© OPITZ CONSULTING GmbH 2015 Seite 1Big Data und Predictive Maintenance
Jochen Wilms, Innovation Manager BI
OPITZ CONSULTI...
© OPITZ CONSULTING GmbH 2015 Seite 2Big Data und Predictive Maintenance
© OPITZ CONSULTING GmbH 2015 Seite 3Big Data und Predictive Maintenance
© OPITZ CONSULTING GmbH 2015 Seite 4Big Data und Predictive Maintenance
 Die Instandhaltung umfasst
gemäß DIN 31051 alle
...
© OPITZ CONSULTING GmbH 2015 Seite 5Big Data und Predictive Maintenance
Predictive Maintenance: 4 Schritte
Datenerfassung
...
© OPITZ CONSULTING GmbH 2015 Seite 6Big Data und Predictive Maintenance
Eine Frage der Herangehensweise?
© OPITZ CONSULTING GmbH 2015 Seite 7Big Data und Predictive Maintenance
Perspektive aus BI Sicht
© OPITZ CONSULTING GmbH 2015 Seite 8Big Data und Predictive Maintenance
Perspektive aus SOA Sicht
Temperatur
Sensor
USB
JS...
© OPITZ CONSULTING GmbH 2015 Seite 9Big Data und Predictive Maintenance
Ganzheitliche Perspektive Sensordaten
(Historie)
L...
© OPITZ CONSULTING GmbH 2015 Seite 10Big Data und Predictive Maintenance
© OPITZ CONSULTING GmbH 2015 Seite 11Big Data und Predictive Maintenance
© OPITZ CONSULTING GmbH 2015 Seite 12Big Data und Predictive Maintenance
Agenda
1. Mit Big Data Fußballergebnisse tippen
2...
© OPITZ CONSULTING GmbH 2015 Seite 13Big Data und Predictive Maintenance
1 Mit Big Data Fußballergebnisse
tippen
© OPITZ CONSULTING GmbH 2015 Seite 14Big Data und Predictive Maintenance
TDWI Konferenz
2014, München
© OPITZ CONSULTING GmbH 2015 Seite 15Big Data und Predictive Maintenance
2 Analogien zu den NSA
Technologien
© OPITZ CONSULTING GmbH 2015 Seite 16Big Data und Predictive Maintenance
Bekannte Programme im NSA-Skandal
• Data Mining a...
© OPITZ CONSULTING GmbH 2015 Seite 17Big Data und Predictive Maintenance
Wie OPITZ CONSULTING die WM
vorhergesagt hat…
htt...
© OPITZ CONSULTING GmbH 2015 Seite 18Big Data und Predictive Maintenance
Was steckt hinter Tweety?
Darstellung der Grobarc...
© OPITZ CONSULTING GmbH 2015 Seite 19Big Data und Predictive Maintenance
Was steckt hinter Tweety?
Darstellung der Grobarc...
© OPITZ CONSULTING GmbH 2015 Seite 20Big Data und Predictive Maintenance
Was steckt hinter Tweety?
Prozess der Echtzeitdat...
© OPITZ CONSULTING GmbH 2015 Seite 21Big Data und Predictive Maintenance
Was steckt hinter Tweety?
Darstellung der Infrast...
© OPITZ CONSULTING GmbH 2015 Seite 22Big Data und Predictive Maintenance
Wie die NSA dies noch besser gemacht hätte
Heimat...
© OPITZ CONSULTING GmbH 2015 Seite 23Big Data und Predictive Maintenance
„Das ist eine nette Idee (…)
Es wird auch dabei
h...
© OPITZ CONSULTING GmbH 2015 Seite 24Big Data und Predictive Maintenance
Einige Erkenntnisse aus der Twitter-Analyse
0,0
0...
© OPITZ CONSULTING GmbH 2015 Seite 25Big Data und Predictive Maintenance
Einige Erkenntnisse aus der Twitter-Analyse
-1,0
...
© OPITZ CONSULTING GmbH 2015 Seite 26Big Data und Predictive Maintenance
4 „Start Small, Think Big“ – keine
Angst vorm ers...
© OPITZ CONSULTING GmbH 2015 Seite 27Big Data und Predictive Maintenance
Start small… … think big
Big Data: nachhaltig Wet...
© OPITZ CONSULTING GmbH 2015 Seite 28Big Data und Predictive Maintenance
10 Golden Rules – Best Practice für den Einstieg
...
© OPITZ CONSULTING GmbH 2015 Seite 29Big Data und Predictive Maintenance
Jochen Wilms,
Business Development & Innovation
O...
Nächste SlideShare
Wird geladen in …5
×

