Analyse und Bewertung des Einsatzes von In-memory Datenmanagement im Sportbereich

Transkript

1 Friedrich-Schiller-Universität Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschaftsinformatik Lehrstuhlinhaber: Prof. Dr. Johannes Ruhland Sommersemester 2015 Bachelorarbeit: Analyse und Bewertung des Einsatzes von In-memory Datenmanagement im Sportbereich Abgabetermin: Gutachter: Prof. Dr. Johannes Ruhland bearbeitet von: Sebastian Dominik Rebhan Matrikelnummer: Studiengang: Wirtschaftswissenschaften (BIS) Fachsemester: 8 Anschrift: Johann-Griesbach-Str Jena sebastian.rebhan@uni-jena.de

2 Inhalt 1. Einleitung Big Data Definition Herausforderungen von Big Data Big Data im Sportbereich In-Memory Data Management (IMDM) Definition Vorteile des In-Memory Data Managements Arbeitsspeicher als Primärspeicher Spaltenorientierte Datenspeicherung Kompressionsverfahren Herausforderungen von IMDM Bewertung und Analyse von IMDM im Sportbereich Vorgehensweise Fußball Aktuelle Einsatzsituation Anwendungsszenarien Formel Aktuelle Einsatzsituation Anwendungsszenarien Zusammenfassung und Ausblick i

3 Abbildungsverzeichnis Abbildung 1: V3-Modell 3 Abbildung 2: Umfragewerte zu Big Data 4 Abbildung 3: Speicherhierachie eines Computersystems mit Zugriffszahlen 7 Abbildung 4: Preisentwicklung von Speichermedien 10 Abbildung 5: Wertschöpfung mit IMDM nach Brocke 10 Abbildung 6: Prämienausschüttung der UEFA Champions League 19 Abbildung 7: Telemetrie Messwerte 21 Abbildung 8: Leistungsbezogene Preisgelder der Formel 1 25 Tabellenverzeichnis Tabelle 1: Tabellenbeispiel zur spaltenorientieren Abspeicherung 8 Tabelle 2: Einschätzung des Big Data Einsatzes bei verschiedenen Sportarten 11 ii

4 1. Einleitung Computer und Software schießen keine Tore. Aber sie geben Unterstützung dafür, die richtigen Entscheidungen zu treffen, behauptet Oliver Bierhoff, Manager der deutschen Fußballnationalmannschaft und Botschafter von SAP. 1 Hat er Recht? Noch befindet sich das Analysieren von Echtzeitdaten im Sportbereich in den Startlöchern. Einige Vereine schwören bereits auf diese neuartige Technologie. Andere stehen ihr noch mit einer gewissen Skepsis gegenüber. 2 Doch die Bereitschaft steigt, Investitionen in Millionenhöhe für die bestmögliche Technologie zu tätigen, in der Hoffnung dadurch Wettbewerbsvorteile zu generieren. 3 Diese Bachelorarbeit untersucht, inwieweit die Echtzeitdatenanalyse im Sportbereich zum Einsatz kommt, welche Potenziale sie mit sich bringt und welchen Herausforderungen sie gegenübersteht. Besonderes Augenmerk liegt auf dem Einsatz der Technologie im Bereich des Fußballs und der Formel 1. Im Fokus der Analyse steht zunächst das Datenvolumen. Im zweiten Kapitel wird überprüft, ob das Datenvolumen auch im Sportbereich immer weiter ansteigt und welche Herausforderungen und Potenziale diese Datenmengen mit sich bringen. Im dritten Kapitel wird das In-Memory Data Management (IMDM) thematisiert und untersucht, ob das IMDM eine effiziente Methode für die Echtzeitdatenanalyse darstellt. Im Anschluss beschäftigt sich die Ausarbeitung mit dem Einsatz von IMDM im Sportbereich und seiner Wirtschaftlichkeit. Es wird speziell der Einsatz der Technologie bei den Sportarten Fußball und der Formel 1 untersucht. Im letzten Kapitel wird anhand der Ergebnisse dieser Arbeit beurteilt, ob die Echtzeitdatenanalyse Zukunftspotential besitzt und wie eine weitere Einsatzentwicklung aussehen könnte. 1 Vgl. Koenen J. und Fasse M. (2014): BIG DATA IM SPORT: Der gläserne Lahm, S.2. 2 Vgl. Fritz O. (2011): Datenanalyse zu modern für die Bundesliga?. 3 Vgl. Graf A. (2015): Wie die Software den Fußball erobert. 1

5 2. Big Data Heutzutage werden enorme Datenmengen generiert. Sie können aus unterschiedlichsten Quellen stammen und versprechen viel Potential für Datenanalysen. Dieses Kapitel beschäftigt sich im Folgenden mit Big Data und es wird untersucht, ob solch ein Anstieg des Datenvolumens auch im Sportbereich vorliegt Definition Für Big Data gibt es keine einheitliche Definition. Der Umfang einer Bachelorarbeit lässt eine detaillierte Diskussion aller verschiedenen Definitionen allerdings nicht zu. Deswegen wird hier eine Auswahl der gängigsten Definitionen für Big Data vorgestellt, die relevant in Bezug auf das Thema dieser Arbeit sind. Big Data bezieht sich nicht nur auf das Datenvolumen (= Volume), sondern auch auf die Geschwindigkeit, mit der Daten erzeugt werden (= Velocity), und auf die Vielfalt von unterschiedlichen Datenquellen und Strukturen (= Variety). 4 Deswegen wird bei Big Data oft von einem 3V-Modell oder von den 3V-Kriterien gesprochen, auf die im Folgenden näher eingegangen wird. 5 Volumen 5 Das Datenvolumen nimmt kontinuierlich zu. Die International Data Corporation (IDC) hat hierzu eine Studie veröffentlicht. Sie prognostiziert eine Verdoppelung der globalen Datenmenge alle zwei Jahre. 6 Weiterhin soll sich die Größe von aktuell produktiven Data Warehouses (DWH) in etwa alle drei Jahre verdreifachen. 7 So können Datenmengen zu groß sein um sie in einem bestimmten Zeitfenster zu bearbeiten, bzw. aufgrund der fachlichen Gegebenheiten sogar zu groß sein, um Sie mit den bisherigen Mitteln zu verarbeiten. 8 Velocity 5 In fast allen Bereichen wird versucht, Daten so schnell wie möglich zu analysieren, um auf Situationen in Echtzeit reagieren zu können. Je schneller Daten vorliegen, desto größer ist die Chance, bestimmte Situationen effizienter einschätzen 4 Vgl. Zadrozny, P. und Kodali, R. (2013): Big Data Analytics Using Splunk, S Vgl. Laney, D (2001): 3D Data Management: Controlling Data Volume, Velocity, and Variety, Application Delivery Strategies, S Vgl. Gantz, B.J. und Reinsel, D (2011): Extracting Value from Chaos, S Vgl. Winter, R. (2008): Why Are Data Warehouses Growing So Fast. 8 Vgl. Brücher C. (2013): Rethink Big Data, S

