Vernetzte Produkte
und Big Data –
warum ist das wichtig?
Stefan Grasmann

© Zühlke 2013
These 1:
Big Data entstand durch das Social Web. Denn Milliarden
Menschen wurden zu „Sensoren“ und „Datenschleudern“.

Jet...
Mrd.

Weltbevölkerung & Connected Products

6.3

0.5

2003
Big Data - Produktdatenströme effizient leiten und auswerten | ...
These 2:
Die interessantesten Unternehmensdaten
liegen außerhalb Ihres Unternehmens.

© Zühlke 2013
Inside
Data

Firewall

Inside und Outside Data

Big Data - Produktdatenströme effizient leiten und auswerten | Stefan Gras...
These 3:

Die IT der „Connected Products“ hat ganz andere
(Daten-)Herausforderungen als die Corporate IT.
Corporate IT
• E...
Und was ist neu an
Big Data?
Dimensionen von Big Data

z.B. 365Petabyte Daten
z.B. > Mal mehr

Volume
Velocity
z.B. 1 Realtime-Auswertung
z.B. Mio. Nac...
Neue Herausforderungen an die IT
Methodik und Skills
Viele Leute wollen gleich über Daten sprechen…

Daten ≠ Information ≠...
“It’s no longer hard to find
the answer to a given
question; the hard part is
finding the right question.”
Kevin Weil (Ana...
Beispiele
19. November 2013

Folie 11

© Zühlke 2013
Immer mehr Produkte werden vernetzt
Die so gewonnen Daten sind die Basis für
die Geschäftsmodelle von morgen

•

Medizin

...
Beispiel 1: Feldtest
Datenanalyse in der Produktentwicklung

•

Medizin

•

Gebäude

•

Energie

•

Banken

•

Handel

•

...
Feldtest
Viessmann optimiert die
Vorentwicklung: Daten von
neuen Brennstoffzellen werden
täglich analysiert.
Manuelle Auswertung von Feldtestdaten

Anlagen im Feld
(Brennstoffzellen)
sammeln
Betriebsdaten

…








Ingenieur...
Szenario 1
50 Feldsysteme
100 Datenreihen / Ablesung
1 Ablesung / Stunde
40 Werte pro Reihe
4 bytes pro Wert

Szenario 2
5...
Herausforderungen

Volume: 12,6 TB pro Monat in der
angestrebten vollen Ausbaustufe.
Dies sind 24.000 mal mehr Daten als i...
Eine Cloud-basierte Lösung vereinfacht
die Auswertung der Feldtestdaten
Nutzen für die Entwicklung
•

Alle Daten im Überbl...
Beispiel 2: Service- und Flottenmanagement
Disposition für Investitionsgüter

•

Medizin

•

Gebäude

•

Energie

•

Banke...
Foto: Liebherr

Service- und Flottenmanagement
Liebherr stattet alle Baumaschinen
mit Telematikmodulen aus.
Ein Portal erl...
Welche Daten sind von Interesse?

PerformanceKenndaten

Kraftstoffverbrauch
Maschinenfehlerzustände

Betriebsstunden
Nutzu...
Nutzungsmuster im Service- und
Flottenmanagement
•

•

•

möchte Maschinendaten zur Optimierung
der Produkte nutzen

möcht...
Herausforderungen

Variety: Daten unterschiedlichster, auch zukünftiger Maschinen
müssen verwaltet und ausgewertet werden ...
Lösungsübersicht

Internet

External
Services

Active
Directory

LiDAT Portal

GIS

Provider
Services
Report
Services

Int...
Beispiel 3: Metering
Wirtschaftliche Zählererfassung

•

Medizin

•

Gebäude

•

Energie

•

Banken

•

Handel

•

Automot...
Metering
Der Kunde setzt auf
funkgestützte
Fernablesung, um Kosten
zu senken und neue
Services zu ermöglichen.
Herausforderungen

Velocity: Beschleunigung der Frequenz der
Datensammlung von jährlich auf täglich.
Volume: Drastische Ve...
Vom Verbrauchswert zur Rechnung

