Lade Inhalt...

Chancen und Herausforderungen durch Big Data für das Controlling im Bereich der Energiewirtschaft

Bachelorarbeit 2015 49 Seiten

BWL - Controlling

Leseprobe

Inhaltsverzeichnis

1. Einleitung
1.1. Relevanz
1.2. Ziel und Aufbau der Arbeit

2. Definitionen, Begriffsbestimmungen
2.1. Big Data
2.1.1. Definition, Kernmerkmale und Herkunftskategorien
2.1.2. Relevante Technologiekomponenten
2.1.3. Betriebswirtschaftliche Nutzungspotentiale sowie Herausforderungen
2.2. Controlling: Aufgaben, Funktionen und Kernelemente
2.3. Energiewirtschaft: Definition und Eingrenzung

3. Veränderungen durch Big Data für Unternehmen der Energiewirtschaft
3.1. Einführung in allgemeine Branchentrends
3.2. Relevanz von Big Data für Erzeugung, Netzbetrieb und Handel
3.3. Aktuelle Analyse des Einführungsstandes

4. Bewältigung der Herausforderungen zur Erschließung von Potentialen für das Controlling in energiewirtschaftlichen Unternehmen
4.1. Big Data und Business-Intelligence
4.2. Implementierung von Big Data Lösungen
4.3. Veränderungen der Controllerrolle und -kernprozesse
4.4. Branchenspezifische Aufgaben des Controllings
4.4.1. Unterstützung des Managements bei der Implementierung einer Big Data Roadmap
4.4.2. Anpassung Steuerungsinstrumente bzw. -modell
4.4.3. Unterstützung bei Optimierung der Bereiche Netzbetrieb und Handel

5. Fazit

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Abbildungsverzeichnis

Abbildung 1 Merkmale von Big Data

Abbildung 2 Nutzungspotentiale von Big Data

Abbildung 3 Gesamtmodell Smart Grid

1. Einleitung

1.1. Relevanz

„Unternehmen, Wissenschaft oder auch der Staat sehen sich heute mit einem rapiden Anstieg des Datenvolumens konfrontiert, denn Smartphones, Social Media, Sensorik in allen möglichen Geräten, RFID-Chips1 oder neue E-Government-Anwendungen2 werden immer stärker genutzt."3 Mit diesen Worten beginnt der Leitfaden „Management von Big Data Projekten“ des Bundesverbandes Informationswirtschaft Telekommunikation und neue Medien (BITKOM).

Diese Sachverhalte konfrontieren alle Branchen und unterschiedliche betriebliche Funktionsbereiche mit individuellen Herausforderungen und Chancen. Die Aufmerksamkeit der durch Industrie geprägten Branchen war bezüglich Produktion und Vermarktung lange Zeit nur im geringen Maße auf das Internet gerichtet. Dies ändert sich durch die Entwicklung modernster Sensortechnologien, der Vernetzung von Produktionsmaschinen und Endgeräten, veränderter Speichertechnologien und leistungsfähigeren IT-Infrastrukturen.4 Man spricht aufgrund der neuen Dimension der Digitalisierung und der umfangreichen Auswirkungen dessen von einer neuen industriellen Revolution - der Industrie 4.0.5 Gleichzeitig erhöht sich die Elastizität der Nachfrage durch vorausschauende und flexiblere Analyse- und Planungssysteme. Auch Privatanwender generieren jede Minute Milliarden von Daten durch die Nutzung von mobilen Apps und Social Media.6 Gemäß einer Information des BARC (Business Application Research Center) auf der Messe CeBit rechnet man bis zum Jahr 2020 damit, dass 6,5 Milliarden Menschen mit 18 Milliarden Objekten verknüpft sein werden.7 Der Terminus Internet-Of-Things beschreibt diese zunehmende Vernetzung von Geräten - auch im privaten Bereich - mit dem Internet.8 Ermöglicht und noch gesteigert werden soll all dies durch die Erweiterung der Bandbreiten für die Nutzung des Internets, welche möglichst allen zugänglich gemacht werden sollen. In dieser Entwicklung wird neben der Anhebung des persönlichen Lebensstandards nicht zuletzt eine Möglichkeit gesehen wirtschaftliches Wachstum zu generieren.9 Der Begriff Big Data beschreibt allerdings nicht nur die Vermehrung von Datenmengen durch die beschriebenen Umstände. Auch umfasst er die Herausforderungen, Methoden und Technologien zur Gewinnung und Nutzung entscheidungsrelevanter Erkenntnisse aus unterschiedlichen Datenquellen, die dadurch erschwert werden, dass diese massenhaften Informationen schnell veränderlich und mit herkömmlichen Datenbanktechniken kaum beherrschbar sind.10

