ISE-06-002

Siehe Studienverlaufsplan

Pflicht

Prof. Dr. Axel Lamprecht

Deutsch / Englisch

Mind. 1 x jährlich

1 Semester

150 Std.

Präsenz: 32 Std. | Selbststudium: 56 Std. | Transfer: 62 Std.

5 CP

Klausur (60 min.) oder Mündliche Prüfung oder Case oder Transferarbeit (6-8 Seiten)

Seminar (Präsenzlehre), ergänzend Selbststudium und Transfer, ggf. E-Learning, Pre- und Post-Reading.

• Datenmanagement

• Datenverwaltungsaufgaben

  • Datenerfassung

  • Datenaufbereitung

  • Datentransformation

  • Datenspeicherung

  • Datenvalidierung

• Datawarehouse

• NOSQL Datenbanken

• Big Data Klassifikation

  • umfangreiche Daten (Volume)

  • aus heterogenen Quellen (Variety)

  • hoher Erfassungsfrequenz und schnellen Verarbeitungszeiten (Velocity)

  • Echtheit von Daten (Veracity)

  • Value

  • Validity

• Erfassung, Verarbeitung und Speicherung von Big-Data durch neuen Technologien

• Anwendungsbeispiele

• Architekturen und Methoden zur verteilten, parallelen Verarbeitung von Daten

• Data Lake Analytics

• Big Data in der Cloud

• Data Management

• Data Administration Tasks

  • Data Collection

  • Data Preparation

  • Data Transformation

  • Data Storage

  • Data Validation

• Data Warehouse

• NoSQL Databases

• Big Data Classification

  • Large-scale Data (Volume)

  • From Heterogeneous Sources (Variety)

  • High Data Capture Frequency and Fast Processing Times (Velocity)

  • Data Authenticity (Veracity)

  • Value

  • Validity

• Collection, Processing, and Storage of Big Data Using New Technologies

• Application Examples

• Architectures and Methods for Distributed, Parallel Data Processing

• Data Lake Analytics

• Big Data in the Cloud

Das Modul setzt Grundlagenkenntnisse in Datenbanksystemen voraus.

Nach erfolgreichem Abschluss des Moduls sind die Studierenden in der Lage:

• Die wesentlichen Entwicklungstrends im Bereich Datenmanagement und Big Data zu beschreiben und deren Bedeutung zu analysieren.

• Verschiedene Datenmanagement-Umgebungen zu identifizieren und deren Einsatzmöglichkeiten zu bewerten.

• Datenmanagement-Projekte methodisch zu planen und durchzuführen.

• Eigenständig Datenmanagement-Methoden mit entsprechenden Tools anwendungsorientiert zu konzipieren und umzusetzen.

• Geeignete Methoden für spezifische Datenmanagement-Herausforderungen auszuwählen und deren Einsatz zu begründen.

• Unternehmerische Entscheidungsprozesse im Kontext von Datenmanagement und Big Data zu analysieren und deren wirtschaftlichen Nutzen hinsichtlich Kosteneinsparungen und Umsatzsteigerungen zu bewerten.

• Erworbenes Wissen durch die obligatorischen Transferprojekte bzw. Transferarbeiten des Studiums auf konkrete Unternehmensbereiche anzuwenden.

• Big Data-Projekte in interdisziplinären Teams mit heterogenem Vorwissen kompetent umsetzen zu können.

After successfully completing the module, students will be able to:

• Describe key development trends in data management and Big Data and analyze their significance.

• Identify various data management environments and evaluate their applicability.

• Methodically plan and implement data management projects.

• Independently design and apply data management methods using appropriate tools.

• Select suitable methods for specific data management challenges and justify their use.

• Analyze entrepreneurial decision-making processes in the context of data management and Big Data and assess their economic benefits in terms of cost savings and revenue increases.

• Apply acquired knowledge in mandatory transfer projects and assignments to relevant business areas.

• Competently implement Big Data projects in interdisciplinary teams with diverse prior knowledge.

Verwendbar im Masterstudiengang IT-Systems Engineering

Zum Selbststudium empfiehlt sich den Studierenden folgende Literatur: / For self-study, the following literature is recommended for students:

• Hildebrand, K.; Gebauer, M.; et al. (2018): Daten- und Informationsqualität: Auf dem Weg zur Information Excellence. Springer.

• Kumar, V. N.; Shindgikar, P. (2018): Modern Big Data Processing with Hadoop: Expert Techniques for Architecting End-to-End Big Data Solutions to Get Valuable Insights. Packt Publishing.

• Freiknecht, J.; Papp, S. (11. Juni 2018): Big Data in der Praxis: Lösungen mit Hadoop, Spark, HBase und Hive. Daten speichern, aufbereiten, visualisieren. 2. erweiterte Auflage. Hanser.

• Schmalz, M.; Bram, U. (2019): The Business of Big Data: How to Create Lasting Value in the Age of AI.

• Gorelik, A. (21. März 2019): The Enterprise Big Data Lake: Delivering on the Promise of Hadoop and Data Science in the Enterprise. O'Reilly Media.

• Steven, M.; Klünder, T.; et al. (2020): Big Data: Anwendung und Nutzungspotenziale in der Produktion (Moderne Produktion). Kohlhammer.

• Bühler, P.; Schlaich, P.; et al. (2019): Datenmanagement: Daten – Datenbanken – Datensicherheit (Bibliothek der Mediengestaltung). Springer Vieweg.

• Meier, A.; Kaufmann, M. (n.d.): SQL & NoSQL Databases: Models, Languages, Consistency Options and Architectures for Big Data Management. Springer Vieweg.

• Prabhu, C.S.R.; Chivukula, A.S.; et al. (2020): Big Data Analytics: Systems, Algorithms, Applications. Springer.

• Chawla, H.; Khattar, P. (2020): Data Lake Analytics on Microsoft Azure: A Practitioner's Guide to Big Data Engineering. Apress.

• Waschinger, A. (2019): Big-Data-Ansätze: Bewertung möglicher Integrationen von Big-Data-Ansätzen in analytische Systeme bei kleinen und mittleren Unternehmen.

Keine