Kunden

Verbrauchszähler
Sensoren

Verträge
Funk

Datenterminals

GSM

Webserver

Backend...
Nutzenbeispiele im Überblick

Forschung &
Entwicklung

Marketing &
Vertrieb

Service &
Prozesse

Distribution &
Logistik

...
Nutzenbeispiele im Überblick

Forschung &
Entwicklung

Feldtest

Marketing &
Vertrieb

Service &
Prozesse

Distribution &
...
Nutzenbeispiele im Überblick

Forschung &
Entwicklung

Feldtest

Flottenmanagement

Marketing &
Vertrieb

Service &
Prozes...
Zusammenfassung
Big Data - Produktdatenströme effizient leiten und auswerten | Stefan Grasmann

© Zühlke 2013
Zusammenfassung
Datenströme senken Kosten und bieten neue Umsatzpotenziale.

Die Nutzung geht meist über den ursprünglich ...
Gerne stehe ich für Fragen zur Verfügung

Stefan Grasmann
Stefan Grasmann
Nächste SlideShare
Wird geladen in …5
×

Big Data und vernetzte Produkte

1.580 Aufrufe

Veröffentlicht am

Ergänzende Informationen auch im Blogbeitrag von Stefan Grasmann http://blog.zuehlke.com/connected-products-2013/.
Vernetzte Produkte und Big-Data-Technologien wie Cloud und NoSQL passen wunderbar zusammen. Der Vortrag verdeutlicht die Bedeutung des Themas Big Data für vernetzte Produkte, um die volle Wertschöpfung zu entfalten.
Drei konkrete Projektbeispiele illustrieren, dass die Vernetzung von Produkten meist aus verschiedenen Abteilungen getrieben wird, der tatsächliche Nutzen der Lösung findet hingegen viele Nutznießer, die bei der Projektplanung kaum auf der Agenda waren.