Die Energiewirtschaft ist von dieser allgemeinen Entwicklung hin zur vermehrten Digitalisierung und Vernetzung ebenfalls betroffen. Die historisch gesehen betriebswirtschaftlich besonders relevanten Daten waren in dieser Branche Verbrauchsdaten für Abrechnungen, Finanz- und Leistungsdaten für Regulierungsbehörden sowie technische und ökonomische Anlagendaten, die als Entscheidungsgrundlage für Investitionen in Erzeugungsanlagen und Netze erhoben und bewertet wurden. Aktuell muss jedoch auf neue Herausforderungen wie beispielsweise die weitere Zunahme dezentraler Einspeisepunkte durch die politisch im Rahmen der Energiewende gewollte Nutzung erneuerbarer Energie oder auch auf den Wettbewerb am Energiemarkt reagiert werden. Produzenten wollen ihre Kraftwerkskapazitäten optimal aussteuern und Kunden erwarten differenziertere Tarifstrukturen. Für beide Maßnahmen benötigt man dezidierte Informationen über die spezifischen Lastflüsse beim Energieverbrauch. Diese und weitere Faktoren führen zu einer zunehmenden Vernetzung von Netzbetreibern, Erzeugern und Kunden sowie der perspektivischen Einführung von intelligent und flexibel steuerbaren Netzen. Hierdurch werden rasant wachsende komplexe Datenvolumina entstehen. Dabei geht es um Echtzeitdaten, ortsbezogene und unstrukturierte Daten. Außerdem steht der Zugriff auf Informationen aus ganz neuen Datenquellen - wie z. Bsp. Social Media - bereit, die insbesondere für am Endkundenmarkt agierende Unternehmen interessant sein können.11

Für die Betriebe in diesem Sektor wird es aus Gründen der Konkurrenzfähigkeit zunehmend wichtiger, dass sie auf diese neuen, technologischen Entwicklungen reagieren. Dabei gibt es einige Hindernisse zu überwinden und Aufgaben zu erfüllen. Es muss neben der Anpassung von IT-Architekturen und Basistechnologien unter anderem auch auf ein effizientes Vorgehensmodell bei der Implementierung neuer Instrumente, die notwendige Kompetenzentwicklung von Mitarbeitern, sowie datenschutzrechtliche und ITSicherheits-Aspekte geachtet werden.12

Verschiedene betriebliche Funktionseinheiten werden folglich berührt. Neben dem Produktions- Vertriebs- und Marketingbereichen kann auch das kaufmännische Controlling profitieren. Dieses soll als betriebswirtschaftlicher Begleiter des Managements Entscheidungsprozesse unterstützen und deren Umsetzung überwachen. Hierbei muss es im Betrieb vorliegende monetäre und nicht monetäre Informationen betriebswirtschaftlich nutzbar machen und analysieren um für das Management zielgerichtete Entscheidungsgrundlagen erarbeiten. Die bisherigen Ausführungen verdeutlichen, dass diese funktionelle Einheit die Herausforderungen der technologischen Entwicklung Big Data aufgreifen sollte.13 Die zu erarbeitende Bachelorarbeit beschäftigt sich daher im Kern mit der Frage welche Controllinginstrumente, -prozesse und - methoden von Big Data berührt werden, welche Potentiale aus der Nutzung für Controller erwachsen und wie man sich diese erschließen kann. Außerdem geht es darum welche Hürden und Schwierigkeiten hierbei zu überwinden sind. Dabei wird der Fokus auf spezielle Themen im Bereich der Energiewirtschaft gelegt.

