Pivotal Digital Transformation Forum: Fraport AG

909 Aufrufe

Veröffentlicht am

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

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
909
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
11
Aktionen
Geteilt
0
Downloads
11
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Pivotal Digital Transformation Forum: Fraport AG

  1. 1. Fraport AG: always ready for take-off Big Data@FRA München, 19. Oktober 2015 Dieter Steinmann, Fraport AG
  2. 2. Fraport auf einen Blick Unternehmensportrait, März 20152
  3. 3. Unsere Historie Unternehmensportrait, März 20153 Vom Flughof Manager 1924... ...zum Manager internationaler Drehkreuze und Airports.
  4. 4. Umsatzträger sind unsere Kerngeschäftsfelder Unternehmensportrait, März 20154 Umsätze im Gesamtkonzern nach Segmenten 2014 Aviation Ground Handling External Activities & Services Retail & Real Estate 884 Mio. Euro 36,9 % 27,4 % 19,0 % 16,7 % 656 Mio. Euro 456 Mio. Euro 399 Mio. Euro 2.395 Mio. € Gesamtumsatz 2014
  5. 5. Mit FRA sind wir unter den weltweit führenden Flughäfen im Passagierverkehr... Unternehmensportrait, März 20155 Passagiere 2014 (in Mio.) 1.  Atlanta 96,2 2.  Beijing 86,1 3.  London Heathrow 73,4 4.  Tokyo 72,8 5.  Los Angeles 70,7 6.  Dubai 70,5 7.  Chicago 70,0 8.  Paris CDG 63,8 9.  Dallas 63,5 10.  Hong Kong 63,1 11.  Frankfurt 59,6 12.  Jakarta 57,0 13.  Istanbul 56,8 14.  Amsterdam 55,0 15.  Guangzhou 54,8 Quelle: ACI
  6. 6. Agenda Big Data bei Fraport Analytics in der Praxis 1 2 BIAF – Die Big Data Plattform4 Zusammenfassung5 Smart Data Lab Projekt3
  7. 7. Big Data: Die Erkenntnis für Unternehmen "Big data is what happened when the cost of storing information became less than the cost of making the decision to throw it away.” George Dyson (US-Historiker) Big Data & Optimierung
  8. 8. Big Data: Die Definition der 3Vs ... und wofür? ValueBig Data & Optimierung Größte Herausforderung für Fraport
  9. 9. Big Data: Variety Operational processes under responsibility of Fraport AG Ground Chart 9 BIAF - The Analytical Platform Weit über 1000 Prozessattribute pro Flugbewegung
  10. 10. Big Data: Velocity Big Data & Optimierung
  11. 11. Big Data: Value Bessere Entscheidungen treffen !!! Big Data & Optimierung
  12. 12. Big Data: Vision “99% aller operativen Entscheidungen können automatisiert werden!” Prof. Dr. Michael Feindt (Physiker CERN* ) Big Data & Optimierung *Jede Sekunde wirft der CERN Teilchenbeschleuniger im Betrieb ein Petabyte Informationen aus.
  13. 13. Wie lautet die Antwort auf Big Data? Business AnalyticsBig Data [ Information Overload ] [ Value Extraction] Big Data & Optimierung
  14. 14. Business Analytics: Die tragenden Faktoren Technologie Analytische Verfahren Kompetenz Analytische Plattform • Datenmanagement • Rechenkapazität • Schnittstellen • Architekturen • In-Memory Technologie •  Massive-Parallele Verarbeitung Data Scientist • kreativ & neugierig • Datenaffinität • Statistik • kommunikativ • skeptisch • Fachwissen • technologisch Statistik • Zeitreihenanalyse • Regression • Entscheidungsbaum Data Mining • Mustererkennung • Vorhersagemodellierung Machine Learning • Deep Learning • Neuronales Netz Optimierung • linear & nicht-linear • lokal vs. global „More than 85 % of Fortune 500 organizations will be unable to effectively exploit Big Data by 2015.” (Gartner) “By 2018, the United States alone could face a shortage of 140,000 to 190,000 people with deep analytical skills as well as 1.5 million managers and analysts with the know-how to use the analysis of big data to make effective decisions.” (McKinsey Global Institute) Big Data & Optimierung
