SlideShare ist ein Scribd-Unternehmen logo

Big Data Discovery + Analytics = Datengetriebene Innovation!

Vortrag von der DOAG 2015-Konferenz: Die Umsetzung von Datenprojekten muss man nicht zwangsläufig den sog. Data Scientists allein überlassen werden. Daten- und Tool-Komplexität im Umgang mit Big Data sind keine unüberwindbaren Hürden mehr für die Teams, die heute im Unternehmen bereits für Aufbau und Bewirtschaftung des Data Warehouses sowie dem Management bzw. der Weiterentwicklung der Business Intelligence-Plattform zuständig sind. In einem interdisziplinären Team bringen neben den technischen Rollen auch Fachanwender und Business Analysten von Anfang an ihr Domänenwissen in das Datenprojekt mit ein,

1 von 82
Downloaden Sie, um offline zu lesen
Copyright © 2015, Oracle and/or its affiliates. All rights reserved. |
Big Data Discovery + Analytics =
Datengetriebene Innovation!
DOAG Konferenz
Nürnberg, 17.-19. November 2015
Harald Erb
ORACLE Business Analytics, EMEA
Copyright © 2015, Oracle and/or its affiliates. All rights reserved. |
• Harald Erb
• Principal Sales Consultant
• Business Analytics Architecture
Domain Lead - DE/CH Cluster
• Kontakt
+49 (0)6103 397-403
• harald.erb@oracle.com
Referent
Copyright © 2015, Oracle and/or its affiliates. All rights reserved. |
Safe Harbor Statement
The following is intended to outline our general product direction. It is intended for
information purposes only, and may not be incorporated into any contract. It is not a
commitment to deliver any material, code, or functionality, and should not be relied upon
in making purchasing decisions. The development, release, and timing of any features or
functionality described for Oracle’s products remains at the sole discretion of Oracle.
Safe Harbor Statement
The following is intended to outline our general product direction. It is intended for
information purposes only, and may not be incorporated into any contract. It is not a
commitment to deliver any material, code, or functionality, and should not be relied upon
in making purchasing decisions. The development, release, and timing of any features or
functionality described for Oracle’s products remains at the sole discretion of Oracle.
3
Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 4
Digital Business – in Echtzeit und überall möglich
Lufthansa setzt z.B. im Flughafen Frankfurt
iBeacons ein, iPhone-Nutzer erhalten nun
ortsspezifische Hinweise (nächste Lounge,
Kundencenter, voraussichtliche Wartezeit bei
Sicherheitskontrollen)
Die Postkarte kann von überall nach überall
verschickt und je nach Handelspartner per
Kreditkarte, Lastschrift oder PayPal bezahlt
werden. Produziert und verschickt wird die
Postkarte von Deutschland aus. Digital
Disruption vom Strand / Pool?
Verkauf von Datenprodukten Vorsprung durch mehr Service Bessere Kundenbindung
Das Smartphone als neue Loyality-Karte:
Mobil bezahlen, Guthaben verwalten, Frei-
getränke als Bonus einlösen. Service: Store-
Finder, Öffnungszeiten, etc. Personalisierung:
Verknüpfen mit Facebook-/Twitter-Accounts,
Kaufempfehlungen sollen folgen
Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 5
Ein Beispiel: „Hijack Campaign“ – In den Läden der Wettbewerber Geschäfte anbahnen
Digital Disruption
Video: „HIJACK - MEAT PACK GUATEMALA“Cannes Lions Winner of Bronze & Silver (Mobile Category)
Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 6
Ein Beispiel: „Hijack Campaign“ – In den Läden der Wettbewerber Geschäfte anbahnen
Digital Disruption

Recomendados

BARC Studie Webinar: Ausgereifte Analysen mit Apache Hadoop
BARC Studie Webinar: Ausgereifte Analysen mit Apache HadoopBARC Studie Webinar: Ausgereifte Analysen mit Apache Hadoop
BARC Studie Webinar: Ausgereifte Analysen mit Apache HadoopCloudera, Inc.
 
Data Science im Fachbereich - Ergebnisse des BARC Advanced - & Predictive Ana...
Data Science im Fachbereich - Ergebnisse des BARC Advanced - & Predictive Ana...Data Science im Fachbereich - Ergebnisse des BARC Advanced - & Predictive Ana...
Data Science im Fachbereich - Ergebnisse des BARC Advanced - & Predictive Ana...Cloudera, Inc.
 
Data lake vs Data Warehouse: Hybrid Architectures
Data lake vs Data Warehouse: Hybrid ArchitecturesData lake vs Data Warehouse: Hybrid Architectures
Data lake vs Data Warehouse: Hybrid ArchitecturesComsysto Reply GmbH
 
Webinar - Sehr empfehlenswert: wie man aus Daten durch maschinelles Lernen We...
Webinar - Sehr empfehlenswert: wie man aus Daten durch maschinelles Lernen We...Webinar - Sehr empfehlenswert: wie man aus Daten durch maschinelles Lernen We...
Webinar - Sehr empfehlenswert: wie man aus Daten durch maschinelles Lernen We...Cloudera, Inc.
 
Endeca Web Acquisition Toolkit - Integration verteilter Web-Anwendungen und a...
Endeca Web Acquisition Toolkit - Integration verteilter Web-Anwendungen und a...Endeca Web Acquisition Toolkit - Integration verteilter Web-Anwendungen und a...
Endeca Web Acquisition Toolkit - Integration verteilter Web-Anwendungen und a...Harald Erb
 
RDBMS oder NoSQL – warum nicht beides?
RDBMS oder NoSQL – warum nicht beides?RDBMS oder NoSQL – warum nicht beides?
RDBMS oder NoSQL – warum nicht beides?Capgemini
 
DSGVO-Compliance schneller erreichen – mit Talend und Cloudera
DSGVO-Compliance schneller erreichen – mit Talend und ClouderaDSGVO-Compliance schneller erreichen – mit Talend und Cloudera
DSGVO-Compliance schneller erreichen – mit Talend und ClouderaCloudera, Inc.
 

Más contenido relacionado

Was ist angesagt?

Quarterly Technology Briefing - Big Data - Germany
Quarterly Technology Briefing - Big Data - GermanyQuarterly Technology Briefing - Big Data - Germany
Quarterly Technology Briefing - Big Data - GermanyThoughtworks
 
22. Jahrestagung: Die MainDays finden vom 23./24.11.21 in Berlin statt
22. Jahrestagung: Die MainDays finden vom 23./24.11.21 in Berlin statt22. Jahrestagung: Die MainDays finden vom 23./24.11.21 in Berlin statt
22. Jahrestagung: Die MainDays finden vom 23./24.11.21 in Berlin stattargvis GmbH
 
Data Warehouse (DWH) with MySQL
Data Warehouse (DWH) with MySQLData Warehouse (DWH) with MySQL
Data Warehouse (DWH) with MySQLFromDual GmbH
 
OpenDMA - Daten Management Solution
OpenDMA  - Daten Management SolutionOpenDMA  - Daten Management Solution
OpenDMA - Daten Management SolutionTorsten Glunde
 
Data Quadrant - Daten Management Methode
Data Quadrant - Daten Management MethodeData Quadrant - Daten Management Methode
Data Quadrant - Daten Management MethodeTorsten Glunde
 
Portfolio 2016 animated style
Portfolio 2016   animated stylePortfolio 2016   animated style
Portfolio 2016 animated styleSascha Oehl
 
Business intelligence überblicksvortrag
Business intelligence überblicksvortragBusiness intelligence überblicksvortrag
Business intelligence überblicksvortragFalk Neubert
 
Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...
Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...
Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...Spark Summit
 
Big Data Governance
Big Data GovernanceBig Data Governance
Big Data GovernanceCapgemini
 
Data Virtualization - Supernova
Data Virtualization - SupernovaData Virtualization - Supernova
Data Virtualization - SupernovaTorsten Glunde
 
