Big Data ist längst kein Hype-Thema mehr, sondern die operative Grundlage datengetriebener Unternehmen. Vier deutsche Hochschulexperten – Oliver Hummel, Marcus Kessel, Beate Navarro und Robert Butscher – haben nun ein voluminöses Werk dazu vorgelegt, das vom 3V-Klassiker über NoSQL-Datenbanktypen, Kafka, Apache Spark und Flink bis zu Data Lakehouse, Data Mesh und skalierbaren Algorithmen reicht.

Besonders aktuell ist das Kapitel zu KI-basierten Systemen, das neben LLMs und RAG auch das Model Context Protocol abdeckt – ein Thema, das 2024 erst seinen Status als Standard erreichte. Ergänzt wird der Text durch ein GitHub-Repository mit Codebeispielen, das den explizit formulierten Anspruch unterstreicht, nicht nur zu erklären, sondern zum Experimentieren einzuladen.

Schon das erste Kapitel zeigt, was das Buch konzeptionell leisten will: Die gängige Öl-Metapher für Daten wird nicht einfach übernommen, sondern differenziert auseinandergenommen – mit Blick auf Nicht-Rivalität, Wertkontext-Abhängigkeit und ökologische Parallelen. Dieser argumentative Gestus zieht sich durch den Aufbau, der akademischen Anspruch mit Praxisnähe verbindet.

Die Autoren selbst räumen im Vorwort offen ein, dass die Tiefe angesichts der Breite nicht immer gleich ausfallen konnte – kein Wunder bei einem Themenfeld, für das einzelne Frameworks eigene Bücher füllen. Primäre Zielgruppe sind Studierende ab dem vierten Semester sowie Praktiker, die sich einen soliden technischen Überblick verschaffen wollen; wer operative Tiefe zu einzelnen Frameworks sucht, wird das Buch eher als Einstieg und Orientierung nutzen denn als vollständige Referenz.

Fazit

Das Buch ist als akademisches Lehrwerk konzipiert: strukturiert, mit Quellenapparat und breiter thematischer Abdeckung. Dass die Autoren den Bogen bis zum Model Context Protocol schlagen, zeigt Gespür für den Moment. Wer Big Data als Gesamtlandschaft verstehen und einordnen will, findet hier einen verlässlichen, gut durchdachten Startpunkt.