Der Big Data Hype Methodologie und Mythologie. BARCW1, München, den Jacqueline Bloemen, Otto Görlich, Timm Grosser

Größe: px
Ab Seite anzeigen:

Download "Der Big Data Hype Methodologie und Mythologie. BARCW1, München, den 19.6.2013 Jacqueline Bloemen, Otto Görlich, Timm Grosser"

Transkript

1 Der Big Data Hype Methodologie und Mythologie BARCW1, München, den Jacqueline Bloemen, Otto Görlich, Timm Grosser

2 Business Application Research Center Historie 1994: Beginn der Untersuchung von Business-Intelligence-Software am Lehrstuhl Wirtschaftsinformatik der Universität Würzburg (Prof. Thome) 1999: Spin-Off als eigenständiges Analystenhaus (BARC GmbH) 2005: Internationalisierung 2011: Fusion mit CXP zu einer Unternehmensgruppe (80 Mitarbeiter, davon 40 Analysten) BARC Heute 35 Mitarbeiter, davon 15 Analysten & Berater über 1200 Kunden jährlich Themen: Business Intelligence, Datenmanagement, Enterprise Content Management, IT Service Management, ERP, CRM, HR Standorte: Würzburg, Zürich, Wien, London, Paris 2

3 Business Application Research Center Marktforschung Studien und Marktübersichten Unabhängige Unterstützung für Software-Projekte Tagungen, Seminare Workshops Beratung 4

4 Agenda I. Big Data alter Wein in neuen Schläuchen? II. Big Data Quellen Wert und Nutzen in der Analyse III. Big Data Methodologie Evolution von Technologie, Methoden und Prozessen Pause IV. Big Data umsetzen Arbeitsumgebung und Menschen V. Voraussetzungen schaffen, Fallgruben vermeiden Big Data zum Erfolg bringen 7

5 Für CEOs ist Technologie inzwischen der wichtigste externe Einfluss auf ihre Organisation 8

6 Nature The Economist McKinsey Capital Harv. Bus. Mgr Der Spiegel

7 Wie wichtig sind Daten im Wettbewerb? Quelle: Analytics: The real-world use of big data, IBM Institute for Business Value,

8 Treiber für Big Data Erweiterter Informationsumfang Integration ermöglicht unternehmensweite Sicht Externe Daten erlauben mehr Fülle Neue Daten- und Analysetypen Neue Informationsquellen durch Durchdringungsgrad von elektronischen Geräten Komplexe Analyse durch Reifegrad der Werkzeuge vereinfacht Informationsströme in Echtzeit Digitale, maschinen- und mensch-generierte Daten Sofortige Wahrnehmung und beschleunigte Entscheidungsfindung Quelle: Analytics: The real-world use of big data, IBM Institute for Business Value,

9 Daten sind das Öl des 21. Jahrhunderts 12

10 Big Data bezeichnet Methoden und Technologien für die hochskalierbare Erfassung, Speicherung und Analyse polystrukturierter Daten. Nicht nur Tools Hohe Datenmengen Hohe Anwenderzahlen Komplexe Abfragen Schnelle Aktualisierung Strukturierte Daten Semi-strukturierte Daten Unstrukturierte Daten Alle Ebenen einer analytischen Infrastruktur. Evtl. nur kurzfristige Speicherung 13

11 BARC-Marktforschung: Big Data Survey Europe - Big Data aus Unternehmenssicht: - Treiber und geplante Weiterentwicklung - Nutzung und Herausforderungen - Organisation - Technologie und Budgets Teilnehmer aus IT und Fachbereichen in DACH, Frankreich, UK - Veröffentlichung: Februar Frei verfügbar unter: 14

12 Worin sehen Sie die wichtigsten Vorteile einer Nutzung von Big Data Technologien? Bessere strategische Entscheidungen 59% Bessere Steuerung operativer Prozesse Schnellere Analyse Detaillierte Analysen 43% 51% 50% Verbesserter Kundenservice Zielgerichtetere Marketingaktionen Besseres Verständnis des Marktes/Wettbewerbs Geringere Kosten Bessere Produkt-/Service-Qualität 32% 31% 28% 28% 25% Bessere Kundenbindung 16% Q: BARC Big Data Survey Europe, n =

13 Erschließung von Datenquellen 16

14 Verwendete Daten 4 Milliarden RFID Tags 2012 verkauft 900 Millionen Geräte mit GPS bislang 2013 ausgeliefert (+20%) Transaktionsdaten BMW erhält 30 Gigabyte Daten aus Autos pro Tag Welche Daten nutzen Sie für die Analyse? 70% 20% 10% Logs 55% 30% 15% Facebook: Sensorik 2,5 Milliarden neue Inhalte Unstrukturierte 300 Mio. Fotos Daten hochgeladen (Dokumente, Video, 500+ Terabyte neue Daten - am Tag! Bild) 44% 40% 29% 31% 24% 32% Social-Media-Daten 14% 50% 36% 0% 20% 40% 60% 80% 100% Im Einsatz Geplant Nicht geplant Q: BARC Big Data Survey Europe, n =

15 Neue Technologien für Transport & Speicherung von Daten MPP Columnar RDBMS Streaming In-Memory DBMS HADOOP NoSQL 18

16 Analytische Fähigkeiten 19

17 Erweiterte Möglichkeiten zur Anwendung analytischer Methoden 20

18 Worin sehen Sie die wichtigsten Vorteile einer Nutzung von Big Data Technologien? Bessere strategische Entscheidungen 59% Bessere Steuerung operativer Prozesse Schnellere Analyse Detaillierte Analysen 43% 51% 50% Verbesserter Kundenservice Zielgerichtetere Marketingaktionen Besseres Verständnis des Marktes/Wettbewerbs Geringere Kosten Bessere Produkt-/Service-Qualität 32% 31% 28% 28% 25% Bessere Kundenbindung 16% Q: BARC Big Data Survey Europe, n =

19 Operative Prozesse Analytische Prozesse Anwenderzahl Kennzahlenaggregation, Betrachtungszeitraum, Latenz Nutzung von BI in Unternehmen Corporate Performance Management Meist implementierte BI Systeme Strategische BI Strategische Planung Benchmarking Taktische BI Scorecards Standard- und ad hoc Reporting machen ca. 80% der BI Projekte aus Planung Analyse Reporting Operative BI Operative Planung Business Activity Monitoring Operatives Reporting Typische Einsatzbereiche für Big Data Planzahlen Prozessablaufkennzahlen & Ereignisse Prozessergebnis- Kennzahlen Ziel Prozessablauf Ergebnis Business Process Management 22 22

20 Status Quo BI in Europa 23

21 Agenda I. Big Data alter Wein in neuen Schläuchen? II. Big Data Quellen Wert und Nutzen in der Analyse III. Big Data Methodologie Evolution von Technologie, Methoden und Prozessen IV. Big Data umsetzen Arbeitsumgebung und Menschen V. Voraussetzungen schaffen, Fallgruben vermeiden Big Data zum Erfolg bringen 24

22 Daten sind das Öl des 21. Jahrhunderts 25

23 und sie müssen raffiniert werden um nützlich zu sein 26

24 Worin sehen Sie die wichtigsten Vorteile einer Nutzung von Big Data Technologien? Bessere strategische Entscheidungen 59% Bessere Steuerung operativer Prozesse Schnellere Analyse Detaillierte Analysen 43% 51% 50% Verbesserter Kundenservice Zielgerichtetere Marketingaktionen Besseres Verständnis des Marktes/Wettbewerbs Geringere Kosten Bessere Produkt-/Service-Qualität 32% 31% 28% 28% 25% Bessere Kundenbindung 16% Q: BARC Big Data Survey Europe, n =

25 Analyseprojekte mit polystrukturierten Daten bei BARC-Kunden in den letzten 24 Monaten Big Data Analyse Supply Chain Monitoring und Optimierung Maschinen-Überwachung und Serviceplanung Textanalyse auf Stichwörter, Stimmungen, Themen Social Media Monitoring und Kampagnenmanagement Verhaltensanalyse - Web-Personalisierung Next Best Offer / Activity, z.b. für Web-Shops & Call Center Betrugsentdeckung /-vermeidung Verbrauchsdatenanalyse (Energie, Netzwerk- Ressourcen, ) Wetterdatenanalyse für Standortplanung/ -optimierung, Absatzplanung, Produktentwicklung IT-Systemmonitoring Genomanalyse, Krebstherapie, Gesundheitsvorsorge Grundlagenforschung (Physik, Pharma, ) Bewegungsanalyse Qualitätsanalyse, vorausschauende Wartung Datenarten RFID-Funkchip- und GPS-Daten-Erfassungen Maschinendaten aus der Produktion (BDE) Unstrukturierte Daten wie Call-Center- oder Service-Notizen, Bilder auf Webseiten oder Video-Clips Social Media Daten aus Facebook, Twitter, Blogs oder Foren. Log-Daten aus der eigenen Webpräsenz oder Web Shops Log-Daten der IT-Systeme Sensor-Daten in Gebäuden oder der Umwelt Streaming Daten, Events Bioinformatik, Medizinische Testdaten, Arzneimittelabsatz Telematik, Sensoren 28

