1  Chapter  1:  Introduction
1.1  Executive  Summary
1.2  Topics  Covered
1.3  Forecast  Segmentation
1.4  Key  Questions  Answered
1.5  Key  Findings
1.6  Methodology
1.7  Target  Audience
1.8  Companies  &  Organizations  Mentioned
      
2  Chapter  2:  An  Overview  of  Big  Data
2.1  What  is  Big  Data?
2.2  Key  Approaches  to  Big  Data  Processing
2.2.1  Hadoop
2.2.2  NoSQL
2.2.3  MPAD  (Massively  Parallel  Analytic  Databases)
2.2.4  In-Memory  Processing
2.2.5  Stream  Processing  Technologies
2.2.6  Spark
2.2.7  Other  Databases  &  Analytic  Technologies
2.3  Key  Characteristics  of  Big  Data
2.3.1  Volume
2.3.2  Velocity
2.3.3  Variety
2.3.4  Value
2.4  Market  Growth  Drivers
2.4.1  Awareness  of  Benefits
2.4.2  Maturation  of  Big  Data  Platforms
2.4.3  Continued  Investments  by  Web  Giants,  Governments  &  Enterprises
2.4.4  Growth  of  Data  Volume,  Velocity  &  Variety
2.4.5  Vendor  Commitments  &  Partnerships
2.4.6  Technology  Trends  Lowering  Entry  Barriers
2.5  Market  Barriers
2.5.1  Lack  of  Analytic  Specialists
2.5.2  Uncertain  Big  Data  Strategies
2.5.3  Organizational  Resistance  to  Big  Data  Adoption
2.5.4  Technical  Challenges:  Scalability  &  Maintenance
2.5.5  Security  &  Privacy  Concerns
      
3  Chapter  3:  Big  Data  Analytics
3.1  What  are  Big  Data  Analytics?
3.2  The  Importance  of  Analytics
3.3  Reactive  vs.  Proactive  Analytics
3.4  Customer  vs.  Operational  Analytics
3.5  Technology  &  Implementation  Approaches
3.5.1  Grid  Computing
3.5.2  In-Database  Processing
3.5.3  In-Memory  Analytics
3.5.4  Machine  Learning  &  Data  Mining
3.5.5  Predictive  Analytics
3.5.6  NLP  (Natural  Language  Processing)
3.5.7  Text  Analytics
3.5.8  Visual  Analytics
3.5.9  Graph  Analytics
3.5.10  Social  Media,  IT  &  Telco  Network  Analytics
      
4  Chapter  4:  Business  Case  &  Applications  in  the  Automotive  Industry
4.1  Overview  &  Investment  Potential
4.2  Industry  Specific  Market  Growth  Drivers
4.3  Industry  Specific  Market  Barriers
4.4  Key  Applications
4.4.1  Product  Development,  Manufacturing  &  Supply  Chain
4.4.1.1  Optimizing  the  Supply  Chain
4.4.1.2  Eliminating  Manufacturing  Defects
4.4.1.3  Customer-Driven  Product  Design  &  Planning
4.4.2  After-Sales,  Warranty  &  Dealer  Management
4.4.2.1  Predictive  Maintenance  &  Real-Time  Diagnostics
4.4.2.2  Streamlining  Recalls  &  Warranty
4.4.2.3  Parts  Inventory  &  Pricing  Optimization
4.4.2.4  Dealer  Management  &  Customer  Support  Services
4.4.3  Connected  Vehicles  &  Intelligent  Transportation
4.4.3.1  UBI  (Usage-Based  Insurance)
4.4.3.2  Autonomous  &  Semi-Autonomous  Driving
4.4.3.3  Intelligent  Transportation
4.4.3.4  Fleet  Management
4.4.3.5  Driver  Safety  &  Vehicle  Cyber  Security
4.4.3.6  In-Vehicle  Experience,  Navigation  &  Infotainment
4.4.3.7  Ride  Sourcing,  Sharing  &  Rentals
4.4.4  Marketing,  Sales  &  Other  Applications
4.4.4.1  Marketing  &  Sales
4.4.4.2  Customer  Retention
