Industrie 4.0 und Smart Data
|
|
- Kathrin Förstner
- vor 8 Jahren
- Abrufe
Transkript
1 Industrie 4.0 und Smart Data Herausforderungen für die IT-Infrastruktur bei der Auswertung großer heterogener Datenmengen Richard Göbel
2 Inhalt Industrie Was ist das? Was ist neu? Herausforderungen Technologien Anwendungsbeispiel Wie lassen sich solche großen Datenmengen effizient analysieren und auswerten? Ideen Konzepte Welche Produkte gibt es?
3 Industrie Was ist das? Ressourceneffizienz Vernetzung Integration von Kunden und Lieferanten Integrierte Wertschöpfungsketten Automatisierung Höhere Flexibilität und Wandlungsfähigkeit Industrielle Individualfertigung Selbstorganisation
4 Was ist neu? Aktuell Manuelle Dateneingabe Zukunft Automatisierte Dateneingabe Sensoren (Text-) Scanner Mikrofone Kameras Manuelle Eingabe
5 Herausforderungen Datenmengen (Big Data/Smart Data) Volume sehr große Datenmenge Variety verschiedene Typen von Daten Velocity enge zeitliche Rahmenbedingungen Veracity ungenaue Daten Extraktion strukturierter Daten aus unstrukturierten Daten Automatisierte Identifikation von Zusammenhängen
6 Technologien Datenmengen NoSQL-Datenbanken NewSQL-Datenbanken Extraktion strukturierter Daten Text Mining Audiodaten: Speech2Text ( SIRI ) Bilddaten: Objekterkennung ( Gesichtserkennung ) Maschinenlernen Neuronale Netzwerke Support Vector Machine
7 Eine Beispielanwendung Auswertung von Kunden- s Bewertung von Produkten Reklamationen Überwachung von Anlagen in der Produktion Stromverbrauch Temperatur Betriebsmodus Geräusche und Vibrationen Beispielanwendungen Energieverbrauch Ausfallwahrscheinlichkeiten von Anlagen Qualitätskontrolle
8 Auswertung von Kunden- s Gewinnung strukturierter Daten aus unstrukturierten Texten Warum ruft der Kunde an? Topic Detection Welches Produkt? Named Entity Recognition Welches Problem? Ontology Bewertung des Produkts Opinion Mining Auswertung in Echtzeit Anzahl der Probleme pro Produkt Veränderung der Kundenmeinung
9 Auswertung der Anlagendaten Nummer Anlage Zeit Strom Temperatur Modus Vibration ,43 33,4 XC ,89 31,7 K ,50 25,4 B ,33 45, ,01 50,7 K/ ,99 42,0 K/6 6
10 Herausforderung Datenmenge Anzahl neuer Werte pro Sekunde 1000 Messwerte / Sekunde 100 Anlagen 10 Sensoren / Anlage Werte pro Sekunde Anzahl Werte pro Jahr: Schnelles Gruppieren und Auswerten von Daten Maximaler Stromverbrauch einer Anlage in einem Jahr Summierter Energieverbrauch verschiedener Anlagen Verschleiß der Anlagen/Ausfallwahrscheinlichkeit Relationale Datenbanken sind hier nicht ausreichend effizient!
11 Idee - Vorausberechnung Anlagen Zeit 7,2 12 1, ,3 7, ,1 29,4 7,4 12 0,9 6 4,2 30,5 7,5 11 0,8 6 4,3 29,6 7,6 11 0,7 6 4,4 29, , ,5 Anordnung der Werte in einer Tabelle Vorausberechnen der Summen für alle Spalten und Zeilen Allgemein: OLAP-Hypercube Problem: nicht alle relevanten Funktionen sind vorher bekannt
12 Idee - Spaltendatenbank Zeilendatenbank A B C D Spaltendatenbank A B C D
13 Idee - Datenkompression Wenige unterschiedliche Werte Speicherung kurzer Codes anstatt der langen Werte Wiederholung von Werten Speicherung von Werten mit Wiederholungsfaktor Geringe Differenzen zwischen Werten Start mit einem Basiswert Speicherung von Differenzen Einige Kompressionsverfahren beschleunigen die Auswertung der Daten!
