• Start
V-Hub by Vodafone BusinessCloud & HostingCloudBig Data: Der Datenturbo für neue Geschäftsmodelle
Schmuckbild
Cloud & Hosting

Big Data: Der Datenturbo für neue Geschäftsmodelle

Portrait von Dr. Lorenz SteinkeLorenz Steinke
31.07.2025
16 Min.

    Big Data wird oft als „Gold des Informationszeitalters“ bezeichnet. Ob die Bezeichnung gerechtfertigt ist und welches Potenzial auch in Ihren Geschäftsdaten steckt, erfahren Sie hier in unseren Beispielen zu Big Data.

    Vom Verkehrssektor bis zur Energiewirtschaft und vom Einzelhandel bis zum Gesundheitswesen: Immer mehr Unternehmen schürfen in ihren Geschäftsdaten nach versteckten Werten. Ein Blick auf Wirtschaft und Gesellschaft im Zeichen von Big Data.

    Inhaltsverzeichnis

    Was ist Big Data?Big Data im EinzelhandelBig Data im GesundheitssektorBig Data im Finanzwesen

    Was ist Big Data?

    Der Begriff „Big Data“ (auf Deutsch: „große Datenmengen“) bezeichnet große Datenbestände, die durch die Digitalisierung heute in vielen Branchen anfallen und gespeichert werden. Dazu gehören Kundendaten und andere von Menschen generierte Informationen.
    Zu Big Data gehören aber auch Sensordaten und Prüfprotokolle aus der industriellen Fertigung, digitalisierte Röntgenbilder aus dem Krankenhaus und Bewegungsdaten im Straßenverkehr – also alle Daten, die in Unternehmen, Behörden und anderen Organisationen gesammelt und gespeichert werden. Diese Datenmengen wachsen ständig an. Denn nicht nur Sensoren werden immer schneller, leistungsfähiger und genauer. Auch Kameras an Fertigungsstraßen oder in autonomen Fahrzeugen erzeugen mehr Daten, indem sie beispielsweise mit 4K- oder 8K-Auflösung aufnehmen. Schnelle Mobilfunknetze auf 5G-Basis übertragen die Daten von den im Internet der Dinge (IoT) vernetzten Anlagen direkt in die Firmen-Cloud.
    Für das Jahr 2025 schätzen Expert:innen die weltweit gespeicherte Datenmenge auf über 100 Zettabyte. Jedes Zettabyte entspricht etwa 1 Milliarde Standardfestplatten mit je 1 Terabyte Speicherplatz. In vielen dieser Daten stecken wertvolle Informationen für Unternehmen, beispielsweise über mögliche Verbesserungen in der Fertigung, über das Einkaufsverhalten der Kund:innen oder über das zukünftige Potenzial neuer Produkte. Aber um diese Informationen in den Datenbeständen zu finden, müssen die Informationen erst strukturiert und aufbereitet werden. Dieser Prozess heißt auch Big Data Analytics.
    Big Data Analytics ist ein Teilbereich der Business Intelligence (auf Deutsch: Geschäftsanalytik). Die Business Intelligence umfasst alle Methoden und Prozesse, mit denen ein Unternehmen datenbasiert seine eigenen Abläufe optimiert oder neue Geschäftsfelder erforscht. Letzteres wird auch als Business Development oder Geschäftsentwicklung bezeichnet.
    In großen Unternehmen und Forschungseinrichtungen, wo besonders viele Daten anfallen und untersucht werden, zeichnet sich bereits eine Aufgabenteilung bei der Big-Data-Analyse ab. Dadurch entstanden in den vergangenen Jahren neue Berufsbilder: Sie sind an verschiedenen Schnittstellen verortet und befassen sich mit ganz unterschiedlichen Aufgabenstellungen bei der Analyse von Big Data – einige Beispiele:
    • Data Scientists suchen nach allgemeinen Zusammenhängen und strategischen Informationen in Big-Data-Beständen.
    • Data AI Scientists nutzen zusätzlich künstliche Intelligenz (KI), um Big Data tiefergehend zu analysieren.
    • Data Analysts haben ihren Arbeitsschwerpunkt in der Aufbereitung und Visualisierung von Ergebnissen, die sich mit konkreten Teilfragen beschäftigen. Dabei arbeiten sie besonders eng mit Entscheider:innen, Marketingplaner:innen und dem Business Development zusammen.
    • Analytics Engineers entwickeln und trainieren KI-Modelle, die mit Big Data arbeiten.
    • Data Prompt Engineers entwickeln Algorithmen und Prompts für generative KI, um so automatisierte Big-Data-Analysen zu erstellen.