1.2. Ziel und Aufbau der Arbeit

Die Arbeit konzentriert sich auf die Energiewirtschaft in Deutschland und innerhalb dieser in erster Linie auf den Kernbereich Stromversorgung. Eingangs werden die Begriffe Big Data, Controlling und Energiewirtschaft definiert. Der Terminus Big Data wird aufgrund seiner Neuartigkeit ausführlicher beschrieben und eingeordnet sowie auch im Hinblick auf technologische Aspekte sowie grundlegende Potentiale und Problemstellungen beleuchtet. Darauf folgend werden zunächst allgemein Auswirkungen des Technologiefortschrittes und der geänderten Rahmenbedingungen für die verschiedenen Wertschöpfungsstufen der Energiewirtschaft betrachtet und bezogen auf die Relevanz von Big Data untersucht. Ferner wird schrittweise auf Basis der bis dahin geschaffenen Grundlagen die Fragestellung der Arbeit untersucht. Die Erweiterung der Business Intelligence durch Big Data wird erläutert. Darauf aufbauend wird ein Vorgehensmodell sowie Erfolgsfaktoren und Risiken bei der Implementierung von Big Data-Lösungen beschrieben. Danach geht es um die Veränderungen des Rollenprofiles des Controllers und seiner Instrumente vor diesem Hintergrund. Schließlich werden die bis dahin aufgearbeiteten Informationen kombiniert um spezifische Aufgaben eines Controllingbereiches in einem energiewirtschaftlichen Unternehmen abzuleiten.

Die theoretischen Grundlagen werden anhand einschlägiger Literatur gelegt. Dies wird durch die Analyse und Auswertung von Veröffentlichungen der öffentlichen Verwaltung, von Fachverbänden und diverse Studien ergänzt. Außerdem sind Erkenntnisse aus einem Experteninterview mit Professor F. berücksichtigt, der sich im Rahmen seiner Tätigkeit eingehend mit dem Themenkomplex beschäftigt hat. Das Fazit soll abschließend die bis dahin ausgeführten Gedanken zusammenfassen, kritisch würdigen und einen Ausblick geben.

2. Definitionen, Begriffsbestimmungen

2.1. Big Data

2.1.1. Definition, Kernmerkmale und Herkunftskategorien

Für den Terminus Big Data gibt es keine einfach zu formulierende sowie allgemein anerkannte Definition. Ursprünglich entwickelte er sich als die auf Basis des technologischen Fortschrittes erzeugten Informationsmengen für die gängigen Arbeitsspeicher zu groß wurden und deren Verarbeitung nach neuen Methoden und Werkzeugen verlangte.14 Spricht man heute von Big Data geht es neben der Erzeugung und Speicherung von großen Datenmengen auch um die Herausforderung, aus diesen gezielt Wettbewerbsvorteile zu generieren, Daten unterschiedlicher Herkunft und Struktur hierbei zu integrieren und Geschäftsprozesse, -modelle und Organisationen darauf anzupassen.15 Man kann zur Eingrenzung den Begriff Big Data aus verschiedenen Perspektiven betrachten und kategorisieren. In Anlehnung an Abbildung 1 wird er zunächst häufig anhand der folgenden wesentlichen Charakteristika16 beschrieben:

Volume: Hiermit werden die anfallenden und zu verarbeitenden Datenmengen beschrieben17, die sich mittlerweile bis hin zu Zettabyte (1021 ) erstrecken. Von 2006 bis 2012 hat sich das Datenvolumen auf 1,8 Zettabyte verzehnfacht und bis 2022 rechnet man mit einem Wachstum von bis zu 100 Zettabyte.18

Velocity: Es geht um Daten, die sich ständig verändern, erweitern oder ihre Gültigkeit verlieren. Hierbei kann eine zeitliche Dimension von Minuten, Sekunden oder sogar eine Verarbeitung von großen Datenmengen in Echtzeit geschehen.19