4.4.4.3  Third  Party  Monetization
4.4.4.4  Other  Applications
      
5  Chapter  5:  Automotive  Industry  Case  Studies
5.1  Automotive  OEMs
5.1.1  Audi:  Facilitating  Efficient  Production  Processes  with  Big  Data
5.1.2  BMW:  Eliminating  Defects  in  New  Vehicle  Models  with  Big  Data
5.1.3  Daimler:  Ensuring  Quality  Assurance  with  Big  Data
5.1.4  Dongfeng  Motor  Corporation:  Enriching  Network-Connected  Autonomous  Vehicles  with  Big  Data
5.1.5  FCA  (Fiat  Chrysler  Automobiles):  Enhancing  Dealer  Management  with  Big  Data
5.1.6  Ford  Motor  Company:  Making  Efficient  Transportation  Decisions  with  Big  Data
5.1.7  GM  (General  Motors  Company):  Personalizing  In-Vehicle  Experience  with  Big  Data
5.1.8  Groupe  PSA:  Reducing  Industrial  Energy  Bills  with  Big  Data
5.1.9  Groupe  Renault:  Boosting  Driver  Safety  with  Big  Data
5.1.10  Honda  Motor  Company:  Improving  F1  Performance  &  Fuel  Efficiency  with  Big  Data
5.1.11  Hyundai  Motor  Company:  Empowering  Connected  &  Self-Driving  Cars  with  Big  Data
5.1.12  Jaguar  Land  Rover:  Realizing  Better  &  Cheaper  Vehicle  Designs  with  Big  Data
5.1.13  Mazda  Motor  Corporation:  Creating  Better  Engines  with  Big  Data
5.1.14  Nissan  Motor  Company:  Leveraging  Big  Data  to  Drive  After-Sales  Business  Growth
5.1.15  SAIC  Motor  Corporation:  Transforming  Stressful  Driving  to  Enjoyable  Moments  with  Big  Data
5.1.16  Subaru:  Turbocharging  Dealer  Interaction  with  Big  Data
5.1.17  Suzuki  Motor  Corporation:  Accelerating  Vehicle  Design  and  Innovation  with  Big  Data
5.1.18  Tesla:  Achieving  Customer  Loyalty  with  Big  Data
5.1.19  Toyota  Motor  Corporation:  Powering  Smart  Cars  with  Big  Data
5.1.20  Volkswagen  Group:  Transitioning  to  End-to-End  Mobility  Solutions  with  Big  Data
5.1.21  Volvo  Cars:  Reducing  Breakdowns  and  Failures  with  Big  Data
5.2  Other  Stakeholders
5.2.1  Allstate  Corporation  &  Arity:  Making  Transportation  Safer  &  Smarter  with  Big  Data
5.2.2  automotiveMastermind:  Helping  Automotive  Dealerships  Increase  Sales  with  Big  Data
5.2.3  Continental:  Making  Vehicles  Safer  with  Big  Data
5.2.4  Cox  Automotive:  Transforming  the  Used  Vehicle  Lifecycle  with  Big  Data
5.2.5  Dash  Labs:  Turning  Regular  Cars  into  Data-Driven  Smart  Cars  with  Big  Data
5.2.6  Delphi  Automotive:  Monetizing  Connected  Vehicles  with  Big  Data
5.2.7  Denso  Corporation:  Enabling  Hazard  Prediction  with  Big  Data
5.2.8  HERE:  Easing  Traffic  Congestion  with  Big  Data
5.2.9  Lytx:  Ensuring  Road  Safety  with  Big  Data
5.2.10  Michelin:  Optimizing  Tire  Manufacturing  with  Big  Data
5.2.11  Progressive  Corporation:  Rewarding  Safe  Drivers  &  Improving  Traffic  Safety  with  Big  Data
5.2.12  Bosch:  Empowering  Fleet  Management  &  Vehicle  Insurance  with  Big  Data
5.2.13  THTA  (Tokyo  Hire-Taxi  Association):  Making  Connected  Taxis  a  Reality  with  Big  Data