    Big Data im Einzelhandel

    Im Einzelhandel ist Big Data Analytics bereits in vielen Unternehmen gelebte Praxis. Hier baut sie auf bewährte Vorgängerprozesse aus Zeiten analoger Kassen- und Lagersysteme auf. Denn Regalplatz war im Einzelhandel immer schon knapp und teuer – und auch Lagerhaltung ist im sehr kostensensitiven Retail-Sektor ein bedeutender Kostenfaktor.
    Heute werden im Einzelhandel längst nicht mehr nur die verkauften Waren am Point of Sale erfasst. Auch Uhrzeit, Wochentag, Jahreszeit und Kontext des Einkaufs (großer Wocheneinkauf versus Spontankauf) werden geclustert. Dabei entstehen immer neue Fragen, die mit Big Data beantwortet werden können, beispielsweise:
    • Welche Waren kaufen Kund:innen zusammen ein? Lohnt es beispielsweise im Supermarkt, Wein in der Nähe der Kartoffelchips zu platzieren oder im Baumarkt die Bohrmaschine mit einem Sortiment Dübel der Hausmarke zu kombinieren?
    • Welche Käufertypen lassen sich aus den Daten modellieren? Wie empfänglich sind diese Personae (typische Beispiel-Käufer:innen) für Werbemaßnahmen, Angebotspreise, Gewinnspiele oder Treueprogramme?
    • Welche Produkte sind für Kund:innen in unterschiedlichen Regionen oder sozialen Milieus interessant?
    • Wie müssen Supermärkte ihre Sortimente für kleinere Ladenformate in Citylagen oder für Filialen mit reinem Self-Check-out ohne Kassenpersonal anpassen?
    Die Big-Data-Analyse ist Teil einer Digitalisierung, die im Einzelhandel auch als Retail Tech bezeichnet wird. Der Begriff beschreibt die Etablierung neuer Technologien und Prozesse auf allen Ebenen der Vertriebskette – von den produzierenden Unternehmen bis zu den Konsument:innen.
    Die Ziele von Big-Data-Analytics im Einzelhandel sind:
    • Bewertung neuer Produkte und Produktkategorien
    • Minimierung der Lagerhaltung
    • Optimierung von Regalplatzierungen
    • Steigerung der Kundenzufriedenheit
    • Verbesserung von internen Abläufen
    • Optimierung des Personaleinsatzes
    • Monitoring von Marketingmaßnahmen und Marketingkanälen
    • Einsparung von Kosten

    Beispiel: Big Data bei Rewe

    Die Rewe Group ist mit rund 21 % Marktanteil einer der größten Akteure im deutschen Lebensmitteleinzelhandel. Am Kölner Konzernsitz hat das Unternehmen einen eigenen Fachbereich für die Business-Analyse namens REWE Analytics geschaffen. Hier sind rund 130 Mitarbeitende im Einsatz, die täglich etwa 8 Millionen Kassenbons aus 6.500 Filialen auswerten. Auch viele andere Informationen aus dem Konzern laufen hier zusammen und werden mit den Bondaten verknüpft. Rewe beschäftigt zudem eigene KI-Entwickler:innen, die die vorhandenen Metriken und Prozesse laufend optimieren.
    Für die kommenden Jahre sehen Expert:innen große Veränderungen im Einzelhandel: Einerseits gibt es einen steigenden Preisdruck durch die allgemeine Teuerung. Zugleich stehen die Unternehmen vor neuen Herausforderungen wie der zunehmenden Konkurrenz im Onlinehandel und durch Lieferdienste. Hier muss sich Rewe gegen Wettbewerber wie Edeka/Picnic, Knuspr und Flaschenpost behaupten. Mithilfe von Big Data Analytics will das Unternehmen seinen Marktanteil erhalten oder sogar ausbauen.
    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

