Leitlinien für den Big-Data-Einsatz Chancen und …¶ken_Weber Bonner... · 7 Erfolgsfaktoren für Big-Data-Projekte 15 ... Marketing & Vertrieb Kostenreduzierung – Zuschnitt der

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile

12,33 -12,33 Inhaltsbereich

Abstandsangaben; Bitte einhalten (Bsp.: Titelbereich 6,61 – 5,06 / max. 2 Zeilen)

Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung Arnd Böken, Graf von Westphalen Rechtsanwälte Partnerschaft

Dr. Mathias Weber, Bitkom e.V.

18. Bonner Gespräche zur politischen Bildung 2016

8. März, 10.05 – 11.20 Uhr, Workshops 1, Raum 2

Einsatzgebiete und -beispiele

Vorgehensmodell für Big-Data-Projekte

Beispiele für durch Big Data umgesetzte Geschäftsmodell-Innovationen

Positionen zu Schwerpunkten im gesellschaftlichen Diskurs

Leitlinien für den Big-Data-Einsatz

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Sensibilisierung für Big Data Schwerpunkte

1 Relevanz – Quellen – Begriffsbestimmung 02

2 Big Data im Technologie-Konzert 06

3 Einsatzgebiete in Unternehmen 07

4 Einsatzbeispiele – Verbraucher / Gesellschaft 08

5 Big Data in der Wirtschaft – Analysen 09

6 Vorgehensmodell für Big-Data-Projekte 14

7 Erfolgsfaktoren für Big-Data-Projekte 15

8 Big Data und Geschäftsmodell-Innovationen 16

9 Gesellschaftlicher Diskurs – Positionen 20

10 Leitlinien für den Big-Data-Einsatz 21

2

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Ist Big Data relevant?

3

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Quellen www.bitkom.org | www.bitkom-research.de | www.bitkom-bigdata.de

4

http://www.bitkom.org/

http://www.bitkom-research.de/



http://www.bitkom-bigdata.de/



6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Big Data – Begriffsbestimmung Big Data bezeichnet den Einsatz großer Datenmengen aus vielfältigen Quellen mit einer

hohen Verarbeitungsgeschwindigkeit zur Erzeugung wirtschaftlichen Nutzens.

5 Big-Data-Leitfaden 1

Datenmenge (Volume)

Anzahl von Datensätzen und Files

Yottabytes

Zettabytes

Exabytes

Petabytes

Terabytes

Datenvielfalt (Variety)

Fremddaten (Web etc.)

Firmendaten

Unstrukturierte, semistrukturierte, strukturierte Daten

PräsentationeTexte, Videon,, Bilder, Tweets, Blogs

Kommunikation zwischen Maschinen

Geschwindigkeit (Velocity)

Datengenerierung in hoher Geschwindigkeit

Übertragung der konstant erzeugten Daten

Echtzeit

Millisekunden

Sekunden, Minuten, Sekunden

Analytics

Erkennen von Zusammenhängen, Bedeutungen, Mustern

Vorhersagemodelle

Data Mining

Text Mining

Bildanalytik, Visualisierung, Realtime

Big Data

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Big Data im Technologie-Konzert


Big Data

Cloud Computing & SaaS

Sensors & M2M

Social Media & Real Time

Mobile Apps & Location-Based

Services

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Einsatzgebiete Big Data in Unternehmen Ziele: Effizienzsteigerung, Umsatzsteigerung und Risikominimierung

Marketing & Vertrieb

Kostenreduzierung – Zuschnitt der Angebote auf Kundengruppen

Cross-Selling – mehr Umsatz in Verkaufsvorgängen

Markt- und Wettbewerbsbeobachtung

Location-based Marketing

Management von Kundenabwanderungen

Beispiel Einzelhandel: + In-Store-Verhaltensanalyse, Mikrosegmentierung, Sentiment-Analyse, Kundenerlebnis

Forschung und Produktentwicklung

Produktion, Service und Support

Distribution und Logistik

Finanz- und Risiko-Controlling


6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Einsatzbeispiele Big Data – Verbraucher und Gesellschaft Herausforderung: Austarieren des Nutzens und der Risiken