5.2.14  Uber  Technologies:  Revolutionizing  Ride  Sourcing  with  Big  Data
5.2.15  U.S.  Xpress:  Driving  Fuel-Savings  with  Big  Data
      
6  Chapter  6:  Future  Roadmap  &  Value  Chain
6.1  Future  Roadmap
6.1.1  Pre-2020:  Investments  in  Advanced  Analytics  for  Vehicle-Related  Services
6.1.2  2020  –  2025:  Proliferation  of  Real-Time  Edge  Analytics  &  Automotive  Data  Monetization
6.1.3  2025  –  2030:  Towards  Fully  Autonomous  Driving  &  Future  IoT  Applications
6.2  The  Big  Data  Value  Chain
6.2.1  Hardware  Providers
6.2.1.1  Storage  &  Compute  Infrastructure  Providers
6.2.1.2  Networking  Infrastructure  Providers
6.2.2  Software  Providers
6.2.2.1  Hadoop  &  Infrastructure  Software  Providers
6.2.2.2  SQL  &  NoSQL  Providers
6.2.2.3  Analytic  Platform  &  Application  Software  Providers
6.2.2.4  Cloud  Platform  Providers
6.2.3  Professional  Services  Providers
6.2.4  End-to-End  Solution  Providers
6.2.5  Automotive  Industry
      
7  Chapter  7:  Standardization  &  Regulatory  Initiatives
7.1  ASF  (Apache  Software  Foundation)
7.1.1  Management  of  Hadoop
7.1.2  Big  Data  Projects  Beyond  Hadoop
7.2  CSA  (Cloud  Security  Alliance)
7.2.1  BDWG  (Big  Data  Working  Group)
7.3  CSCC  (Cloud  Standards  Customer  Council)
7.3.1  Big  Data  Working  Group
7.4  DMG    (Data  Mining  Group)
7.4.1  PMML  (Predictive  Model  Markup  Language)  Working  Group
7.4.2  PFA  (Portable  Format  for  Analytics)  Working  Group
7.5  IEEE  (Institute  of  Electrical  and  Electronics  Engineers)
7.5.1  Big  Data  Initiative
7.6  INCITS  (InterNational  Committee  for  Information  Technology  Standards)
7.6.1  Big  Data  Technical  Committee
7.7  ISO  (International  Organization  for  Standardization)
7.7.1  ISO/IEC  JTC  1/SC  32:  Data  Management  and  Interchange
7.7.2  ISO/IEC  JTC  1/SC  38:  Cloud  Computing  and  Distributed  Platforms
7.7.3  ISO/IEC  JTC  1/SC  27:  IT  Security  Techniques
7.7.4  ISO/IEC  JTC  1/WG  9:  Big  Data
7.7.5  Collaborations  with  Other  ISO  Work  Groups
7.8  ITU  (International  Telecommunication  Union)
7.8.1  ITU-T  Y.3600:  Big  Data  –  Cloud  Computing  Based  Requirements  and  Capabilities
7.8.2  Other  Deliverables  Through  SG  (Study  Group)  13  on  Future  Networks
7.8.3  Other  Relevant  Work
7.9  Linux  Foundation
7.9.1  ODPi  (Open  Ecosystem  of  Big  Data)
7.10  NIST  (National  Institute  of  Standards  and  Technology)
7.10.1  NBD-PWG  (NIST  Big  Data  Public  Working  Group)
7.11  OASIS  (Organization  for  the  Advancement  of  Structured  Information  Standards)
7.11.1  Technical  Committees
7.12  ODaF  (Open  Data  Foundation)
7.12.1  Big  Data  Accessibility
7.13  ODCA  (Open  Data  Center  Alliance)
7.13.1  Work  on  Big  Data
7.14  OGC  (Open  Geospatial  Consortium)
7.14.1  Big  Data  DWG  (Domain  Working  Group)
7.15  TM  Forum
7.15.1  Big  Data  Analytics  Strategic  Program
7.16  TPC  (Transaction  Processing  Performance  Council)
