Big Data für IT-Entscheider

1 - Inhalt [Seite 6]
2 - Vorwort [Seite 12]
3 - 1 Management Summary [Seite 14]
4 - 2 Was? [Seite 20]
4.1 - 2.1 Mein klassisches Business ist konkurrenzlos, nicht wahr? [Seite 21]
4.1.1 - 2.1.1 Der heimliche Markteroberer: Amazon [Seite 21]
4.1.2 - 2.1.2 Der klare Fall: Google [Seite 24]
4.1.3 - 2.1.3 Der zunehmende Lebensinhalt: Facebook [Seite 26]
4.1.4 - 2.1.4 Nachrichtenquelle Nr. 1: Twitter [Seite 28]
4.2 - 2.2 Die wilden Kleinen [Seite 29]
4.2.1 - 2.2.1 Das unscheinbare Orakel: Prismatic [Seite 30]
4.2.2 - 2.2.2 Der stille Mitlauscher: Boundary [Seite 31]
4.3 - 2.3 Big Data ist das neue Öl, nicht wahr? [Seite 31]
4.4 - 2.4 Technologie steht im Vordergrund, nicht wahr? [Seite 33]
4.5 - 2.5 Die Essenz von Daten ist angewendete Information [Seite 34]
4.6 - 2.6 Die "Big Data"-Schmerzen und -Symptome [Seite 35]
4.6.1 - 2.6.1 Die 3 V's - ganz einfach, oder? [Seite 36]
4.6.1.1 - Velocity [Seite 36]
4.6.1.2 - Volume [Seite 37]
4.6.1.3 - Variety [Seite 37]
4.6.2 - 2.6.2 Das lokale Denken: Business-Verbesserung [Seite 38]
4.6.2.1 - Bessere Angebote durch mehr Wissen [Seite 39]
4.6.2.2 - Menschen zusammenbringen [Seite 40]
4.6.3 - 2.6.3 Das kostenbewusste Denken: Kostenreduktion [Seite 41]
4.6.3.1 - Geld mit günstiger Maschinerie und geeigneten Technologien sparen [Seite 41]
4.6.3.2 - Kosten durch Analyse drücken [Seite 42]
4.6.4 - 2.6.4 Die Wachsamkeit: Die Gefahren aus dem bösen Internet [Seite 43]
4.6.4.1 - Enterprise-Level Stalking [Seite 43]
4.6.4.2 - Fraud Detection [Seite 44]
4.6.5 - 2.6.5 Das globale Denken: Weltverbesserung [Seite 45]
4.6.5.1 - Öffentlichen Verkehr endlich funktionsfähig machen [Seite 45]
4.6.5.2 - Precogs implementieren [Seite 46]
5 - 3 Wie? [Seite 48]
5.1 - 3.1 Typische falsche Hoffnungen [Seite 49]
5.1.1 - 3.1.1 Große Daten sind wie alle anderen Daten, nicht wahr? [Seite 50]
5.1.2 - 3.1.2 Tools machen es für mich, nicht wahr? [Seite 51]
5.1.3 - 3.1.3 Meine Prozesse müssen sich nicht ändern, nicht wahr? [Seite 52]
5.2 - 3.2 Angewandte Wissenschaft ist der entscheidende Marktvorteil [Seite 53]
5.2.1 - 3.2.1 Mathe pauken [Seite 53]
5.3 - 3.3 Ihr Staff - die einzig sinnvolle Investition [Seite 55]
5.3.1 - 3.3.1 Ich kann Big Data mit normalen Entwicklern, nicht wahr? [Seite 56]
5.3.2 - 3.3.2 Also, alle Entwickler zurück in die Schule schicken? [Seite 59]
5.3.3 - 3.3.3 Die neuen Berufsgruppen [Seite 60]
5.3.4 - 3.3.4 Polyglott, auf jeder Ebene [Seite 61]
5.4 - 3.4 "Big Data"-Schmerzen lassen sich erzeugen [Seite 63]
5.4.1 - 3.4.1 Alles protokollieren, was Nutzer tun [Seite 63]
5.4.2 - 3.4.2 Nutzer solange wie möglich beim Online-Angebot halten [Seite 65]