Energiewende

Smart Metering

Verkehrssysteme

Medizinische Forschung und Diagnostik

Krebstherapie

Öffentlicher Bereich

Katastrophenmanagement

Kriminalitätsbekämpfung

Umwelt-Monitoring

Vorhersage von Krisensituationen

Bildung und Qualifizierung

8

Finanzdienstleistungen

Kreditvergabe

Landwirtschaft

Smart Farming

Connected Car – aus Sicht privater Nutzer

Digitale Einkaufswelten

Online-Marketing

Industrie 4.0

Telekommunikation

Verbesserung des Datenschutzes in

Rechenzentren

Positionspapier 2015

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Einstellung zu Datenanalysen Zunehmend werden Entscheidungen durch Datenanalysen unterstützt

9 Bitkom Research | KPMG

37%

30%

23%

12%

13%

14%

38%

31%

31%

36%

30%

27%

23%

35%

26%

25%

30%

35%

2%

4%

14%

22%

17%

11%

6%

5%

10%

13%

0% 20% 40% 60% 80% 100%

Relevante Entscheidungen in unseremUnternehmen basieren zunehmend auf

Erkenntnissen aus der Analyse von Daten

Die Analyse von Daten ist zunehmend einentscheidener Baustein für die Wertschöpfung /die Geschäftsmodelle in unserem Unternehmen.

Unser Unternehmen sucht aktiv nach Chancen,die sich durch die umfassende Analyse von Daten

bieten.

In unserem Unternehmen analysieren wir Datennicht nur, sondern schaffen es auch, die

Erkenntnisse aus den Analysen in konkretenNutzen für das Unternehmen umzuwandeln.

Unser Unternehmen ist daran interessiert, dieneuesten Technologien zur Analyse von Daten

einzusetzen.

Wir beobachten aktiv den Markt hinsichtlich der neuesten Anwendungsfälle, die sich durch die

Analyse von Daten ergeben – einschließlich der neuesten technologischen Möglichkeiten.

Trifft voll und ganz zu Trifft eher zu Teils / teils Trifft eher nicht zu Trifft überhaupt nicht zu

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Einstellung zu Datenanalysen Höchste Zustimmung in Transport und Logistik, Automobilindustrie, Versicherungen


2,0

2,1

2,2

2,3

2,4

2,5

2,6

2,7

2,8

2,9

3,01,41,51,61,71,81,92,02,12,22,3

Unterdurchschnittlich Überdurchschnittlich

Un

terd

urc

hsc

hn

ittl

ich

Ü

be

rdu

rch

sch

nit

tlic

h

IT und Elektronik

Energie

Medien Gesundheits-wirtschaft

Telekomm-unikation

Chemie und Pharma

Handel

Banken

Maschinen- und Anlagenbau

Versicherungen Automobilindustrie

Transport und Logistik

Relevante Entscheidungen in unserem Unternehmen basieren zunehmend auf Erkenntnissen aus der Analyse von Daten (Mittelwert pro Branche)

Wir

sch

aff

en

es,

die

Erk

en

ntn

isse

au

s d

en

An

aly

sen

in k

on

kre

ten

N

utz

en

fü

r d

ie U

nte

rne

hm

en

um

zuw

an

de

ln (

Mit

telw

ert

pro

Bra

nch

e)

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Hürden bei der Nutzung von Datenanalysen Datenschutz und unzureichende Ressourcen

11

74%

61%

59%

45%

34%

28%

28%

23%

22%

18%

26%

39%

41%

55%

67%

72%

73%

77%

78%

82%

0% 20% 40% 60% 80% 100%

Keine Weitergabe von Daten an Drittanbieter

Unzureichendes Budget

Nicht genügend Datenanalyse-Spezialisten

Unklarheiten hinsichtlich Rechtslage

Schwierigkeiten bei der Erstellungeines Business Case

Sorge vor öffentlicher Kritik

Unzureichende Qualität der Daten

Gefährdung des Kundenvertrauens

Unzureichende Quantität der Daten

Fehlende Information zuAnalysemöglichkeiten

Obersten beiden Optionen (»Trifft voll und ganz zu« und »Trifft eher zu«)

