Nicht erst seit der Aufdeckung von Prism und Co. schwingt beim Thema Datensammlung die Angst vor allumfassender Überwachung mit. Auf der anderen Seite profitieren wir sowohl als Nutzer als auch als Dienste-Anbieter vom geschickten Umgang mit Daten. Hardware spielt dabei eine wichtige Rolle. Unsere Smartphones speichern unsere Bewegungsdaten, wann immer wir Google Maps nach dem Weg fragen oder mit Fitness-Apps wie RunKeeper joggen gehen. Es entsteht ein Netzwerk aus Kommunikations-, Geo-, Bewegungs- und Sensorendaten – eine Art Datenschicht, die den Alltag durchzieht und beispielsweise zu maßgeschneiderten Produktempfehlungen oder von
Freunden empfohlenen Restaurants führt.

Besonders spannend wird es dort, wo verschiedene Dienste und Datenquellen kombiniert werden. So entfalten Kartendienste wie Google Maps, Nokia Here oder Open Street Maps ihr volles Potenzial erst, wenn sie in Verbindung mit Verkehrsdaten und Fahrplänen genutzt oder wenn sie in Apps und Webservices wie RunKeeper integriert werden, um dabei zu helfen, Joggingstrecken aufzuzeichnen oder neue Strecken zu entdecken. Eine technische Schnittstelle (API) für den Datenimport und -export anzubieten, gilt seit Jahren als wichtiger Schlüssel zum Erfolg für Netzdienste aller Art.

Doch was geschieht, wenn wir nicht nur mit Online-Diensten, sondern auch Alltagsgegenständen mittels unserer Smartphones interagieren können? Bislang waren vor allem Telefone „smart“, aber das ändert sich rapide. Thermostate, Strommesser, Küchen- und Personenwaagen, Häuser oder sogar ganze Städte: Sie alle werden smart, also mit dem Internet und untereinander vernetzt.

Noch sind intelligente Haushaltsgeräte nicht bei der breiten Masse angekommen. Doch das könnte sich schnell ändern. So werden in Deutschland in den kommenden Jahren verpflichtend in jedem Haushalt Smart Meters, also intelligente Stromzähler, eingeführt. In immer mehr Badezimmern stehen vernetzte Körperwaagen wie die Withings Scale, die nicht nur Buch führt über Gewichtsveränderungen, sondern gleichzeitig den Puls erfasst und durch einen Luftqualitätssensor ermittelt, wann es Zeit ist, mal wieder ordentlich zu lüften. Etwas verspielter ist die Good Night Lamp der Londoner Designerin Alexandra Deschamps-Sonsino, die aus einer vernetzten Lampenfamilie besteht: Schaltet die Großmutter in Stuttgart ihre Lampe am Abend ein, so leuchtet analog das Licht der korrespondierenden Lampe auch bei der Enkelin in Hamburg. Die Idee ist so simpel wie wirkungsvoll: niedrigschwellige soziale Signale, angetrieben von intelligent vernetzter Infrastruktur.

Was im Verbraucherbereich Internet of Things (IoT) heißt, wird in der Großindustrie häufig als M2M bezeichnet – Machine-to-Machine Communications. Hier, in der Welt der Infrastruktur, ist die Vernetzung von Stromleitungen, Wettersensoren oder Frachtcontainern per GPS und Internetverbindung längst Normalität. Aber in den Wohnzimmern ist das Internet der Dinge ein Neuankömmling.

Wie so ein vernetztes Zuhause aussehen kann, demonstriert Designer Tom Coates, der sein Haus in San Francisco mit Smart Meters, Bewegungs- und Lichtsensoren ausgestattet und mit einigen Webdiensten verknüpft hat. Das Haus reagiert auf externe Faktoren wie Regen ebenso wie auf Foursquare-Check-ins und sendet unter @HouseofCoates [1] typischerweise Tweets wie „Hey @tomcoates – I noticed some movement in the Sitting Room. Is that you?” oder „It’s pretty dark in the bedroom. I’ll turn the lights on.” Das Ganze ist nicht nur unterhaltsam, es ist auch ein Experiment in Sachen Akzeptanz einer speziellen Infrastruktur, die Ansätze von Intelligenz suggeriert: Wieviel Interaktion wünschen wir uns und sind wir bereit, Ratschläge von unserer Wohnung zu akzeptieren?