14 Idee Computercluster Parallele Verarbeitung und Analyse der Daten möglich Aggregation eines Gesamtergebnis aus den Teilergebnissen Verwaltung der Daten im Hauptspeicher Speicherung der Daten auf Festplatten nur für die Persistenz Redundante Speicherung von Daten
15 Aufgaben Anwendungsentwickler Datenmodell entwerfen Tabellen Spalten/Spaltengruppen (erweiterbar) Versionsverwaltung für Werte Abbildung des Datenmodells definieren Verteilung der Daten auf verschiedene Rechner Redundanz Datenkompression Zugriff und Auswertung Klassisch deklarativ (z.b. mit SQL) Prozedurale Programme für effiziente Analyse und Auswertung Eventuell auch Parallelisierung von Algorithmen
16 Spalten- / In-Memory-Datenbanken Kommmerziell Oracle 12c Microsoft SQL Server 2014 IBM DB2 with BLU Acceleration Oracle Exadata SAP Hana Sybase IQ Open Source Apache Accumulo Apache Cassandra MonetDB
17 Zusammenfassung Schnelle Erfassung und Auswertung sehr großer Datenmengen mit neuen Technologien möglich Größere Freiheiten und höherer Aufwand zur Anpassung der Datenbanken an Anwendungen Aktuell noch sehr unterschiedliche Konzepte und Produkte Kontakt
Industrie 4.0 und Smart Data
Industrie 4.0 und Smart Data Herausforderungen für die IT-Infrastruktur bei der Auswertung großer heterogener Datenmengen Richard Göbel Inhalt Industrie 4.0 - Was ist das? Was ist neu? Herausforderungen
MehrAnalyse und Auswertung großer heterogener Datenmengen
Analyse und Auswertung großer heterogener Datenmengen Herausforderungen für die IT-Infrastruktur Richard Göbel Inhalt Big Data Was ist das eigentlich? Was nützt mir das? Wie lassen sich solche großen Datenmengen
MehrNeues aus der nicht-, semi- und relationalen Welt
Neues aus der nicht-, semi- und relationalen Welt Information Management Thomas Klughardt Senior System Consultant Das Big Data Problem Was bedeutet Big Data? Performancekritisch Echtzeit Cold Storage
MehrBIG UNIVERSITÄTSRECHENZENTRUM
UNIVERSITÄTS RECHENZENTRUM LEIPZIG BIG DATA @ UNIVERSITÄTSRECHENZENTRUM Forschung und Entwicklung Entwicklung eines E-Science-Angebots für die Forschenden an der Universität Leipzig Stefan Kühne Axel Ngonga
MehrBund Deutscher Kriminalbeamter
Foto: Oberlausitzsche Bibliothek der Wissenschaften, Görlitz Bund Deutscher Kriminalbeamter Fachforum Massendaten im polizeilichen Umfeld Wer bin ich? Ronald Schulze Baujahr 1961 Betriebswirt (FH) / Wirtschaftsinformatiker
MehrEchtzeiterkennung von Cyber-Angriffen auf IT-Infrastrukturen. Frank Irnich SAP Deutschland
Echtzeiterkennung von Cyber-Angriffen auf IT-Infrastrukturen Frank Irnich SAP Deutschland SAP ist ein globales Unternehmen... unser Fokusgebiet... IT Security für... 1 globales Netzwerk > 70 Länder, >
MehrVon Big Data zu Deep Insights
Von Big Data zu Deep Insights Prof. Dr. Dirk Nowotka Christian-Albrechts-Universität zu Kiel Maritime IT 2013 Big Data = Überwachung + Marketing? Kommunikations- und Kundendaten XKeyScore, Google Ads,
MehrExadata Engineered Systems als Lösung? Reinhold Boettcher, Systemarchitekt Infrastruktur, arvato Systems
Exadata Engineered Systems als Lösung? Reinhold Boettcher, Systemarchitekt Infrastruktur, arvato Systems 1 Name arvato Systems December 10, 2013 Agenda arvato Systems GmbH wer ist denn das? Herausforderungen
MehrMöglichkeiten 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-
MehrMöglichkeiten und Grenzen von Oracle Advanced Compression. Olaf Herden Duale Hochschule BW Campus Horb
Möglichkeiten und Grenzen von Oracle Advanced Compression Olaf Herden Duale Hochschule BW Campus Horb Gliederung Motivation Kompression in Oracle Untersuchungen Zusammenfassung & Ausblick Olaf Herden (DHBW
MehrA Big Data Change Detection System. Carsten Lanquillon und Sigurd Schacht
A Big Data Change Detection System Carsten Lanquillon und Sigurd Schacht Digitale Transformation in Unternehmen u Umfassende Erfassung, Speicherung und Verfügbarkeit von Daten à Big Data Quelle: Rolland
MehrDigitalisierung Gefahr oder Chance für den Nahverkehr. Deutscher Taxi und Mietwagenverband e.v. (BZP)
Digitalisierung Gefahr oder Chance für den Nahverkehr Digitalisierung Allgemein: - Aufarbeitung von Informationen zur Verarbeitung oder Speicherung in einem digitaltechnischen System. - 2002 gilt als Beginn
MehrDatenbanksysteme. Donald Kossmann TU München
Datenbanksysteme Donald Kossmann TU München Übersicht Wie benutze ich ein Datenbanksystem? Datenmodellierung (ER, UML, Theorie) Datenbankprogrammierung (SQL) Wie baue ich ein Datenbanksystem? Anfrageoptimierung
MehrDas 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:
MehrArbeiten im Arbeitsspeicher
IT-STRATegIen In-Memory-Technologie Arbeiten im Arbeitsspeicher In-Memory-Datenbanken fristeten über lange Zeit ein Nischendasein als Cache für traditionelle relationale Datenbanken oder als spezielle
MehrAnalyse 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
MehrIn diesem Abschnitt wollen wir uns mit der Architektur von Datenbank Managements Systemen beschäftigen.
