsweise personalisierte Angebote und Werbung.
Herausforderungen in den einzelnen Branchen. Im
Folgenden werden spezifische Hürden und Hindernisse
für die Branchen Energie, Forschung, Gesundheit, Energie
Einzelhandel und Industrie 4.0 zusammengetragen.
Die Energiewirtschaft in Deutschland ist nach § 7 EnWG
entbündelt, d. h., das Netz (Transport- und Verteilnetz),
Einzelhandel der Vertrieb, die Energieerzeugung und der Energiehan-
del sind rechtlich und operationell voneinander entfloch-
In Zeiten einer wachsenden Digitalisierung von ten. Ein freier Datenaustausch insbesondere zwischen
Handelspartnern und Konsumenten steht der dem Netzbetreiber und den anderen Gesellschaften
Einzelhandel vor neuen Herausforderungen. Es geht der Energieversorgung ist ausschließlich im Rahmen
nicht nur darum, die klassischen Stärken, wie z. B. der rechtlichen Notwendigkeiten erlaubt. Beispielswei-
die Verfügbarkeit der Waren, zu verbessern, sondern se werden Zählerdaten bei Privat- und Gewerbekunden
darum, dem Kunden am Point of Sale über existierende vom Netzbetreiber erhoben und mittels marktüblicher
und neue Vertriebskanäle, wie zum Beispiel über mobile Prozesse an den jeweils zuständigen Energievertrieb
Geräte, hinweg einen Mehrwert zu bieten. zwecks Erstellung einer Energieabrechnung weitergelei-
Die Bereitstellung und Verknüpfung von geeigneten tet. Dem Netzbetreiber ist es nicht gestattet, die von
Kanälen soll die Zukunfts- und Wettbewerbsfähigkeit ihm erhobenen Daten ohne Zustimmung des Kunden für
verbessern, die Kundenorientierung erhöhen und eine andere Zwecke zu nutzen.
stärkere Ausrichtung an eine sich schnell ändernde Im Gegensatz zum Übertragungsnetz ist das Verteilnetz
digitalisierte Konsumentenwelt gewährleisten. bisher mit wenig Sensorik ausgestattet. Der Grund hier-
So kann Smart Data u. a. die Entwicklung einer für liegt in der räumlich begrenzten Ausdehnung mög-
umfassenderen Sicht auf den Kunden und eines licher Netzstörungen und der damit verbundenen Not-
besseren Markt verständnisses sowie die Durch wendigkeit, Netzzustände zeitnah zu erfassen. Aufgrund
führung von Echtzeitanalysen über alle Absatzkanäle der zunehmenden dezentralen Einspeisung durch EEG-
oder eine dynamische Sortiments- oder Preisplanung Anlagen und der damit teilweise verbundenen Notwen-
unterstützen. digkeit der Steuerung des Netzes (Smart Grid) wird es
Der Einsatz von Smart Data im Einzelhandel muss in Zukunft aber notwendig sein, Netzzustandsdaten zu
einhergehen mit der Integration von heterogen erheben und diese dann weiter zu verarbeiten.
gewachsenen und dezentral verteilten ERP-Geschäfts Die Steuerung der Betriebselemente sowohl im
anwendungen, welche die heutigen Kernprozesse Übertragungs- als auch im Verteilnetz erfolgt über
und -funktionalitäten abbilden. Zur Ausnutzung des ein separates Kommunikationsnetz (PDV-Netz), das
Potenzials von Smart Data muss ein Verständnis vom öffentlichen Kommunikationsnetz abgetrennt ist.
gewonnen werden, welche Konsumentendaten relevant Der Grund hierfür liegt im vorbeugenden Schutz der
und unter Berücksichtigung der datenschutzrechtlichen Energienetze vor möglichen Manipulationsangriffen
Rahmenbedingungen nutzbar sind sowie einen aus öffentlichen Kommunikationsnetzen heraus. Die
Mehrwert für das operative Geschäft bringen können. Daten aus dem PDV-Netz werden bisher für öffentliche
Smart Data kann sowohl die herkömmlichen Prozesse, Analysen nicht zur Verfügung gestellt. Die sichere
wie zum Beispiel die Sortimentsplanung, optimieren als Energieversorgung steht bisher über allen Bedürfnissen,
mit analytischen Methoden weitergehende Erkenntnisse
Arbeitsgruppe 2 im Nationalen IT-Gipfel – 14 – Projektgruppe Smart DataSmart Data – Potenziale
und Herausforderungen
zu sammeln, dabei aber mögliche Sicherheitsrisiken Ein Beispiel für eine positive Zusammenarbeit zwischen
in Kauf zu nehmen. Die Nutzung netzrelevanter Daten Wirtschaft und Wissenschaft ist das Smart Data
mittels Data-Analytics-Anwendungen für das Transport- Innovation Lab. Das Smart Data Innovation Lab (SDIL)
und Verteilnetz muss gegen die Sicherheitsrisiken wurde gegründet7, um die Nutzung von Smart Data
abgewogen werden. Zukünftige steuerungsrelevante zu ermöglichen, deren Potenzial für die Industrie zu
Einheiten zur Einspeisebegrenzung von EEG-Strom im erschließen und exzellente Forschung zu unterstützten.