26 Big Data Zielsetzungen Kunden-zentrierte Ziele Digitale Verbindungen ermöglichen Kunden, sich schneller und einfacher über Erwartungen und Ergebnisse zu äußern Integrierte Daten erhöhen die Fähigkeit eine umfassendes Bild des empowered consumer zu zeichnen Kenntnisse über Verhaltensmuster und Präferenzen ermöglichen Unternehmen neue Arten des Kundendialoges Andere funktionale Ziele Verknüpfte Daten zur Erkenntnisgewinnung für unternehmens-interne Zwecke einzusetzen derzeit weniger verbreitet Quelle: Analytics: The real-world use of big data, IBM Institute for Business Value,

27 Datenquellen: Kategorien Welche Daten nutzen Sie für die Analyse? Geschäftsdaten (einfach strukturiert) Transaktionsdaten 70% 20% 10% Machinengeneriert (quasi-strukturiert) Logs 55% 30% 15% Sensorik 44% 31% 24% Menschgeneriert- Unstrukturierte (polystrukturiert) Daten (Dokumente, Video, Bild) 40% 29% 32% Social-Media-Daten 14% 50% 36% 0% 20% 40% 60% 80% 100% Im Einsatz Geplant Nicht geplant Q: BARC Big Data Survey Europe, n =

28 Datenkategorien und ihre Eigenschaften Kategorie der Quelle Transaktionale Geschäftsdaten Maschinengeneriert Menschgeneriert Qualität Komplexität Interpretierbarkeit Störgeräusche Data Warehouse Prozess-Affinität Big Data Prozess Affinität 31

29 CRISP-DM Cross Industry Standard Process for Data Mining Daten verstehen Fachliche Anforderung verstehen Business understanding Data understanding Erkenntnisse anwenden Deploy Data Data preparation Daten aufbereiten Analytik Operationalisierung Modeling Visualisierung Analytik Datenaufbereitung Datenanalyse Evaluation Ergebnis verifizieren Datenbereitstellung 32

30 Analyseprozess und Datenpersistenz Reglementierte Analyse Explorative Analyse Data Warehousing Prozess Big Data Prozess Visualisierung Sicheres Ergebnis Visualisierung Unsicheres Ergebnis ( fast fail ) Analytik Erst prüfen, dann sammeln Analytik Datenaufbereitung Datenspeicherung Datenaufbereitung Datenanalyse Erst sammeln, dann prüfen Datenanalyse Datenspeicherung Datenbereitstellung Datenbereitstellung 33

31 Probleme Welche Probleme sehen Sie beim Einsatz von Big-Data- Technologien? Fehlendes technisches Know-how Fehlendes fachliches Know-how 46% 44% Fehlende überzeugende Einsatzszenarien Technische Probleme Kosten 34% 33% 36% Datenschutz 25% Big Data nicht für Fachanwender im Unternehmen nutzbar Q: BARC Big Data Survey Europe, n = % 0% 20% 40% 60% 34

32 Fiktiver Anwendungsfall - Zielsetzung Big Data Vorreiter wollen Ihren Wettbewerbsvorteil nicht preisgeben kaum öffentliche Referenzen Zielsetzung Transparenz hinischtlich Herangehensweisen Möglichst Branchen-übergreifend nachvollziehbar Annahmen-basiert Abgrenzung Keinen Anspruch auf fachliche Präzision und Korrektheit Keinen Anspruch auf absschliessende Lösungen 35

33 Fit4Life Exklusiver Sportartikel Retailer Exklusive Markenprodukte Fokus auf ausgewählte Sportarten Onlineshop Wenige Geschäfte Versandgeschäft Service mittels CallCenter Zielgruppe Sportbegeisterte und Gesundheitsbewußte Menschen Erfolgsfaktoren Qualität und Trendiness erhalten Kundenbindung verstärken durch erweitertes Angebot Neukunden durch Erweiterung der fokussierten Sportarten Erweiterung der Services Erweiterung des Angebotes um Events, Reisen, o.ä. Bessere Nutzung der vorhanden Kanäle Verfeinerung der individualisierten Kundenansprache Beobachtung des Marktes 36

34 Kennen Speichern Erfolg messen Identität Erlebnis-Strategie crawl, walk, run Multikanal-Marketing wie fängt man an Besseres Kundenverständ nis etablieren durch Forschung und Studien Möglichst jede Interaktion mit dem Kunden digital festhalten Erfolg der Marketing- und Kundenbindungs aktionen messen Kundenprofile mittels geschäftsorientierter Charakteristiken und Verhaltensanalysen Zum richtigen Zeitpunkt das richtige zum Kunden senden, über den passende Kanal Bei einem Kanal beginnen, dann erweitern, quick wins mitnehmen 37

35 Multikanal-Marketing benötigt eine Datenplattform Fit4Life Ziele: Identity-Analyse Soziale Netzwerke analysieren Sentiment-Analyse Click-Stream Analyse Zielgruppen-Segmentierung Universelle Kunden-ID Fit4Life Ziele: DWH Kunden konsolidieren Interessenten integrieren Geschäftskunden identifizieren und integrieren Abgleich mit Personendaten aus externen Quellen Fit4Life Ziele: Externe Quellen Geschäftsdaten Neue interne Datentypen (Click- Streams, s/Freitext, ggfs. Gespräche) Analyseplattform Verknüpfte Datenquellen 38

36 Fit4Life Systemlandschaft - IST Webshop Online Auftritt Bestellung und erweiterte Services Next best offer basierend auf letzten Kauf KunDB2 OrdDB2 Exklusive Geschäfte Erfassen von anonymen Kaufdaten (Kassenanwendung) BuyDB1 Call Center CRM Anwendung inkl. Gesprächsaufnahmen, Mitschriften Bestellabwicklung mittels Altsystem inkl. Versand-/Retourenabwicklung KunDB1 OrdDB1 Logistik/ Distribution Abwicklung Versand und Retouren, Sendungsverfolgung mittels RFID Eigenes operatives BI System (near-time Reporting und Analyse) Derzeit ausschließlich an Bestellabwicklung angebunden LogDB1 In-/Exkasso Einzug von Forderungen Regeln von Leistungen Eigene Datenhaltung (InExDB) InExDB1 Marketing acrm Kampagnenmanagement mit eig. Kunen-DB Rudimentäre Kundensegmentierung Contentmanagement für Produktmarketing KunDB3 Ext. Prospects ConDB1 Data Warehouse Historienführung von Kunden- /Kauf-Daten, aber noch keine Zahldaten (In-/Exkasso) Physische Zusammenführung aber keine inhaltliche Konsolidierung Basis für acrm und Produktcontrolling KunDWH, OrdDWH 39

37 Fit4Life Systemlandschaft - SOLL Webshop Kundenindividuelle Ansprache Real-time Interaktion Verwendung von near-time Erkenntnissen aus anderen Quellen KunDB2 OrdDB2 Exklusive Geschäfte Identifikation durch Kundenkarte Dadurch Weiterverwendung der Kaufdaten Produkt-übergreifendes Event-Angebot für bestimmte Zielgruppen BuyDB1 Call Center Kundenindividuelle Ansprache Verwendung von near-time Erkenntnissen aus anderen Quellen KunDB1 OrdDB1 Logistik/ Distribution Offen LogDB1 In-/Exkasso Offen InExDB1 Marketing acrm Sukzessive stark verfeinerte Kundensegmentierung auf Basis zusätzlicher Daten Marketingeffizienz von Ansprache und Content messen und optimieren KunDB3 Ext. Prospects ConDB1 Data Warehouse Konsolidierte Kundenstammdaten, Kundenreferenzindex Erweiterung durch Ableitungen aus anderen Quellen Ergänzung durch Liefer-/Zahldaten, sowie inhaltliche Verbesserung der Daten KunDWH, OrdDWH 40

38 Next best offer basierend auf letzte Bestellung Datenflüsse IST Versand Webshop Exklusive Stores/Kasse Call Center CRM Orders Logistik/ Distribution Clickstreams KunDB2 PK: Userid OrdDB2 FK: Userid Versandinfos BuyDB1 KunDB1 PK: Kdnr OrdDB1 FK: Kdnr Versandinfos Retouren LogDB1 Ext. Prospects Neue Quellen: Data Warehouse Marketing Kamp- Man Content In-/Exkasso KunDWH, OrdDWH KunDB3 ConDB1 InExDB1 41

39 Fit4Life: Handlungsschritte Multikanal-Marketing Kundendaten Matchingregeln Interessenten integrieren Universal-ID pilotieren Soziale Medien Look-a-likes Act-a-likes Marken-/Produkt-Image Click-Streams Kaufverhalten Site-Effizienz (Content, Formatierung, Führung) Call Center Explorativ Daten auf Anwendbarkeit prüfen s, Mitschriften, Aufnahmen prüfen Abgleich interne/extern Daten Kunden-Segmentierung Anreicherung Universal-ID In-/Exkasso und Lieferprozesse prüfen Operationalisierung Kundenkarte einführen Konsolidierte Kundendaten Integration Kassen-Daten Near-/real-time Analyse im Webshop Near-/real-time Analyse im Call- Center Kampagnenmanagement verfeinern/erweitern 42

