V-Hub by Vodafone BusinessIoTIoT-VernetzungWas ist Big Data Analytics?
Person sitzt am Schreibtisch mit linker Hand auf der Tastatur, rechter Hand auf der Maus. Zweite Person deutet mit rechter Hand auf den Bildschirm
IoT

Was ist Big Data Analytics?

Vodafone-LogoV-Hub Redaktion
08.03.2021
11 Min.

    Mit Big Data Analytics können Unternehmen aus großen Datenmengen wichtige Erkenntnisse gewinnen. Das hilft ihnen bei Produktentwicklung, Produktionssteuerung und vielerlei Optimierungen von Marketing bis Logistik. Wesentliche Voraussetzung hierfür sind die richtigen Werkzeuge für die Datenhaltung und die eigentlichen Analysen.

    Daten sind für Industrieunternehmen heute ein wichtiges Produktionsmittel. Welche Maschinen könnten in Kürze ausfallen und benötigen eine zusätzliche Wartung? Kommen meine Produkte rechtzeitig bei den Kund:innen an – und falls nicht, was sind die Gründe?

    Solche und ähnliche Fragen beantwortet die Industrie 4.0 mit Big-Data-Analyseverfahren. Die Möglichkeiten sind vielfältig. Um von ihnen zu profitieren, müssen Unternehmen allerdings auch die nötigen Voraussetzungen schaffen, um große Datenmengen managen zu können.

    Inhaltsverzeichnis

    Was ist Big Data Analytics?Die vier oder fünf V von Big DataBig Data Analytics in der Industrie 4.0Wie funktioniert Big Data Management?

    Was ist Big Data Analytics?

    Nach in der IT-Welt gängiger Definition bezeichnet „Big Data“ Datenmengen, die beispielsweise zu groß, zu komplex, zu schnelllebig oder zu schlecht strukturiert sind, um sie mit herkömmlichen Methoden der Datenverarbeitung auszuwerten. Ihre Analyse verspricht aber dennoch wichtige Einblicke und Erkenntnisse, weshalb zu diesem Zweck andere, neuartige Methoden zum Einsatz kommen müssen.
    Die Branchen-Plattform IT Chronicles zitiert die Hochrechnung, dass schon heute Unternehmen täglich 2 Exabytes (2 Milliarden Gigabytes, 218 Bytes) an Daten erzeugen.
    Diese umfangreichen Datenmengen können aus unterschiedlichen Quellen stammen – zum Beispiel Transaktionssystemen, Kund:innen-Datenbanken oder medizinischen Diagnostiksystemen.

    Große Datenmengen liefern Einblicke

    Zielsetzung von Big Data Analytics ist es, Muster, Korrelationen, Trends oder auch Kundenpräferenzen zu erkennen. Diese Ergebnisse helfen Unternehmen dabei, fundierte Geschäftsentscheidungen zu treffen. Auch eine automatisierte Beurteilung von betrieblichen Abläufen wird so überhaupt erst möglich.
    Die Analyse großer Datenmengen umfasst drei aufeinander aufbauende Prozessschritte:
    Datenbeschaffung – Unternehmen stehen vor der Aufgabe, die zur Analyse vorgesehenen Datenquellen zu erschließen, ihre Qualität zu bewerten beziehungsweise sicherzustellen, sie in geeigneten Dateiformaten bereitzustellen und den Datenfluss so zu strukturieren, dass die Aktualität und Relevanz der Daten gewährleistet bleibt.
    Datenaufbereitung – Häufig ist für die nachfolgende Analyse eine vorherige Bereinigung, Fehlerbehebung und Filterung der Daten erforderlich.
    Datenauswertung – Für die Auswertung der gesammelten und aufbereiteten Daten stehen dann verschiedene Analyseverfahren zur Auswahl. Hierzu zählen beispielsweise „Data Mining”, Machine Learning und Business Intelligence. Die jeweiligen Schwerpunkte und Besonderheiten dieser Analysetypen stellen wir im Folgenden noch detaillierter vor.

