VORGEHENSMODELLE 
Big Data zur Erfolgsgeschichte machen – 
aber wie? 
Andreas Gödde, Director Business Analytics, SAS DACH
Gartner Hype Cycle 
Emerging Technologies Big Data 
Source: Gartner, August 2014 
Die Kritiker sehen sich bestätigt: 
Big ...
„30% der Unternehmen haben bereits Big-Data-Initiativen“ 
Nur 22% der teilnehmenden Unternehmen sehen 
generell keine Anwe...
Big Data Analytics Von Daten über Analytics zu besseren Entscheidungen! 
Mehr 
Business 
Mehr 
Analytics 
Mehr 
Daten 
Wor...
Big Data Analytics Von Daten über Analytics zu besseren Entscheidungen! 
Mehr 
Business 
Mehr 
Analytics 
Ganze Branchen w...
Big Data Analytics 
Der Kniff ist, nicht gleich mit der 
Transformation anzufangen, 
sondern bestehende Prozesse zu 
optim...
Beispiel Telekommunikation 
Sendemasten, Kundendaten & Wetter 
Bestehendes Geschäft Neues Geschäft 
Neue Daten 
Vorhandene...
Big Data Analytics Von Daten über Analytics zu besseren Entscheidungen! 
Mehr 
Business 
Mehr 
Analytics 
Mehr 
Daten 
Imm...
Big Data managen Alte DWH-Landschaften sind teuer und rigide – deshalb Hadoop 
Volume Variety Velocity 
Scale Of Data Form...
Big Data managen Alte DWH-Landschaften sind teuer und rigide – deshalb Hadoop 
CO-EXISTENZ 
HADOOP 
 Flexibel 
 Struktur...
Big Data Analytics Von Daten über Analytics zu besseren Entscheidungen! 
Mehr 
Business 
Mehr 
Analytics 
Um diese Daten n...
Daten visuell 
erkunden, schnell 
analytische Ein-sichten 
gewinnen 
Management, 
Fachexperten 
Geschäft durch 
Analytics ...
Big Data Analytics Neue Aufgaben für alle Organisationen 
Immer mehr Daten aus 
immer mehr Quellen 
stehen zur Verfügung 
...
Vorgehensmodell Big Data Analytics 
bekannt DATEN unbekannt 
Bekannte FRAGEN Unbekannte FRAGEN 
Visual Analytics 
Neue Dat...
Ihr Fahrplan Start Smart with Big Data! 
Experimente zulassen: Hadoop, Sandboxes 
Silodenken IT & Fachbereich überwinden 
...
Nächste SlideShare
Wird geladen in …5
×

Big Data umsetzen: Big Data zur Erfolgsgeschichte machen - aber wie?

7.141 Aufrufe

Veröffentlicht am

Big Data Analytics in der Praxis finden Sie auch hier: http://www.sas.com/de_de/insights/big-data.html

Weitere Themen: Big Data Analytics, Industrie 4.0, Digitale Transformation.

Veröffentlicht in: Wirtschaft & Finanzen
0 Kommentare
1 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

Keine Downloads
Aufrufe
Aufrufe insgesamt
7.141
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
5.336
Aktionen
Geteilt
0
Downloads
38
Kommentare
0
Gefällt mir
1
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie
  • Tonspur:
    SAS Kundeumfrage: 40% aller SAS-Kunden haben Big Data Initiativen
  • Zum Einstieg eine Abgrenzung. Wenn es DEN überzeugenden Big-Data-Use-Case für eine Branche oder ein Unternehmen gäbe und SAS diesen hätte, würden wir diesen verkaufen. Gelegentlich passiert so etwas, wenn wir mit einem Kunden irgendwo auf der Welt in einem gemeinsamen Projekt etwas solches gemacht haben. In den seltensten Fällen aber lässt sich das aber übertragen: jedes Land, jede Branche und jedes Unternehmen ist anders.

    Big Data Analytics bezeichnet vielmehr eine andere Art von Denken: Daten werden in den Mittelpunkt gestellt und in einem eher explorativen Suchen und Ausprobieren können neue Zusammenhänge entdeckt und schließlich produktiv genutzt werden. Es geht also nicht um inkrementelle Verbesserungen bestehender Prozesse, sondern um neue Geschäftsmodell, die mit neuen Technologien und den großen Datenmengen möglich werden.

    Ein Beispiel – bewusst aus einer anderen Branche.
    Telekommunikationsanbieter betreiben teure und aufwändig ausgestattete Netze. In relativ engmaschigen Gittern müssen UMTS-Masten aufgebaut, betrieben und gewartet werden. Dafür gibt es natürlich Routinen und Vorgehensweisen, die das jeweils optimieren. Das kann auch schon analytisch sein und wird auch gemacht.