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

Keine Downloads
Aufrufe
Aufrufe insgesamt
1.580
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
3
Aktionen
Geteilt
0
Downloads
50
Kommentare
0
Gefällt mir
1
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie
  • Auch ohne Interesse an IT/Technologien!
  • „… und nah bei Ihrem Produkt und Ihren Kunden“ (Produkte haben heute viele Sensoren, vgl. Smartphones)Wer nutzt mein Produkt?Wie wird es genutzt?Wofür wird es genutzt?Wo wird es genutzt?Wann wird es genutzt?In welchem Kontext?
  • Beispiele:Markt: BörsendatenKunden: Wer ist mein Kunde? Was hat er für ein Profil? In welche Zielgruppe fällt er?Produktnutzung: In welchen Situationen befindet sich mein Kunde, wenn er das Produkt benutzt? Wie benutzt er das Produkt? Stellen Sie sich vor, sie sind Hersteller von Baumaschinen und haben einen Kunden, bei dem die Baumaschinen besonders oft defekte aufweisen. Es wäre hier doch von echtem Mehrwert zu wissen, wie der Kunde die Baumaschine benutzt. Lässt er den Motor ordentlich warmlaufen bevor es losgeht? Betreibt er die Maschinen immer nur unter Volllast?Social Media: Was denken Kunden über mein Produkt? Was ist das Image, dass die Gesellschaft von meinen Produkten und Services hat?
  • ….und dafür haben wir dieses Seminar organisiert.
  • Die Probleme, die mit Big Data gelöst wurden, sind „außergewöhnlich“ und für die meisten Unternehmen nicht in der gleichen Größenordnung.Manchmal stellen die Dimensionen isoliert eine Herausforderung dar:Volume = Ebay -> 50 Petabyte Daten pro Tag (http://knowwpcarey.com/article.cfm?cid=25&aid=1171) ,Manchmal ist es aber auch die Kombination unterschiedlicher Dimensionen, die besonders herausfordernd ist:Volume/Variety = 40 Milliarden Photos (http://www.economist.com/node/15557443)Volumen + Velocity + Variety = Hot-Topic/Trenderkennung bei Twitter mit Hilfe von Distributed Realtime ComputationEngines
  • Im zweite Schritt entsteht der Wert durch die Daten, die von den vernetzten Produkten gesammelt werden.Die F&E lässt sich optimieren, z.B. schneller time-to-marketund Produkte, die sich an den tatsächlichen Gebrauch orientieren. Durch vernetzte Produkte lässt sich erkennen, wie, wann, wo und in welchem Kontext ein Produkt genutzt wird und wie, wann und unter welchen Umständen Fehler auftreten. Diese können ggf. sogar durch ein Remote Update direkt korrigiert werden.Auch Marketing & Vertrieb lassen sich optimieren, z.B. bietet ein Hersteller von Gabelstaplern seinen Kunden ein nutzungsbasiertes Modell an. Der Hersteller hat durch «Big Data» so viel Erfahrung mit den Kosten pro Betriebsstunde, dass er den Einsatz von neuen und alten Gabelstaplern in seinem Sinne optimieren kann. Er nutzt sogar seine Informationen über die Preisschwankungen im Zweitmarkt, um bei hohen Preise gebrauchte zu verkaufen und seinem Kunden neue Fahrzeuge zu geben.Für Service & Prozesse ergeben sich ebenfalls vielfältige Verbesserungen: So kann durch Big Data Analyse der Einsatz von Service-Technikern optimiert werden. Z.B. wann ist bei einer Produktionsmaschine damit zu rechnen, das ein Bauteil ausfällt? Eine proaktive Wartung ist möglich, wenn durch schwache Signale (z.B. Temperaturveränderungen, Schwingen, Geräusche) rechtzeitig erkannt wird, das ein Bauteil bald kaputt geht. Dies ist dann besonders attraktiv, wenn durch einen Stillstand hohe Gewährleistungskosten für den Hersteller entstehen.In der Distribution & Logistik kann z.B. die Ersatzteilbestellung optimiert werden. z.B. verarbeitet TomTom GPS-Daten, um Staus in Echtzeit zu entdecken.
  • Immerhin bereits Vorteil gegenüber Feldtest ohne Datenströme:Beispiel MKN Küchengeräte: keine Connectivity, nur Benutzer-Feedback, Hinfahren zur Fehleranalyse5 Anlagen  1 Person Vollzeit50 Anlagen  10 Personen Vollzeit?
  • Warum 4 Ablesungen pro Minute?  Echtzeitmessung während der Feldtestingenieur an der Anlage ist.
  • Ausblick: Die Anlage soll auch Erfahrungen für den Aufbau eines Systems zur Verarbeitung der Datenströme aus den Produktivsystemen liefern.
  • Einsatz beispielsweise von Esper, Storm, Hadoop
  • Nutzen: Automatisierung, Kostensenkung: Aber schwierig zu erreichenFernausgelesene elektronische Zähler in Deutschland: 0.5% (BNetzA 2012)http://www.effiziente-energiesysteme.de/themen/smartmeter/marktentwicklungsmartmeter.htmlDaher: Suche nach neuen Einsatzgebieten der InfrastrukturBild Heizung: PN 711 ViessmannBild Briefe: Evaisaespe, CreativeCommons SA 3.0http://commons.wikimedia.org/wiki/File:Correspondencia.jpeg
  • Weitere Beispiele -Feldtest: Shampoo-Verwendung, Einnahme von Medikamenten- Flottenmanagement: Gabelstapler, Luftfracht-Container- Metering: Küchengeräte „Backstunden“
  • Beispiel Liebherr: Mobile Krane, die heben und fahren, verbesserte neue Produkte
  • Big Data und vernetzte Produkte