Stammdatenmanagement
StammdatenmanagementStammdatenmanagement
Stammdatenmanagementpatriziapesce
 
Big Data - Die große Innovation?
Big Data - Die große Innovation?Big Data - Die große Innovation?
Big Data - Die große Innovation?BARC GmbH
 
Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...
Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...
Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...Business Intelligence Research
 
Data Fabric (German)
Data Fabric (German)Data Fabric (German)
Data Fabric (German)NetApp
 
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...OPITZ CONSULTING Deutschland
 

Was ist angesagt? (20)

Quarterly Technology Briefing - Big Data - Germany
Quarterly Technology Briefing - Big Data - GermanyQuarterly Technology Briefing - Big Data - Germany
Quarterly Technology Briefing - Big Data - Germany
 
22. Jahrestagung: Die MainDays finden vom 23./24.11.21 in Berlin statt
22. Jahrestagung: Die MainDays finden vom 23./24.11.21 in Berlin statt22. Jahrestagung: Die MainDays finden vom 23./24.11.21 in Berlin statt
22. Jahrestagung: Die MainDays finden vom 23./24.11.21 in Berlin statt
 
Data Warehouse (DWH) with MySQL
Data Warehouse (DWH) with MySQLData Warehouse (DWH) with MySQL
Data Warehouse (DWH) with MySQL
 
OpenDMA - Daten Management Solution
OpenDMA  - Daten Management SolutionOpenDMA  - Daten Management Solution
OpenDMA - Daten Management Solution
 
Data Quadrant - Daten Management Methode
Data Quadrant - Daten Management MethodeData Quadrant - Daten Management Methode
Data Quadrant - Daten Management Methode
 
Webinar big data für unternehmen
Webinar big data für unternehmenWebinar big data für unternehmen
Webinar big data für unternehmen
 
Big Data Analytics Forum 2015: Wie gelingt der Schnellstart in die neue Infor...
Big Data Analytics Forum 2015: Wie gelingt der Schnellstart in die neue Infor...Big Data Analytics Forum 2015: Wie gelingt der Schnellstart in die neue Infor...
Big Data Analytics Forum 2015: Wie gelingt der Schnellstart in die neue Infor...
 
BARC Studie: Predictive & Advanced Analytics - Schlüssel zur zukünftigen Wett...
BARC Studie: Predictive & Advanced Analytics - Schlüssel zur zukünftigen Wett...BARC Studie: Predictive & Advanced Analytics - Schlüssel zur zukünftigen Wett...
BARC Studie: Predictive & Advanced Analytics - Schlüssel zur zukünftigen Wett...
 
Analytics für Einsteiger
Analytics für EinsteigerAnalytics für Einsteiger
Analytics für Einsteiger
 
Portfolio 2016 animated style
Portfolio 2016   animated stylePortfolio 2016   animated style
Portfolio 2016 animated style
 
Business intelligence überblicksvortrag
Business intelligence überblicksvortragBusiness intelligence überblicksvortrag
Business intelligence überblicksvortrag
 
Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...
Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...
Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...
 
Big Data Governance
Big Data GovernanceBig Data Governance
Big Data Governance
 
Data Virtualization - Supernova
Data Virtualization - SupernovaData Virtualization - Supernova
Data Virtualization - Supernova
 
Stammdatenmanagement
StammdatenmanagementStammdatenmanagement
Stammdatenmanagement
 
Big Data - Die große Innovation?
Big Data - Die große Innovation?Big Data - Die große Innovation?
Big Data - Die große Innovation?
 
Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...
Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...
Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...
 
Data Fabric (German)
Data Fabric (German)Data Fabric (German)
Data Fabric (German)
 
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
 
Dlr v1.2
Dlr v1.2Dlr v1.2
Dlr v1.2
 

Destacado

Big Data Discovery
Big Data DiscoveryBig Data Discovery
Big Data DiscoveryHarald Erb
 
Case Study Lufthansa
Case Study LufthansaCase Study Lufthansa
Case Study Lufthansaamarchetto
 
Lufthansa Airlines
Lufthansa AirlinesLufthansa Airlines
Lufthansa Airlineschocorice
 
Leveraging Hadoop with OBIEE 11g and ODI 11g - UKOUG Tech'13
Leveraging Hadoop with OBIEE 11g and ODI 11g - UKOUG Tech'13Leveraging Hadoop with OBIEE 11g and ODI 11g - UKOUG Tech'13
Leveraging Hadoop with OBIEE 11g and ODI 11g - UKOUG Tech'13Mark Rittman
 
Lufthansa case study
Lufthansa case studyLufthansa case study
Lufthansa case studypinko0o
 
Using Data to Drive Interactions
Using Data to Drive InteractionsUsing Data to Drive Interactions
Using Data to Drive InteractionsNeil Sholay
 
Lufthansa strategy analysis
Lufthansa  strategy analysisLufthansa  strategy analysis
Lufthansa strategy analysisbruno nelzy
 
Neil Sholay - Data Driven Business - #OracleCloudDay London
Neil Sholay - Data Driven Business - #OracleCloudDay LondonNeil Sholay - Data Driven Business - #OracleCloudDay London
Neil Sholay - Data Driven Business - #OracleCloudDay LondonNeil Sholay
 
Hortonworks Oracle Big Data Integration
Hortonworks Oracle Big Data Integration Hortonworks Oracle Big Data Integration
Hortonworks Oracle Big Data Integration Hortonworks
 
Lufthansa Presentation
Lufthansa PresentationLufthansa Presentation
Lufthansa PresentationSusana Perez
 
Oracle big data appliance and solutions
Oracle big data appliance and solutionsOracle big data appliance and solutions
Oracle big data appliance and solutionssolarisyougood
 
Lufthansa Case Study
Lufthansa Case StudyLufthansa Case Study
Lufthansa Case StudyDonnych Diaz
 
End to-end hadoop development using OBIEE, ODI, Oracle Big Data SQL and Oracl...
End to-end hadoop development using OBIEE, ODI, Oracle Big Data SQL and Oracl...End to-end hadoop development using OBIEE, ODI, Oracle Big Data SQL and Oracl...
End to-end hadoop development using OBIEE, ODI, Oracle Big Data SQL and Oracl...Mark Rittman
 
Lufthansa Case Study Presentation MBA
Lufthansa Case Study Presentation MBALufthansa Case Study Presentation MBA
Lufthansa Case Study Presentation MBAAdonis Sardiñas
 

Destacado (16)

Big Data Discovery
Big Data DiscoveryBig Data Discovery
Big Data Discovery
 
Oracle's BigData solutions
Oracle's BigData solutionsOracle's BigData solutions
Oracle's BigData solutions
 
Case Study Lufthansa
Case Study LufthansaCase Study Lufthansa
Case Study Lufthansa
 
Lufthansa Airlines
Lufthansa AirlinesLufthansa Airlines
Lufthansa Airlines
 
Leveraging Hadoop with OBIEE 11g and ODI 11g - UKOUG Tech'13
Leveraging Hadoop with OBIEE 11g and ODI 11g - UKOUG Tech'13Leveraging Hadoop with OBIEE 11g and ODI 11g - UKOUG Tech'13
Leveraging Hadoop with OBIEE 11g and ODI 11g - UKOUG Tech'13
 
Anti icingt4
Anti icingt4Anti icingt4
Anti icingt4
 
Lufthansa case study
Lufthansa case studyLufthansa case study
Lufthansa case study
 
Using Data to Drive Interactions
Using Data to Drive InteractionsUsing Data to Drive Interactions
Using Data to Drive Interactions
 
Lufthansa strategy analysis
Lufthansa  strategy analysisLufthansa  strategy analysis
Lufthansa strategy analysis
 
Neil Sholay - Data Driven Business - #OracleCloudDay London
Neil Sholay - Data Driven Business - #OracleCloudDay LondonNeil Sholay - Data Driven Business - #OracleCloudDay London
Neil Sholay - Data Driven Business - #OracleCloudDay London
 
Hortonworks Oracle Big Data Integration
Hortonworks Oracle Big Data Integration Hortonworks Oracle Big Data Integration
Hortonworks Oracle Big Data Integration
 
Lufthansa Presentation
Lufthansa PresentationLufthansa Presentation
Lufthansa Presentation
 
Oracle big data appliance and solutions
Oracle big data appliance and solutionsOracle big data appliance and solutions
Oracle big data appliance and solutions
 
Lufthansa Case Study
Lufthansa Case StudyLufthansa Case Study
Lufthansa Case Study
 
End to-end hadoop development using OBIEE, ODI, Oracle Big Data SQL and Oracl...
End to-end hadoop development using OBIEE, ODI, Oracle Big Data SQL and Oracl...End to-end hadoop development using OBIEE, ODI, Oracle Big Data SQL and Oracl...
End to-end hadoop development using OBIEE, ODI, Oracle Big Data SQL and Oracl...
 