7.16.1  TPC-BDWG  (TPC  Big  Data  Working  Group)
7.17  W3C  (World  Wide  Web  Consortium)
7.17.1  Big  Data  Community  Group
7.17.2  Open  Government  Community  Group
      
8  Chapter  8:  Market  Sizing  &  Forecasts
8.1  Global  Outlook  for  Big  Data  in  the  Automotive  Industry
8.2  Hardware,  Software  &  Professional  Services  Segmentation
8.3  Horizontal  Submarket  Segmentation
8.4  Hardware  Submarkets
8.4.1  Storage  and  Compute  Infrastructure
8.4.2  Networking  Infrastructure
8.5  Software  Submarkets
8.5.1  Hadoop  &  Infrastructure  Software
8.5.2  SQL
8.5.3  NoSQL
8.5.4  Analytic  Platforms  &  Applications
8.5.5  Cloud  Platforms
8.6  Professional  Services  Submarket
8.6.1  Professional  Services
8.7  Application  Area  Segmentation
8.7.1  Product  Development,  Manufacturing  &  Supply  Chain
8.7.2  After-Sales,  Warranty  &  Dealer  Management
8.7.3  Connected  Vehicles  &  Intelligent  Transportation
8.7.4  Marketing,  Sales  &  Other  Applications
8.8  Use  Case  Segmentation
8.9  Product  Development,  Manufacturing  &  Supply  Chain  Use  Cases
8.9.1  Supply  Chain  Management
8.9.2  Manufacturing
8.9.3  Product  Design  &  Planning
8.10  After-Sales,  Warranty  &  Dealer  Management  Use  Cases
8.10.1  Predictive  Maintenance  &  Real-Time  Diagnostics
8.10.2  Recall  &  Warranty  Management
8.10.3  Parts  Inventory  &  Pricing  Optimization
8.10.4  Dealer  Management  &  Customer  Support  Services
8.11  Connected  Vehicles  &  Intelligent  Transportation  Use  Cases
8.11.1  UBI  (Usage-Based  Insurance)
8.11.2  Autonomous  &  Semi-Autonomous  Driving
8.11.3  Intelligent  Transportation
8.11.4  Fleet  Management
8.11.5  Driver  Safety  &  Vehicle  Cyber  Security
8.11.6  In-Vehicle  Experience,  Navigation  &  Infotainment
8.11.7  Ride  Sourcing,  Sharing  &  Rentals
8.12  Marketing,  Sales  &  Other  Application  Use  Cases
8.12.1  Marketing  &  Sales
8.12.2  Customer  Retention
8.12.3  Third  Party  Monetization
8.12.4  Other  Use  Cases
8.13  Regional  Outlook
8.14  Asia  Pacific
8.14.1  Country  Level  Segmentation
8.14.2  Australia
8.14.3  China
8.14.4  India
8.14.5  Indonesia
8.14.6  Japan
8.14.7  Malaysia
8.14.8  Pakistan
8.14.9  Philippines
8.14.10  Singapore
8.14.11  South  Korea
8.14.12  Taiwan
8.14.13  Thailand
8.14.14  Rest  of  Asia  Pacific
8.15  Eastern  Europe
8.15.1  Country  Level  Segmentation
8.15.2  Czech  Republic
8.15.3  Poland
8.15.4  Russia
8.15.5  Rest  of  Eastern  Europe
8.16  Latin  &  Central  America
8.16.1  Country  Level  Segmentation
8.16.2  Argentina
8.16.3  Brazil
8.16.4  Mexico
8.16.5  Rest  of  Latin  &  Central  America
8.17  Middle  East  &  Africa
8.17.1  Country  Level  Segmentation
8.17.2  Israel
8.17.3  Qatar
8.17.4  Saudi  Arabia
8.17.5  South  Africa
8.17.6  UAE
8.17.7  Rest  of  the  Middle  East  &  Africa
8.18  North  America
8.18.1  Country  Level  Segmentation
8.18.2  Canada
8.18.3  USA
8.19  Western  Europe
8.19.1  Country  Level  Segmentation
8.19.2  Denmark
8.19.3  Finland
8.19.4  France
8.19.5  Germany