Big Data und Predictive Maintenance

2.325 Aufrufe

Veröffentlicht am

http://www.opitz-consulting.com/go/3-2-1401

Beim Oracle Special Day im Rahmen der TDWI Konferenz 2015 stellte unser Experte Jochen Wilms unterschiedliche Sichtweisen, Anwendungsfälle und Umsetzungsmöglichkeiten für die Vorhersage bestimmter Ereignisse auf der Grundlage von Big Data vor und zeigte auch noch mal die Technologie hinter unserer Twitter-Analyse zur Vorhersage von Fußballergebnissen bei der WM.

--
Über uns:
Als führender Projektspezialist für ganzheitliche IT-Lösungen tragen wir zur Wertsteigerung der Organisationen unserer Kunden bei und bringen IT und Business in Einklang. Mit OPITZ CONSULTING als zuverlässigem Partner können sich unsere Kunden auf ihr Kerngeschäft konzentrieren und ihre Wettbewerbsvorteile nachhaltig absichern und ausbauen.

Über unsere IT-Beratung: http://www.opitz-consulting.com/go/3-8-10
Unser Leistungsangebot: http://www.opitz-consulting.com/go/3-8-874
Karriere bei OPITZ CONSULTING: http://www.opitz-consulting.com/go/3-8-5

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

Keine Downloads
Aufrufe
Aufrufe insgesamt
2.325
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
66
Aktionen
Geteilt
0
Downloads
0
Kommentare
0
Gefällt mir
1
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Big Data und Predictive Maintenance