    Die vier oder fünf V von Big Data

    Die Unternehmensberatung Gartner hat das Konzept „Big Data Analytics” mit den „vier V’s” beschrieben – vier unterschiedliche, einander ergänzende Dimensionen der zu analysierenden Datenbestände. Diese Darstellung ist in der IT-Welt mittlerweile weit verbreitet:
    Volume – Big Data ist von extrem großen Datenmengen gekennzeichnet.
    Variety – Vielfalt, vor allem im Hinblick auf die Datenstrukturen und -inhalte. Big Data Analytics steht dabei vor der Herausforderung, Erkenntnisse auch aus unstrukturierten Daten abzuleiten.
    Velocity – Daten entstehen in hoher Geschwindigkeit und müssen in diesem Tempo auch verarbeitet werden. Manche Anwendungsfälle erfordern die Analyse großer Datenmengen in nahezu Echtzeit.
    Veracity – die „Wahrhaftigkeit” der Daten oder etwas weniger hochtrabend formuliert, die Datenqualität, ist eine entscheidende Voraussetzung dafür, dass die aus Big Data Analytics abgeleiteten Erkenntnisse auch wirklichen Nutzen bringen.
    Mittlerweile ergänzen viele Darstellungen diese klassischen vier V’s durch ein fünftes:
    Value – damit soll betont werden, dass Big Data Analytics selbstverständlich auf das Erzielen von Mehrwerten beziehungsweise „Business Value” abzielt. Zusätzliche Wertschöpfung ist das zentrale Ziel der Auswertung von Big-Data-Beständen.

    Big Data Analytics in der Industrie 4.0

    In der Industrie 4.0 werden Maschinen, Sensoren, Aktoren und Steuersysteme miteinander verknüpft. Dabei entstehen riesige Datenmengen. Intelligent genutzt lassen sich daraus wichtige Erkenntnisse und Handlungsempfehlungen gewinnen. Die Chancen, die sich aus diesen Werkzeugen ergeben, sollten Unternehmen nicht verpassen.
    Das Statistikportal Statista gibt an, dass der weltweite Big-Data-Markt bis 2027 auf ein Volumen von 103 Milliarden US-Dollar wachsen wird. Im Vergleich zu der für 2020 ausgewiesenen Marktgröße (56 Milliarden US-Dollar) ist das nahezu eine Verdopplung.
    Der erste Schritt für Unternehmen, von diesem immensen Wachstum zu profitieren, besteht darin, die erforderlichen Daten zu aggregieren. Dies ist Teil der Vernetzung und des Monitorings etwa von Produktionsanlagen oder von nachgelagerten IoT-Sensoren. Sensoren kontrollieren etwa die Qualität der erzeugten Produkte, erfassen Lagerbestände oder zählen beispielsweise in der chemischen Industrie die Durchflussmengen in Leitungen. In den nachfolgenden Schritten folgen dann die Aufbereitung und die Auswertung der Daten.
    Empfohlener externer Inhalt
    Hier ist ein Video-Inhalt von YouTube. Er ergänzt die Informationen auf dieser Seite.
    Sie können ihn mit einem Klick anzeigen und wieder ausblenden.
    Ich bin einverstanden, dass externe Inhalte angezeigt werden. So können personenbezogene Daten an Drittplattformen übermittelt werden. Mehr in unserer  Datenschutzerklärung.
    Datenschutzerklärung
    In jeder dieser Phasen spielen Mobilfunk und insbesondere der Vernetzungsstandard Narrowband IoT beziehungsweise LTE-M eine wichtige Rolle. Diese Technologien binden Maschinen und Sensoren selbst an entlegenen Standorten schnell und unkompliziert in die unternehmenseigenen Monitoring-Systeme ein. Und sie gewährleisten den Transport der Daten zu den übergeordneten Analyse-Instanzen wie etwa Business-Intelligence-Software oder KI-basierten Analysesystemen.
    Lageristin arbeitet am Tablet

    IoT-Projekte anwendungsoptimiert umsetzen

    Sowohl NB-IoT als auch LTE-M profitieren von globaler Netzabdeckung und der Standardisierung und Unterstützung durch führende Telekommunikations-Gremien und -Anbieter. Doch im Detail gibt es wichtige Unterschiede. Laden Sie jetzt unser Gratis-Whitepaper zu beiden IoT-Vernetzungsarten und erfahren Sie, welches Protokoll für welchen Einsatzzweck am geeignetsten ist.

    Wie funktioniert Big Data Management?