    1. 1. Vernetzte Produkte und Big Data – warum ist das wichtig? Stefan Grasmann © Zühlke 2013
    2. 2. These 1: Big Data entstand durch das Social Web. Denn Milliarden Menschen wurden zu „Sensoren“ und „Datenschleudern“. Jetzt folgen die Maschinen und Geräte… © Zühlke 2013
    3. 3. Mrd. Weltbevölkerung & Connected Products 6.3 0.5 2003 Big Data - Produktdatenströme effizient leiten und auswerten | Stefan Grasmann 6.8 12.5 7.2 2010 25 2015 (Prognose) 19. November 2013 Folie 3 © Zühlke 2013 Bild: facebook.com
    4. 4. These 2: Die interessantesten Unternehmensdaten liegen außerhalb Ihres Unternehmens. © Zühlke 2013
    5. 5. Inside Data Firewall Inside und Outside Data Big Data - Produktdatenströme effizient leiten und auswerten | Stefan Grasmann Outside Data Social Media 19. November 2013 Folie 5 © Zühlke 2013
    6. 6. These 3: Die IT der „Connected Products“ hat ganz andere (Daten-)Herausforderungen als die Corporate IT. Corporate IT • ERP, PPS, CRM • Arbeitsplatzrechner • Mitarbeiter als User • HW unter (physischer) Kontrolle i.d.R. „brown field“ häufig „green field“
    7. 7. Und was ist neu an Big Data?
    8. 8. Dimensionen von Big Data z.B. 365Petabyte Daten z.B. > Mal mehr Volume Velocity z.B. 1 Realtime-Auswertung z.B. Mio. Nachrichten/Sek. Variety z.B. unstrukturiert z.B. Open Data Wenn mindestens eine Dimensionen unzureichend mit „traditionellen“ Lösungsansätzen abgebildet werden kann, sprechen wir von „Big Data“. Big Data - Produktdatenströme effizient leiten und auswerten | Stefan Grasmann 19. November 2013 Folie 8 © Zühlke 2013
    9. 9. Neue Herausforderungen an die IT Methodik und Skills Viele Leute wollen gleich über Daten sprechen… Daten ≠ Information ≠ Erkenntnis! …und verlieren dabei die Geschäftsziele aus den Augen! Big Data - Produktdatenströme effizient leiten und auswerten | Stefan Grasmann 19. November 2013 Folie 9 © Zühlke 2013
    10. 10. “It’s no longer hard to find the answer to a given question; the hard part is finding the right question.” Kevin Weil (Analytics Lead at Twitter)
    11. 11. Beispiele 19. November 2013 Folie 11 © Zühlke 2013
    12. 12. Immer mehr Produkte werden vernetzt Die so gewonnen Daten sind die Basis für die Geschäftsmodelle von morgen • Medizin • Gebäude • Energie • Banken • Handel • Automotive • Versicherungen • … Distribution & Logistik Industrie Service & Prozesse • Marketing & Vertrieb Logistik F&E •
    13. 13. Beispiel 1: Feldtest Datenanalyse in der Produktentwicklung • Medizin • Gebäude • Energie • Banken • Handel • Automotive • Versicherungen • … Big Data - Produktdatenströme effizient leiten und auswerten | Stefan Grasmann 19. November 2013 Folie 13 Distribution & Logistik Industrie Service & Prozesse • Marketing & Vertrieb Logistik F&E • © Zühlke 2013
    14. 14. Feldtest Viessmann optimiert die Vorentwicklung: Daten von neuen Brennstoffzellen werden täglich analysiert.
    15. 15. Manuelle Auswertung von Feldtestdaten Anlagen im Feld (Brennstoffzellen) sammeln Betriebsdaten …       Ingenieure überwachen die Anlagen und werten die Daten für die Produktentwicklung aus. Betriebsstunden Gasverbrauch Wirkungsgrad Vorlauftemperatur Stromerzeugung … 1. Einloggen auf der Anlage 2. Daten übertragen 3. Übertragung in Excel 4. Filtern und aggregieren Big Data - Produktdatenströme effizient leiten und auswerten | Stefan Grasmann 19. November 2013 Folie 15 © Zühlke 2013