    Nun weiß ein solcher Mast aber auch, welche Handys sich jeweils konnektieren. Das könnte man nutzen, um über einen Abgleich mit der Kundendatenbank zu entscheiden, ob es viele besonders gute Kunden an einem Handymast gibt – und diesen entsprechend bevorzugt aus- und aufzurüsten, wenn solche Investitionsentscheidungen anstehen.

    Mit gänzlich neuen Daten hat unser Kunde Telecon Italia Kampagnen gegen den Wettbewerb gefahren. Dazu haben sie fünf baugleich Handys mit den jeweiligen SIM-Karten ausgestattet, diese in Mini-Vans gesteckt und ganz Italien abgefahren. Was an Daten dabei gesammelt wurde, musste vor allem schnell auswertbar sein, damit die Erkenntnisse auch noch wahr waren. Deshalb kam hier SAS Visual Analytics zum Einsatz, das dank In-Memory-Analytics eine hohe Performance für echte Interaktivität und Daten Exploration bereitstellt.

    Der Clou an Big Data ist aber das kreative Moment, die überraschenden neuen Zusammenhänge. Hier das Beispiel wiederum mit den Sendemasten. Je nach Wetter benötigen diese eine andere Sendeleistung. Wenn es gelingt, diese minimalen Schwankungen zu erfassen (was heute bereits getan wird, aber nicht genutzt), entsteht auf einmal ein sehr gutes Netz von Wetterstationen – das man zum Beispiel als ergänzende Datenquelle bei Hochwasserprognosen oder Sturmwarnungen nutzen könnte.

    Big Data Analytics ist mehr ein Kulturwandel als ein konkreter Use Case.
  • Wie sehen die SAS Lösungen dazu aus?


    Stufe 1:
    Anwender aus Fachbereich
    Beispiel Einzelhandel: Über Korrelation, Scatterplot oder Liniendiagramm erkennen, dass es einen negativen Zusammenhang zwischen Preis und Absatzmenge gibt: Wenn Preis sinkt, steigt Absatz und umgekehrt!

    Stufe 2:
    Quantitativer Analyst mit statistischen Kenntnissen (z.B. aus Controlling, Database-Marketing, BI CC)
    Bespiel Einzelhandel: Nicht nur erkennen, dass es einen Zusammenhang zwischen Preis und Absatzmenge gibt, sondern diesen auch quantitativ messen, z.B. in Form einer Preiselastizität (mit Hilfe einer Regression)

    Stufe 3:
    Data Mining-Experte
    Beispiel Einzelhandel: Automatisiertes Abspeichern und geschätzter Preiselastizitäten pro Artikel in den Artikelstammdaten zur Unterstützung bei der Sortimentsplanung: Promotions, Regalplatzierung, Ein-/Auslistung

    HPA
    Allows you to develop predictive models using big data and thousands of variables to produce more accurate and timely insights
  • Big Data umsetzen: Big Data zur Erfolgsgeschichte machen - aber wie?

