Seite 1© Fraunhofer IAO
Thomas Renner Fraunhofer IAO, Leitung Fraunhofer CC Electronic Business & Anwendungszentrum KEIM
GI Themenabend Big DataStuttgart, 2. November 2015
Smart Data und Big Data: Anwendungsfelder, Lösungselemente und Handlungsbedarfe
Seite 2© Fraunhofer IAO
Big Data Trends
Seite 3© Fraunhofer IAO
Daten sind das Asset der ZukunftGigantischer Anstieg von Datenbeständen und Austausch in Netzwerken
Quelle: Handelsblatt, 16./17./18. Oktober 2015, Nr. 200
Heutzutage werden innerhalb von zwei Minuten mehr Fotos geschossen als im gesamten 19. Jahrhundert.
Seite 4© Fraunhofer IAO
Zuverlässigkeit
• Qualität von Datenund Erzeugungs-algorithmen
• Präzision, Aussagekraft
• Vollständigkeit
Geschwindigkeit
• Analyse auch für Geschäftsprozesse
• Echtzeitfähigkeit | »Rechtzeit«
• Änderungshäufigkeit
Datenmenge
• Yottabytes vs. ERP
• Systeme
• verteilt
• teilweise mehrfach(Zeit, Ort)
Komplexität & Vielfalt
• strukturiert | unstrukturiert
• verschiedene Quellen
• Zahlen | Texte |Multimedia
Herausforderungen bei Big Data – V3, V4, V5
Volume
VarietyVelocity
Veracity
Seite 5© Fraunhofer IAO
Top 10 Technologietrends 2016Intelligente Systeme nähern sich immer stärker dem menschlichen Gehirn an
AdaptiveSicherheits-systeme
Neue Materialien im 3D-Druck
Vermessung des Informations-dschungels
Endgeräte-Netzwerk (»Device Mesh«)
User Experience unserer Umgebung
Intelligente Maschinen und »Deep Learning«
Intelligente Assistenten und »Post-App-Phase«
FortgeschritteneSystem-Architekturen
App- undServices-Architekturen
Plattformen für das Internetder Dinge
Quelle: Gartner; Fotos: (1) Ozerina, Anna - Shutterstock.com; (2) tba; (3) cio.de; (4) Gorgsenegger - Fotolia.com; (5) Audi; (6) Google; (7) Gazlast - Shutterstock.com; (8) ra2Studio - Fotolial.com; (9) Ismagilov - Shutterstock.com; (10) Chesky - Shutterstock.com
AdaptiveSicherheits-systeme
Vermessung des Informations-dschungels
Endgeräte-Netzwerk (»Device Mesh«)
User Experience unserer Umgebung
Intelligente Maschinen und »Deep Learning«
Intelligente Assistenten und »Post-App-Phase«
Plattformen für das Internetder Dinge
Seite 6© Fraunhofer IAO
Intelligente Datennutzung
Quelle: Siemens (2015), Gartner (2013), modifiziert
Beschreibend
Was ist geschehen?
Diagnose
Warum ist es geschehen?
Vorausschauend(predictive)
Was wird geschehen?
Normativ
Was sollten wir tun?
Informationen sammeln
Analysen durchführen
Maßnahmen ergreifen
Durchdringung2013 lt. Gartner 99 % 30 % 13 % 3 %
Beispiele Fehlerbericht Betriebsbericht Servicestatistik Verkaufszahlen
Fehleranalyse Störungsanalyse Ursachenfindung
Vorhersage für Stromverbrauch Absatzzahlen Produktion Ressourcen-
bedarf Maschinenausfall
Produktionsplanung Betriebsoptimierung Lastverschiebung Personalplanung
Seite 7© Fraunhofer IAO
Von Big Data zu Smart Data
Quelle: Audi (2015), Siemens (2015)
RohdatenRohdatenDaten-
konsolidierungDaten-
konsolidierungDaten-
aufbereitungDaten-
aufbereitungData Mining
AnalyticsData Mining
Analytics
InterpretationIntelligente Auswertung
Prognose
InterpretationIntelligente Auswertung
Prognose
Big DataGroße Datenmengen von
Mensch und Maschine
Smart AnalyticsInformationen & Zusammenhänge sichtbar machen
Smart DataWirtschaftlicher oder technischer Nutzen
(Value)
Smart Data
Oder …
= + +Domänen-know-how
Geräte-know-how
Analyse-know-how
Seite 9© Fraunhofer IAO
Neue Trends/Technologien für Big/Smart Data?
In Memory
Parallelisierung / Hadoop etc.
No-SQL-Datenbanken
Visualisierung & Self-Service
Complex Event Processing
Sensorik
Seite 10© Fraunhofer IAO
Warum?
Zeit
Kosten
Qualität
Innova-tion
Zuerst Daten oder zuerst Idee?
