SAP In-Memory Technologie (HANA) in der Versorgungswirtschaft

Transkript

1 SAP In-Memory Technologie (HANA) in der Versorgungswirtschaft Michael Utecht, Industry Expert Utilities Business Area COO Germany, Industry Solutions SAP Deutschland AG & Co.KG

2 Opportunities Speed GPS s Informationsflut Analytische Auswertungen sind Treiber des operativen Geschäft s Instant Messages Kommunikation Documents Mobile Tweets Sensoren Smart Meter Temperature Velocity Inventory Movements Transaktionen Service Calls Sales Orders Externe Quellen 2011 SAP AG. All rights reserved. Confidential 4

3 SAP In-Memory Computing In-Memory Computing Eine Technologie, mit der riesige Mengen von Echtzeitdaten im Hauptspeicher eines Servers verarbeitet werden, um sofortige Ergebnisse aus Analysen und Transaktionen zu erhalten 2011 SAP AG. All rights reserved. Confidential 5

4 In-Memory Computing JETZT ist der richtige Zeitpunkt Die Elemente des In-Memory Computing sind nicht neu. Doch erheblich verbesserte Hardware und Neuerungen im Softwarebereich haben es der SAP möglich gemacht, ihre Vision des Echtzeitunternehmens mit In-Memory- Geschäftsanwendungen zu verwirklichen. Innovative Hardware-Technologie Multi-Core-Architektur (8 x 8 Core CPU in einem Server) Massive parallele Skalierung mit einer großen Anzahl von Blades Ein Blade ~ USD = 1 Server der Enterprise-Klasse 64-Bit-Adressraum max. 2 TB auf aktuellen Servern 100 GB/s Datendurchsatz Dramatische Verbesserung des Preis-Leistungs-Verhältnisses Innovative SAP-Software-Technologie Zeilen- und Spaltenspeicher Komprimierung Partitionierung Keine Aggregattabellen Einfügung nur bei Delta 2011 SAP AG. All rights reserved. Confidential 6

5 SAP Software Innovationen Übertragung von daten-intensiven Operationen Übertragung von daten-intensiven Operationen an die in-memory computing engine Heutige Anwendungen führen viele der daten-intensiven Operationen in der Anwendungsschicht aus Application Layer Data Layer Hochperformante Anwendungen delegieren datenintensive Operationen an die in-memory computing engine In-Memory Computing Imperative Vermeidung von Bewegungen der Detaildaten > erst Rechnen, dann das Ergebnis übertragen 2011 SAP AG. All rights reserved. Confidential 7

6 HANA Echtzeit Analysen SAP BW B W A Analytische Aufbereitung Analyse- Reports Update tgl. SAP ECC ETL Update Std./tgl Operativ detailliert Operative Reports Traditionelle DB Oracle, DB2, MSFT Fast Real-Time (oder ETL) Schritt 1 & 2 In-Memory parallel Traditionelle DB Oracle, DB2, MSFT SAP HANA 1.0 High Value Szenarien BI Analytisch Operativ SAP HANA High Performance komplexe Analysen geringe Wartezeit Operative daten in traditionellen Datenbanken werden in den Hauptspeicher für operatives Reprting repliziert Analyse Modelle des produktiven EDW kann in den Hauptspeicher für eine flexible Modellierung und Reporting geladen werden Drittdaten (POS, CDR etc) können in den Hauptspeicher für flexibles Modellieren und Reporting geladen werden 2011 SAP AG. All rights reserved. Confidential 9

7 SAP HANA 1.0 SP3 Konsolidierte Analysen In-Memory BW ETL SAP BW BI Analytisch SAP ECC Traditionelle DB Oracle, DB2, MSFT SAP HANA 1.0 SP3 DW Acceleration Analytische Anwendungen Near Real-Time SAP HANA 1.0 SP3 High Value Szenarien BI Analytisch Operativ Schritt 3 Datenquelle für BW In-Memory Computing als Hauptdatenquelle für die Ablage in BW BW organisiert die analytischen Metadaten und die EDW Data Provisioning Prozesse Detaillierte operative Daten werden von den Anwendungen repliziert und sind Basis für alle Prozesse Mit SAP HANA 1.0 SP3 als darunterliegende Datenbank für SAP BW, BWA ist nich weiter erforderlich 2011 SAP AG. All rights reserved. Confidential 10

