Datenprodukte für Deutschlands größten Fahrzeugmarkt

Vortrag beim BITKOM Big Data Summit

am 16. Februar 2017 in Hanau

2

Was darf dieses Auto kosten?

Quelle: mobile.de

3

Vortragende

Benjamin Eckart

Manager Software DevelopmentTrust & Safety

mobile.de

Dr. Christoph Tempich

Head of Consulting

inovex GmbH

4

MOBILE.DEDEUTSCHER MARKTFÜHRER

13,53 MIO UNIQUE USER IM MONAT

1,4 MIO FAHRZEUGE

65%TRAFFIC ÜBER MOBILE ENDGERÄTE

5

290MITARBEITER

DREILINDEN / FRIEDRICHSHAIN BERLINFIRMENSITZ

GEBRAUCHTWAGEN

NEUWAGEN

ADVERTISING

WICHTIGSTEGESCHÄFTSELDER

inovex ist ein IT-Projekthaus für die Digitale Transformation:

‣ Agile Development & Management

‣ Web · UI/UX · Replatforming · Microservices

‣ Mobile · Apps · Smart Devices · Robotics

‣ Big Data & Business Intelligence Platforms

‣ Data Science · Data Products · Search · Deep Learning

‣ Data Center Automation · DevOps · Cloud · Hosting

‣ Trainings & Coachings

Wir nutzen Technologien, um unsere Kunden glücklich zu machen. Und uns selbst.

inovex gibt es in Karlsruhe · Pforzheim · München · Köln · Hamburg. Und natürlich unter www.inovex.de

7

Agenda

Fragestellungen bei mobile.de

Vorgehen

Ergebnisse

Ausblick

8

Fragestellungen und Vorgehen

9

Fragestellungen

Welche Infrastruktur ist geeignet?

Wie ist das Datenprodukt-Management

organisiert?

Welche Strategie verfolgen wir mit

Datenprodukten?

Welche Datenprodukte haben einen Mehrwert?

Welche Datenprodukte können wir wann

umsetzen?

Wie findet ein datengetriebener Ansatz Einzug in

die Produktentwicklung?

Datenstrategie Datenprodukte

10

Ziele

Verkürzung der Cycle Times

Jedes Produkt wird A/B-getestet

Jeder Cycle trägt zur Erkenntnis bei

Fokus im Projektverlauf

1. Build: Aufbau der Basis Infrastruktur, Datenintegration

2. Measure: Richtige Zielgrößen für den A/B-Test

3. Idea: die richtigen Datenprodukte

Lean Startup*

IDEA

BUILD

PRODUCT

MEASURE

DATA

LEARN

MVP

* Eric Ries – The Lean Startup

Vorgehen

11

Ergebnisse

12

Architektur-Überblick

Datenschutzkonforme Datenspeicherung innerhalb der EU

Integration zahlreicher Datenquellen

Gelöste Herausforderungen Aktuelles Thema

Echtzeitfähige Datenprodukte auf dem Data Stream

13

Größenordnungen

Technische Daten

Events: 5.000-10.000 pro Sekunde

Ungefähr 10 MB pro Sekunde

50 Data Nodes, 1.400 Cores, 10 TB Memory im Cluster

Aussicht auf Ausbau auf 90 Nodes

2 PB konfiguriert für das HDFS

Websites ähnlicher Größenordnung*

* Monatliche Unique visitors nach AGOF, statista.de, 2016.

14

Statistisches Modell

Nutzung der Informationen verschiedener Anzeigen, um ein Preismodell zu erzeugen

Berechnung des „fairen“ Preises auf Basis der eingegebenen Informationen auf der Webseite

Modellierung des Fair Value

Verschiedene Anzeigen

1

2

15

-10.7%+10.6%

-21.1% +26.8% 225k kürzlich gelöschte Anzeigen

-0.4%

1.1%

Modell

[Vorhersage] – [Tatsächlicher Preis]

[Tatsächlicher Preis]100

Ergebnis – Vorhersage vs. Online-Preis

Abweichung der Vorhersage vom Online-Preis

16

Quelle: mobile.de; https://de.wikipedia.org/wiki/AWZ_P70

2.700 € im Ursprungs-zustand

17

Herausforderung:

Integration von Wunsch und Möglichkeit

Die Lösung von Data-Science-Problemen

ist in der Regel nicht trivial

Eine genaue Schätzung ist schwierig

Es werden die gleichen Skills für die

Evaluierung der Lösungsoptionen wie für

deren Implementierung benötigt

Discovery

DeliveryLiefern

Lernen

Prozess

18

Start als Team innerhalb der CFO-Organisation

Nutzung der vorhandenen Kenntnisse über Datenquellen und Integration

Nutzung der crossfunktionalen Vernetzung zur Etablierung des Themas

Inkubator zum Testen

CFO CIO

… BI…

Data team

Site OPS …

Dev

PM

CPO

…

Integration von Produktmanagement, IT und Daten unter einem CPTO

Stärkere Integration in den Entwicklungsprozess

Weniger Reibungsverluste in der Kommunikation

Schnellere Produktentwicklungszyklen

CFO

BI…

Data team

Site OPS …

Dev

PM

CPTO

…

Organisation: Von der BI-Abteilung in den Technikbereich

19

Ausblick

20

Empfehlungen auf der Homepage

21

Zusammenfassung

Die technische Infrastruktur wurde aufgebaut.

Das Nutzungserfahrung konnte nachweislich verbessert werden.

Die Organisation bekommt ein Gefühl für die Möglichkeiten von Datenprodukten.

Die Prozesse zur Erstellung von Datenprodukten sind etabliert.

Die Pipeline ist gefüllt.

22

Welche Datenprodukte bauen Sie gerade?