  15. 15. Agenda Big Data bei Fraport Analytics in der Praxis 1 2 BIAF – Die Big Data Plattform4 Zusammenfassung5 Smart Data Lab Projekt3
  16. 16. „Great to have you here!“ – Das Serviceprogramm für FRA wurde 2010 gestartet und entwickelt sich stetig weiter Friendly Attention Pleasant Surroundings Quick and Comfortable Travel Shopping and Experience Herausforderungen16
  17. 17. Wie kann Analytics helfen ein 5 Sterne-Airport zu werden? Friendly Attention Pleasant Surroundings Quick and Comfortable Travel Shopping and Experience Herausforderungen17
  18. 18. “Great to have you here!” – kürzere Wartezeiten Analytics in der Praxis18
  19. 19. „Big Data“ in der operativen Leitstelle Analytics in der Praxis19
  20. 20. Zufluss-Vorhersage an Prozessstellen Zur effizienten Steuerung von Passagierflüssen wurde eine Anwendung zur Vorhersage von Zuflüssen auf Prozessstellen entwickelt. Analytics in der Praxis20
  21. 21. Passagierfluss-Analyse Tool 1. PAX Forecast 2. Echtzeit Datenintegration 3. Simulation 4. Präsentation Passagierfluss Analyse & Steuerung Endnutzer Leitstelle Bundespolizei, operative MA Simulation Airlines aktuelle Datenbasis Bundespolizei LayoutParameter Eingabe Umsteuerungen Sensordaten historischer Flugbericht zentrale Flugdatenbank PAX Prognose Modellierung - Total-On Board pro Flug - Umsteiger - Aus- / Zusteiger Analytics in der Praxis21
  22. 22. Der Einsatz von Analytics unterstützt dabei ... ... das Passagierverhalten zu verstehen §  Shopping und Gastronomie §  Check-in (Home vs. Schalter) §  Sicherheitskontrollen ... Passagiere zu prognostizieren §  Gesamtpassagier an Board einer Maschine §  Originär-Aus-/Zusteiger §  Umsteiger auf Anschlussflüge … Passagierbewegungen zu simulieren §  Zufluss- Abflussströme §  Füllstände in relevanten Bereichen §  Wartezeiten an Prozessstellen Analytics in der Praxis22
  23. 23. … and the winner is … Satisfaction with FRA (Percentage of satisfied passengers) FRA-Passengers (in millions) Source: Fraport Passenger Survey, Overall satisfactionSource: Traffic Figures (UEW-MF) 70% 77% 80% 2010 2011 2012 53,0 56,4 57,5 2010 2011 2012 57.5 56.4 53.0 „World‘s Most Improved Airport“ Analytics in der Praxis23
  24. 24. Agenda Big Data bei Fraport Analytics in der Praxis 1 2 BIAF – Die Big Data Plattform4 Zusammenfassung5 Smart Data Lab Projekt3
  25. 25. Potentiale aus Big Data heben „Wer Big Data voranbringen will, muss Experimente zulassen. Daher brauchen wir Schutzräume außerhalb des Tagesgeschäfts, in denen Big Data ausprobiert werden und sich entwickeln kann.“ (Professor Dr. Björn Bloching) Smart Data Lab Projekt25 Wir brauchen einen kreativen Raum, des Forschens und Entdeckens mit intelligenten kleinen Projekte, die auch mal scheitern dürfen. Smart Data Lab
  26. 26. Fraport hat in den letzten Jahren zwei große Assets aufgebaut und konsequent weiterentwickelt BIAF operative Daten 1.) Datenfundus 2.) Analytische Kompetenz dezentrale, isolierte Analysen Mit dem Smart Data Lab wurden erstmals übergreifende Fragestellungen in einem interdisziplinären Team aus vielen Fachbereichen bearbeitet. Um ein effizientes Arbeiten in dieser Teamzusammensetzung zu fördern wurde eine neue Arbeitsmethode angewandt, die agiles Arbeiten optimal unterstützt. Smart Data Lab bei Fraport Aviation Ground- handling Retail SAP BW kaufmännische Daten Projekte Finanzen Instand- haltung € Smart Data Lab Projekt26 Smart Data Lab € agil und interdisziplinär Fraport verfügt in vielen Geschäftsbereichen über analytisch geschultes Personal. In zwei zentralen analytischen Systemen werden seit mehreren Jahren konsequent die operativen und kaufmännischen Daten gesammelt und für Auswertungen zur Verfügung gestellt.
