WHITEPAPER
„DATA SCIENTIST – DIE KARRIERE DER ZUKUNFT“
WIE DIE ANALYSE VON DATEN DIE WIRTSCHAFT PRÄGT
Mit Beiträgen von
Br...
Data Science Best Practices
Unternehmen haben in den vergangenen Jahren eine enorme Menge an
Daten (Big Data) angesammelt....
BIG Data & Predictive Analytics –
der Nutzen von Daten für präzise Prognosen
und Entscheidungen in der Zukunft
BIG Data Eu...
BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.201...
BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.201...
BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.201...
BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.201...
BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.201...
BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.201...
BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.201...
BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.201...
BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.201...
BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.201...
BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.201...
BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.201...
BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.201...
BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.201...
BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.201...
BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.201...
Wie Big Data den Einzelhandel verändert
Next Generation Retail
Big Data 27. August 2013
Mag. Philipp Giselbrecht
Leiter Ma...
Sutterlüty in Vorarlberg
Anzahl Sutterlüty Geschäfte: 22
Anzahl Sutterlüty Mitarbeiter: 700
Umsatz Sutterlüty Gruppe 2012:...
Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
Herausforderungen im CRM eines
stationären Lebensmittelhändlers
• Anzahl digitaler Werbekanäle explodiert
• Marketingbudge...
Bedürfnisse eines Kunden im
Lebensmitteleinzelhandel
• Herkunft von Produkten
• Kassenzettel als Kontrollinstrument
• Bequ...
Die Sutterlüty App
Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
Kundenkarte als Mittel zur
Informationsgewinnung
1 Messbarer Kundenkontakt pro Einkauf
Ort und Zeit des Einkaufs
Gekaufte ...
Kundenkarte als Mittel zur
Informationsgewinnung
Aber was passiert in der Zwischenzeit?
Copyright: Philipp Giselbrecht;Tho...
Der Kunde ist nicht untätig
Aktuelle Angebote,
Rabatte, Trends
Informationen über
Produkte, Hersteller,
Gütesiegel
Austaus...
Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
Beispiel
? ? Einkauf
3
Einkauf
2
Einkauf
1
Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für ...
Beispiel
? ? Einkauf
3
Einkauf
2
Einkauf
1
Aktuelles
Angebot
angeschaut
Einkaufs
Liste
erstellt
Über Ländle
Gütesiegel
inf...
Beispiel
? ? Einkauf
3
Einkauf
2
Einkauf
1
Aktuelles
Angebot
angeschaut
Einkaufs
Liste
erstellt
Über Ländle
Gütesiegel
inf...
? ? Einkauf
3
Einkauf
2
Einkauf
1
Aktuelles
Angebot
angeschaut
Einkaufs
Liste
erstellt
Über Ländle
Gütesiegel
informiert
S...
Big Data mit Cosibon
(Kleine Auswahl)
1. Welchen Einfluss haben aktuelle Angebote auf welche Kundensegmente?
(In der App s...
Vielen DANK!
Testzugangsdaten App:
Store: Google Play
Kundennummer: 123456
Kennwort: BigData
Big Data bei der Fraport AG
Köln, 25. November 2013
Stefan Sabatzki
Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Frap...
Inhaltsverzeichnis
Unternehmensporträt, April 2013
Chart 2
– Fraport auf einen Blick
– Big Data bei Fraport
– Historie der...
Fraport auf einen Blick
Chart 3
Unternehmensporträt, April 2013
Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport ...
Unsere Historie
Chart 4
Unternehmensporträt, April 2013
Vom Flughof Manager 1924...
...zum Manager internationaler Drehkre...
Umsatzträger sind unsere Kerngeschäftsfelder
Chart 5
Unternehmensporträt, April 2013
Umsätze im Gesamtkonzern nach Segment...
Frankfurt Airport – Zahlen und Fakten
Unternehmensporträt, April 2013
Chart 6
– 21 km2 Fläche
– bis zu 94 Flugbewegungen/S...
Big Data bei Fraport
Chart 7
Unternehmensporträt, April 2013
Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG....
Eine Definition (von vielen)
Seite 8
Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exem...
Big Data
Seite 9
 Velocity (Geschwindigkeit)
Abfragegeschwindigkeit
Time to Market neuer Lösungen
Verschiedene Ladezyk...
Historie der BI-Umgebung
Chart 10
Unternehmensporträt, April 2013
Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Frapor...
Hintergrund
Seite 11
 Inbetriebnahme des „Business Intelligence Architecture Framework“, der BI-
Umgebung für operative D...
Systemüberblick SAS 9.4 + Greenplum
Seite 12
Primary Data Center Secondary Data Center
Greenplum
Appliance
Historical Data...
Hardware in Zahlen
Seite 13
 SAS
 14 virtuelle Maschinen
 2 physische Maschinen
 60 Cores
 188 GB RAM
 Greenplum sof...
Use Case Passagierflüsse
Chart 14
Unternehmensporträt, April 2013
Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Frapor...
Motivation
Kundenseitig
 Kostendruck der Airlines
 Optimierung von Wartezeiten der Passagiere
Infrastruktur
 Platzman...
7. LA PAARIS 09.07.2009, R. Frost, A. Hofmann
Seite 16
Architektur
Seite 16
Prognose der
Anzahl der Paxe
für jeden Flug an...
Training des statistischen Modells
Flirt
INFO
Decision
Tree
Regression
Model
Combination of INFOplus
flight plan data with...
Passagier Prognose
Flight plan with
passenger prognosis
Model
Determination of „best“
input flight plan
MuWo
BestMatch
Sai...
Passagierfluss Simulation
Passagierprognosen
Step 1:
Daten Aufbereitung
Step 3:
Operative Darstellung
Messdaten (BCBP,
PAX...
Passagierfluss Simulation
• Die Simulation eines Tages erzeugt ~ 1.5 Millionen Ereignisse (Ein-, Austritte)
• Die Daten we...
Status Quo und Vision
Seite 21
 Passagierprognose pro Flugnummer
 Ist
Für jeden Flug der am Frankfurter Flughafen geplan...
Vielen Dank für Ihre
Aufmerksamkeit!
Vielen Dank für Ihre Aufmerksamkeit!
Copyright: Stefan Sabatzki, AirITSystems GmbH c/...
BACKUP
Neue Anforderungen an die Architektur
Seite 23
 Höhere Ausfallsicherheit und Disaster Recovery Fähigkeit
Kein Dat...
BACKUP
Informationsfluss
Wer ist Nutzer der PFA?
Zur Zeit ca. 250 Nutzer in den Bereichen:
• § 5 Luftsicherheitskontrollen...
BACKUP
Umsetzung (Simulation)
Seite 25
Zwischenstand Implementierung PAARIS Phase 4
• Aufbau einer Ereignis-Diskreten-Simu...
BACKUP
Pax Navigation (Simulation)
Seite 26
Zwischenstand Implementierung PAARIS Phase 4
• Als Grundlage dient das Termina...
U N I V E R S I T Ä T S M E D I Z I N B E R L I NU N I V E R S I T Ä T S M E D I Z I N B E R L I N
BIG Data im Gesundheits...
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
Agenda
• Charité und Herausforderungen IT (BD)
• Integrierte Systemwelte...
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
Charité – Universitätsmedizin Berlin
Campus Buch
Campus
Charité Mitte
Ca...
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
 Vier Berliner Standorte mit einer Nutzfläche von 607.200 m²
 14.500 M...
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
Klinische Ziele
(Massendaten Auszug)
• Unterstützung personalisierte The...
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
• Viele Medienbrüche (noch immer papiergestützte
Dokumentation notwendig...
VI. Entscheidungsunterstützung
(wissensbasierte System-Funktionen)
V. Automation (klinische Pfade)
IV. Prozess- / Workflow...
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
Realität!?
(Digitale Klinik)
Papiergestütztes Datenmanagement
(für mediz...
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
8
SAP HANA
InMemory Technologie
8
BIG Data Technologieansatz (in Memory)...
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
IT architecture at Charité
User Access InMemory Applications
Add Departm...
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
Medizinisches DataWarehouse
Bsp. Charité
Anzahl Nutzer DWH Datenbankgröß...
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
in addition to clinical data:
Genome Data
- 3.000.000 data points
Transc...
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
Massendaten – Big Data
Scenarios (for Research issues) - Medical Explore...
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
Massendaten (InMemory) – Big Data
Medical Explorer (for Research issues)...
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
BigData Herausforderungen Charité
Erschließung von Wissen:
Medizinisches...
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
BigData Herausforderungen Charité
Textbeispiel aus Aufnahmeprotokoll
[De...
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
BigData Herausforderungen Charité
• Vielgestaltiger medizinischer Sprach...
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
• Anforderungen an bereits strukturierte Daten
• Verbesserung der Datenv...
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
Literatur
[Bit12] Bitkom: AK Big Data: Vorläufiges Programm 2012: in: ht...
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
Fragen?
Martin Peuker
martin.peuker@charite.de
Charité Universitätsmediz...
Neuer Ansatz – mittels sorgfältig ausgewählter IT-Komponenten
– Keine direkte Interaktion mit dem zentralen (back-end) KIS...
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
21
Bsp. ePA Mobil
Copy...
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
U N I V E R S I T Ä T S M E D I Z I N B E R L I N
22
Bsp. ePA Mobil
What is big data?
• Quantity of data available
• Relevance
• Timely
• Complete & Accurate
• Is available when a decision
n...
Big Data as new paradigm
in the Financial Industry / Scoring
featured on
Copyright: Sebastian Diemer, Kreditech Holding SS...
3
1. Big Data In Financial Industry
2. Big Data As Scoring Paradigm
3. Kreditech
Copyright: Sebastian Diemer, Kreditech Ho...
Total data volume from
first data ever recorded till
2010: 0,18 Zettabyte
or 180.000.000.000 Gigabyte
Data volume from
201...
How is big data being used?
27.11.2013 5
2
800
FBI Credit Bureaus
100%
3%
FBI Financial Industry
Billion of records on pri...
How do banks use big data?
Customer-
centric
outcomes; 55%
Operational
optimization;
4%
Rsik/financial
management;
23%
New...
Current Chances & Challenges
27.11.2013 7
Chances Challenges
- Generate more data (by Big
Data Technologies)
- Analyze mor...
Window of Opportunity:
High-Street Banks will Lose Dominance of Lending Market
27.11.2013 8
Exemplary: Consumer credit mar...
70%
81%
73% 72% 70%
86% 90%
68%
30%
19%
27% 28% 30%
14% 10%
32%
0%
20%
40%
60%
80%
100%
World Brazil Canada China EU India...
What does this mean for the industry
3 possible end games
27.11.2013 10
Banks get disrupted / shift in supply
chain and ma...
11
1. Big Data In Financial Industry
2. Big Data As Scoring Paradigm
3. Kreditech
Copyright: Sebastian Diemer, Kreditech H...
How can we use Big Data for Scoring?
Using Big Data
Relevant to the decision
 Complete & Accurate
 Timely
 Available w...
5 usto ers do t ha e a credit score
“our e: World Ba k “tatisti s, ; The atio al redit ureau: A key e a ler of
fi a ial i ...
GIGO Model – Garbage in, garbage out
What makes up a FICO credit score?
35%
30%
15%
10%
10% Payment history
Amounts owed
L...
Since Current Solutions are Insufficient
27.11.2013 15
Credit Bureau
Check
Customer has no record
• No record for 74% of w...
Why not use online data – country and credit
bureau independent?
27.11.2013 16
New Data Sources
New Technologies
Copyright...
Get more data!
27.11.2013 17
Credit
bureaus
Location
Data
Device
Data
Behaviour
Data
Social
Networks
Web Usage
Data
Financ...
Location and Environmental Data
27.11.2013 18
Home
Work
IP
Last Check in
Distance
Surounding
Microgeographical
Composition...
Social Network Data
27.11.2013 19
Size of
network
Edgerank
Interactions
and Intensity
Coherence within
networks
Profile
Co...
Device and Behavioural Data
27.11.2013 20
Browsing
Behaviour
Typing
Patterns
Website
Usage
Customer
Journey
Device
Informa...
More Data is better.
27.11.2013 21
The big data approach can be seen as mosaic picture: the individual datapoint only has ...
22
1. Big Data In Financial Industry
2. Big Data As Scoring Paradigm
3. Kreditech
Copyright: Sebastian Diemer, Kreditech H...
Automated Microloans Based on Scoring
Tech
1. Fast, convenient microloans
• 7 – 45 Days; installments recently launched
• ...
BIG DATA vs. Credit Bureau Data.
27.11.2013 24
70%
20%
7%
Default Rates
Default rates Poland 2013
Baseline Credit Bureau B...
BIG DATA vs. Credit Bureau Data.
27.11.2013 25
Products & Development
Copyright: Sebastian Diemer, Kreditech Holding SSL G...
Profitable, Automated, Scalable Operations
Profitable, easy to scale operations across the globe
27.11.2013 26
Short-term ...
Kreditech Key Facts
As per November 2013
• 1,200% Growth in 2013 in revenue
• Profitable in core market Poland
• 20 mn USD...
Contact
27.11.2013 28
Sebastian Diemer
Founder & CEO of Kreditech
eMail: sebastian@kreditech.com
LinkedIn: www.linkedin.co...
siemens.com/answers© Siemens AG 2013 All rights reserved.
Sensordaten – Big Data im
industriellen Umfeld bei Siemens
Gerha...
Unrestricted © Siemens AG 2013 Alle Rechte vorbehaltenSeite 2 2013-11-26 Siemens AG
Entwicklung Umsatz und Mitarbeiter Vor...
Unrestricted © Siemens AG 2013 Alle Rechte vorbehaltenSeite 3 2013-11-26 Siemens AG
Position bei Patenten
(2012)
Deutschla...