1 In diesem Abschnitt wollen wir uns mit der Architektur von Datenbank Managements Systemen beschäftigen. Zunächst stellt sich die Frage: Warum soll ich mich mit der Architektur eines DBMS beschäftigen?
MehrQUNIS 360 was war, was wird? BI, Big Data, Cloud, Predictive & Advanced Analytics, Streaming. Referent: Steffen Vierkorn
QUNIS 360 was war, was wird? BI, Big Data, Cloud, Predictive & Advanced Analytics, Streaming Referent: Steffen Vierkorn Agenda 10.00 10.30 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.30 11.00 11.00
MehrEffektive Excel Lernstrategie. Excelhero.de
Effektive Excel Lernstrategie 6 Was den Excel Lernprozess ausbremst 1) Sich nur auf Learning on the Job beschränken 2) Lernen mit Büchern und Artikeln 3) Videos auf Youtube 4) Einzelne Bausteine isoliert
MehrDRYING UP THE DATA SWAMP. Vernetzung von Daten mittels iqser GIN Server
DRYING UP THE DATA SWAMP Vernetzung von Daten mittels iqser GIN Server Florian Pfleiderer Solution Engineer bei dibuco SchwerpunkteBig Data und Cloud Architekturen Erfahrungen in der Produktentwicklung
MehrBest Practices: Optimierte automatische Rechnungsbearbeitung mit Oracle Kreditoren
Best Practices: Optimierte automatische Rechnungsbearbeitung mit Oracle Kreditoren DOAG - Konferenz am 21.11.2004 Referent: Frerk Henschen Folie 1 Agenda Vorstellung delphi Status Quo Rechnungsbearbeitung
MehrMySQL Engine Infobright: Speicherplatz sparen und schnellere Anfragen
MySQL Engine Infobright: Speicherplatz sparen und schnellere Anfragen Olaf Herden Duale Hochschule BW Campus Horb Gliederung Motivation Prinzipien und Architektur Untersuchungen Zusammenfassung & Ausblick
MehrEclipse und EclipseLink
Eclipse und EclipseLink Johannes Michler Johannes.Michler@promatis.de PROMATIS, Ettlingen Zugriff auf Oracle Datenbanken aus Eclipse RCP Anwendungen via EclipseLink 18.09.2009 1 Gliederung Eclipse als
MehrH E R Z L I C H W I L L K O M M E N Z U R D O A G K O N F E R E N Z
H E R Z L I C H W I L L K O M M E N Z U R D O A G K O N F E R E N Z 2 0 1 6 A D V A N C E D A N A L Y T I C S : V O N S E M I - S T R U K T U R I E R T E N D A T E N Z U W I S S E N T O M S E I D E L &
MehrDWH Best Practices das QUNIS Framework 80 Jahre Erfahrung bei der Modellierung & dem Betrieb von DWH. Referent: Ilona Tag
DWH Best Practices das QUNIS Framework 80 Jahre Erfahrung bei der Modellierung & dem Betrieb von DWH Referent: Ilona Tag Agenda 10.00 10.30 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.30 11.00 11.00
MehrODI und Big Data Möglichkeiten und ein Erfahrungsbericht Dr. Holger Dresing Oracle Deutschland B.V. & Co. KG Hannover
ODI und Big Data Möglichkeiten und ein Erfahrungsbericht Dr. Holger Dresing Oracle Deutschland B.V. & Co. KG Hannover Schlüsselworte Oracle Data Integrator ODI, Big Data, Hadoop, MapReduce,, HDFS, PIG,
Mehr"Hier kann ich mich weiterentwickeln!"