  27. 27. Scope Scope des Smart Data Lab Descriptive Analytics Predictive Analytics Prescriptive Analytics Schwierigkeit Mehrwert Diagnostic AnalyticsWas ist passiert? Warum ist es passiert? Was wird passieren? Wie können wir es passieren lassen? Big Data & Optimierung
  28. 28. Data Science Team bestehend aus 15 internen Experten und einem externen Coach Arbeiten im Smart Data Lab Fachexperte Kompetenzen Rollen - Business Know-how - Interpretation der Ergebnisse - Informationsbeschaffung Datenmanager - Data Preparation - Ad-hoc Datenimport - Beladung Visual Analytics Statistiker - Data Mining - Predictive Modeling - Explorative Datenanalyse Abdeckung aller Kompetenzen von einer Personen schwer möglich, daher Notwendigkeit im Team zu agieren Smart Data Lab Projekt28
  29. 29. Ergebnisse Kommunikation Verlauf Projektleitung Ablauf und Organisation Smart Data Lab Projekt29 Auftrag 1 2 3 4 5 Projekt unter der Leitung der Konzernstrategie und IT unter Anwendung einer agile Projektmethode Aufteilung der Projektmitglieder in vier Arbeitsgruppen, unter Berücksichtigung der jeweiligen Kompetenzrolle Daily Stand-up wöchentlicher Jour Fixe Ergebnisvorstellung im Vorstand und Top-Management à Smart Data Lab war erfolgreich und soll turnusmäßig fortgeführt werden Vorstandsauftrag zur Untersuchung von vier Musterfragestellungen Schulung und Einführung (1 Woche) Analysephase und Prototyperstellung (4 Wochen) Ergebnisaufbereitung (1 Woche)
  30. 30. Neue Arbeitsmethode: Das Taskboard als zentrales Element des agilen Projektmanagements! Smart Data Lab Projekt30 • Tasks sind Aufgaben, die von einem Bearbeiter an einem Tag erledigt werden können. • Tägliches Treffen der gesamten Projektgruppe vor dem Taskboard (20 Min.). • Klärung der anstehenden Aufgaben auf Tagesbasis bzw. Hemmnissen. • Gemeinsames Lernen durch den Austausch zu möglichen Lösungsansätzen. • Schärfung der Verbindlichkeit durch tägliche Statusabfrage der Aufgaben. Neue Arbeitsmethode sichert Projekterfolg und kann künftig für vergleichbare Projekte eingesetzt werden
  31. 31. 1. Fragestellung: „Flugzeugpositionierung“ Identifikation erschließbarer Umsatzpotenziale einzelner Retail-Geschäfte auf Grundlage der Flugzeugpositionierung („Destinationswertigkeit“) Ergebnis: à Simulationsmodell zur What-if Analyse 2. Fragestellung: „BVD-Prognosemodell“ Prognosemodell zur Abschätzung des tatsächlichen Betriebsverlaufs (inkl. Verspätungen) als Basis der betrieblichen Steuerung und Ressourceneinteilung Ergebnis: à Prognosemodell zur Verspätungsvorhersage Smart Data Lab Projekt31 Entlang von vier Fragestellungen wurden unterschiedliche Hilfsinstrumente und Prototypen erarbeitet Umsatzpotenzial Szenario A xx € Szenario B xx € ... Terminal 1 Terminal 2 LH 4711 Delay +6:43 AA 070 Delay +16:51 AF 817 Delay -0:33
  32. 32. 3. Fragestellung: „Retail-Frühwarnsystem“ Ausgehend von den Gesamterlösen werden am Beispiel Retail Einflussfaktoren auf die Erlösentwicklung identifiziert, um hierfür ein mögliches Frühwarnsystem zu entwickeln Ergebnis: à Retailprognosemodell + Qualitätsregelkarte 4. Fragestellung: „Frachtprodukte“ Ableitung der Fracht-Produktkategorien am Frankfurter Flughafen anhand der Analyse von Frachttransport und –abfertigung Ergebnis: à Instrument zur Marktpotenzialanalyse Smart Data Lab Projekt32 Entlang von vier Fragestellungen wurden unterschiedliche Hilfsinstrumente und Prototypen erarbeitet -3.500.000 -2.500.000 -1.500.000 -500.000 500.000 1.500.000 2.500.000 3.500.000 Mittellinie 0,5%-Grenze 99,5%-Grenze Abweichung Test_Trend Test_Run Prozessstoerung_1%