Seite 11© Fraunhofer IAO
Smart Data für effiziente,schnelleProzesse und Prozess-innovationen Smart
Data & Prozesse
Ent-scheidungs-
unter-stützung
Variantenlive
optimieren
Netzwerk-optimie-
rung
Predictive Mainte-nance
Event-basiertes
Monitoring
Ressourcen-planung
Bench-marking
Kunden-kommuni-
kation
Abwande-rungswahr-scheinlich-
keit
Cross-/ Upselling
Risiko-bewertung
Betrugs-erkennung
Seite 12© Fraunhofer IAO
Beispiel: Smart Data für »wissensbasierte Arbeitsplätze«Expertenarbeitsplatz ARPOS für Sachverständige in Versicherungen
Autom. Lernen undSystemoptimierungAutom. Lernen undSystemoptimierung Business
AnalyticsBusinessAnalytics
Complianceby Design
Complianceby Design
Multiscreenund Views
Multiscreenund Views
Detaillierte Daten ausDokumenten, Host und
externen Quellen;Informationsfusion
Detaillierte Daten ausDokumenten, Host und
externen Quellen;Informationsfusion
Regelsysteme und Wissensdatenbanken
Regelsysteme und Wissensdatenbanken
Automatisierte Prüfungund Bearbeitung
Automatisierte Prüfungund Bearbeitung
Seite 15© Fraunhofer IAO
Beispiel: Smart Data in der ProduktionZuverlässige, effiziente Prozesse und Optimierung der Ressourcen
Integriertes Monitoring und Überwachung von Prozessen, Maschinen und manuellen Aufgaben
Betriebsdaten zur Optimierung der Produktionsprozesse, z.B. Auslastung, Stückzahlen, Störungen, Stillstände
Korrelation von Umweltdaten, Betriebsdaten und Qualitätsdaten zur Steigerung der Qualität
Energieverbrauchsprognose auf Basis der Produktionsplanung
Datenanalyse zur Energieeinsparung
Bildquelle: Fraunhofer IAO, Fraunhofer IOSB
Seite 16© Fraunhofer IAO
Beispiel: Intelligenter Flottenbetrieb und SharingFlotten- und Einsatzoptimierung | Energiemanagement für Elektrofahrzeuge
Quelle: KPMG
Der IT-gestützte E-Fahrzeugbetrieb …
erfordert Live-Betriebsdaten
ermöglicht dynamische Einsatzoptimierung
ermöglicht intelligentes Energiemanagement
nutzt Smartphone-basierteZugangstechnologien
ermöglicht das organisationsübergreifende Sharing und neue Betreibermodelle
Projekte Shared E-Fleet, eFlotte, inFlott, IMEI, Living Lab eFleet
Seite 17© Fraunhofer IAO
Beispiel: Energiemanagement für InfrastrukturbetreiberSmart Data für prognose-, sensor- und marktbasierter Energiemanagement
In-Memory-Datenbank (SAP Hana) als Element einer cloudbasierten Plattform
10.000 Sensoren am Flughafen Stuttgart
Integration externer Datenquellen
Auch Entscheidungs-unterstützung
Seite 18© Fraunhofer IAO
Beispiel: E-Commerce Smart Data für Web Shops und E-Commerce
Quelle: KPMG
Projekt SME e-COMPASS
Automatische Preisanalyse der Wettbewerber
Verhaltensanalyse der Websitebesucher und Methoden zur Kundenbindung
Partner: Betrugserkennung bei Reisebuchungen über Internet
Seite 19© Fraunhofer IAO
Beispiel: Smart Urban Services Wissensbasiert urbane Räume gestalten mit Resort-übergreifenden Services und Einbeziehung der Bürger
Einzelhandel
Ver-/Entsorgung
PartizipationEnergie
Smart Gov.
Mobilität
Umwelt
??
?
Lessons Learned: Das Bündeln von Daten aus verschiedenen Quellen bildet die Grundlage für Mehrwertdienste.