Untersten drei Optionen (»Teils/teils« und »Trifft eher nicht zu« und »Trifft überhaupt nicht zu«)

Bitkom Research | KPMG

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Nutzung und Planung von High-End-Datenanalysen Automobilbranche Vorreiter – Medien, Transport und Logistik liegen zurück


21%

21%

20%

19%

16%

14%

13%

12%

11%

11%

2%

1%

7%

13%

7%

3%

9%

5%

4%

16%

6%

10%

6%

6%

27%

10%

11%

17%

12%

18%

9%

24%

8%

17%

12%

18%

0% 20% 40% 60%

Automobilindustrie

Versicherungen

Chemie und Pharma

Energie

Telekommunikation

Handel

Banken

IT und Elektronik

Maschinen- und Anlagenbau

Gesundheitswirtschaft

Transport und Logistik

Medien

Nutzer Planer Diskutierer

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Falsche Strategie!

Auffahrt zur Datenautobahn?

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Vorgehensmodell für Big-Data-Projekte


Assessment Planen der Big-Data-Strategie

Readliness Vorbereitung der IT auf Big Data

Implementierung & Integration Einführung der Big-Data-Applikationen

Konsolidierung & Migration Integration von neuen Datenquellen und Harmonisierung

Nutzung der neuen Daten Verwertung der neuen Daten

Reporting & Predictive Analytics Veredelung der neuen Daten

End-to-End Prozesse Vorteile durch transparente Prozesse

Optimierung Tuning der Big-Data-IT & Prozesse durch innovativen Betrieb

1

2 3

4 5

6

7

8

Aktuelle Daten- und

System-landschaft

Zukünftige Daten- und

System-landschaft

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Erfolgsfaktoren in Big-Data-Projekten

Existenz einer wertorientierten Big-Data-Strategie

Business-Fokus

Senior-Management-Unterstützung aus den Fachbereichen

Bewertung des Return on Information

Orientierung an bewährten Grundsätzen und Praktiken des Information-Managements

Definition einer wertorientierten Roadmap

Etablierung eines umfassenden Big-Data-Innovationsprozesses

(unter Einschluss der Unternehmenskultur)

Regelmäßige Erfolgsüberprüfung und Ausrichtung der geplanten Initiativen

Technologie-Auswahl für Big Data

Einrichtung einer geeigneten Organisation

(Kompetenzentwicklung der Mitarbeiter, Rollen und Verantwortung)

Big-Data-Checkliste


6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Durch Big Data umgesetzte Geschäftsmodell-Innovationen Ausgewählte Beispiele (aus 42 vom Bitkom publizierten)

{02} ThyssenKrupp Elevator - Intelligente Aufzüge

{03} DB Schenker - Predictive Maintenance auf der Schiene: immer gut gewartete Lokomotiven

{05} Saarstahl AG - Intelligente Prozessprognose basierend auf Big-Data-Analytics-Verfahren (iPRODICT)

{06} Mercedes-AMG - Big Data auf dem Prüfstand: Effizientes Testmanagement durch

Echtzeitauswertung

{13} Hamburg Port Authority AöR - smartPORT logistics im Hamburger Hafen

{22} ProSiebenSat.1 - Fakten mit Big Data: Was bringen TV-Spots für E-Commerce?

{26} Munich Re - Erkennung relevanter Nachrichten zu Versicherungsschäden

{32} Beiersdorf - Viele Märkte, noch mehr Daten: Gezielte Fokussierung mithilfe von Big-Data-

Technologien

{39} Nestlé - Ein Tag – eine Milliarde Lebensmittel: Steuerung von Produktion, Lagerhaltung und

Lieferlogistik mittels statistischem Forecasting

{40} Nationales Centrum für Tumorerkrankungen - Big Data in der Medizin: Neue Möglichkeiten für Arzte

und Patienten


6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



ThyssenKrupp Elevator Führende globale Hersteller ThyssenKrupp Elevator AG betreibt mehr als 1,1 Millionen

Aufzüge weltweit, darunter einige in den kultigsten Gebäuden.