Verteilnetz werden aber die Frage nach der Trennung Die im SDIL angelegte enge Zusammenarbeit von
und den Schnittstellen der beiden Kommunikationsnetze Industrie und Wissenschaft schafft hier verbesserte
neu stellen. Voraussetzungen für Spitzenforschung und Innovation im
Bereich Data Engineering und Data Analytics für Smart
Data. Um diese Zusammenarbeit zu beschleunigen,
Forschung und Wissenschaft hat sich das SDIL zum Ziel gesetzt die Hürden bei der
Zusammenarbeit zwischen Wirtschaft und Wissenschaft
Die Menge der in Wissenschaft und Forschung zu identifizieren und anzugehen. Im SDIL können
anfallenden Daten hat in den vergangenen Jahren geschlossene Netzwerke von Wirtschaft und Wissenschaft
erheblich zugenommen. Die Auswertung und Analyse schnell eingerichtet werden, sodass die Kooperation in
der riesigen Datenmengen könnte dabei helfen, einem abgesicherten Rechtsrahmen vonstatten gehen
Antworten auf grundlegende Fragen zu finden und kann. Die Bereitstellung von technischer Ausrüstung und
neue wissenschaftliche Erkenntnisse zu gewinnen. professionellem Personal ist ebenso entscheidend wie
Entscheidungen, die bislang auf der Basis von klare und einfache Prozesse bei der Durchführung von
Schätzungen oder theoretischen Modellen getroffen Smart-Data-Analysen.
werden mussten, können heute auf der Basis
von konkreten Daten gefällt werden. Smart-Data-
Anwendungen bieten daher ein erhebliches Potenzial Gesundheit
für Wissenschaft und Forschung. Einen ersten Eindruck,
welches Potenzial in der Analyse großer Datenmengen Steigende Kosten und der zunehmende Wunsch nach ei-
steckt, vermitteln etwa Projekte in der Astrophysik, wie ner effizienteren und individualisierten Versorgung stellen
der Sloan Digital Sky Survey5, aber auch Projekte in der die modernen Gesundheitssysteme vor große Herausfor-
Medizin, wie das Human Brain Project6. Auch anderen derungen. Smart-Data-Anwendungen bieten in diesem Zu-
Disziplinen eröffnen Smart-Data-Anwendungen die sammenhang das Potenzial, die Qualität der medizinischen
Möglichkeit, die Art der wissenschaftlichen Erkenntnis Versorgung zu erhöhen und zu einer Verringerung der
gewinnung von Grund auf zu revolutionieren. Kosten beizutragen. Egal ob in der Diagnostik, im Behand-
Eine der Haupthürden bei der Zusammenarbeit z wischen lungsprozess oder der Prävention - im Versorgungsprozess
Wirtschaft und Wissenschaft bei der Nutzung der rund um den Versicherten werden heutzutage eine Menge
Potenziale von Smart Data ist die Unsicherheit bei der Daten generiert, die es sinnvoll zu nutzen gilt. Die Analy-
Weitergabe von Daten. Hier sind klare, aber standardisierte se und Integration dieser Daten mit weiteren Daten kann
technische Prozesse und juristische Regulierungen dazu beitragen, die Versorgung in höherem Maße patien-
notwendig, die sowohl eine vertrauensvolle und rechtlich tenorientiert und personalisiert zu gestalten. Smart-Data-
abgesicherte Grundlage als auch eine Basis zur zeitnahen Anwendungen spielen dabei eine wichtige Rolle. Auch die
Aufnahme der Zusammenarbeit zwischen Industrie und sogenannte evidenzbasierte Medizin profitiert erheblich
Wissenschaft ermöglichen. Dass dazu hohe technische von einer umfassenden Analyse unterschiedlicher Daten.
Sicherheit gehört, versteht sich von selbst.
5 Ein Projekt zur Vermessung und Kartierung des Himmels: http://sdss.org
6 Ein Projekt zur computerbasierten Modellierung und Simulation des menschlichen Gehirns: https://www.humanbrainproject.eu
7 Smart Data Innovation Lab: http://www.sdil.de.
Arbeitsgruppe 2 im Nationalen IT-Gipfel – 15 – Projektgruppe Smart DataSmart Data – Potenziale
und Herausforderungen
Bei der Entwicklung und Erprobung neuer Medikamente lagen für die Erhebung, Verbreitung und Nutzung von
können Smart-Data-Anwendungen zu effektiveren Gesundheitsdaten. Auch das ärztliche Berufsrecht
Wirkungs analysen und klinischen Studien von muss im Sinne einer modernen, vernetzten Behandlung
Medikamenten beitragen. Auch die tägliche Arbeit der („Fernbehandlungsverbot“) geändert werden.