    Im Idealfall liegen die Daten in einem geeigneten, genau definierten Format vor. Man spricht dann von „strukturierten” Daten. Oft sind die Ausgangsdaten aber unstrukturiert beziehungsweise für die geplante Weiterverarbeitung ungünstig formatiert. Bisweilen liegen Daten auch in einem „halbstrukturierten” Format vor, das zwischen diesen beiden Kategorien liegen – etwa im Falle von Daten, die zwar formatiert sind, deren Struktur aber nicht eindeutig (beispielsweise innerhalb einer Datenbank) definiert ist.
    Deshalb ist es wichtig, die Daten auf die Big Data Analyse vorzubereiten. Dazu müssen die Systeme die Daten nicht sammeln, sondern auch bereinigen, organisieren und strukturieren. Dazu zählt unter anderem, fehlerhafte Datensätze, Inkonsistenzen oder Duplikate zu erkennen und zu entfernen.

    Unterschiedliche Analysenmethoden und -wege

    Da jede Analyseplattform eigene Anforderungen an die Rohdaten stellt, zählt die Vor- und Aufbereitung der Daten meist zum Funktionsumfang der eingesetzten Analysewerkzeuge. Auch hier gibt es unterschiedliche Vorgehensweisen, beispielsweise „Stream Analytics“. Hierbei werden Auswertungen aus einem ständigen Datenstrom abgeleitet. Oder die Analyse nutzt nicht-relationale Datenbanken, die sich besonders gut zum Speichern großer Mengen an unstrukturierten Daten eignen. Dafür gibt es zum Beispiel Data Warehouses (für Analysen optimierte Datenbanken) oder Distributed-Storage-Systeme (Datenhaltung über mehrere, räumlich verteilte Server).
    Spezialisierte Software sorgt dann für die Integration, Vorverarbeitung, Qualitätssicherung und Strukturierung der Daten, um die anschließenden Analysen zu ermöglichen.
    Um einen schnellen Zugriff auf die zu analysierenden Daten zu ermöglichen, benötigen Unternehmen eine speziell geeignete IT-Infrastruktur – einzelne Server sind durch Big-Data-Anwendungen schnell überfordert. Die Kosten für den Betrieb entsprechender Data Center können schnell sehr hoch werden. Als Alternative bieten sich daher Cloud-Lösungen an. Public-Cloud-Angebote etwa auf Basis des Hadoop File Systems (HDFS), Amazon Simple Storage Service (Amazon S3) oder relationale beziehungsweise NoSQL-Datenbanken erlauben häufig eine unbegrenzte Erweiterung der Speicherkapazitäten.
    Übereinander angeordnete Lüfter von Festplatten in einem Rechenzentrum.

    Flexible Speicher-Lösung: Vodafone Total Cloud Storage

    Storage wird zu einem der größten Kostenfaktoren unter den IT-Ausgaben.

    Buchen Sie unsere Angebote einfach zu Ihrer Vodafone Total Cloud-Lösung dazu.

    Vodafone Total Cloud Storage hat die ISO 27001-Zertifizierung und basiert auf aktuellster Technologie.

    Wir garantieren wir Ihnen bis zu 99,99 % Verfügbarkeit, je nach Lösung.

    Durch umfangreiche Backup- und Restore-Lösungen schützen Sie Ihre Produktionsdaten vor Korruption, Verlust und versehentlichen Löschungen.

    Mehr zu Vodafone Total Cloud Storage

    Business Analytics: Wie Big Data in der Industrie 4.0 für mehr Wachstum sorgt

    Aus dem Einsatz von Big Data Analytics ergeben sich für Unternehmen klare Vorteile. Einmal eingerichtet, liefern die Datenanalysen schnell und zeitnah einen Überblick über große, unübersichtliche Datenbestände.
    Auf deren Basis lassen sich wiederum schnellere und besser fundierte Entscheidungen treffen: von Detailfragen wie Preisgestaltung und Produktkonzeption über Lieferketten und Produktionsplanung bis hin zu übergreifenden Geschäftsstrategien. Tiefere Einblicke in Verhalten, Vorlieben und Erwartungen der Kund:innen ermöglichen eine bessere Ausrichtung von Produkten und Diensten.
    Dabei können im Kontext von Industrie 4.0 die zu analysierenden Daten direkt aus der laufenden Produktion stammen oder auch aus vorgeschalteten Prozessen stammen – wie etwa dem Bestellverhalten von Kunden, Logistik-Updates zur Teileverfügbarkeit oder Qualitätsanalysen von Zuliefererprodukten beziehungsweise Rohstoffen.