Lufthansa Case Study Presentation MBA
Lufthansa Case Study Presentation MBALufthansa Case Study Presentation MBA
Lufthansa Case Study Presentation MBA
 

Ähnlich wie Big Data Discovery + Analytics = Datengetriebene Innovation!

20181120_DOAG_OracleNoSQLDB_KPatenge
20181120_DOAG_OracleNoSQLDB_KPatenge20181120_DOAG_OracleNoSQLDB_KPatenge
20181120_DOAG_OracleNoSQLDB_KPatengeKarin Patenge
 
Roadshow 2018 - Camunda in der Praxis: So geht's
Roadshow 2018 - Camunda in der Praxis: So geht'sRoadshow 2018 - Camunda in der Praxis: So geht's
Roadshow 2018 - Camunda in der Praxis: So geht'scamunda services GmbH
 
Data Mesh: "Daten als Produkt" weitergedacht
Data Mesh: "Daten als Produkt" weitergedachtData Mesh: "Daten als Produkt" weitergedacht
Data Mesh: "Daten als Produkt" weitergedachtIBsolution GmbH
 
Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...
Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...
Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...Wiiisdom
 
Tableau Drive, Die neue Methode für Bereitstellungen in Unternehmen
Tableau Drive, Die neue Methode für Bereitstellungen in UnternehmenTableau Drive, Die neue Methode für Bereitstellungen in Unternehmen
Tableau Drive, Die neue Methode für Bereitstellungen in UnternehmenTableau Software
 
Analytics meets Big Data – R/Python auf der Hadoop/Spark-Plattform
Analytics meets Big Data – R/Python auf der Hadoop/Spark-PlattformAnalytics meets Big Data – R/Python auf der Hadoop/Spark-Plattform
Analytics meets Big Data – R/Python auf der Hadoop/Spark-PlattformRising Media Ltd.
 
DevOps + Continuous Delivery + Cloud: The Three Drivers of Enterprise Agility...
DevOps + Continuous Delivery + Cloud: The Three Drivers of Enterprise Agility...DevOps + Continuous Delivery + Cloud: The Three Drivers of Enterprise Agility...
DevOps + Continuous Delivery + Cloud: The Three Drivers of Enterprise Agility...Schlomo Schapiro
 
Splunk Webinar: Machine Learning mit Splunk
Splunk Webinar: Machine Learning mit SplunkSplunk Webinar: Machine Learning mit Splunk
Splunk Webinar: Machine Learning mit SplunkSplunk
 
YUNA - Data Science Plattform für Unternehmen
YUNA - Data Science Plattform für UnternehmenYUNA - Data Science Plattform für Unternehmen
YUNA - Data Science Plattform für Unternehmeneoda GmbH
 
Wjax Vortrag 2018: Von DevOps bis DesignThinking
Wjax Vortrag 2018: Von DevOps bis DesignThinkingWjax Vortrag 2018: Von DevOps bis DesignThinking
Wjax Vortrag 2018: Von DevOps bis DesignThinkingAnnegret Junker
 
Big Data Konnektivität
Big Data KonnektivitätBig Data Konnektivität
Big Data KonnektivitätTrivadis
 
Iodata, Qlik Solution Provider in Projektkooperation zum Thema Industrie 4.0
Iodata, Qlik Solution Provider in Projektkooperation zum Thema Industrie 4.0Iodata, Qlik Solution Provider in Projektkooperation zum Thema Industrie 4.0
Iodata, Qlik Solution Provider in Projektkooperation zum Thema Industrie 4.0Iodata GmbH
 
8 Tipps für eine Cloud Strategie – wie Unternehmen heute die Cloud einsetzen
8 Tipps für eine Cloud Strategie – wie Unternehmen heute die Cloud einsetzen8 Tipps für eine Cloud Strategie – wie Unternehmen heute die Cloud einsetzen
8 Tipps für eine Cloud Strategie – wie Unternehmen heute die Cloud einsetzenAWS Germany
 
Vorstellung SAP Services
Vorstellung SAP ServicesVorstellung SAP Services
Vorstellung SAP Servicescareerloft
 
SAP Cloud for Analytics Überblick
SAP Cloud for Analytics ÜberblickSAP Cloud for Analytics Überblick
SAP Cloud for Analytics ÜberblickMohamed Abdel Hadi
 
SnT DataCenter Services
SnT DataCenter ServicesSnT DataCenter Services
SnT DataCenter ServicesS&T AG
 
Applikationsmodernisierung: Der Weg von Legacy in die Cloud
Applikationsmodernisierung: Der Weg von Legacy in die CloudApplikationsmodernisierung: Der Weg von Legacy in die Cloud
Applikationsmodernisierung: Der Weg von Legacy in die CloudAarno Aukia
 
Machine Learning
Machine LearningMachine Learning
Machine LearningSplunk
 

Ähnlich wie Big Data Discovery + Analytics = Datengetriebene Innovation! (20)

20181120_DOAG_OracleNoSQLDB_KPatenge
20181120_DOAG_OracleNoSQLDB_KPatenge20181120_DOAG_OracleNoSQLDB_KPatenge
20181120_DOAG_OracleNoSQLDB_KPatenge
 
Roadshow 2018 - Camunda in der Praxis: So geht's
Roadshow 2018 - Camunda in der Praxis: So geht'sRoadshow 2018 - Camunda in der Praxis: So geht's
Roadshow 2018 - Camunda in der Praxis: So geht's
 
Data Mesh: "Daten als Produkt" weitergedacht
Data Mesh: "Daten als Produkt" weitergedachtData Mesh: "Daten als Produkt" weitergedacht
Data Mesh: "Daten als Produkt" weitergedacht
 
Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...
Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...
Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...
 
Tableau Drive, Die neue Methode für Bereitstellungen in Unternehmen
Tableau Drive, Die neue Methode für Bereitstellungen in UnternehmenTableau Drive, Die neue Methode für Bereitstellungen in Unternehmen
Tableau Drive, Die neue Methode für Bereitstellungen in Unternehmen
 
Analytics meets Big Data – R/Python auf der Hadoop/Spark-Plattform
Analytics meets Big Data – R/Python auf der Hadoop/Spark-PlattformAnalytics meets Big Data – R/Python auf der Hadoop/Spark-Plattform
Analytics meets Big Data – R/Python auf der Hadoop/Spark-Plattform
 
DevOps + Continuous Delivery + Cloud: The Three Drivers of Enterprise Agility...
DevOps + Continuous Delivery + Cloud: The Three Drivers of Enterprise Agility...DevOps + Continuous Delivery + Cloud: The Three Drivers of Enterprise Agility...
DevOps + Continuous Delivery + Cloud: The Three Drivers of Enterprise Agility...
 