40 Agenda I. Big Data alter Wein in neuen Schläuchen? II. Big Data Quellen Wert und Nutzen in der Analyse III. Big Data Methodologie Evolution von Technologie, Methoden und Prozessen IV. Big Data umsetzen Arbeitsumgebung und Menschen V. Voraussetzungen schaffen, Fallgruben vermeiden Big Data zum Erfolg bringen 43

41 Klassische BI-Infrastruktur Reporting & Analyse Analytische Datenbanken Staging Area Datenaufbereitung ERP SCM CRM Strukturierte Geschäftsdaten Externe Systeme 44

42 Analytische Infrastruktur für Big Data Reporting & Analyse Visuelle Analyse Komplexe Analyse Suche Discovery Analytische Datenbanken NoSQL DB Such- Index Staging Area Streaming Datenaufbereitung File System ERP SCM CRM Externe Systeme Sensor-Daten Web Logs Social Media Dokumente Strukturierte Geschäftsdaten Maschinengeneriert (strukt.) Menschgeneriert (polystr.) 45

43 Klassischer BI-Verarbeitungsprozess Reporting & Analyse Visualisierung Analytik Festlegung der Datenpersistierung Datenaufbereitung Datenaufbereitung Staging Area Datenanalyse ERP SCM CRM Strukturierte Geschäftsdaten Externe Systeme Datenbereitstellung Operationalisierung 46

44 Explorative Verarbeitungsprozesse für Big Data Visualisierung Analytik Reporting & Analyse Visuelle Analyse Komplexe Analyse Suche Discovery Analytische Datenbanken NoSQL DB Such- Index Datenaufbereitung Datenanalyse Staging Area Streaming Datenaufbereitung File System Datenbereitstellung ERP SCM CRM Externe Systeme Sensor-Daten Web Logs Social Media Dokumente Strukturierte Geschäftsdaten Maschinengeneriert (strukt.) Menschgeneriert (polystr.) Operationalisierung 47

45 Funktions-, Werkzeugklassen und Technologien für Big Data Visualisierung Analytik Reporting & Analyse Visuelle Analyse Komplexe Analyse Suche Discovery Analytische Datenbanken NoSQL DB Such- Index Datenaufbereitung Datenaufbereitung Datenanalyse Staging Area File System Datenbereitstellung ERP SCM CRM Externe Systeme Sensor-Daten Web Logs Social Media Dokumente Datenanalyse Strukturierte Geschäftsdaten Maschinengeneriert (strukt.) Menschgeneriert (polystr.) Operationalisierung 48

46 BARC Big Data Survey welche Technologien sind im Einsatz (Technologien detailliert) Welche Technologien nutzen Sie / werden Sie in Ihrem Unternehmen für Big Data nutzen? Standard-Relationale-Datenbanken 79% 10% 11% Standard-BI-Werkzeuge 68% 19% 12% Individualentwicklung 50% 11% 39% Standard-Datenintegrationswerkzeuge 42% 23% 35% Analytische Datenbanken 27% 34% 39% Big Data Appliances 15% 30% 55% Hadoop File System 14% 30% 56% Hadoop Hive 13% 23% 64% Streaming-Datenbanken / Event Processing 13% 29% 58% NoSQL-Datenbanken 10% 23% 67% Big-Data- Analyse-Anwendungen 6% 21% 73% n = 155 0% 20% 40% 60% 80% 100% Im Einsatz Geplant Nicht geplant 50

47 Technologien nach Unternehmensgröße Über bis Unter 250 Standard BI-Werkzeuge (nach Unternehmensgröße) 91% 81% 79% 8% 1% 14% 5% 9% 12% 0% 20% 40% 60% 80% 100% Im Einsatz Geplant Nicht geplant n = 151 Big-Data-Werkzeuge (nach Unternehmensgröße) Über % 33% 17% 250 bis % 41% 26% Unter % 38% 17% 0% 20% 40% 60% 80% 100% Im Einsatz Geplant Nicht geplant n =

48 Auswahl Abdeckung BD Funktionsklassen Analytische Datenbanken Analytische Datenbanken State-of-the-art EMC Greenplum EXASOL EXASolution IBM Pure Data (Netezza) SAP HANA Teradata Aster Datenbereitstellung Datenanalyse Datenaufbereitung Analytik Visualisierung für HDFS für HDFS für HDFS für HDFS Werkzeug-Charakterisierung: DBMS mit besonderer Eignung (Architektur, Arbeitsweise, Funktionen) für Analytik, was vor allem durch Abfrage-Eigenschaften bestimmt wird. Mögliche Anwendung im Rahmen Big Data: Speicherung und Auswertung strukturierter Daten Aufnahme von aus Hadoop abgeleiteten Daten In-Database Analytics Zugriff auf Hadoop aus SQL heraus 52

49 Auswahl Abdeckung BD Funktionsklassen Datenintegration Datenintegration State-of-the-art Ab Initio Informatica IBM Information Server Pervasive Sqoop Flume Datenbereitstellung Datenanalyse Datenaufbereitung Analytik Visualisierung Werkzeug-Charakterisierung: (Standard)Werkzeuge/-konnektoren mit breiter funktionaler Abdeckung von Datenmanagementaufgaben für DI und Transformationauf robuster Software-/Hardware- Infrastruktur. Mögliche Anwendung im Rahmen Big Data: Integration unterschiedlicher Datenquellen (u.a. Hadoop) Erstellung von Transformations-/Integrationslogik in systemeigener oder MapReduce Methodik und Funktionen 53

50 Auswahl Abdeckung BD Funktionsklassen Visuelle BI Visuelle BI State-of-the-art IBM Cognos 10 Microsoft Power Pivot QlikTech MicroStrategy Tableau Software Datenbereitstellung Datenanalyse Datenaufbereitung Analytik Visualisierung Werkzeug-Charakterisierung: Werkzeuge für die mengenorientierte visuelle (intuitiv und explorativ) Analyse von Datenbeständen. Werkzeuge kommen häufig mit Funktionen für die Datenintegration, eigener, proprietären Speicherung, Analyse und Visualisierungskomponente Mögliche Anwendung im Rahmen Big Data: Explorative Analyse von großen Datenbeständen Hohe Usability und intuitive Bedienung macht direkte Verwendung durch Fachbereich möglich 54

51 Auswahl Abdeckung BD Funktionsklassen Big Data Spezialisten Big Data spezialisten Blue Yonder Datenbereitstellung Datenanalyse Datenaufbereitung Analytik Visualisierung Datameer Splunk (IT Log- Analyse) IBM BigSheets Werkzeug-Charakterisierung: Werkzeuge für die Analyse von Big Data Daten (strukturiert/unstrukturiert) die im HDFS oder auch anderen Datenspeichern abgelegt sind. Zugriff auf die Daten mit MapReduce oder proprietären Methoden. Iterative und explorative Vorgehensweise bei der Analyse und Reporterstellung. Mögliche Anwendung im Rahmen Big Data: Ad-hoc Analyse und Predictive Analytics von bisher nicht genuzten, unbekannten Daten Analyse von Log-Daten (Weblogs, Maschinenlogs) Analyse von Social-Media Daten Analyse von Text-Daten 55

52 Auswahl Abdeckung BD Funktionsklassen Hadoop hadoop Apache Hadoop Datenbereitstellung Datenanalyse Datenaufbereitung Analytik Visualisierung Apache Lucene Text Search Text Analyse Apache Mahout Data Mining Predictive Analytics Apache Hive Apache Pig Apache Flume Hadoop Framework Apache Sqoop Data Collection and Aggregation Common utilities, HDFS, MapReduce Framework Data Transfer between Hadoop and Databases Daten Summierung und Querying Programmier- und Abfragesprache Werkzeug-Charakterisierung: Ein Baukausten bestehend aus dem Hadoop Filesystem, einer Entwicklungsumgebung für MapReduce und weiteren Komponenten. Komplexität - Integration zwischen den Produkten quasi nicht vorhanden. Produkte und Komponenten müssen einzeln installiert werden. Mögliche Anwendung im Rahmen Big Data: (Langzeit)Speicher und Archiv für Big Data Daten jeder Art Explorative und iterative Analyse von Daten jeder Art (programatischer Ansatz) (analytical Sandbox) Erweiterung des Datenraums für das Data Warehouse (auch Datenlieferant für das DWH) Kostengünstige, detailierte Datenspeicherung erlaubt neue Ansätze für Analyse etc. 56

53 Auswahl Abdeckung BD Funktionsklassen NoSQL (Not only SQL) Datenbanken NoSQL Datenbanken CouchDB (Document oriented) MongoDB (Document oriented) Hbase (key-value store) Datenbereitstellung Datenanalyse Datenaufbereitung Analytik Visualisierung Cassandra (key-value store) Neo4J (Graph Database) InfiniteGraph (Graph Database) Werkzeug-Charakterisierung: Spezialisierte DBMS für spezifische Aufgaben wie Dokumentenverwaltung, Indizierung von Werten, speichern von Beziehungen. Zugrif meist über Java Pogramming Interface, REST, Avro und weiteren APIs. NoSQL ist in erster Linie eine Frage in Richtung der Anforderungen an die operative Anwendung. Muss das Schema flexibel sein und genügt ein eventually consistent Modell? Mögliche Anwendung im Rahmen Big Data Für BI kann NoSQL genutzt werden wenn auch die entsprechenden operativen Anforderungen an NoSQL existieren Für real-time, sehr lokale BI Anforderungen (z.b. Beziehung von Person in sozialem Netztwerk) Der Fokus liegt auf anwendungsspezifischen Abfragen mit limitiertem Umfang 57

