📊 Big Data
Inhalt
Jeden Tag entstehen Datenmengen, die kein Mensch mehr von Hand auswerten könnte. Wenn du eine Stunde lang ein Video streamst, im Internet suchst, eine Nachricht schickst oder joggen gehst mit einer Smartwatch — überall fallen Daten an. Wird das richtig viel, richtig schnell und richtig unterschiedlich, spricht man von Big Data.
📈 Was macht Daten zu "Big Data"?
Nicht jede große Datei ist gleich Big Data. Drei Dinge müssen zusammenkommen:
- Menge: Weltweit werden pro Tag riesige Datenmengen erzeugt — allein durch Milliarden Smartphones, die ständig senden.
- Geschwindigkeit: Die Daten entstehen nicht gemütlich häppchenweise, sondern in Echtzeit — jeder Klick, jeder Standortwechsel, jeder Sensorwert sofort.
- Vielfalt: Fotos, Texte, GPS-Koordinaten, Herzfrequenz, Kaufhistorie — ganz unterschiedliche Datentypen, die trotzdem zusammen ausgewertet werden.
Ein Beispiel macht es greifbar: Wenn du eine Video-App öffnest, speichert sie nicht nur, welches Video du anschaust, sondern auch wie lange, wann du abbrichst, ob du zurückspulst, was du vorher gesehen hast. Bei Millionen Nutzern gleichzeitig ergibt das gewaltige, sich ständig verändernde Datenberge.
📊 Zahlen, die den Kopf verdrehen
"Riesige Datenmengen" klingt abstrakt — hier ein paar echte Zahlen dazu, wie viel weltweit tatsächlich entsteht:
- Täglich neu: etwa 328,77 Millionen Terabyte, das sind 0,33 Zettabyte.
- Pro Jahr (2024): rund 120 Zettabyte weltweit.
- Prognose bis 2027: etwa 284 Zettabyte pro Jahr.
- Kaum zu glauben: 90 % aller jemals erzeugten Daten sind erst in den letzten zwei Jahren entstanden.
Auch bei einem einzigen Dienst laufen gewaltige Mengen zusammen — Google allein:
- 3,5 Milliarden Suchanfragen täglich, etwa 70.000 pro Sekunde.
- 92 % Marktanteil unter allen Suchmaschinen weltweit.
Quellen: Statista Big Data Report, Institut der deutschen Wirtschaft, International Data Corporation (IDC).
🔍 Woher kommen diese riesigen Datenmengen eigentlich?
Ein großer Teil entsteht automatisiert, ganz ohne dass jemand aktiv etwas eintippt: Empfehlungsalgorithmen werten aus, was dich interessiert. Gesichtserkennung ordnet Fotos automatisch Personen zu. Sprachassistenten wie Siri oder Alexa hören mit, sobald sie aktiviert werden, und wandeln Sprache in auswertbare Daten um. Nichts davon würde funktionieren, ohne dass laufend automatisiert Daten erfasst und verarbeitet werden.
🏭 Industrie 4.0 und Internet der Dinge
Nicht nur Handys sammeln Daten. In der Industrie kommunizieren Maschinen inzwischen selbstständig miteinander — eine Fertigungsstraße meldet automatisch, wenn ein Teil fehlt oder ein Motor überhitzt. Das nennt man Industrie 4.0. Im Alltag läuft dasselbe Prinzip bei Smart-Home-Geräten: eine smarte Heizung, die merkt, wann niemand zuhause ist, oder ein Kühlschrank, der Bestand meldet. Diese ständig vernetzten Alltagsgeräte gehören zum Internet der Dinge (IoT) — und jedes einzelne davon sendet fortlaufend neue Daten.
Zähl in Gedanken durch: Wie viele Geräte in deinem eigenen Zuhause senden vermutlich gerade in diesem Moment Daten, ohne dass du aktiv etwas tust?
✅ Chancen von Big Data
Große, gut ausgewertete Datenmengen ermöglichen Dinge, die vorher unmöglich waren:
- Medizin: Muster in riesigen Patientendaten helfen, Krankheiten früher zu erkennen, bevor Symptome überhaupt auffallen.
- Klimaschutz: Wetterdaten aus aller Welt verbessern Vorhersagen und Katastrophenwarnungen, zum Beispiel vor Stürmen oder Überschwemmungen.