Und so wächst die Geschwindigkeit, mit der Menschen und Maschinen gemeinsam Daten erzeugen, enorm. Schon 2012 befand eine Studie [2], dass weniger als die Hälfte des Internet-Traffics direkt von Menschen stammt. Die knappe Mehrheit sei demnach von Software und Bots erzeugt. In dieser Statistik fällt das IoT, die Abertausenden von Sensoren, noch kaum ins Gewicht.

Das soll sich bald ändern. Experten sagen ein explosives Wachstum dieser Datenmengen voraus – unter anderem deshalb, weil Sensoren und ihre Vernetzung immer billiger werden. Genaue Voraussagen sind schwierig, aber Schätzungen gehen davon aus, dass schon heute bis zu zehn Milliarden Geräte mit dem Internet verbunden sind [3], bis 2020 sollen es selbst nach konservativen Schätzungen mindestens 30 Milliarden sein, wenn nicht gar 50. Was heißt das in Datenvolumen? Den Prognosen von Cisco zufolge wird sich der Internet-Traffic dieser rein maschinenbasierter
Kommunikation von 2012 auf 2017 vervierfachen – auf 563 Petabyte
monatlich im Jahr 2017, was dann rund fünf Prozent des gesamten mobilen
Traffics ausmacht [4].

Kaum ein Buzzword erfährt deshalb wohl einen stärkeren Hype als Big Data (Seite 52). Kaum ein größeres Unternehmen, das nicht an einer Big-Data-Strategie arbeitet. Big Data gilt als magischer Schlüssel für den Erfolg nicht nur von IT- oder Web-fokussierten Unternehmen. Was dahinter steckt, ist letztlich einfach: Bei Big Data handelt es sich um Datenmengen, die so groß sind, dass traditionelle Datenbanken und Software sie nicht mehr speichern und analysieren können. In diesen Datenmengen können Erkenntnisse versteckt sein, und es gilt, sie zu finden.

Ein typisches Beispiel ist die Analyse riesiger Datenströme wie der globalen Finanztransaktionen. Hier muss die Auswertung der Daten in Echtzeit geschehen, dabei ist es bisher kaum möglich, auch nur alle Daten zu speichern und zu verarbeiten. Die Analyse von Big Data stellt also eine große Herausfoderung dar. Außerdem bedeutet das Sammeln von mehr Daten nicht automatisch, besser informiert zu sein. Die große Kunst besteht darin, die relevanten von den unwichtigen Informationen zu trennen und gleichzeitig die Geschichte herauszufiltern, die in den Daten steckt. Denn die besten Analysen bringen nichts, wenn das Ergebnis nicht zu klar verständlichen Handlungsoptionen führt.

Das ist nicht einfach, scheitern doch Unternehmen häufig schon daran, überhaupt ein wirkliches Verständnis der bereits vorhandenen Daten zu entwickeln, von Big Data ganz zu schweigen. Immer wieder werden Fälle von Unternehmen bekannt, die in den Aufbau einer Big-Data-Analyse-Infrastruktur investieren, obwohl sie kaum gelernt haben, aus bereits vorliegenden Daten sinnvolle Erkenntnisse abzuleiten. Dass zudem der Schutz von Daten und Privatsphäre besonders ernst genommen werden muss, sollte sich von selbst verstehen.

