Overview Presentation at InES Symposium 2013 http://www.institute-for-enterprise-systems.de/ines-symposium-2013.html

1. Data-Driven Systems: State-of-the-Art in Wissenschaft
und Praxis
Prof. Dr. Heiner Stuckenschmidt und Prof. Dr. Alexander Mädche
InES Symposium, Mannheim, 31. Oktober 2013

2. Agenda
Agenda
1
Einführung
2
Technologien zur Extraktion, Integration und Analyse von Daten
3
Intelligente Geschäftsprozesse
4
Zusammenfassung
2

3. Viele neue technologische Potenziale im Datenumfeld
Big Data
Data Governance
Data Quality
Linked Open Data
Data Warehouse
Data Integration
Data Acquisition
3
Data Mining
Master Data
Management
Semantic Data
Data Mart
Metadata
Data
Management
Data Integrity

4. … und Managementkonzepte im Unternehmenskontext
4

5. Was ist ein „Data-Driven System“?
•
•
Informationssysteme sind soziotechnische Systeme, welche aus
den Elementen IT, Mensch und
Organisation bzw. Gesellschaft
bestehen.
Gesellschaft
Organisation
Mensch
Informationstechnologie
Durch die fortschreitende
Digitalisierung werden heute mehr
Daten denn je erzeugt und stehen
zur weiteren Verarbeitung zur
Verfügung.
Daten
In datengetriebenen Informationssystemen sind Daten „First-Class
Citizen“, sie werden als strategisches und wertschöpfendes Gut betrachtet.
5

6. Agenda
Agenda
1
Einführung
2
Technologien zur Extraktion, Integration und Analyse von Daten
3
Intelligente Geschäftsprozesse
4
Zusammenfassung
6

7. Daten, Informationen, Wissen
Wissen
Interpretation
Wir haben ein Problem
In der Lagerhaltung!
Informationen
Kontext
Daten
Das Produkt ist zu
warm geworden!
Gemessener Wert: 7 C
7

8. Lebenszyklus zur Transformation von Daten in Wissen
Analyse
Extraktion
Unterstützende
Infrastrukturen
Integration

9. Extraktion

ETL (Extract-Transform-Load) Prozess bei strukturierten Daten

Informationsextraktions-Prozess bei unstrukturierten Daten
9

10. Informationsextraktion aus unstrukturierten Daten
10

11. Anwendungsbeispiel: Lead Generation
Identifikation potentieller Kunden
über deren Web-Auftritt:
•
Schlagworte
•
Webseiten tatsächlicher
Kunden
Validierung benötigt Daten aus der
Webseite:
• Größe des Unternehmens
• Produkte, Dienstleistungen,…
Beispiel: wäre diese Klinik ein
Kunde für ein MRT?
11

12. Anwendungsbeispiel: Lead Generation
Identifikation von Ansprechpartnern
Extraktion von Kontaktinformationen:
•
Name, Vorname, Titel
•
Email, Telefon
•
Position, Kompetenzen
Beispiel:
Wer ist Ansprechpartner für
Netzwerksicherheit?
12

13. Lebenszyklus zur Transformation von Daten in Wissen
Analyse
Extraktion
Unterstützende
Infrastruktur
Integration

14. Datenintegration
Datenintegration ist die
Herstellung einer
einheitlichen und
konsistenten Sicht auf
vorhandene Daten.
Benutzer
ERP
ExcelSheet
Legacy
CRM
Heterogene Applikationssysteme
14
Master
Data

15. Anwendungsbeispiel: Produktdatenmanagement
Zulieferer
Kunden

16. Vom Datenblatt zum Modell
17

17. Definition von Mapping-Regeln
18

18. Lebenszyklus zur Transformation von Daten in Wissen
Analyse
Extraktion
Unterstützende
Infrastruktur
Integration

19. Was tun mit all den Daten?
Verfügbarkeit von Informationen reicht
nicht, man muss die richtigen
Schlüsse daraus ziehen!
Erst die Interpretation der Daten führt zu
direktem Nutzen:
• Erkennen von Mustern und
Zusammenhängen
• Analyse und Vorhersage der
Entwicklung
• Identifikation von Abweichungen und
Trends
Data Mining
20