  1. 1. © OPITZ CONSULTING GmbH 2015 Seite 1Big Data und Predictive Maintenance Jochen Wilms, Innovation Manager BI OPITZ CONSULTING Deutschland GmbH Oracle Special Day @ TDWI München, 23. Juni 2015 Big Data und Predictive Maintenance
  2. 2. © OPITZ CONSULTING GmbH 2015 Seite 2Big Data und Predictive Maintenance
  3. 3. © OPITZ CONSULTING GmbH 2015 Seite 3Big Data und Predictive Maintenance
  4. 4. © OPITZ CONSULTING GmbH 2015 Seite 4Big Data und Predictive Maintenance  Die Instandhaltung umfasst gemäß DIN 31051 alle „Maßnahmen zur Bewahrung und Wiederherstellung des Soll- Zustandes sowie zur Feststellung und Beurteilung des Ist- Zustandes von technischen Mitteln eines Systems“. Alles gleich wichtig? Vorraus- schauende Wartung Präventive Wartung Korrektive Wartung Vorraus- schauende Wartung Auswirkungniedrig hoch Eintrittswahrscheinlichkeitniedrighoch
  5. 5. © OPITZ CONSULTING GmbH 2015 Seite 5Big Data und Predictive Maintenance Predictive Maintenance: 4 Schritte Datenerfassung Zentrale Speicherung Analyse und Auswertung Planung der Wartungs- schritte
  6. 6. © OPITZ CONSULTING GmbH 2015 Seite 6Big Data und Predictive Maintenance Eine Frage der Herangehensweise?
  7. 7. © OPITZ CONSULTING GmbH 2015 Seite 7Big Data und Predictive Maintenance Perspektive aus BI Sicht
  8. 8. © OPITZ CONSULTING GmbH 2015 Seite 8Big Data und Predictive Maintenance Perspektive aus SOA Sicht Temperatur Sensor USB JSON over HTTP Raspberry Pi JMS service Server Oracle Data Mining
  9. 9. © OPITZ CONSULTING GmbH 2015 Seite 9Big Data und Predictive Maintenance Ganzheitliche Perspektive Sensordaten (Historie) Lern-Algorithmus Erlernte Muster Wartung einleiten Störung Keine Störung No action Fall 1 Fall 2 Fall 3 Neue Sensordaten Zuordnung Klassifizierung Störungstyp Classifier (Data Mining) „Wie erkenne ich eine Störung?“ „Was sind die häufigsten Typen ?“ Streaming-Architektur: Wie bekomme ich die Sensordaten sofort in die DB und ?“ Echtzeit-Abgleich: „Ist es eine Störung, und wenn ja, welcher Art?“ Zuordnung zu Wartungsgruppen „Wie sieht die Wartung pro Störungstyp aus ?“ (Benachrichtigung, autom. Bestellung usw.)
  10. 10. © OPITZ CONSULTING GmbH 2015 Seite 10Big Data und Predictive Maintenance
  11. 11. © OPITZ CONSULTING GmbH 2015 Seite 11Big Data und Predictive Maintenance
  12. 12. © OPITZ CONSULTING GmbH 2015 Seite 12Big Data und Predictive Maintenance Agenda 1. Mit Big Data Fußballergebnisse tippen 2. Analogien zu den NSA Technologien 3. „Start Small, Think Big“ – keine Angst vorm ersten Mal
  13. 13. © OPITZ CONSULTING GmbH 2015 Seite 13Big Data und Predictive Maintenance 1 Mit Big Data Fußballergebnisse tippen
  14. 14. © OPITZ CONSULTING GmbH 2015 Seite 14Big Data und Predictive Maintenance TDWI Konferenz 2014, München
  15. 15. © OPITZ CONSULTING GmbH 2015 Seite 15Big Data und Predictive Maintenance 2 Analogien zu den NSA Technologien
  16. 16. © OPITZ CONSULTING GmbH 2015 Seite 16Big Data und Predictive Maintenance Bekannte Programme im NSA-Skandal • Data Mining auf Metadaten -> Netzwerke • Big Volume (97 Mrd. Datensätze pro Monat) • HDFS, MapReduce, Apache Accumulo Boundless Informant • Kann verschlüsselte Daten (VPN) lesen • Zumeist über in der Software befindliche Hintertüren (Backdoor)Bullrun • Erstellung umfassender Bewegungs- und Beziehungsprofile (DNI, DNR) inkl. Vorhersagen • Netezza-based architecture/Hectic Snare´, Hadoop/MapReduceCO-TRAVELER Analytics • Auswertung von SMS (z.B. auch mTAN, Roaming, verpasste Anrufe, GPS)Dishfire • Überwachung einzelner Zielpersonen in Echtzeit • Basis: amerikanische IT-UnternehmenPRISM • Überwachung britischer Glafaserkabel (z.B. TAT14)Tempora • Stichwortliste über einzelne ZielpersonenXKeyScore • Sammeln und Überwachen von sozialen Netzwerken in Echtzeit zur Vorhersage • Technologie: SplunkSqueaky Dolphin • FAIRVIEW, Genie, Mail Isolation Control and Tracking, QuantumtheoryWeitere
  17. 17. © OPITZ CONSULTING GmbH 2015 Seite 17Big Data und Predictive Maintenance Wie OPITZ CONSULTING die WM vorhergesagt hat… http://twitterwmtipp.opitz-consulting.com
  18. 18. © OPITZ CONSULTING GmbH 2015 Seite 18Big Data und Predictive Maintenance Was steckt hinter Tweety? Darstellung der Grobarchitektur
  19. 19. © OPITZ CONSULTING GmbH 2015 Seite 19Big Data und Predictive Maintenance Was steckt hinter Tweety? Darstellung der Grobarchitektur