54 Beispiele für NoSQL Datenbanken Key-value store Key Value Yining, Hu,, 13 March 1987 John, Smith Mary, Doherty, , , 03 July 1976 z.b. Google Bigtable, Amazon SimpleDB, Hbase, Cassandra, etc. Document-oriented stores generalisieren das Key-value Konzept mit multiplen Keys JSON {(Key : Value), (Key : Value),...} { First name : John, Surname : Smith } Graph Datenbanken mit Nodes, Edges und Eigenschaften repräsentieren und speichern assoziative Daten (Analyse von sozialen Netzwerken) { First name : Mary, Surname : Doherty, Date of birth : 03 July 1976, Cell-phone : , Landline : } { First name : Yining, Surname : Hu, Date-of-birth : 13 March 1987 } z.b. CouchDB, MongoDB, Terrastore, etc. z.b. Neo4J, Infinite Graph, etc. 58

55 Auswahl Abdeckung BD Funktionsklassen Streaming Streaming HStream IBM InfoSphere Streams Datenbereitstellung Datenanalyse Datenaufbereitung Analytik Visualisierung Microsoft StreamInsight SAP Sybase ESP TIBCO StreamBase Werkzeug-Charakterisierung: Analytische Software-Computing-Plattform, die kontinuierlich Daten im Speicher analysiert und transformiert bevor evtl. auf der Festplatte gespeichert wird. Die Analyse von Daten in Bewegung mit Stream-Computing ermöglicht schnellste Ergebnisse, potentielle Hardware Einsparungen und hohen Durchsatz. Um dies zu erreichen, arbeitet Streams in erster Linie auf "Fenster" von Daten, die im Speicher, über einen Cluster verteilt gehalten werden. Diese Daten können mit Daten aus einer at-rest Engine, wie Hadoop oder einer Datenbank, angereichert und dadurch in Kontext gebracht werden. Mögliche Anwendung im Rahmen Big Data: Indentifizierung von Ereignissen in Echtzeit, wie die Bestimmung von Kunde Stimmungen in Social Media mit zunehmender nagativer Tendenz Korrelieren und Kombinieren von Ereignissen die zeitlich eng verwandt sind, wie beispielsweise eine Warnung in einer Log-Datei gefolgt von einem Systemausfall. Kontinuierliche Berechnung gruppierter Aggregate, wie Preistrends pro Symbol, pro Branche im Aktienmarkt. 59

56 Auswahl Abdeckung BD Funktionsklassen Such-Index/Datenexploration/Discovery/Profiling Such-Index Datenanalyse Datenbereitstellung Datenaufbereitung Analytik Visualisierung Oracle Endeca IBM BigInsight Data Explorer Splunk Werkzeug-Charakterisierung: Entdeckende und erforschende Analyse von multiplen Big Data Datenquellen mit dem Ziel besser zu verstehen welche Daten zur Verfügung stehen, einen Überblick über die Qualität der Daten zu bekommen und in welchem Verhälniss die Daten zu einander stehen. Die Ergebnisse werden zur Erzeugung eines Such-Indexes genutzt der über die untersuchten Datenquellen gelegt wird und so ein ein single-search-interface für die Benutzer bietet. Mögliche Anwendung im Rahmen Big Data: Finden von Zusammenhängen in Social Media Daten Förderierter Zugriff zur Entdeckung, Suche und Navigation in Datenquellen 60

57 Auswahl Big Data Distribution Big Data Distribution Apache Hadoop (OSS) Cloudera Horton Works IBM BigInsight Visualization & Discovery Toolkits, Accelerators, Libraries Hadoop System Application Development Streaming Systems Management Werkzeug-Charakterisierung: Information Integration & Governance Integrierter Software Stack für single install mit den vom entsprechenden Hersteller angebotenen und aufeinander abgestimmten Komponenten. Umfang und Funktion der Komponenten variert von Anbieter zu Anbieter. Apache Hadoop (OSS) ist kein integrierter SW Stack Komponenten müssen einzeln installiert werden. Mögliche Anwendung im Rahmen Big Data: Einfachere Wartung, Installation und Nutzung von aufeinander abgestimmten Big Data Komponenten Zusätzlich Komponenten des Herstellers erweitern den Funktionsumfang für die Big Data Analyse (aka Text-Mining, Log-Analyse, Social-Media-Analyse, Sentiment-Analyse, etc.) Integrierte Hersteller Werkzeuge für System-Management, Anwendungsentwicklung, etc. 62

58 Use Case Einordnung der Datenbestände des Ist Reporting & Analyse Visuelle Analyse Komplexe Analyse Suche Discovery KunDWH, Analytische OrdDWH Datenbanken NoSQL DB Such- Index Staging Area Streaming Datenaufbereitung File System KunDB1 ERP KunDB2 OrdDB1 SCM CRM Externe Systeme Sensor-Daten Web Click- Logs Social Media Dokumente streams Strukturierte Geschäftsdaten Maschinengeneriert (strukt.) Menschgeneriert (polystr.) ConDB1 OrdDB2 KunDB3 BuyDB1 LogDB1 63

59 Entscheidungsparameter für den Einsatz von Technologie in der Analytik Big Data vs. DWH Daten Lokation, Form Physisches Layout/Zugriffs - pfad Qualität, Aktualität Security (Hadoop selbst keine Security) Governance, Metadaten Funktion Transformation Relational (aggregierte, sortierte Analyse) NoSQL Funktionen IUD (Hadoop is append only) Änderung and den/der Daten(verteilung ) (Entwickler ist auch Optimierer in Hadoop) Multi-Step Verarbeitung (zu kodieren in Hadoop, durch BI Tool auf RDBMS) System-Kapazität Treffen von Annahmen über die Nutzung des Systems und die Anzahl der zukünftigen Benutzer Skalierbarkeit mit Hadoop leichter zu verwirklichen SLA Anforderungen Z.B. Workload Management Concurrency am Besten mit DWH Effizienz Nicht so wichtig für explorative Implementierungen Wichtig für die tägliche, periodische Verarbeitung Implementierungsmöglichkeiten Explorativ/Discovery Ad hoc/interaktiv/guided Batch Skill Set Bereitschaft für Kodierung Time to Market Drei wichtige Entscheidungen Verfügbarkeit des entsprechenden Skills Wo sind oder wo gibt es freie Kapazitäten Optimierung/Reorganisation von Prozessen kann eine Rearchitekturierung oder Reimplementierung 64 im Laufe der Zeit bedeuten

60 Agenda I. Big Data alter Wein in neuen Schläuchen? II. Big Data Quellen Wert und Nutzen in der Analyse III. Big Data Methodologie Evolution von Technologie, Methoden und Prozessen IV. Big Data umsetzen Arbeitsumgebung und Menschen V. Voraussetzungen schaffen, Fallgruben vermeiden Big Data zum Erfolg bringen 65

61 Big Data Strategie nach Best-in-Class Gibt es in Ihrem Unternehmen eine Strategie für Big Data? (nach Best-in-Class) Best-in-Class 28% 42% 30% Average 11% 61% 28% Nachzügler 19% 56% 26% 0% 20% 40% 60% 80% 100% Big-Data-Strategie Keine Big-Data-Strategie Big-Data-Strategie in Planung BARC Big Data Survey 2013, n =

62 Dimensionen Organisation in klassischen BI-Projekten Organisation Rollen Aufbauorganisation Ablauforganisation / Prozesse 67

63 Aktuelle Aufbauorganisation der Fit4Life Fit4Life Marketing IT IT Betrieb Parameter für BI-Aufbauorganisation: Nutzer des DWH Nutzer best. operativer Systeme Analyse-Affinität/Methodische Kompetenzen Technische Kompetenzen Datenkompetenzen Sicht auf die neue Initiative IT Entwicklung BI CC AE Beispiel BI CC: Kompetenzen zu den strategischen BI Werkzeugen (BI, DM, DI) Sehr fokussiert auf die DWH-Architektur Kompetenzen zur Datenlandschaft des Unternehmens, die bislang im DWH integriert ist Keine Java-Kenntnisse, keine Kenntnisse zu OSS Technologie 68

64 Big Data braucht eine Unternehmenskultur die fachliches und technisches Know-how kombiniert! Fit4Life Controlling Marketing IT BICC IT Betrieb IT Entwicklung Exploration 1. Moderate Erweiterung BI-CC um ein Big Data Teams / Rollen 2. Virtuelle Teams AE 69

65 Big Data in Unternehmensbereichen nach Best-in-Class IT Controlling Marketing Vertrieb Produktion Forschung & Entwicklung In welchen Bereichen Ihres Unternehmens werden Big-Data- Analysen vorgenommen? (nach Best-in-Class) Supply Chain 10% 8% 12% 16% 17% 15% 19% 21% 19% 19% 22% 23% 23% 24% 21% 32% 29% 35% 32% 30% 37% 0% 20% 40% Best-in-Class Average Nachzügler BARC Big Data Survey 2013, n =