6 zu können als Konkurrenten und somit Wettbewerbsvorteile zu generieren. Gerade bei der Echtzeitdatenanalyse geht es darum, dass Daten sofort verarbeitet werden können. Ziel ist, in allen möglichen Szenarien die Performance zu steigern. Variety 5 Daten werden heutzutage nicht mehr nur aus einer strukturierten Quelle bezogen, sondern aus vielen unterschiedlichen, teils unstrukturierten Quellen. Dies bringt das Problem mit sich, dass diese Daten zusammengeführt und relevante Ergebnisse erst herausgearbeitet werden müssen. Hatte man also früher keine Probleme bei Auswertungen aus nur einer strukturierten Datenquelle, ist dies heute sehr viel komplexer. Daten aus unstrukturierten Datenquellen können zum Beispiel Beiträge aus dem Social Media-Bereich sein. Die folgende Grafik soll die Entwicklung von Big Data anhand der 3Vs noch einmal genauer veranschaulichen.. Abbildung 1: V3-Modell 9 IBM erweitert die 3Vs noch um ein weiteres V-Kriterium, Veracity (=Wahrhaftigkeit). Mit Wahrhaftigkeit meint IBM die Richtigkeit und Echtheit der Daten. 10 Gerade im 9 Klein D., Tran-Gia P., Hartmann M. (2013): BIG DATA. 10 Vgl. Freiknecht J.. (2014): BIG DATA in der Praxis, S

7 Internet verbreiten sich fehlerhafte Daten oft in Sekundenschnelle und es muss erst überprüft werden, ob die Daten wirklich aus einer seriösen Quelle stammen und richtig sind. Bei der Echtzeitdatenanalyse besteht also die Herausforderung, Daten einerseits so schnell wie möglich zur Verfügung zu stellen, aber andererseits sicherzustellen, dass diese Daten gleichzeitig wahr und somit verwertbar sind. 11 In einer Studie hat IBM Unternehmen aufgefordert, Big Data nach ihrer Sichtweise zu definieren. 12 Abbildung 2 zeigt, dass die meisten Unternehmen Big Data mit einer größeren Bandbreite von Informationen, also einer größeren Datenvielfalt gleichsetzen. In Bezug auf die Echtzeitdatenanalyse sind vor allem die hohen Werte bei Neue Arten von Daten und Analysen sowie Echtzeitinformationen interessant. 12 Wie Unternehmen Big Data definieren Größere Bandbreite von Informationen 18% Neue Arten von Daten und Analysen 16% Echtzeitinformationen 15% Neuartige Technologien 13% Neue Medienformate 13% großes Datenvolumen 10% Das neuste Schlagwort 8% Daten aus Social Media 7% 0% 2% 4% 6% 8% 10% 12% 14% 16% 18% 20% Abbildung 2: Wie definierten Unternehmen Big Data (n=1144, Befragte konnten 2 der oberen Eigenschaften auswählen) Herausforderungen von Big Data Die Herausforderungen von Big Data ergeben sich direkt aus dessen Definition. Eine der größten Herausforderungen ist die Bewältigung der immer größer werdenden Datenmengen. Durch den kontinuierlichen Anstieg der Datenmengen wird es immer schwerer, relevante Daten zu filtern und rechtzeitig zu analysieren. Außerdem wird durch den Anstieg 11 Vgl. Freiknecht J.. (2014): BIG DATA in der Praxis, S Vgl. Schroeck M., Shockley R., Smart J., Romero-Morales D., Tufano P. (2012): Analytics: The realworld use of big data, S

8 des Datenvolumens immer mehr Speicherplatz benötigt, was langfristig hohe Kosten verursachen kann. 13 Eine weitere Herausforderung ist, dass Daten immer schneller benötigt werden. Gerade bei der Echtzeitdatenanalyse geht es darum, dass verschiedene Auswertungen direkt vorliegen. Daten müssen also sekundenschnell bearbeitet und ausgewertet werden. Außerdem ist es wichtig, die Wahrhaftigkeit der Daten frühzeitig zu erkennen, sodass wirklich nur relevante Daten in die Auswertung eingehen. Dadurch werden einerseits Fehlanalysen vermieden, andererseits können irrelevante Daten direkt vom Speicher gelöscht werden und verursachen keine weiteren Kosten Big Data im Sportbereich Big Data ist heutzutage allgegenwärtig und hat auch im Sportbereich über die letzten Jahre immer mehr an Bedeutung gewonnen. 15 Hatten früher Trainer nur die Möglichkeit des direkten Trainings mit den Mannschaften und Spielern, können sie heute durch Videoanalysen und Sensorauswertungen Datenmengen sammeln, auswerten und analysieren und damit eine optimale Vorbereitung betreiben, beziehungsweise in verschiedenen Spielsituationen direkt eingreifen. 16 Softwaregiganten wie SAP rücken mit Produkten wie SAP Hana das Thema Echtzeitanalysen im Sport immer mehr in den Fokus. SAP Hana ermöglicht es Vereinen und Trainern, Daten effizient zu sammeln und zu analysieren. 17 Im Profisport ist die Leistungsdichte heute so hoch, dass oft nur Kleinigkeiten über Sieg oder Niederlage entscheiden. Deswegen kann eine Datenanalyse am Ende den entscheidenden Unterschied ausmachen. Einige Sportvereine haben ihr Training bereits vollkommen technologisiert und sammeln enorme Datenmengen über Spieler, Fahrzeuge und Situationen. 18 Damit steigt die Herausforderung, Daten richtig zu analysieren und irrelevante Daten zu vernachlässigen. Ein gutes Beispiel ist die Leistung des Fußballvereins Borussia Dortmunds aus der Saison 2014/15. Eine Auswertung durch optasports zeigte, dass die Mannschaft gemessen an den Laufleistungen und Torschüssen immer noch zu den Topvereinen der Liga gehörte. 19 Allerdings befand sich Borussia Dortmund einen 13 Vgl. Brücher C. (2013): Rethink Big Data, S Vgl. Schroeck M., Shockley R., Smart J., Romero-Morales D., Tufano P. (2012): Analytics: The realworld use of big data, S Vgl. Graf A. (2015): Wie die Software den Fußball erobert. 16 Vgl. Baur P. und Jungkind N. (2014): McLaren mit Big Data in der Pole Position. 17 Vgl. Graf A. (2015): Wie die Software den Fußball erobert. 18 Vgl. Marr B. (2015): Big Data: The Winning Formula in Sports. 19 Vgl. Barth C. (2015): Big Date für Profis: Neues vom Sport. 5

9 Großteil der Saison in der unteren Tabellenhälfte. Es reicht also nicht aus, einzelne Werte zu vergleichen, sondern man muss eine Vielzahl von Faktoren berücksichtigen. In Falle von Borussia Dortmund konnte man zum Beispiel auch feststellen, dass die Mannschaft 25% weniger Zweikämpfe in der Hälfte des Gegners bestritt als in der Vorsaison und dass sich die Entfernung zum gegnerischen Tor um ganze 1,5 km verschlechtert hatte. 20 Eine mögliche Lösung für die Herausforderungen von Big Data bietet das In-Memory Data Management (IMDM). IMDM macht Datenbankabfragen effizienter. Daten werden schneller verarbeitet und bereitgestellt und es wird den Benutzern ermöglicht, in Echtzeit auf diese Daten zuzugreifen. Wie IMDM in Praxis funktioniert, wird im nächsten Kapitel beschrieben. 3. In-Memory Data Management (IMDM) Das Datenaufkommen nimmt heutzutage rapide zu und oft werden Datenanalysen schon in Echtzeit benötigt, um einen Mehrwert zu generieren. Als Lösungsansatz für die Echtzeitdatenanalyse existiert schon seit den 1980er der Grundgedanke, dass durch Datenspeicherung und Datenhaltung direkt auf dem Arbeitsspeicher ein enormer Performanceanstieg zu verzeichnen ist. 21 Allerdings ist erst durch das Aufkommen moderner Computerarchitekturen eine wirtschaftliche Umsetzung möglich. 22 Im folgenden Kapitel wird die Technologie des IMDM untersucht und Vorteile und mögliche Herausforderungen besprochen Definition Im Gegensatz zu herkömmlichen Datenbankmanagementsystemen benutzt IMDM den Arbeitsspeicher zur Datenspeicherung und nicht, wie sonst üblich, Festplattenlaufwerke. 23 Informationssysteme, welche In-Memory-Datenbanken verwenden, können dadurch Datenbankabfragen sehr viel schneller und effizienter verarbeiten, da die Zu- 20 Vgl. Barth C. (2015): Big Date für Profis: Neues vom Sport. 21 Vgl. Dewitt D. J., Katz R. H., Olken F., Shapiro L. D., Stonebraker M. R. und Wood D. (1984): Implementation techniques for main memory database systems, S Vgl. Plattner H. und Zeier A. (2011): In-Memory Data Management. An Inflection Point for Enterprise Applications, S Vgl. Garcia-Molina H. und Salem K.(1992): Main memory database systems: An overview, S