5.4.3 - 3.4.3 Nutzer anregen, mehr zu tun und Daten zu hinterlassen [Seite 67]
5.4.4 - 3.4.4 Soziale Netzwerke anzapfen [Seite 68]
5.4.5 - 3.4.5 Crowdsourcing [Seite 71]
5.4.6 - 3.4.6 Wissen, wer wo ist [Seite 72]
5.5 - 3.5 IT-Strategie im "Big Data"-Licht [Seite 74]
5.5.1 - 3.5.1 Daten bzw. Informationen sind gemeinsame Sprache von Business und IT [Seite 74]
5.5.2 - 3.5.2 Daten sind Ihr Gold [Seite 76]
5.5.2.1 - Wie werden Daten klassischerweise behandelt? [Seite 77]
5.5.2.2 - Wie werden große, chaotische Daten behandelt? [Seite 79]
5.5.2.3 - Wie leitet man Informationen aus vielen und chaotischen Daten ab? [Seite 82]
5.5.2.4 - Wie hält man Unmengen chaotischer Daten sauber? [Seite 84]
5.5.2.5 - Wie kombiniert man mehrere Datenquellen? [Seite 84]
5.6 - 3.6 Was bedeutet es, datenzentriert zu arbeiten? [Seite 86]
5.6.1 - 3.6.1 Statistiken lügen nicht [Seite 86]
5.6.2 - 3.6.2 Der entscheidende Unterschied zwischen schnell und gleich [Seite 87]
5.6.3 - 3.6.3 Die Macht der Suche [Seite 90]
5.6.4 - 3.6.4 Die Macht der Empfehlung [Seite 92]
5.6.5 - 3.6.5 Die Macht des Bildes [Seite 93]
5.7 - 3.7 IT-Instrumente richtig nutzen oder richtige Instrumente nutzen [Seite 95]
5.7.1 - 3.7.1 Commodity Hardware nutzen [Seite 96]
5.7.2 - 3.7.2 Alles aus der Technik herauspressen [Seite 98]
5.7.3 - 3.7.3 Dort in den Wolken [Seite 98]
5.7.4 - 3.7.4 Die Open Source Welt hat klar die Nase vorn [Seite 100]
5.8 - 3.8 "Big Data"-Perspektiven [Seite 102]
5.8.1 - 3.8.1 Wie speichert man große Datenmengen? [Seite 102]
5.8.1.1 - Der schwierige Weg der RDBMS [Seite 102]
5.8.1.2 - Tipps und Tricks [Seite 104]
5.8.1.3 - Der Preis der Verteilung [Seite 106]
5.8.1.4 - Und noch ein paar Randthemen [Seite 108]
5.8.2 - 3.8.2 Wie bereitet man große Datenmengen auf? [Seite 110]
5.8.3 - 3.8.3 Wie stellt man große Datenmengen bereit? [Seite 111]
5.8.4 - 3.8.4 Wie analysiert man große Daten in Echtzeit? [Seite 113]
5.8.5 - 3.8.5 Wie visualisiert man große Datenmengen? [Seite 115]
5.9 - 3.9 Von der Hand in den Mund [Seite 116]
5.10 - 3.10 Segen für Europa, Fluch für Big Data: Datenschutz [Seite 118]
6 - 4 Womit? [Seite 122]
6.1 - 4.1 Willkommen im Zoo der "Big Data"-Technologien [Seite 130]
6.2 - 4.2 Einige theoretische Grundlagen [Seite 130]
6.2.1 - 4.2.1 Verteilte Systeme bzw. verteilte Data Stores [Seite 130]
6.2.1.1 - Hashing und Delta-Tracking [Seite 132]
6.2.1.2 - Replikation und Redundanz [Seite 134]
6.2.1.3 - Objekte versionieren [Seite 139]
6.2.1.4 - Sharding [Seite 143]
6.2.1.5 - Herr der Ringe [Seite 147]
6.2.1.6 - Anti-Entropy und Garbage Collection [Seite 149]
6.2.1.7 - Infrastrukturinformationen aktuell halten [Seite 151]
6.2.1.8 - CAP - nicht die Kappe [Seite 151]