Unrestricted © Siemens AG 2013 Alle Rechte vorbehaltenSeite 4 2013-11-26 Siemens AG
Siemens fokussiert sich auf „Vertikale...
Unrestricted © Siemens AG 2013 Alle Rechte vorbehaltenSeite 5 2013-11-26 Siemens AG
Big Data – Eine neue Ära der Daten beg...
Unrestricted © Siemens AG 2013 Alle Rechte vorbehaltenSeite 6 2013-11-26 Siemens AG
Industrielle Daten werden in Zukunft e...
Unrestricted © Siemens AG 2013 Alle Rechte vorbehaltenSeite 7 2013-11-26 Siemens AG
“Smart Data” wird radikale Veränderung...
Unrestricted © Siemens AG 2013 Alle Rechte vorbehaltenSeite 8 2013-11-26 Siemens AG
Beispiel: Data Management und Real Tim...
Unrestricted © Siemens AG 2013 Alle Rechte vorbehaltenSeite 9 2013-11-26 Siemens AG
Beispiel: “Plant Monitor” entdeckt sch...
Unrestricted © Siemens AG 2013 Alle Rechte vorbehaltenSeite 10 2013-11-26 Siemens AG
Beispiel: Hochgeschwindigkeitszüge - ...
Unrestricted © Siemens AG 2013 Alle Rechte vorbehaltenSeite 11 2013-11-26 Siemens AG
Verlinkung von Informationen in Texte...
Im Takt des Motors - SAP HANA im
Prüffeld bei der Mercedes-AMG GmbH
Dirk Zeller, Mercedes-AMG & Dr. Hagen Radowski, MHP
Ha...
Copyright: Hagen Radowski, Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH, A Porsche Compan...
Copyright: Hagen Radowski, Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH, A Porsche Compan...
Copyright: Hagen Radowski, Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH, A Porsche Compan...
• Höhere Effizienz und Zeitgewinn bei
der Analyse großer Datenmengen
• Verbesserung der Reaktions-
geschwindigkeit
• Einfa...
• Eine vertikale Plattform für
Prozessinnovation
• In Memory Computing ist der
Innovationsschwerpunkt
• SAP Suite ist die ...
• Verfügbarkeit von SAP HANA als
Basis für SAP Suite (POC durchlaufen)
• Echtzeit-BI auf Basis von ERP on
HANA ermöglicht ...
Innovationsansatz
Big Data
Kernprozess
Realtime & Predictive
8 Im Takt des Motors - SAP HANA im Prüffeld bei Mercedes-AMG,...
Qualitätssicherung in Echtzeit
• Unterstützt den Kernprozess
Motorenentwicklung/-
erprobung
• Big Data Computing /
Echtzei...
10
Das Resultat: Geschäftsprozessinnovation
 Eine durchgängige Echtzeit-Plattform für Forschung, Entwicklung und Produkti...
Die AMG Real-Time Quality Assurance Lösung
(RQA)
11
 RQA ist eine leistungsfähige, skalierbare Plattform für die Optimier...
RQA technische Architektur „All-in-One“
12
…
Sensordaten über SAP BO Data Services Real-Time ETL
10 Hz
Repository in HANA
...
13
Schnelle Analysefunktionen wirken auf vor- und
nachgelagerte Prozesse
Phase 1
Motor auf dem
Prüfstand
Phase 2
Entwicklu...
14 Im Takt des Motors - SAP HANA im Prüffeld bei Mercedes-AMG, Dirk Zeller, Mercedes-AMG GmbH, Dr. Hagen Radowski, MHP, Ja...
Big Data & Business Analytics
Capgemini @ Big Data Europe, Zürich
Jürgen Düvel
Copyright: Jürgen Düvel, Capgemini AG. Stan...
Business Analytics
© 2012 Capgemini. All rights reserved.
Insert “Title, Author, Date"
2
Big Data
© 2012 Capgemini. All ri...
Business Analytics
© 2012 Capgemini. All rights reserved.
Insert “Title, Author, Date"
3
Big Data
© 2012 Capgemini. All ri...
Business Analytics
© 2012 Capgemini. All rights reserved.
Insert “Title, Author, Date"
4
Big Data
© 2012 Capgemini. All ri...
Business Analytics
© 2012 Capgemini. All rights reserved.
Insert “Title, Author, Date"
5
Big Data
© 2012 Capgemini. All ri...
Business Analytics
© 2012 Capgemini. All rights reserved.
Insert “Title, Author, Date"
6
Big Data
© 2012 Capgemini. All ri...
Business Analytics
© 2012 Capgemini. All rights reserved.
Insert “Title, Author, Date"
7
Big Data
© 2012 Capgemini. All ri...
Business Analytics
© 2012 Capgemini. All rights reserved.
Insert “Title, Author, Date"
8
 Big Data Prozessmodell
 Zentra...
Business Analytics
© 2012 Capgemini. All rights reserved.
Insert “Title, Author, Date"
9
Der Umgang mit Big Data am
Beispi...
Business Analytics
© 2012 Capgemini. All rights reserved.
Insert “Title, Author, Date"
10
Big Data
© 2012 Capgemini. All r...
Business Analytics
© 2012 Capgemini. All rights reserved.
Insert “Title, Author, Date"
11
Big Data
© 2012 Capgemini. All r...
Business Analytics
© 2012 Capgemini. All rights reserved.
Insert “Title, Author, Date"
12
Big Data
© 2012 Capgemini. All r...
Business Analytics
© 2012 Capgemini. All rights reserved.
Insert “Title, Author, Date"
13
Big Data
© 2012 Capgemini. All r...
Business Analytics
© 2012 Capgemini. All rights reserved.
Insert “Title, Author, Date"
14
Big Data
© 2012 Capgemini. All r...
Business Analytics
© 2012 Capgemini. All rights reserved.
Insert “Title, Author, Date"
15
Big Data
© 2012 Capgemini. All r...
Business Analytics
© 2012 Capgemini. All rights reserved.
Insert “Title, Author, Date"
16
Big Data
© 2012 Capgemini. All r...
Business Analytics
© 2012 Capgemini. All rights reserved.
Insert “Title, Author, Date"
17
Big Data
© 2012 Capgemini. All r...
Business Analytics
© 2012 Capgemini. All rights reserved.
Insert “Title, Author, Date"
18
Big Data
© 2012 Capgemini. All r...
www.capgemini.com
The information contained in this presentation is proprietary. Copyright ©2012 Capgemini. All rights res...
Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20.11.2012. Exemplar für Henning Haake.Copyright: Stephan Pepersack;D...
2
A NEW SET OF QUESTIONS
What’s the social
sentiment for my
brand or products
How do I better
predict future
outcomes?
How...
3
Increases ad revenue by
processing 3.5 billion events per
day
Massive Volumes
Processes 464 billion rows per
quarter, wi...
4
GAIN COMPETITIVE ADVANTAGE BY MOVING FIRST AND FAST IN YOUR INDUSTRY
Web app
optimization
Smart meter
monitoring
Equipme...
5
Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20.11.2012. Exemplar für Henning Haake.
6
010101010101010101
1010101010101010
01010101010101
101010101010
Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20....
7
Enterprise class security, HA & management
Seamlessly integrated with Microsoft BI tools
Windows Simplicity and Manageab...
8
Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20.11.2012. Exemplar für Henning Haake.
9
Value
Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20.11.2012. Exemplar für Henning Haake.
10
Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20.11.2012. Exemplar für Henning Haake.
11
010101010101010101
1010101010101010
01010101010101
101010101010
Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20...
12
Parallel Data Warehouse
PowerPivot
Power View
Microsoft HDInsight Server
HDInsight Service
Copyright: Stephan Pepersack...
13
FastLoad
Source Systems
Historical Data
(Beyond Active Window)
Summarize &
Load
Big Data Sources
(Raw,
Unstructured)
Al...
14
• LEARN MORE
• Microsoft Big Data Solution: www.microsoft.de/bigdata
• Windows Azure: www.windowsazure.de
• TRY NOW
• P...
„DATA SCIENTIST – DIE KARRIERE DER ZUKUNFT“ - WIE DIE ANALYSE VON DATEN DIE WIRTSCHAFT PRÄGT
Nächste SlideShare
Wird geladen in …5
×

„DATA SCIENTIST – DIE KARRIERE DER ZUKUNFT“ - WIE DIE ANALYSE VON DATEN DIE WIRTSCHAFT PRÄGT

1.819 Aufrufe

Veröffentlicht am

Unternehmen haben in den vergangenen Jahren eine enorme Menge an Daten (Big Data) angesammelt. Daraus zukunftsentscheidende Schlüsse zu ziehen ist Gold wert. Doch die klassischen Informatiker und Statistiker sind mit Anfragen der Fachabteilung überfordert, beispielsweise mit dieser: „Nimm diese 300TB und hole mir 10 Kunden daraus, mit denen wir in den kommenden Jahren den meisten Umsatz machen.“ Analysen von Big Data vermitteln richtungsweisende und teilweise revolutionäre Erkenntnisse für Produktoptimierung, Kreierung neuer Produkte, Markenwahrnehmung oder Financial Forecasting.

Nur der Data Scientist ist in der Lage, Big Data effektiv zu verarbeiten. Er übernimmt das Organisieren der Daten und das Bauen analytischer Modelle im Rahmen eines Projektes. Unternehmen, die von den enorm großen Datenvolumina proitieren wollen, brauchen künftig speziisch ausgebildete Datenwissenschaftler. Laut dem IT-Analysten Gartner werden bis 2015 durch Big Data 4,4 Millionen neue Jobs entstehen.

Dieses EUROFORUM-Whitepaper mit Fallstudien aus IT (Microsoft) und Logistik (Fraport) sowie Automobilindustrie (Mercedes), Handel (OTTO), dem Gesundheitssektor (Charité Berlin) und weiteren Branchen beweist: Data Science ist DAS branchenübergreifende Zukunfts-Thema der Wirtschaft.

http://www.euroforum.de/veranstaltungen/data_science_november2014

Veröffentlicht in: Daten & Analysen
0 Kommentare
3 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

Keine Downloads
Aufrufe
Aufrufe insgesamt
1.819
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
5
Aktionen
Geteilt
0
Downloads
39
Kommentare
0
Gefällt mir
3
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

„DATA SCIENTIST – DIE KARRIERE DER ZUKUNFT“ - WIE DIE ANALYSE VON DATEN DIE WIRTSCHAFT PRÄGT

  1. 1. WHITEPAPER „DATA SCIENTIST – DIE KARRIERE DER ZUKUNFT“ WIE DIE ANALYSE VON DATEN DIE WIRTSCHAFT PRÄGT Mit Beiträgen von Branchenführern wie Otto, Siemens, Mercedes u.v.m. – Auf über 170 Seiten –
  2. 2. Data Science Best Practices Unternehmen haben in den vergangenen Jahren eine enorme Menge an Daten (Big Data) angesammelt. Daraus zukunftsentscheidende Schlüsse zu ziehen ist Gold wert. Doch die klassischen Informatiker und Statisti- ker sind mit Anfragen der Fachabteilung überfordert, beispielsweise mit dieser: „Nimm diese 300TB und hole mir 10 Kunden daraus, mit denen wir in den kommenden Jahren den meisten Umsatz machen.“ Analy- sen von Big Data vermitteln richtungsweisende und teilweise revoluti- onäre Erkenntnisse für Produktoptimierung, Kreierung neuer Produkte, Markenwahrnehmung oder Financial Forecasting. Nur der Data Scientist ist in der Lage, Big Data effektiv zu verarbeiten. Er übernimmt das Organisieren der Daten und das Bauen analytischer Modelle im Rahmen eines Projektes. Unternehmen, die von den enorm großen Datenvolumina proitieren wollen, brauchen künftig speziisch ausgebildete Datenwissenschaftler. Laut dem IT-Analysten Gartner werden bis 2015 durch Big Data 4,4 Millionen neue Jobs entstehen. Dieses EUROFRUM-Whitepaper mit Fallstudien aus IT (Microsoft) und Logistik(Fraport)sowie Automobilindustrie(Mercedes), Handel(OTTO), dem Gesundheitssektor (Charité Berlin) und weiteren Branchen be- weist: Data Science ist DAS branchenübergreifende Zukunfts-Thema der Wirtschaft. Inhaltsverzeichnis Absatzprognosen im Versandhandel – Otto Group 3 Big Data verändert den Einzelhandel – Sutterlüty 20 Logistik und Passagierbewegungen – Fraport 38 Big Data im Gesundheitssektor – Charité 64 Big Data in der Finanzwirtschaft – Kreditech 87 Sensordatenanalyse – Siemens 115 Echtzeitauswertung von Messdaten – Mercedes 126 Sonstige Beispiele – Capgemini 140 Big Data Architekturen – Microsoft 159
  3. 3. BIG Data & Predictive Analytics – der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft BIG Data Europe in Zürich, 28.08.2012 Otto (GmbH & Co. KG) Michael Sinn Copyright: Michael Sinn, Otto GmbH & CoKG. Stand: 28.08.2012. Exemplar für Henning Haake.Copyright: Michael Sinn, Otto GmbH & CoKG. Stand: 28.08.2012. Exemplar für Henning Haake.
  4. 4. BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.2012 Seite 1 Das vielfältige Portfolio der Otto Group Die Geschäftstätigkeit der Otto Group erstreckt sich auf die drei Segmente: • Multichannel-Einzelhandel – mit Kataloggeschäft, E-Commerce und stationärem Einzelhandel. • Finanzdienstleistungen – mit handelsnahen Finanzdienst- leistungen entlang der Wert- schöpfungskette. • Service – mit dem kompletten Portfolio an Handelsdienstleistungen entlang der Wertschöpfungskette sowie Reisedienstleistungen. Copyright: Michael Sinn, Otto GmbH & CoKG. Stand: 28.08.2012. Exemplar für Henning Haake.