- Verkehr: Echtzeit-Verkehrsdaten steuern Ampeln intelligenter und sagen Staus voraus, bevor sie entstehen.
⚠️ Risiken von Big Data
Dieselbe Technik lässt sich auch missbrauchen:
- Microtargeting: Werbung oder politische Botschaften werden so genau auf einzelne Personen zugeschnitten, dass sie gezielt manipulieren können, statt nur zu informieren.
- Filterblasen: Wenn Algorithmen dir dauerhaft nur ähnliche Inhalte zeigen, siehst du irgendwann kaum noch andere Sichtweisen.
🔍 Realer Fall: Cambridge Analytica
2018 wurde bekannt, dass die Firma Cambridge Analytica über eine harmlos wirkende Quiz-App Daten von Millionen Facebook-Nutzern sammelte — ohne dass die meisten davon wussten. Aus diesen Daten wurden Persönlichkeitsprofile erstellt, um Wahlwerbung sehr gezielt auf einzelne Personengruppen zuzuschneiden. Der Fall zeigt: Big Data ist nicht nur eine technische Frage, sondern hat direkte Auswirkungen auf Gesellschaft und Demokratie.
🃏 Chance oder Risiko? Sortiere die Karten
Klick auf eine Karte, um sie der passenden Seite zuzuordnen:
✅ Chance
⚠️ Risiko
👆 Klick eine Karte an, dann wähle Chance oder Risiko.
Findet ihr ein Beispiel, das sich nicht eindeutig einer Seite zuordnen lässt, weil es gleichzeitig Chance und Risiko ist? Beschreibt kurz, wovon es abhängt.
🃏 Lernkarten
Zum Auswendiglernen: Karte antippen zum Umdrehen.
⭐ Üben
Fragen werden geladen …
🎮 Stundenaufgabe
Wähle eine Vertiefung, danach geht es an die praktische Übung:
YouTube-Video ansehen
Suche nach "Big Data einfach erklärt"
Cambridge-Analytica-Fall recherchieren
Was genau ist damals passiert?
Mit KI besprechen
Prompt kopieren und in eine KI einfügen
Rolle: Du bist ein kritischer Diskussionspartner für Informatik-Ethik. Aufgabe: Nenne mir abwechselnd ein Pro- und ein Contra-Argument zu Big Data (z. B. Medizin vs. Microtargeting) und lass mich jeweils zuerst selbst überlegen, welcher Seite ich zustimme und warum, bevor du dein Gegenargument bringst. Hake am Ende nach, ob sich meine Meinung durch die Gegenargumente verändert hat. Kontext: Ich bin in Klasse 9 und wir behandeln gerade Chancen und Risiken von Big Data. Stil: Sachlich, fragend, keine fertigen Antworten vorwegnehmen.
🔬 Ein Beispiel recherchieren
Bildet Gruppen zu dritt oder viert. Jede Gruppe wählt einen der drei Chancen-Bereiche aus dem Inhalt (Medizin, Klimaschutz oder Verkehr):
- Recherchiert kurz ein reales, aktuelles Beispiel zu eurem Bereich (Suchmaschine oder KI-Chat).
- Bereitet eine kurze Vorstellung von zwei Sätzen für die Klasse vor: Was passiert, welche Daten stecken dahinter?
- Stellt euer Beispiel der Klasse vor.
💬 Diskussion: Cambridge Analytica
Diskutiert im Plenum oder in Kleingruppen anhand des Falls aus dem Inhalt (oder eines vergleichbaren aktuellen Beispiels):
- Was genau ist an dem Vorgehen von Cambridge Analytica problematisch — die Datensammlung selbst, die fehlende Zustimmung, oder die gezielte Beeinflussung?
- Hätten die betroffenen Facebook-Nutzer den Missbrauch verhindern können? Was hätte ihnen dabei geholfen?
- Fällt euch ein aktuelleres Beispiel für Microtargeting ein, das ihr selbst schon erlebt habt (z. B. sehr genau passende Werbung)?
Überlegt gemeinsam eine Regel, die Microtargeting bei politischer Werbung einschränken würde, ohne Werbung komplett zu verbieten. Wie ließe sich diese Regel praktisch kontrollieren?