Variety: Neben der Menge ist die Vielfalt der Informationen ein wichtiger Aspekt. Es geht um stark unterschiedliche und oft nicht strukturierte Daten.20 Dies stellt herkömmliche Datenbanksysteme vor Herausforderungen, da diese auf die Verarbeitung von begrenzten und mit Hilfe von Relationen strukturierten Daten zugeschnitten sind. Halbstrukturierte Daten können z.Bsp. E-Mails sein. Da der Absender immer im Kopf steht ist eine Ordnung vorgesehen. Allerdings kann die Nachricht fallweise beliebige Dateien wie unter anderem Bilder oder Textdokumente enthalten. Im Zusammenhang mit Big Data werden die existierenden Daten - ob strukturiert oder nicht - zusammengefasst und gemeinsam analysiert. Es werden drei Gruppen beschrieben: Daten, die aus der Kommunikation zwischen Personen entstehen, Kommunikation zwischen Personen und Diensten bzw. Maschinen oder Daten zwischen Diensten oder Maschinen.21

Data Analytics: Big Data umfasst auch alle Methoden die große Menge an Informationen zu analysieren und interpretieren. Hierbei geht es um das Erkennen von Mustern, Bedeutungen und Zusammenhängen unter Zuhilfenahme von statistischen und analytischen Verfahren.22 Ergänzend zu den vier in der Abbildung 1 visualisierten Kategorien werden in der Literatur häufig noch zwei weitere Aspekte herausgestellt:

Veracity: Dieser Begriff weist auf die Problematik hin, dass Daten hinreichend glaubwürdig und zuverlässig sein müssen.23

Value: Die Erschließung von Big Data zielt aus Unternehmenssicht darauf ab, dass ein wirtschaftlicher Nutzen dadurch entsteht, dass man ökonomisch bedeutsame Erkenntnisse gewinnt bzw. Innovationen in die Gestaltung neuer Produkte oder Dienstleistungen einfließen lassen kann. Ein Mehrwert kann auch durch einen zeitlichen Wissensvorsprung entstehen.24

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1 Merkmale von Big Data25

Eine weitere Kategorisierung von Big Data kann aufgrund der Datenquelle bzw. -herkunft vorgenommen werden. Dies sind einerseits durch Privatanwender erzeugte Daten aufgrund von App-Nutzungen oder dem Bewegen auf Social-Media-Plattformen (wie bspw. Facebook). Außerdem sind Trends im Unternehmensbereich wie die Verwendung des Cloud-Computings26 oder Software-as-a-Service Lösungen27, aber auch die Kommunikation von vernetzten Maschinen (M2M)28 hierbei zu nennen.29

2.1.2. Relevante Technologiekomponenten

Aufgrund des Charakters und der beabsichtigten Nutzungshorizonte von Big Data- Informationen existieren zahlreiche Technologieansätze, die je nach Anwendungsszenarien zu Architekturen kombiniert werden müssen, um Lösungen zu entwickeln. Hierbei sind Anforderungen an die Verarbeitungsgeschwindigkeit sowie die Strukturiertheit der Daten zu berücksichtigen. Systematisch sind darüber hinaus Aspekte der Datenhaltung, des Datenzugriffs, der analytischen Verarbeitung, der Visualisierung, der Datenintegration sowie der Datengovernance und -sicherheit einzubeziehen.30 Hierfür wurden neue Datenbanksysteme und Verarbeitungsverfahren konzipiert. Stellvertretend werden nun einige wesentliche Ansätze beschrieben. Eine besondere Kategorie bilden In- Memory-Datenbanken, die einen Zugriff in Echtzeit auf große Datenmengen ermöglichen in dem sie u.a. zur Verarbeitung von Daten den Arbeitsspeicher nutzen.31 Es sind außerdem z. Bsp. NoSQL Datenbanken für die Speicherung von Daten geeignet, bei denen herkömmliche relationelle Datenbanksysteme überfordert sind. NoSQL Datenbanksysteme sind in Key-Value-Datenbanken, dokumentenorientierte Datenbanken, Graphen-Datenbanken und Objektdatenbanken unterteilbar. Key-Value-Datenbanken können mit den Dimensionen des Internets in hoher Geschwindigkeit umgehen, da sie auf Funktionen der relationalen Datenbanken verzichten. Dokumentenorientierte Datenbanken können dadurch halbstrukturierten Daten aufnehmen, dass jede Zeile als ein Dokument gespeichert wird und daher eine beliebig große Anzahl von Spalten und Zeilen unterschiedlichster Art flexibel verwertbar ist. Graphen-Datenbanken sind für das Speichern von Beziehungen zwischen verschiedenen Entitäten optimiert. Objektdatenbanken sind für den Zugriff auf Objekte und deren Skalierung geeignet.32

