Smart Information Management im Zeitalter von Big Data

Transkript

1 Smart Information Management im Zeitalter von Big Data Intelligente Auswertung und Analyse von Onlinequellen, Maschinen-, Sensor- und Servicedaten Presseforum 2014, München Seite 1

2 Papstwahl 2005 Quelle: Spiegel Online Seite 2

3 Papstwahl 2013 Quelle: Spiegel Online Seite 3

4 Internet of Things Seite 4

5 Die Big Data Explosion Die Digitalisierung erzeugt gewaltige Mengen an Daten (Gartner 2010) Maschinenbau: 2 Exabyte pro Jahr (McKinsey 2011) Boeing 737: 240 Terabyte pro Flugzeug (McKinsey 2011) 1 Billion Terabyte = 1 Zettabyte Im Jahr 2016 weltweit 4,1 Zettabyte (Trilliarden Zeichen, 21 Nullen) Bytes Wie lange braucht die Menschheit für die Erzeugung von 5 Exabyte an Daten? Bis 2000: 2000 Jahre In 2011: Zwei Tage In 2013: Zehn Minuten Quelle: C. Humbly. 1 Million Terabyte = 1 Exabyte Terabyte = 1 Petabyte Gigabyte = 1 Terabyte Seite 5

6 Können wir die Daten überhaupt ökonomisch verarbeiten? Ja! Beispielrechnung: 1 Milliarde Dokumente mit 4 KB Text (~ 1 DIN A4 Seite Text) = 4 TB Speicher Lesen von 4 TB Daten von Festplatte: ~ 1 ½ Tage Lesen von 4 TB Daten aus dem RAM: ~ 15 Minuten Kosten für 4 TB schnellen RAM Speicher: 2002: $ : $ : $ Seite 6

7 Empolis Vision Die richtige Information zur richtigen Zeit zur richtigen Person auf einem beliebigen Endgerät Seite 7

8 BMW Seite 8

9 EMPOLIS in 1986 Seite 9

10 Empolis ist Ihnen heute schon viel näher als Sie vielleicht denken Seite 10

11 Heutiges Beispiel für Digitalisierungsdruck: Kundenservice Big Data Semantik SMART SMART SERVICE Sensorik Internet of Things Globaler Markt Machine to Machine Seite 11

12 Wenn Kunden entscheiden: Wahrscheinlichkeit eines erneuten Kaufs Fehlerfreies Produkt 78 % Fehlerhaftes Produkt und schlechter Kundenservice 32 % Fehlerhaftes Produkt und guter Kundenservice 89 % Quelle: Dr. Jon Anton & Dr. Natalie L. Petouhoff, Purdue University, Center for Customer-Driven Quality, Purdue University, U.S.A. Seite 12

13 Seite 13

14 Vom Lieferanten zum Dienstleister Service als Produkt Hersteller Hersteller Kunde Kunde Dienstleistung Produkt/Anlage Produkt/Anlage Service Endprodukt Endprodukt Service Kunde Qualität & Preis Cost-Center Betreiber Kaufkriterium Geschäftsmodell Hersteller Verfügbarkeit & Ergebnis Profit-Center Seite 14

15 Herausforderung: Komplexität Seite 15

16 Herausforderung: Dokumentation Herausforderung: Informationsvielfalt Seite 16

17 Herausforderung: Globalisierung Seite 17

18 Herausforderung: Mehr Daten in Echtzeit Seite 18

19 Smart Service als ganzheitlicher Ansatz Problem analysieren Techniker / Service Center Agent SERVICE RESOLUTION MANAGEMENT Kunden Kontext verstehen Lösung finden Experten identifizieren Symptome erkennen Problem/ Fehlerbild Knowledge Base / Bekannte Fehlerbilder Aktionen auslösen (z.b. Ticket, Service- Einsatz ) Business Intelligence Fehlerursachen erkennen Reporting / Berichte SMART DIAGNOSTICS Maschine Sensordaten Fehler vorhersagen Fehlerbilder nachvollziehen Experience Base / Fehlerhistorie Seite 19

20 Typische Servicestruktur und ihre Know-how-Herausforderung Know-how Know-how 4. Level Lösungen Service Resolution Management Informationen 3. Level 2. Level Smart Diagnostics Daten Servicestruktur 1. Level Seite 20

21 Typische Servicestruktur und ihre Know-how-Herausforderung Informationen Know-how Service Resolution Management 4. Level F&E 3. Level Weltweites Expertenteam (Headquarter) 2. Level Lokale Experten im Back-Office 1. Level Lokale Service-Techniker im Feld, Partner- / Kundenportale Servicestruktur Daten Lösungen Smart Diagnostics Seite 21