"Hier kann ich mich weiterentwickeln!" Zur Verstärkung suchen wir für die Standorte München und Dresden einen Reporting Expert (m/w) Leistungsspektrum der BBF BBF ist ein mittelständisches Unternehmen
MehrPraktischer Nutzen und Potenziale von Punktwolken für kommunale Anwendungen. Rico Richter 8. Oktober 2016 Workshop 3D-Stadtmodelle
Praktischer Nutzen und Potenziale von Punktwolken für kommunale Anwendungen Rico Richter 8. Oktober 2016 Workshop 3D-Stadtmodelle Hintergrund Hasso-Plattner-Institut (HPI): Fachgebiet Computergrafische
MehrIN RAM we trust! In- Memory- Datenbanken SAP HANA. BI & Big Data Juli 2015 Seite 56
IN RAM we trust! In- Memory- Datenbanken In-Memory-Datenbanken fristeten über lange Zeit ein Nischendasein als Cache traditioneller relationaler Datenbanken oder als spezielle Data-Warehouse-Lösungen.
MehrARDS-Projekt. Datenbankentwicklung für medizinische Auswertungen. Dr. Thomas Meinike
ARDS-Projekt Datenbankentwicklung für medizinische Auswertungen Dr. Thomas Meinike thomas.meinike@et.fh-merseburg.de Fachhochschule Merseburg Fachbereich Elektrotechnik, Informationstechnik und Medien
MehrFast Analytics on Fast Data
Fast Analytics on Fast Data Kudu als Storage Layer für Banking Applikationen Problem Klassischer Kreditprozess Beantragung in der Filiale Aufwendiger Prozess Nachweis durch Dokumente Manuelle Bewilligung
MehrIdentifikation gesellschaftlicher Probleme automatisierter Videoüberwachung. Diplomarbeit
Identifikation gesellschaftlicher Probleme automatisierter Videoüberwachung Beitrag einer verantwortungsvollen Informatik Diplomarbeit zur Erlangung des akademischen Grades Diplominformatiker Humboldt-Universität
MehrDie 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
MehrXML in der Oracle Datenbank
XML in der Oracle Datenbank Oracle XML DB Eine kurze Einführung Gruppe A Michaela Geierhos Galina Hinova Maximilian Schöfmann AGENDA Warum XML in einer Datenbank? Was bietet die Oracle XML DB? Unterschiedliche
MehrAbgabe am
Anwendungsspezifische proaktive Behandlung von Prozessen im Bereich Big Data Im Rahmen des Grundseminars im Studiengang Master Informatik am Department Informatik der Fakultät Technik und Informatik der
MehrProduktionscontrolling auf dem Weg zur Industrie 4.0
Produktionscontrolling auf dem Weg zur Industrie 4.0 Intelligente Produktion durch Real-Time-Big-Data-Analyse von Sensordaten & Bern, 27.05.2016 Jörg Rieth Jedox vereinfacht Planung, Reporting & Analyse
MehrArchivierung in DBMS
Archivierung in DBMS Marcus Brisgen 9. März 2004 Gliederung Gliederung Motivation Archivierung Grundlagen Anwendungsorientiertes Archivieren Architekturen Erweiterungen ASQL XML-Archivierungsoperator Beispiele
Mehr2007 2010 Abitur mit Schwerpunkt Wirtschaft und Verwaltung 2011 2013 Studium Wirtschaftsinformatik Universität Essen
Patrick Forche Fachinformatiker für Anwendungsentwicklung Personaldaten Geburtsdatum: 04.04.1990 Sprachen: Verfügbarkeit: Deutsch (Muttersprache), Englisch (fließend) nach Absprache Ausbildung / Studium
MehrPowerDesigner Frühstück
SAP Sybase PowerDesigner Frühstück Die Veranstaltung für Daten-, Informations- und Unternehmens- Architekten SQL Projekt AG Ihr SAP Value Added Reseller lädt am 10.10.2014 um 10:00-12:00 Uhr in Dresden,
MehrLehrplan. Datenbanken. Höhere Berufsfachschule für Automatisierungstechnik. Ministerium für Bildung
