WEBVTT

NOTE
Untertitel zu „Big Data einfach erklärt“ (Erklaerexperten, 2014), https://commons.wikimedia.org/wiki/File:Big_Data_einfach_erkl%C3%A4rt.webm
Spur: large-v3 · ohne Aufteilung. Automatisch erkannt mit Whisper large-v3 (faster-whisper 1.2.1), erkannt am 2026-10-16, aufbereitet von AgileElk, Stand 2026-10-20.
Lizenz: CC BY-SA 3.0, https://creativecommons.org/licenses/by-sa/3.0/

00:00:01.140 --> 00:00:08.820
Der Begriff Big Data bezeichnet Datenmengen, die so groß sind, dass man sie mit normaler Soft- oder Hardware-

00:00:08.820 --> 00:00:13.520
beziehungsweise herkömmlichen Methoden der Datenverarbeitung nicht mehr bewältigen kann.

00:00:13.860 --> 00:00:15.980
Wie entstehen solche Datenmengen?

00:00:16.360 --> 00:00:24.020
Ganz einfach. Wir alle speisen sie mit jedem Klick, jedem Online-Einkauf, jeder Eingabe ins Navigationsgerät,

00:00:24.020 --> 00:00:32.220
jeder Finanztransaktion, jedem Telefonat, jedem Fitnessstudio-Besuch, jedem neuen Freund im sozialen Netzwerk.

00:00:32.740 --> 00:00:36.720
Das bedeutet, die Datenberge wachsen, und zwar rasant.

00:00:38.590 --> 00:00:44.630
Die gleiche Menge an Daten, die die Menschheit von ihrem Ursprung an bis zum Jahr 2002 geschaffen hat,

00:00:44.950 --> 00:00:49.990
entsteht im Jahr 2014 bereits in der Zeit, in der sie einen Kaffee trinken.

00:00:50.550 --> 00:00:52.110
Innerhalb von 10 Minuten.

00:00:52.110 --> 00:00:58.750
Minuten. Mit dem Begriff Big Data sind aber häufig nicht nur die Daten an sich, sondern

00:00:58.750 --> 00:01:05.070
auch deren Analyse und Nutzung gemeint. Das bedeutet, dass man die Datenmenge nutzt, indem

00:01:05.070 --> 00:01:11.530
man darin automatisiert Muster und Zusammenhänge sucht. Ein Beispiel dafür kennt fast jeder

00:01:11.530 --> 00:01:17.990
vom Online-Shopping. Empfehlungen à la Kunden, die das kauften, kauften auch, basieren auf

00:01:17.990 --> 00:01:21.710
auf der Echtzeitauswertung von Millionen von Kaufdaten anderer Kunden.

00:01:22.170 --> 00:01:28.390
Mithilfe dieser Daten wird errechnet, welche Produkte den Käufer mit hoher Wahrscheinlichkeit noch interessieren könnten.

00:01:29.390 --> 00:01:33.750
Ein ganz anderes Beispiel für die Analyse von Big Data kommt aus den USA.

00:01:34.710 --> 00:01:41.370
Dort wurde über die automatisierte Auswertung von Tweets die Verbreitung einer Grippewelle vorhergesagt und eingedämmt.

00:01:41.570 --> 00:01:46.570
Es sind unendlich viele Bereiche denkbar, in denen Big Data zum Einsatz kommen kann.

00:01:46.570 --> 00:01:52.710
In der medizinischen Forschung können Massendaten helfen, die besten Therapien für Krankheiten wie Krebs zu finden.

00:01:54.030 --> 00:01:59.950
Maschinen können ihre eigenen Betriebsdaten nutzen, um daraus zu lernen und effizienter zu werden.

00:02:02.060 --> 00:02:10.420
Unternehmen können Big Data nutzen, um ihre Kunden besser kennenzulernen und Produkte, Dienstleistungen und Werbung auf sie zuzuschneiden.

00:02:10.640 --> 00:02:12.880
Und das sind nur einige Beispiele.

00:02:13.360 --> 00:02:15.860
Aber Big Data wirft auch Fragen auf.

00:02:16.500 --> 00:02:19.060
Wem gehören die, häufig persönlichen, Daten?

00:02:19.480 --> 00:02:23.560
Ist es gefährlich, wenn nur wenige große Unternehmen sie kontrollieren?

00:02:24.060 --> 00:02:26.500
Wollen wir, und das ist ein reales Beispiel,

00:02:26.760 --> 00:02:30.600
wirklich von einem Onlineshop auf Basis des Kaufverhaltens erfahren,

00:02:30.880 --> 00:02:32.120
dass jemand schwanger ist?

00:02:32.700 --> 00:02:34.760
Und kommt irgendwann der Zeitpunkt,

00:02:34.880 --> 00:02:38.060
an dem auch menschliches Verhalten voraussagbar wird?

00:02:40.080 --> 00:02:43.900
Also, Big Data bietet enorme Chancen, aber auch Risiken.

00:02:43.900 --> 00:02:47.940
Es ist ein wenig wie bei der Entdeckung des Feuers durch die Steinzeitmenschen.

00:02:48.280 --> 00:02:52.620
Man kann sich daran die Finger verbrennen oder eine Zivilisation darauf begründen.