    Nachhaltigerer Geschäftserfolg dank Big Data Analytics

    Im besten Fall führen die Analyseergebnisse zu effizienteren Prozessen und Optimierungen im Geschäftsablauf. Dies ist wiederum eine wichtige Grundlage für Kosteneinsparungen sowie gegebenenfalls höhere Erlöse – und kann auch die Basis für ganz neue Geschäftsmodelle darstellen.
    All dies trägt unter dem Strich zu erfolgreicherem Wirtschaften, mehr Wachstum und zur Sicherung des Geschäftserfolgs bei.
    Dies gilt für viele Branchen. Als exemplarisches Beispiel dient etwa der Einsatz von Big Data Analytics in der Medizin:
    • Zusammenhänge bei der Prävention von Krankheiten lassen sich schneller erkennen.
    • Erkrankungen können früher diagnostiziert werden.
    • Programme können evidenzbasierte Diagnose und Therapien vorschlagen.
    • Patienten können schneller behandelt werden.
    • Unnötige Behandlungen und Untersuchungen lassen sich reduzieren.
    • Kliniken, Ärzte und das gesamte Gesundheitswesen können Kosten sparen.
    In der Energiewirtschaft unterstützen Big-Data-Analysen die Identifikation potenzieller Bohrgebiete oder zur Überwachung des Stromnetzes. Finanzdienstleister nutzen das Verfahren etwa für Risikomanagement oder für die Analyse von Marktdaten in Echtzeit.
    Bei Anwendungen etwa in der Energiewirtschaft, der Logistik, in der smarten Landwirtschaft und ähnlichen Bereichen sind es nicht zuletzt IoT-Sensoren, die für den konstanten Fluss an analysierbaren Daten sorgen.
    Eine Frau und ein Mann stehen auf einer Baustelle

    Jetzt mit IoT Easy Connect durchstarten

    Zwei sorgenfreie IoT-Prepaid-Tarife ermöglichen Ihr eigenes IoT-Projekt auf Basis unseres Hochleistungsnetzes:

    • IoT Easy Connect 2G/4G für hohe Datenraten
    • IoT Easy Connect 2G/NB-IoT/LTE-M für schwierige Bedingungen
    Rückruf vereinbaren

    Big Data Analytics: Anwendungsbereiche für komplexes Data-Mining

    Die Einsatzmöglichkeiten von Big Data Analytics sind sehr vielfältig und hängen von unterschiedlichen Faktoren ab:
    • Branche und Geschäftsmodell
    • dem bereits erzielten Maß an Vernetzung in der Produktion und den vor- und nachgelagerten Betriebsprozessen oder
    • dem Grad an Digitalisierung der produzierten Waren selbst
    Dabei gibt es verschiedene Anwendungsbereiche:
    Produktionssteuerung und Qualitätskontrolle: Unternehmen beziehen Daten aus dem Produktionsprozess oder aus der Analyse fertig produzierter Produkte. Diese Daten können sie etwa zur Steuerung und Überwachung der Produktion nutzen – und zur Qualitätskontrolle. Hierfür kommen etwa Sensordaten, aber auch Bild- und Videoanalysen in Frage.
    Produktentwicklung und -optimierung: Big Data Analytics kann Erkenntnisse zum Verhalten eines Produkts über seinen gesamten Lebenszyklus liefern. Das hilft bei der  Entscheidung, ob neue Produkte entwickelt oder bestehende Produkte verbessert werden sollen.
    Kund:innen-Akquise und -Bindung: Ein besseres Verständnis der Erwartungen und Nutzungsgewohnheiten der Anwender:innen sowie der Markttrends unterstützt Unternehmen beim Marketing, kann die Zufriedenheit der Kund:innen erhöhen und die Beziehungstiefe zu den Kund:innen verbessern.
    Preisoptimierung: Aus der Analyse vergangener Verkäufe, dem Erfolg von Sonderangeboten und auf Basis intelligenter Modellierungen können Unternehmen und Händler ihre Preisgestaltung optimieren – und damit je nach Zielsetzung Marktanteile, Umsatz oder Erlös maximieren.
    Lieferketten- und Channel-Optimierung: Vorausschauende Analysen unterstützen bei der Planung und Überwachung von Lieferketten, Bestandsmanagement, Logistik-Optimierungen, Effizienzsteigerungen in Absatzkanälen und vielen ähnlichen Szenarien. So können Unternehmen Lieferengpässe oder Nachfrageveränderungen früher erkennen.
    Risikomanagement und Entscheidungsfindung: Mit der Unterstützung durch Business Analytics Software gewinnen Unternehmen tiefere Einblicke und können so bessere Entscheidungen in kürzerer Zeit treffen. Big-Data-Analysen können außerdem bei der Identifikation von Risiken helfen und so das Risikomanagement verbessern.
    Außer in der Industrieproduktion kommen ähnliche Vorteile auch in anderen Branchen zum Tragen. Zum Beispiel im medizinischen Bereich: Patient:innen können wichtige Gesundheitsparameter einfach zu Hause messen, wie zum Beispiel Blutdruck, Blutzucker oder Herzrhythmus. Ärzt:innen können die Daten anschließend zentral und unter Einhaltung der Datenschutzgesetze auswerten, um individuelle und insgesamt bessere Behandlungspläne zu erstellen. Energieversorger können Messeinrichtungen per Fernwartung auslesen und sparen sich so den Aufwand für Besuche vor Ort. Kund:innen und Unternehmen erkennen damit frühzeitig, wenn etwa ihre Verbräuche unerwartet steigen.
    Ähnliche Beispiele gibt es auch in vielen anderen Branchen.