6.2.1.9 - Eventual Consistency [Seite 153]
6.2.2 - 4.2.2 Caching bzw. In-Memory-Datenhaltung [Seite 157]
6.2.3 - 4.2.3 Graphen - ein Sonderfall [Seite 161]
6.3 - 4.3 Analytics sind das A und O. Aber womit machen? [Seite 162]
6.4 - 4.4 Was ist NoSQL? [Seite 164]
6.4.1 - 4.4.1 Key/Value Stores [Seite 165]
6.4.2 - 4.4.2 Document Stores [Seite 168]
6.4.3 - 4.4.3 In-Memory Stores [Seite 169]
6.4.4 - 4.4.4 Graphen, mal wieder ein Sonderfall [Seite 170]
6.4.5 - 4.4.5 ... und noch weitere Hundert Stores [Seite 172]
6.4.6 - 4.4.6 Und was ist mit der Cloud? [Seite 172]
6.5 - 4.5 Was ist NewSQL? [Seite 173]
6.6 - 4.6 Wo kommen klassische RDBMS ins Spiel [Seite 174]
6.7 - 4.7 Was ist MapReduce? [Seite 175]
6.8 - 4.8 Und welche Programmiersprache ist nun die beste für "Big Data"? [Seite 179]
6.8.1 - 4.8.1 Kann/muss ich alles mit Java machen? [Seite 179]
6.8.2 - 4.8.2 Ist JavaScript nicht etwa nur für Script-Kiddies? [Seite 180]
6.9 - 4.9 Analyse von Logs [Seite 180]
6.10 - 4.10 Time-Series-Daten [Seite 182]
6.11 - 4.11 Umgang mit Commodity Hardware [Seite 183]
6.12 - 4.12 Wie kann ich es richtig flott machen? [Seite 185]
6.12.1 - 4.12.1 Was ist (Fast-)Echtzeit? [Seite 185]
6.12.2 - 4.12.2 Die superschnelle Technik [Seite 186]
6.13 - 4.13 Suche, Index und Secondary Index [Seite 188]
6.14 - 4.14 Die Antwort der Dinosaurier: die Appliances [Seite 189]
6.15 - 4.15 Kann ich das alles mit einem einzigen Tool machen? [Seite 190]
6.16 - 4.16 Visualisierung [Seite 192]
6.17 - 4.17 Wohin mit meinen aktuellen Errungenschaften? [Seite 194]
6.17.1 - 4.17.1 Wohin mit meiner Enterprise-Architektur? [Seite 194]
6.17.2 - 4.17.2 Wohin mit meinem Enterprise-Datenmodell? [Seite 195]
6.17.3 - 4.17.3 Wohin mit meinem MDM? [Seite 195]
6.17.4 - 4.17.4 Wohin mit meinem Enterprise-Technologie-Stack? [Seite 197]
6.17.5 - 4.17.5 Wohin mit meiner SOA? [Seite 198]
6.17.6 - 4.17.6 Wohin mit meiner BI-Lösung? [Seite 199]
6.17.7 - 4.17.7 Wohin mit der Cloud? [Seite 201]
6.18 - 4.18 Ist "Big Data" also Hadoop mit einem Schuss MongoDB? [Seite 203]
7 - 5 Way Forward [Seite 206]
7.1 - 5.1 Aktuelle Trends [Seite 207]
7.1.1 - 5.1.1 NoSQL und der Rest der Welt [Seite 207]
7.1.2 - 5.1.2 Hadoop und der Rest der Welt [Seite 209]
7.1.3 - 5.1.3 Hauptspeicher und Plattenspeicher werden immer billiger [Seite 210]
7.1.4 - 5.1.4 Die Monster wachen auf [Seite 211]
7.2 - 5.2 Wie starte ich mit Big Data? [Seite 213]
7.3 - 5.3 Ich habe schon Big Data. Wie mache ich weiter? [Seite 214]
7.4 - 5.4 ROI, TCO und dergleichen und worauf es ankommt [Seite 216]
7.5 - 5.5 Wo und wie kann ich mich weiter informieren? [Seite 218]
7.6 - 5.6 Persönlicher Blick in die ferne Zukunft [Seite 221]
8 - Stichwortverzeichnis [Seite 224]