Parameter Erläuterung

Challenge Wettbewerbsvorteile erzielen - Konzentration auf den für Kunden ausschlaggebenden Aspekt: Zuverlässigkeit. Sammeln von Sensorinformationen und Transformation in entscheidungsrelevante Informationen: vorausschauende und auch präventive Wartung.

Lösung Entwicklung eines intelligenten Überwachungssystems für Aufzüge | Basis: Microsoft Azure Intelligent Systems Service, Microsoft Azure Maschinelles Lernen | Verbindung von Sensoren und Systemen in den Aufzügen über Azure Cloud und Visualisierung in Kennzahlen-Dashboard.

Nutzen Microsoft Azure Machine Learning Service: Aufzüge erläutern Techniker wie sie instand zu setzen sind | deutliche Effizienzerhöhung Wartung | ständige Verbesserung der Vorhersagemodelle | deutliche Steigerung Betriebszeiten.

17

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Munich Re Erkennung relevanter Nachrichten zu Versicherungsschäden


Challenge Munich Re erfährt bisher viel zu spät von relevanten Schadensfällen, um noch schadensmindernd eingreifen zu können – etwa in Bezug auf Folgeschäden oder Betriebsausfälle. Durch eine frühzeitigere Erkennung relevanter Schadensfälle soll ein erfolgskritischer Zeitvorteil bei der Schadensbearbeitung erzielt werden.

Lösung Permanente Überwachung ca. 4.000 Nachrichtenquellen – Untersuchung von Millionen Nachrichten nahezu in Echtzeit nach Hinweisen auf rückversicherungs-relevante Schadensereignisse | auf Basis eines Wissensmodelles werden Nachrichten identifiziert, stufenweise analysiert und kategorisiert | mit semantischen Verfahren werden aus Nachrichten fachspezifische Entitäten (Schadensarten, -ursachen und -summen, Ortsangaben und Firmennamen, Personenschäden) gewonnen.

Nutzen Neue Lösung ermöglicht Auswertung aller verfügbaren Nachrichten in nahezu Echtzeit | Frühzeitiges Eingreifen ermöglicht Reduktion von Folgeschäden.

18 Leitfaden 2015

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Nationales Centrum für Tumorerkrankungen Big Data in der Medizin: Neue Möglichkeiten für Arzte und Patienten


Challenge Erfolgsaussichten von Behandlungsmethoden bei Tumorpatienten lassen sich oft nur vage vorhersagen – Konsequenz: teure und nebenwirkungsbehaftete Therapien ohne Verbesserung des Zustandes | komplexe Krankheiten benötigen komplexe Analysen | über 100 Krebsformen | betroffene Patienten benötigen individuelle Behandlung | dafür muss NCT eine große Menge an Daten in Echtzeit auswerten

Lösung Für individuelle Behandlung muss für genetisches Profil des Patienten erfolgver-sprechendste Therapie ermittelt werden | Voraussetzung: Analyse strukturierter (Tumordokumentationen, Medizin-Akten, Studien,…) und unstrukturierter Daten (Arztbriefe, Publikationen,…) in Bezug auf Patientenprofil | Lösung auf Basis SAP HANA

Nutzen Deutlich erhöhte Transparenz der Patientenhistorie | schnellere Zuordnung von Patienten zu passenden Studien | Echtzeitidentifikation von Tumorarten ermöglicht Erstellung der für den Patienten wirksamsten Behandlungsmethode | höhere Lebenserwartung der Tumorpatienten

19

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Big-Data-Einsatz – Positionen zu Schwerpunkten im gesellschaftlichen Diskurs Big Data im internationalen Wettbewerb

Vertrauensentwicklung bei Verbrauchern - Best Practices

Transparenz bei Big-Data-Analysen

Wie Analyseergebnisse zustande kommen

Bedeutung ethischer Grundsätze bei Big-Data-Lösungen

Stimulierung gesellschaftlich wünschenswerter Verhaltensweisen

Datensammlung im Automatismus

Recht auf Vergessenwerden?