Splunk Webinar: Machine Learning mit Splunk
Splunk Webinar: Machine Learning mit SplunkSplunk Webinar: Machine Learning mit Splunk
Splunk Webinar: Machine Learning mit Splunk
 
YUNA - Data Science Plattform für Unternehmen
YUNA - Data Science Plattform für UnternehmenYUNA - Data Science Plattform für Unternehmen
YUNA - Data Science Plattform für Unternehmen
 
Wjax Vortrag 2018: Von DevOps bis DesignThinking
Wjax Vortrag 2018: Von DevOps bis DesignThinkingWjax Vortrag 2018: Von DevOps bis DesignThinking
Wjax Vortrag 2018: Von DevOps bis DesignThinking
 
Big Data Konnektivität
Big Data KonnektivitätBig Data Konnektivität
Big Data Konnektivität
 
Iodata, Qlik Solution Provider in Projektkooperation zum Thema Industrie 4.0
Iodata, Qlik Solution Provider in Projektkooperation zum Thema Industrie 4.0Iodata, Qlik Solution Provider in Projektkooperation zum Thema Industrie 4.0
Iodata, Qlik Solution Provider in Projektkooperation zum Thema Industrie 4.0
 
8 Tipps für eine Cloud Strategie – wie Unternehmen heute die Cloud einsetzen
8 Tipps für eine Cloud Strategie – wie Unternehmen heute die Cloud einsetzen8 Tipps für eine Cloud Strategie – wie Unternehmen heute die Cloud einsetzen
8 Tipps für eine Cloud Strategie – wie Unternehmen heute die Cloud einsetzen
 
Nefos: Nefos Mobile iPad App
Nefos: Nefos Mobile iPad AppNefos: Nefos Mobile iPad App
Nefos: Nefos Mobile iPad App
 
Vorstellung SAP Services
Vorstellung SAP ServicesVorstellung SAP Services
Vorstellung SAP Services
 
SAP Cloud for Analytics Überblick
SAP Cloud for Analytics ÜberblickSAP Cloud for Analytics Überblick
SAP Cloud for Analytics Überblick
 
SnT DataCenter Services
SnT DataCenter ServicesSnT DataCenter Services
SnT DataCenter Services
 
ConSol Unternehmenspräsentation 2019
ConSol Unternehmenspräsentation 2019ConSol Unternehmenspräsentation 2019
ConSol Unternehmenspräsentation 2019
 
Applikationsmodernisierung: Der Weg von Legacy in die Cloud
Applikationsmodernisierung: Der Weg von Legacy in die CloudApplikationsmodernisierung: Der Weg von Legacy in die Cloud
Applikationsmodernisierung: Der Weg von Legacy in die Cloud
 
Machine Learning
Machine LearningMachine Learning
Machine Learning
 

Mehr von Harald Erb

Actionable Insights with AI - Snowflake for Data Science
Actionable Insights with AI - Snowflake for Data ScienceActionable Insights with AI - Snowflake for Data Science
Actionable Insights with AI - Snowflake for Data ScienceHarald Erb
 
Snowflake for Data Engineering
Snowflake for Data EngineeringSnowflake for Data Engineering
Snowflake for Data EngineeringHarald Erb
 
Dataiku & Snowflake Meetup Berlin 2020
Dataiku & Snowflake Meetup Berlin 2020Dataiku & Snowflake Meetup Berlin 2020
Dataiku & Snowflake Meetup Berlin 2020Harald Erb
 
Does it only have to be ML + AI?
Does it only have to be ML + AI?Does it only have to be ML + AI?
Does it only have to be ML + AI?Harald Erb
 
Delivering rapid-fire Analytics with Snowflake and Tableau
Delivering rapid-fire Analytics with Snowflake and TableauDelivering rapid-fire Analytics with Snowflake and Tableau
Delivering rapid-fire Analytics with Snowflake and TableauHarald Erb
 
Machine Learning - Eine Challenge für Architekten
Machine Learning - Eine Challenge für ArchitektenMachine Learning - Eine Challenge für Architekten
Machine Learning - Eine Challenge für ArchitektenHarald Erb
 
DOAG Big Data Days 2017 - Cloud Journey
DOAG Big Data Days 2017 - Cloud JourneyDOAG Big Data Days 2017 - Cloud Journey
DOAG Big Data Days 2017 - Cloud JourneyHarald Erb
 
Do you know what k-Means? Cluster-Analysen
Do you know what k-Means? Cluster-Analysen Do you know what k-Means? Cluster-Analysen
Do you know what k-Means? Cluster-Analysen Harald Erb
 
Exploratory Analysis in the Data Lab - Team-Sport or for Nerds only?
Exploratory Analysis in the Data Lab - Team-Sport or for Nerds only?Exploratory Analysis in the Data Lab - Team-Sport or for Nerds only?
Exploratory Analysis in the Data Lab - Team-Sport or for Nerds only?Harald Erb
 
DOAG News 2012 - Analytische Mehrwerte mit Big Data
DOAG News 2012 - Analytische Mehrwerte mit Big DataDOAG News 2012 - Analytische Mehrwerte mit Big Data
DOAG News 2012 - Analytische Mehrwerte mit Big DataHarald Erb
 
Oracle Unified Information Architeture + Analytics by Example
Oracle Unified Information Architeture + Analytics by ExampleOracle Unified Information Architeture + Analytics by Example
Oracle Unified Information Architeture + Analytics by ExampleHarald Erb
 

Mehr von Harald Erb (11)

Actionable Insights with AI - Snowflake for Data Science
Actionable Insights with AI - Snowflake for Data ScienceActionable Insights with AI - Snowflake for Data Science
Actionable Insights with AI - Snowflake for Data Science
 
Snowflake for Data Engineering
Snowflake for Data EngineeringSnowflake for Data Engineering
Snowflake for Data Engineering
 
Dataiku & Snowflake Meetup Berlin 2020
Dataiku & Snowflake Meetup Berlin 2020Dataiku & Snowflake Meetup Berlin 2020
Dataiku & Snowflake Meetup Berlin 2020
 
Does it only have to be ML + AI?
Does it only have to be ML + AI?Does it only have to be ML + AI?
Does it only have to be ML + AI?
 
Delivering rapid-fire Analytics with Snowflake and Tableau
Delivering rapid-fire Analytics with Snowflake and TableauDelivering rapid-fire Analytics with Snowflake and Tableau
Delivering rapid-fire Analytics with Snowflake and Tableau
 
Machine Learning - Eine Challenge für Architekten
Machine Learning - Eine Challenge für ArchitektenMachine Learning - Eine Challenge für Architekten
Machine Learning - Eine Challenge für Architekten
 
DOAG Big Data Days 2017 - Cloud Journey
DOAG Big Data Days 2017 - Cloud JourneyDOAG Big Data Days 2017 - Cloud Journey
DOAG Big Data Days 2017 - Cloud Journey
 
Do you know what k-Means? Cluster-Analysen
Do you know what k-Means? Cluster-Analysen Do you know what k-Means? Cluster-Analysen
Do you know what k-Means? Cluster-Analysen
 
Exploratory Analysis in the Data Lab - Team-Sport or for Nerds only?
Exploratory Analysis in the Data Lab - Team-Sport or for Nerds only?Exploratory Analysis in the Data Lab - Team-Sport or for Nerds only?
Exploratory Analysis in the Data Lab - Team-Sport or for Nerds only?
 
DOAG News 2012 - Analytische Mehrwerte mit Big Data
DOAG News 2012 - Analytische Mehrwerte mit Big DataDOAG News 2012 - Analytische Mehrwerte mit Big Data
DOAG News 2012 - Analytische Mehrwerte mit Big Data
 
Oracle Unified Information Architeture + Analytics by Example
Oracle Unified Information Architeture + Analytics by ExampleOracle Unified Information Architeture + Analytics by Example
Oracle Unified Information Architeture + Analytics by Example
 

Big Data Discovery + Analytics = Datengetriebene Innovation!