Lehrplan Datenbanken Höhere Berufsfachschule für Automatisierungstechnik Ministerium für Bildung Hohenzollernstraße 60, 66117 Saarbrücken Postfach 10 24 52, 66024 Saarbrücken Saarbrücken 2010 Hinweis:
MehrBig Data. 2.1 Was wirklich neu ist
Big Data 2 Zusammenfassung In diesem Kapitel wird das Phänomen Big Data als zentraler Layer für das AI Business Framework vorgestellt und erklärt (Abb. 2.1). Es widmet sich den Zusammenhängen von Big Data,
MehrOracle BI Publisher - PDF und einiges mehr
Oracle BI Publisher - PDF und einiges mehr Christian Piasecki PITSS GmbH 22.09.2017 1 Agenda Hersteller/Community, Lizensierung Installation, Voraussetzungen Hardware/Software Erforderliche Skills, Lernkurve
MehrOracle BI&W Referenz Architektur Big Data und High Performance Analytics
DATA WAREHOUSE Oracle BI&W Referenz Architektur Big Data und High Performance Analytics Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen
MehrETL-Industrialisierung mit dem OWB Mapping Generator. Irina Gotlibovych Senior System Beraterin
ETL-Industrialisierung mit dem OWB Mapping Generator Irina Gotlibovych Senior System Beraterin MT AG managing technology Daten und Fakten Als innovativer Beratungs- und IT-Dienstleister zählt die MT AG
MehrVorlesung Methodische Grundlagen des Software-Engineering im Sommersemester 2014
Vorlesung des Software-Engineering im Sommersemester 2014 Prof. Dr. Jan Jürjens TU Dortmund, Fakultät Informatik, Lehrstuhl XIV Teil 2.8: Werkzeugunterstützung für Process-Mining v. 09.06.2014 1 für Process-Mining
MehrDB2 mit BLU Accelerator unter SAP. Sascha M. Köhler Software Architekt
DB2 mit BLU Accelerator unter SAP Sascha M. Köhler Software Architekt Agenda 01 Herausforderungen unserer Kunden 02 Lösungsdefinition 03 PROFI Angebot 04 Zusammenfassung 3 Herausforderungen unserer SAP
MehrBDCA Kick-Off München,
BDCA Kick-Off München, 3.3.2015 Unser Modus: Sprinter Fakten! Seit 2005! 60+ Mitarbeiter:! Certified Scrum Masters/Product Owners! Certified Java Spring Professionals! Certified MongoDB Devs/Admins! Certified
MehrWebbasierte Informationssysteme
SS 2004 Prof. Dr. Stefan Böttcher Universität Paderborn - SS 2004 - Prof. Dr. Stefan Böttcher Folie 1 Was ist eine relationale Datenbank? Menge von Relationen (=Tabellen) und Constraints (=Integritätsbedingungen)
MehrENTWICKLUNG NETZWERKFÄHIGER MASCHINEN UND ANLAGEN. Alois Wiesinger
ENTWICKLUNG NETZWERKFÄHIGER MASCHINEN UND ANLAGEN Alois Wiesinger AGENDA Fill your Future Industrielle Transformation aktuelle Entwicklung und deren Konsequenzen Voraussetzung die digitale Strategie Umsetzungsbeispiel
MehrSinn (und Unsinn) für Informix Benutzer
NoSQL : Sinn (und Unsinn) für Informix Benutzer Martin Fürderer IBM Informix Entwicklung München Agenda Was bedeutet NoSQL für Informix Benutzer? Was bedeutet NoSQL? Fragen? Welche NoSQL Funktionalität
MehrZusammenfassung. Vorlesung Webbasierte Informationssysteme (CS4130) Zusammenfassung
/ Vorlesung Webbasierte Informationssysteme (CS4130) Privatdozent Dr. rer. nat. habil. Sven Groppe https://www.ifis.uni-luebeck.de/index.php?id=groppe / 2 / 15 Chronologische Übersicht über die Themen
MehrBig Data und Datenschutz
Big Data und Datenschutz ULD Sommerakademie 2017 18. September 2017 Benjamin Bremert Big Data Ein weitgehend diffuser Begriff zur Beschreibung sowohl von Technik als auch Anwendungen. Traditionell definiert
MehrBig Data und die Energiewende: Kann man genug Daten haben?