Wenn die vorliegenden Daten aber geschickt genutzt und mit anderen Datensätzen kombiniert werden, sind die Ergebnisse beeindruckend (siehe Seite 48). Daraus kontextbasierte, relevante Informationen zu bekommen, ist keine Zukunftsmusik mehr. Ein Beispiel ist Google Now, das inzwischen sowohl für Android als auch iOS verfügbar ist. Google Now weiß, wann und wo der nächste Termin eines Nutzers geplant ist und recherchiert im Hintergrund nach Verkehrslage, bester Zugverbindung oder der Wettervorhersage: „Um pünktlich zu deinem nächsten Termin zu kommen, musst du in fünf Minuten losfahren“, meldet das Telefon. Diese Art von Dienst, die uns relevante Informationen proaktiv bereitstellt, heißt im Englischen „Context-aware Service“ oder „Predictive Service“: Der Dienst nutzt aktiv unsere Daten (E-Mail, Kalender, GPS), erkennt unseren „Kontext“ (wo wir sind oder hinmöchten), zapft externe Datenquellen (Wetter, Verkehr) an und kombiniert all das zu einer maßgeschneiderten Empfehlung. So soll das Telefon zum persönlichen Assistenten werden. Wo es gelingt, fühlt sich die Hilfestellung beinahe magisch an.

Um relevante Informationen aus dem Heuhaufen an Daten herauszufiltern, ist nicht nur eindrucksvolle Rechenleistung notwendig. Auch die Auswahl und Kombination der richtigen Datenquellen ist entscheidend. Während schon verhältnismäßig einfache Datenquellen wie Kalenderdaten plus Adresse, Nutzerposition per GPS und Fahrplan der lokalen S-Bahn nützliche Vorhersagen ermöglichen, ist das Potenzial mit komplexeren Daten entsprechend gigantisch.

Noch gibt es wenig eindrucksvolle Beispiele, was mit der Kombination von Daten wie Wetter, Luftqualität, Mobilitätsdaten von Fußgängern, Radfahrern oder Autos und Finanztransaktionsdaten möglich ist – das Thema Big Data steckt eben noch in den Kinderschuhen. Aber datengetriebene Unternehmen wie Google zeigen mit Diensten wie Google Now und der Datenbrille Glass bereits die Richtung auf. Auch Amazon nutzt die Analyse von Kundenverhalten wie Klicks und Einkäufen auf der Plattform für seine Empfehlungsalgorithmen. Apple geht sogar noch einen Schritt weiter. Teil der Ankündigung für das neue Betriebssystem iOS7 ist ein Toolkit für Kontextualisierung. Unter dem Namen iBeacon stellt Apple Entwicklern ein Lokalisierungstool bereit, das Geofencing und die Verortung des Nutzers auch innerhalb von Gebäuden ermöglicht. So können Entwickler in ihren Apps beispielsweise Lichter anschalten, sobald eine Nutzerin den Raum betritt, oder die Tür verschließen, wenn sie den Raum wieder verlässt.

Etwas weniger spektakulär, aber deutlich greifbarer und marktreifer, sind solche Kontextdienste, die primär mit den GPS-Daten von Smartphones arbeiten und – je nach Ausrichtung – Restaurants, Sonderangebote oder den nächstgelegenen Coffee Shop empfehlen. Ein Beispiel ist die iPhone-App Cuppings [5]. Eine manuell per Foursquare kuratierte Liste empfehlenswerter Coffee Shops dient als Basis einer einzigen Funktion: den Nutzer zum nächstgelegenen Café zu führen. Nicht gerade Big Data, aber ein Beispiel für kontextsensitive Informationsfilter.

Big Data findet heute vor allem Anwendung in der Wissenschaft, zunehmend aber setzt auch die Privatwirtschaft auf die groß angelegte Datenanalyse. Neben Finanztransaktions- und Wirtschaftsdaten ist Big Data in der Genforschung ebenso relevant wie bei der Simulation von Märkten und dem Wetter. Aber auch die Analyse der Datenflüsse in sozialen Online-Netzwerken basiert auf den gleichen Werkzeugen der Datenanalyse, wie zuletzt im US-Wahlkampf zu beobachten war.