  • 1. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | Big Data Discovery + Analytics = Datengetriebene Innovation! DOAG Konferenz Nürnberg, 17.-19. November 2015 Harald Erb ORACLE Business Analytics, EMEA
  • 2. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | • Harald Erb • Principal Sales Consultant • Business Analytics Architecture Domain Lead - DE/CH Cluster • Kontakt +49 (0)6103 397-403 • harald.erb@oracle.com Referent
  • 3. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | Safe Harbor Statement The following is intended to outline our general product direction. It is intended for information purposes only, and may not be incorporated into any contract. It is not a commitment to deliver any material, code, or functionality, and should not be relied upon in making purchasing decisions. The development, release, and timing of any features or functionality described for Oracle’s products remains at the sole discretion of Oracle. Safe Harbor Statement The following is intended to outline our general product direction. It is intended for information purposes only, and may not be incorporated into any contract. It is not a commitment to deliver any material, code, or functionality, and should not be relied upon in making purchasing decisions. The development, release, and timing of any features or functionality described for Oracle’s products remains at the sole discretion of Oracle. 3
  • 4. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 4 Digital Business – in Echtzeit und überall möglich Lufthansa setzt z.B. im Flughafen Frankfurt iBeacons ein, iPhone-Nutzer erhalten nun ortsspezifische Hinweise (nächste Lounge, Kundencenter, voraussichtliche Wartezeit bei Sicherheitskontrollen) Die Postkarte kann von überall nach überall verschickt und je nach Handelspartner per Kreditkarte, Lastschrift oder PayPal bezahlt werden. Produziert und verschickt wird die Postkarte von Deutschland aus. Digital Disruption vom Strand / Pool? Verkauf von Datenprodukten Vorsprung durch mehr Service Bessere Kundenbindung Das Smartphone als neue Loyality-Karte: Mobil bezahlen, Guthaben verwalten, Frei- getränke als Bonus einlösen. Service: Store- Finder, Öffnungszeiten, etc. Personalisierung: Verknüpfen mit Facebook-/Twitter-Accounts, Kaufempfehlungen sollen folgen
  • 5. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 5 Ein Beispiel: „Hijack Campaign“ – In den Läden der Wettbewerber Geschäfte anbahnen Digital Disruption Video: „HIJACK - MEAT PACK GUATEMALA“Cannes Lions Winner of Bronze & Silver (Mobile Category)
  • 6. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 6 Ein Beispiel: „Hijack Campaign“ – In den Läden der Wettbewerber Geschäfte anbahnen Digital Disruption
  • 7. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 7 They ‘Reframe’ Challenges Looking at them from new perspectives and multiple angles They Sprint They work at pace - researching, testing and evaluating current ideas while generating new ones They Appreciate That Failure Can Be Good and are not afraid of new ideas They Convert Data Into Value They invest heavily in analyzing their own data and data from external sources to establish patterns and un-noticed opportunities Digital Business Leaders – auffällige Merkmale
  • 8. Konzept: Data Lab Die benötigten analytischen, technischen und fachlichen Skills sind nur schwer in einer Person zu vereinen. Als Alternative bietet sich ein Teamansatz an, der vor- handene fachliche und technische Expertise nutzt und neue Skills (Big Data Architektur, Data Science) entwickelt Beginnt mit dem Auftrag zu einer analytischen Aufgabe (neues Modell/Datenprodukt, Location-based Services, etc.). Datenbeschaffung, -untersuchung, Modellbildung, Prototyping, Validierung, Verwertung der Ergebnisse sind weitere Phasen in einem Data Analytics Zyklus Datenprojekt: Team & RollenProzess
  • 9. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 9 Data Analytics Lifecycle Data Understanding Data Preparation Model Planning Model Evaluation Communicate Results Operationalize & Monitor Ist die Aufgabenstellung präzise genug und liegen alle Informationen für den Entwurf eines analytischen Plans vor? Liegen die notwendigen Daten in ausreichender Qualität vor, damit mit dem Modellentwurf begonnen werden kann? Gibt es eine Vorstellung bzw. Idee welche Art von Modell ausprobiert/ verwendet werden kann? Läßt sich der analyt. Plan konkretisieren? Ist das gefundene Modell robust genug und sind die Ergebnisse überprüft? War das Datenexperiment ein Fehlschlag oder erfolgreich?       Business Goals
  • 10. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 10 Bereits bekannt aus dem täglichen Projektgeschäft Datenprojekt: Rollenverteilung / Team » Projektsponsor: Oft verantwortlich für die Entstehung des Projektes, gibt den Impuls und definiert die zu lösende Aufgabenstellung bzw. das zu bearbeitende Geschäftsproblem. Projektfinanzierung, Zielvorgaben, Priorisierung und Meßgrößen für die Ergebnisbewertung werden hier ebenfalls festgelegt. » Projektmanager: Stellt sicher, dass wichtige Meilensteine und Ziele während des Projektverlaufs zeitgerecht und in der erwarteten Qualität erreicht werden. Verhandelt und organisiert möglichst vor Projektbeginn die Bereitstellung zusätzlicher Ressourcen. » Business Intelligence Analyst: Unterstützt das Projekt einerseits mit Fachwissen zu den Geschäftsbereichen und tiefgehendes Verständnis zu Key Performance Indikatoren (KPI), den Inhalten der vorhandenen BI-Lösung und mit den zugrundeliegenden Datenquellen. Sofern in der Unternehmensorganisation etabliert, kann diese Rolle von einem Mitglied des BI Competence Centers (BICC) wahrgenommen werden – mit dem Vorteil, dass das BICC von Anfang an involviert ist und zu Projektende aktiv bei der Operationalisierung der Analyseergebnisse mitwirken kann. » Datenbank Administrator: Für die im Datenprojekt benötigte Analytics Sandbox provisioniert und konfiguriert der DBA gemäß Anforderung die für die Datenexperimente benötigte Datenbank. Zu den Verantwortlichkeiten gehören hier auch das Einräumen von Zugriffsrechten für wichtige Quellsysteme, Tabellen, Repositories unter Einhaltung vorgegebener Sicherheitsstufen.  
  • 11. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 11 Die neue Rollen bzw. Schlüsselrollen Datenprojekt: Rollenverteilung / Team » Fachexperte/Domainspezialist: Personen, die das Fachgebiet verstehen und üblicherweise auch von den Ergebnissen eines solchen Projektes profitieren. Sie beraten das Team hinsichtlich des Projektkontextes, welchen Mehrwert die angestrebten Ergebnisse liefern sollen und wie diese später im Erfolgsfall operationalisiert werden können. Häufig nehmen Fachverantwortliche, Business Analysten oder Line Manager solche Rollen ein. » Data Engineer: Verantwortet Planung und Design der Analytics Sandbox und von Big Data- Architekturen, setzt hoch-performante Hadoop-Anwendungen auf Java-Basis um. Ferner gehört die Datenextraktion aus bestehenden Systemen sowie die Datenaufnahme und –aufbereitung in der Analytics Sandbox zu den Aufgabenschwerpunkten. Als Lead-Developer entwickelt und berät diese Funktion auch das Projektmanagement in technischen Fragen. » Data Scientist: Bringt zur Lösung des gestellten Geschäftsproblems bzw. Aufgabenstellung für das Datenexperiment das Fachwissen zur Auswahl der passenden analytischen Techniken mit, leitet die Datenmodellierung sowie die Ausführung und Ergebnisüberprüfung der analytischen Methoden an.
  • 12. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 12 Oracle Information Management Referenzarchitektur – Konzeptansicht Arbeitsumgebung für Datenprojekte schaffen
  • 13. Konzept: Data Lab Werkzeuge unc Mittel zur interaktiven Datenanalyse von beliebigen Kombinationen strukturierter und unstrukturierter Datenquellen Enthält alle für das Daten-Projekt benötigten Kopien vorhandener Unternehmensdaten und extern beschafften Data Sets Anwendung geeigneter statistischer Verfahren , Optimierung der Parameter und Auswahl eines Modells, das die Aufgabenstellung am besten erfüllt Data DiscoveryAnalytical Sandbox Data Science