  5. 5. BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.2012 Seite 2 Mit vielfältigen Marken zum Erfolg Multichannel-Einzelhandel Copyright: Michael Sinn, Otto GmbH & CoKG. Stand: 28.08.2012. Exemplar für Henning Haake.
  6. 6. BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.2012 Seite 3 Was hat ein Algorithmus aus der Teilchenphysik mit Versandhandel zu tun? Copyright: Michael Sinn, Otto GmbH & CoKG. Stand: 28.08.2012. Exemplar für Henning Haake.
  7. 7. BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.2012 Seite 4 Große Datenmengen und eine Vielzahl von Einflussfaktoren prägen heutige Entscheidungssituationen Online Produkt M-Commerce Anstoßkette Kunde Wettbewerb Social Media Internationalisierung Einflussfaktoren Entscheidungssituationen Immense Datenmengen Determinanten für Unternehmenserfolg Hoher Zeitdruck Permanenter Entscheidungsbedarf Copyright: Michael Sinn, Otto GmbH & CoKG. Stand: 28.08.2012. Exemplar für Henning Haake.
  8. 8. BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.2012 Seite 5 Herkömmliche Verfahren werden den gestiegenen Anforderungen an die Artikelprognose nicht mehr gerecht Szenario 1 Szenario 2 zu wenig gekauft zu viel gekauft Auswirkung Dispositionsentscheidungen Szenario 1: zu wenig gekauft  Umsatzausfall  Erhöhte Beschaffungskosten  Kundenverärgerung  Erhöhte Kontaktkosten Callcenter Szenario 2: zu viel gekauft  Erhöhte Lagerkosten  Kapitalbindung  Verwertungsverluste Ist-Bedarf Es besteht eine permanente Herausforderung, die richtigen Mengen zu identifizieren Copyright: Michael Sinn, Otto GmbH & CoKG. Stand: 28.08.2012. Exemplar für Henning Haake.
  9. 9. BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.2012 Seite 6 Forschungsauftrag an ein Experten-Team, ein Prognoseverfahren zur Abbildung der heutigen und zukünftigen Komplexität des Geschäfts- modells zu entwickeln Eine maßgebliche Verbesserung ist nur durch grundsätzlich neue Methoden zu erreichen Klassische StatistikY X z.B. nichtlineare Regression Trendmethode / Dreisatz Klassische Statistik Neuer Ansatz? Copyright: Michael Sinn, Otto GmbH & CoKG. Stand: 28.08.2012. Exemplar für Henning Haake.
  10. 10. BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.2012 Seite 7 Nach Evaluierung von 13 Prognosetools international ausgerichteter Softwareanbieter hat sich die NeuroBayes® Technologie von durchgesetzt Style Farbe Marke Preis Onlineplatzierung Seitenanteil Auflage Response Bisheriger Saison- absatz ……. 200 Inputvariablen HistorischeDaten WahrscheinlichkeitP Ausprägung X (Bedarf in Stück) E(X) Daten- satz 16 Saisons Prognose je Artikel, Farbe, Größe, Promotion und Woche jeweils für Ansprache, Brutto-, Nettoabsatz und Retouren AktuelleDaten … Copyright: Michael Sinn, Otto GmbH & CoKG. Stand: 28.08.2012. Exemplar für Henning Haake.
  11. 11. BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.2012 Seite 8 Eine Gegenüberstellung der Prognoseverfahren zeigt die deutliche Verbesserung durch NeuroBayes ® Prognose mit NeuroBayes ® Entstehendes Absatzrisiko -20% 1000 20% 500 -0%-100% 100% 200% absoluteHäufigkeit Prognoseabweichung Entstehendes Überhangrisiko Klassische Verfahren Klassische Verfahren 63% der Artikel Abweichung > +/- 20% NeuroBayes® 11% der Artikel Abweichung > +/- 20% Ergebnis NeuroBayes®: Deutlich positive Wirkung auf Lieferbereitschaft und Restevolumen Copyright: Michael Sinn, Otto GmbH & CoKG. Stand: 28.08.2012. Exemplar für Henning Haake.
  12. 12. BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.2012 Seite 9 Die Artikelprognosen bilden die Basis für Kaufentscheidungen und Bestandsmanagement Prognosedatum Hochr.-Bruttoabsatz/Stück 0 3000 6000 9000 Phi-t OTTO Ist-Bedarf NeuroBayes® Klassische Verfahren NeuroBayes ®: Deutlich bessere Prognosen für sämtliche Artikelpositionen, d.h. für Farbe, Größe und Angebotsträger Copyright: Michael Sinn, Otto GmbH & CoKG. Stand: 28.08.2012. Exemplar für Henning Haake.
  13. 13. BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.2012 Seite 10 Die größten Optimierungspotenziale können bei Online- Prognosen gehoben werden klassische Verfahren NeuroBayes Zeit AbsoluteStückabweichung Vorsaison NeuroBayes® um 9% genauer Saison- start Bereits vor Saisonstart können Prognosewerte mit NeuroBayes® valide berechnet werden Saisonstart NeuroBayes® um 20% genauer Saisonverlauf NeuroBayes® um 31% genauer Vorsaison: 06.04. Saisonstart: 21.06. Saisonverlauf: 30.08. Copyright: Michael Sinn, Otto GmbH & CoKG. Stand: 28.08.2012. Exemplar für Henning Haake.
  14. 14. BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.2012 Seite 11 NeuroBayes® ist ein lernendes System, bei dem die Prognosegüte im Zeitablauf permanent besser wird  300 Millionen Datensätze pro Woche  135 GB historische Daten  > 1 Milliarde Einzel- prognosen pro Jahr Input Output Ab Q3 2012 erfolgt die Umstellung der Lieferung von Prognosedaten von wöchentlich auf täglich Copyright: Michael Sinn, Otto GmbH & CoKG. Stand: 28.08.2012. Exemplar für Henning Haake.
  15. 15. BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.2012 Seite 12 Die Weiterentwicklung des Prognosetools zu einem Dispotool basiert auf einem Warenmanagementsystem Bedarfs- prognose Warenmanagement- system  Artikel mit Handlungsbedarf  Dispositionsvorschlag  Ziel: „automatisierte“ Disposition Dispositionsvorschlägen liegen Vorgaben und Kostenfunktionen für Lieferbereitschaft und Restevolumen zugrunde Produktionszeit Transportzeit Bestände Kostenfunktionen Copyright: Michael Sinn, Otto GmbH & CoKG. Stand: 28.08.2012. Exemplar für Henning Haake.
  16. 16. BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.2012 Seite 13 Otto gewinnt den „Retail Technology Award Europe“ in der Kategorie „Best Enterprise Solutions“ Copyright: Michael Sinn, Otto GmbH & CoKG. Stand: 28.08.2012. Exemplar für Henning Haake.
  17. 17. BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.2012 Seite 14 Treffsichere Prognosen unterstützen verantwortungs- volles und nachhaltiges Wirtschaften Bedarfsgerechte Produktion • Die punktgenaue Produktion von Waren reduziert den Ressourcenverbrauch. • Die Vermeidung von Überproduktion verringert die Entsorgungsmengen deutlich. Zielgerichtete Verteilung • Durch die Vermeidung/Optimierung von Transporten wird ein relevanter Beitrag zur CO2-Reduzierung geleistet. Predictive Analytics als ein Schlüsselfaktor für Corporate Social Responsibility Copyright: Michael Sinn, Otto GmbH & CoKG. Stand: 28.08.2012. Exemplar für Henning Haake.
  18. 18. BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.2012 Seite 15 Basierend auf der NeuroBayes®-Technologie lassen sich Grundsatzfragestellungen des Distanzhandels besser lösen *Mittlere absolute Prognose-Abweichung in Stück auf Artikel-Promotion-Größen-Ebene; MAD Artikelbedarf Kundenbonität Werbemittelausstattung Recommendation Engine Copyright: Michael Sinn, Otto GmbH & CoKG. Stand: 28.08.2012. Exemplar für Henning Haake.
  19. 19. BIG Data & Predictive Analytics - der Nutzen von Daten für präzise Prognosen und Entscheidungen in der Zukunft – 28.08.2012 Seite 16 Vielen Dank für Ihre Aufmerksamkeit! Michael Sinn Direktor Angebots- und Category Management Support, Otto (GmbH & Co. KG) Email: michael.sinn@otto.de Tel: (040) 6461-6570
  20. 20. Wie Big Data den Einzelhandel verändert Next Generation Retail Big Data 27. August 2013 Mag. Philipp Giselbrecht Leiter Marketing, Sutterlüty Handels GmbH Dr. Thorben Keller Gründer & CEO, Cosibon AG Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
  21. 21. Sutterlüty in Vorarlberg Anzahl Sutterlüty Geschäfte: 22 Anzahl Sutterlüty Mitarbeiter: 700 Umsatz Sutterlüty Gruppe 2012: 109 Mio. Euro Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
  22. 22. Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
  23. 23. Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
  24. 24. Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
  25. 25. Herausforderungen im CRM eines stationären Lebensmittelhändlers • Anzahl digitaler Werbekanäle explodiert • Marketingbudget bleibt unverändert • Sinn einer physischen Kundenkarte • Smartphone-App als Kundenbindungsinstrument • Steigerung der Bedarfsdeckungsquote • Wie bewerten die Kunden unsere Produkte, welche Empfehlungen sprechen Sie aus • Wie schaffe ich eine Interaktion mit dem Kunden • Einsparungen in der 1:1 Kommunikation • Echter Mehrwert eines Apps für Kunden • Ka ei App die Welt ei we ig „grü er“ zu ache • Messung der Werbewirksamkeit • Erhöhung von Markenkontaktpunkten Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
  26. 26. Bedürfnisse eines Kunden im Lebensmitteleinzelhandel • Herkunft von Produkten • Kassenzettel als Kontrollinstrument • Bequeme Einkaufslisten-Erstellung • Persönlicher Beitrag zum Umweltschutz • Gesunde Ernährung • Übersicht der Lebensmmittel-Ausgaben • Information über Angebote • Produktempfehlungen anderer Kunden Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
  27. 27. Die Sutterlüty App Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
  28. 28. Kundenkarte als Mittel zur Informationsgewinnung 1 Messbarer Kundenkontakt pro Einkauf Ort und Zeit des Einkaufs Gekaufte Produkte Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
  29. 29. Kundenkarte als Mittel zur Informationsgewinnung Aber was passiert in der Zwischenzeit? Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
  30. 30. Der Kunde ist nicht untätig Aktuelle Angebote, Rabatte, Trends Informationen über Produkte, Hersteller, Gütesiegel Austausch mit Freunden und Bekannten Unternehmen haben jedoch keinen Einblick Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
  31. 31. Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
  32. 32. Beispiel ? ? Einkauf 3 Einkauf 2 Einkauf 1 Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
  33. 33. Beispiel ? ? Einkauf 3 Einkauf 2 Einkauf 1 Aktuelles Angebot angeschaut Einkaufs Liste erstellt Über Ländle Gütesiegel informiert Seine Einkaufs Statistiken angeschaut Freund hat Milka Schoko + Keks empfohlen Über Almdudler Limonade informiert Trophäen angeschaut Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
  34. 34. Beispiel ? ? Einkauf 3 Einkauf 2 Einkauf 1 Aktuelles Angebot angeschaut Einkaufs Liste erstellt Über Ländle Gütesiegel informiert Seine Einkaufs Statistiken angeschaut Freund hat Milka Schoko + Keks empfohlen Über Almdudler Limonade informiert Trophäen angeschaut Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
  35. 35. ? ? Einkauf 3 Einkauf 2 Einkauf 1 Aktuelles Angebot angeschaut Einkaufs Liste erstellt Über Ländle Gütesiegel informiert Seine Einkaufs Statistiken angeschaut Freund hat Milka Schoko + Keks empfohlen Über Almdudler Limonade informiert Trophäen angeschaut Einfluss? 1. Alle Produkte gekauft? 2. Wenn nein, was nicht? 3. Was zusätzlich (spontan) Almdudler gekauft? Milka Schokolade gekauft? Angebot angenommen? Einfluss? Einfluss? Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
  36. 36. Big Data mit Cosibon (Kleine Auswahl) 1. Welchen Einfluss haben aktuelle Angebote auf welche Kundensegmente? (In der App sogar A/B Test möglich!) 2. Über welche Produkte informieren sich welche Segmente? 3. Welche Produkte sind für Kunden interessant, aber nicht im aktuellen Sortiment? 4. Einfluss von Empfehlungen aus dem sozialen Netzwerk 5. Welche Produkte schreiben sich Kunden auf die Einkaufsliste? In welcher Reihenfolge? Was kaufen sie dann, was nicht? 6. Einfluss von zusätzlichen Informationen (z.B. Gütesiegel) auf die Kaufentscheidung? 7. Konsumsteuerung durch Gamification möglich? Wenn ja bei welchen Segmenten? 8. Einfluss von Feedback zum Einkauf (z.B. Anteil Ländleprodukte)? Kontinuierliche Auswertung über die Zeit ermöglicht Modell um stetig höherer Nutzerakzeptanz und immer bessere Kaufberatung/Konsumsteuerung zu ermöglichen. Bestes Modell für «Erziehung» von Kunden im Sinne des Unternehmens ist ableitbar. Bei Sutterlüty zum Beispiel: Regionale und gesunder Ernährung. Copyright: Philipp Giselbrecht;Thorben Keller. Stand: 27.08.2013. Exemplar für Henning Haake.