    16. 16. Szenario 1 50 Feldsysteme 100 Datenreihen / Ablesung 1 Ablesung / Stunde 40 Werte pro Reihe 4 bytes pro Wert Szenario 2 500 Feldsysteme 400 Datenreihen / Ablesung 4 Ablesungen / Minute 100 Werte pro Reihe 4 bytes pro Wert 550 MB / Monat 12,6 TB / Monat MB ? TB
    17. 17. Herausforderungen Volume: 12,6 TB pro Monat in der angestrebten vollen Ausbaustufe. Dies sind 24.000 mal mehr Daten als in der zum Einstieg geplanten Lösung. Weitere Herausforderungen • Flexibilität in der Auswertung – Einfache fertige Lösungen (z.B. Zeitreihen, Drill-down) – Möglichkeit für komplexe Abfragen • Sicherheit – Anonymisierung der Anlagen – Verschlüsselung und Authentisierung Big Data - Produktdatenströme effizient leiten und auswerten | Stefan Grasmann 19. November 2013 Folie 17 © Zühlke 2013
    18. 18. Eine Cloud-basierte Lösung vereinfacht die Auswertung der Feldtestdaten Nutzen für die Entwicklung • Alle Daten im Überblick • Schnelle und flexible Auswertung … Nutzen für das Unternehmen • • Die Infrastruktur wächst mit • Big Data - Produktdatenströme effizient leiten und auswerten | Stefan Grasmann Geringerer Personalbedarf Keine Fixkosten 19. November 2013 Folie 18 © Zühlke 2013
    19. 19. Beispiel 2: Service- und Flottenmanagement Disposition für Investitionsgüter • Medizin • Gebäude • Energie • Banken • Handel • Automotive • Versicherungen • … Big Data - Produktdatenströme effizient leiten und auswerten | Stefan Grasmann 19. November 2013 Folie 19 Distribution & Logistik Industrie Service & Prozesse • Marketing & Vertrieb Logistik F&E • © Zühlke 2013
    20. 20. Foto: Liebherr Service- und Flottenmanagement Liebherr stattet alle Baumaschinen mit Telematikmodulen aus. Ein Portal erlaubt den Zugriff für Service und Kunden.
    21. 21. Welche Daten sind von Interesse? PerformanceKenndaten Kraftstoffverbrauch Maschinenfehlerzustände Betriebsstunden Nutzungsprofile • Arbeitszustände • Produktivitätsdaten (Momente, Lasten, …) Auftragsdaten Diagnosedaten 21 Foto: Liebherr Positionsdaten LIDAT Geschäftsmodell Systemüberblick Big Data - Produktdatenströme effizient leiten und auswerten | Stefan Grasmann 19. November 2013 Folie 21 © Zühlke 2013
    22. 22. Nutzungsmuster im Service- und Flottenmanagement • • • möchte Maschinendaten zur Optimierung der Produkte nutzen möchte seine Aufgabe ohne Unterbrechungen durchführen möchte einen sicheren Arbeitsplatz Fahrer/ Bediener Möchte Ferndiagnose erstellen • möchte Einsatz vor Ort optimal vorbereiten •  möchte einen Diebstahl der Maschine verhindern möchte keine unnötigen Wartungen durchführen  möchte Wartungen im Voraus planen möchte Nutzungszeiten und Verfügbarkeit erfassen Foto: Liebherr • Vermieter möchte sicherstellen, dass die Maschine möglichst nie stillsteht  Besitzer Hersteller ServiceTechniker  © Zühlke 2013
    23. 23. Herausforderungen Variety: Daten unterschiedlichster, auch zukünftiger Maschinen müssen verwaltet und ausgewertet werden können. Hohe Anforderungen an flexible Datenmodelle. Weitere Herausforderungen Telematikmodul: Hardware-Auswahl, zuverlässige Software • Kommunikation: Auswahl Funkprovider, Kosteneffizienz • Outside Data: Integration von Maschinen anderer Hersteller Big Data - Produktdatenströme effizient leiten und auswerten | Stefan Grasmann 19. November 2013 Folie 23 Foto: Liebherr • © Zühlke 2013