    Analyse von Produktionsdaten für mehr Aussagekraft

    Sensorgestützte Analysen von Produkten direkt im Produktionsprozess sind längst ein wichtiger Baustein in der Qualitätssicherung. Wenn etwa Abweichungen von Norm-Maßen oder anderen Soll-Eigenschaften sofort erkannt werden, können Unternehmen in der Produktion zeitnah gegensteuern. Was für einzelne Messwerte gilt, gilt auf höherer und komplexerer Ebene ebenso für die aggregierten Ergebnisse der Analysen größerer Datenmengen.

    Prädiktive Analysen in der Produktion und bei den Kund:innen

    In diesem Zusammenhang sind nicht nur Daten relevant, die während des Produktionsprozesses im unmittelbaren Umfeld eines Unternehmens entstehen. Wenn Sensorik Teil des Produkts ist, lassen sich Daten auch im laufenden Betrieb bei Kund:innen erfassen.
    Dies ermöglicht:
    • Langzeit-Analysen der Produktqualität unter den tatsächlichen Einsatzbedingungen,
    • Analysen von Nutzungsmustern und -gewohnheiten der Anwender:innen
    • sowie nicht zuletzt die Erfassung von Verschleiß oder sich abzeichnenden Ausfällen.
    Dieses Anwendungsfeld wird auch als prädiktive oder vorausschauende Wartung (englisch: Predictive Maintenance) bezeichnet.
    Im Übrigen liegen solche Analysen nicht nur im Interesse eines Herstellers, sondern auch seiner Kund:innen. So kann es nicht nur Kosten sparen, wenn Wartungen und Reparaturen nicht nach starren Zeiträumen, sondern abhängig von Verschleiß und Ausfallwahrscheinlichkeit erfolgen. Vor allem verhindert die prädiktive Wartung, dass teure Ausfälle von Maschinen, Anlagen und Einrichtungen überhaupt erst auftreten. Beispiele dafür sind etwa Aufzüge oder Rolltreppen.
    Empfohlener externer Inhalt
    Hier ist ein Video-Inhalt von YouTube. Er ergänzt die Informationen auf dieser Seite.
    Sie können ihn mit einem Klick anzeigen und wieder ausblenden.
    Ich bin einverstanden, dass externe Inhalte angezeigt werden. So können personenbezogene Daten an Drittplattformen übermittelt werden. Mehr in unserer  Datenschutzerklärung.
    Datenschutzerklärung

    Analytics Tools und Services: Wie sich Big-Data-Technologien unterscheiden

    Big-Data-Analyse kann nach unterschiedlichen Verfahren erfolgen. Unternehmen sollten das geeignete Tool oder Verfahren so einsetzen, dass es zur Anwendung beziehungsweise zum gewünschten Ergebnis passt.