  37. 37. Vielen DANK! Testzugangsdaten App: Store: Google Play Kundennummer: 123456 Kennwort: BigData
  38. 38. Big Data bei der Fraport AG Köln, 25. November 2013 Stefan Sabatzki Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  39. 39. Inhaltsverzeichnis Unternehmensporträt, April 2013 Chart 2 – Fraport auf einen Blick – Big Data bei Fraport – Historie der BI-Umgebung – Use Case Passagierflüsse Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  40. 40. Fraport auf einen Blick Chart 3 Unternehmensporträt, April 2013 Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  41. 41. Unsere Historie Chart 4 Unternehmensporträt, April 2013 Vom Flughof Manager 1924... ...zum Manager internationaler Drehkreuze und Airports. Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  42. 42. Umsatzträger sind unsere Kerngeschäftsfelder Chart 5 Unternehmensporträt, April 2013 Umsätze im Gesamtkonzern nach Segmenten 2012 Aviation Ground Handling External Activities & Services Retail & Real Estate 823,4 Mio. Euro 33,7% 26,6% 18,5% 21,2% 649,3 Mio. Euro 452,9 Mio. Euro 516,4 Mio. Euro Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  43. 43. Frankfurt Airport – Zahlen und Fakten Unternehmensporträt, April 2013 Chart 6 – 21 km2 Fläche – bis zu 94 Flugbewegungen/Std. – 2 Start- und Landebahnen – 1 Startbahn, 1 Landebahn – 2 Fluggast-Terminals und – 1 AIRail Terminal (ICE-Bahnhof) – 154 Gates; 204 Positionen – AirCargo Gleisanschluss An einem Tag*: – 158.000 Passagiere – 78.000 Stück Abfluggepäck – 5.800 Tonnen Cargo – 397 Züge an den Flughafen- Bahnhöfen (Fahrplan 2010) *durchschnittliche Angaben aus 2012 Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  44. 44. Big Data bei Fraport Chart 7 Unternehmensporträt, April 2013 Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  45. 45. Eine Definition (von vielen) Seite 8 Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  46. 46. Big Data Seite 9  Velocity (Geschwindigkeit) Abfragegeschwindigkeit Time to Market neuer Lösungen Verschiedene Ladezyklen  Variety (Vielfalt) Anzahl Datenquellen Unstrukturierte Daten  Volume Nicht Datengröße sondern Menge von Messages Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  47. 47. Historie der BI-Umgebung Chart 10 Unternehmensporträt, April 2013 Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  48. 48. Hintergrund Seite 11  Inbetriebnahme des „Business Intelligence Architecture Framework“, der BI- Umgebung für operative Daten im Jahr 2005  Ziel: Ganzheitliche Sicht auf Betriebszustände für das operative Management mittels  historischer Berichte  online Reports  Nutzerkreis erweitert sich um Disponenten, Betriebsleiter, Mitarbeiter der Betriebssteuerung  BIAF wird nicht mehr nur rein informativ unterstützend, sondern für die betriebliche Steuerung genutzt  2013 wird BIAF in die Liste der betriebskritischen, sogenannten „Prio 1 Systeme“ aufgenommen  Die Verfügbarkeit des Systems wirkt sich auf die Qualität der operativen Prozesse aus. Bei Ausfall des Systems stehen wichtige Informationen zum „Systemzustand“ Flughafen Frankfurt nicht mehr zur Verfügung. Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  49. 49. Systemüberblick SAS 9.4 + Greenplum Seite 12 Primary Data Center Secondary Data Center Greenplum Appliance Historical Data PROD Backup Daily restore for DR mirrored SAS Visual Analytics + High Performance Analytics Greenplum (software-only) Operational Data Greenplum Appliance DEV, TEST and Desaster Recovery GRID Node2 GRID Node2 Meta Srv1 opsDB Master GRID Node1 SAS Mid 1 opsDB Second Greenplum (software-only) Operational Data Shared FS Shared FS Meta Srv3 SAS Mid1 SAS Mid 2 BIAF Mid BIAF Mid Meta Srv2 Meta Srv2 SAS Mid 2 Meta Srv1 GRID Node1 Meta Srv3 ESRS Gtwy1 ESRS Gtwy2 ESRS Policy SAS Visual Analytics + High Performance Analytics DEV/TEST PROD Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  50. 50. Hardware in Zahlen Seite 13  SAS  14 virtuelle Maschinen  2 physische Maschinen  60 Cores  188 GB RAM  Greenplum software-only  2 virtuelle Maschinen  2 physische Maschinen  24 Cores  195 GB RAM  Greenplum Data Computing Appliance (x2)  10 physische Maschinen (2 Master, 8 Segmente)  96 Cores  384 GB RAM Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  51. 51. Use Case Passagierflüsse Chart 14 Unternehmensporträt, April 2013 Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  52. 52. Motivation Kundenseitig  Kostendruck der Airlines  Optimierung von Wartezeiten der Passagiere Infrastruktur  Platzmangel für weitere Kontrollstellen  Kapazitätsengpässe aufgrund von Baustellen  Dezentralisierung von Kontrollstellen  Komplexe Passagierflüsse aufgrund kompexer Topologien Bedarf nach höherer Servicequalität Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  53. 53. 7. LA PAARIS 09.07.2009, R. Frost, A. Hofmann Seite 16 Architektur Seite 16 Prognose der Anzahl der Paxe für jeden Flug an jedem Gate Simulation der Passagierbewegung im Terminal Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  54. 54. Training des statistischen Modells Flirt INFO Decision Tree Regression Model Combination of INFOplus flight plan data with Flirt passenger data incl. data cleansing Multiple Imputation Holidays, Events Federal States Page 17 Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  55. 55. Passagier Prognose Flight plan with passenger prognosis Model Determination of „best“ input flight plan MuWo BestMatch Saison OPS Aus- Liste New Flights Score Page 18 Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  56. 56. Passagierfluss Simulation Passagierprognosen Step 1: Daten Aufbereitung Step 3: Operative Darstellung Messdaten (BCBP, PAX-Z, Autopage) Real-time Simulation Operative Flugplan- informationen Step 2: Simulation Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  57. 57. Passagierfluss Simulation • Die Simulation eines Tages erzeugt ~ 1.5 Millionen Ereignisse (Ein-, Austritte) • Die Daten werden in der Datenbank in ~ 450.000 Datensätzen abgelegt • 34 MB an Daten werden so pro 24h-Simulation generiert • Bei einer Simulation, die alle 5-Minuten gestartet wird und stets den gesamten Tage simuliert, werden täglich 130 Millionen Datensätze und 9.7 GB an Daten generiert • Stresstest im Cluster mit 24 Simulationen gleichzeitig  erfolgreich Seite 20 Zwischenstand Implementierung PAARIS Phase 4 Ergebnisse Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  58. 58. Status Quo und Vision Seite 21  Passagierprognose pro Flugnummer  Ist Für jeden Flug der am Frankfurter Flughafen geplant ist, wird eine Prognose der Total on Board Passagiere und der Umsteiger mit der Zieldestination vorgenommen, der Prognose Lauf dauert im Moment ca. 7 Stunden und wird für unterschiedliche Prognosezeiträume angewandt.  Ziel Reduktion der Prognoseläufe in den einstelligen Minutenbereich, um die Kurzfristprognose für den operativen Einsatz in der Passagierflusssteuerung qualitativ zu verbessern. Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  59. 59. Vielen Dank für Ihre Aufmerksamkeit! Vielen Dank für Ihre Aufmerksamkeit! Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  60. 60. BACKUP Neue Anforderungen an die Architektur Seite 23  Höhere Ausfallsicherheit und Disaster Recovery Fähigkeit Kein Datenverlust bei Ausfall des Rechenzentrums  Wahrung der Datenkonsistenz Steigerung der Performance im Bereich der Analytics, im speziellen der „freien“ Analysefähigkeit (unberechenbarer Workload) Priorisierung von Diensten und Nutzergruppen (Abbildung der Serviceklassen operational BI vs. classic BI)  Einfache Skalierbarkeit  Die neue Architektur soll in der Lage sein, heutige und anstehende Probleme lösen zu können, ohne dass es notwendig ist, die Herausforderung an die Hardwareleistung anzupassen. Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  61. 61. BACKUP Informationsfluss Wer ist Nutzer der PFA? Zur Zeit ca. 250 Nutzer in den Bereichen: • § 5 Luftsicherheitskontrollen (Bundespolizei und Fraport Konzern) • Grenzkontrollstellen (Bundespolizei) • IVK Steuerung (Fraport Konzern) • Betriebssteuerung (Fraport) Einsatzleiter Passagierflusssteuerung (EPS) Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  62. 62. BACKUP Umsetzung (Simulation) Seite 25 Zwischenstand Implementierung PAARIS Phase 4 • Aufbau einer Ereignis-Diskreten-Simulation unter Anwendung eines Pedestrian Models (agentenbasiertes Verhalten) und Verwendung des Terminallayouts als Navigationsgrundlage • Pedestrian Model in drei Detailstufen SocialForce Modell, Trajectory Modell, Simple Modell • Ermittlung verschiedener Bedienzeitenverteilungen z.B. weibull, normal, uniform (manuelle Zählungen oder aus Systemen wie BCBP) • Aufbau eines betrieblichen Netzplans (Terminal Layout) und einer Vektor- Liste zur Navigation der Passagiere innerhalb der Simulation • Konzeption einer Simulations-Farm Umsetzung Copyright: Stefan Sabatzki, AirITSystems GmbH c/o Fraport AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  63. 63. BACKUP Pax Navigation (Simulation) Seite 26 Zwischenstand Implementierung PAARIS Phase 4 • Als Grundlage dient das Terminal Layout aus dem sich implizit ein Netzplan ergibt • Eine Vektorliste beschreibt die laut Beschilderung möglichen Routen • Auf einer Kante (Fläche) bewegt sich der Passagier selbständig. Er interagiert mit seiner näheren Umgebung, geht anderen Passagieren aus dem Weg und sucht den kürzesten Weg zur nächsten Prozesstelle (Knoten). Er nutzt Elemente des Ebenwechsels nach eigenem ermessen. • Nach jeder Prozesstelle entscheidet der Passagier erneut, welche Kante als nächstes zu benutzen ist. Stehen mehrere Kanten zur Auswahl, entscheidet eine Wahrscheinlichkeit über den Ausgang (z.B. ZUS-B  40% / 60%) • Fehlen Verbindungen (Kanten) entscheidet der Passagier autark und sucht sich den kürzesten Weg Umsetzung Primär Route Alternativ Route Zusteiger B B-Ost ZKSB-West ZKS B-Zentral Ausreise B10 B20 B33 B43 C1 40% 60% B1 andere Netzplan Routen Netzplan Wege von C1 nach B33
  64. 64. U N I V E R S I T Ä T S M E D I Z I N B E R L I NU N I V E R S I T Ä T S M E D I Z I N B E R L I N BIG Data im Gesundheitswesen – am Beispiel der Charité 28. August 2012 Martin Peuker Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  65. 65. U N I V E R S I T Ä T S M E D I Z I N B E R L I N Agenda • Charité und Herausforderungen IT (BD) • Integrierte Systemwelten • Lösungsbeispiel: – Massendatenauswertungen – (Ansatz mobile Lösungen) Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  66. 66. U N I V E R S I T Ä T S M E D I Z I N B E R L I N Charité – Universitätsmedizin Berlin Campus Buch Campus Charité Mitte Campus Benjamin Franklin Campus Virchow-Klinikum Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  67. 67. U N I V E R S I T Ä T S M E D I Z I N B E R L I N  Vier Berliner Standorte mit einer Nutzfläche von 607.200 m²  14.500 Mitarbeiter  darunter 3.736 Wissenschaftler und Ärzte, 4.065 Schwestern und Pfleger, 778 Verwaltungsmitarbeiter, 227 Professorinnen und Professoren 7,265 students  3,213 Betten mit einer durchschnittliche Verweildauer pro Fall 6.4 Tage  1,3 Milliarde Euro Jahresumsatz Kennzahlen Indicators IST 2008 IST 2009 IST 2010 IST 2011 Δ 2011 - 2008 % Casemix (Punkte) 181.890 186.786 192.910 198.229 16.339 9,0% Stationäre Fälle 130.453 133.117 136.490 139.142 8.689 6,7% Verweildauer (Tage) 7,40 6,67 6,56 6,41 -0,99 -13,4% Ambulante Fälle 530.238 573.966 563.433 593.614 63.376 12,0% Drittmittel (Mio. Euro) 126 131 149 158,2 32 26% Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  68. 68. U N I V E R S I T Ä T S M E D I Z I N B E R L I N Klinische Ziele (Massendaten Auszug) • Unterstützung personalisierte Therapien • Erforschung medizinisch-linguistischer Texterschließung (Arztbriefe, Befunde, Epikrisen, Verlegungsberichte…) • Entwicklung kommerzieller Studiensoftware • Sekundäre Datennutzung für Machbarkeitsanalysen klinischer Studien • Sekundäre Datennutzung für Studienrekrutierung • Vorfüllung von Case Report Forms (eCRFs) für klinische Studien • Retrospektive Analysen (Qualitätssicherung SGB V 135a / 137c , Pharmakovigilanz, Data Mining, „eigene Forschung der Kliniken“) … Beitrag zum Senatsziel „Gesundheitsmetropole Berlin“ (BFG) Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  69. 69. U N I V E R S I T Ä T S M E D I Z I N B E R L I N • Viele Medienbrüche (noch immer papiergestützte Dokumentation notwendig?) • Unstrukturierte Daten • Anwenderorientierte Oberflächen. • Daten müssen vollständig und in Echtzeit vorliegen. – Personalisierte Medizin • Daten müssen überall (mobil) verfügbar sein. • Datensicherheit muss durchgehend gewährleistet sein. IT Herausforderungen (BD) (Digitale Klinik) Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  70. 70. VI. Entscheidungsunterstützung (wissensbasierte System-Funktionen) V. Automation (klinische Pfade) IV. Prozess- / Workfloworientierung III. Daten sammeln und bereitstellen II. Abteilungslösungen / Insellösungen I. Papiergestützte Datenerfassung Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  71. 71. U N I V E R S I T Ä T S M E D I Z I N B E R L I N Realität!? (Digitale Klinik) Papiergestütztes Datenmanagement (für medizinische & administrative Prozesse) Workflow? Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  72. 72. U N I V E R S I T Ä T S M E D I Z I N B E R L I N 8 SAP HANA InMemory Technologie 8 BIG Data Technologieansatz (in Memory) • Massendatenverarbeitung in Echtzeit (Vorhersage) • Echtzeitsuche in Texten (auch unstrukturiert) • Ziel Ausbau: Genetik und Systembiologie • IT Test am Bsp. „HANA Medical Explorer“ erfolgt • Projekt zum SAP BW Upgrade auf SAP HANA (Standard) • Enabler für diverse Anforderungen des klinischen Alltags und Forschung • „neue“ Qualität analytischer Anwendungen • Basis für Funktionserweiterungen im Zusammenspiel mobiler und cloudbasierter Dienste Source Gartner – BIG Data HypeCycle 2012 Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  73. 73. U N I V E R S I T Ä T S M E D I Z I N B E R L I N IT architecture at Charité User Access InMemory Applications Add Departmental Systems Telemonitoring / Patient Biobank Death Registry Tumor Documentation Translational Research Translational Research Genome Transkriptome Proteome Metabolism Clinical Data Clinical Diagnostic Therapeutic Pathology Medical Device Data Public Databases e.g. Druglists e.g. Genom Atlas e.g. PubMed e.g. HapMap Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  74. 74. U N I V E R S I T Ä T S M E D I Z I N B E R L I N Medizinisches DataWarehouse Bsp. Charité Anzahl Nutzer DWH Datenbankgröße in Terabyte 0 100 200 300 400 500 600 700 800 900 2007 2008 2009 2010 2011 2012 0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 2007 2008 2009 2010 2011 2012 Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  75. 75. U N I V E R S I T Ä T S M E D I Z I N B E R L I N in addition to clinical data: Genome Data - 3.000.000 data points Transcriptome Data - 600.000 data points Drug Screening - 1.000 data points Massendaten – Big Data Scenarios (for Research issues) Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  76. 76. U N I V E R S I T Ä T S M E D I Z I N B E R L I N Massendaten – Big Data Scenarios (for Research issues) - Medical Explorer  In-Memory Technology as key-enabler for real-timeanalysis of tumor data in seconds instead of hours  In-Memory enables join of third-party data to improve analysis results  Information available at your fingertips: In-Memory Technology on mobile devices (iPad) Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  77. 77. U N I V E R S I T Ä T S M E D I Z I N B E R L I N Massendaten (InMemory) – Big Data Medical Explorer (for Research issues) -Fuzzy Search Ad-hoc Analysis of heterogeneous tumor data for cancer research • Medical records of decades of tens of thousands of patients • Structured and unstructured data (records, time series, free text, etc.) Solution • Integration into condensed but exhaustive view • On-the-fly analyses (e.g. Kaplan-Meier estimation, cohort statistics) • Attributes can be native, views, freetext-extracted, calculated Handling of unstructured data • Any free text attribute is indexed • Native support of typo-tolerant matching (using different string comparison methods) • Native support of synonym tables (automatic retrieval of German/English records) Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  78. 78. U N I V E R S I T Ä T S M E D I Z I N B E R L I N BigData Herausforderungen Charité Erschließung von Wissen: Medizinisches Modellwissen (Ontologien) zur Aufdeckung von Zusammenhängen und Disambiguierung Ontologieausschnitt Akutes Koronarsyndrom Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  79. 79. U N I V E R S I T Ä T S M E D I Z I N B E R L I N BigData Herausforderungen Charité Textbeispiel aus Aufnahmeprotokoll [Der Patient] [wird] [aus dem Heim] [vorgestellt] [wegen [einer [seit dem Vorabend] bestehenden Sehstörung], [apraktischen Fehlhandlungen] [sowie [intermittierender Wesensveränderung] [mit [zeitlicher Desorientierung] und [visuellen Verkennungen]]]]. Zweiter Lösungsschritt: Morphosyntaktische Analyse und semantische Annotation 012345: Verwirrtheit 012345: Desorientiertheit 012345: Desorientierung 543210: temporal 543210: zeitlich Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  80. 80. U N I V E R S I T Ä T S M E D I Z I N B E R L I N BigData Herausforderungen Charité • Vielgestaltiger medizinischer Sprachgebrauch (Insult, Apoplex, Schlaganfall, Stroke, Läsion Arteria cerebri media…) • Komplexer Skopus, Abkürzungen, Homonyme, Schreibfehler (HWI, 5 mg 1-1-1, 5m, 5 m, Herzinfekt • „Unscharfe Beschreibungen“ (flaue Flusssignale; mottenfraßähnliche, walnußgroße…) • Schwierige zeitliche Zuordnung der Symptome, Diagnosen und Maßnahmen • Unterscheidung von akuten und chronischen Zuständen • Gültigkeit und Wertigkeit von Befunden • Datenschutz und Berechtigungen Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  81. 81. U N I V E R S I T Ä T S M E D I Z I N B E R L I N • Anforderungen an bereits strukturierte Daten • Verbesserung der Datenverfügbarkeit bei Kassenverhandlungen, diverse BenchmarkSzenarios • Verbesserte ERP Prozesse • Abrechnungs- und Mahnlaufperformance • Verbesserung der Qualitätskennzahlen (Realtime) • Bsp.: Echzeitverarbeitung Tracking OP Siebe • “Echte Vorschungsunterstützung Bsp. Tumorzentrum durch In-silico (machine-learning based) • Datensupport für Pharmakooperationen BigData Ausblick Charité Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  82. 82. U N I V E R S I T Ä T S M E D I Z I N B E R L I N Literatur [Bit12] Bitkom: AK Big Data: Vorläufiges Programm 2012: in: http://www.bitkom.org/files/ documents/Programm_AK_Big_Data_2012.pdf; zugegriffen am: 14..4.2012. [Bra10] Bradley P, Kaplan J: Turning hospital data into dollars. Health Finance Management. 2010 Feb;64(2):64-8. [Bux11] Buxton, Ima: Echtzeitanalyse mit In-Memory: Mit iPad und ohne Handbuch unterwegs; in: Computerwoche vom 11.05.2011, www.computerwoche.de, zugegriffen am 13.4.2012. [Cha10] Charité: SAP-Verfahrensdokumentation: Anlage zur Verfahrensmeldung SAP-03 „Grundsätze der Systemführung und der Zusammenarbeit“, Version 1.1, 14.6.201, Charité 2010. [Fer10] Ferranti JM, Langman MK, Tanaka D, McCall J, Ahmad A : Bridging the gap: leveraging business intelligence tools in support of patient safety and financial effectiveness. J Am Med Inform Assoc. 2010 Mar-Apr;17(2):136-43. [ISR11] IS-Report: SAP HANA im Einsatz bei der Charité Berlin, in: isreport, 9/2011, S. 28-29, www.isreport.de, zugegriffen am 12.4.2012. [McC10] McCormack J : Number crunching. Predictive analytics helps Presbyterian Healthcare analyze financial data. Health Data Manag. 2010 Mar;18(3):99. [Nes12] Nessler, Susanne: Oncolyzer für Patientendaten – Mobile IT zur personalisierten Krebstherapie; in: Deutschlandradio Kultur, 27.02.2012, www.dradio.de, zugegriffen am 12.4.2012. [TSy12] T-Systems: Whitepaper „SAP Innovationen“, 2012. T-Systems International GmbH, Frankfurt am Main, März 2012. [WHO10] World Health Organisation: World Health Report 2010. Health systems financing. The path to universal coverage. [ZPl10] Zeier A, Plattner H: In-Memory Data Management: An Inflection Point for Enterprise Applications, Springer 2010 Zusammenfassung / Quellen Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  83. 83. U N I V E R S I T Ä T S M E D I Z I N B E R L I N Fragen? Martin Peuker martin.peuker@charite.de Charité Universitätsmedizin Berlin Charitéplatz 1 10117 Berlin Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  84. 84. Neuer Ansatz – mittels sorgfältig ausgewählter IT-Komponenten – Keine direkte Interaktion mit dem zentralen (back-end) KIS – Mobile Komponenten zeigen (nur!) die relevanten Informationen – Zentraler Pool medizinischer Assistenten, um die Ärzte von administrativen Tätigkeiten zu entlasten und Spracherkennung mobile elektronische Diktate Arbeitsplatzabhängige iPad-Applikationen Zentrales back-end KIS Stationsärzte Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  85. 85. U N I V E R S I T Ä T S M E D I Z I N B E R L I N U N I V E R S I T Ä T S M E D I Z I N B E R L I N 21 Bsp. ePA Mobil Copyright: Martin Peuker, Charité Berlin. Stand: 28.08.2012. Exemplar für Henning Haake.
  86. 86. U N I V E R S I T Ä T S M E D I Z I N B E R L I N U N I V E R S I T Ä T S M E D I Z I N B E R L I N 22 Bsp. ePA Mobil
  87. 87. What is big data? • Quantity of data available • Relevance • Timely • Complete & Accurate • Is available when a decision needs to be made 27.11.2013 1 Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  88. 88. Big Data as new paradigm in the Financial Industry / Scoring featured on Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  89. 89. 3 1. Big Data In Financial Industry 2. Big Data As Scoring Paradigm 3. Kreditech Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  90. 90. Total data volume from first data ever recorded till 2010: 0,18 Zettabyte or 180.000.000.000 Gigabyte Data volume from 2010 to 2011: 1,62 Zettabyte • Data aggregation (map reduce) • Machine Learning (artificial intelligence) Smarter Algorithms: Cheaper Computational Power: • Cloud computing • In-memory databases What is big data? 900% additional data per year in comparison to all data in human history. 4 Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  91. 91. How is big data being used? 27.11.2013 5 2 800 FBI Credit Bureaus 100% 3% FBI Financial Industry Billion of records on private individuals % of data used Source: Analytics: The reak-world use of big data, a collaborative research study by the IBM Institute for Business Value and the Said Business School at the University of Oxford. Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  92. 92. How do banks use big data? Customer- centric outcomes; 55% Operational optimization; 4% Rsik/financial management; 23% New business model; 15% Employee colaboration; 2% HOW DO BANKS SEE POTENTIAL IN BIG DATA? Big Data offers much more, than raw information. It‘s the foundation of new strategies. Have not begun Big Data activities; 26% Planning Big Data activities; 47% Pilot and implementation of big data activities; 27% STATUS OF PROJECTS 27.11.2013 6 Source: Analytics: The reak-world use of big data, a collaborative research study by the IBM Institute for Business Value and the Said Business School at the University of Oxford. Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  93. 93. Current Chances & Challenges 27.11.2013 7 Chances Challenges - Generate more data (by Big Data Technologies) - Analyze more data (e.g. Zalando vs. Shore store) - Faster / Leaner/ Cheaper processes - New revenue streams - Developing innovative products - Custom tailored solutions and offers - Structural Change - Channel-switch form Offline to Online - Security & Data protection - Regulation - Cannibalization of „old business models - Technological Resources Source: Bigstockphoto Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  94. 94. Window of Opportunity: High-Street Banks will Lose Dominance of Lending Market 27.11.2013 8 Exemplary: Consumer credit market development in the U“ the orld s iggest o su er redit arket 100 104 107 109 112 114 100 110 121 134 147 162 100 120 140 160 180 2011 2012 2013F 2014F 2015F 2016F % Total credit volume Online credit volume Customers' preferred channels for banking activities worldwide [CATEGORY NAME] [VALUE] [CATEGORY NAME] [VALUE] Online Branch Visit Online loans are growing 500% faster than traditional loans. High potential not only in emerging markets but also developed markets. “our e: The usto er takes o trol - Global Consumer Banking Survey 2012 by E&Y; Consumer Credit - G.19 report by Federal Reserve (US) Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  95. 95. 70% 81% 73% 72% 70% 86% 90% 68% 30% 19% 27% 28% 30% 14% 10% 32% 0% 20% 40% 60% 80% 100% World Brazil Canada China EU India South Africa US Would You be Willing to Provide Your Bank with More Information About Yourself if it Helped to Deliver a Better Service? Yes No What does this mean for the industry 27.11.2013 9 “our e: The usto er takes o trol - Global Consumer Banking Survey 2012 by E&Y; Consumer Credit - G.19 report by Federal Reserve (US) Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  96. 96. What does this mean for the industry 3 possible end games 27.11.2013 10 Banks get disrupted / shift in supply chain and market shares Banks as innovaters and innovation driven entities Banks as gatekeepers / Infrastructure provides Analogy: Print Industry Analogy: Photography Industry Banks e o e the „itu es“ for financial services Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  97. 97. 11 1. Big Data In Financial Industry 2. Big Data As Scoring Paradigm 3. Kreditech Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  98. 98. How can we use Big Data for Scoring? Using Big Data Relevant to the decision  Complete & Accurate  Timely  Available when a decision is being made Credit Bureau use of Big Data ×No access to really useful info. ×Alot of missing information ×Old and out of date ×Information not collected when decision is made 27.11.2013 12 Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  99. 99. 