  • 14. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 14 Überblick Data Lab » Datenerkundung  Data Scientist sind im Lead » Domänen-/Fachwissen  ein kritischer Erfolgsfaktor » Große Daten- und Werkzeugvielfalt » Datenaufbereitung  eine erhebliche Herausforderung » Data Mashup & “ETL on the fly”  agile Analysen
  • 15. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 15 Eigenschaften und Rahmenbedingungen Analytical Sandbox » Bereitstellung aller vorhandenen Daten in unverarbeiteter Form für Datenexploration, Predictive Modeling, Data Mining, usw. » Workspace für störungsfreie Datenexperimente (unternehmenskrit. Systeme bleiben unberührt) » Art des Datenprojekts bestimmt Aufbau und Größe der Sandbox: ̶ Hadoop-Architektur und/oder Datenbank und/ oder viel Plattenplatz; In-Memory/Speziallösungen ̶ 5..10-fachen Platz pro original Data Set einplanen  Datenkopien oder neue Data Sets entstehen durch Anreicherung von Daten durch das Verschneiden mit zusätzlichen Datenquellen. ̶ Umgang mit semistrukturierten und unstruk- turierte Daten » Bestreben des Data Lab-Teams nach Exploration aller verfügbaren Daten steht im natürlichen Konflikt zu aufwendigen IT-Prozessen, die Datenqualität und Datenschutz sicherstellen » Herausforderungen: ̶ Angemessener Umgang mit sensiblen personenbezogenen Daten, z.B. durch Anonymisierung/Pseudonymisierung ̶ Sicherstellung der zweckgebundene Verwendung ̶ Ausreichender Zugriffsschutz und Auditing » Enterprise IT, Data Owner/Data Stewards müssen bei Datenbeschaffung, -bereitstellung und qualitätssicherung kooperieren, um moderne Analyseansätze zu ermöglichen
  • 16. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 16 Datenversorgung Analytical Sandbox Analysis Processing & Delivery Data Lab & Development Environment Data Science (Primary Toolset) Statistics Tools Data & Text Mining Tools Faceted Query Tools Programming & Scripting Data Modelling Tools Query & Search Tools Pre-Built Intelligence Assets Intelligence Analysis Tools Ad Hoc Query & Analysis Tools OLAP Tools Forecasting & Simulation Tools Reporting Tools Virtualisation& InformationServices Versorgung von Datenprojekten Data Quality & Profiling Graphical rendering tools Dashboards & Reports Scorecards Charts & Graphs Sandbox – Project 3 Sandbox – Project 2 Sandbox – Project 1 Data store Analytical Processing Versorgung der BI Plattform 1 2
  • 17. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 17 Hadoop-Technologie kann dabei helfen Big Data Herausforderungen zu meistern Analytical Sandbox vs. Hadoop “The Apache Hadoop software library is a framework that allows for the distributed processing of large data sets across clusters of computers using simple programming models. Hadoop is designed to scale up from single servers to thousands of machines, each offering local computation and storage. Rather than rely on hardware to deliver high-availability, the library itself is designed to detect and handle failures at the application layer, so delivering a highly-available service on top of a cluster of computers, each of which may be prone to failures.“
  • 18. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | » Vergleichsweise niedrige Kosten bei guter horizontaler Skalierbarkeit der Infrastruktur » Speicherung von mehr Daten, mehr Details und über längere Zeiträume möglich » Kostengünstige Möglichkeit, um große Datenmengen zu analysieren » Das "Schema-on-Read" Prinzip erlaubt die Anwendung innovativer Analysestrategien bei der Nutzung der neuen Datenvielfalt » Komplementär zu bestehenden Data Warehouse- Technologien 18 Vorteile von Hadoop im Analysekontext Analytical Sandbox vs. Hadoop
  • 19. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | Analytical Sandbox - Technologieauswahl Beispiel mit möglichen Anforderungen & Entscheidungskriterien 0 1 2 3 4 5 Tooling maturity Stringent Non-Functionals ACID transactional requirement Security Variety of data formats Data sparsity ETL simplicity Cost effectively store low value data Ingestion rate Straight Through Processing (STP) Hadoop Relational My Application
  • 20. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 20 Aktivitäten im Rahmen des Analyseprozesses Data Discovery Quelle: O’Reilly Article : ”Data Analysis: Just one component of the Data Science workflow” Data Discovery Modeling Analytical Apps Ingest & Clean Manage & Update Aquire Store & Expose Visual Analysis Wrangle Featurize Interactive Queries Train Update Model Evaluate Deploy Monitor Build Train Data Insights Models Enrichments Features Vectors Zeitaufwändig (50...80% von der Gesamtzeit)
  • 21. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 21 Mit Hadoop-Bordmitteln: HDFS und Hive Command Line Tools Data Discovery Unix / Linux – ähnliche Befehle für Dateioperationen im Hadoop Distributed File System (HDFS) SQL-Abfragen mit der Hive Command Line (Hive CLI)
  • 22. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 22 Mit Cloudera-Bordmitteln: Impala MPP*) SQL Engine und HUE **) Data Discovery **) Grafische Benutzeroberfläche HUE (Hadoop User Experience) von Cloudera: SQL Abfrage einer Hive-Tabelle mit Ergebnisdarstellung als Diagramm *) Impala erlaubt interaktive Ad-hoc-Abfragen mit SQL- Syntax. Anstelle von MapReduce wird eine massive Parallelverarbeitungs- (Massive Parallel Processing – MPP) Engine verwendet, die derjenigen in herkömmlichen relationalen (RDBMS) ähnelt. Bei dieser Architektur können die Daten in HDFS- oder HBase-Tabellen schneller als mit Hive abgefragt werden
  • 23. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 24 Oracle Big Data Discovery: “The Visual Face of Hadoop” Find Explore Transform Discover Share
  • 24. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | Oracle Big Data Discovery 25 Unterstützt den Team-Ansatz – anstatt von Data Scientists allein abhängig zu sein DWH / OLTP Databases Database Administrator (Enterprise IT) Hadoop ETL/ELT Specialist (Enterprise IT , member of Data Factory) Data Engineer Data Science Discovery Output Business Analyst New KPI, Report Requirement Data Scientist New Data Set (cleaned / enriched)
  • 25. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 26 Per Datei-Upload und Direktzugriff auf Datenbanken aus der Analytical Sandbox Oracle Big Data Discovery mit Daten versorgen
  • 26. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 27 Automatisiertes/manuelles Laden mit dem BDD Command Line Tool (EDP_CLI) Oracle Big Data Discovery mit Daten versorgen 19 20 ; ; ; Dateien liegen im Hadoop Distributed File System, passend dazu wird eine Hive Tabelle angelegt und mit Daten geladen (z.B. via HUE) Beispiel für einen manuellen Aufruf des Ladeprozesses mit dem Oracle Big Data Discovery Command Line Tool Ergebnis: Nach erfolgreichem Ladeprozess mit dem Oracle Big Data Discovery Command Line Tool ist das neue Data Set in der BDD Studio Anwendung verwendbar
  • 27. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 28 Data Sets aus der Analytical Sandbox – gut organisiert und leicht auffindbar Oracle Big Data Discovery
  • 28. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 29
  • 29. Copyright © 2014, Oracle and/or its affiliates. All rights reserved. | Find Explore Transform Discover Share Oracle Big Data Discovery by Example Teil 1
  • 30. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 31 Find
  • 31. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 32 Explore
  • 32. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 33 Explore
  • 33. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 34 Explore
  • 34. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 35 Explore
  • 35. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 36 Transform
  • 36. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 37 Transform
  • 37. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 38 Transform
  • 38. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 39 Transform
  • 39. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 40 Transform
  • 40. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 41 Transform
  • 41. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 42 Transform