  33. 33. Smart Data Lab ist nur der erster Schritt ... Transformationsprozess Smart Data Lab Projekt Smart Data Lab Smart Data Factory Big Data Analysis Insights Ground Aviation Retail Anforderungen / Fragestellung Fachexpertise Pilotaufbau und Bereitstellung Security ... Geschäftsbereich Delivery •  Operationalisierung •  Realisierungsprojekte •  Change-Management •  Neue Produkte & Services •  Forschen & Entdecken •  Data Science •  Prototypen •  Agil •  2x im Jahr 4 Wochen 33 Vorstand
  34. 34. Umsetzungskonzept und Rollenverteilung Bereichsrückmeldungen SDL (IUK,UEW)34 Smart Data Lab Ergebnisvorstellung im Fachbereich Smart Data Factory Organisation Unternehmensentwicklung (UEW), IT (IUK) SGB IUK im Rahmen der IT Investitionsprozesse Ressourcen SDL-Kernteam; Lab-Projektmitglieder SDL-Kernteam; Lab-Projektmitglieder IUK-Mitarbeiter; Externe IT-Mitarbeiter; punktuell Fachbereichsexperten und Lab-Projektmitglieder Anforderungsprofil •  Statistiker •  Fachexperte •  Datenmanager •  Entscheider •  Fachexperten •  Projektleiter •  Datenmanager •  Solution-Architect •  Softwareentwickler •  Support-Team Finanzierung - - ILV, Investitionsprojekt Zeitlicher Aufwand 4 Wochen ca. 1-2 Woche (nachgelagert zum SDL) dauerhafte Einrichtung Rollenkonzept • Für das Smart Data Lab identifiziert UEW in der Diskussion mit den Fachbereichen geeignete, unternehmensrelevante Fragestellungen. Dabei wird die Auswertbarkeit der Datengrundlage vorab von UEW in Zusammenarbeit mit IUK geprüft. • Ferner stellt IUK für das Smart Data Lab die Räumlichkeiten und die IT-Ausrüstung zur Verfügung.
  35. 35. Agenda Big Data bei Fraport Analytics in der Praxis 1 2 BIAF – Die Big Data Plattform4 Zusammenfassung5 Smart Data Lab Projekt3
  36. 36. BIAF Product Development Chart 36 BIAF - The Analytical Platform 2005 2006 2008 2010 2012 Time 2013 HPA Appliance SAS/Pivotal High Performance Analytics Appliance Smart Data Lab 2015
  37. 37. Operative Sonderlösungen Berichtswesen in BIAF one-click Reporting Berichts- erstellung Freie Datenanalyse Prognose Mustererkennung Simulation SAS JMP SAS Enterprise Guide SAS Portal SAS Web Report Studio BIAF Reporting Plattform SAS Enterprise Miner SAS Visual Analytics SAS Visual Analytics Was ist BIAF?
  38. 38. BIAF Analytical Platform Architecture GRID Node2 SAS Mid1 SAS Mid 2 BIAF Mid ESRS Gtwy1 Backup Storage SAS Mid 1 GRID Node2 Primary Data Center Secondary Data Center Greenplum Appliance historical Data PROD daily restore for DR Application-side mirroring Greenplum DB Segment 1 Operational Data Greenplum Appliance DEV, TEST and Desaster Recovery Meta Srv1 opsDB Master GRID Node1 opsDB Second Greenplum DB Segment 2 Operational Data Meta Srv3 BIAF Mid Meta Srv2 Meta Srv2 SAS Mid 2 Meta Srv1 GRID Node1 Meta Srv3 ESRS Gtwy2 ESRS Policy PROD DEV/TEST SAS Visual Analytics + High Performance Analytics SAS Visual Analytics + High Performance Analytics GRID Node3 BIAF - The Analytical Platform Hyper-V-Cluster opsDB Master opsDB Seg 1 opsDB Master opsDB Seg 1 Virtual Application Layer • Stretched-cluster configuration • SAS 9.4 (BI + DI) • Clustered SAS Meta-Data Server • Clustered SAS Mid-Tier • SAS GRID-Manager
  39. 39. BIAF Analytical Platform Architecture GRID Node2 SAS Mid1 SAS Mid 2 BIAF Mid ESRS Gtwy1 Backup Storage SAS Mid 1 GRID Node2 Primary Data Center Secondary Data Center Greenplum Appliance historical Data PROD daily restore for DR Application-side mirroring Greenplum DB Segment 1 Operational Data Greenplum Appliance DEV, TEST and Desaster Recovery Meta Srv1 opsDB Master GRID Node1 opsDB Second Greenplum DB Segment 2 Operational Data Meta Srv3 BIAF Mid Meta Srv2 Meta Srv2 SAS Mid 2 Meta Srv1 GRID Node1 Meta Srv3 ESRS Gtwy2 ESRS Policy PROD DEV/TEST SAS Visual Analytics + High Performance Analytics SAS Visual Analytics + High Performance Analytics GRID Node3 BIAF - The Analytical Platform Hyper-V-Cluster opsDB Master opsDB Seg 1 opsDB Master opsDB Seg 1 Operational Data Store (hot) •  real-time Data •  ca. 1.000.000 Business Events/day •  automatically mirrored PDC & SDC •  ca. 150GB Storage •  Operational BI – Reporting & Analytics