  20. 20. © OPITZ CONSULTING GmbH 2015 Seite 20Big Data und Predictive Maintenance Was steckt hinter Tweety? Prozess der Echtzeitdatenverarbeitung
  21. 21. © OPITZ CONSULTING GmbH 2015 Seite 21Big Data und Predictive Maintenance Was steckt hinter Tweety? Darstellung der Infrastruktur
  22. 22. © OPITZ CONSULTING GmbH 2015 Seite 22Big Data und Predictive Maintenance Wie die NSA dies noch besser gemacht hätte Heimatland gefiltert Herausforderung: Profil/GPS-Position der Twitter-User ist zumeist nicht öffentlich NSA könnte mit Bullrun die Verschlüsselung brechen bzw. im Nachhinein mit PRISM das Profil einsehen Autoren gewichtet Herausforderung: Tipp- Tweets von Kennern sind wertvoller Durch Social Graph Analyse und PRISM die Autoren auf Nähe zu den Nationalmannschaften überprüft Selbst lernende Tipp- Berechnung Herausforderung: wir haben nur eine Berechnung des Tipps genutzt Durch KI bestimmen welche Tipp- Berechnung wahrscheinlich am Erfolgreichsten ist Prädiktion Herausforderung: anstatt Schwarmintelligenz historienbasierte Predictive Analytics anwenden Mit den Algorithmen hinter CO-TRAVELER Analytics Vorhersagen getroffen
  23. 23. © OPITZ CONSULTING GmbH 2015 Seite 23Big Data und Predictive Maintenance „Das ist eine nette Idee (…) Es wird auch dabei herauskommen, dass beide gleich gut tippen. Am Ende nähert es sich ja an, je mehr Leute man befragt.“ Janning Vygen, Geschäftsführer Kicktipp GmbH auf die Frage ob man die Twitter-Auswertung nicht mit den kicktipp.de Daten vergleichen könne.  Die Mathematik zerlegt die Wahrscheinlichkeit von Sieg, Niederlage und Unentschieden in 1/3, 1/3 und 1/3.  Wettanbieter haben Rechenmodelle, die >70% richtig liegen  OC-Tipp-Monitor lag bei 61%. Qualität der Schwarmintelligenz
  24. 24. © OPITZ CONSULTING GmbH 2015 Seite 24Big Data und Predictive Maintenance Einige Erkenntnisse aus der Twitter-Analyse 0,0 0,5 1,0 1,5 2,0 2,5 alg arg aus bel bih bra chi civ cmr col crc cro ecu eng esp fra ger gha gre hon irn ita jpn kor mex ned nga por rus sui uru usa Wie viele Tore schießt welche Mannschaft? So haben die Deutschen Twitter-User getippt:
  25. 25. © OPITZ CONSULTING GmbH 2015 Seite 25Big Data und Predictive Maintenance Einige Erkenntnisse aus der Twitter-Analyse -1,0 -0,5 0,0 0,5 1,0 1,5 alg arg aus bel bih bra chi civ cmr col crc cro ecu eng esp fra ger gha gre hon irn ita jpn kor mex ned nga por rus sui uru usa Mittlere Tordifferenz: Ergebnis vs. Tipp Überschätzungen Unterschätzungen
  26. 26. © OPITZ CONSULTING GmbH 2015 Seite 26Big Data und Predictive Maintenance 4 „Start Small, Think Big“ – keine Angst vorm ersten Mal
  27. 27. © OPITZ CONSULTING GmbH 2015 Seite 27Big Data und Predictive Maintenance Start small… … think big Big Data: nachhaltig Wettbewerbsvorteile nutzen  Fachbereich und IT gemeinsam  Einzelner Anwendungsfall  Erste Erfahrungen  Datenschutz/-sicherheit  Dauerhafte Berücksichtigung in der IT Architektur  Weitere Anwendungsfälle  Komplette neue Geschäftsprozesse/- modelle Big Data ist ein Megatrend, der auf der kostengünstigen Möglichkeit, viele Prozess- und Kundendaten zu speichern, basiert. Es ist aber einer der nachhaltiges IT-Trends, der massiv die Zukunft der Unternehmen mitbestimmen wird.
  28. 28. © OPITZ CONSULTING GmbH 2015 Seite 28Big Data und Predictive Maintenance 10 Golden Rules – Best Practice für den Einstieg 1 Start small, think big! 2 Beginne mit einem kleinen, aber deutlich sichtbaren Use Case 3 Suche deinen ersten Use Case zunächst beim Vertrieb oder Produktion 4 Prüfe, ob die Herausforderung nicht mit Deiner bestehenden IT lösbar ist. 5 Keine komplizierten Anforderungen, die Technik ist komplex genug. 6 Keine Spielereien – die Hälfte der Big Data Technologien brauchst du nicht. 7 Frag den Fachbereich, welche Lösung er sich bisher bei der IT nicht getraut hat, anzufragen. 8 Berücksichtige die Sicherheits- thematik und binde den Datenschutzbeauftragten ein! 9 Big Data ≠ Big Company 10 Lerne durch die ersten Projekte
  29. 29. © OPITZ CONSULTING GmbH 2015 Seite 29Big Data und Predictive Maintenance Jochen Wilms, Business Development & Innovation OPITZ CONSULTING Deutschland GmbH Phone +49 2261 6001-1734 Mobile +49 173 7279026 jochen.wilms@opitz-consulting.com „Bei einem Fußballspiel verkompliziert sich allerdings alles durch die Anwesenheit der gegnerischen Mannschaft.“ Jean-Paul Sartre

×