10 griffszeiten auf den Arbeitsspeicher wesentlich schneller sind als auf die Sekundärspeicher. 24 Außerdem kommen spaltenbasierende Datenstrukturen und spezielle Kompressionsverfahren zum Einsatz, welche die Zugriffszeiten noch weiter verkürzen. 25 Auf die verschiedenen Vorteile der Technologie wird im nächsten Unterkapitel näher eingegangen Vorteile des In-Memory Data Managements Arbeitsspeicher als Primärspeicher Der Grundgedanke der Technologie, dass Daten direkt auf dem Arbeitsspeicher abgelegt und abgefragt werden, führt zu einer enormen Performancesteigerung. 24 Zum besseren Verständnis eignet sich die Betrachtung der Speicherhierarchie eines aktuellen Computersystems. Abbildung 3: Speicherhierarchie eines Computersystems mit Zugriffszahlen 26 Die Abbildung zeigt eine Pyramide, bei welcher die Speichergrößen von oben nach unten stetig zunehmen. 26 Ferner weist die Pyramide die Zugriffszeiten auf den Prozessor je nach Stufe aus. Bei den Zugriffszeiten liegt ein Anstieg von oben nach unten vor. Vergleicht man die Zugriffswerte des Arbeitsspeichers zu dem Sekundärspeicher, erkennt man, dass eine effizientere Verarbeitung der Datenbankabfragen um den Faktor 10³ vorliegt (100ns : ns). 24 Vgl. Dewitt D. J., Katz R. H., Olken F., Shapiro L. D., Stonebraker M. R. und Wood D. (1984): Implementation techniques for main memory database systems, S Vgl. Maier M. und Scheffler A. (2011): Ökonomisch sinnhafte Bewertung von in-memory-basierten betrieblichen Informationssystemen, S Kemper A., Eickler A. (2009): Datenbanksysteme. Eine Einführung, S

11 Spaltenorientierte Datenspeicherung Bei der spaltenorientieren Datenspeicherung handelt es sich um eine effektive Methode, Daten abzulegen, um in Anwendungsfällen analytische Abfragen besser auszuführen und um weniger Speicherplatz in Anspruch nehmen zu müssen. 27 Die folgende Tabelle soll die spaltenorientierte Datenspeicherung veranschaulichen: SPIELER Spieler-ID Name Laufdistanz (km) Zweikampfwert (%) 001 Klinsmann 4, Scholl 10, Riedle 8,19 70 Tabelle 1: Tabellenbeispiel mit fiktivem Inhalt Klinsmann 4, Scholl 10,89 Tabelle 1.1.: Umsetzung der Tabelle bei zeilenorientierter Speicherung Klinsmann Scholl Riedle... Tabelle 1.2.: Umsetzung bei spaltenorientierter Umsetzung 27 Im Gegensatz zur zeilenorientierten Speicherung werden bei der spaltenorientierten Umsetzung zuerst die Werte aus einer Spalte (hier: 001, 002, 003) abgefragt und man geht von Spalte zu Spalte (siehe 1.2.). Dies ermöglicht einen schnellen Durchlauf der Spalten und es können analytische Abfragen wie Durchschnitts- oder Summenwerte einer Spalte sehr viel schneller und effizienter ausgeführt werden. In unserem Beispiel könnten bei einem Fußballspiel die durchschnittliche Laufdistanz oder Zweikampfwerte von Spielern analysiert werden. So könnte man direkt Vergleichswerte zwischen der individuellen Leistung eines Spielers und dem mannschaftlichen Durchschnittswert ziehen. In unserem Beispiel kann man dadurch feststellen, dass der Spieler Klinsmann verglichen an der durchschnittlichen Mannschaftsleistung (hier: 58%) im Bereich des Zweikampfverhaltens schlecht abschneidet (hier: 42%). 27 Vgl. Dewitt D. J., Katz R. H., Olken F., Shapiro L. D., Stonebraker M. R. und Wood D. (1984): Implementation techniques for main memory database systems, S

12 Ein weiterer Vorteil der spaltenorientierten Speicherung ist, dass man sehr flexibel bei Tabellenänderungen ist. Eine Spalte kann ohne größere Bearbeitungszeiten leicht hinzugefügt beziehungsweise gelöscht werden. Bei unserer Tabelle könnte man eine weitere Spalte für Ballkontakte hinzufügen, um für jeden Spieler den Wert der Ballkontakte zu erhalten. Bei der zeilenorientierten Speicherung müsste man jeden Datensatz einzeln nachbearbeiten und hätte hohe Bearbeitungszeiten Kompressionsverfahren Durch die spaltenorientierte Datenspeicherung kann man spezielle Kompressionen anwenden, um Daten effizienter abzulegen. Durch diese Kompressionen wird weniger Speicherplatz benötigt, was den Nachteil aufwiegt, dass der Arbeitsspeicher weniger Speichergrößen als der Sekundärspeicher aufweist. SAP Hana ist ein gutes Beispiel. Hier kommt die Kompressionsmethode dictionary encoding zum Einsatz. 29 Bei dieser Methode werden die Spaltenwerte als Integer-Werte abgelegt. Sucht man nach verschiedenen Werten oder führt Joint-Operationen durch, wird auf diese Werte zugegriffen und Abfragen können sehr viel schneller und effizienter verarbeitet werden als wenn es sich um string-werte in der Tabelle handeln würde. Dies hat zur Folge, dass die abgefragten Werte schneller vom Arbeitsspeicher an den Prozessor geliefert werden können Herausforderungen von IMDM Die größte Herausforderung von IMDM ist, dass es sich beim Arbeitsspeicher, auf dem alle Daten abgespeichert und Abfragen ausgeführt werden, um einen flüchtigen Speicher handelt. Bei Stromausfall wären also alle Daten verloren. Verschiedene Datensicherungsmechanismen versuchen sicherzustellen, dass dieser Fall nicht eintritt. 30 Techniken wie Unterbrechungsfreie Stromversorgung (=USV) reichen hier nicht aus, da sie keinen Schutz vor Betriebs- oder Hardwarefehlern bieten. 30 Vielmehr müssen die Daten auch auf einen Sekundärspeicher kopiert werden. Diese Kopien werden nur für mögliche Recovery-Vorgänge benötigt und kommen bei normalen Datenbankabfragen des IMDM nicht zum Einsatz Vgl. Plattner H. und Zeier A. (2011): In-Memory Data Management. An Inflection Point for Enterprise Applications, S Vgl. Müller J. (2013): A Real-Time In-Memory Discovery Service, S Vgl. Garcia-Molina H. und Salem K.(1992): Main memory database systems: An overview, S Vgl. Garcia-Molina H. und Salem K.(1992): Main memory database systems: An overview, S

