Summary
Big data is a management issue across sectors and promises to deliver a competitive advantage via structured knowledge, increased efficiency and value creation. Within companies, there is significant demand for big data skills, individual business models, and technological solutions.
Fraunhofer assists companies to identify and mine their valuable data. Experts from Fraunhofer’s Big Data and Artificial Intelligence Alliance demonstrate how companies can benefit from an intelligent enrichment and analysis of their data.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Sources and literature
Auffray C, Balling R, Barroso I et al (2016) Making sense of big data in health research: Towards an EU action plan. Genome Medicine. URL: http://genomemedicine.biomedcentral.com/articles/10.1186/s13073-016-0323-y
Cacilo A, Schmidt S, Wittlinger P et al (2015) Hochautomatisiertes Fahren auf Autobahnen – Industriepolitische Schlussfolgerungen. Fraunhofer IAO. URL: http://www.bmwi.de/Redaktion/DE/Downloads/H/hochautomatisiertes-fahren-auf-autobahnen.pdf?__blob=publicationFile&v=1
Chemnitz M, Schreck G, Krüger J (2015) Wandlung der Steuerungstechnik durch Industrie 4.0. Einfluss von Cloud Computing und Industrie 4.0 Mechanismen auf die Steuerungstechnik für Maschinen und Anlagen. Industrie 4.0 Management 31 (6): 16-19
Fedkenhauer T, Fritzsche-Sterr Y, Nagel L et al (2017) Datenaustausch als wesentlicher Bestandteil der Digitalisierung. PricewaterhouseCoopers. URL: http://www.industrialdataspace.org/ressource-hub/publikationen/
Fraunhofer IGB (2016) Mass Personalization. Mit personalisierten Produkten zum Business to User (B2U). Fraunhofer IGB. URL: https://www.igb.fraunhofer.de/de/presse-medien/presseinformationen/2016/personalisierung-als-wachstumstreiber-nutzen.html
Fraunhofer IVI, Quantic Digital, Verbundnetz Gas AG (VNG AG) (2016) Wegweiser zum Energieversorger 4.0: Studie zur Digitalisierung der Energieversorger – In 5 Schritten zum digitalen Energiemanager. Quantic Digital. URL: www.quantic-digital.de/studie-digitalisierung-energieversorger/
Heyen N (2016) Digitale Selbstvermessung und Quantified Self. Potenziale, Risiken und Handlungsoptionen. Fraunhofer ISI. URL: http://www.isi.fraunhofer.de/isi-wAssets/docs/t/de/publikationen/Policy-Paper-Quantified-Self_Fraunhofer-ISI.pdf
Klink P, Mertens C, Kompalka K (2016) Auswirkung von Industrie 4.0 auf die Anforderungen an ERP-Systeme. Fraunhofer IML. URL: https://www.digital-in-nrw.de/files/standard/publisher/downloads/aktuelles/Digital%20in%20NRW_ERP-Marktstudie.pdf
Radić D, Radić M, Metzger N et al (2016) Big Data im Krankenversicherungsmarkt. Relevanz, Anwendungen, Chancen und Hindernisse. Fraunhofer IMW. URL: https://www.imw.fraunhofer.de/content/dam/moez/de/documents/Studien/Studie_Big%20Data%20im%20Krankenversicherungsmarkt.pdf
Schmidt A, Männel T (2017) Potenzialanalyse zur Mobilfunkdatennutzung in der Verkehrsplanung. Fraunhofer IAO. URL: http://www.iao.fraunhofer.de/lang-de/images/iao-news/telefonica-studie.pdf
Steinebach M, Winter C, Halvani O et al (2015) Chancen durch Big Data und die Frage des Privatsphärenschutzes. Fraunhofer SIT. URL: https://www.sit.fraunhofer.de/fileadmin/dokumente/studien_und_technical_reports/Big-Data-Studie2015_FraunhoferSIT.pdf
Urbach N, Oesterle S, Haaren E et al (2016) Smart Data Transformation. Surfing the Big Wave. Infosys Consulting & Fraunhofer FIT. URL: http://www.fit.fraunhofer.de/content/dam/fit/de/documents/SmartDataStudy_InfosysConsulting_FraunhoferFIT.pdf
Acatech (2016) Innovationspotenziale der Mensch-Maschine-Interaktion (acatech IMPULS). Herbert Utz Verlag. München