Big Data Vom Hype zum Geschäftsnutzen

Big Data Vom Hype zum Geschäftsnutzen Big Data Vom Hype zum Geschäftsnutzen IBM IM Forum, Berlin, 16.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Hype 15.04.2013 BARC 2013 2 1 Interesse an Big Data Nature 09-2008 Economist 03-2010

Mehr

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data Herausforderungen und Chancen für Controller ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC BARC: Expertise für datengetriebene Organisationen Beratung Strategie

Mehr

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller Was ist? Hannover, CeBIT 2014 Patrick Keller Business Application Research Center Historie 1994: Beginn der Untersuchung von Business-Intelligence-Software am Lehrstuhl Wirtschaftsinformatik der Universität

Mehr

Big Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Big Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data: Nutzen und Anwendungsszenarien CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data steht für den unaufhaltsamen Trend, dass immer mehr Daten in Unternehmen anfallen und von

Mehr

Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen

Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen Oracle DWH-Konferenz 21. März 2012 Dr. Carsten Bange Gründer & Geschäftsführer BARC Big Data bietet Methoden und Technologien

Mehr

Symbiose hybrider Architekturen im Zeitalter digitaler Transformation. Hannover, 18.03.2015

Symbiose hybrider Architekturen im Zeitalter digitaler Transformation. Hannover, 18.03.2015 Symbiose hybrider Architekturen im Zeitalter digitaler Transformation Hannover, 18.03.2015 Business Application Research Center (BARC) B (Analystengruppe Europas führendes IT-Analysten- und -Beratungshaus

Mehr

Business Intelligence - Wie passt das zum Mainframe?

Business Intelligence - Wie passt das zum Mainframe? Business Intelligence - Wie passt das zum Mainframe? IBM IM Forum, 15.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Ressourcen bei BARC für Ihr Projekt Durchführung von internationalen Umfragen,

Mehr

Big Data, small Data und alles dazwischen!

Big Data, small Data und alles dazwischen! Technologische Entwicklung Governance & Compliance Entwicklung 15.05.2015 Big Data, small Data und alles dazwischen! Wien, 20.5.2015 Herbert Stauffer Geschichtliche Entwicklung der Weg zu Big Data 1970

Mehr

Datenintegration, -qualität und Data Governance. Hannover, 14.03.2014

Datenintegration, -qualität und Data Governance. Hannover, 14.03.2014 Datenintegration, -qualität und Data Governance Hannover, 14.03.2014 Business Application Research Center Führendes europäisches Analystenhaus für Business Software mit Le CXP (F) objektiv und unabhängig

Mehr

Digitalisierung wie aus einer Strategie Realität wird.

Digitalisierung wie aus einer Strategie Realität wird. Digitalisierung wie aus einer Strategie Realität wird. Information Builders International Summit Frankfurt, 10.06.2015 Dr. Carsten Bange, Business Application Research Center (BARC) Knüpfen wir dort an,

Mehr

Unternehmen und IT im Wandel: Mit datengetriebenen Innovationen zum Digital Enterprise

Unternehmen und IT im Wandel: Mit datengetriebenen Innovationen zum Digital Enterprise Unternehmen und IT im Wandel: Mit datengetriebenen Innovationen zum Digital Enterprise Software AG Innovation Day 2014 Bonn, 2.7.2014 Dr. Carsten Bange, Geschäftsführer Business Application Research Center

Mehr

Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence

Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence IBM Netezza Roadshow 30. November 2011 Carsten Bange Gründer & Geschäftsführer BARC Die Krise hat die Anforderungen

Mehr

Markttrends im Data Warehousing Bereich. Aktuelle Tendenzen und Technologien. CAS AG SPoT 2012 07. Mai 2012 Lars Iffert Analyst BARC

Markttrends im Data Warehousing Bereich. Aktuelle Tendenzen und Technologien. CAS AG SPoT 2012 07. Mai 2012 Lars Iffert Analyst BARC Markttrends im Data Warehousing Bereich Aktuelle Tendenzen und Technologien CAS AG SPoT 2012 07. Mai 2012 Lars Iffert Analyst BARC Was sind die Hauptprobleme in BI-Projekten? Top 5 Probleme beim Einsatz

Mehr

erhöhen, aber Wildwuchs verhindern Jacqueline Bloemen, Patrick Keller

erhöhen, aber Wildwuchs verhindern Jacqueline Bloemen, Patrick Keller Self Service Business Intelligence: Flexibilität erhöhen, aber Wildwuchs verhindern TDWI München, 18. Juni 2013 Jacqueline Bloemen, Patrick Keller 1 Business Application Research Center Historie 1994:

Mehr

Hannover, 20.03.2015 Halle 5 Stand A36

Hannover, 20.03.2015 Halle 5 Stand A36 Integrierte Unternehmensinformationen als Fundament für die digitale Transformation vor allem eine betriebswirtschaftliche Aufgabe Hannover, 20.03.2015 Halle 5 Stand A36 Business Application Research Center

Mehr

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden Jens Kaminski ERP Strategy Executive IBM Deutschland Ungebremstes Datenwachstum > 4,6 Millarden

Mehr

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15 9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics

Mehr

Nutzen und Nutzung aktueller Trends in der BI: Schwerpunkt Self Service BI. Hannover, 10. März 2014 Patrick Keller, Senior Analyst

Nutzen und Nutzung aktueller Trends in der BI: Schwerpunkt Self Service BI. Hannover, 10. März 2014 Patrick Keller, Senior Analyst Nutzen und Nutzung aktueller Trends in der BI: Schwerpunkt Self Service BI Hannover, 10. März 2014 Patrick Keller, Senior Analyst Business Application Research Center BARC Historie BARC ist der führende

Mehr

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit BI Konsolidierung: Anspruch & Wirklichkeit Jacqueline Bloemen in Kooperation mit Agenda: Anspruch BI Konsolidierung Treiber Was sind die aktuellen Treiber für ein Konsolidierungsvorhaben? Kimball vs. Inmon

Mehr

Durchblick im Self-Service-Dschungel. Hannover, 16.03.2015 Patrick Keller, Senior Analyst

Durchblick im Self-Service-Dschungel. Hannover, 16.03.2015 Patrick Keller, Senior Analyst Durchblick im Self-Service-Dschungel Hannover, 16.03.2015 Patrick Keller, Senior Analyst Business Application Research Center (BARC) B Europas führendes IT-Analysten- und -Beratungshaus für Business Software

Mehr

Digitale Transformation: BI und Big Data treiben neue Geschäftsmodelle. CeBIT, 18.3.2015 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Digitale Transformation: BI und Big Data treiben neue Geschäftsmodelle. CeBIT, 18.3.2015 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Digitale Transformation: BI und Big Data treiben neue Geschäftsmodelle CeBIT, 18.3.2015 Dr. Carsten Bange, Gründer und Geschäftsführer BARC BARC: Expertise für datengetriebene Unternehmen Beratung Strategie

Mehr

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria Analyse von unstrukturierten Daten Peter Jeitschko, Nikolaus Schemel Oracle Austria Evolution von Business Intelligence Manuelle Analyse Berichte Datenbanken (strukturiert) Manuelle Analyse Dashboards

Mehr

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle 40. Congress der Controller, Themenzentrum C, München Steffen Vierkorn, Geschäftsführer Qunis GmbH, Neubeuern Die

Mehr

Big-Data-Technologien - Überblick - Prof. Dr. Jens Albrecht

Big-Data-Technologien - Überblick - Prof. Dr. Jens Albrecht Big-Data-Technologien - Überblick - Quelle: http://www.ingenieur.de/panorama/fussball-wm-in-brasilien/elektronischer-fussball-smartphone-app-helfen-training Big-Data-Anwendungen im Unternehmen Logistik

Mehr

Fortgeschrittene Analysetechnologien: Abgrenzung, Produktübersicht, Erfolgsfaktoren

Fortgeschrittene Analysetechnologien: Abgrenzung, Produktübersicht, Erfolgsfaktoren Fortgeschrittene Analysetechnologien: Abgrenzung, Produktübersicht, Erfolgsfaktoren BI, Big Data, CRM Forum @ CeBIT 2015, Hannover, 19.03.2015 Patrick Keller, Senior Analyst Status Quo Business Intelligence

Mehr

TRACK II Datenmanagement Strategien & Big Data Speicherkonzepte. TRACK I Big Data Analytics & Self Service BI

TRACK II Datenmanagement Strategien & Big Data Speicherkonzepte. TRACK I Big Data Analytics & Self Service BI 9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics

Mehr

In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI

In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI Hanau, 25.02.2015 1 Titel der Präsentation, Name, Abteilung, Ort, xx. Monat 2014 Der Aufbau der Group BI Plattform

Mehr

Big Data Informationen neu gelebt

Big Data Informationen neu gelebt Seminarunterlage Version: 1.01 Copyright Version 1.01 vom 21. Mai 2015 Dieses Dokument wird durch die veröffentlicht. Copyright. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen

Mehr

Big Data Hype und Wirklichkeit Bringtmehrauchmehr?