13 Eine weitere Herausforderung ist, dass Arbeitsspeicher im Vergleich zu anderen Speichermedien relativ teuer ist und Unternehmen bei einer Umstellung auf ein IMDM-System gezwungen wären, hohe Anfangsinvestitionen zu tätigen. 32 Arbeitsspeicher sind jedoch innerhalb der letzten Jahre im Preis gesunken, wie folgende Abbildung zeigt. Abbildung 4: Preisentwicklung von Speichermedien 33 Außerdem garantiert die reine Beschleunigung von Auswertungen und IT-Prozessen keinen automatischen Erfolg. 34 Laut dem Wirtschaftsinformatiker Jan vom Brocke ist eine gleichzeitige Prozessänderung nötig, um wirtschaftlichen Mehrwert zu generieren, wie folgende Abbildung aufzeigt. 35 Abbildung 5: Wertschöpfung mit IMDM nach Brocke Vgl. Shaffry A. (2014): Was kostet eigentlich SAP HANA-Anwendungen für KMUs? 33 Vgl. Plattner H. und Zeier A. (2011): In-Memory Data Management. An Inflection Point for Enterprise Applications, S Vgl. Ulbricht S. (2014): Analyse und Systematisierung von Einsatzszenarien In-Memory-basierter Datenbanksystem, Seite Vgl. Brocke von J. (2013): In-Memory Value Creation, or now that we found love, what are we gonna do with it?, Seite

14 In Bezug auf den Sportbereich bedeutet das, dass mit Auswertungen wirtschaftlich gearbeitet werden muss. In Teamsportarten wie Fußball ist es wichtig, dass die ausgewerteten Analysen den Trainern in Echtzeit zur Verfügung gestellt werden, so dass die Werte ihnen bei ihren strategischen Entscheidungen helfen können. Bei Sportarten wie der Formel 1 müssen technische Prozesse überarbeitet werden, um einen wirtschaftlichen Mehrwert aus der Echtzeitdatenanalyse zu generieren. So kann anhand verschiedener Kennzahlen direkt ins Rennen eingegriffen werden, indem verschiedene Komponenten am Rennwagen umgestellt werden oder Erkenntnisse mit dem Fahrer ausgetauscht werden. 36 Im folgenden Kapitel wird der Einsatz des IMDM im Sportbereich genauer untersucht um festzustellen, ob der Einsatz der Echtzeitdatenanalyse wirtschaftlich sinnvoll ist. 4. Bewertung und Analyse von IMDM im Sportbereich 4.1. Vorgehensweise Wegen der hohen Anfangsinvestitionskosten stehen viele Sportarten einer Anwendung von IMDM noch mit einer gewissen Skepsis gegenüber, nicht zuletzt wegen der nichtvorhandenen Preistransparenz von Produkten wie SAP Hana. 37 Es stellt sich die Frage nach dem Kosten-Nutzen-Verhältnis. Generiert IMDM genügend Mehrwert, um die Investitionskosten zu rechtfertigen? 38 Der Einsatz von Big Data bietet verschiedenen Sportarten neue technische Möglichkeiten, um die Performance ihrer Leistungen zu steigern. Auf Basis einer ausführlichen Literaturrecherche in Bezug auf Big Data im Sportbereich wurde eine subjektive Einschätzung über den Einsatz von Big Data-Analysen bei den verschiedenen Sportarten vorgenommen. Die Abstufung erfolgt auf einer Skala von 1 (kaum eingesetzt) bis 10 (immer eingesetzt). Sportart Fußball Baseball Basketball Formel-1 Level Sportart Segeln Reiten Schwimmen Eishockey Level Vgl. Baur P. und Jungkind N. (2014): McLaren mit Big Data in der Pole Position. 37 Vgl. Shaffry A. (2014): Was kostet eigentlich SAP HANA-Anwendungen für KMUs? 38 Vgl. Ulbricht S. (2014): Analyse und Systematisierung von Einsatzszenarien In-Memory-basierter Datenbanksystem, Seite 4. 11

15 Da Big Data-Analysen vor allem im Fußball und bei der Formel-1 in einem fortgeschrittenen Stadium zum Einsatz kommen, konzentriert sich Kapitel 4 auf die Anwendung der IMDM-Technologie im Fußball und bei der Formel-1. Analysiert wird, ob die Anwendung in beiden Sportarten sinnvoll ist. Gunther Piller, Jürgen Hagedorn und Stephan Ulbricht haben in ihren Studien bereits verschiedene Einsatzszenarien von IMDM in anderen Bereichen bewertet Diese Bachelorarbeit orientiert sich an den von den ihnen ausgewählten Faktoren. Dringlichkeit 38 Unter Dringlichkeit versteht man, wie dringend Werte benötigt werden, um in Echtzeit auf Situationen reagieren zu können. Datenvolumen 38 Unter Datenvolumen versteht man die Anzahl der zugrundeliegenden Datenmenge: Werden große Datenbestände oder nur wenige Daten für die Analyse verarbeitet? Aktualität der Daten 38 Bei der Aktualität der Daten wird untersucht, ob Werte aktuell vorliegen müssen oder ob es reicht, Daten aus einem gewissen Zeitfenster zu beziehen. Änderungsdynamik 38 Bei der Änderungsdynamik wird untersucht, ob den Werten eine Dynamik unterliegt: Ändern sich die Werte regelmäßig oder nicht? Auswirkungen auf Datenänderungen 38 Welche Auswirkungen sind bei Datenänderungen zu erwarten? Technische Umsetzbarkeit 38 Ist die Einführung des IMDM technisch gut umzusetzen? Detailierungsgrad der Auswertung 38 Wie exakt müssen Auswertungen ausfallen? Ist eine grobe Datenauswertung ausreichend oder wird eine detaillierte Auswertung benötigt? 39 Vgl. Piller G. und Hagedorn J. (2012): In-Memory Data Management im Einzelhandel: Einsatzbereiche und Nutzenpotentiale. 40 Ulbricht S. (2014): Analyse und Systematisierung von Einsatzszenarien In-Memory-basierter Datenbanksystem, Seite 4. 12