    Big Data im Gesundheitssektor

    Auch der Gesundheitssektor in Deutschland steht vor großen Herausforderungen und muss zugleich stärker auf die Kosten schauen. Rund 13 Milliarden Euro könnten allein die gesetzlichen Krankenkassen durch eine konsequente Digitalisierung und den vermehrten Einsatz von KI einsparen. Zu diesem Ergebnis kommt eine Untersuchung der Wirtschaftsprüfer von Deloitte aus dem Jahr 2025.
    Neben dem Kosten- gibt es auch ein Zeitproblem. Noch immer laufen viele Prozesse im Gesundheitswesen händisch ab, obwohl sie längst automatisiert sein könnten. Das gilt beispielsweise an den Schnittstellen zwischen Krankenhäusern, haus- und fachärztlichen Praxen sowie Apotheken und Krankenkassen, die in Deutschland nur unzureichend digitalisiert sind.
    Beispielsweise verbringt medizinisches Personal wertvolle Arbeitszeit mit dem Erstellen von Dokumentationen und Arztbriefen, obwohl diese Zeit im Umgang mit Patient:innen besser genutzt werden könnte. Ein weiteres Problem sind Doppeluntersuchungen, die anfallen, weil Informationen aus Patientenakten nicht allen Behandelnden rechtzeitig vorliegen.
    Auch hier kann Big Data Analytics beim besseren Einsatz von Ressourcen unterstützen. Zukünftig sollen durch die Auswertung großer Datenmengen viele Krankheiten früher diagnostiziert und Patient:innen zielgerichteter behandelt werden. Auch für die Prävention erhoffen sich Mediziner:innen neue Impulse: Big Data Analytics soll dabei helfen, die Effizienz von gesundheitlichen Aufklärungskampagnen und Vorsorgeuntersuchungen zu optimieren.
    Das Bild zeigt einen Mann mit einem Notebook

    IoT-Plattform und Device Management

    Mit Vodafone verwalten Sie Ihre SIM-Karten und IoT-Geräte. Jederzeit und auf der ganzen Welt. Nutzen Sie die IoT-Plattform als leistungsfähiges Self-Service-Tool zum Monitoring Ihrer SIM-Karten, Verbindungen und Services.

    • Globale IoT-Plattform
    • Integrated M2M-Terminals
    • Globale SIM-Karte
    Mehr Informationen hier

    Big Data im Finanzwesen

    Ähnlich wie der Einzelhandel gehört das Finanzwesen zu den datengetriebenen Branchen. Neu ist aber auch hier, dass Big Data die Akteure mit immer mehr und feiner granulierten Daten versorgt. Viele Aufgaben lassen sich außerdem mithilfe künstlicher Intelligenz automatisieren.
    Professor Joachim Wuermeling, früheres Vorstandmitglied der Deutschen Bundesbank, sieht großes Potenzial für Big Data Analytics im Bankensektor. Als wichtigste Punkte nennt er:
    • Schaffung automatisierter Systeme zur Betrugserkennung, die Transaktionen in Echtzeit überprüfen
    • Optimierung von Vorhersagen über die Präferenzen und Verhaltensmuster von Anleger:innen und Verbraucher:innen
    • Verbesserung von Kundenbeziehungen durch kunden- und produktorientierte Anwendungen wie Chatbots
    • Verbesserung von Prozessen im Backend von Kreditinstituten, etwa bei der Kreditwürdigkeitsprüfung
    Auch die Aktien- und Anleihenmärkte verändern sich durch Big Data. Nach Schätzungen von Expert:innen werden an den großen Handelsplätzen der Welt bereits zwischen 60 und 75 % aller Käufe und Verkäufe von Computeralgorithmen beauftragt. Besonders im Hochfrequenzhandel spielen Big-Data-basierte künstliche Intelligenzen ihre Stärken aus.
    Schmuckbild
    Künstliche Intelligenz übernimmt die Aufgaben von Börsenhändler:innen. Für die Entscheidung über Kauf oder Verkauf braucht die KI nur Millisekunden.