Für die Verarbeitung der Daten wurde u.a. Apache Hadoop entwickelt. Dies ist ein auf Java basierendes freies Framework für die effiziente und hochskalierbare verteilte Berechnung von Aufgaben. Basis hierfür ist der MapReduce Algorithmus und ein verteiltes Dateisystem von Google. Es macht intensive Berechnungen auf Computerclustern möglich. Der MapReduce Algorithmus arbeitet in zwei Phasen. In der Map-Phase werden Eingabedateien in mehrere Fragmente unterteilt und separat einem Map-Task zugewiesen, der dann die geforderten Berechnungen auf seinem Fragment durchführt. Die Zwischenresultate aus der Map-Phase werden dann vom Hadoop Framework an die Reduce-Tasks in der Reduce-Phase verteilt. Aus den Zwischenergebnissen wird hier dann das Gesamtergebnis ermittelt.33

2.1.3. Betriebswirtschaftliche Nutzungspotentiale sowie Herausforderungen

Es werden in unterschiedlichen Fachrichtungen Nutzungsoptionen der aufgeführten technischen Innovationen beschrieben. Fokus der öffentlichen Diskussion sind unter anderem Bereiche wie Sicherheit, Verkehrssteuerung, Gesundheitswesen34 oder die Beschleunigung von Verwaltungsprozessen.35 Diese Arbeit konzentriert sich auf die möglichen ökonomischen Nutzungspotentiale auf unternehmerischer Ebene. Diese sind vielfältig und können bei jedem Unternehmen sehr individuell sein. Grundsätzlich profitieren Betriebe, die erkennen, dass Informationen mittlerweile zu einer wesentlichen wirtschaftlichen Ressource geworden sind, deren optimale Nutzung ein entscheidender Erfolgsfaktor ist.36 Laut Davenport umfasst das Nutzungspotential grob beschrieben mögliche Kostensenkungen, schnelle Entscheidungen, bessere Entscheidungen und Produkt- sowie Serviceinnovationen.37 Wrobel differenziert zwischen dem effizienteren Unternehmensmanagement, der Massenindiviualisierung von Diensten (durch Sammlung komsumentenbezogener Daten) und intelligenteren Produkten.38 Ein weiterer anschaulicher Ansatz ist die Untersuchung des potentiellen Nutzens entlang der Wertschöpfungskette, wie er in Abbildung 2 verdeutlicht wird:

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2 Nutzungspotentiale von Big Data39