16 Rechtliche Situation 38 Gibt es rechtliche Hürden für den Einsatz einer Echtzeitdatenanalyse? Komplexität der Auswertungen 38 Sind Auswertungen vergleichsweise aufwendig? Wirtschaftlicher Mehrwert 38 Versprechen die Auswertungen einen wirtschaftlichen Mehrwert? 4.2. Fußball Aktuelle Einsatzsituation Durch das SAP-Produkt Hana ist die In-Memory-Database-Technologie über die letzten Jahre im Fußball angekommen. 41 Immer mehr Fußballvereine wie die TSG Hoffenheim, der FC Bayern München oder die deutsche Fußballnationalmannschaft verwenden bereits das auf der IMDM-Technologie beruhende Produkt bereits. 42 Im folgenden Kapitel werden verschiedene Einsatzszenarien durchgespielt, um die Effizienz der Systemtechnologie zu untersuchen und die Technologie auf ihre Wirtschaftlichkeit zu analysieren Anwendungsszenarien Im Fußball ist es sinnvoll, zwischen dem aktiven Spielbetrieb und der Vorbereitung einer Mannschaft zu unterscheiden, da die Analysen in Bezug auf die verschiedenen Faktoren komplett anders ausfallen können. Demzufolge wird bei den einzelnen Szenarien eine Fallunterscheidung zwischen aktivem Spielbetrieb und Vorbereitung/Trainingsplanung vorgenommen. Dringlichkeit Dringlichkeit ist im aktiven Spielbetrieb extrem hoch zu bewerten, da Analysen in Echtzeit während des Spiels benötigt werden, um spielrelevante Entscheidungen treffen zu können. Ein einfaches Szenario veranschaulicht dies: Ein Trainer erfährt nach dem Spiel, dass sein linker Außenverteidiger, der zu den Top-Verteidigern der Liga zählt, in einem Spiel nur 35% seiner Zweikämpfe gewonnen hat und sich nur sehr selten ins Offensivspiel eingeschaltet hat. Normalwerte für gute Außenverteidiger wären 70% gewonnene Zweikämpfe und eine rege Beteiligung in das Offensivspiel gewesen (Durchschnittswerte 41 Vgl. Lange A. (2014): SAP UND FUSSBALL EIN GUTES TEAM. 42 Vgl. Graf A. (2015): Wie die Software den Fußball erobert. 13

17 für einen guten Verteidiger). 43 Hätte der Trainer dies nicht bemerkt, hätte er mit Hilfe der Analysewerte darauf aufmerksam gemacht werden und reagieren können, indem er den Spieler auswechselt oder ihn direkt anspricht und motiviert. Liegen dem Trainer diese Analysewerte jedoch erst nach dem Spiel vor, kann er nur noch ein Fazit ziehen, jedoch nicht mehr spielentscheidend eingreifen, da das Ergebnis schon feststeht. Anders verhält es sich bei der Trainingsplanung bzw. der Spielvorbereitung. Hier ist es nicht so wichtig, dass Trainer die Werte sofort vorliegen haben, da sie nicht in Echtzeit darauf reagieren müssen. Trotzdem ist es wichtig, dass die Analysewerte zeitnah vorliegen, da sie Trainern helfen, Schwachstellen bei dem Team zu identifizieren und diese durch spezielles Training angehen kann. Datenvolumen Beim aktiven Fußballspiel ist das Datenvolumen entscheidend, da unzählige Daten über jeden einzelnen Spieler und jede Spielsituation existieren. Laufwege, Zweikampfwerte, Ballkontakte, wo sich der Spieler auf dem Feld aufgehalten hat, Freistoß-/Eckenverhältnisse und Verhalten der Spieler während dieser Standardsituationen, Torschussanzahl und Passwerte sind nur ein paar der möglichen Kennzahlen. Laut Rafael Hoffner, bei SAP für IT-Sport-Innovationen zuständig, kann zum Beispiel das RedFIR-System, was bei der A- Jugend der TSG Hoffenheim eingesetzt wird, bis zu Positionsdaten pro Sekunde aufzeichnen. 44 Jede Situation in einem Fußballspiel kann spielentscheidend sein. Damit können kleine Abweichungen von der Norm am Ende über Sieg oder Niederlage entscheiden. Wichtig ist also, dass man das komplette Datenaufkommen analysiert und sich nicht von einzelnen Situationen (Daten) täuschen lässt. Ein Spiel wird zwar oft nur durch eine einzelne Situation entschieden, doch sollte man dieses Spiel nicht nur anhand dieser einzelnen Situation bewerten. Zum Beispiel könnte ein Mittelfeldspieler während eines gesamten Spiels eine enorm gute Leistung abliefern. Trotzdem könnte ihm in einer Spielminute ein spielentscheidender Fehler unterlaufen. Die Echtzeitdatenanalyse kann dem Trainer dabei helfen, kein vorschnelles Fehlurteil zu fällen, indem er sich nicht von dieser einen Situation beeinflussen lässt, sondern die Gesamtwerte des Spielers für sein Urteil berücksichtigt. 43 Vgl. Inside11 (2015): Zweikämpfe und Zweikampfquote 2015/ Vgl. Graf A. (2015): Wie die Software den Fußball erobert. 14

18 Weiterhin können große Datenmengen dem Trainerteam ein Fehlverhalten der Abwehrspieler bei gegnerischen Eckbällen aufzeigen, welche die Trainer direkt mit den Spielern kommunizieren können, sodass bei den nächsten Eckballsituationen besser reagiert werden kann. Ein großes Datenvolumen unterstützt das Trainerteam dabei, effiziente Entscheidungen in Echtzeit treffen zu können und machen das Spiel und Spielverhalten der Spieler transparent. Außerdem kann ein hohes Datenaufkommen auch Potenziale für das eigene Team aufzeigen, da die Analysen Fehler des gegnerischen Teams offenlegen. In Bezug auf die Spielvorbereitung/Trainingsplanung ist das Datenvolumen genauso hoch zu bewerten. Einerseits ist es wichtig, dass der Trainer seine beste Elf aufs Feld schickt. Messwerte aus der Vorbereitungszeit über einen gewissen Zeitraum können ihm bei seiner Entscheidung helfen, zum Beispiel wenn sich ein Spieler bei seinen Lauf- bzw. Zweikampfleistungen im Training über die letzten Wochen gesteigert hat oder ein anderer Spieler über diesen Zeitraum in seiner Leistung abgefallen ist. Andererseits kann der Trainer Datenwerte über das gegnerische Team analysieren und sein Training individuell auf den Gegner anpassen. Hat der Gegner in den letzten Spielen viele Gegentore durch Eckbälle gefangen, kann der Trainer das Fehlverhalten des gegnerischen Teams bei Eckbällen analysieren und in seinem Training anhand dieser Analysen individuelle Übungen durchführen lassen, die direkt auf diese Eckbälle zugeschnitten sind. Technische Umsetzbarkeit Für die technische Umsetzbarkeit müssen zunächst Sendemasten rund um das Stadion angebracht werden. 45 Die technische Umsetzung erfolgt im Anschluss mit speziellen Sensoren, die bei den Spielern in Schienbeinschonern, Trikots oder Schuhen platziert werden können. Daten über die Spieler und ihr Spielverhalten werden im nächsten Schritt über die Sendemasten an eine In-Memory-Datenbank weitergeleitet. Dort können sie für die Trainer ausgewertet werden. 45 Dieser erhält die gesammelten Auswertungen auf mobile Endgeräte wie ein ipad oder eine Datenbrille. Im aktiven Spielbetrieb kann der Trainer anhand dieser Werte direkt reagieren und sein Spielsystem strategisch optimieren. Wäh- 45 Vgl. Schroeder P. (2013): Bundesligist Hoffenheim rüstet Spieler mit Mikrochips aus. 15