    Big Data in der Industrie

    Auch in der Industrie nutzen bereits viele Unternehmen Big Data für Entwicklung, Fertigung, Überwachung und Prozessoptimierung.

    KI findet passende Moleküle

    Das US-Technologieunternehmen Kebotix will die Entwicklung neuer Materialien und Wirkstoffe für die chemische und pharmazeutische Industrie radikal beschleunigen. Mit künstlicher Intelligenz und maschinellem Lernen analysiert Kebotix in seinem autonomen Labor (Self-Driving Lab) vielversprechende Moleküle und testet sie vollautomatisch per Roboter. Die Ergebnisse fließen direkt in die Findung weiterer Moleküle ein.

    Altdaten liefern Informationen über optimale Prüfintervalle

    Die Firma Schwering und Hasse aus dem nordrhein-westfälischen Lügde produziert Lackdrähte für die Elektronikindustrie. Diese werden beispielsweise in Transformatoren und Elektromotoren verbaut. Auf einer Big-Data-Plattform hat der Hersteller Fertigungsdaten aus mehreren Jahren gesammelt. Daraus ist ein datenbasiertes Modell entstanden, das den zu erwartenden Ausschuss für verschiedene Produkte bei unterschiedlichen Prüfzyklen vorhersagt. So findet der Hersteller für jeden Kundenauftrag die bestmögliche Prüfstrategie: Sie minimiert Stillstandszeiten und die Anzahl der benötigten Laborprüfungen – also Proben aus der laufenden Produktion, um die Produktqualität sicherzustellen. So wird auch der Materialausschuss nicht in die Höhe getrieben.

    Big Data Analytics warnt bei Lieferrisiken

    Der deutsche Technologiekonzern Siemens betreibt seine Siemens Data Cloud auf der Warehouse-Plattform Snowflake des gleichnamigen US-Anbieters. In der Siemens-Cloud laufen unter anderem mehr als 50 ERP-Systeme (Enterprise Resource Planning) mit zusammen über 1,5 Milliarden Änderungen täglich. Durch Vernetzung und Automatisierung in der Cloud optimiert Siemens beispielsweise die Lieferketten seiner Fabriken. Anstelle manueller Prozesse, die häufig rein erfahrungsgetrieben waren, arbeitet Siemens nun mit der Zuweisung von Risikowerten für alle benötigten Materialien an seinen Standorten. Die Cloud kann damit potenzielle Lieferengpässe vorhersagen und Alternativbestellungen anstoßen oder Entscheider:innen entsprechende Hinweise geben.
    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

    Big Data im Verkehrs- und Logistiksektor

    Als größtes deutsches Bahnunternehmen mit einem Umsatz von 26 Milliarden Euro nutzt auch die Deutsche Bahn AG (DB) Big Data Analytics in unterschiedlichen Geschäftsbereichen. Inzwischen arbeiten von den rund 7.000 Mitarbeitenden der IT-Tochter Systel rund 130 Spezialist:innen im Analytics-Bereich: Sie werten in einem hauseigenen Data Lake Unternehmensdaten mithilfe künstlicher Intelligenz aus. Wichtige Ziele des Konzerns sind:

    Langzeitprognosen zu zukünftigen Verkehrsflüssen

    Infrastrukturprojekte haben in der Regel lange Planungs- und Vorlaufzeiten. Hier kommt es vor allem auf langfristige Betrachtungen an. Entsprechend verwendet die DB aktuelle und historische Daten, verknüpft diese miteinander und entwickelt daraus Prognosemodelle für die Vorhersage des Verkehrsaufkommens im Personen- und Güterverkehr. So lassen sich Neubau- oder Modernisierungsprojekte besser planen.

