Glossareintrag
Wir denken. KI tippt mit.
Big Data (englisch für große Datenmengen, deutsch auch Massendaten) bezeichnet Datenbestände, die so umfangreich, so vielfältig oder so schnelllebig sind, dass herkömmliche Werkzeuge sie nicht mehr verarbeiten können. Eine einzelne Datenbank oder eine Tabellenkalkulation scheitert an solchen Mengen. Der Begriff meint beides zugleich, die riesigen Datenmengen selbst und die Technik zu ihrer Auswertung. Erst die Analyse macht aus Rohdaten verwertbares Wissen, etwa Muster im Kundenverhalten, Vorhersagen zum Wartungsbedarf einer Heizung oder Trainingsmaterial für Künstliche Intelligenz.
Der Analyst Doug Laney beschrieb die Kernmerkmale bereits 2001 mit den „3 V“ Volume, Velocity und Variety, also Menge, Geschwindigkeit und Vielfalt. Heute wird das Modell meist um zwei weitere V ergänzt (siehe Beschreibung). Ausgewertet werden solche Datenmengen mit verteilten Cloud-Plattformen und mit maschinellem Lernen, das Muster in Daten selbstständig erkennt.
Das gängigste Beschreibungsmodell für Big Data sind die „5 V“. Sie erweitern Laneys ursprüngliche drei Merkmale um zwei Kriterien, die über den Nutzen der Daten entscheiden:
Die weltweit erzeugte Datenmenge wächst dabei weiter steil. Nach einer Statista-Prognose auf IDC-Basis verdreifacht sich das jährlich erzeugte Datenvolumen zwischen 2025 und 2029. Die größten Treiber sind Smartphones, Videostreaming, Onlinehandel und die Sensoren in Maschinen, Fahrzeugen und Gebäuden (Internet der Dinge).
Die Technik hinter Big Data hat sich seit den 2010er-Jahren grundlegend gewandelt. Damals stand das Open-Source-System Hadoop mit eigenen Server-Clustern im Zentrum, heute gilt es weitgehend als Altsystem. Große Datenmengen werden inzwischen auf Cloud-Datenplattformen wie Snowflake, Databricks, Google BigQuery oder Microsoft Fabric ausgewertet. Diese laufen in den Rechenzentren der großen Hyperscaler und skalieren Speicher und Rechenleistung nach Bedarf, ohne dass der Nutzer eigene Server betreiben muss.
Das größte Big-Data-Vorhaben der Gegenwart ist das Training großer Sprachmodelle. Systeme wie ChatGPT, Claude oder Gemini lernen aus Trainingsdaten mit Billionen von Tokens, überwiegend aus öffentlich zugänglichen Webtexten. Dieser Vorrat ist nach einer Studie des Forschungsinstituts Epoch AI endlich. Sie schätzt den nutzbaren Bestand an menschengeschriebenem Text auf rund 300 Billionen Tokens, der zwischen 2026 und 2032 ausgeschöpft sein dürfte. OpenAI-Mitgründer Ilya Sutskever sprach dazu im Dezember 2024 von „Peak Data“. Die KI-Branche setzt deshalb zunehmend auf Datenqualität statt reiner Masse und auf synthetische Trainingsdaten.
Rechtlich setzt in Europa vor allem die DSGVO Grenzen, sobald personenbezogene Daten im Spiel sind, denn ihre Grundsätze der Zweckbindung und Datenminimierung stehen dem Sammeln auf Vorrat entgegen. Seit dem 12. September 2025 gilt zusätzlich der EU Data Act. Er gibt Nutzern vernetzter Geräte, vom Smart-Home-Thermostat bis zur Baumaschine, ein Recht auf Zugang zu den Daten, die diese Geräte erzeugen. Eine inhaltliche Grenze bleibt unabhängig vom Recht bestehen. Big-Data-Analysen finden Korrelationen, also statistische Gleichläufe, und erst die fachliche Prüfung zeigt, ob dahinter wirklich Ursache und Wirkung stecken.
Handwerksbetriebe und lokale Unternehmen nutzen Big-Data-Auswertungen längst täglich, ohne eine eigene Datenplattform zu betreiben, denn die Analyse übernehmen fertige Dienste. Vier Beispiele aus dem Betriebsalltag:
Seit September 2025 dürfen Betriebe nach dem EU Data Act außerdem die Daten ihrer vernetzten Maschinen und Fahrzeuge herausverlangen und zum Beispiel an eine freie Werkstatt oder einen Wartungsdienst ihrer Wahl weitergeben. Nach der Bitkom-Studie zur Digitalisierung des Handwerks (Erhebung 2025) bieten zwar 85 Prozent der Handwerksbetriebe mindestens einen digitalen Service an, Künstliche Intelligenz für Datenauswertungen nutzen aber erst 4 Prozent.