Umgang mit Wahrscheinlichkeiten und Verhaltensprognosen

Erkenntnisse aus der Kommunikation in sozialen Netzwerken

20 Positionspapier 2015

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Big Data Leitlinien

Bitkom Leitlinien für den Big Data-Einsatz – Möglichkeiten und

Chancen

Arbeitsgruppe Big Data und Arbeitsgruppe Datenschutz

Team aus 30 Mitgliedern (Big Data-Sachverständige / Spezialisten,

Datenschutzberater, Rechtsanwälte, Wissenschaftler etc.)

veröffentlicht im September 2015

verschiedene Themen: Vorteile/Nutzen und Risiken, Entwicklung

einer data-driven Economy, Rechtsgrundlagen, ethische Fragen etc.

https://www.bitkom.org/Bitkom/Publikationen/Leitlinien-fuer-den-

Big-Data-Einsatz.html

21

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Big Data Leitlinien Kundennutzen

1. Nutzen der Big-Data-Anwendungen prüfen Big-Data-Anwendungen sollen einen klar erkennbaren

Nutzen für Verbraucher, Kunden oder die Gesellschaft haben.

Prüfung Nutzen für eigenes Unternehmen Warum Kundennutzen?

erhöht Einwilligungsrate

Positiv bei Rechtmäßigkeitsprüfung

vermeidet Beschwerden und Reputationsschäden

Worin liegt Kundennutzen?

verbesserte Produkte und Dienstleistungen

verbesserte Ansprache von Interessenten

22

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Big Data Leitlinien Transparenz

2. Anwendungen transparent gestalten Big-Data-Anwendungen sollen transparent

sein, so dass die Betroffenen erkennen können,

welche ihrer personenbezogenen Daten in

welcher Weise verarbeitet werden.

erleichtert Einwilligungen

Wirksamkeit der Einwilligungen

erhöht Akzeptanz

23

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Big Data Leitlinien Datensparsamkeit-Interessenabwägung

3. Bevorzugt anonymisierte oder pseudonymisierte Daten verarbeiten Soweit die Verarbeitung von anonymisierten oder pseudonymisierten Daten

denselben Nutzen für die Beteiligten hat, sind solche Verfahren vorzuziehen. Es gibt

aber auch Verfahren, die sich nur sinnvoll einsetzen lassen, wenn personenbezogene

Daten verwendet werden.

4. Interessen der Beteiligten abwägen Personenbezogene Daten dürfen verarbeitet werden, wenn berechtigte Interessen

der verantwortlichen Stelle dies rechtfertigen und keine überwiegenden Interessen

der Betroffenen entgegenstehen. Unter denselben Voraussetzungen ist es auch

zulässig, Daten zu verwenden, die ursprünglich für einen anderen Zweck erhoben

wurden. Liegen diese Voraussetzungen nicht vor, dürfen die Daten nur verarbeitet

werden, wenn die Betroffenen einwilligen.

24

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Big Data Leitlinien Transparente Einwilligungen u.a.

5. Einwilligungen transparent gestalten Wenn die Datenverarbeitung in Big-Data-Verfahren auf eine Einwilligung gestützt wird, muss die

Einwilligung transparent sein, damit der Betroffene erkennen kann, welche Daten für welche

Zwecke verwendet werden.

6. Nutzen für Betroffene schaffen Big-Data-Anwendungen sollten auch einen Nutzen für Betroffene haben, die ihre Daten für die

Bearbeitung zur Verfügung stellen.

7. Governance für personenbezogene Daten etablieren Unternehmen sollten eine starke Governance etablieren, die eine gründliche Überprüfung von

Zulässigkeit und Notwendigkeit von Big-Data-Anwendungen garantiert, den

verantwortungsvollen Umgang mit Big Data sichert un die Rechte und Interessen der Betroffenen

wahrt. Hierbei kommt dem betrieblichen Datenschutzbeauftragten eine wichtige Rolle zu.