Der Schlüssel zum Erfolg mit Big Data und der zunehmend vernetzten Welt liegt im Experimentieren, also im ergebnisoffenen Forschen und Spielen mit den neuen Möglichkeiten und den entsprechend entstehenden Datenströmen. Dies geschieht in Unternehmen bereits durch Forschungs- und Entwicklungsabteilungen (englisch R&D für Research & Development), Digital Labs oder sogenannten Skunk Works. Skunk Works waren ursprünglich eine Art inoffizielle Forschungsabteilung des Luftfahrt- und Rüstungskonzerns Lockheed Martin, in dem seit dem zweiten Weltkrieg Prototypen gebaut wurden. Die Besonderheit: große Autonomie und wenig Bürokratie. Diese Freiheit hat dazu geführt, dass die Skunk Works bis heute mit einigen der bedeutendsten technischen Entwicklungen innerhalb Lockheed Martins in Verbindung gebracht werden.

Wie solche Skunk-Works-Projekte konkret implementiert und umgesetzt werden können, hängt stark vom Unternehmen und dessen Größe ab. Manche Firmen beschäftigen eigene Wissenschaftler, andere heuern externe Teams an, um in ihrem Auftrag zu tüfteln. So ist beispielsweise die Xbox-Erweiterung Kinect in enger Zusammenarbeit von Microsofts interner Forschungsabteilung und dem israelischen Startup Primesense entstanden. Das Ziel des Projekts (Codename Natal) war dabei zu Beginn recht vage: Eine fundamental neue Art der Interaktion mit den Inhalten der Xbox sollte entwickelt werden, im Optimalfall sollten Bewegungen, Gesichter und Stimmen erkannt werden. Nach dutzenden Prototypen kam schließlich das heraus, was heute als Kinect bekannt ist. Einen gänzlich anderen Ansatz verfolgt Benettons Forschungs- und Designableger Fabrica: Gemeinsam mit dem Designstudio Berg verwandelte Fabrica eine Villa in Italien in eine Art Live-Labor für vernetztes Wohnen.

Wichtig bei solchen Skunk-Works-Projekten ist, dass die Geschäftsführung die Teams autorisiert und mit Budgets sowie der notwendigen Autonomie ausstattet. Je weniger Bürokratie, desto besser. Fehlschläge müssen erlaubt sein, und je weniger zielgerichtet, je explorativer die Experimente, desto größer ist die Chance, unerwartete und besonders spannende Erkenntnisse zu erzielen oder Prototypen zu entwickeln. Es ist sehr empfehlenswert, die eigenen Mitarbeiter stark in solche R&D-Projekte einzubinden. Externe Dienstleister können helfen, die nötigen Impulse zu liefern.

Während traditionellere Unternehmen also täglich darum kämpfen müssen, ihre Innovationskraft auch in Zukunft beibehalten und ausspielen zu können, um wettbewerbsfähig zu bleiben, ist für Startups ein goldenes Zeitalter angebrochen. Ein völlig neuer Markt entsteht im Umfeld des Internet of Things, in dem nicht nur die großen Konzerne agieren und Produkte entwickeln, sondern eben auch immer mehr unabhängige
Hardware-Startups. In vielen Fällen kommen die Prototypen und Produkte
sogar von Teams, die bislang primär als Berater ihr Geld verdient haben
und somit die Entwicklung ihrer IoT-Produktidee querfinanzieren. Noch
vor wenigen Jahren wäre es nahezu undenkbar gewesen, dass ein kleines
Team von Designern und Programmierern mal eben Hardware für den
weltweiten Verkauf entwickelt. Dieses Privileg, als kleines Team auf dem
globalen Marktplatz mitzuspielen, war der Softwareindustrie
vorbehalten, wo die Investitionskosten gering, die Komplexität
überschaubar und auch das Risiko begrenzt ist.