Big Data und die Energiewende: Kann man genug Daten haben? Malek Alouini Fachgespräch BigData Konzepte zur Analyse komplexer Infrastrukturen 16. Mai 2017 Was ist Big Data? Technologien zur Verarbeitung
MehrDas Informations-Cockpit für die Geschäftsführung Fileserver, Exchange, ERP, Sharepoint und mehr
Das Informations-Cockpit für die Geschäftsführung Fileserver, Exchange, ERP, Sharepoint und mehr Eduard Daoud Leiter Vertrieb, Marketing & Professional Service 2 interface projects GmbH 2015 Über uns Unternehmen
Mehr3. Industrielle Revolution
Industrie 4.0 - Das nächste Produktionslevel 1. Industrielle Revolution Wasser und Dampf 2. Industrielle Revolution Elektrizität, Massenproduktion 3. Industrielle Revolution Automatisierung 4. Digitalisierung
Mehr!! Waldemar Reger Köln,
Analyse und Evaluierung von Parameterabhängigkeiten anhand der Laufzeit von MapReduce-Jobs zur Konzeptionierung von Hadoop-Clustern Waldemar Reger Köln, 23.07.2014 Agenda 1. Hadoop Grundlagen 2. Cluster
MehrBig Data in Metrology
Big Data in Metrology Prof. Dr. Heiko Wenzel-Schinzer, Chief Digital Officer Innovative Metrology and Styling Solutions Big Data in Metrology nur ein Hype? Frost & Sullivan: NFEA-30-Slides 8 Big Data in
MehrHERAUSFORDERUNG BIG DATA FÜR DIE WIRTSCHAFT
HERAUSFORDERUNG BIG DATA FÜR DIE WIRTSCHAFT Mag. Stefan Panic Mittwoch, 26. April 2017 www.dlapiper.com Mittwoch, 26. April 2017 0 Einleitung Begriff Big Data Ein Sammelbegriff unterschiedliche Rechts-
MehrBIG DATA IN DER MODERNEN VERWALTUNG: GROSSE DATENMENGEN BEHERRSCHEN, ANALYSIEREN UND EFFIZIENT NUTZEN ANDREAS NOLD STRATEGISCHE GESCHÄFTSENTWICKLUNG
BIG DATA IN DER MODERNEN VERWALTUNG: GROSSE DATENMENGEN BEHERRSCHEN, ANALYSIEREN UND EFFIZIENT NUTZEN ANDREAS NOLD STRATEGISCHE GESCHÄFTSENTWICKLUNG BIG DATA AGENDA Was ist es? Was bedeutet es? Wie kann
MehrInnovationen hinterm Tellerrand. Inspirations-Remix für die Integrationstechnologie
Innovationen hinterm Tellerrand Inspirations-Remix für die Integrationstechnologie DIGITALISIERUNG 26.10.2017 TRANSCONNECT-TAG 2017: Innovationen hinterm Tellerrand 2 Skley via Visualhunt.com / CC BY-ND
MehrApparo Fast Edit Datenmanagement in SAP Business Objects Technische Übersicht
Apparo Fast Edit Datenmanagement in SAP Business Objects Technische Übersicht 2 Apparo Fast Edit ist die Erweiterung für SAP BO, mit der Sie innerhalb von SAP BO Daten ändern, importieren und komplette
MehrDigitale Anwendungen.
Digitale Anwendungen und Dienste Was sind digitale Dienste und Anwendungen? Was sind digitale Dienste und Anwendungen? Digitale Dienste und Anwendungen sind IT- und softwaregestützte Lösungen für verschiedene
MehrAnwendungsentwicklung Datenbanken Datenbankentwurf. Stefan Goebel
Anwendungsentwicklung Datenbanken Datenbankentwurf Stefan Goebel Warum eine Datenbank? Nutzung von gleichen Daten durch viele Anwender auch an unterschiedliche Orten Daten können mit unterschiedlicher
Mehr2. 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
MehrBig Data und Künstliche Intelligenz Wenn wir wüssten, was wir wissen. Prof. Dr.-Ing. Richard Göbel, Prof. Dr.-Ing. Dietmar Wolff, Hochschule Hof
Big Data und Künstliche Intelligenz Wenn wir wüssten, was wir wissen. Prof. Dr.-Ing. Richard Göbel, Prof. Dr.-Ing. Dietmar Wolff, Hochschule Hof Alte Welt - Small Data Manuelle Eingabe von Daten Daten
MehrPLANUNG MIT SAP ANALYTICS CLOUD
PLANUNG MIT SAP ANALYTICS CLOUD W E I T B L I C K. L E I D E N S C H A F T. W E N D I G K E I T. V O R S P R U N G. Hausmesse 4process AG, 08. März 2018 Christian Thurner Seite 1 2015 VORSTELLUNG 18 Jahre
Mehrwas kommt da auf uns zu?
Big Data was kommt da auf uns zu? Florian Kreker Projektmanager Zentrum für Innovation in der Gesundheitswirtschaft OWL 1 Gliederung 1. Digitalisierung und Big Data 2. Big Data im Gesundheitswesen 3. Big
MehrEinführung. Kapitel 1 2 / 508
Kapitel 1 Einführung 2 / 508 Einführung Was ist ein Datenbanksystem (DBS)? Ein System zum Speichern und Verwalten von Daten. Warum kein herkömmliches Dateisystem verwenden? Ausfallsicherheit und Skalierbarkeit
MehrKennzahlen und Datenlogistik
Kennzahlen und Datenlogistik Neue Perspektiven auf das Tagesgeschäft für Technologie, KnowHow und Betrieb Martin Genest, Team Manager SAP & Data Solutions Leipzig, Inhalt 1. Das Thema 2. Kennzahlen und
MehrDaten, Datenbanken, Datenbankmanagmentsysteme
banken bankmanagmentsysteme Wikipedia sagt Bspe.: : sind zum Zweck der Verarbeitung zusammengefasste Zeichen, die aufgrund bekannter oder unterstellter Abmachungen Informationen tragen. 15.03.2012 als
MehrBig Data in der Praxis
Jonas Freiknecht Big Data in der Praxis Lösungen mit Hadoop, HBase und Hive Daten speichern, aufbereiten, visualisieren HANSER Vorwort XI 1 Einleitung 1 2 Big-Data 7 2.1 Historische Entstehung 8 2.2 Big-Data
MehrWirtschaftsinformatik 2
Wirtschaftsinformatik 2 Prof. Dr. Dr. L. Schmidt-Thieme MSc. André Busche Übung 2 1. Übungsblatt 2 2. Saalübung 02.05.12 2/ Aufgabe 2a (2 Punkte) Welche Vorteile bietet die Verwaltung von Daten in Datenbanken?