19 rend der Vorbereitung kann er durch die Daten mögliche Schwachstellen der Spieler frühzeitig erkennen und sofort mit individuellen, auf jeden Spieler zugeschnittenen, Trainingseinheiten beginnen. Detaillierungsgrad der Auswertung Der Detaillierungsgrad ist sehr wichtig, da Fußballspiele oft durch kleine Details entschieden werden. Jeder einzelne Spieler, jeder einzelne Laufweg, jede einzelne Positionsstellung wird unter die Lupe genommen, da eine taktische Fehlstellung um wenige Meter enorme Folgen haben kann. Ein gutes Beispiel ist ein Team, das mit einer Vierer-Abwehrkette agiert. Dies System ist darauf ausgelegt, dass ein Team in ausgewählten Situationen auf Abseits spielt, um das Spiel vom eigenen Tor fernzuhalten und Ballgewinne zu erzielen. Ist jedoch bei diesem Spielsystem nur einer der vier Verteidiger ungenau und rückt um einen Meter zu wenig aus der eigenen Spielhälfte, kann dies zu einer Aufhebung der Abseitsstellung des gegnerischen Stürmers führen und damit oft zu einer hochkarätigen Chance für das gegnerische Team. Aktualität der Daten Die Aktualität der Daten muss auch hoch bewertet werden, da in einem dynamischen Spiel wie Fußball immer die aktuellsten Daten vorliegen müssen. Die Daten unterliegen außerdem sehr hohen Schwankungen. Spieler können während eines Spiels aufgrund von Konditionsschwächen auf einmal rapide abfallen und es ist Aufgabe der Trainer, dies zu erkennen und darauf adäquat zu reagieren. Mit aktuellen Werten kann ein Rückgang der Leistungswerte eines Spielers sofort identifiziert werden. Änderungsdynamik Die Änderungsdynamik ist beim Fußball ebenso wichtig, da es sich beim Fußball um ein dynamisches Spiel mit einer enormen Schwankungsbreite handelt. Eine einzige Spielsituation kann den Spielverlauf auf dem Kopf stellen und zwingt die Trainer, auf diese Änderungen zu reagieren. Analyseauswertungen der Echtzeitdaten sollten dem Trainer immer als zusätzliche Hilfestellung zur Verfügung stehen, damit er strategisch optimale Entscheidungen zu jedem möglichen Spielszenario treffen kann. 16

20 Rechtliche Situation Die rechtliche Situation der Echtzeitdatenanalyse spielt im Fußball eine besondere Rolle, da das Analysieren von Echtzeitdaten während des aktiven Spiels bisher nicht erlaubt ist. 46 Daten können zwar in Echtzeit protokolliert werden. Jedoch stehen diese Werte den Trainern erst mittelbar nach Schlusspfiff zur Verfügung. Laut SAP-Mitarbeiter Marcus Starke ist die technische Umsetzung der Echtzeitdatenanalyse während des aktiven Spiels bereits möglich, doch wehren sich die Sportverbände gegen den Einsatz solcher Analysetechniken. 46 In den Regeln des Deutschen Fußball-Bunds (DFB) für die Bundesligasaison 2015/16 heißt es unter Paragraph 4: Werden elektronische Leistungs- und Aufzeichnungssysteme verwendet: - dürfen die von den Geräten/Systemen übertragenen Informationen und Daten nicht während des Spiels in der Technischen Zone empfangen oder genutzt werden. 47 Mit der Technischen Zone ist im Fußballreglement der Bereich rund um die Trainerbank definiert. Trotz dieser Einschränkung haben die Datenanalysen während des Spiels auch heute schon Potenzial und können für die Nachbereitung vom Trainer genutzt werden. Oliver Bierhoff, SAP-Botschafter und Manger der deutschen Fußball-Nationalmannschaft, spricht hierbei von einer Verwendung der Daten, um den Spielverlauf nachzuvollziehen und die Leistung der Spieler anhand von Kennzahlen analysieren und bewerten zu können. 48 Komplexität der Auswertungen Die Komplexität der Auswertungen ist schwer zu bewerten, da einerseits sehr einfache Auswertungen vorliegen können, die wenig komplex und hilfreich sind, aber andererseits auch sehr komplexe Auswertungen existieren, die einem Trainerteam weiterhelfen. Es kommt demnach stark auf den Zweck der Auswertungen an. Als Beispiel für eine einfache Analyse könnte man die Freistoßwerte eines Spielers nehmen. Wie viele Freistöße hat Spieler X in den letzten 10 Spielen aus der Position von 20m getroffen? Im folgendem kann die Wahrscheinlichkeit eines möglichen Torerfolgs prognostiziert und der effektivste Freistoßschütze ausgewählt werden. Auf der anderen Seite ist der Fußball ein sehr dynamischer Sport und die meisten Situationen lassen sich nicht einfach auswerten. Nehmen wir beispielsweise an, dass ein Tor 46 Vgl. Bernock D. (2014): Cebit 2014: SAP kann mehr als erlaubt ist. 47 Vgl. DFB Fußballregelwerk zur Saison 2015/16 Regel 4, S Vgl. Baur P. und Jungkind N. (2014): McLaren mit Big Data in der Pole Position. 17

21 erzielt wurde, nachdem der rechte Mittelfeldspieler auf der Seite durchmarschiert, in die Mitte geflankt und dort der Stürmer das Tor erzielt hat. Der Komplexitätsgrad einer solchen Situation aus dem Spiel heraus ist sehr hoch einzustufen. Der Verlauf kann schwer vorhergesehen werden, da jede Spielsituation anders abläuft, sobald sich nur ein Spieler anders verhält. Wieso wurde also das Tor über die rechte Seite erzielt, hätte man dies verhindern können? Lag es an dem Außenverteidiger, der unachtsam war, oder musste sich dieser taktisch verschieben, um in der Mitte die Räume zu schließen? Wenn er herausgerückt wäre um den Spieler vom Flanken abzuhalten, wäre dann das Tor zu verhindern gewesen oder hätte der Mittelfeldspieler einfach mit einem Kurzpass den Stürmer bedienen können? Wie man sehen kann existieren viele unterschiedliche was-wärewenn-szenarien, da jeder der 22 Spieler auf dem Feld zu der speziellen Spielsituation beiträgt und von Relevanz ist. Will man nun analysieren, wieso denn das Tor gefallen ist, sieht man sich einer sehr komplexen Abfrage gegenüber, bei welcher viele verschiedene Faktoren, nicht zuletzt die Positionsdaten jedes aktivem Spieler und deren Spielverhalten miteinbezogen werden müssen um eine aussagekräftige Auswertung zu erstellen. Abschließend bleibt festzuhalten je ähnlicher die Spielsituationen sind, die ständig wiederkehren, desto mächtiger sind auch Statistiken hierüber. 49 Dies ist auch der Grund, weshalb Statistiken bei Standardsituationen so hilfreich sind: Auswertungen sind hierbei weniger komplex, leicht zu erstellen und doch vom hohen Nutzen. Wirtschaftlicher Mehrwert Beim Fußball handelt es sich um ein Milliardengeschäft. 50 Jedes Spiel, sogar jede einzelne Spielentscheidung kann über Millionen von Euro entscheiden. Der Einsatz der Echtzeitdatenanalyse lohnt sich also trotz größerer Anfangsinvestitionen. Echtzeitdaten helfen nicht nur in strategischen Spielentscheidungen. Durch die Technologie können auch die eigenen Mitspieler besser vorbereitet, Schwachstellen in der Mannschaft identifiziert und die Leistung des Teams insgesamt optimiert werden. 49 Vgl. Lill, F (2014): Datenanalyse: Ist Wissen auch im Fußball Macht?, S Vgl. Handelsblatt (2007): Die Bundesliga bleibt ein Milliardengeschäft!. 18