25

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Big Data Leitlinien Schutz vor Data breaches

8. Daten wirksam gegen unberechtigte Zugriffe schützen Unternehmen, die Big-Data-Anwendungen

einsetzen, setzen ausreichende technische und

organisatorische Schutzmaßnahmen ein, um

unberechtigte Zugriffe auf personenbezogene

Daten zu verhindern.

Data Breaches führen zu:

Schadensersatz

Verfahren vor Behörden

Kundenbeschwerden

Reputationsschäden

26

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Big Data Leitlinien

9. Keine Daten zu ethisch-moralisch unlauteren Zwecken verarbeiten Datenerhebungen, Verknüpfung von Daten oder

andere Datenverarbeitungen zu ethisch-moralisch

unlauteren Zwecken sind zu unterlassen. Das

gleiche gilt, wenn die Erhebung, Verknüpfung oder

Verarbeitung der Daten den Betroffenen schaden

können.

27

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Big Data Leitlinien Datenweitergaben – Selbstbestimmtes Handeln

10. Datenweitergabe nach Interessenabwägung ermöglichen Die Weitergabe von personenbezogenen Daten an Dritte ist mit

Einverständnis möglich. Möglich ist sie auch nach einer

Interessenabwägung, wobei der Weitergebende die Risiken zu

berücksichtigen hat, die sich aus der Zusammenführung mit anderen

Datenbeständen beim Empfänger ergeben könnten. Dabei ist

sicherzustellen, dass der Betroffene informiert wird.

11. Selbstbestimmtes Handeln ermöglichen Unternehmen, die Big-Data-Anwendungen einsetzen, ermöglichen dem

Betroffenen durch transparente Information über die Anwendungen

und durch ergänzende Auskünfte selbstbestimmtes Handeln.

28

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Big Data Leitlinien Politische Rahmenbedingungen

12. Politische Rahmenbedingungen vervollkommnen – Datenschutz und Datennutzen neu abwägen Big-Data-Anwendungen können einen hohen Nutzen für die Gesellschaft und für jeden

Einzelnen haben. Nicht nur Unternehmen sind daher gefordert, sondern auch die Politik. Sie

entwickelt die Rahmenbedingungen so weiter, dass Big-Data-Anwendungen in Deutschland

und der Europäischen Union sinnvoll eingesetzt werden können, Rechte der Betroffenen

angemessen geschützt und ungerechtfertigte regulatorische Hindernisse abgebaut werden.

Die Weiterentwicklung einer datenbasierenden Wirtschaft in Deutschland und der

Europäischen Union ist ein wichtiges politisches Ziel. Deutsche Unternehmen dürfen hierbei

keinen Wettbewerbsnachteilen gegenüber Unternehmen aus anderen EU-Staaten der Welt

ausgesetzt sein

Die Politik setzt einen Prozess auf, der die Weiterentwicklung des Datenschutzrechts auch

nach Verabschiedung der EU-Datenschutz-Grundverordnung zum Ziel hat.

29

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



30

» Manche dürfen noch nicht, ein paar wollen noch nicht: Müssen werden wohl alle.« Bitkom Research / KPMG

© Dina Giangregorio –Stocksy United

6,61

5,06

4,25

- 6,00

- 7,14

Titelbereich

Inhaltsbereich

Fußzeile



Kontakte

Bitkom e.V.

Albrechtstraße 10 10117 Berlin T 030 27576 0 [email protected] www.bitkom.org

Dr. Mathias Weber Bereichsleiter IT-Services E [email protected] T 030 27576 121

Graf von Westphalen

Potsdamer Platz 8 10117 Berlin T 030 726111 0 [email protected] www.gvw.com

Arnd Böken Partner E [email protected] T 030 726111 475

mailto:[email protected]





Documents

Leitlinien für den Big-Data-Einsatz Chancen und …¶ken_Weber Bonner... · 7 Erfolgsfaktoren für Big-Data-Projekte 15 ... Marketing & Vertrieb Kostenreduzierung – Zuschnitt der