8.19.6  Italy
8.19.7  Netherlands
8.19.8  Norway
8.19.9  Spain
8.19.10  Sweden
8.19.11  UK
8.19.12  Rest  of  Western  Europe
      
9  Chapter  9:  Vendor  Landscape
9.1  1010data
9.2  Absolutdata
9.3  Accenture
9.4  Actian  Corporation/HCL  Technologies
9.5  Adaptive  Insights
9.6  Adobe  Systems
9.7  Advizor  Solutions
9.8  AeroSpike
9.9  AFS  Technologies
9.10  Alation
9.11  Algorithmia
9.12  Alluxio
9.13  ALTEN
9.14  Alteryx
9.15  AMD  (Advanced  Micro  Devices)
9.16  Anaconda
9.17  Apixio
9.18  Arcadia  Data
9.19  ARM
9.20  AtScale
9.21  Attivio
9.22  Attunity
9.23  Automated  Insights
9.24  AVORA
9.25  AWS  (Amazon  Web  Services)
9.26  Axiomatics
9.27  Ayasdi
9.28  BackOffice  Associates
9.29  Basho  Technologies
9.30  BCG  (Boston  Consulting  Group)
9.31  Bedrock  Data
9.32  BetterWorks
9.33  Big  Panda
9.34  BigML
9.35  Bitam
9.36  Blue  Medora
9.37  BlueData  Software
9.38  BlueTalon
9.39  BMC  Software
9.40  BOARD  International
9.41  Booz  Allen  Hamilton
9.42  Boxever
9.43  CACI  International
9.44  Cambridge  Semantics
9.45  Capgemini
9.46  Cazena
9.47  Centrifuge  Systems
9.48  CenturyLink
9.49  Chartio
9.50  Cisco  Systems
9.51  Civis  Analytics
9.52  ClearStory  Data
9.53  Cloudability
9.54  Cloudera
9.55  Cloudian
9.56  Clustrix
9.57  CognitiveScale
9.58  Collibra
9.59  Concurrent  Technology/Vecima  Networks
9.60  Confluent
9.61  Contexti
9.62  Couchbase
9.63  Crate.io
9.64  Cray
9.65  Databricks
9.66  Dataiku
9.67  Datalytyx
9.68  Datameer
9.69  DataRobot
9.70  DataStax
9.71  Datawatch  Corporation
9.72  DDN  (DataDirect  Networks)
9.73  Decisyon
9.74  Dell  Technologies
9.75  Deloitte
9.76  Demandbase
9.77  Denodo  Technologies
9.78  Dianomic  Systems
9.79  Digital  Reasoning  Systems
9.80  Dimensional  Insight
9.81  Dolphin  Enterprise  Solutions  Corporation/Hanse  Orga  Group
9.82  Domino  Data  Lab
9.83  Domo
9.84  Dremio
9.85  DriveScale
9.86  Druva
9.87  Dundas  Data  Visualization
9.88  DXC  Technology
9.89  Elastic
9.90  Engineering  Group  (Engineering  Ingegneria  Informatica)
9.91  EnterpriseDB  Corporation
9.92  eQ  Technologic
9.93  Ericsson
9.94  Erwin
9.95  EVŌ  (Big  Cloud  Analytics)
9.96  EXASOL
9.97  EXL  (ExlService  Holdings)
9.98  Facebook
9.99  FICO  (Fair  Isaac  Corporation)
9.100  Figure  Eight
9.101  FogHorn  Systems
9.102  Fractal  Analytics
9.103  Franz
9.104  Fujitsu
9.105  Fuzzy  Logix
9.106  Gainsight
9.107  GE  (General  Electric)
9.108  Glassbeam
9.109  GoodData  Corporation
9.110  Google/Alphabet
9.111  Grakn  Labs
9.112  Greenwave  Systems
9.113  GridGain  Systems
9.114  H2O.ai
9.115  HarperDB
9.116  Hedvig
9.117  Hitachi  Vantara
9.118  Hortonworks
9.119  HPE  (Hewlett  Packard  Enterprise)
9.120  Huawei
9.121  HVR
9.122  HyperScience
9.123  HyTrust
9.124  IBM  Corporation
9.125  iDashboards
9.126  IDERA
9.127  Ignite  Technologies
9.128  Imanis  Data
9.129  Impetus  Technologies
9.130  Incorta
9.131  InetSoft  Technology  Corporation
9.132  InfluxData
9.133  Infogix
9.134  Infor/Birst
9.135  Informatica