8 SAP HANA Nirvana SAP ECC BW Anwendung en HANA Schritt 4 Neue Anwendungen Neue Anwendungen erweitern die Core Business Suite mit neuen Möglichkeiten Neue Anwendungen verlagern Dateninstensive Operationen ganz in das In-Memory Computing Operative Daten von den neuen Anwendungen stehen sofort für analytische Auswertungen zur Verfügung - Echtzeit Schritt 5 Plattform Konsolidierung Alle Anwendungen (ERP und BW) laufen auf In-Memory Analytisches und transaktionales Arbeiten auf Echtzeitdaten In-Memory Computing für alle Transaktionen, Transformationen und komplexen Datenaufbereitungen 2011 SAP AG. All rights reserved. Confidential 11

9 Anwendungen Versorgungswirtschaft - Smart- Meter-Analysen Energieeffizienz-Benchmarking und Performance Management

10 Entwicklung der Zähler erzeugt erhebliches Datenvolumen Klassische Zähler Smart Meter Beispiel: Versorger mit 1,2 Mio. Kunden 1000 Byte per Ablesung 1 Ablesung pro Kunde/Jahr = ~ 1 GB Rohdaten pro Jahr 15-min (96 Werte) pro Kunde/Tag 1000 Byte pro Kunde/Tag = 1,2 GB Rohdaten pro Tag 400 GB pro Jahr unkomprimiert 2011 SAP AG. All rights reserved. Confidential 15

11 SAP Smart Meter Analytics - Scope Early-Adoption SPs + GA Release Segmentation and Exploration - Identify and segment on usage - Understand customer data Aggregation - TOU blocks and total profiles - Customer portal support - Versioning SMA Architecture - ETL of data from multiple sources - Exchange of data with SAP BW - UTC/ multiple time zone support SAP Smart Meter Analytics for Utilities Data Quality and Data Filling - Identify and report missing data - Algorithms to fill missing values Benchmarking and Monitoring - Opportunity analysis - Customer portal support - DSM support - Fraud detection Tariff Analysis - Best fit analysis - What-if Tariff design - Customer portal support 2011 SAP AG. All rights reserved. Confidential 21

12 Verbrauch [kwh] Beispiel 1: Mustererkennung Kunden und deren Verbrauchsverhalten verstehen 0 Std. 24 Std. 0,06 0,05 0,04 0,03 0,02 0,01 0 0,04 0,03 0,02 0,01 0 0,05 0,04 0,03 0,02 0, ,00E-01 8,00E-02 6,00E-02 4,00E-02 2,00E-02 0,00E+00 0,05 0,04 0,03 0,02 0,01 0 Typische Größe: Millionen von Tagesprofilen Millionen von Tagesverbrauchsprofilen enthalten wertvolle Informationen über das Verbrauchsverhalten der Kunden. 2 Der In-Memory- Mustererkennungs-Algorithmus ermittelt typische Lastprofile aus den enormen Datenmengen, fasst die Daten zusammen und kategorisiert das Nutzerverhalten. 3 Anstatt Millionen von individuellen Profilen auszuwerten, genügt es die typische Verbrauchsmuster anzusehen, um das Verhalten des Kunden zu verstehen. Diese Muster bilden die Grundlage für viele Folgeprozesse SAP AG. All rights reserved. Confidential 23

13 Beispiel 2: Energieeffizienz-Benchmarking und Zielgruppen für Energiemanagement-Services Herausforderung bei Centrica: Bei einer Einzelhandelskette mit 500 Filialen gilt es herauszufinden, welche Filialen die geringste Energieeffizienz aufweisen und entsprechend von Energieeffizienz-Programmen profitieren würden. Lassen sich aus den Smart-Meter-Daten potenzielle Gründe für die Ineffizienz einer Filialen ableiten? Verfügbare Informationen: Halbstündige Smart-Meter-Daten Klimatische Region Ladenfläche Öffnungszeiten (Anzahl der Stunden) Adjustierter Energie-Benchmarking-Ansatz: Anhand der Daten aller Filialen wird ein Regressionsmodell erstellt, das den erwarteten Verbrauch einer Filiale in Abhängigkeit deren Eigenschaften angibt: SQF( s) OH( s) CR( s) C ( s) SQM OH CR ex Benchmarking-Wert als Abweichung vom erwarteten Verbrauch: Jeder Mehrverbrauch über dem erwarteten Wert geschätzt anhand der Eigenschaften einer Filiale ist ein Hinweis auf eine mögliche Ineffizienz SAP AG. All rights reserved. Confidential 28

14

15 Danke! Michael Utecht Industry Expert Utilities Business Area COO Germany SAP Deutschland AG & Co. KG F M E