Beteiligten am Versorgungsprozess des Versicherten Nicht zuletzt wirft die Integration und Analyse von
kann durch Smart-Data-Anwendungen positiv beeinflusst Gesundheitsdaten auch ethische und gesell schafts
werden: Strukturierte Datenanalysen und effiziente politische Fragen auf. In Zukunft wird es daher
digitale Programme bieten die Chance, zeitintensive entscheidend darauf ankommen, Lösungen zu finden,
Verwaltungstätigkeiten effektiver zu gestalten und durch die eine Balance zwischen den mit einer Verarbeitung
daten bankgestützte Anwendungen personalisierte von Gesundheitsdaten einhergehenden Bedenken und
Therapien und Behandlungen besser zu unterstützen. der durch die Technologie ermöglichten verbesserten
Eine große Herausforderung für die Nutzung von Smart- Versorgung herstellen.
Data-Anwendungen im Gesundheitswesen ist die Hete-
rogenität und Fragmentierung der medizinischen Syste-
me und Anwendungen. Dringend gebraucht werden in Industrie 4.0
Deutschland verlässliche Standards, um Daten seman-
tisch interoperabel nutzen zu können. Verpflichtende Durch die zunehmende Digitalisierung von Maschinen,
Standards fördern Innovation und geben der Industrie Infrastrukturen, Dienstleistungen und Management-
Investitions- und Planungssicherheit. Dabei darf es kei- prozessen bis hin zu HR-Prozessen entstehen neue
ne deutsche Sonderlösung geben - internationale aner- Möglichkeiten einer intelligenten und vernetzten Pro-
kannte Standards müssen lediglich verbindlich und ver- duktions- und Prozessautomatisierung. Das Konzept
pflichtend festgelegt werden. Hinzu kommt, dass eine Industrie 4.0 soll durch die gezielte Unterstützung von
Integration der Daten oftmals aus anderen Gründen Informations- und Kommunikationstechnologien ein
scheitert, wie etwa wegen des Standortes oder der Ver- neues Innovations- und Wachstumspotenzial ermögli-
bindung, über welche die Daten weiter verarbeitet wer- chen. Smart Data spielt in diesem Zusammenhang eine
den, oder auch wegen rechtlicher und regulatorischer wichtige Rolle, da ein nutzenorientiertes Zusammen-
Beschränkungen der Verarbeitung der Daten. spiel aller Industrie-4.0-Komponenten nur durch eine
Die im Gesundheitswesen anfallenden Daten enthalten leistungsstarke, sichere und flexible Daten-Infrastruktur
sogenannte Sozialdaten, dies sind stets personenbezo- voll ausgeschöpft werden kann. Auf Basis dieser Infra-
gene und datenschutzrechtlich sensible Informationen, struktur können neue wettbewerbsfähige Produkte und
so dass ihre Verarbeitung höheren Anforderungen unter- Dienstleistungen schneller entwickelt werden.
liegt. Pseudonymisierung und Anonymisierung kommen Der Einsatz von Smart Data in Industrie-4.0-Unterneh-
in diesem Zusammenhang ein hoher Stellenwert zu und men trifft auf eine sehr heterogen geprägte Landschaft
sie bilden die Grundlage für neue Ansätze einer Public- von Software-Systemen und Maschinen. Diese ist ge-
Health Versorgungsforschung. Sowohl die Telematikinf- prägt von unterschiedlichen Technologieparadigmen
rastruktur als auch alle geplanten und zukünftigen An- und einer Vielzahl unterschiedlicher Kommunikations-
wendungen der Gesundheitskarte müssen und werden protokolle, auf deren Basis Produktionsanlagen heute
die höchsten Sicherheitsstandards erfüllen. Welche An- Daten bereitstellen oder austauschen. Smart Data muss
wendungen aber jeder Patient individuell nutzen möch- mit dieser Heterogenität sowie mit immensen Daten-
te, hat der Gesetzgeber jedem Einzelnen selbst zuge- mengen und Kommunikationsgeschwindigkeiten um-
standen. Der Patient ist Herr seiner Daten. gehen können, ohne die Industrieunternehmen mit der
Klarheit geschaffen werden muss allerdings bei der IT-Komplexität zu überfordern. Speziell in kleinen und
Weiterentwicklung bestehender Gesetze. So enthalten
mittelständischen Unternehmen ist die Verfügbarkeit
das Bundesdatenschutzgesetz sowie andere Daten von IT-Spezialisten und von notwendigen IT-Systemen
schutzvorschriften keine ausreichenden Rechts grund nur bedingt gegeben.
Arbeitsgruppe 2 im Nationalen IT-Gipfel – 16 – Projektgruppe Smart DataSie können auch lesen