Big Data Hype und Wirklichkeit Bringtmehrauchmehr? Big Data Hype und Wirklichkeit Bringtmehrauchmehr? Günther Stürner, Vice President Sales Consulting 1 Copyright 2011, Oracle and/or its affiliates. All rights Überschrift 2 Copyright 2011, Oracle and/or

Mehr

Wird BIG DATA die Welt verändern?

Wird BIG DATA die Welt verändern? Wird BIG DATA die Welt verändern? Frankfurt, Juni 2013 Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust Big Data Entmythisierung von Big Data. Was man über Big Data wissen sollte. Wie

Mehr

DWH Szenarien. www.syntegris.de

DWH Szenarien. www.syntegris.de DWH Szenarien www.syntegris.de Übersicht Syntegris Unser Synhaus. Alles unter einem Dach! Übersicht Data-Warehouse und BI Projekte und Kompetenzen für skalierbare BI-Systeme. Vom Reporting auf operativen

Mehr

Prozess- und Datenmanagement Kein Prozess ohne Daten

Prozess- und Datenmanagement Kein Prozess ohne Daten Prozess- und Datenmanagement Kein Prozess ohne Daten Frankfurt, Juni 2013 Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust Prozess- und Datenmanagement Erfolgreiche Unternehmen sind Prozessorientiert.

Mehr

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle DATA WAREHOUSE Big Data Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen aus Unternehmens- Daten ziehen! Datenmengen, Performance und Kosten Daten als Geschäftsmodell

Mehr

BARC-Studie Data Warehousing und Datenintegration

BARC-Studie Data Warehousing und Datenintegration Ergebnisse der BARC-Studie Data Warehouse Plattformen Dr. Carsten Bange BARC-Studie Data Warehousing und Datenintegration Data-Warehouse -Plattformen und Datenintegrationswerkzeuge im direkten Vergleich

Mehr

Integration und massiver Excel-Einsatz Herausforderungen in der Planung

Integration und massiver Excel-Einsatz Herausforderungen in der Planung Integration und massiver Excel-Einsatz Herausforderungen in der Planung CeBIT, Hannover, 10.03.2014 Dr. Christian Fuchs, Senior Analyst Business Application Research Center Historie 1994: Beginn der Untersuchung

Mehr

Step 0: Bestehende Analyse-Plattform

Step 0: Bestehende Analyse-Plattform Die Themen 09:30-09:45 Einführung in das Thema (Oracle) 09:45-10:15 Hadoop in a Nutshell (metafinanz) 10:15-10:45 Hadoop Ecosystem (metafinanz) 10:45-11:00 Pause 11:00-11:30 BigData Architektur-Szenarien

Mehr

Infografik Business Intelligence

Infografik Business Intelligence Infografik Business Intelligence Top 5 Ziele 1 Top 5 Probleme 3 Im Geschäft bleiben 77% Komplexität 28,6% Vertrauen in Zahlen sicherstellen 76% Anforderungsdefinitionen 24,9% Wirtschaflicher Ressourceneinsatz

Mehr

SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation

SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation Alexander Schroeter, Head of Outbound PM MEE, CRM & Commerce, SAP AG Regensdorf, November 19, 2013 SAP Customer Engagement

Mehr

Trends in Business Intelligence

Trends in Business Intelligence Trends in Business Intelligence Patrick Keller Senior Analyst BARC Business Application Research Center BARC ist Marktanalyst und Berater spezialisiert auf Business Intelligence, Daten- und Dokumentenmanagement.

Mehr

Komplexität der Information - Ausgangslage

Komplexität der Information - Ausgangslage Intuition, verlässliche Information, intelligente Entscheidung ein Reisebericht Stephan Wietheger Sales InfoSphere/Information Management Komplexität der Information - Ausgangslage Liefern von verlässlicher

Mehr

Living Lab Big Data Konzeption einer Experimentierplattform

Living Lab Big Data Konzeption einer Experimentierplattform Living Lab Big Data Konzeption einer Experimentierplattform Dr. Michael May Berlin, 10.12.2012 Fraunhofer-Institut für Intelligente Analyseund Informationssysteme IAIS www.iais.fraunhofer.de Agenda n Ziele

Mehr

Die Rolle des Stammdatenmanagements im digitalen Unternehmen

Die Rolle des Stammdatenmanagements im digitalen Unternehmen Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust Die Rolle des Stammdatenmanagements im digitalen Unternehmen Frankfurt, April 2015 Die Digitalisierung der Welt Nach der Globalisierung

Mehr

Das Zettabyte. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor

Das Zettabyte. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Das Zettabyte CeBIT 2011 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Das Zetabyte: analytische Datenbanken Die Datenflut. Analytische Datenbanken: Was ist neu? Analytische Datenbanken:

Mehr

Trends in Business Intelligence

Trends in Business Intelligence Trends in Business Intelligence Dr. Carsten Bange Business Intelligence (BI) beschreibt die Erfassung, Sammlung und Darstellung von Information zur Planung, Steuerung und Kontrolle der Unternehmensleistung.

Mehr

SAP HANA eine Plattform für innovative Anwendungen

SAP HANA eine Plattform für innovative Anwendungen SAP HANA eine Plattform für innovative Anwendungen Top Intelligence: Big Data & SAP HANA Zürich, Frankfurt, Hamburg, München, Mülheim/R Februar 2014 Dr. Wolfgang Martin Analyst und Mitglied im Boulder

Mehr

Maximieren Sie Ihr Informations-Kapital

Maximieren Sie Ihr Informations-Kapital Maximieren Sie Ihr Informations-Kapital Zürich, Mai 2014 Dr. Wolfgang Martin Analyst, Mitglied im Boulder BI Brain Trust Maximieren des Informations-Kapitals Die Digitalisierung der Welt: Wandel durch

Mehr

Kann man Big Data managen?

Kann man Big Data managen? Kann man Big Data managen? Information Governance in Retail-Unternhmen Uwe Nadler Senior Managing Consultant Big Data Architect Sales Leader Information Governance D-A-CH Themen Die Bedeutung von Information

Mehr

Review Freelancer-Workshop: Fit für Big Data. Mittwoch, 29.04.2015 in Hamburg

Review Freelancer-Workshop: Fit für Big Data. Mittwoch, 29.04.2015 in Hamburg Review Freelancer-Workshop: Fit für Big Data Mittwoch, 29.04.2015 in Hamburg Am Mittwoch, den 29.04.2015, hatten wir von productive-data in Zusammenarbeit mit unserem langjährigen Partner Informatica zu

Mehr

Master Data Management - Wege aus der Datenkrise

Master Data Management - Wege aus der Datenkrise Master Data Management - Wege aus der Datenkrise Conect 2008-04-03 Dr. Siegmund Priglinger Business Application Research Center (BARC) Steinbachtal 2b D-97082 Würzburg +49-931-8806510 www.barc.de Agenda

Mehr

Business Analytics in der Big Data-Welt

Business Analytics in der Big Data-Welt Business Analytics in der Big Data-Welt Frankfurt, Juni 2014 Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust Big Data-Analytik "The way I look at big data analytics is it's not a technology,

Mehr

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 BIW - Überblick Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 Annegret Warnecke Senior Sales Consultant Oracle Deutschland GmbH Berlin Agenda Überblick

Mehr

Organisatorische Verankerung von Big Data und Predictive Analytics Sind Data Labs der goldene Weg?

Organisatorische Verankerung von Big Data und Predictive Analytics Sind Data Labs der goldene Weg? Organisatorische Verankerung von Big und Predictive Analytics Sind Labs der goldene Weg? TDWI München, 24.06.2015 Carsten Bange, Gründer und Geschäftsführer BARC Lars Iffert, Analyst BARC BARC: Expertise

Mehr

Business Intelligence Werkzeuge Nutzen für den Controller! Dr. Carsten Bange Gründer und Geschäftsführer BARC

Business Intelligence Werkzeuge Nutzen für den Controller! Dr. Carsten Bange Gründer und Geschäftsführer BARC Business Intelligence Werkzeuge Nutzen für den Controller! Dr. Carsten Bange Gründer und Geschäftsführer BARC Business Application Research Center BARC hilft Ihnen, richtige Software-Entscheidungen zu

Mehr

Copyr i g ht 2014, SAS Ins titut e Inc. All rights res er ve d. HERZLICH WILLKOMMEN ZUR VERANSTALTUNG HADOOP

Copyr i g ht 2014, SAS Ins titut e Inc. All rights res er ve d. HERZLICH WILLKOMMEN ZUR VERANSTALTUNG HADOOP HERZLICH WILLKOMMEN ZUR VERANSTALTUNG HADOOP AGENDA HADOOP 9:00 09:15 Das datengetriebene Unternehmen: Big Data Analytics mit SAS die digitale Transformation: Handlungsfelder für IT und Fachbereiche Big

Mehr

Oracle Data Warehouse Mit Big Data neue Horizonte für das Data Warehouse ermöglichen

Oracle Data Warehouse Mit Big Data neue Horizonte für das Data Warehouse ermöglichen DATA WAREHOUSE Oracle Data Warehouse Mit Big Data neue Horizonte für das Data Warehouse ermöglichen Alfred Schlaucher, Detlef Schroeder DATA WAREHOUSE Themen Big Data Buzz Word oder eine neue Dimension