9.136  Information  Builders
9.137  Infosys
9.138  Infoworks
9.139  Insightsoftware.com
9.140  InsightSquared
9.141  Intel  Corporation
9.142  Interana
9.143  InterSystems  Corporation
9.144  Jedox
9.145  Jethro
9.146  Jinfonet  Software
9.147  Juniper  Networks
9.148  KALEAO
9.149  Keen  IO
9.150  Keyrus
9.151  Kinetica
9.152  KNIME
9.153  Kognitio
9.154  Kyvos  Insights
9.155  LeanXcale
9.156  Lexalytics
9.157  Lexmark  International
9.158  Lightbend
9.159  Logi  Analytics
9.160  Logical  Clocks
9.161  Longview  Solutions/Tidemark
9.162  Looker  Data  Sciences
9.163  LucidWorks
9.164  Luminoso  Technologies
9.165  Maana
9.166  Manthan  Software  Services
9.167  MapD  Technologies
9.168  MapR  Technologies
9.169  MariaDB  Corporation
9.170  MarkLogic  Corporation
9.171  Mathworks
9.172  Melissa
9.173  MemSQL
9.174  Metric  Insights
9.175  Microsoft  Corporation
9.176  MicroStrategy
9.177  Minitab
9.178  MongoDB
9.179  Mu  Sigma
9.180  NEC  Corporation
9.181  Neo4j
9.182  NetApp
9.183  Nimbix
9.184  Nokia
9.185  NTT  Data  Corporation
9.186  Numerify
9.187  NuoDB
9.188  NVIDIA  Corporation
9.189  Objectivity
9.190  Oblong  Industries
9.191  OpenText  Corporation
9.192  Opera  Solutions
9.193  Optimal  Plus
9.194  Oracle  Corporation
9.195  Palantir  Technologies
9.196  Panasonic  Corporation/Arimo
9.197  Panorama  Software
9.198  Paxata
9.199  Pepperdata
9.200  Phocas  Software
9.201  Pivotal  Software
9.202  Prognoz
9.203  Progress  Software  Corporation
9.204  Provalis  Research
9.205  Pure  Storage
9.206  PwC  (PricewaterhouseCoopers  International)
9.207  Pyramid  Analytics
9.208  Qlik
9.209  Qrama/Tengu
9.210  Quantum  Corporation
9.211  Qubole
9.212  Rackspace
9.213  Radius  Intelligence
9.214  RapidMiner
9.215  Recorded  Future
9.216  Red  Hat
9.217  Redis  Labs
9.218  RedPoint  Global
9.219  Reltio
9.220  RStudio
9.221  Rubrik/Datos  IO
9.222  Ryft
9.223  Sailthru
9.224  Salesforce.com
9.225  Salient  Management  Company
9.226  Samsung  Group
9.227  SAP
9.228  SAS  Institute
9.229  ScaleOut  Software
9.230  Seagate  Technology
9.231  Sinequa
9.232  SiSense
9.233  Sizmek
9.234  SnapLogic
9.235  Snowflake  Computing
9.236  Software  AG
9.237  Splice  Machine
9.238  Splunk
9.239  Strategy  Companion  Corporation
9.240  Stratio
9.241  Streamlio
9.242  StreamSets
9.243  Striim
9.244  Sumo  Logic
9.245  Supermicro  (Super  Micro  Computer)
9.246  Syncsort
9.247  SynerScope
9.248  SYNTASA
9.249  Tableau  Software
9.250  Talend
9.251  Tamr
9.252  TARGIT
9.253  TCS  (Tata  Consultancy  Services)
9.254  Teradata  Corporation
9.255  Thales/Guavus
9.256  ThoughtSpot
9.257  TIBCO  Software
9.258  Toshiba  Corporation
9.259  Transwarp
9.260  Trifacta
9.261  Unifi  Software
9.262  Unravel  Data
9.263  VANTIQ
9.264  VMware
9.265  VoltDB
9.266  WANdisco
9.267  Waterline  Data
9.268  Western  Digital  Corporation
9.269  WhereScape
9.270  WiPro
9.271  Wolfram  Research
9.272  Workday
9.273  Xplenty
9.274  Yellowfin  BI
9.275  Yseop
9.276  Zendesk
9.277  Zoomdata
9.278  Zucchetti
      