Bughin J, Hazan E, Ramaswamy S et al (2017) Artificial intelligence: the next digital frontier?. McKinsey Global Institute. URL: https://www.mckinsey.de/wachstumsmarkt-kuenstliche-intelligenz-weltweit-bereits-39-mrd-us-dollar-investiert (abgerufen: 07/2017)
Böttcher B, Klemm D, Velten C (2017) Machine Learning im Unternehmenseinsatz. CRISP Research. URL: https://www.crisp-research.com/publication/machine-learningim-unternehmenseinsatz-ku%CC%88nstliche-intelligenz-als-grundlage-digitaler-transformationsprozesse (abgerufen: 07/2017)
Gimpel H, Rau D, Röglinger M (2016) Fintech-Geschäftsmodelle im Visier. Wirtschaftsinformatik & Management 8(3): 38-47
Hecker, D, Koch D J, Werkmeister C (2016) Big-Data-Geschäftsmodelle – die drei Seiten der Medaille. Wirtschaftsinformatik und Management, Heft 6, 2016
Hecker D, Döbel I, Rüping S et al (2017) Künstliche Intelligenz und die Potenziale des maschinellen Lernens für die Industrie. Wirtschaftsinformatik und Management, Heft 5, 2017
Kanellos M (2016) 152 000 Smart Devices Every Minute In 2025: IDC Outlines The Future of Smart Things. Forbes. URL: https://www.forbes.com/sites/michaelkanellos/2016/03/03/152000-smart-devices-every-minute-in-2025-idc-outlines-the-futureof-smart-things/#2158bac74b63 (abgerufen: 07/2017)
King J, Magoulas R (2017) 2017 European Data Science Salary Survey – Tools, Trends, What Pays (and What Doesn‘t) for Data Professionals in Europe. O’Reilly. URL: http://www.oreilly.com/data/free/2017-european-data-science-salary-survey.csp (abgerufen: 07/2017)
Lueth K, Patsioura C, Williams Z et al (2016) Industrial Analytics 2016/2017. The current state of data analytics usage in industrial companies. IoT Analytics. URL: https://digital-analytics-association.de/dokumente/Industrial%20Analytics%20Report%202016%202017%20-%20vp-singlepage.pdf (abgerufen: 07/2017)
Maiser E, Schirrmeister E, Moller B et al (2016) Machine Learning 2030. Zukunftsbilder für den Maschinen- und Anlagenbau. Band 1, Frankfurt am Main
Manyika J, Chui M, Brown B et al (2011) Big data: The next frontier for innovation, competition, and productivity. McKinsey&Company. URL: http://www.mckinsey.com/business-functions/digital-mckinsey/our-insights/big-data-the-next-frontier-for-innovation (abgerufen: 07/2017)
Neef A (2016) Kognitive Maschinen. Wie Künstliche Intelligenz die Wertschöpfung transformiert. Z_punkt. URL: http://www.z-punkt.de/de/themen/artikel/wie-kuenstliche-intelligenz-die-wertschoepfung-treibt/503 (abgerufen: 07/2017)
Patil D, Mason H (2015) Data Driven – Creating a Data Culture. O’Reilly. URL: http://www.oreilly.com/data/free/data-driven.csp (abgerufen: 07/2017)
Schäfer A, Knapp M, May M et al (2013) Big Data – Perspektiven für Deutschland. Fraunhofer IAIS. URL: https://www.iais.fraunhofer.de/de/geschaeftsfelder/big-dataanalytics/referenzprojekte/big-data-studie.html (abgerufen: 07/2017)
University4Industry (2017) Machine Learning – 1.Schritte für den Ingenieur. URL: https://www.university4industry.com (abgerufen: 07/2017)
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2019 Springer-Verlag GmbH Germany, part of Springer Nature
About this chapter
Cite this chapter
Wrobel, S., Hecker, D. (2019). Fraunhofer Big Data and Artificial Intelligence Alliance. In: Neugebauer, R. (eds) Digital Transformation. Springer Vieweg, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-58134-6_15
Download citation
DOI: https://doi.org/10.1007/978-3-662-58134-6_15
Publisher Name: Springer Vieweg, Berlin, Heidelberg
Print ISBN: 978-3-662-58133-9
Online ISBN: 978-3-662-58134-6
eBook Packages: EngineeringEngineering (R0)