22 Folgende Grafik zeigt eine Übersicht über die Geldprämien im Fußball (hier speziell der Champions League), die verdeutlicht, dass Wettbewerbsvorteile durch Technikeinsatz sehr viel wert sein können. Abbildung 6 Prämienausschüttung der UEFA Champions League 51 Weiterhin zeigt sich das Potential der IMDM-Technologie auch darin, dass mögliche Fehleinkäufe vermieden werden, da Fußballspieler transparenter analysiert werden können. In einer Sportart, in der Ablösesummen und Gehälter im Millionenbereich gezahlt werden, ist das ein großer Vorteil. Durch IMDM kann auch frühzeitig erkannt werden, wenn Spieler aus dem eigenen Kader nicht mehr die gewünschten Leistungen abrufen, so dass man sich rechtzeitig von diesen Spielern trennen kann Formel Aktuelle Einsatzsituation Eine der bedeutendsten Technologien der Formel 1 ist die Telemetrie, sagt Geoff McGrath, Geschäftsführer von McLaren. 52 Mit Telemetrie meint er die Übertragung von Messwerten, beispielsweise mittels eines Sensors, zur Empfangsstelle. 53 In der Formel 1 kommen hunderte von Sensoren an den Rennwagen zum Einsatz. 53 Diese liefern in Echt- 51 Rösing P. (2015): Neue Prämien-Struktur: Soviel können Bayern und Co abkassieren. 52 Vgl. Rencken D. und Fritzsche M. (2012): Informationstechnologie in der Formel 1 allgegenwärtig. 53 Vgl. Courtney M. (2011): IT in Formula One. 19

23 zeit alle relevanten Datenwerte an die Box, in welcher mehrere IT-Experten die Messdaten überwachen, analysieren und anhand dieser Analysen sekundenschnell strategische Entscheidungen treffen. 54 Es gibt keinen Fahrer, dessen Auto nicht mit Sensoren ausgestattet ist. 54 Die Echtzeitdatenanalyse mit IMDM-Technologie kommt also auf einem sehr hohen Level zum Einsatz. Anders als im Fußball werden in der Formel 1 nicht nur die Echtzeitdaten geliefert und analysiert. Die Daten dienen auch für Zukunftsprognosen. Sobald sich Abweichungen von der Norm ergeben, sollen Frühwarnsignale an den Autos dafür sorgen, dass Ingenieure darauf reagieren können. 55 In einem Sport, in dem jede Zehntelsekunde über Sieg oder Niederlage entscheidet, ist die Echtzeitdatenanalyse nicht mehr wegzudenken. Jeder zeitliche Vorteil gegenüber einem Konkurrenten kann rennentscheidend sein, egal wie klein er ist Anwendungsszenarien Anhand der in Kapitel 4.1 vorgestellten Faktoren wird im Folgenden wie beim Fußball die Wirtschaftlichkeit des IMDM-Einsatzes der Echtzeitdatenanalyse in der Formel 1 untersucht. Dringlichkeit In einem Sport, in dem Sekundenbruchteile den Unterschied machen können, ist die Dringlichkeit absolut entscheidend. In der Formel 1 geht man durch die Telemetrie sogar noch einen Schritt weiter und versucht mögliche Szenarien zu prognostizieren, um sofort handeln zu können, falls diese Situationen eintreten. 56 Ein Beispiel hierfür sind Wetterveränderungen: Beeinflusst auftretender Wind die Fahrt und muss das Auto darauf abgestimmt werden? Oder macht ein Unwetter einen vorherigen Reifentausch notwendig? Außerdem werden in Echtzeit die Werte der beiden Teamfahrer verglichen, um sofort die optimale Fahrweise zu analysieren. Ist beispielsweise der erste Teamfahrer um einige Sekunden schneller als sein Teamkollege, hilft die Telemetrie bei der Ursachenforschung. Eine Möglichkeit kann die unterschiedliche Lenkhaltung beider Fahrer sein. Diese Werte zeigen, wie aggressiv ein Fahrer fährt und wie stark er einlenkt. Sind mögliche Schwachstellen eines Fahrers erkannt, können ihm diese sofort per Funk durchgegeben werden, 54 Vgl. Trzesniowski (2014): Rennwagentechnik, S. 984ff. 55 Vgl. Bi, F. (2014): How Formula One Teams Are Using Big Data To Get The Inside Edge 56 Vgl. Seubert H. (2014): SAP-HANA In wenigen Schritten zur Anwendung. 20

24 sodass er in Echtzeit darauf reagieren kann. Folgende Grafik veranschaulicht die Telemetrie Daten eines Ferraris in Echtzeit. 57 Abbildung 7: Telemetrie 57 Die Kurve unter Punkt 1 zeigt den eingelegten Gang, Punkt 2 beschreibt die Lenkung des Fahrers, Punkt 3 den Einsatz des DRS, Punkt 4 zeichnet den Einsatz des Gaspedals auf, Punkt 5 zeigt die Geschwindigkeit, Punkt 6 das Betätigen des Bremspedals, Punkt 7 zeigt die Kraftmesssonde, Punkt 8 beschreibt die aktuelle Windrichtung, Punkt 9 Ausschläge der Kraftmesssonde und schließlich erfolgt unter Punkt 10 die Anzeige des KERS. 57 Bei den folgenden Analysen wird, falls vom Nutzen, auf die Abbildung und deren Kennzahlen Bezug genommen. Datenvolumen Einer der wichtigsten Faktoren in der Formel 1 ist das Datenvolumen. Es ist ebenfalls extrem wichtig, da man anhand möglichst vieler Messwerte versucht, sehr exakt zu arbeiten und die Leistung von Fahrern und Fahrzeugen stets zu steigern. McLaren sammelt zum Beispiel circa 2 Gigabyte Daten pro Runde und 3 Terabyte pro Rennen. 58 In Echtzeit werden viele unterschiedliche Kennzahlen überwacht (siehe Abbildung 7). Sie werden 57 Motorsport-Total: Telemetrie unter der Lupe: Was die Kurven verraten, S Vgl. Seubert H. (2014): SAP-HANA In wenigen Schritten zur Anwendung. 21