Seite 20© Fraunhofer IAO
Beispiel: ProzessbenchmarkingSchaden- und Reparaturmanagement
Quelle: KPMG
750.000 Schadenfälle von 6 Versicherungen analysiert
789 Mio. € Gesamtvolumen der Schäden
Heterogene Datenformate in den einzelnen Häusern
Hohe Bedeutung der Qualitätssicherung
Einsparpotenzial von durchschnittlich 250 bis 440 €durch Reparaturservice
Hohe Abweichungen zwischen Versicherungen, z.B. bezüglich der realisierten Steuerungsquoten
Seite 21© Fraunhofer IAO
Smart Data für bessere &neue Produkte und neue Wert-schöpfungs-systeme Smart
Data & Produkte
Massen-individuali-
sierungWissens-basierteProdukte
Nutzungs-analyse
Service-datenaus-wertung
Wert-schöpfung
im Netzwerk
Such-maschinen-
auswer-tung
Website-analyse
Wett-bewerbs-
monitoring
Produkt-feedback
(SocialMedia)
Seite 22© Fraunhofer IAO
Beispiel: »Fleet Learning« - Tesla Software Update 7.0
Vorab Hardware verbaut ab 10/14:
Frontradar Frontkamera 12 Ultraschallsensoren (ca. 5 m Reichweite
bei allen Geschwindigkeiten) Digitales Bremssystem
15.10.15: Tesla Software-Update 7.0 für Zusatzfunktion Autopilot (nur USA) –automatische Abstands- und Spurhaltung
als Beta-Version! => YouTube Problemvideos
Tesla »Fleet Learning Network«: Datensammlung von Echtzeit-Daten des Fahrens und der Straße von Kameras, Radar, Sonar, …
23./24.10.15 Autopilot 1.01 angekündigtTweed Elon Musk
Quellen: http://www.teslamotorscom; www.teslarato.com, abgerufen 25.10.2015
Seite 23© Fraunhofer IAO
Beispiele aus der Finanzwirtschaft Anlageberatung, Kredit- und Versicherungsvermittlung
»Robo Advisor« entscheiden über Portfolio-Strukturierung auf Basis der Risikotoleranz
moderne Portfoliotheorie (Markowitz)
maximale Renditeerwartung bei begrenztem Risiko (effiziente Portfolien)
Mix von ETFs mit niedrigen Gebühren
steueroptimierte Investments
Online-Kreditvergabe in 15 Minuten auf Basis von 20.000 Datenpunkten
Vergleichsportale als extrem wichtiger Vertriebskanal für Direktversicherungen
Seite 25© Fraunhofer IAO
Smart Data für Smarte ProdukteDie neue Technologieinfrastruktur
Quelle: M. E. Porter, J. E. Heppelmann, Harvard Business Manager, 12/2014 (modifiziert)
Intelligente Produktanwendungen
Regel-/Analyseengine, Data Analytics
Entwicklungsumgebung & Plattform
Produktdatenbank
Netzwerkkommunikation
Software
Hardware
Sic
he
rhe
it u
nd
Id
en
titä
tsm
an
ag
em
en
t
Ex
tern
e D
ate
nq
ue
lle
n
Inte
gra
tio
n U
nte
rne
hm
en
sso
ftw
are
Produktwolke
Netzwerk
Produkt
Seite 26© Fraunhofer IAO
Smarte ProdukteNeue Daten und neue Datendimensionen durch Zeitabhängigkeit
Quelle: M. E. Porter, J. E. Heppelmann, Harvard Business Manager, 12/2014 (modifiziert & erweitert)
Intelligente Produktanwendungen
Regel-/Analyseengine, Data Analytics
Entwicklungsumgebung & Plattform
Produktdatenbank
Netzwerkkommunikation
Software
Hardware
Sic
he
rhe
it u
nd
Id
en
titä
tsm
an
ag
em
en
t
Exte
rne
Da
ten
qu
ell
en
Inte
gra
tio
n U
nte
rne
hm
en
sso
ftw
are
Produktwolke
Netzwerk
Produkt
Zeitabhängigkeit von
Produktdaten (z.B. SW-Upgrades)
Nutzungsdaten
Benutzerdaten
als Unternehmen
als Person
Servicedaten
Seite 27© Fraunhofer IAO
»Learning Data Science« - ein Hinweis
Quelle: Jamie Whitehorn, http://www.exploringdatascience.com/the-data-science-clock/
Seite 28© Fraunhofer IAO
»Learning Data Science« - ein Hinweis
Quelle: Jamie Whitehorn, http://www.exploringdatascience.com/the-data-science-clock/
Seite 29© Fraunhofer IAO
Industrieller Handlungsbedarf und ForschungsthemenDiskussionsanregungen
Datenmengen überschaubar vs. Big Data
Daten strukturiert vs. unstrukturiert; Zahlen vs. Texte; Vergangenheit vs. Zukunft (»predictive«)
Datenqualität und Semantik; die Rolle von Standards
Integration und Fusion – eigene Daten und externe Daten
KI 4.0
Identitäten und Sicherheitsfragen
Bestehende Tools und ERP vs. neue (eigene?) Big Data-Technologien
Unternehmensübergreifende Wertschöpfungsketten für Daten und Kundennutzen; inkl. Nutzungsrechte; Bedeutung von Offenheit
Die Rolle der Cloud, des (Daten-)Ortes, der Datenverteilung?
Wo sind die »Data Scientists«?
…
Seite 30© Fraunhofer IAO
Kontakt
Thomas RennerFraunhofer IAO
Tel: +49 711 [email protected]
www.iao.fraunhofer.dewww.ikt.iao.fraunhofer.dewww.e-business.iao.fraunhofer.dewww.keim.iao.fraunhofer.de