5 usto ers do t ha e a credit score “our e: World Ba k “tatisti s, ; The atio al redit ureau: A key e a ler of fi a ial i frastru ture a d le di g i de elopi g ou tries a study y M Ki sey. 27.11.2013 13 87% 77% 74% 61% 55% 52% 38% Spain Ukraine World Kazakhstan Russia EU Brazil % of population with no credit scoring history (selected countries) Biggest market potential lies in emerging markets with no / very poor credit bureau data availability. Credit Bureau shares historic information Bank makes decision Bank reports bad /good (rare) cases to credit bureau Credit bureau updates information How Banks (still) make credit decisions Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  100. 100. GIGO Model – Garbage in, garbage out What makes up a FICO credit score? 35% 30% 15% 10% 10% Payment history Amounts owed Length of credit history New credit accounts Types of credit used Germany: Insufficient Schufa Information 63% 28% 1% 8% Korrekte Daten FehlendeDaten Falsche Daten Veraltete Daten 27.11.2013 14 in % (Schufa-Information of 89 proband) - Backward looking - Clustered into „risk groups - No previous credit means you re lesls creditworthy Correct DataMissing Data Wrong Data Outdated Data Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  101. 101. Since Current Solutions are Insufficient 27.11.2013 15 Credit Bureau Check Customer has no record • No record for 74% of world population • No record means no information • No information means no decisions Customer has a record • Cumbersome collection • Information is backwards looking • Decisions use 5 factor model (FICO) ? Wrong decisionsLess customers Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  102. 102. Why not use online data – country and credit bureau independent? 27.11.2013 16 New Data Sources New Technologies Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  103. 103. Get more data! 27.11.2013 17 Credit bureaus Location Data Device Data Behaviour Data Social Networks Web Usage Data Financial Data Public Data E-commerce Data Mobile App Data? Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  104. 104. Location and Environmental Data 27.11.2013 18 Home Work IP Last Check in Distance Surounding Microgeographical Composition Coherency of Information Economic Indicators: Rent level, purchasing po er … Business environment Geolocation Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  105. 105. Social Network Data 27.11.2013 19 Size of network Edgerank Interactions and Intensity Coherence within networks Profile Content Likes and interests Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  106. 106. Device and Behavioural Data 27.11.2013 20 Browsing Behaviour Typing Patterns Website Usage Customer Journey Device Information Browser Fingerprint Applications Network connection Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  107. 107. More Data is better. 27.11.2013 21 The big data approach can be seen as mosaic picture: the individual datapoint only has marginal influence ?Traditional Approach Scoring: 5 datapoints Big Data Approach Scoring: 8,000 data points ? Individual Datapoints Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  108. 108. 22 1. Big Data In Financial Industry 2. Big Data As Scoring Paradigm 3. Kreditech Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  109. 109. Automated Microloans Based on Scoring Tech 1. Fast, convenient microloans • 7 – 45 Days; installments recently launched • 50 – 2.500 EUR (in local currency) • Maximum of transparency, convenience and speed 2. High customer value • 24/7 open (no credit bureaus needed) • Instant decision, real time pay-out (in 10 min on bank account) • No signature, scans / docs, calls etc. required 3. Automated, scalable operations • No variable cost besides external query costs and transfer costs • Scalability (revenue grew by 150 % to 7-digit p.a. with same headcount / fixed costs) • Minimized errors and 24/7 operations 27.11.2013 23 Online loans enable maximum learning (volume) at minimum capital risk (low amount) in minimum time (short duration). Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  110. 110. BIG DATA vs. Credit Bureau Data. 27.11.2013 24 70% 20% 7% Default Rates Default rates Poland 2013 Baseline Credit Bureau BIG DATA Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  111. 111. BIG DATA vs. Credit Bureau Data. 27.11.2013 25 Products & Development Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  112. 112. Profitable, Automated, Scalable Operations Profitable, easy to scale operations across the globe 27.11.2013 26 Short-term loans generate rapidly growing cash flows and serve as data basis for constantly re-iterated scoring technology, which will be gradually rolled out to longer durations Highly profitable operations • All live countries are profitable on a unit economics basis • No local presence required (only legal entity + virtual office) • Automated operations • Fast, efficient expansion (~ 4 months, 15k per new country) • Emerging markets show highest demand, margins and market potential Defendable USP • Technology & data allows to launch countries with virtually no competition at all (for lack of credit bureaus) • High degree of proprietary tech Live Ramp-Up + 3 more (2014) Poland (08/2012) Spain (01/2013) Mexico (09/2013) Argentina (2014) Ukraine (2014) Australia (2013) Russia (05/2013) Czech Republic (01/2013) Peru (2014) PE Copyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  113. 113. Kreditech Key Facts As per November 2013 • 1,200% Growth in 2013 in revenue • Profitable in core market Poland • 20 mn USD issued loans in 2013 • Default rate less 10% (group wide) • Over 250,000 applications till 10/2013 • >1,000 applications / day • Company Valuation > 70mn EUR • 10mn EUR raised from Samwers, Silicon Valley, Team Europe, Heiko Hubertz, Michael Brehm, Stefan Glaenzer, etc. 27.11.2013 27 Kreditech Holding SSL GmbH First Loan Issued Aug 2012 Team 65 FTE # of Scored Applications to Date 350,000 New Loans Issued 2013 (run rate) > EUR 14m p.a. Capital raised (Equity + Debt) EUR 10mn Contribution Margin (after COGS and writeoffs) 90%Highly Experienced Management Team Revenue Run Rate (Interest + Fees only) > EUR 5 mn p.a. Avg. Loss Rate Steady State** ̴7% * Run Rate = Oct 2013 x 12; ** Avg overdue rate Poland (most established market) on loans issued in August: c. 16% minus c. 55% recoveries = c. 7% loss rateCopyright: Sebastian Diemer, Kreditech Holding SSL GmbH. Stand: 28.11.2013. Exemplar für Henning Haake.
  114. 114. Contact 27.11.2013 28 Sebastian Diemer Founder & CEO of Kreditech eMail: sebastian@kreditech.com LinkedIn: www.linkedin.com/in/sebastiandiemer Website: www.kreditech.com Twitter: @kreditech Facebook: www.facebook.com/kreditech
  115. 115. siemens.com/answers© Siemens AG 2013 All rights reserved. Sensordaten – Big Data im industriellen Umfeld bei Siemens Gerhard Kreß – Siemens AG Köln – 26. November 2013 Copyright: Gerhard Kress, Siemens AG. Stand: 25.11.2013. Exemplar für Henning Haake.Copyright: Gerhard Kress, Siemens AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  116. 116. Unrestricted © Siemens AG 2013 Alle Rechte vorbehaltenSeite 2 2013-11-26 Siemens AG Entwicklung Umsatz und Mitarbeiter Vorjahresvergleich fortgeführte Aktivitäten in Millionen €; fortgeführte Aktivitäten (GJ 2012) GJ 2011 GJ2012 Auftragseingang 85.166 76.913 Umsatz 73.275 78.296 Ergebnis 7.376 5.184 Free Cash Flow 5.918 4.790 Mitarbeiter 359.000 370.000 Die Siemens AG ist ein globales Unternehmen mit Fokus auf industrielle Märkte 500 400 300 200 100 GJ 100.000 80.000 60.000 40.000 20.000 Mitarbeiter in Tausend Basis für Zahlen: Jahresberichte des Unternehmens 20001986 1990 1995 2012 0 Umsatz in Millionen € 2005 Umsatz nach Sektoren Umsatz nach Regionen Healthcare Energy Industry Nach Sitz des Kunden Amerika Deutschland Europa, GUS, Afrika, Mittlerer Osten (ohne Deutschland) Asien, Australien 17% 26%35% 22% Infrastructure and Cities 20% 14% 29% 37% Copyright: Gerhard Kress, Siemens AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  117. 117. Unrestricted © Siemens AG 2013 Alle Rechte vorbehaltenSeite 3 2013-11-26 Siemens AG Position bei Patenten (2012) Deutschland: Nr. 3 Europa: Nr. 2 USA: Nr. 10 • 57.300 erteilte Patente insgesamt • Davon 20.200 „grüne Patente“ zur Absicherung unseres Umweltportfolios • 9.000 Erfindungen im GJ 2012 Kooperationen • Pro Jahr über 1.000 neue Partnerschaften mit Universitäten und Forschungseinrich- tungen Mitarbeiter in Forschung und Entwicklung • 29.500 Mitarbeiter weltweit • Rund 17.500 Software-Ingenieure • Rund 190 FuE- Standorte in 30 Ländern FuE-Ausgaben in % vom Umsatz 20122010 2011 5,3%5,2% 5,4% €4.2 Mrd. Erfinder des Jahres 2012 Innovationskraft gehört zum Kern von Siemens Copyright: Gerhard Kress, Siemens AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  118. 118. Unrestricted © Siemens AG 2013 Alle Rechte vorbehaltenSeite 4 2013-11-26 Siemens AG Siemens fokussiert sich auf „Vertikale IT“ – eine Kombination von Domänenwissen und Technologie EnergyIndustry Infrastructure & Cities Tiefes Domänen- wissen und Kundennähe Zugriff auf große Datenmengen und tiefe Kenntnis über die Daten Globale Präsenz Stärken von Siemens • Kraftwerks- automatisierung/ -management • Erneuerbare Energien • PLM • Produktions-SW • “Computer aided design” • IT Prozesse • Elektronische Patientenakten • „E-health“ • “Smart Grid” • Smarte Gebäude • Intelligente Verkehrs- steuerung Horizontale IT (Infrastruktur, Plattformen und Dienstleistungen) PLM: Product lifecycle management Healthcare Vertikale IT & Software Copyright: Gerhard Kress, Siemens AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  119. 119. Unrestricted © Siemens AG 2013 Alle Rechte vorbehaltenSeite 5 2013-11-26 Siemens AG Big Data – Eine neue Ära der Daten beginnt gerade ~ 1960 ~1980 ~1990 TodayData warehousing Big data analytics Digitale data Data Mining  Sammlung digitaler Daten  Erste Datenbanken  Relationale Datenbanken  Analyse finanzieller Daten  Statistik  Künstliche Intelligenz  Maschinelles Lernen  Massiv parallele Systeme / verteilte Analytik  Stream processing / Complex Event processing  NoSQL Datenbanken  Prädiktion Dokumentation Enterprise- planung Prozessoptimierung „Real-time“ Entscheidungs- unterstützung Copyright: Gerhard Kress, Siemens AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  120. 120. Unrestricted © Siemens AG 2013 Alle Rechte vorbehaltenSeite 6 2013-11-26 Siemens AG Industrielle Daten werden in Zukunft einen Hauptfokus von “Smart Data” darstellen Social Media Facebookwächstum 250 Millionen Fotos am Tag Mobile Geräte Heute steht „Social Media“ im Fokus Geophysische Exploration EineÖlplattformliefert 25 Tausend Datenpunkteje Sekunde Smart Grids Auslesender„Smart Meters“ alle15 Minuten erzeugt 3,000 mal mehr Daten Medizinische Bildgebung In der Zukunft geht es mehr um Sensordaten Wie können wir aus diesen Daten Informationen gewinnen und Handlungen daraus ableiten? Copyright: Gerhard Kress, Siemens AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  121. 121. Unrestricted © Siemens AG 2013 Alle Rechte vorbehaltenSeite 7 2013-11-26 Siemens AG “Smart Data” wird radikale Veränderungen in industriellen Prozessen ermöglichen • Optimierung des Verhaltens komplexer Systeme • Entscheidungen in operativen Prozessen in Echtzeit • Automatisierung auf Ebene komplexer Systeme Daten komplexer Systeme – nicht nur Komponenten Volumen Geschwindigkeit Beantwortung von Fragen während sie noch relevant sind Einbettung in einen situativen Kontext Vielfalt Kernkompetenz: Smart Data Copyright: Gerhard Kress, Siemens AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  122. 122. Unrestricted © Siemens AG 2013 Alle Rechte vorbehaltenSeite 8 2013-11-26 Siemens AG Beispiel: Data Management und Real Time Monitoring bei Gasturbinen • Verbessertes Hochfahren der Gasturbine mit verringerten Vibrationen (und geringerem Verschleiß) • Reduzierte NOx Emissionen • Verbesserte Effizienz der Gasturbine • Unterstützung für den Entwicklungs- prozess Vorteile Online-Daten: ca. 5,000 Datenpunkte / s Komplette Datenanalyse und selbstlernende Optimierung Databank: Eingabedaten und Modellergebnise Module Real-time Datenanalyse (1,000 Neuronale Modelle) Copyright: Gerhard Kress, Siemens AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  123. 123. Unrestricted © Siemens AG 2013 Alle Rechte vorbehaltenSeite 9 2013-11-26 Siemens AG Beispiel: “Plant Monitor” entdeckt schleichende Materialermüdung und warnt vor Ausfällen Plattform, die sich anbahnende Probleme vorhersagt durch: • Lernen von historischen Daten und Trends • Zusammenführen mit Regeln und menschlichem Wissen Copyright: Gerhard Kress, Siemens AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  124. 124. Unrestricted © Siemens AG 2013 Alle Rechte vorbehaltenSeite 10 2013-11-26 Siemens AG Beispiel: Hochgeschwindigkeitszüge - ICE , Velaro Durch Outsourcing aller Instandhaltungsmaßnahmen und der vollständigen Verantwortung kann sich der Kunde auf sein Kerngeschäft konzentrieren Vorteile Zugriff auf den gesamten Bestand aktueller und historischer Betriebsdaten Einbindung interner und externer Daten zur Produkt- überwachung, Wartung und Produktoptimierung Ansatz Copyright: Gerhard Kress, Siemens AG. Stand: 25.11.2013. Exemplar für Henning Haake.