MehrEnterprise Portal - Abbildung von Prozessen, SAP-Datenintegration und mobile Apps
Beschreibung Die führende Standard-Software, um Menschen und Informationen erfolgreich in Prozesse einzubinden. Intrexx Professional ist eine besonders einfach zu bedienende Software- Suite für die Erstellung
MehrFolien. www.algoropticon.de/sigint2013_folien.pdf
Folien www.algoropticon.de/sigint2013_folien.pdf 1 Automatisierte Videoüberwachung Gesellschaftliche Auswirkungen aus technischer Perspektive Benjamin Kees sigint2013@algoropticon.de 05.07.2013 Gliederung
MehrAllgemeines zu Datenbanken
Allgemeines zu Datenbanken Was ist eine Datenbank? Datensatz Zusammenfassung von Datenelementen mit fester Struktur Z.B.: Kunde Alois Müller, Hegenheimerstr. 28, Basel Datenbank Sammlung von strukturierten,
MehrPHP- Umgang mit Datenbanken (1)
PHP- Umgang mit Datenbanken (1) Weitere Funktionen zum Umgang mit Datenbanken (Erzeugen, Löschen) und Tabellen (Erzeugen, Löschen) Zum Beispiel für das Erzeugen einer neuen Datenbank $dbname= blumendb
MehrBW/4HANA: Perspektiven mit der PBS Nearline-Lösung. Dr. Christoph Bedau, PBS Software GmbH
BW/4HANA: Perspektiven mit der PBS Nearline-Lösung Dr. Christoph Bedau, PBS Software GmbH 1 Agenda Ausgangspunkt: CBW NLS in SAP BW on AnyDB Problemstellung beim Übergang nach BW/4HANA Darstellung des
MehrOracle Big Data Technologien Ein Überblick
Oracle Big Data Technologien Ein Überblick Jürgen Vester Oracle Deutschland B.V. & Co KG Um was geht es bei Big Data? Bei Big Data sprechen wir eine Klasse von Daten an, die in der
MehrKommunikation und Datenhaltung
Kommunikation und Datenhaltung Datenhaltungsteil Frank Eichinger, Mirco Stern Charakteristika von Datenbanken Eine Bank: Langfristige Aufbewahrung von Werten (hier: Daten) Werte werden zur Sicherheit vor
MehrResults in time. FLEXIBLER UND KOSTENGÜNSTIGER BETRIEB VON SAP SYSTEMEN. Beratung. Support. Ganzheitliche Lösungen.
FLEXIBLER UND KOSTENGÜNSTIGER BETRIEB VON SAP SYSTEMEN Results in time. Beratung. Support. Ganzheitliche Lösungen. BIT.Group GmbH www.bitgroup.de Klassifizierung: Öffentlich Autor: Henry Flack Version:
MehrKamera-basierte Objekterkennung
Kamera-basierte Objekterkennung Deep Machine Learning. Version 2.0 Einführung Motivation & Megatrends Motivation In der Logistik verursacht die Identifizierung (das Scannen) der Produkte, Pakete, Paletten,
MehrSugar innovatives und flexibles CRM. weburi.com CRM Experten seit über 15 Jahren
Sugar innovatives und flexibles CRM weburi.com CRM Experten seit über 15 Jahren Wie können wir Ihnen im CRM Projekt helfen? Think big - start small - scale fast Denken Sie an die umfassende Lösung, fangen
MehrEs geht also um die sogenannte SQL- Data Definition Language.