    Wartungsvorhersagen im Betriebsdienst

    Der Schienenverkehr stellt hohe Anforderungen an das rollende Material, aber auch an Trassen und technische Infrastruktur, die ungeschützt dem Wetter ausgesetzt sind. Bei der DB erfassen deshalb Millionen Sensoren in Zügen und an den Gleisen permanent Daten zu Temperaturen, Vibrationen und Verschleiß. Allein 28.000 Weichen werden über das hauseigene Analysesystem DIANA permanent überwacht.
    Mithilfe von Big-Data-Analytik errechnet das Unternehmen daraus ideale Serviceintervalle und erkennt potenzielle Defekte, bevor sie auftreten. So reduziert die Deutsche Bahn mit Big Data Ausfallzeiten durch Predictive Maintenance (vorausschauende Instandhaltung) und senkt damit die Wartungskosten. Der Verkehrsdienstleister verspricht sich dadurch eine Kostenreduktion von etwa 15 %.

    Autonomes Fahren auf der Digitalen Schiene

    Gemeinsam mit dem Deutschen Zentrum für Schienenverkehrsforschung (DZSF) hat die DB-Tochter Deutsche Bahn Netz AG den Prototyp eines Sensorsystems entwickelt – bestehend aus hochauflösenden Kameras, Langstrecken- und Mittelstrecken-LiDAR (lasergestützte Vermessung), Radar und GPS-Sensoren.
    Die Sensoren wurden bereits für Testfahrten an einem Gleisarbeitsfahrzeug montiert. Dank LiDAR und Radar kann die Technik auch dort die Strecke beobachten, wo menschliche Triebfahrzeugführer:innen aufgrund von Dunkelheit, schlechtem Wetter oder baulichen Hindernissen eingeschränkt sind. KI-Software interpretiert mittels maschinellem Lernen die riesigen, vom Sensorfeld erfassten Datenmengen und teilt erkannte Gegenstände und Personen in unterschiedliche Objektklassen ein. Zukünftig soll die Analyse in Echtzeit möglich sein.
    Das Projekt ist Teil der Sektorinitiative Digitale Schiene Deutschland. Ziel der Initiative ist das vollautomatisierte Fahren ganz ohne Lokpersonal. Die Technik muss hierfür die automatische Steuerung und Überwachung der Züge übernehmen, inklusive Streckenüberwachung und Entscheidungsfindung bei Störungen (beispielsweise Personen im Gleis).
    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

    Autos geben Hinweise zum Straßenzustand

    Moderne Autos verfügen über eine Vielzahl von Sensoren sowie über eine Mobilfunkverbindung, die mit der Bordelektronik verknüpft ist. Der zum VW-Konzern gehörende Autohersteller SEAT möchte diese Technologien für die Big-Data-Analyse von Straßennetzen nutzen. So könnten Kraftfahrzeuge zukünftig ihre Brems- und Beschleunigungswerte sowie Informationen zum Ansprechen der Sicherheitssysteme ESP und ABS an das Data Office des Herstellers übermitteln. Die Daten könnten optional mit Temperaturdaten, Bildern der Frontkamera und GPS-Positionsdaten aus dem jeweiligen Fahrzeug verknüpft werden.
    So könnten andere Fahrzeuge beispielsweise rechtzeitig gewarnt werden, wenn es in einer Region gerade vermehrt Unfälle durch Glätte oder Nebel gibt. Zugleich könnte künstliche Intelligenz die Daten auswerten und die Ergebnisse anschließend den Verkehrsbehörden zur Verfügung stellen.
    Ein Mann sitzt mit Tablet im Gewächshaus

    Narrowband-IoT und­ LTE-M:­ Konnektivität im IoT-Umfeld

    Ganz gleich, wo Sie sich aufhalten: Mit Narrowband-IoT und LTE-M gelingt Maschinenkommunikation auch unter schwierigen Bedingungen. Und das bei besonders geringem Stromverbrauch und somit langen Akkulaufzeiten.