  125. 125. Unrestricted © Siemens AG 2013 Alle Rechte vorbehaltenSeite 11 2013-11-26 Siemens AG Verlinkung von Informationen in Texten und Bildern Beispiel: Semantische Informationen verbinden Texte und Bilder
  126. 126. Im Takt des Motors - SAP HANA im Prüffeld bei der Mercedes-AMG GmbH Dirk Zeller, Mercedes-AMG & Dr. Hagen Radowski, MHP Handelsblatt Jahrestagung Strategisches IT Management, Januar 2014 Copyright: Hagen Radowski, Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH, A Porsche Company. Stand: 29.01.2014. Exemplar für Henning Haake.Copyright: Hagen Radowski, Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH, A Porsche Company. Stand: 29.01.2014. Exemplar für Henning Haake.
  127. 127. Copyright: Hagen Radowski, Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH, A Porsche Company. Stand: 29.01.2014. Exemplar für Henning Haake.
  128. 128. Copyright: Hagen Radowski, Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH, A Porsche Company. Stand: 29.01.2014. Exemplar für Henning Haake.
  129. 129. Copyright: Hagen Radowski, Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH, A Porsche Company. Stand: 29.01.2014. Exemplar für Henning Haake.
  130. 130. • Höhere Effizienz und Zeitgewinn bei der Analyse großer Datenmengen • Verbesserung der Reaktions- geschwindigkeit • Einfache Erschließung komplexer Zusammenhänge • Automatisierte Nutzung bereits vorhandener Erkenntnisse In Memory DB und Echtzeit-Analyse als strategischer Ansatz bei der Mercedes-AMG GmbH 5 Im Takt des Motors - SAP HANA im Prüffeld bei Mercedes-AMG, Dirk Zeller, Mercedes-AMG GmbH, Dr. Hagen Radowski, MHP, Januar 2014 BusinessDemand Copyright: Hagen Radowski, Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH, A Porsche Company. Stand: 29.01.2014. Exemplar für Henning Haake.
  131. 131. • Eine vertikale Plattform für Prozessinnovation • In Memory Computing ist der Innovationsschwerpunkt • SAP Suite ist die Integrationsplattform • Redundanzfreie Analysefunktionen ersetzen das vorhandene BI System 6 BusinessDemand ITArchitektur Im Takt des Motors - SAP HANA im Prüffeld bei Mercedes-AMG, Dirk Zeller, Mercedes-AMG GmbH, Dr. Hagen Radowski, MHP, Januar 2014 In Memory DB und Echtzeit-Analyse als strategischer Ansatz bei der Mercedes-AMG GmbH Copyright: Hagen Radowski, Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH, A Porsche Company. Stand: 29.01.2014. Exemplar für Henning Haake.
  132. 132. • Verfügbarkeit von SAP HANA als Basis für SAP Suite (POC durchlaufen) • Echtzeit-BI auf Basis von ERP on HANA ermöglicht schnelle, redundanzfreie Analyse • Die technische Architektur ist in die RZ-Strategie und -Prozesse integrierbar 7 Technologie-Enabler BusinessDemand ITArchitektur Im Takt des Motors - SAP HANA im Prüffeld bei Mercedes-AMG, Dirk Zeller, Mercedes-AMG GmbH, Dr. Hagen Radowski, MHP, Januar 2014 In Memory DB und Echtzeit-Analyse als strategischer Ansatz bei der Mercedes-AMG GmbH Copyright: Hagen Radowski, Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH, A Porsche Company. Stand: 29.01.2014. Exemplar für Henning Haake.
  133. 133. Innovationsansatz Big Data Kernprozess Realtime & Predictive 8 Im Takt des Motors - SAP HANA im Prüffeld bei Mercedes-AMG, Dirk Zeller, Mercedes-AMG GmbH, Dr. Hagen Radowski, MHP, Januar 2014Copyright: Hagen Radowski, Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH, A Porsche Company. Stand: 29.01.2014. Exemplar für Henning Haake.
  134. 134. Qualitätssicherung in Echtzeit • Unterstützt den Kernprozess Motorenentwicklung/- erprobung • Big Data Computing / Echtzeitanalyse • Nutzung von predictive Funktionen zur Effizienzsteigerung Echtzeit-Auswertung von Messdaten aus Gütesicherungsläufen von High Performance AMG- Motoren auf der Datenbanktechnologie SAP HANA 9 Im Takt des Motors - SAP HANA im Prüffeld bei Mercedes-AMG, Dirk Zeller, Mercedes-AMG GmbH, Dr. Hagen Radowski, MHP, Januar 2014Copyright: Hagen Radowski, Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH, A Porsche Company. Stand: 29.01.2014. Exemplar für Henning Haake.
  135. 135. 10 Das Resultat: Geschäftsprozessinnovation  Eine durchgängige Echtzeit-Plattform für Forschung, Entwicklung und Produktion  Vollumfängliche und flexible Echtzeit-Erfassung aller polytechnischen Motorendaten: von den Prüfständen über die Teststrecke bis zum Dauerläufertest auf der Straße  Echtzeit-Gütesicherung für die Produktion und Echtzeit-Erprobung Phase 1 Motor auf dem Prüfstand Phase 2 Entwicklungsfahrzeu ge auf Teststrecken Phase 3 Dauerlauferprobung, Reifegradabsicherun g Phase 4 Kundenfahrzeuge Im Takt des Motors - SAP HANA im Prüffeld bei Mercedes-AMG, Dirk Zeller, Mercedes-AMG GmbH, Dr. Hagen Radowski, MHP, Januar 2014 SOPEntwicklung, Erprobung und Gütesicherung Car IT Copyright: Hagen Radowski, Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH, A Porsche Company. Stand: 29.01.2014. Exemplar für Henning Haake.
  136. 136. Die AMG Real-Time Quality Assurance Lösung (RQA) 11  RQA ist eine leistungsfähige, skalierbare Plattform für die Optimierung von Primärprozessen mit polytechnischen Daten als „Big Data“  Basiert auf dem internationalen Standard ASAM/ODS, ist im Matrizenkern flexibel konfigurierbar und passt so auf andere „Big Data“ Bereiche wie Windkanal, Crashtests oder Virtual Engineering sowie alle Prüfstände (Getriebe, Bremsen …)  Kombiniert drei Innovationen: HANA, Mobile, Predictive Analysis. Kann als Stand-Alone Lösung an SAP ERP angeschlossen werden  Reduziert z.B. die Laufzeit bei Auffälligkeiten im Prüffeld von 50 Min. (bisher Standard) auf wenige Minuten (Neu) durch Sofortabbruch in Echtzeit Im Takt des Motors - SAP HANA im Prüffeld bei Mercedes-AMG, Dirk Zeller, Mercedes-AMG GmbH, Dr. Hagen Radowski, MHP, Januar 2014Copyright: Hagen Radowski, Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH, A Porsche Company. Stand: 29.01.2014. Exemplar für Henning Haake.
  137. 137. RQA technische Architektur „All-in-One“ 12 … Sensordaten über SAP BO Data Services Real-Time ETL 10 Hz Repository in HANA SAPHANAXL+4TB SAPBusinessSuiteQualityManagement Mobile Access all Devices via XS Engine (w/HANA SP 6 Bidirectional) SAP BO Plattform 4.0 WebI / Dashboards Repository in HANA SAP BO Analysis for MS Office und Predictive Analysis oData/HTML5 Universes BICS RQA Connect Prüflose Testzertifikate RQA Appli- cation Flexible Wiring Diagrams DATA MODEL w/real-time data matrices PAL-/R-functions and rule base ASAM ODS Client Im Takt des Motors - SAP HANA im Prüffeld bei Mercedes-AMG, Dirk Zeller, Mercedes-AMG GmbH, Dr. Hagen Radowski, MHP, Januar 2014Copyright: Hagen Radowski, Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH, A Porsche Company. Stand: 29.01.2014. Exemplar für Henning Haake.
  138. 138. 13 Schnelle Analysefunktionen wirken auf vor- und nachgelagerte Prozesse Phase 1 Motor auf dem Prüfstand Phase 2 Entwicklungsfahrzeu ge auf Teststrecken Phase 3 Dauerlauferprobung, Reifegradabsicherun g Verbesserte Analysedaten bessere Datenqualität Simulationstechnologien Reifegradverbesserung vor der ersten Erprobung schnellere Analysen effizienter Zugriff auf Vergleichswerte Ausbau und Verfeinerung der Predictive-Funktionen Driving Performance Im Takt des Motors - SAP HANA im Prüffeld bei Mercedes-AMG, Dirk Zeller, Mercedes-AMG GmbH, Dr. Hagen Radowski, MHP, Januar 2014Copyright: Hagen Radowski, Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH, A Porsche Company. Stand: 29.01.2014. Exemplar für Henning Haake.
  139. 139. 14 Im Takt des Motors - SAP HANA im Prüffeld bei Mercedes-AMG, Dirk Zeller, Mercedes-AMG GmbH, Dr. Hagen Radowski, MHP, Januar 2014
  140. 140. Big Data & Business Analytics Capgemini @ Big Data Europe, Zürich Jürgen Düvel Copyright: Jürgen Düvel, Capgemini AG. Stand: 28.08.2012. Exemplar für Henning Haake.Copyright: Jürgen Düvel, Capgemini AG. Stand: 28.08.2012. Exemplar für Henning Haake.
  141. 141. Business Analytics © 2012 Capgemini. All rights reserved. Insert “Title, Author, Date" 2 Big Data © 2012 Capgemini. All rights reserved. Schluss mit den Vorurteilen Das Phänomen Big Data mystifiziert die Informationswelt Lichtfeld- fotografie Copyright: Jürgen Düvel, Capgemini AG. Stand: 28.08.2012. Exemplar für Henning Haake.
  142. 142. Business Analytics © 2012 Capgemini. All rights reserved. Insert “Title, Author, Date" 3 Big Data © 2012 Capgemini. All rights reserved. Schluss mit den Vorurteilen Einige Annahmen können dem Potential von Big Data im Wege stehen 1 Mit einer Technologie ist Big Data „gelöst“. Nein, die Technologie ist der „Enabler“, für den Umgang und die Verwendung von Big Data gem einer Informationsstrategie. Mit Big Data entsteht eine komplett neue analytische Lösung.2 Nein, es geht darum, bestehend BI Landschaften zielgerichtet – i.S. von Big Data – zu ergänzen und zu verbessern. 3 Big Data ist durch die 3Vs hinreichend erklärt. Nein, die Aufzählung von Eigenschaften der Daten reicht nicht aus. Die Anwendung von Big Data ist entscheidend. Copyright: Jürgen Düvel, Capgemini AG. Stand: 28.08.2012. Exemplar für Henning Haake.
  143. 143. Business Analytics © 2012 Capgemini. All rights reserved. Insert “Title, Author, Date" 4 Big Data © 2012 Capgemini. All rights reserved. Schluss mit den Vorurteilen Die aktuelle Technologie ermöglicht es uns erst, über die Anwendung von Big Data realistisch nachzudenken Technologische Aspekte  Die Vermeidung einer zu grossen Technologievielfalt trotz verschiedender Formate, Typen und Quellen von Big Data  Die Weiterentwicklung von bestehenden BI und DWH Lösungen, um für die agile Anwendung von Big Data bereit zu sein  Die automatisierte und generische Verarbeitung in der Aufbereitung und der Analyse von Big Data für (complex event processing). 2 Mit Big Data entsteht eine komplett neue analytische Lösung. 1 Mit einer Technologie ist Big Data „gelöst“. Copyright: Jürgen Düvel, Capgemini AG. Stand: 28.08.2012. Exemplar für Henning Haake.
  144. 144. Business Analytics © 2012 Capgemini. All rights reserved. Insert “Title, Author, Date" 5 Big Data © 2012 Capgemini. All rights reserved. Schluss mit den Vorurteilen Die Kernaufgabe der IT ist es, die Integration, die Stabilität und die Flexibilität ihrer BI Systeme beizubehalten und auszuweiten. ERP, 3rd Party (Kerndaten) Social Media (Platforms, Tweets) Informationsbroker (Feeds) Klassische Massendaten (Protokolle) Data Warehouse Streaming Big Data Technologie Analyse & Reporting Dashboards & Scorecards Mining & Profiling Planung & Budgetierung Prognose & Simulation Content Analyse Analytische Applikationen Segmentierung & aCRM Datenintegration Datenintegration DatenintegrationDatenintegration Synchronisieren, Korrelieren, Filtern, Klassifizieren, Kommentieren Business Analytics Integration Data Warehouse Streaming Big Data Technologie Copyright: Jürgen Düvel, Capgemini AG. Stand: 28.08.2012. Exemplar für Henning Haake.
  145. 145. Business Analytics © 2012 Capgemini. All rights reserved. Insert “Title, Author, Date" 6 Big Data © 2012 Capgemini. All rights reserved. Schluss mit den Vorurteilen Big Data muss organisatorisch, im Programmmanagement und konform zu den Regulatorien auf soliden Füssen stehen.  Die Ausrichtung der Big Data Aktivitäten an der Informationsstrategie und dem Businessnutzen.  Die Praktikabilität der Datenmanagement Disziplinen Governance, Stewardship sowie Meta Data und Data Quality  Die Gewährleistung der Balance zwischen der Business Analytics mit Big Data und der Datensicherheit, dem Datenschutz und der Unternehmensreputation. Organisatorische Aspekte 3 Big Data ist durch die 3Vs hinreichend erklärt. Copyright: Jürgen Düvel, Capgemini AG. Stand: 28.08.2012. Exemplar für Henning Haake.