  • 42. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 43 Wie Daten(-Samples) aus Hadoop verarbeitet werden Oracle Big Data Discovery – Blick hinter die Kulissen
  • 43. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 44 Oracle Big Data Discovery – Deployment (Variante #1) Diagram adopted from RittmannMead 2015 Commodity Hadoop Cluster
  • 44. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 45 Direkt installierbar auf der Oracle Big Data Appliance Oracle Big Data Discovery – Deployment (Variante #2) B Node 1 Node 2 Node 3 Node 4 Node 5 Node 6 … n Balancer CM Agent DataNode Failover Controller JournalNode NameNode NodeManager Puppet Puppet Master ZooKeeper CM Agent DataNode Failover Controller JournalNode MySQL Backup NameNode NodeManager Puppet ZooKeeper CM Server CM Agent DataNode JobHistory JournalNode MySQL Primary NodeManager Puppet ResourceManager ZooKeeper CM Agent DataNode Hive, Hue, Oozie, Solr NodeManager ODI Agent Puppet ResourceManager Weblogic Server Dgraph HDFS Agent CM Agent Puppet CM Agent DataNode NodeManager Puppet • One Dedicated Big Data Discovery Node: Runs BDD-specific processes only, no Hadoop services run on this node, provides storage for Dgraph • Ab Big Data Appliance Softwareversion 4.3 automatisch mit Mammoth installierbar
  • 45. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 46 Big Data Appliance » Exalytics Steckbrief (Modell X5-4) – 4 Intel Xeon© E7-8895 v3 Serie, 8- 72 CPU-Kerne – 2…3 TB RAM, 4,8TB PCI Flash – Zwei 40 GB/s infiniband ports und Ethernet port » Das Beste aus beiden Welten: – Exalytics beschleunigt explorative Analysen – Hadoop skaliert bei Datentransformationen und Datenanreicherungsprozessen » Skalierbar – Zusätzliche User und Daten können störungsfrei hinzugenommen werden » Einfache Bereitstellung – Big Data Discovery auf Exalytics = Analyse-Engine – Mit Oracle Big Data Appliance kombinierbar B Oracle Exalytics = Edge Server mit Infiniband-Anbindung an Oracle Big Data Appliance Oracle Big Data Discovery – Deployment (Variante #3)
  • 46. Copyright © 2014, Oracle and/or its affiliates. All rights reserved. | Find Explore Transform Discover Share Oracle Big Data Discovery by Example Teil 2
  • 47. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 48 Discover
  • 48. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 49 Discover
  • 49. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 50 Discover
  • 50. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 51 Discover
  • 51. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 52 Discover
  • 52. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 53 Share
  • 53. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 54 Share
  • 54. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 55 Share
  • 55. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | Data Lab: Data Discovery und Analytics im Zusammenspiel Oracle Advanced Analytics Oracle Big Data Discovery Statistische Modelle entwickeln/testen Keine unnötige Datenbewegung; die Algorithmen zu den Daten bringen Oracle R und Data Mining für massiv- parallele Berechnungen in Hadoop oder in der Oracle Datenbank Direkt abfragbar via SQL und mit Oracle BI Werkzeugen Unbekannte Datensets für Analytics & Datenprojekte auffinden Art und Qualität der Daten inspizieren Daten für weitere analytische Aufgaben transformieren und anreichern Zusammenhänge in den Daten erkennen Erkenntnisse mit Fachkollegen teilen Ergebnisse in das Tagesgeschäft übertragen Interpretieren & Evaluieren Selektion, Aufbereitung & Transformation
  • 56. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | Oracle R Enterprise (ORE) » Erlaubt verteilte Verarbeiung großer Datenmengen » Profitiert von DB Funktionen, z.B. Security & SQL-Zugriff » R Studio = GUI für Data Analysten 57 Oracle Data Mining (ODM) » Implementiert im Oracle Databank-Kernel » Direkter Zugriff via PL/SQL API & SQL-Operatoren » Oracle Data Miner GUI ist Bestandteil vom SQL Developer Data Science mit Oracle Advanced Analytics
  • 57. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 58
  • 58. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 59
  • 59. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | Schritte bis zum Analyseergebnis dokumentieren Ergebnispräsentation: Wahrscheinlichkeiten erklären/ Risiken klar benennen 60 Ergebnisse in nachvollziehbare Story „verpacken“ Data Lab: Resultate interpretieren und verständlich machen Result of 1000 simulations of a $100 million investment in a new factory: Estimation expects an annual return of 20% over a 10-year lifespan, but the risk to loose invested money is still 8% Big Data Discovery – Gallery feature documents all discovery steps taken to achieve new insights Example of individually created Infographics explaining key findings of new insights
  • 61. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | Auf dem Weg zum erkenntisorientierten Unternehmen 62 Perf. Mgmt. Knowledge Discovery Dynamic Dashboards & Ad hoc Reports Standardberichtswesen Intelligente Geschäftsprozesse Top-Entscheider / Executives Entscheidungen und Maßnahmen aufgrund von KPI’s, Scorecards, etc. Business Analysten: Analysen zur Untstützung des operativenTagesgeschäfts Berichtskonsumenten: Benötigen ggf. Detailinformationen bis hin zu Einzelvorgängen und Transaktionen Automatisierte Prozesse: Z.B. Echtzeitempfehlungen, Intelligente Steuerung von Einzeltransaktionen, etc. BI Competence Center Data Scientists / Analytics Team Informationsanalyse zur Erreichung strategischer Ziele Analytical Competence Center Neue Erkenntnis
  • 62. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 63 Erkenntnisse aus dem Data Lab operationalisieren
  • 63. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 64 Übernimmt das Management der Datenflüsse innerhalb und zwischen den Plattformen Data Factory » Verschiedene Deployment-Optionen: ̶ Organisationsweiten Lernprozess unterstützen ̶ Events, Kundeninteraktion “intelligent” automatisieren ̶ Risikoindikatoren, Alarmsystem, Scoring, Segmentbildung » Deployment-Option bestimmt Technolgieauswahl ̶ Self-Service BI, Visualisierung, operational BI in Applikation ̶ Recommendation Engine, Event Processing
  • 64. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 65 Versorgt neben dem Data Warehouse auch Data Reservoir und Analytical Sandboxes ODI 12c: Integrationswerkzeug für die Data Factory
  • 65. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | Von den Rohdaten bis zu aussagekräftigen Informationen 66 Signal Data Information Knowledge Wisdom Source Systems L0 - Ingestion L1 - Cleansed L2 - Normalised Accounts Parties Account Parties Party Addresses Party Contacts Party IDs Party Events Party Ratings Account Limits Party History Collaterals Account Collaterals Party Collaterals Account Balances Account Relations L3 – Presented Customer Dimension Account Dimension Currency Dimension Product Dimension Organization Dimension Calendar Dimension Account Daily Facts Account Transactions Transaction Types Channel Dimension CoA Dimension Company Dimension Longitudinal Customer view • Format checks • Completeness checks • Domains checks • Duplicates detection • Not null validations • Enrichment • Record level cleansing and business rules • Referential integrity • Context based business rules and quality checks • Aggregate level checks • Derived and enriched data • File validation • Row completeness Know nothing Know what Know how Know why
  • 66. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | Mehr Agilität durch Bereitstellung aller vorhandenen Daten 67 Data Reservoir Curated & Modelled DataData Lake Know nothing Know what Know how Know why Source Systems L0 - Ingestion L1 - Cleansed L2 - Normalised Accounts Parties Account Parties Party Addresses Party Contacts Party IDs Party Events Party Ratings Account Limits Party History Collaterals Account Collaterals Party Collaterals Account Balances Account Relations L3 – Presented Customer Dimension Account Dimension Currency Dimension Product Dimension Organization Dimension Calendar Dimension Account Daily Facts Account Transactions Transaction Types Channel Dimension CoA Dimension Company Dimension Longitudinal Customer view Signal Data Information Knowledge Wisdom