Grundsätzlich ist hier erkennbar, dass jede Brache, jedes Unternehmen und jeder Unternehmensbereich mehr oder weniger von der bisher beschriebenen technischen Veränderung betroffen ist. Aus der Auseinandersetzung mit Big Data und den daraus wachsenden Informationsvorteilen können neue Wertschöpfungs- und Geschäftsmodelle entwickelt und Ergebnis- und Umsatzverbesserungen erreicht werden.40 „In der Tat bietet die systematische Auswertung, Veredelung und Vermarktung der dynamisch wachsenden Datenmengen schier unvorstellbare Möglichkeiten zur Optimierung bestehender Prozesse oder auch zur Umsetzung neuer Geschäftsmodelle“.41 Diese Aussage findet man in der Ergebnispräsentation einer 2012 durchgeführten Studie zum Thema „Datenexplosion in der Unternehmens IT“ der Experton Group im Auftrag der BT Germany GmbH & Co KG, bei der 100 Interviews mit IT-Entscheidern deutscher Unternehmen auswertetet wurden. Diese zeigte, dass für viele Unternehmen Big Data mehr als ein Trendbegriff war, sondern viele mit ihm Investitionen und Managementstrategien im IT-Bereich subsumiert sahen. Es wurde das vorhandene Bewusstsein vielfältiger Einsatzmöglichkeiten beschrieben, aber auch, dass sich 2012 die meisten befragten Unternehmen noch bezüglich des Themas in der Planungs- und Analysephase befanden.42

Bevor intensiver auf ein strukturiertes Erschließen dieser Potentiale eingegangen wird, soll zur Abrundung des einleitenden Überblickes zum Begriff Big Data auch auf die Probleme eingegangen werden, die daneben für die ökonomische Nutzung zu beachten sind. Verschiedenste Forschungsgebiete stehen vor Herausforderungen, was den Trend zu großen Datenvolumina angeht. Für die effiziente Speicherung, Verteilung und Bereitstellung der großen Datenmengen gilt es neue Speicherarchitekturen im Cloud- Bereich oder auch geeignete Netzwerktopologien für Datenzentren weiter zu erforschen. Komplexere und angepasste statistische oder mathematische Algorithmen sind zur Modellierung und Darstellung der unterschiedlichen Daten, sowie angepasste Mechanismen zur Wissensentdeckung auf großen und dynamischen Datenvolumina zu entwickeln. Weitere Hürden sind nötige Verfahren, die sich mit der Einschätzung der Zuverlässigkeit der Daten oder der weiteren Verbesserung von Netzwerktechnologien für die Datenübertragung oder M2M-Kommunikation beschäftigen. Hierbei muss die Effizienz von Datenübertragungen und die Einbindung einer immer größeren Anzahl von Sensoren berücksichtigt werden. Veranschaulicht kann man sagen, dass die Datenlawine stetig wächst und die Einschätzung der Werthaltigkeit einzelner Daten in wachsendem Umfang das menschliche Fassungsvermögen überschreiten wird. Darauf muss wissenschaftliche Forschung Antworten finden. Auch rechtliche oder gesellschaftspolitische Fragen entstehen.43 Da zunehmend personenbezogene Daten kombiniert mit Ortsbezug oder auch Bildern mit entsprechend individuell auswertbaren biometrischen Informationen aufgehäuft werden, entstehen schwierige Probleme für den Datenschutz. Dieser ist zum einen in verschiedenen Ländern unterschiedlich streng geregelt. Bei innovativen Entwicklungen die viele Menschen in privatesten Gebieten berühren und das Leben entscheidend wandeln, werden stets auch ethische Fragen berührt, die zu beantworten und bei jeder Form von organisierter Nutzung zu berücksichtigen sind.44