    24. 24. Lösungsübersicht Internet External Services Active Directory LiDAT Portal GIS Provider Services Report Services Internet LiDAT Services Machine Services LTP Server Inbox LiDAT Data Warehouse Import Services Big Data - Produktdatenströme effizient leiten und auswerten | Stefan Grasmann LiDAT OLTP Principal LiDAT OLTP Mirror 19. November 2013 Folie 24 © Zühlke 2013
    25. 25. Beispiel 3: Metering Wirtschaftliche Zählererfassung • Medizin • Gebäude • Energie • Banken • Handel • Automotive • Versicherungen • … Big Data - Produktdatenströme effizient leiten und auswerten | Stefan Grasmann 19. November 2013 Folie 25 Distribution & Logistik Industrie Service & Prozesse • Marketing & Vertrieb Logistik F&E • © Zühlke 2013
    26. 26. Metering Der Kunde setzt auf funkgestützte Fernablesung, um Kosten zu senken und neue Services zu ermöglichen.
    27. 27. Herausforderungen Velocity: Beschleunigung der Frequenz der Datensammlung von jährlich auf täglich. Volume: Drastische Vervielfachung der anfallenden Datenmengen - 1 Zählerstand im Jahr vs. Viertelstundentakt (4*24*365 = 34.176) Weitere Herausforderungen • Wirtschaftlichkeit der Infrastruktur • Geräteentwicklung geschieht lange vor der Entwicklung der Use Cases im Backend • Integration in die Enterprise IT • Betrieb mit der gleichen Anzahl Mitarbeiter Big Data - Produktdatenströme effizient leiten und auswerten | Stefan Grasmann 19. November 2013 Folie 27 © Zühlke 2013
    28. 28. Vom Verbrauchswert zur Rechnung Kunden Verbrauchszähler Sensoren Verträge Funk Datenterminals GSM Webserver BackendSysteme Ablesewerte EAI / ETL Rules Engine „Walk by“ Ablesegeräte Außendienst Kundenportal Auswertungen Prozessmanagement Monitoring
    29. 29. Nutzenbeispiele im Überblick Forschung & Entwicklung Marketing & Vertrieb Service & Prozesse Distribution & Logistik Feldtest Flottenmanagement Metering Big Data - Produktdatenströme effizient leiten und auswerten | Stefan Grasmann 19. November 2013 Folie 29 © Zühlke 2013
    30. 30. Nutzenbeispiele im Überblick Forschung & Entwicklung Feldtest Marketing & Vertrieb Service & Prozesse Distribution & Logistik Weniger Aufwand Bessere Analyse Time-to-market Flottenmanagement Metering  Mehr Übersicht Weniger Fehlzeiten Nachverfolgbarkeit Kundenfreundlich Geringere Kosten Neue Services   Big Data - Produktdatenströme effizient leiten und auswerten | Stefan Grasmann 19. November 2013 Folie 30 © Zühlke 2013
    31. 31. Nutzenbeispiele im Überblick Forschung & Entwicklung Feldtest Flottenmanagement Marketing & Vertrieb Service & Prozesse Weniger Aufwand Bessere Analyse Time-to-market Verbesserte Produkte Metering Übersichtlichere Verwaltung der Testanlagen  Cross-Selling  Verbesserter Kundendienst  Gezieltere Kundenansprache  Big Data - Produktdatenströme effizient leiten und auswerten | Stefan Grasmann Distribution & Logistik 19. November 2013 Mehr Übersicht Weniger Fehlzeiten Nachverfolgbarkeit  Kundenfreundlich Geringere Kosten Neue Services    Folie 31 © Zühlke 2013
    32. 32. Zusammenfassung Big Data - Produktdatenströme effizient leiten und auswerten | Stefan Grasmann © Zühlke 2013
    33. 33. Zusammenfassung Datenströme senken Kosten und bieten neue Umsatzpotenziale. Die Nutzung geht meist über den ursprünglich geplanten Zweck hinaus: Der Appetit kommt beim Essen. Die Herausforderungen sind vielfältig. Gründe dafür sind Volume, Velocity und Variety, auch Vertraulichkeit, Verfügbarkeit und Veränderung. Big-Data-Technologien bieten neue Lösungswege.
    34. 34. Gerne stehe ich für Fragen zur Verfügung Stefan Grasmann Stefan Grasmann

    ×