Mehr

Big Data Mythen und Fakten

Big Data Mythen und Fakten Big Data Mythen und Fakten Mario Meir-Huber Research Analyst, IDC Copyright IDC. Reproduction is forbidden unless authorized. All rights reserved. About me Research Analyst @ IDC Author verschiedener IT-Fachbücher

Mehr

vinsight BIG DATA Solution

vinsight BIG DATA Solution vinsight BIG DATA Solution München, November 2014 BIG DATA LÖSUNG VINSIGHT Datensilos erschweren eine einheitliche Sicht auf die Daten...... und machen diese teilweise unmöglich einzelne individuelle Konnektoren,

Mehr

SAS Analytics bringt SAP HANA in den Fachbereich

SAS Analytics bringt SAP HANA in den Fachbereich Pressemitteilung Hamburg, 08. November 2013 SAS Analytics bringt SAP HANA in den Fachbereich Ergonomie kombiniert mit Leistungsfähigkeit: die BI-Experten der accantec group geben der neuen Partnerschaft

Mehr

Andreas Emhart Geschäftsführer Alegri International Group

Andreas Emhart Geschäftsführer Alegri International Group Andreas Emhart Geschäftsführer Alegri International Group Agenda Vorstellung Alegri International Überblick Microsoft Business Intelligence Sharepoint Standard Business Intelligence Tool Excel Service

Mehr

Master-Thesis (m/w) für unseren Standort Stuttgart

Master-Thesis (m/w) für unseren Standort Stuttgart Master-Thesis (m/w) für unseren Standort Abschlussarbeit im Bereich Business Process Management (BPM) Effizienzsteigerung von Enterprise Architecture Management durch Einsatz von Kennzahlen Braincourt

Mehr

1 Einleitung. Betriebswirtschaftlich administrative Systeme

1 Einleitung. Betriebswirtschaftlich administrative Systeme 1 1 Einleitung Data Warehousing hat sich in den letzten Jahren zu einem der zentralen Themen der Informationstechnologie entwickelt. Es wird als strategisches Werkzeug zur Bereitstellung von Informationen

Mehr

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung 2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung Reporting, Analyse und Data Mining André Henkel, initions AG 22. und 23. Oktober 2013 in Hamburg

Mehr

Lars Priebe Senior Systemberater. ORACLE Deutschland GmbH

Lars Priebe Senior Systemberater. ORACLE Deutschland GmbH Lars Priebe Senior Systemberater ORACLE Deutschland GmbH Data Mining als Anwendung des Data Warehouse Konzepte und Beispiele Agenda Data Warehouse Konzept und Data Mining Data Mining Prozesse Anwendungs-Beispiele

Mehr

Michael Bauer Niederlassungsleiter Köln

Michael Bauer Niederlassungsleiter Köln Click to edit Master title style 1 Michael Bauer Niederlassungsleiter Köln Hamburg, 18. Juni 2009 2009 IBM Corporation Agenda Click to edit Master title style 2 zur Person Wo, Warum.., Was - CPM liefert

Mehr

MIT DATEN. TDWI Konferenz SCHAFFEN REPORT 2015. Peter Heidkamp (KPMG) Franz Grimm (Bitkom Research) München, 22. Juni 2015

MIT DATEN. TDWI Konferenz SCHAFFEN REPORT 2015. Peter Heidkamp (KPMG) Franz Grimm (Bitkom Research) München, 22. Juni 2015 TDWI Konferenz Peter Heidkamp (KPMG) Franz Grimm (Bitkom Research) MIT DATEN WERTE SCHAFFEN REPORT 2015 München, 22. Juni 2015 WIE MACHE ICHAUS EINSEN UND NULLEN DAS EINS ZU NULL FÜR MICH? 01 EINSTELLUNG

Mehr

Hadoop Projekte Besonderheiten & Vorgehensweise. Oracle/metafinanz Roadshow Februar 2014

Hadoop Projekte Besonderheiten & Vorgehensweise. Oracle/metafinanz Roadshow Februar 2014 Hadoop Projekte Besonderheiten & Vorgehensweise Oracle/metafinanz Roadshow Februar 2014 Head of Data Warehousing DWH Principal Consultant DWH Senior Consultant Wir fokussieren mit unseren Services die

Mehr

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen

Mehr

PAC IT-Services-Preisdatenbank 2015. Preise und Entwicklungen im deutschen IT-Dienstleistungsmarkt 2014-2016 Angebot für IT-Dienstleister

PAC IT-Services-Preisdatenbank 2015. Preise und Entwicklungen im deutschen IT-Dienstleistungsmarkt 2014-2016 Angebot für IT-Dienstleister Preise und Entwicklungen im deutschen IT-Dienstleistungsmarkt 2014-2016 Angebot für IT-Dienstleister Die PAC IT-Services-Preisdatenbank im Überblick 15.000 Referenzpreise ausgewertet über 6 Dimensionen

Mehr

Business Intelligence: Markt, Trends und Technologien. Dr. Carsten Bange Darmstadt, 22.1.2008

Business Intelligence: Markt, Trends und Technologien. Dr. Carsten Bange Darmstadt, 22.1.2008 Business Intelligence: Markt, Trends und Technologien Dr. Carsten Bange Darmstadt, 22.1.2008 Business Intelligence & Corporate Performance Management Entwicklung des BI-Softwaremarktes Seit Jahren robustes

Mehr

Intelligente Unternehmens- und Prozesssteuerung durch CPM

Intelligente Unternehmens- und Prozesssteuerung durch CPM Intelligente Unternehmens- und Prozesssteuerung durch CPM 5. IIR Forum BI, Mainz, Sept. 2006 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

Mehr

B1 - Big Data Science: Tornado oder laues Lüftchen? Uetliberg, 15.09.2015 www.boak.ch

B1 - Big Data Science: Tornado oder laues Lüftchen? Uetliberg, 15.09.2015 www.boak.ch B1 - Big Data Science: Tornado oder laues Lüftchen? Uetliberg, 15.09.2015 www.boak.ch WANN REDEN WIR VON BIG DATA SCIENCE? Big Data ist der technische Teil von Big Data Science. Mehr Daten! Mehr Datenquellen(-änderungen)!

Mehr

Möglichkeiten für bestehende Systeme

Möglichkeiten für bestehende Systeme Möglichkeiten für bestehende Systeme Marko Filler Bitterfeld, 27.08.2015 2015 GISA GmbH Leipziger Chaussee 191 a 06112 Halle (Saale) www.gisa.de Agenda Gegenüberstellung Data Warehouse Big Data Einsatz-

Mehr

Big Data in Marketing und IT

Big Data in Marketing und IT Big Data in Marketing und IT Chancen erkennen, Strategien entwickeln und Projekte erfolgreich umsetzen T-Systems Hacker Day 30. September 2015 Prof. Dr. Alexander Rossmann Reutlingen University Big Data

Mehr

POWER ALS BIG DATA PLATTFORM. Vom klassischen Data Warehouse zum Big Data Ansatz

POWER ALS BIG DATA PLATTFORM. Vom klassischen Data Warehouse zum Big Data Ansatz POWER ALS BIG DATA PLATTFORM Vom klassischen Data Warehouse zum Big Data Ansatz IBM COGNOS VORSTELLUNG Stefan Held Software Architekt PROFI GS Bochum Schwerpunkte: Business Intelligence & Analytics Big

Mehr

Business Intelligence Meets SOA

Business Intelligence Meets SOA Business Intelligence Meets SOA Microsoft People Ready Conference, München, Nov. 2007 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

Mehr

BIG DATA Impulse für ein neues Denken!

BIG DATA Impulse für ein neues Denken! BIG DATA Impulse für ein neues Denken! Wien, Januar 2014 Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust The Age of Analytics In the Age of Analytics, as products and services become

Mehr

Business Analytics verbessert die Wertschöpfungskette

Business Analytics verbessert die Wertschöpfungskette Pressemitteilung Hamburg, 05. September 2013 Business Analytics verbessert die Wertschöpfungskette accantec zeigt auf dem SAS Forum in Mannheim vom 11.- 12.09.2013, wie Unternehmen mit SAS Visual Analytics

Mehr

Vorstellung IBM Cognos 10.2. Oliver Linder Client Technical Professional Business Analytics

Vorstellung IBM Cognos 10.2. Oliver Linder Client Technical Professional Business Analytics Vorstellung IBM Cognos 10.2 Oliver Linder Client Technical Professional Business Analytics Agenda IBM Cognos 10.2 Architektur User Interfaces IBM Cognos Workspace IBM Cognos Workspace Advanced IBM Cognos

Mehr

Mit Big Data zum Touchpoint- übergreifenden Echtzeit- Kundendialog

Mit Big Data zum Touchpoint- übergreifenden Echtzeit- Kundendialog Mit Big Data zum Touchpoint- übergreifenden Echtzeit- Kundendialog Big Data im Marke

Mehr

"Hier kann ich mich weiterentwickeln!"

