Die Rolle von Big Data für RE & FM. Erik Jaspers, Strategy & Innovation, March 2015

Transkript

1 Die Rolle von Big Data für RE & FM Erik Jaspers, Strategy & Innovation, March

2 Erik Jaspers Product Strategy & Business Innovation Mitglied des Board of Trustees Co-Chair Knowledge Management Committee (Co authored) 2

3 Marktführer im Bereich Arbeitsplatzoptimierung CAFM / IWMS Jahren erfahrung Kunden +100 Länder +2 mln Tägliche Nutzer % Mittlere Umsatz steigerung +500 Talentierter Mitarbeiter 20% R&D von % Umsatz 24/7 Weltweit Unterstützung

4 EMEA NA APAC Niederlande (HQ), Belgien, Frankreich England, Deutschland, Österreich, Schweitz USA (HQ), Canada India, Singapore, Hong Kong 4

5 5

6 Was? Warum? Wie? 6

7 Was? Es fing mit Computern an Conrad Zuse (Deutsch) Erfand den automatischen Rechner

8 Was? eine Geschichte der Miniaturisierung 8

9 Was? Definition Daten: Hohes Volumen, Hohe Geschwindigkeit, Diversität Bearbeitung: Innovativ, besserer Begriff und Entscheidungen Big Data High-volume, high-velocity and high-variety information assets that demand cost-effective, innovative forms of information processing for enhanced insight and decision making. Gartner IT Glossary 9

10 Was? Volumen 10

11 Was? - Volumen 2014 Publication Reference: The Digital universe of Opportunities: Rich data and the Increasing Value of the Internet of Things 11

12 Was? - Moore s Gesetz zum Preis für Volumen: 1Mb Billion Million Cent 1/1000 Cent 12 Ref:

13 Was? - Vielfalt: Datenstruktur Relationelle Daten Unstrukturierte (key value) daten GEO Daten 13 Dokumente

14 Was? - Vielfalt: Datenquellen Maschinen & Anwendungen Unternehmen Infrastrukturen Personen 14

15 Was? Datengeschwindigkeit Infrastruktur, Sensoren APPs, Verhalten Commerce Soziale Netzwerke 15

16 Was Verfügbarkeit & Eigentum Stelle Markt / Finanziell Kommerzielle Daten CAFM / IWMS Offene (Freie) Daten Privaten Daten 16

17 Warum interessant für RE & FM? 17

18 Analytics Voraussage.. Unbekannte Verbände.. Verschiedene Daten Bearbeitung Neues Verständnis & Dienstleistung 18

19 Warum? - Analytics =?.. 2 Predictive Analytics Machine learning, Deep earning big data and the reality of practical decision making Cognitive Analytics 1 Cortana 19 Now 1: see Deloitte University Press, 2014 Tech Trends

20 Warum? Neue Einblicke =?.. 2 Business Intelligence Real-time Analytics Predictive Analytics Verstehen was passiert ist Verstehen was jetzt passiert Verstehen was wahrscheinlich passieren wird t Vergangenheit Jetzt Zukunft 20

21 Wie? Potenzial von Kognitiven Analytics Ist ein Besprechungsraum frei zwischen 3 und 5? 21

22 Wie? Gebäude als smarte Systeme Gebäude Verhalten Menschen Effizienz Effektivität Managen Betreiben Instandhalten Information Design Standort Erfahrung Gesundheit Effektivität Benutzen Ref: Prof. Alexi Marmott, UCL, London 22

23 Wie? Veränderungstreiber Workplace Technologie Organisation Mobilität Produktivität Internet der Dinge Diversität Gesundheit & Erfahrung Analytics Effizienz 23

24 Wie? Gebäudedatenquellen für RE & FM Compliance Belegung Verbrauch Erfahrung Sustainability Zustand 24

25 Wie? Zustand - Instandhaltung Kosten Ok Risiko Non Compliance und Ineffizienz Ausfall & Reaktive Instandhaltung Gut Ineffizient Funktionelle Degradierung Ausfall Status 25

26 Wie? Tracking von Echtzeit Verhalten Parameter <Daten> Job(t) Job(t) t Need only Basis 26

27 Wie? - Nutzungsbasierte Reinigung 27

28 Wie? Monitoring Belegung & Auslastung Mitarbeiterproduktivität Workplace Erfahrung Arbeitsplatz Kosten 28

29 Wie? Monitoring Belegung & Auslastung Smart lighting 29

30 Wie? Monitoring Belegung & Auslastung Collaboration and meetings Workspace availability Workplace services Capacity monitoring Meeting management Workspace occupancy Concept monitoring Service experience Delivery efficiency 30

31 Wie? Verknüpfung von Belegung & Verbrauch Belegung Verbrauch 31

32 Wie? Über Volumen 1000 Arbeitsplätze (12 Std.) eine Messung pro 5 Minuten 100 digitale Zähler vier Messungen pro Stunde 100 Umgebungssensoren vier Messungen pro Stunde 1000 Gerätesensoren eine Messung pro Stunde Pro Tag: Pro Monat: 5,7 Millionen Pro Jahr: 68,4 Millionen 32

33 Ansatz: Volumen, Dynamik und Analyse Data Lake Store 33

34 Business Analytics Data Lake Store Reporting

35 Wie: Echtzeit-Erfassung und Analyse Microsoft Campus Redmond USA Smith: Our conversations have changed Before, the calls we got were about work orders. Now we re talking about data points, building faults and energy usage. 35

36 Wie? Über Menschliches Verhalten MIT Media Labs 36

37 Wie?: Sociometers, Pentland, MIT Media Labs Ref: Prof. A. Pentland, MIT, Social Physics 37

38 How? - Über Lernen Behavior Entdecken Engagement Sozial lernen = schnell. Ref: Prof. A. Pentland, MIT, Social Physics 38

39 Lernen. Engagieren.. Idee 39

40 Return on Investment Isoliert Produktivität! Rate Ideen-Flow RE & FM: Ermöglichen von Exploration Echo Kammer Ref: Prof. A. Pentland, MIT, Social Physics 40

41 Wie? Adjacency-Prinzipien? 41

42 Danke für Ihre Aufmerksamkeit 42