    1. 1. VORGEHENSMODELLE Big Data zur Erfolgsgeschichte machen – aber wie? Andreas Gödde, Director Business Analytics, SAS DACH
    2. 2. Gartner Hype Cycle Emerging Technologies Big Data Source: Gartner, August 2014 Die Kritiker sehen sich bestätigt: Big Data ist im Tal der Tränen. Die Pragmatiker hingegen sehen Big Data näher an der produk-tiven Nutzung.
    3. 3. „30% der Unternehmen haben bereits Big-Data-Initiativen“ Nur 22% der teilnehmenden Unternehmen sehen generell keine Anwendungsfälle für Big Data. „Big-Data-Analysen übertreffen bei Weitem den vor der Einführung erhofften Mehrwert.“ Drei Viertel der Unternehmen erreichen durch Big Data Analytics schnellere und detailliertere Analysemöglichkeiten, mehr als zwei Drittel der Unternehmen können ihre operativen Prozesse besser steuern. BARC - Big Data Analytics 2014 (DACH) Wie ist der Status in der DACH-Region? Viele Projekte sind in der Umsetzung! Der Nutzen wird überall gesehen.
    4. 4. Big Data Analytics Von Daten über Analytics zu besseren Entscheidungen! Mehr Business Mehr Analytics Mehr Daten Worum geht es am Ende? Um mehr Geschäft auf der Grundlage von mehr Daten. Das notwendige Bindeglied: Analytics („Datenverwertung“)
    5. 5. Big Data Analytics Von Daten über Analytics zu besseren Entscheidungen! Mehr Business Mehr Analytics Ganze Branchen werden digital transformiert. Industrie 4.0, vernetzte Autos, Medien sowieso – datenbasierte Geschäfts-modelle verdrängen traditionelle Mehr Daten Unternehmen.
    6. 6. Big Data Analytics Der Kniff ist, nicht gleich mit der Transformation anzufangen, sondern bestehende Prozesse zu optimieren und dabei die nötigen Fertigkeiten aufbauen. Mehr Geschäft mit Big Data – Schrittweise! OPTIMIZE INNOVATE TRANSFORM Bestehende Prozesse beschleunigen Aus bekannten Daten neue Einsichten gewinnen Mit neuen Daten neue Geschäftsmodelle entwickeln
    7. 7. Beispiel Telekommunikation Sendemasten, Kundendaten & Wetter Bestehendes Geschäft Neues Geschäft Neue Daten Vorhandene Daten Wartungsoptimierung von Sendemasten Investitionsplan anhand von Kundenbindungskriterien Kampagnen gegen Wettbewerb zum Thema „Netzqualität“ (Telecom Italia) Flutprognosen dank Auswertung der regenabhängigen Sendeleistung
    8. 8. Big Data Analytics Von Daten über Analytics zu besseren Entscheidungen! Mehr Business Mehr Analytics Mehr Daten Immer schon haben Unter-nehmen neue Geschäftsmodelle entwickelt. Der Unterschied: die Daten. Mehr Daten, andere Daten, schnellere Daten.
    9. 9. Big Data managen Alte DWH-Landschaften sind teuer und rigide – deshalb Hadoop Volume Variety Velocity Scale Of Data Forms Of Data Speed Of Data
    10. 10. Big Data managen Alte DWH-Landschaften sind teuer und rigide – deshalb Hadoop CO-EXISTENZ HADOOP  Flexibel  Struktur beim Auslesen  Elastisch  Kosteneffizient (($1K/Tb) DWH  Revisionssicher  Vorstrukturiert  Starr  Teuer ($20k+/Tb)  Komplexes ÉTL Eignung
    11. 11. Big Data Analytics Von Daten über Analytics zu besseren Entscheidungen! Mehr Business Mehr Analytics Um diese Daten nutzen zu können, muss Analytics von mehr Menschen gemacht und standardmäßig in Prozesse eingebaut werden. Mehr Daten
    12. 12. Daten visuell erkunden, schnell analytische Ein-sichten gewinnen Management, Fachexperten Geschäft durch Analytics in der Tiefe verstehen Business Analyst Geschäft durch Analytics operativ steuern Data-Mining Experte Analytische Organisationen sind erfolgreicher im Wettbewerb. Operative Steuerung durch Analytics automatisieren Data-Mining Experte Analytics auf Basis von Big Data industrialisieren Data-Mining Experte Skills & Organisation Vom schnellen Einstieg bis zur analytischen Exzellenz High-Performance Analytics Modell & Decision Management Visual Business Analytics Data Mining Validität, Reife, Wert und Menge der analytischen Modelle Reichweite von Analytik innerhalb der Organisation
    13. 13. Big Data Analytics Neue Aufgaben für alle Organisationen Immer mehr Daten aus immer mehr Quellen stehen zur Verfügung Verständliche Tools für verschiedene Skills; kürzere Reaktionszeiten Die Agenda für den CEO und den CIO ergibt sich zwangsläufig. Zur Transformation gezwungen geht es um neue Infrastrukturen und agileres Vorgehen. Immer mehr Prozesse und Geschäftsmodelle werden digital trans-formiert Big Data managen Analytics ermöglichen Geschäfts-modelle digitalisieren
    14. 14. Vorgehensmodell Big Data Analytics bekannt DATEN unbekannt Bekannte FRAGEN Unbekannte FRAGEN Visual Analytics Neue Daten erschließen Big Data-“Kür“ DWH entlasten Mit dem Naheliegenden beginnen, dann explorativ weitermachen bis hin zu vollkommen neuen Ideen.
    15. 15. Ihr Fahrplan Start Smart with Big Data! Experimente zulassen: Hadoop, Sandboxes Silodenken IT & Fachbereich überwinden Von Anfang an die Umsetzung in Prozesse mitdenken (Factory!) Starten Sie mit bekannten Fragen und verschaffen Sie sich die nötigen Fertigkeiten! Zum Nachlesen: BARC-Studie zu Big Data Analytics Andreas Gödde Director Business Analytics SAS Deutschland a.goedde@ger.sas.com +49 6221 415-123 Twitter: @AndiGoedde

    ×