In diesem Abschnitt werden wir uns die SQL Befehle ansehen, mit denen ein sogenanntes Datenbankschema angelegt, gepflegt und auch wieder gelöscht werden kann. Es geht also um die sogenannte SQL- Data Definition
MehrImmobilienmanagement Handlungsfelder der Digitalisierung
imfokus Digitalisierung Immobilienmanagement Handlungsfelder der Digitalisierung Köln, 30. März 2017 Jörn Stobbe (COO) Union Investment Real Estate GmbH 01 Digitalisierung bei Union Investment Real Estate
MehrDatenbanken Unit 9: OLAP, OLTP, Data Warehouse Ranking Algorithmen
Datenbanken Unit 9: OLAP, OLTP, Data Warehouse Ranking Algorithmen 28. V. 2018 Outline 1 Organisatorisches 2 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 3 Ranking 4 SQL Organisatorisches Ergebnisse
MehrApparo Fast Edit Datenmanagement in IBM Cognos Analytics Technische Übersicht
Apparo Fast Edit Datenmanagement in IBM Cognos Analytics Technische Übersicht 2 Apparo Fast Edit ist die Erweiterung für IBM Cognos Analytics, mit der Sie innerhalb von Cognos Analytics Daten ändern, importieren
MehrDatenbanken. Produkte Dienstleistungen Referenzen
Datenbanken Produkte Dienstleistungen Referenzen Produkte: MS SQL Server MS SQL Server 2005 Datenbankmodul Berichtssysteme mit Reporting Services Data Warehousing/Data Mining mit Analysis Services Schnittstellen
MehrData-Warehouse-Praktikum
Data-Warehouse-Praktikum WS 18/19 Universität Leipzig, Institut für Informatik Abteilung Datenbanken Prof. Dr. E. Rahm V. Christen, M. Franke, Z. Sehili {christen, franke, sehili}@informatik.uni-leipzig.de
MehrTechnikbasierte Logistik-Services
Technikbasierte Logistik-Services Prof. Dr. Ute Reuter 1) Dipl.-Inform. Reinhold Schneider 2) Prof. Dr. Tobias Loose 1) 3) 1) VWA-Hochschule für berufsbegleitendes Studium, Stuttgart 2) amotiq automotive
MehrDatenmodellierung VU Einführung SS 2015
184.685 Datenmodellierung VU, Einführung SS 2015 184.685 Datenmodellierung VU Einführung SS 2015 Dr. Sebastian Skritek Institut für Informationssysteme Technische Universität Wien Dr. Sebastian Skritek
MehrMS Visio 2007 & DocuSnap 4.0
MS Visio 2007 & DocuSnap 4.0 Franz-Larcher-Straße 4 D-83088 Kiefersfelden www.itelio.de Tel.: +49-8033-6978-0 Fax: +49-8033-6978-91 info@itelio.de Agenda Methoden der IT-Dokumentation Dokumentation mit
MehrExadata und In-Memory Datenbewirtschaftung und Analyse Extrem mit Exadata und InMemory (Erfahrungsbericht)
Exadata und In-Memory Datenbewirtschaftung und Analyse Extrem mit Exadata und InMemory (Erfahrungsbericht) Christian Haag, DATA MART Consulting Consulting Manager Oracle DWH Team Inhalt Thematik (Einordnung
MehrÜbersicht SAP-BI. DOAG Regionaltreffen
Übersicht SAP-BI DOAG Regionaltreffen 14.12.2010 Übersicht Überblick BI Datenablage Datenfluß im BI Analysen Sonstiges - Schlüsselbereiche des BI - Wo werden die Daten gespeichert? - Wie kommen die Daten
MehrCopyr i g ht 2014, SAS Ins titut e Inc. All rights res er ve d. HERZLICH WILLKOMMEN ZUR VERANSTALTUNG DATA MANAGEMENT
HERZLICH WILLKOMMEN ZUR VERANSTALTUNG DATA MANAGEMENT AGENDA DATA MANAGEMENT 9:00 09:30 Das datengetriebene Unternehmen: Big Data Analytics mit SAS die digitale Transformation: für IT und Fachbereiche
MehrData Science als Treiber für Innovation Neue Anforderungen und Chancen für Ausbildung und Wirtschaft
Data Science als Treiber für Innovation Neue Anforderungen und Chancen für Ausbildung und Wirtschaft b Univ-Prof. Dr. Stefanie Lindstaedt b www.know-center.at Know-Center GmbH Know-Center: Austria s Research
MehrMyCoRe > V1.0: Technische Weiterentwicklung
MyCoRe > V1.0: Technische Weiterentwicklung Frank Lützenkirchen, Kathleen Krebs Folie 1 Kontrollflüsse bisher Kontrollflüsse sind im MyCoRe Kern oder der darauf basierenden Applikation fix und explizit
MehrJens Schmidt Senior Member Technical Staff
Jens Schmidt Senior Member Technical Staff Oracle 9i Data Mining Connector 1.1 für mysap BW Agenda Data Mining Grundlagen Der Data Mining Prozess Oracle Data Mining Integration mit mysap BW Agenda Data
Mehr