2.2. Controlling: Aufgaben, Funktionen und Kernelemente

Gemäß einem Grundsatzpapier des Internationalen Controllervereines und der International Group of Controlling gehört zu den Kernelementen des Controllings die Unterstützung der Planung auf Basis von finanziellen Unternehmenszielen sowie das Kontrollieren der Zielerreichung und das Gegensteuern, wenn Letztere nicht erfolgt.45 Controller unterstützen jede Managementebene individuell und fungieren als betriebswirtschaftlicher Begleiter. Hierbei sollten sie die Gesamtheit der Führungsaufgaben begleiten, da all diese ökonomische Auswirkungen haben. Diese Rolle wird mit den Begriffen „proaktiver, ergänzender Partner des Managements“ bzw. auch „kritischer Counterpart bzw. Sparringspartner“ verdeutlicht.46 Das Handwerkszeug des Controllers sind insbesondere monetäre und nicht monetäre Daten, die im Betrieb verfügbar sind. Er erfasst und validiert diese, schafft Transparenz und unterstützt bei der korrekten Interpretation der so gewonnenen Erkenntnisse. Außerdem gehört zu seinen Aufgaben die Gewährleistung der zielorientierten, rationellen Unternehmenssteuerung. Hierbei muss er eingesetzte Instrumente und einbezogene Bereiche koordinieren.47 Um die genannten Aufgaben wahrnehmen zu können muss ein entsprechend gehobenes Anforderungsprofil erfüllt sein. Zum einen sind ausgeprägte analytische Fähigkeiten zum Verständnis komplexer Planungen und zum Erkennen von Abweichungsursachen erforderlich. Die Gesamtheit der vorhandenen Bewertungs- und Steuerungsinstrumente muss Teil des theoretischen Fachwissens sein. Kommunikationsfähigkeit, Standfestigkeit und soziale Kompetenzen sind im Umgang mit Managern und Fachabteilungen essentiell.

[...]


1 Definition RFID gemäß dem Wirtschaftslexikon Gabler: „Abkürzung für Radio Frequency Identification; neben Magnetkarte und Barcode zählt RFID zu den weit verbreiteten Identifikationstechniken... Das Gesamtsystem besteht aus Transponder, der drahtlosen Schnittstelle, einer Basisstation zur Identifikation und einer IT-Anbindung. Ziel von RFID-Systemen ist die Identifikation beliebiger Objekte in logistischen Prozessketten sowie die Verknüpfung von Informationen mit diesen Objekten zur Beschleunigung und zur Verbesserung der Logistikprozesse.“ (Siehe Springer Gabler, RFID)

2 E-Government-Anwendungen sind IT-Anwendungen, die eine elektronische Verwaltung ermöglichen, wie der De-Mail-Emailzugang oder der elektronische Personalausweis. (Vgl. BMI, E-Government-Initiative)

3 BITKOM, Big-Data-Projekte, 2013, S. 7

4 Vgl. Felden, Big Data in der Energiewirtschaft, S. 3

5 Vgl. BMWI, Industrie 4.0

6 Vgl. Felden, Big Data in der Energiewirtschaft, S. 3

7 Vgl. Bange, Nutzen und Anwendungsstrategien Big Data, 2014, S. 4

8 Vgl. DATACOM, Internet-of-Things

9 Vgl. BMBF, Breitbandstrategie, 2009, S.5,6

10 Vgl. BITKOM, Big-Data-Projekte, 2013, S. 7

11 Vgl. T-Systems, Energie durch Big Data, 2013, S. 6; vgl. BDEW, Die Digitalisierung, 2015, S. 3-6

12 Vgl. Felden, Big Data in der Energiewirtschaft, 2014, S. 11; vgl. BITKOM, Big-Data-Projekte, 2014, S. 11,12 13; Vgl. ICV, Big Data Potential, 2014, S. 3

14 Vgl. Mayer-Schönberger, Cukier, Big Data Revolution, 2013, S. 13

15 Vgl. Bange, Nutzen und Anwendungsstrategien Big Data, 2014, S. 3

16 Vgl. BITKOM, Wissen für Entscheider, 2014, S. 12; vgl. Kraus, Big Data Einsatzfelder, 2013, S. 3,4

17 Vgl. Laney, 3D Data Management, 2001, S. 1, 2; vgl. Kraus, Big Data Einsatzfelder, 2013, S. 3

18 Vgl. ICV, Big Data Potential, 2014, S. 1

19 Vgl. Laney, 3D Data Management, 2001, S. 2; vgl. Klein, Tran-Gia, Hartmann, Big Data; vgl. Kraus, Big Data Einsatzfelder, 2013, S. 4