    • Narrowband-IoT sorgt für beste M2M-Netzabdeckung
    • Über LTE-M lassen sich auch Sprachdaten übertragen
    • Auch in Kellern oder entlegenen Gebieten einsetzbar
    Jetzt mehr erfahren

    Big Data in der Energiewirtschaft

    Mit dem wachsenden Anteil erneuerbarer Energien und dem Wegfall der Kernenergie steigt auch der Regelbedarf im deutschen Stromnetz. Die Bundesnetzagentur hat deshalb mit Redispatch 2.0 ein neues Meldesystem zur frühzeitigen Erkennung von Netzengpässen geschaffen. Das betrifft erstmals auch kleinere Einspeiseanlagen mit einer Leistung ab 100 kW. Die Netzbetreiber haben hierfür in ihrer Kooperation Connect+ eine eigene Big-Data-Plattform geschaffen, über die sie untereinander Daten austauschen und sich abstimmen können.
    Parallel dazu läuft seit 2019 das vom Bundesministerium für Bildung und Forschung (BMBF) geförderte Projekt „Fühler im Netz 2.0“ in ausgewählten Netzgebieten in Süddeutschland. Mehr als 3.500 BPL-Sensormodems (BPL = Breitband-Powerline) wurden dort bereits dezentral installiert. Sie erfassen mit hoher zeitlicher Auflösung Daten über den Netzzustand sowie über den Zustand von Kabeln und Anlagen. Die großen Datenmengen, die dabei anfallen, werden mithilfe von KI-Algorithmen auf mögliche Muster und Auffälligkeiten untersucht. So sollen Vorhersagen über den Spannungsverlauf in bestimmten Netzabschnitten und über die Asymmetrie zwischen den elektrischen Phasen möglich werden. Das ist besonders für die Integration von E-Mobilität auf den unteren Netzebenen hochrelevant.
    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

    Standorte für Elektroauto-Ladesäulen finden

    Der richtige Standort entscheidet oft über den Erfolg oder Misserfolg von Infrastruktur. Das gilt auch für Elektro-Ladesäulen. Doch die Suche nach guten Standorten ist nicht einfach – es gibt viele Parameter zu berücksichtigen. Das Start-up Geospin aus Freiburg hat sich deshalb auf die automatische Standortsuche spezialisiert und nutzt hierfür Big Data.
    Zu den Kunden von Geospin gehört die Thüga. Sie ist mit über 100 Mitgliedsunternehmen der größte Zusammenschluss kommunaler Energie- und Wasserversorger in Deutschland. Geospin hat im Auftrag von Thüga mögliche Standorte für Elektroauto-Ladesäulen bewertet. Hierfür wurden Daten von rund 180.000 Ladevorgängen mit jeweils 800 Umgebungsinformationen verknüpft. Dazu gehörten Zensusdaten und die Nähe der Standorte zu Kinos, Apotheken und öffentlichen Einrichtungen. Inzwischen arbeiten Thüga und Geospin daran, die hierfür entwickelten Analyseverfahren weiteren Unternehmen zur Verfügung zu stellen. Geospin hat dafür ein Online-Tool namens Location Intelligence Assistentin (LIA) geschaffen.
    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

    Big Data Analytics als neues Geschäftsfeld für Energieanbieter

    Der baden-württembergische Energieversorger EnBW hat mit Sandy Energized Analytics ein Start-up speziell für Big-Data-Analysen gegründet: Die Firmentochter soll die Energiewirtschaft beim datengetriebenen Teil der Digitalisierung unterstützen. Sandy Energized Analytics bietet Data Consulting und cloudbasierte Analytics-as-a-Service. Mitgründer Claudius Hundt erklärt: „Die meisten Möglichkeiten stecken in den Daten von Geschäftsprozessen oder digitalen Produkten, die Unternehmen heute schon haben.“ Das sei keineswegs nur für große Firmen interessant: „Egal ob kleines Stadtwerk oder überregionaler Energieversorger: In den Daten von Unternehmen schlummern ungeahnte Schätze.“
    Schmuckbild
    Energieversorger und Netzbetreiber sammeln und analysieren riesige Datenmengen, um die Stromnetze stabil zu halten.