20. Anwendungsbeispiel: Kundensonderwünsche
•
Extrem Variantenreiche Produkte:
z.B. Stadt- und Reisebusse
•
Sonderwünsche von Kunden
verursachen erheblichen Aufwand in
Planung und Konstruktion
•
Ziel: häufig gewünschte
Sonderausstattung zu
Standardvarianten machen
22

21. Anwendungsbeispiel: Kundensonderwünsche
Datenbasis:
> 0.5 Mio Freitextbeschreibungen von
Sonderwünschen für unterschiedliche
Produkte, nur zum Teil Baugruppen
zugeordnet.
Fragestellung:
Welche Sonderwünsche sollten
standardisiert werden?
23

22. Anwendungsbeispiel: Kundensonderwünsche
24

23. Lebenszyklus zur Transformation von Daten in Wissen
Analyse
Extraktion
Unterstützende
Infrastruktur
Integration

24. Big Data Werkzeuge
26

25. Wissensressourcen – Beispiel DBpedia
Multilinguale Wissensbasis auf der Basis von Wikipedia
Englische Version enthält Beschreibungen für
•
4.0 Mio Dinge
•
3.22 Mio sind typisiert, davon
•
832,000 Personen
•
639,000 Orte
•
372,000 Produkte
•
209,000 Organisationen

26. Agenda
Agenda
1
Einführung
2
Technologien zur Extraktion, Integration und Analyse von Daten
3
Intelligente Geschäftsprozesse
4
Zusammenfassung
28

27. Daten als Basis für “Intelligent Business Operations”
29

28. Wertgenerierung mit Daten: Das Beispiel Deutsche Bahn
Model of Reality
Model for Optimization
30
Real-Time Events & Mobile Delivery

29. Forschungsprojekt „Process Visibility“
31

30. Forschungsprojekt „Process Visibility“
SAP Operational Process Intelligence
powered by HANA
Enhanced visibility
for processes
• Which process characteristics determine high visibility requirements?
• Which capabilities are needed to deal with high visibility requirements of processes?
32

31. „Process Visibility” im Privatkundengeschäft von Banken
Request Entry
Request Update
Request Update
 Exemplarische Kundenanfrage: Konto ist gesperrt
 Kunden erstellt Anfrage über mobile Anwendung, es wird eine
Abschätzung der Bearbeitungszeit angegeben.
 Kunden erhält kontinuierliche Information über den Status des Prozesse
sowie über etwaige Verzögerungen bei der Problemlösung.
33

32. Agenda
Agenda
1
Einführung
2
Technologien zur Extraktion, Integration und Analyse von Daten
3
Intelligente Geschäftsprozesse
4
Zusammenfassung
34

33. Zusammenfassung
1
• In datengetriebenen Systemen werden Daten als
strategisches und wertschöpfendes Gut
betrachtet.
2
• Eine Vielzahl von Technologien zur intelligenten
Verarbeitung von Daten stehen heute zur
Verfügung.
3
• Durch die Einbettung dieser Technologien in
betriebliche Abläufe können Unternehmen ihre
Geschäftsprozesse intelligenter machen.
35

34. Danke für Ihre Aufmerksamkeit!
Prof. Dr. Heiner Stuckenschmidt
University of Mannheim | School of Business Informatics and Mathematics
Institute for Enterprise Systems (InES)
B6, 26 | Room B 1.20 | 68131 Mannheim | Germany
Phone +49 621 181-2530
heiner@informatik.uni-mannheim.de
http://dws.informatik.uni-mannheim.de
http://ines.uni-mannheim.de
Prof. Dr. Alexander Mädche
University of Mannheim | Business School
Institute for Enterprise Systems (InES)
L 15, 1-6 | 4th floor | 68131 Mannheim | Germany
Phone +49 621 181-3606 | Fax +49 621 181-3627
maedche@es.uni-mannheim.de
http://eris.bwl.uni-mannheim.de
http://ines.uni-mannheim.de
36