25 bei Abweichungen zum Optimum den Fahrern kommuniziert oder es werden Änderungen an den Rennwagen vorgenommen. Kennzahlen können beim Fahrverhalten die Gangschaltung, Lenkung oder Beschleunigung des Fahrers sein. Auch die Energierückgewinnung ist eine wichtige Kennzahl des Autos, die zu jeder Zeit überwacht werden sollte (vgl. Abbildung 7: Punkt 10). 59 Seit der Saison 2014 wird der Einsatz der gespeicherten Energie durch die Elektronik gesteuert und man sollte laufend überprüfen, dass diese Energie effizient von der Elektronik eingesetzt wird. 59 Nur durch Analysen von sehr großen Datenmengen rund um Auto, Fahrer und Fahrtstrecke können optimale Bedingungen für das Rennen gesetzt werden. Technische Umsetzbarkeit Die technische Umsetzbarkeit von IMDM in der Formel 1 ist sehr hoch zu bewerten, da bereits jetzt 100 bis 200 Sensoren an einem Fahrzeug zum Einsatz kommen. 60 Diese Sensoren müssen allerdings richtig verbaut und gewartet werden, da der Ausfall eines Sensors gravierende Folgen haben kann. Außerdem müssen Sensoren, die großen Vibrationen und Hitze ausgesetzt sind, nach jedem Rennen ausgetauscht werden, was die technische Umsetzbarkeit erschwert. 61 Die Rennwagen besitzen alle eine Blackbox, in welcher die Daten gesammelt werden, von dort werden die Messwerte in Echtzeit während des Rennens an die in-memory Datenbank in der Teambox weitergeleitet, wo sie direkt ausgewertet werden können. 62 Deswegen besitzen die Teams bis zu 20 Meter hohe Antennen in ihren Boxen. 62 Es kann während eines Rennens auch zu Funkunterbrechungen kommen. Dabei gehen die Daten allerdings nicht verloren, da diese in der Blackbox zwischengespeichert sind und direkt bei Empfang weitergeleitet werden. 62 Rund 80 Ingenieure kommen pro Rennen für ein Team zum Einsatz und sind für den reibungslosen technischen Ablauf zuständig. 63 Detaillierungsgrad der Auswertung Auswertungen müssen sehr detailgetreu vorliegen, da kleinste Abweichungen enorme Auswirkungen haben können. So wird zum Beispiel die Fahrtstrecke bis ins kleinste Detail analysiert, um festzustellen was die beste Fahrlinie ist und welcher Fahrstil in den 59 Vgl. Motorsport-Total (2014): Telemetrie unter der Lupe: Was die Kurven verraten. 60 Vgl. Steudten T. (2007): Formel 1 schnell durch Telemetrie und Datenerfassung, S Vgl. Motorsport-Total (2004): Belastungsprobe in der Formel 1, S Vgl. Hentschel A. (2009): Wie Computer die Formel 1 lenken, S Vgl. Wittershagen M (2013): Formel-1-Ingenieure: Jagdsaison in der Schattenwelt. 22

26 einzelnen Kurven das beste Resultat verspricht (Vgl. Abbildung 7: Punkt 8). 64 Sollte ein Fahrer in einer speziellen Kurve härter bremsen, um schneller wieder beschleunigen zu können oder doch sanfter abbremsen und die Kurve länger ziehen? Bei einem Sport, in dem es um jede Zehntelsekunde ankommt, ist jedes noch so kleine Detail von Bedeutung und darf nicht übersehen werden. Demzufolge müssen die Analysen exakt und detailliert vorliegen. Aktualität Auch die Aktualität der Daten ist in der Formel 1 äußerst wichtig. Äußere Einflussfaktoren können das Rennen sekündlich ändern und Werte aus vorigen Runden redundant machen. Alles andere als Echtzeitdaten ergibt demzufolge wenig Sinn. Die aktuelle Position kann sich jeden Moment ändern. Auch für den Einsatz von Strategien wie dem DRS (Drag Reduction System) ist es wichtig, die aktuellsten Werte vorliegen zu haben. DRS beschreibt den Vorgang, für ein Überholmanöver den Heckflügel auszuklappen, der nur in den dafür vorgesehenen Zonen und auch nur dann, wenn man nicht mehr als eine Sekunde zu seinem Konkurrenten Abstand hat, eingesetzt werden darf. 64 Für Planung der Strategie und des Einsatzes von DRS müssen Daten in Echtzeit vorliegen (siehe Abbildung 7 : Punkt 3). Änderungsdynamik Da die Formel 1 ein durchweg dynamischer Sport mit enormen Schwankungen ist, ist auch der Faktor Änderungsdynamik wichtig. Es können sich kurzfristig Situationen ergeben, die das komplette Rennen auf dem Kopf stellen und die es notwendig machen, seine Strategie zu ändern. Gutes Beispiel ist das Safety-Car (=Sicherungsfahrzeug), das bei Gefahrensituationen, zum Beispiel nach einem Unfall, zum Einsatz kommt und die Sicherheit der Fahrer gewährleisten soll. Das Sicherungsfahrzeug setzt sich an die Spitze des Rennens. Hinter ihm gilt ein striktes Überholverbot. 65 Trotzdem ändert sich die gesamte Rennsituation aus strategischer Sicht, da zurückliegende Fahrer automatisch wieder zu den Vorderleuten aufschließen und das Feld wieder zusammenrückt. Seit dieser Formel 1 Saison existiert auch die Möglichkeit, dass solch ein Safety-Car virtuell zum 64 Vgl. Motorsport-Total: Telemetrie unter der Lupe: Was die Kurven verraten. 65 Vgl. Formel 1 Regeln (2015): Sportliche Regeln - Safety Car. 23

27 Einsatz kommen kann. 66 An der Ausgangslage ändert sich jedoch nichts, und Fahrer, sowie Mannschaft müssen ihre Rennstrategie der Situation anpassen. Der Einsatz eines Safety-Cars ist nur eines von vielen möglichen Szenarien, die veranschaulichen, welchen starken Schwankungen ein Formel 1-Rennen unterliegt. Jede Minute müssen strategische Entscheidungen getroffen werden, bei denen die Echtzeitdatenanalyse hilft. Rechtliche Situation Die Auswertung von Echtzeitdaten ist fester Bestandteil der Formel 1 und wird teilweise durch die FIA (=Fédération Internationale de l Automobile) reguliert. 67 So muss der Datenverkehr über die vorgeschriebene Frequenz von 1500 MHz erfolgen. Das Reglement der Formel 1 der FIA schreibt weiter vor, dass Datenverkehr nur von Fahrzeug zur Box erlaubt ist und nicht in anderer Richtung. 67 So dürfen Fahrer nicht mehr über Sektorenzeiten der Konkurrenten unterrichtet werden oder wo ein anderer Fahrer schneller bzw. langsamer gefahren ist. Ferner dürfen fahrzeugspezifische Werte wie der Durchfluss, Spritverbrauch, Einstellung der Antriebseinheit des ERS oder auch direkte Fragen des Fahrers von der Box nicht beantwortet werden. Diese Regel wurde von der FIA mit den Worten Der Fahrer muss das Auto ohne fremde Hilfe fahren, begründet. 68 Erlaubt sind lediglich Informationen über eigene Sektorenzeiten, Rundenzeiten der Gegner, Abstände zu anderen Autos oder Reifenwahl und Boxenstopps des Konkurrenten zu übermitteln. 68 Auf der anderen Seite ist die Echtzeitdatenanalyse für die Box vollumgänglich nutzbar und man kann alle wichtigen Kennzahlen (vgl. Abbildung 7) in Echtzeit überwachen und anhand von Datenanalysen direkt auf das Rennen reagieren. Droht beispielsweise der Motor zu überhitzen kann die Box dem Fahrer auffordern nicht zu nah an den Vordermann aufzufahren, mit dem Ziel genügend Luft in den Kühler zu bekommen. 69 Komplexität der Auswertungen Die Auswertungen bei der Formel 1 sind sehr komplex, da nicht nur Auswertungen der Massendaten auf reine Kennzahlen und Attribute ausreichen. 70 Vielmehr werden mehrere Algorithmen eingesetzt um effiziente Analysen zu erstellen. SAP Hana bietet beispielsweise über 30 verschiedene Data-Mining/Predictive-Analysis-Algorithmen um 66 Vgl. Fritzsche M. (2015): FIA Rennleiter erklär Safety-Car: Wann virtuell, wann echt?. 67 Vgl. Steudten T. (2007): Formel 1 schnell durch Telemetrie und Datenerfassung, S Vgl. Haidinger S. (2014): Funkverbot: Was erlaubt und was verboten ist. 69 Vgl. Hentschel A. (2009): Wie Computer die Formel 1 lenken, S Vgl. Seubert H. (2014): SAP-HANA In wenigen Schritten zur Anwendung. 24