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