  40. 40. BIAF Analytical Platform Architecture GRID Node2 SAS Mid1 SAS Mid 2 BIAF Mid ESRS Gtwy1 Backup Storage SAS Mid 1 GRID Node2 Primary Data Center Secondary Data Center Greenplum Appliance historical Data PROD daily restore for DR Application-side mirroring Greenplum DB Segment 1 Operational Data Greenplum Appliance DEV, TEST and Desaster Recovery Meta Srv1 opsDB Master GRID Node1 opsDB Second Greenplum DB Segment 2 Operational Data Meta Srv3 BIAF Mid Meta Srv2 Meta Srv2 SAS Mid 2 Meta Srv1 GRID Node1 Meta Srv3 ESRS Gtwy2 ESRS Policy PROD DEV/TEST SAS Visual Analytics + High Performance Analytics SAS Visual Analytics + High Performance Analytics GRID Node3 BIAF - The Analytical Platform Hyper-V-Cluster opsDB Master opsDB Seg 1 opsDB Master opsDB Seg 1 Enterprise Data Store (warm) •  historical Data •  ca. 2 TB Storage / up to 6 TB Storage licensed •  daily full backup & Restore into SDC for DR •  Analytical Database MPP •  EMC 24/7 Premium Support •  Calling Home •  Remote Access through Policy Server
  41. 41. BIAF Analytical Platform Architecture GRID Node2 SAS Mid1 SAS Mid 2 BIAF Mid ESRS Gtwy1 Backup Storage SAS Mid 1 GRID Node2 Primary Data Center Secondary Data Center Greenplum Appliance historical Data PROD daily restore for DR Application-side mirroring Greenplum DB Segment 1 Operational Data Greenplum Appliance DEV, TEST and Desaster Recovery Meta Srv1 opsDB Master GRID Node1 opsDB Second Greenplum DB Segment 2 Operational Data Meta Srv3 BIAF Mid Meta Srv2 Meta Srv2 SAS Mid 2 Meta Srv1 GRID Node1 Meta Srv3 ESRS Gtwy2 ESRS Policy PROD DEV/TEST SAS Visual Analytics + High Performance Analytics SAS Visual Analytics + High Performance Analytics GRID Node3 BIAF - The Analytical Platform Hyper-V-Cluster opsDB Master opsDB Seg 1 opsDB Master opsDB Seg 1 SAS/Greenplum Analytical Appliance •  SAS High Performance Analytics •  SAS Visual Analytics •  In-Memory Database •  Mobile BI •  In-Database Analytics Cold storage layer
  42. 42. Agenda Big Data bei Fraport Analytics in der Praxis 1 2 BIAF – Die Big Data Plattform4 Zusammenfassung5 Smart Data Lab Projekt3
  43. 43. •  Klassisches R&D ist nicht in unserer Unternehmens-DNA verankert, dennoch müssen wir es anpacken •  „Failure is NO-option“ à es ist essenzieller Teil der Entwicklung •  Arbeiten in einem Data Science Team mit agiler Projektmethode ist ein Key-Success Faktor •  Wahrnehmung über das Potenzial von Analytics im Unternehmen deutlich geschärft •  LAB als geschützter Raum mit Zugriff auf alle Daten fördert die Entwicklung von konzeptionellen Ansätzen und Ergebnissen frei von Restriktionen und Bereichsinteressen Zusammenfassung Zusammenfassung43 “I have not failed. I’ve just found 10,000 ways that won’t work.” Thomas A. Edison
  44. 44. Fraport a data driven company ...
  45. 45. Chart 45 PhD defense Torben C. Barth: Optimization of baggage handling at airports Thank you for your attention! Enjoy the day …
  46. 46. Kernkompetenz rund um Analytics und Big Data innerhalb der IT aufgehängt! Organigramm IUK46 Vorstand Dr. Stefan Schulte (VV) Information und Kommunikation Dr. Matthias Zieschang (VF) Michael Müller (VA) Anke Giesen (VO) Dr. Roland Krieg (CIO) IUK Anwendungs- entwicklung Dr. Wolfgang Pelzer IUK-AE Business-Systeme Dieter Steinmann IUK-AE4 Bau-/ und PM-Systeme & Business Applications Business Intelligence administrativ Business Intelligence operativ Christian Wrobel IUK-AE43 Analytical Solution Architect
  47. 47. Digital Transformation Forum Disrupt or Be Disrupted 19 OCTOBER · BMW WELT EVENT CENTRE · MUNICH

×