20 Vgl. Laney, 3D Data Management, 2001, S. 2; vgl. Kraus, Big Data Einsatzfelder, 2013, S. 3

21 Vgl. Klein, Tran-Gia, Hartmann, Big Data

22 Vgl. BITKOM, Wissen für Entscheider, 2014, S. 12

23 Vgl. Kraus, Big Data Einsatzfelder, 2013, S. 3,4

24 Vgl. ICV, Big Data Potential, 2014, S. 4 zitiert nach Davenport (et.al.) 2012, S. 44

25 BITKOM, Big-Data-Projekte, 2013, S. 10

26 Definition Cloud Computing gemäß BSI: "Cloud Computing ist ein Modell, das es erlaubt bei Bedarf, jederzeit und überall bequem über ein Netz auf einen geteilten Pool von konfigurierbaren Rechnerressourcen (z. B. Netze, Server, Speichersysteme, Anwendungen und Dienste) zuzugreifen, die schnell und mit minimalem Managementaufwand oder geringer Serviceprovider-Interaktion zur Verfügung gestellt werden können." (Siehe BSI Grundlagen Cloud Computing in Anlehnung an die Definition der National Institute of Standards and Technology)

27 Definition Software-as-a-Service: „ Software as a Service (SaaS) bedeutet Software als Service. Das SaasModell… basiert darauf, dass der Kunde seine Software nach Bedarf aus dem Internet als Software on Demand herunterlädt. Das SaaS-Konzept mit seinem On-Demand-Computing entstand durch die stärker werdende Einbindung des Internet in private und geschäftliche Anwendungen und damit der Entwicklung des Cloud-Computing.“ (Siehe DATACOM, Software-as-a-Service)

28 Definition M2M: „Die Machine to Machine-Kommunikation (M2M) bezieht sich auf die unmittelbare Kommunikation zwischen zwei beliebigen Geräten: das können Rechner sein, Steuergeräte, Feldgeräte oder Handys, Sicherungs-, Fernwartungs- oder Telematikeinrichtungen.“ (Siehe DATACOM, M2M)

29 Vgl. Lünendonk, Trendpapier Big Data, 2013, S. 8,9

30 Vgl. BITKOM, Wissen für Entscheider, 2014, S. 21-27; vlg. Graphik im Anhang 2 „Taxonomie Big Data“

31 Vgl. BITKOM, Wissen für Entscheider, 2014, S. 45-46

32 Vgl. BITKOM, Wissen für Entscheider, 2014, S. 44-45

33 Vgl. BITKOM, Wissen für Entscheider, 2014, S. 35-41

34 Vgl. Mayer-Schönberger, Cukier, Big Data Revolution, 2013, S. 7-9

35 Vgl. BITKOM, Wissen für Entscheider, 2014, S. 20

36 Vgl. Seufert, Controlling als Business Partner, 2014, S. 27

37 Vgl. Davenport, Big Data at Work, 2014, S. 73-79

38 Vgl. Wrobel, Big Data Vorsprung durch Wissen, 2012, S. 42

39 KPMG, Einführungsvortrag, 2014, S. 10

40 Vgl. Bachmann, Kamper, Gerzer, Big Data Fluch oder Segen, 2014, S. 58, 59

41 Velten, Janata, Datenexplosion, 2012, S. 5

42 Vgl. Velten, Janata, Datenexplosion, 2012, S. 15

43 Vgl. Klein, Tran-Gia, Hartmann, Big Data

44 Vgl. Kraus, Big Data Einsatzfelder, 2013, S. 14-17

45 Vgl. Gänßlen (et al.) Die Kernelemente, 2012, S. 2,3

46 Vgl. Gänßlen (et al.) Die Kernelemente, 2012, S. 4,5

47 Vgl. Gänßlen (et al.) Die Kernelemente, 2012, S. 6,7

Details

Seiten
49
Jahr
2015
ISBN (eBook)
9783668165298
ISBN (Buch)
9783668165304
Dateigröße
1.3 MB
Sprache
Deutsch
Katalognummer
v312339
Institution / Hochschule
Hochschule Mainz
Note
3
Schlagworte
chancen herausforderungen data controlling bereich energiewirtschaft

Autor

Teilen

Zurück

Titel: Chancen und Herausforderungen durch Big Data für das Controlling im Bereich der Energiewirtschaft