Hier kann ich mich weiterentwickeln! "Hier kann ich mich weiterentwickeln!" Zur Verstärkung suchen wir für die Standorte München und Dresden einen Reporting Specialist (m/w) Leistungsspektrum der BBF BBF ist ein mittelständisches Unternehmen

Mehr

Agile Analytics Neue Anforderungen an die Systemarchitektur

Agile Analytics Neue Anforderungen an die Systemarchitektur www.immobilienscout24.de Agile Analytics Neue Anforderungen an die Systemarchitektur Kassel 20.03.2013 Thorsten Becker & Bianca Stolz ImmobilienScout24 Teil einer starken Gruppe Scout24 ist der führende

Mehr

IT-Services. Business und IT. Ein Team. Aus Sicht eines Retailers.

IT-Services. Business und IT. Ein Team. Aus Sicht eines Retailers. Business und IT. Ein Team. Aus Sicht eines Retailers. Hier steht ein Bild randabfallend. Wenn kein Bild vorhanden ist, bitte Folie 2 benutzen. IT-Services Club of Excellence. Das CIO Forum der IBM vom

Mehr

IBM Smart Analytics System und IBM Cognos BI: Vom Single Point of Truth zum mobilen Cockpit - ein Praxisbericht beim Unternehmen Theo Förch

IBM Smart Analytics System und IBM Cognos BI: Vom Single Point of Truth zum mobilen Cockpit - ein Praxisbericht beim Unternehmen Theo Förch IBM Smart Analytics System und IBM Cognos BI: Vom Single Point of Truth zum mobilen Cockpit - ein Praxisbericht beim Unternehmen Theo Förch Markus Ruf, Geschäftsführer mip GmbH Jens Kretzschmar, Senior

Mehr

Top 10 der Business Intelligence-Trends für 2014

Top 10 der Business Intelligence-Trends für 2014 Top 10 der Business Intelligence-Trends für 2014 Das Ende der Datenexperten. Datenwissenschaft kann künftig nicht nur von Experten, sondern von jedermann betrieben werden. Jeder normale Geschäftsanwender

Mehr

SAS VISUAL ANALYTICS DER EINSTIEG IN (BIG) DATA ANALYTICS JOO-HYUNG MAING, SAS DEUTSCHLAND, 16. APRIL 2013

SAS VISUAL ANALYTICS DER EINSTIEG IN (BIG) DATA ANALYTICS JOO-HYUNG MAING, SAS DEUTSCHLAND, 16. APRIL 2013 SAS VISUAL ANALYTICS DER EINSTIEG IN (BIG) DATA ANALYTICS JOO-HYUNG MAING, SAS DEUTSCHLAND, 16. APRIL 2013 SAS INSTITUTE EIN UNTERNEHMEN IN ZAHLEN SAS is the first company to call when you need to solve

Mehr

Data Driven Enerprises How is big data changing the business models? Technologieoutlook - Zürich, 8.9.2015 Herbert Stauffer

Data Driven Enerprises How is big data changing the business models? Technologieoutlook - Zürich, 8.9.2015 Herbert Stauffer Data Driven Enerprises How is big data changing the business models? Technologieoutlook - Zürich, 8.9.2015 Herbert Stauffer Business Application Research Center (BARC) B Europas führendes IT-Analysten-

Mehr

Einführung in Business Intelligence

Einführung in Business Intelligence Einführung in Business Intelligence Grundlagen und Anwendungsmöglichkeiten Prof. Dr. Wolfram Höpken wolfram.hoepken@eloum.net eloum @ Hochschule Ravensburg-Weingarten Informationsveranstaltung ebusiness-lotse

Mehr

Business Performance Management Next Generation Business Intelligence?

Business Performance Management Next Generation Business Intelligence? Business Performance Management Next Generation Business Intelligence? München, 23. Juni 2004 Jörg Narr Business Application Research Center Untersuchung von Business-Intelligence-Software am Lehrstuhl

Mehr

Clouds. Erwartungen der Nutzer. Wolkig bis Heiter. (c) 2013, Peter Sturm, Universität Trier. Er ist verwöhnt! Er ist nicht dankbar!

Clouds. Erwartungen der Nutzer. Wolkig bis Heiter. (c) 2013, Peter Sturm, Universität Trier. Er ist verwöhnt! Er ist nicht dankbar! Clouds Wolkig bis Heiter Erwartungen der Nutzer Er ist verwöhnt! Verfügbarkeit Viele Anwendungen Intuitive Interfaces Hohe Leistung Er ist nicht dankbar! Mehr! Mehr! Mehr! Moore 1 Erwartungen der Entwickler

Mehr

Business Intelligence

Business Intelligence Business Intelligence TOP Priorität für CIOs? Köln 08. Mai 2007 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business Intelligence BI TOP Priorität

Mehr

Roundtable. Dashboards und Management Information. Rüdiger Felke / Christian Baumgarten 29.11.2011

Roundtable. Dashboards und Management Information. Rüdiger Felke / Christian Baumgarten 29.11.2011 Roundtable Dashboards und Management Information Rüdiger Felke / Christian Baumgarten 29.11.2011 Agenda Behind the Dashboards Was ist ein Dashboard und was ist es nicht? SAP BusinessObjects Dashboards

Mehr

BICC, Organisation und Kompetenz Das Raiffeisen Solution SAS Competence Center

BICC, Organisation und Kompetenz Das Raiffeisen Solution SAS Competence Center BICC, Organisation und Kompetenz Das Raiffeisen Solution SAS Competence Center Ing. Polzer Markus öffentlich Inhaltsverzeichnis 1 2 3 4 5 6 7 Kurzvorstellung Raiffeisen Solution Business Intelligence Strategie

Mehr

Industrie 4.0. Potentiale für BI-/DWH-Lösungen und Big-Data-Ansätze

Industrie 4.0. Potentiale für BI-/DWH-Lösungen und Big-Data-Ansätze Industrie 4.0 Potentiale für BI-/DWH-Lösungen und Big-Data-Ansätze Prof. Dr. Hans-Georg Kemper Keplerstr. 17 70174 Stuttgart Telefon: +49 (711) 685-83194 Telefax: +49 (711) 685-83197 E-Mail: kemper@wi.uni-stuttgart.de

Mehr

Direktmarketing im Zentrum digitaler Vertriebsstrategien

Direktmarketing im Zentrum digitaler Vertriebsstrategien Direktmarketing im Zentrum digitaler Vertriebsstrategien Standortbestimmung und Key Learnings für Verlage Hamburg, September 2014 Im Zentrum digitaler Vertriebsstrategien steht zunehmend die Analyse komplexer

Mehr

19.11.2009. Business Intelligence und Web 2.0. Business Application Research Center

19.11.2009. Business Intelligence und Web 2.0. Business Application Research Center Business Application Research Center BARC ist Marktanalyst und Berater spezialisiert auf Business Intelligence, Daten- und Dokumentenmanagement. Business Intelligence und Web 2.0 Dr. Carsten Bange Gründer

Mehr

Macht Knowledge- Management Unternehmen effizienter?

Macht Knowledge- Management Unternehmen effizienter? Macht Knowledge- Management Unternehmen effizienter? Karl-Heinz Plünnecke Geschäftsführer H.U.T GmbH 1 Software Performance Entwicklung Performance Was dann? ecommerce ERP SCM CRM Zeit 2 1 Noch Potential?

Mehr

ETL in den Zeiten von Big Data

ETL in den Zeiten von Big Data ETL in den Zeiten von Big Data Dr Oliver Adamczak, IBM Analytics 1 1 Review ETL im Datawarehouse 2 Aktuelle Herausforderungen 3 Future of ETL 4 Zusammenfassung 2 2015 IBM Corporation ETL im Datawarehouse

Mehr

DISCOVER BIG DATA & PREDICTIVE ANALYTICS DISCOVER INSIGHTS

DISCOVER BIG DATA & PREDICTIVE ANALYTICS DISCOVER INSIGHTS BIG DATA & PREDICTIVE ANALYTICS BIG DATA & PREDICTIVE ANALYTICS Turn communication into usable data. In einer zunehmend vernetzten, digitalen Service-Ökonomie müssen Sie die Wünsche Ihrer Kunden laufend

Mehr

Software EMEA Performance Tour 2013. 17.-19 Juni, Berlin

Software EMEA Performance Tour 2013. 17.-19 Juni, Berlin Software EMEA Performance Tour 2013 17.-19 Juni, Berlin HP Autonomy Information Governance Strategie: Die Kontrolle über die Informationsflut Petra Berneaud - Account Manager Autonomy Status in vielen

Mehr

Seminar WS 2012/13. S. Chaudhuri et al, CACM, Aug. 2011. Parallel DBS vs. Open Platforms for Big Data, e.g. HaDoop Near-Realtime OLAP

Seminar WS 2012/13. S. Chaudhuri et al, CACM, Aug. 2011. Parallel DBS vs. Open Platforms for Big Data, e.g. HaDoop Near-Realtime OLAP Seminar WS 2012/13 S. Chaudhuri et al, CACM, Aug. 2011 Parallel DBS vs. Open Platforms for Big Data, e.g. HaDoop Near-Realtime OLAP 2 Vorkonfigurierte, komplette Data Warehouse-Installation Mehrere Server,

Mehr