Big Data Analytics
Big Data beschreibt die Sammlung, Verarbeitung und Anwendung von umfangreichen, strukturierten Datenmengen zur Generierung entscheidungsrelevanter Erkenntnisse in Echtzeit (Pagano und Krause 2019). Um Zusammenhänge zu erkennen, ist der Einsatz von Analytics erforderlich (Ward und Barker 2013).
Die Charakteristik von Big Data wird durch die sogenannten "5 Vs" geprägt, wie von Fraunhofer (2015) beschrieben:
- Volume (Menge)
- Variety (Vielfalt)
- Velocity (Geschwindigkeit)
- Value (Wert)
- Veracity (Richtigkeit)
____________________________________________________
Einsatzbereiche
Big Data Analytics ermöglicht es Unternehmen, Scope 3-Daten in Echtzeit zu sammeln und zu analysieren, Prognosen zu erstellen sowie Muster zu identifizieren. Plattformen, die auf Big Data Analytics basieren, bieten somit vielfältige Einsatzmöglichkeiten im unternehmerischen Kontext.
_____________________________________________________
Voraussetzung:
Für die erfolgreiche Nutzung von Big Data benötigen Unternehmen eine ausreichende Anzahl von Zähler- oder Sensorsystemen sowie Tools zur Analyse von Big Data (Pagano und Krause 2019). Zudem sind umfassende Datenkenntnisse und der Zugriff auf relevante Daten erforderlich (Beier et al. 2018). Datenschutzrechtliche Aspekte müssen dabei berücksichtigt werden, was den Einsatz geschulten Personals erfordert (Pagano und Krause 2019).
______________________________________________________
Chancen und Herausforderungen:
Durch den Einsatz von Big Data können Unternehmen umfangreichere Datenmengen beschaffen und die Transparenz entlang der Wertschöpfungskette erhöhen (Beier et al. 2018). Das Generieren von Datensätzen wird ebenso erleichtert (Akbari 2022).
Trotz dieser Vorteile stellen die Beschaffung hochwertiger und sicherer Daten eine Herausforderung dar, da Unternehmen oft zögern, solche Informationen offenzulegen (Umweltbundesamt 2021). Datenschutz und das Teilen von Daten zwischen Stakeholdern sind hierbei relevante Aspekte (Srhir 2023).
_____________________________________________________
Quellen:*
Akbari, M. H. (2022). Digital technologies as enablers of supply chain sustainability in an emerging economy. Oper Manag Res 15, 689–710.
Fraunhofer IPA, Wieselhuber, & Partner GmbH (2015). Geschaeftsmodell_Industrie40-Studie_Wieselhuber. Geschäftsmodell-Innovation durch Industrie 4.0. Chancen und Risiken für den Maschinen- und Anlagenbau.
Pagano, D., & Krause, G. (2019). Umweltmanagement und Digitalisierung – Praktische Ansätze zur Verbesserung der Umweltleistung.
Song, M.-L., Fisher, R., Wang, J.-L., Cui, L.-B. (2018). Environmental performance evaluation with big data: theories and methods. Ann Oper Res 270/1-2, 459–472.
Srhir, S. J.-T. (2023). Uncovering Industry 4.0 technology attributes in sustainable supply chain 4.0: A systematic literature review. Business Strategy and the Environment.
Ward, J. S., Barker, A. (2013). Undefined By Data: A Survey of Big Data Definitions. School of Computer Science, University of St. Andrews.
Umweltbundesamt (2021). Factsheet Big Data & Analytics.
*Die Informationen wurden durch Rückwärtssuche im Factsheet "Big Data & Analytics" des Umweltbundesamtes (2021) ermittelt und durch zusätzliche Erkenntnisse aus einer unstrukturierten Literaturrecherche ergänzt.
______________________________________________________
Ergänzungen:
Im Zeitraum von August 2021 bis März 2022 wurden im Rahmen einer Interviewstudie mit 19 Experten digitale Technologien identifiziert, beurteilt und anschließend mittels qualitativer Inhaltsanalyse nach Mayring (2015) ausgewertet. Die Ergebnisse befinden sich im Text sowie in den Tabellen.
Mayring, P. (2015). Qualitative Inhaltsanalyse. Grundlagen und Techniken. Beltz. Weinheim, 4, 58.