  146. 146. Business Analytics © 2012 Capgemini. All rights reserved. Insert “Title, Author, Date" 7 Big Data © 2012 Capgemini. All rights reserved. Schluss mit den Vorurteilen Die Eigenschaften von Big Data dimensionieren die Komponenten von Big Data  Umkehrung des Informationsprinzips von inside-out nach outside-in  Informationen ermöglichen eine Evolution in den Geschäftsprozessen  Für die Halbwertszeit von Big Data benötigt es reife und stabile Prozesse im Datenmangement.  Big Data ohne Glaubwürdigkeit, Nachvollziehbarkeit und Zweckdienlichkeit ist wertlos.  Die Bildung eines 360° Information Asset  Online Business, Mobile Computing und Social Media  Sensoren und RFID Tags  Audio, Video Copyright: Jürgen Düvel, Capgemini AG. Stand: 28.08.2012. Exemplar für Henning Haake.
  147. 147. Business Analytics © 2012 Capgemini. All rights reserved. Insert “Title, Author, Date" 8  Big Data Prozessmodell  Zentrale Aspekte für die Entwicklung und Implementierung Der effiziente Umgang mit Big Data basiert auf einer Strategie, einer Methodologie und reifen Lösungsfähigkeiten Acquisition Marshalling Analysis Action Neues Business Modell, Erweiterung oder Verbesserung des Business Modell Einsammeln von Daten aus verschiedenen Quellen Organisation und Speicherung der Daten Informationen anreichern und Wissen generieren Handeln mit massgeblichen Informationen Daten Management Managing of sourcing & transformation Data Integration Master data, governance & data quality & filters Data Integrity Dealing with new customer data sources Privacy & Security Models that deliver business value, predictive modelling Analytics Value Tool’s choiceArchitecture M2M, ERP injection, dialog with suppliers... Action Be sure the first project step will be a success ! First use Structured, non structured modelling, ... Data Storing Copyright: Jürgen Düvel, Capgemini AG. Stand: 28.08.2012. Exemplar für Henning Haake.
  148. 148. Business Analytics © 2012 Capgemini. All rights reserved. Insert “Title, Author, Date" 9 Der Umgang mit Big Data am Beispiel Social Media Copyright: Jürgen Düvel, Capgemini AG. Stand: 28.08.2012. Exemplar für Henning Haake.
  149. 149. Business Analytics © 2012 Capgemini. All rights reserved. Insert “Title, Author, Date" 10 Big Data © 2012 Capgemini. All rights reserved. Schluss mit den Vorurteilen Social Media: Datenlieferant und Aktionsplattform für Big Data in der Kundenkommunikation Das Datenvolumen der vielfältigen Kundeninteraktion wächst enorm (Juni 2011) 90 Millionen Tweets pro Tag 24 Stunden an Video Uploads bei YouTube pro Minute 600 Millionen Facebook Anwender weltweit 24 Stunden hat Charlie Sheen gebraucht, um 1 Milion Followers auf Twitter zu bekommen. Die Kontrolle der Interaktion hat sich auf den Kunden verlagert. Die Kunden definieren wie, wann und wo sie mit Marken, Inhalten & Diensten interagieren. Copyright: Jürgen Düvel, Capgemini AG. Stand: 28.08.2012. Exemplar für Henning Haake.
  150. 150. Business Analytics © 2012 Capgemini. All rights reserved. Insert “Title, Author, Date" 11 Big Data © 2012 Capgemini. All rights reserved. Schluss mit den Vorurteilen Das Vorgehen einer Social-Media-Analyse lässt sich u.a. auf Sensoren-, OnlineShop-, Logging-Analysen adaptieren Social Media Monitoring Textanalysen integriertes Wissen Verringerung des Rauschens Einbringen anderer strukturierter Kunden- & Unternehmensdaten Massnahmen Copyright: Jürgen Düvel, Capgemini AG. Stand: 28.08.2012. Exemplar für Henning Haake.
  151. 151. Business Analytics © 2012 Capgemini. All rights reserved. Insert “Title, Author, Date" 12 Big Data © 2012 Capgemini. All rights reserved. Schluss mit den Vorurteilen Kombinieren Sie Social Media Monitoring (SMM) mit Textanalysen und strukturiertem Inhalt Schritt 1: Kombination verschiedener Analyseschichten: Social Media Monitoring Textanalysen Andere strukturierte Daten + Textanalyse kann die Genauigkeit des SMM stark verbessern, besonders, wenn sie mit anderen wortgetreuen Quellen verwendet wird. Die Kombination strukturierter und unstrukturierter Daten reichert das Wissen an. + Copyright: Jürgen Düvel, Capgemini AG. Stand: 28.08.2012. Exemplar für Henning Haake.
  152. 152. Business Analytics © 2012 Capgemini. All rights reserved. Insert “Title, Author, Date" 13 Big Data © 2012 Capgemini. All rights reserved. Schluss mit den Vorurteilen Etablieren Sie eine „Kommandozentrale“, damit die Anwender Entscheidungen nach Mass treffen können Schritt 2: Agieren Sie konsequent Informationsgestützt: Technologie wird niemals zu 100 % genau sein. Menschliche Intervention ist gefragt, um Ausgewöhniches zu erkennen, wenn es an die Oberfläche tritt, um Daten zu korrigieren und um Entscheidungen über Massnahmen zu treffen. Copyright: Jürgen Düvel, Capgemini AG. Stand: 28.08.2012. Exemplar für Henning Haake.
  153. 153. Business Analytics © 2012 Capgemini. All rights reserved. Insert “Title, Author, Date" 14 Big Data © 2012 Capgemini. All rights reserved. Schluss mit den Vorurteilen Die gewünschte Kundenerfahrung muss in Geschäftsregeln mit den benötigten Informationen abgebildet sein Schritt 3: Definieren Sie Informationsobjekte und –prozesse mit Geschäftsregeln: InboundOutbound Irgendwo im Rauschen der sozialen Medien sind konkrete Chancen verborgen, um das Problem eines Kunden zu beheben, um ein Produkt oder eine Dienstleistung zu verbessern oder um eine neue Verkaufschance zu identifizieren. Copyright: Jürgen Düvel, Capgemini AG. Stand: 28.08.2012. Exemplar für Henning Haake.
  154. 154. Business Analytics © 2012 Capgemini. All rights reserved. Insert “Title, Author, Date" 15 Big Data © 2012 Capgemini. All rights reserved. Schluss mit den Vorurteilen Weg von der reinen „Kundenkontaktzentrale“, hin zur handlungsfähigen und proaktiven Betreuung. Schritt 4: Verknüpfen Sie Ihr Fallmanagement mit Ihren Geschäftsprozessen: Wenn Kunden twittern und bloggen, haben sie üblicherweise einen Grund dafür. Ein Eins-zu- Eins-Feuerlöschmodell wird sich nicht an das Volumen der sozialen Medien anpassen können - errichten Sie bloss nicht noch eine teure Kontaktzentrale! Copyright: Jürgen Düvel, Capgemini AG. Stand: 28.08.2012. Exemplar für Henning Haake.
  155. 155. Business Analytics © 2012 Capgemini. All rights reserved. Insert “Title, Author, Date" 16 Big Data © 2012 Capgemini. All rights reserved. Schluss mit den Vorurteilen Ein Auswahl der Nutzung von Big Data in Ihrem Unternehmen Kunden- service  Bereitstellung von Dienstleistungen bevor Sie eine Beschwerde erhalten  Ermöglichung des gegenseitigen Supports des Kunden  Ständige Multi-Kanal-Erfahrung  Verbesserte Fähigkeit zur schnelleren Identifizierung und Reaktion auf betrügerische Aktivitäten  Loyalität , Zufriedenheit &Reputation aus Mitarbeiteraussagen  Finden Sie neue Talente & optimieren Sie die Rekrutierung  Eventgesteuertes Inbound-Marketing  Individualisierung des Kundenkontakt  Transparenz und sofortiges Feedback über Peer-to-Peer Reviews & Empfehlungen  Ermöglicht die Interaktion unter Benutzern zu ihren Bedingungen  Seigerung der Markenreputation  Besseres Verständnis der Kundenbedürfnisse  Umfassemdes, reaktionsschnelles Monitoring  Proaktiver Supportauf Basis des Logs  Anforderungen aus Benutzerverhalten ableiten  Kundenorientierung  Trends erkennen  Verbessert die Medien-Berichterstattung  Wettbewerbsbeobachtung  Optimiert das Produkt- und Dienstleistungsportfolio  Nutzt die Kreativität & das Wissen der Masse Produkt- entwicklung Unter- nehmens- strategie IT Service Agreements Marketing & PR Vertrieb HR Risiko / Compliance Copyright: Jürgen Düvel, Capgemini AG. Stand: 28.08.2012. Exemplar für Henning Haake.
  156. 156. Business Analytics © 2012 Capgemini. All rights reserved. Insert “Title, Author, Date" 17 Big Data © 2012 Capgemini. All rights reserved. Schluss mit den Vorurteilen Zusammenfassung der Business Analytics mit Big Data Daten entstehen ausserhalb Ihres Unternehmens. Wertvolle Information kommt outside-in! Sie müssen den Hype durchdringen, das Rauschen herausfiltern und fokussieren Sie auf geschäftsrelevante Informationen. Machen Sie Big Data nutzbar. Überführen Sie ihre Erkenntnisse in Handlungen. Steuern Sie. Copyright: Jürgen Düvel, Capgemini AG. Stand: 28.08.2012. Exemplar für Henning Haake.
  157. 157. Business Analytics © 2012 Capgemini. All rights reserved. Insert “Title, Author, Date" 18 Big Data © 2012 Capgemini. All rights reserved. Schluss mit den Vorurteilen Capgemini deckt Handlungsfelder von Big Data mit bewährtem Framework für das Business Information Management ab Governance, BI Service Center, BI Competency Center Referenzarchitekturen, Methodologien & Strategien Technologien und Implementierung Copyright: Jürgen Düvel, Capgemini AG. Stand: 28.08.2012. Exemplar für Henning Haake.
  158. 158. www.capgemini.com The information contained in this presentation is proprietary. Copyright ©2012 Capgemini. All rights reserved. Vielen Dank für Ihre Aufmerksamkeit ! Please contact me! juergen.duevel@capgemini.com 079 959 00 89
  159. 159. Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20.11.2012. Exemplar für Henning Haake.Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20.11.2012. Exemplar für Henning Haake.
  160. 160. 2 A NEW SET OF QUESTIONS What’s the social sentiment for my brand or products How do I better predict future outcomes? How do I optimize my fleet based on weather and traffic patterns? Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20.11.2012. Exemplar für Henning Haake.
  161. 161. 3 Increases ad revenue by processing 3.5 billion events per day Massive Volumes Processes 464 billion rows per quarter, with average query time under 10 secs. Measures and ranks online user influence by processing 3 billion signals per day Cloud Connectivity Connects across 15 social networks via the cloud for data and API access Uses product/ usage analysis and reseller fraud detection for its services Real-Time Insight Improves operational decision making for IT managers and users Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20.11.2012. Exemplar für Henning Haake.
  162. 162. 4 GAIN COMPETITIVE ADVANTAGE BY MOVING FIRST AND FAST IN YOUR INDUSTRY Web app optimization Smart meter monitoring Equipment monitoring Advertising analysis Life sciences research Fraud detection Healthcare outcomes Weather forecasting Natural resource exploration Social network analysis Churn analysis Traffic flow optimization IT infrastructure optimization Legal discovery Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20.11.2012. Exemplar für Henning Haake.
  163. 163. 5 Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20.11.2012. Exemplar für Henning Haake.
  164. 164. 6 010101010101010101 1010101010101010 01010101010101 101010101010 Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20.11.2012. Exemplar für Henning Haake.
  165. 165. 7 Enterprise class security, HA & management Seamlessly integrated with Microsoft BI tools Windows Simplicity and Manageability Provisioned in minutes on Windows Azure Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20.11.2012. Exemplar für Henning Haake.
  166. 166. 8 Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20.11.2012. Exemplar für Henning Haake.
  167. 167. 9 Value Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20.11.2012. Exemplar für Henning Haake.
  168. 168. 10 Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20.11.2012. Exemplar für Henning Haake.
  169. 169. 11 010101010101010101 1010101010101010 01010101010101 101010101010 Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20.11.2012. Exemplar für Henning Haake.
  170. 170. 12 Parallel Data Warehouse PowerPivot Power View Microsoft HDInsight Server HDInsight Service Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20.11.2012. Exemplar für Henning Haake.
  171. 171. 13 FastLoad Source Systems Historical Data (Beyond Active Window) Summarize & Load Big Data Sources (Raw, Unstructured) Alerts, Notifications Data & Compute Intensive Application ERP CRM LOB APPS Integrate/Enrich SQL Server StreamInsight Enterprise ETL with SSIS, DQS, MDS Hadoop on Windows Azure Hadoop on Windows Server SQL Server FTDW Data Marts SQL Server Reporting Services SQL Server Analysis Server Business Insights Interactive Reports Performance Scorecards Crawlers Bots Devices Sensors SQL Server Parallel Data Warehouse 3. Streaming: Real-time data processing 4. Business Analytics: Interaction with data 1. Data Warehousing: Storing and analysis of structured data 2. Map/Reduce: Storing and processing of unstructured data Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20.11.2012. Exemplar für Henning Haake.
  172. 172. 14 • LEARN MORE • Microsoft Big Data Solution: www.microsoft.de/bigdata • Windows Azure: www.windowsazure.de • TRY NOW • Preview of the Windows Azure HDInsight Service: https://www.hadooponazure.com • Developer CTP of Microsoft HDInsight Server for Windows Server: http://www.microsoft.com/bigdata Gewinnen Sie ein Microsoft Surface. Jetzt hier am Microsoft Stand registrieren. Copyright: Stephan Pepersack;Daniel Weinmann. Stand: 20.11.2012. Exemplar für Henning Haake.

×