10  Chapter  10:  Conclusion  &  Strategic  Recommendations
10.1  Why  is  the  Market  Poised  to  Grow?
10.2  Geographic  Outlook:  Which  Countries  Offer  the  Highest  Growth  Potential?
10.3  Partnerships  &  M&A  Activity:  Highlighting  the  Importance  of  Big  Data
10.4  The  Significance  of  Edge  Analytics  for  Automotive  Applications
10.5  Achieving  Customer  Retention  with  Data-Driven  Services
10.6  Addressing  Privacy  Concerns
10.7  The  Role  of  Legislation
10.8  Encouraging  Data  Sharing  in  the  Automotive  Industry
10.9  Assessing  the  Impact  of  Self-Driving  Vehicles
10.10  Recommendations
10.10.1  Big  Data  Hardware,  Software  &  Professional  Services  Providers
10.10.2  Automotive  OEMS  &  Other  Stakeholders
      
List  of  Figures
    Figure  1:  Hadoop  Architecture
    Figure  2:  Reactive  vs.  Proactive  Analytics
    Figure  3:  Distribution  of  Big  Data  Investments  in  the  Automotive  Industry,  by  Application  Area:  2018  (%)
    Figure  4:  Autonomous  Vehicle  Generated  Data  Volume  by  Sensor  (%)
    Figure  5:  On-Board  Sensors  in  an  Autonomous  Vehicle
    Figure  6:  Audi's  Enterprise  Big  Data  Platform
    Figure  7:  Toyota's  Smart  Center  Architecture
    Figure  8:  Progressive  Corporation's  Use  of  Big  Data  for  Automotive  Insurance
    Figure  9:  Big  Data  Roadmap  in  the  Automotive  Industry:  2018  –  2030
    Figure  10:  Big  Data  Value  Chain  in  the  Automotive  Industry
    Figure  11:  Key  Aspects  of  Big  Data  Standardization
    Figure  12:  Global  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  13:  Global  Big  Data  Revenue  in  the  Automotive  Industry,  by  Hardware,  Software  &  Professional  Services:  2018  –  2030  ($  Million)
    Figure  14:  Global  Big  Data  Revenue  in  the  Automotive  Industry,  by  Submarket:  2018  –  2030  ($  Million)
    Figure  15:  Global  Big  Data  Storage  and  Compute  Infrastructure  Submarket  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  16:  Global  Big  Data  Networking  Infrastructure  Submarket  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  17:  Global  Big  Data  Hadoop  &  Infrastructure  Software  Submarket  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  18:  Global  Big  Data  SQL  Submarket  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  19:  Global  Big  Data  NoSQL  Submarket  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  20:  Global  Big  Data  Analytic  Platforms  &  Applications  Submarket  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  21:  Global  Big  Data  Cloud  Platforms  Submarket  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  22:  Global  Big  Data  Professional  Services  Submarket  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  23:  Global  Big  Data  Revenue  in  the  Automotive  Industry,  by  Application  Area:  2018  –  2030  ($  Million)
    Figure  24:  Global  Big  Data  Revenue  in  Automotive  Product  Development,  Manufacturing  &  Supply  Chain:  2018  –  2030  ($  Million)
    Figure  25:  Global  Big  Data  Revenue  in  Automotive  After-Sales,  Warranty  &  Dealer  Management:  2018  –  2030  ($  Million)
    Figure  26:  Global  Big  Data  Revenue  in  Connected  Vehicles  &  Intelligent  Transportation:  2018  –  2030  ($  Million)
    Figure  27:  Global  Big  Data  Revenue  in  Automotive  Marketing,  Sales  &  Other  Applications:  2018  –  2030  ($  Million)
    Figure  28:  Global  Big  Data  Revenue  in  the  Automotive  Industry,  by  Use  Case:  2018  –  2030  ($  Million)
    Figure  29:  Global  Big  Data  Revenue  in  Automotive  Supply  Chain  Management:  2018  –  2030  ($  Million)
    Figure  30:  Global  Big  Data  Revenue  in  Automotive  Manufacturing:  2018  –  2030  ($  Million)
    Figure  31:  Global  Big  Data  Revenue  in  Automotive  Product  Design  &  Planning:  2018  –  2030  ($  Million)
    Figure  32:  Global  Big  Data  Revenue  in  Automotive  Predictive  Maintenance  &  Real-Time  Diagnostics:  2018  –  2030  ($  Million)
    Figure  33:  Global  Big  Data  Revenue  in  Automotive  Recall  &  Warranty  Management:  2018  –  2030  ($  Million)
    Figure  34:  Global  Big  Data  Revenue  in  Automotive  Parts  Inventory  &  Pricing  Optimization:  2018  –  2030  ($  Million)
    Figure  35:  Global  Big  Data  Revenue  in  Automotive  Dealer  Management  &  Customer  Support  Services:  2018  –  2030  ($  Million)
    Figure  36:  Global  Big  Data  Revenue  in  UBI  (Usage-Based  Insurance):  2018  –  2030  ($  Million)
    Figure  37:  Global  Big  Data  Revenue  in  Autonomous  &  Semi-Autonomous  Driving:  2018  –  2030  ($  Million)
    Figure  38:  Global  Big  Data  Revenue  in  Intelligent  Transportation:  2018  –  2030  ($  Million)
    Figure  39:  Global  Big  Data  Revenue  in  Fleet  Management:  2018  –  2030  ($  Million)
    Figure  40:  Global  Big  Data  Revenue  in  Driver  Safety  &  Vehicle  Cyber  Security:  2018  –  2030  ($  Million)