Durch Open Hardware und zunehmende Standardisierung hat sich in den
letzten Jahren ein noch recht kleines, aber schnell wachsendes Ökosystem
entwickelt, das es auch unabhängigen Gründern ermöglicht, vernetzte
Produkte zu entwerfen und auf den Markt zu bringen. Leicht ist das
freilich noch immer nicht. Mit Open-Hardware-Plattformen wie
Arduino-Steuerboards und dem Minicomputer Raspberry Pi ist der Weg zum
funktionalen Prototypen allerdings kürzer denn je zuvor. 3D-Drucker sind
der schnellste Weg, Designs zu testen, Prototypen zu entwickeln und Produkte zu optimieren.

Cloud Computing liefert die nötige Vernetzung. Immer neue Plattformen wie BergCloud [6] wollen das Bauen von vernetzten Prototypen für Entwickler kinderleicht
machen, indem sie Cloud- und Vernetzungsaspekte auf Softwareseite
bereitstellen. Neben BergCloud
gibt es bereits dutzende kommerzielle Clouds mit jeweils unterschiedlichen Vorteilen. Diese Vielfalt hilft Entwicklern
beim ersten Schritt zur Marktreife, allerdings ist durchaus Vorsicht
geboten, denn es sind größtenteils proprietäre Plattformen. Open-Source-Plattformen und Industriestandards sind noch rar.

Risikokapitalgeber finden langsam aber sicher Geschmack an
IoT-Produkten. Einfacher ist es für Gründer häufig aber immer noch, auf
eigene Faust loszulegen. Crowd-Fundraising per Kickstarter oder
Indiegogo kann mit etwas Glück genug Startkapital in die Kassen spülen,
um zumindest erste Prototypen zu finanzieren. Gleichzeitig dienen
Kickstarter-Kampagnen als Marketinginstrument und Markt-Test: Wer privat
Geld in den Topf wirft, wird vermutlich auch das spätere Produkt kaufen
und öffentlich darüber sprechen. Der gängigste Weg dürfte allerdings
der über die Beratung sein, bei dem die notwendigen Investitionen für
ein neues IoT-Produkt querfinanziert werden über Beratungsarbeit für
größere Unternehmen oder Agenturen. Indem die Arbeitszeit in Kundenarbeit und interne Produktentwicklung aufgeteilt wird, ist es auch
kleinen Firmen oder Teams möglich, zumindest in der Frühphase ihres
IoT-Produktes ohne externe Investoren loszulegen. Schwieriger als die Technologie an sich ist für Gründer
aktuell die Finanzierung über die Anfangsphase hinaus sowie die
Skalierung vom Prototypen hin zu Massenfertigung und -vertrieb.

Trotz mancher Schwierigkeiten gibt es gerade eine Explosion
an neuen Startups und Produktideen für vernetzte Endgeräte. Eine neue Generation von
Inkubatorenprogrammen, die sich gezielt auf Hardware-Startups
konzentriert, beschleunigt diesen Trend. Im Silicon Valley tummeln sich
mit Anbietern wie Highway1, Bolt und Lemnos Labs eine ganze Reihe von
Hardware-Inkubatoren und auch in Berlin ist mit dem Berlin Hardware
Accelerator gerade das erste vergleichbare Programm an den Start
gegangen.

Die Welt befindet sich in einer Umbruchphase, in der Netz und physische Welt verschmelzen. Alltagsgegenstände werden über das Netz ansprechbar und interaktiv, immer mehr Daten stehen zur Verfügung. All das beinhaltet sowohl für Individuen als auch für Unternehmen Herausforderungen und Chancen.

Eine große Herausforderung besteht darin, sicherzustellen, dass die gesammelten Daten nicht missbraucht werden. Hierfür tragen wir alle Mitverantwortung. Die Chancen zeigen sich wiederum in spannenden Möglichkeiten, bestehende Datenströme neu zu nutzen und neue Angebote zu schaffen. Der Weg dahin wird einige Experimente erfordern. Doch es lohnt sich, den Schritt zu wagen, Ideen in Prototypen und – mittelfristig – auch in Produkte zu verwandeln. Ein günstiger Faktor ist, dass die Einstiegshürden bei Soft- wie auch Hardware niedriger denn je zuvor sind und weiter sinken. In diesem Sinne: Viel Spaß beim Experimentieren!