  • 67. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 68 Erkenntnisse aus dem Data Lab operationalisieren
  • 68. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 69 Zielgenaue Informationsbereitstellung Oracle Business Intelligence Foundation BI und Reporting
  • 69. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | Oracle Visual Analyzer 70 Intuitive und anspruchsvolle Analysen durchführen » Visuelle Datenerkundung über neuen Analyse-Client auf Basis der bewährten Oracle BI Plattform » Umfangreiche Diagrammauswahl mit automatischer Empfehlung geeigneter Ergebnisdarstellungen » Einfaches Verschneiden interner Unternehmens-/DWH-Daten mit eigenen Daten (MS Excel Datei) » Anspruchsvolle Analysen mit wenigen Klicks (R-Integration) » Auf Tablet-Geräten verwendbar Oracle BI 12c
  • 70. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 71 Erkenntnisse aus dem Data Lab operationalisieren
  • 71. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | Real-Time Data Engine: Logische Ansicht 72 Real-time Data Engine
  • 72. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | Real-Time Data Engine: Komponenten » Message mediation service » Privacy filter for event data. i.e. apply customer specified privacy and preference filters to the data stream » Transformation of the message data to outbound form » Apply declarative rules and models to the data stream to detect events for further downstream processing » Next Best Activity (NBA) event detection and processing. NBA typically also includes control group management and global optimisation of rules » Business Activity Monitoring » Local data store – local persistence of rules and metadata 73 Mediation Privacy Filter Data Transform Rules & Models Next Best Action BAM Real-Time Data Store
  • 73. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | Logische Ansicht*) Information Management – Big Picture Ingestion layer includes methods and processes to load data and manage Data Quality. Shape represents the relative cost of these processes. i.e. from none for HDFS to lots in APL. Raw Reservoir is typically at the lowest level of grain. Often lower than the enterprise cares about. Interpretation layer shows the relative cost of reading data depending on its location An immutable store that may be physically implemented in relational or non-relational technologies * ) Based on Oracle Information Management Reference Architecture
  • 74. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 75 Actionable Events: Intelligente Customer Experience iBeacons » Bluetooth Low Energy (BLE) » Optimized for small bursts of data. » Impressive battery Life » Ideal for sensors Requirements – Find purchase pattern from data of shopper’s purchase history – Leverage all the data, including real-time context from Beacon, CRM data, purchase history data, to improve the relevance of the offer – Leverage predictive models to alleviate the reliance on the rule based models – Being able to understand customer’s feedback on Beacon marketing Beispiel (1/2)
  • 75. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | Actionable Events: Intelligente Customer Experience Lösungsarchitektur Analysis and Offering Decision Engine Unstructured Text Analysis (VoC analysis) Rule Based Statistical Model-based Modeling Processing Real Time Offering Qualitative indices Text Mining Data Dictionary Text Analysis Collection Batch collection Real Time Collection Web Crawling Open API Storage and processing Utilization ETL TreatmentStore Hadoop File Reduce Map HDFS Datafile#1 HDFS Datafile#2 HDFS Datafile#n HDFS NoSQL DB Transaction (Key-Value) Stores Big Data Connectors Mobile Apps Unstructured Data Visualization Coupon Mileage ….. New information Keywords Visualization Search Vigan Visualization Dash Board Mobile Real Time Formal & Informal Integration Source system Other internal and external systems Beacon Time Phone Number Distance Beacon MAC Customer ….. Martial Status Customer Type Customer ID ….. Num of Children Occupation Gender Purchase Amount Product Customer ID ….. Quantity Date Smart App Web VOC SNS ODS DW Advanced Analytics on Purchase Pattern Beispiel (2/2)
  • 76. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | Actionable Events: Intelligente Customer Experience Lösungsarchitektur – mit Oracle Produktmapping Analysis and Offering Decision Engine Unstructured Text Analysis (VoC analysis) Rule Based Statistical Model-based Modeling Self-Learning Real Time Offering Qualitative indices Text Mining Data Dictionary Text Analysis Collection Batch collection Real Time Collection Web Crawling Open API Storage and processing Utilization ETL TreatmentStore Hadoop File Reduce Map HDFS Datafile#1 HDFS Datafile#2 HDFS Datafile#n HDFS NoSQL DB Transaction (Key-Value) Stores Big Data Connectors Mobile Apps Unstructured Data Visualization Coupon Mileage ….. New information Keywords Visualization Search Vigan Visualization Dash Board Mobile Real Time Formal & Informal Integration Source system Other internal and external systems Beacon Time Phone Number Distance Beacon MAC Customer ….. Martial Status Customer Type Customer ID ….. Num of Children Occupation Gender Purchase Amount Product Customer ID ….. Quantity Date Smart App Web VOC SNS ODS DW Advanced Analytics on Purchase Pattern Oracle Big Data Appliance Oracle Event Processing Endeca Information Discovery Oracle Advanced Analytics OracleDatabase Oracle Big Data Connectors Oracle Data Integrator Oracle Golden Gate Oracle Data Integrator Beispiel (2/2)
  • 77. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | Takeaway Message „Um als Unternehmen die Transformation hin zu einem daten- und erkenntisorientierten Unternehmen erfolgreich zu bewältigen, müssen Sie viel Althergebrachtes auf den Prüfstand stellen und Ihre BI-Strategie an die neuen Gegebenheiten anpassen. Am Anfang steht dabei ein Umdenken, eine Änderung von Kultur und Einstellungen. Nur dann können moderne Ansätze zu Business Intelligence und Big Data Analytics ihr volles Potenzial entfalten und Unternehmen von neuen Insights für ihr Geschäft wirklich gewinnbringend profitieren.“ *) 78 *) Aus dem Artikel „In 7 Schritten zu einer zukunftsfesten Business-Intelligence-Strategie“ von Rüdiger Eberlein, Capgemini   Oracle unterstützt als Technologiepartner mit abgestimmten und skalierbaren Hardware-/Softwarelösungen dabei, vorhandenes IT Know-how (SQL, ETL, etc.) auch bei der Umsetzung von neuen Konzepten einsetzen und für Big Data Analytics weiterentwickeln zu können.
  • 78. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | 79 Big Data mit dem Oracle Exa* Product Stack selbst erleben! Wie weiter? www.ise-informatik.de ISE Information Systems Engineering  Hauptsitz in Gräfenberg, NL in München und Nürnberg  IT-Services / Consulting für Großunternehmen und den Mittelstand  Schwerpunkte:  Oracle Core Technology  Database (RAC), Application Server (WebLogic)  Oracle Exadata / Big Data Appliance / Exalytics  eXtreme Performance  Oracle Data Warehousing, Business Intelligence und Analytics  Oracle Exadata Migrations  Performance Analysis & Optimization
  • 79. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | Wie weiter? Get Your Hands Dirty mit Oracle‘s Big Data Lite Developer VM www.oracle.com/technetwork/community/developer-vm Video Streaming Company Beispiel „Oracle MoviePlex“ Free
  • 80. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | » BI Community Event im Rahmen der DOAG K+A Di. 17.11.2015 ab 18:30, Landbierparadies Nürnberg Wodanstr. 15 » Unconference: OWB – Was Nun? Di. 17.11.2015 / 15 Uhr » Data Vault Forum Mi. 18.11.2015 / 15 Uhr Galileo Lounge, Ebene 3 » Data Integration Day 2015 Mi. 9.12.2015 / 10 Uhr, Sulzbach (Taunus) » DOAG BI Konferenz 8.-9.6.2016, Bonn, Kameha DOAG BI Community - Veranstaltungen 81   
  • 81. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Internal/Restricted/Highly Restricted 82
  • 82. Copyright © 2015, Oracle and/or its affiliates. All rights reserved. |