    Unterschiedliche Werkzeuge je nach Aufgabenstellung

    Häufig basiert die Analyse auf Machine Learning beziehungsweise Deep Learning. Diese Methoden zur Nutzung künstlicher Intelligenz (KI) eignen sich besonders dafür, Muster, Zusammenhänge und Beziehungen zwischen Daten zu erkennen.
    Neben KI-basierten Analyse-Tools stehen aber auch klassische Algorithmen zur Verfügung, die nicht auf künstliche Intelligenz setzen. Sie werden auch als Data-Mining-Tools bezeichnet und können wiederum unterschiedliche Schwerpunkte wie „Text Mining“ oder statistische Analysen haben. Beide Verfahren können grundsätzlich auch für Bild- und Videoanalysen zum Einsatz kommen.
    Wenn Sie Trends erkennen oder Kundenverhalten und andere Entwicklungen vorhersagen wollen, gibt es dafür spezialisierte Tools, die meist unter dem Stichwort „Predictive Analytics” laufen.
    Darüber hinaus gibt es Business-Intelligence-Software, auch „Business Analytics” genannt. Sie liefert in erster Linie Kennzahlen und Visualisierungen zur Unternehmensplanung und -steuerung. Entsprechende Systeme leiten diese Kennzahlen durch intelligente Auswertung aus der Gesamtheit oder Teilmengen der im Unternehmen anfallenden Daten ab.

    Das Wichtigste zu Big Data Analytics in Kürze

    • Big Data Analytics ermöglicht es Unternehmen, aus großen Datenmengen wichtige Erkenntnisse zu gewinnen und daraus Handlungsempfehlungen abzuleiten.
    • Dafür müssen die Daten auf sinnvolle Weise gesammelt werden. Mobilfunk und Narrowband IoT beispielsweise können dabei helfen.
    • Für die Analyse und Aufbereitung der Daten gibt es unterschiedliche spezialisierte Softwarelösungen, die von der konkreten Ausgangssituation und Zielsetzung abhängen.
    • Der Einsatz von Big Data kann Unternehmen mehr Wachstum, Effizienzsteigerungen und Prozessoptimierungen ermöglichen.
    • Einsatzmöglichkeiten liegen unter anderem in der Produktionssteuerung und Qualitätskontrolle, Produktentwicklung und -optimierung, Kund:innen-Akquise und -Bindung, Optimierung von Preisen, Lieferketten, Logistik und Absatzkanälen sowie im Risikomanagement und der strategischen Entscheidungsfindung von Unternehmen.
    Vodafone-LogoV-Hub Redaktion
    08.03.2021
      # Tags:IoT-VernetzungDigitalInnovationKünstliche Intelligenz
      Das könnte Sie auch interessieren:
      IoT
      Eine Hand ist als Umriss zu sehen. Sie hält eine Weltkugel mit den Buchstaben ESG. Darüber gruppieren sich Symbole für Umweltschutz, Finanzen, Menschen, Technologie und Rechtsvorschriften.

      (ESG) UN-Nachhaltigkeitsziele in Unternehmen umsetzen: So geht‘s

      Ob Zero Waste, Recycling für die Kreislaufwirtschaft oder Diversität: Es gibt viele Konzepte, um die UN-Nachhaltigkeitsziele der 2015 verabschiedeten Agenda 2030 zu erreichen. Die Halbzeitbilanz zeigt jedoch, dass die grüne Transformation bislang zum Teil weit hinter den gesetzten Zielen zurückbleibt. Erfahren Sie hier, wie Unternehmen die UN-Nachhaltigkeitsziele umsetzen können und welche Technologien sie dabei unterstützen. Mit ihren 17 Zielen für eine nachhaltige Entwicklung (Sustainable Development Goals, SDGs) wollen die Vereinten Nationen bis 2030 sicherstellen, dass die natürlichen Lebensgrundlagen erhalten bleiben und auf dem Planeten Erde ein menschenwürdiges Leben ermöglichen. Für Unternehmen in der EU bieten die ESG-Kriterien einen guten Kompass auf dem Weg zu Nachhaltigkeit. ESG steht für Environmental, Social and Governance (Umwelt, Soziales und Unternehmensführung). Die ESG-Kriterien machen betriebliche Nachhaltigkeitsleistungen messbar und vergleichbar. Moderne Technologien wie das Internet of Things (IoT) und eine effiziente Cloud-Nutzung leisten in Betrieben schon jetzt einen wichtigen Beitrag zur Nachhaltigkeit.

      Weiterlesen
      Telefon

      Digitalisierungs-Beratung

      Sie haben Fragen zur Digitalisierung? Jetzt kostenlos beraten lassen. Montag-Freitag von 8-20 Uhr, außer an Feiertagen.

      0800 505 4512

      Hilfe und Service

      Montag bis Freitag von 8 bis 20 Uhr, außer an Feiertagen.

      0800 172 1234
      Online
      Vor Ort