    Big Data im Marketing

    Viele Unternehmen verwenden Big Data inzwischen auch im Marketing. Ein bekanntes Beispiel ist der Hersteller Apple, der Big Data auf vielen unterschiedlichen Ebenen nutzt:
    • Personalisierte Werbung: Apple zieht Benutzerdaten heran, um Nutzer:innen zielgerichtet personalisierte Werbung zu zeigen, während sie Apple-Produkte verwenden.
    • Apple Music: Der Hersteller wertet die Benutzerprofile seiner Kund:innen aus, um ihnen automatisiert KI-basierte Musikempfehlungen zu geben.
    • Apple Health und FitnessView: Aus den Gesundheitsdaten von Apple-Kund:innen, insbesondere den Nutzer:innen der Apple Watch, gewinnt der Hersteller Informationen über Gesundheit und Wohlbefinden seiner Kund:innen. Die Daten aus den Big-Data-Analysen fließen auch in Apple-Gesundheitsstudien ein. Diese Studien verwendet Apple selbst, stellt sie aber auch dem Gesundheitswesen sowie der Forschung zur Verfügung.
    Seit vielen Jahren nutzt Apple Big Data für sein Marketing. Der Konzern kaufte mit Topsy bereits 2013 einen Spezialisten für die Auswertung von X-Inhalten (damals noch Twitter). Mit dem kanadischen Start-up Locationary kam technisches Know-how zur Zusammenführung von Standortdaten hinzu.
    Mit seiner Big-Data-Strategie ist Apple unter den großen Tech-Anbietern nicht allein. Auch andere Wettbewerber nutzen ihre großen Datenbestände intensiv, um Kund:innen besser kennenzulernen oder neue Produkte zu entwickeln.
    Mit kundengerechten Big-Data- und Warehousing-Plattformen wenden sich Anbieter wie Salesforce, Cloudera, Astera Software, Ajelix und Evaco inzwischen aber auch vermehrt an kleine und mittlere Unternehmen (KMU). Sie bieten Speicherplatz, Analyse-Baukästen oder gleich komplette Big-Data-Auswertungen aus einer Hand als externe Dienstleistung an.

    Big Data in sozialen Medien

    Nach Schätzungen des Statistik-Portals Statista nutzen täglich über 5 Milliarden Menschen die sozialen Medien (Statista Global Consumer Survey 2022). Im Durchschnitt verbringen die Nutzer:innen rund 2 Stunden und 20 Minuten auf ihren bevorzugten Plattformen.
    Allein beim Social-Media-Marktführer Facebook entstehen dabei rund 4 Petabyte neue Daten pro Tag. Zwar sind diese Daten aufgrund ihrer originär digitalen Form für eine Analyse gut geeignet. Doch für ein händisches Suchen nach neuen Markttrends sind die Datenberge viel zu groß. Längst haben deshalb KI-basierte Agenten die Aufgaben von Trendscouts aus Fleisch und Blut übernommen.
    Das norwegisch-amerikanische Unternehmen Meltwater, bekannt als globaler Dienstleister im Media Monitoring, sieht im KI-basierten Marketing den „Weg der Zukunft“. Das zeige beispielsweise die Historie von Disneys 2019er-Neuauflage des Filmklassikers „König der Löwen“. Künstliche Intelligenz hatte über 5.000 Newsmeldungen und mehr als 2 Millionen Erwähnungen des Films in den sozialen Medien untersucht. Die Analyse ergab, dass viele Fans besonders die Person und die Stimme von Schauspieler und Synchronsprecher James Earl Jones schätzten.
    Daraufhin entwickelten die Verantwortlichen kurzfristig Marketingmaßnahmen rund um Jones und spielten sie online aus – was die Wahrnehmung des Films in der Öffentlichkeit verbesserte. Mit einem Einspielergebnis von über 1,6 Milliarden US-Dollar wurde „König der Löwen“ trotz einer anfangs sehr kritischen Einschätzung schließlich zum zweiterfolgreichsten Kinostart des Jahres 2019.