    Figure  41:  Global  Big  Data  Revenue  in  In-Vehicle  Experience,  Navigation  &  Infotainment:  2018  –  2030  ($  Million)
    Figure  42:  Global  Big  Data  Revenue  in  Ride  Sourcing,  Sharing  &  Rentals:  2018  –  2030  ($  Million)
    Figure  43:  Global  Big  Data  Revenue  in  Automotive  Marketing  &  Sales:  2018  –  2030  ($  Million)
    Figure  44:  Global  Big  Data  Revenue  in  Automotive  Customer  Retention:  2018  –  2030  ($  Million)
    Figure  45:  Global  Big  Data  Revenue  in  Automotive  Third  Party  Monetization:  2018  –  2030  ($  Million)
    Figure  46:  Global  Big  Data  Revenue  in  Other  Automotive  Industry  Use  Cases:  2018  –  2030  ($  Million)
    Figure  47:  Big  Data  Revenue  in  the  Automotive  Industry,  by  Region:  2018  –  2030  ($  Million)
    Figure  48:  Asia  Pacific  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  49:  Asia  Pacific  Big  Data  Revenue  in  the  Automotive  Industry,  by  Country:  2018  –  2030  ($  Million)
    Figure  50:  Australia  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  51:  China  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  52:  India  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  53:  Indonesia  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  54:  Japan  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  55:  Malaysia  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  56:  Pakistan  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  57:  Philippines  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  58:  Singapore  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  59:  South  Korea  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  60:  Taiwan  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  61:  Thailand  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  62:  Rest  of  Asia  Pacific  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  63:  Eastern  Europe  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  64:  Eastern  Europe  Big  Data  Revenue  in  the  Automotive  Industry,  by  Country:  2018  –  2030  ($  Million)
    Figure  65:  Czech  Republic  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  66:  Poland  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  67:  Russia  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  68:  Rest  of  Eastern  Europe  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  69:  Latin  &  Central  America  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  70:  Latin  &  Central  America  Big  Data  Revenue  in  the  Automotive  Industry,  by  Country:  2018  –  2030  ($  Million)
    Figure  71:  Argentina  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  72:  Brazil  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  73:  Mexico  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  74:  Rest  of  Latin  &  Central  America  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  75:  Middle  East  &  Africa  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  76:  Middle  East  &  Africa  Big  Data  Revenue  in  the  Automotive  Industry,  by  Country:  2018  –  2030  ($  Million)
    Figure  77:  Israel  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  78:  Qatar  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  79:  Saudi  Arabia  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  80:  South  Africa  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  81:  UAE  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  82:  Rest  of  the  Middle  East  &  Africa  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  83:  North  America  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  84:  North  America  Big  Data  Revenue  in  the  Automotive  Industry,  by  Country:  2018  –  2030  ($  Million)
    Figure  85:  Canada  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  86:  USA  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  87:  Western  Europe  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  88:  Western  Europe  Big  Data  Revenue  in  the  Automotive  Industry,  by  Country:  2018  –  2030  ($  Million)
    Figure  89:  Denmark  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  90:  Finland  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  91:  France  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  92:  Germany  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  93:  Italy  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  94:  Netherlands  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  95:  Norway  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  96:  Spain  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  97:  Sweden  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  98:  UK  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)
    Figure  99:  Rest  of  Western  Europe  Big  Data  Revenue  in  the  Automotive  Industry:  2018  –  2030  ($  Million)