    Big Data in der öffentlichen Verwaltung

    Mit der 2019 ins Leben gerufenen Big Data Test Infrastructure (BDTI) hat die Europäische Union eine eigene Open-Source-Cloud-Plattform speziell für die öffentliche Verwaltung entwickelt. Auf der Plattform können Behörden aus Mitgliedsstaaten Big-Data-basierte Governance- und Managementlösungen testen. Einige Pilotprojekte:
    • Die Stadt Bochum hat ein digitales Kataster ihres Baumbestandes erstellt. Mittels Machine Learning erstellt es anhand von protokollierten Widerstandsmessungen Vorhersagen zur Baumgesundheit bis herunter auf die Ebene einzelner Standorte.
    • Die Stadt Neapel analysiert Nutzungs- und Mobilitätsdaten aus öffentlichen Räumen wie Stadtparks und Straßenflächen, um dort zukünftige Angebote für die Bevölkerung besser zu planen.
    • Die Gesundheitsbehörden der Region Valencia in Spanien haben unstrukturierte Daten zur Covid-19-Pandemie zusammengetragen. Die Daten sollen Akteuren aus dem Gesundheitssystem helfen, zukünftige Krisen und Pandemien besser zu managen. Die Informationen stehen außerdem für klinische Studien zur Pandemiebekämpfung zur Verfügung.
    • Die Gemeinde Arezzo in Italien hat Unfalldaten aus den Jahren 2008 bis 2024 gesammelt, um gefährliche Kreuzungen in ihrem Straßennetz besser zu identifizieren. Dabei fließen auch Wetterdaten und Verkehrsbedingungen zum Zeitpunkt der jeweiligen Unfälle in die technische Analyse mit ein.

    Wie Unternehmen von Big Data profitieren

    Die vielen Praxisbeispiele aus Sektoren wie Industrie, Handel, Gesundheitswesen und Verkehr belegen eindrucksvoll das große Potenzial von Big Data Analytics. Spätestens mit der zunehmenden Verbreitung von künstlicher Intelligenz und der Verfügbarkeit von Business Intelligence als externer Dienstleistung ist das Thema auch für KMU interessant und wirtschaftlich umsetzbar.
    Wer die neuen Möglichkeiten in den eigenen Daten für sich entdeckt, bevor wachsender Kostendruck das Unternehmen dazu zwingt, hat in jedem Fall einen messbaren Zeitvorteil gegenüber dem Wettbewerbsumfeld.
    Der Wandel zu volldigitalen Prozessen, zu Industrie 4.0 und IoT-Vernetzung bietet auch hier ganz neue Chancen für agile Unternehmen jeder Größe.

    Big Data und Big-Data-Beispiele in der Zusammenfassung

    • Der Begriff „Big Data“ beschreibt die großen Datenmengen, die heute in vielen Unternehmen anfallen, beispielsweise in Entwicklung, Produktion, Logistik oder Verkauf.
    • Durch sorgfältige Analyse dieser Daten lassen sich mögliche Prozessverbesserungen, aber auch ganz neue Geschäftsfelder entdecken.
    • Künstliche Intelligenz und maschinelles Lernen können inzwischen sogar große Datenmengen in kurzer Zeit verarbeiten und für Unternehmen passend aufbereiten.
    • Neue, kostengünstige Analysewerkzeuge bieten auch für kleine und mittlere Unternehmen (KMU) eine Chance, von den Vorteilen der Big-Data-Analyse zu profitieren.
    • Digitalisierung und IoT-Vernetzung vergrößern die anfallenden Datenmengen. Damit sind immer genauere Analysen möglich, die auch weitergehende Ergebnisse liefern.
    Portrait von Dr. Lorenz SteinkeLorenz Steinke
    31.07.2025
      # Tags:CloudOfficeTippsBusiness Basics
      Das könnte Sie auch interessieren:
      Cloud & Hosting
      Schmuckbild

      Cloud-Back-up: So sichern Sie Ihre Daten einfach und bequem in der Wolke

      Cloud-Back-ups bieten kostengünstigen Speicher für die Sicherung großer Datenmengen und ermöglichen einet nahezu unterbrechungsfreie IT-Wiederherstellung. Mittlerweile nutzen 90 % der deutschen Unternehmen Private oder Public Clouds, wie der Bitkom „Cloud Report 2025“ zeigt – unter anderem für die Datensicherung. Wie Cloud-Back-ups funktionieren und was Sie als Unternehmen beachten sollten, erfahren Sie hier.

      Weiterlesen

      Digitalisierungsberatung

      Die Beraterinnen und Berater helfen Ihnen kostenlos und unabhängig bei praktischen Fragen und geben konkrete Tipps. Vereinbaren Sie einen unverbindlichen Termin um Ihr Anliegen zu besprechen.

      Termin vereinbaren