22 Typische Servicestruktur und ihre Know-how-Herausforderung Know-how Informationen Know-how Service Resolution Management 4. Level 3. Level 2. Level Daten Lösungen Smart Diagnostics Service-Struktur 1. Level Seite 22

23 Potenzial von Service Resolution Management Neue Aufgaben x = Sporadische Standardaufgaben Aufgaben Häufigkeitsverteilung der verschiedenen Aufgabentypen Zeit, die für die Bearbeitung pro Aufgabentyp benötigt wird Realer Aufwand Seite 23

24 Einzigartig: Nahtlose Integration verschiedener Verfahren Service Report Date: Customer: MajorCust Reported Failure: Noise on startup Semantische Metadaten Semantische Suche Report Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Assoziative Suche Relevanz basierend auf Kombination der Verfahren Seite 24

25 OG N75 VTG Lader überschritten ladedruck begrenzung ventil TW 1:3 ladedruckbegrenzungsventil Syn 1:1 OG N75 VTG Lader überschritten Abk: 1:2 Syn: 2:5 Oberer Grenzwert variable turbinen geometrie turbo lader Seite 25

26 Service Resolution Management Eine Lösung schnell finden Schritt 1: Entscheidungsbäume Abfrage von Attributen, die häufig die Fallmenge signifikant einschränken Schritt 2: Fallvergleich CBR Auslesen von Fehlerspeicher und Falldatenbanken zur automatischen Abfrage weiterer Attribute Schritt 3: Online-Recherche Suche über alle verfügbaren Attributwerte und dazugehörigen Dokumente Baum- Bibliotheken Falldatenbank Datenquellen Symptom Fahrzeug Wert Porsche 911 Carrera Modellreihe Error Code CS_SA4 TE_FES5 Komponente? Sensor T7 Log Beanstandung P : Geräusche H43 Klappergeräusche auf schlechter Wegstrecke aus dem Bereich des Handschuhkastens Seite 26

27 Service als Wachstumsmotor SERVICE RESOLUTION MANAGEMENT Herausforderung: Lösungsfindung schnell und korrekt 20% First Time Right Trend 54% 77% 80% Durchschnittliche Bearbeitungszeit 396s 355s Zeit für die Problembeschreibung und Lösungsfindung Aufwand für Routing und Case Tracking Trouble Ticket Quote Trouble Tickets innerhalb 24h gelöst 24% 17% 39% 54% Seite 27

28 Smart Diagnostics Zielsetzung Symptome erkennen Maschine Sensordaten Fehlerursachen erkennen Fehler vorhersagen Fehlerbild Bekannte Fehlerbilder Fehlerbilder nachvollziehen Fehlerhistorie Aktionen auslösen (z.b. Ticket, Service- Einsatz ) Business Intelligence Reporting / Berichte Seite 28

29 Smart Diagnostics Prozess TRANSFER E-T-L DETECT DIAGNOSE ACT REPORT Übernahme der Maschinen- und LOG-Daten an eine zentrale Stelle zur weiteren Analyse und Verarbeitung Überführen der (proprietären) Maschinen- Daten in ein normiertes, für die weiteren Verarbeitungsschritte optimiertes Format Erkennen von Ereignissen, Symptomen und Zusammenhängen, aus denen sich mögliche Fehlerbilder ergeben könnten Herstellen von Zusammenhängen mit bereits bekannten Fehlerbildern und Informationen anderer Quellen zur Ableitung von Handlungsempfehlungen Einleiten von Reaktionen auf erkannte Fehlerbilder bzw. Übergabe der Informationen an nachgelagerte Prozesse und Systeme Auswertungen über die Wirksamkeit des Prozesses (KPI- Erfüllung) und Optimierungspotenziale Seite 29

30 Smart Diagnostics Arbeitsweise 3. Fehlerbilder aus Symptomen ableiten 4. Handlung(sempfehlung) aus Fehlerbildern ableiten S1 S2 S3 S4 2. Symptome aus Ereignissen ableiten 1. Relevante Ereignisse identifizieren E1 E2 E3 E4 E5 E6 E7 LOG-Daten bzw. Sensor-Daten t Seite 30

31 Empolis Smart Diagnostics Nutzungsszenarien Time Series Data Empolis Smart Diagnostics Sensor Data LOG Data Data Tables ETL Diagnostic Use Cases Signal Prediction Signal Monitoring Complex Event Processing Condition Monitoring Root Cause Analysis Historical Data Reference Cases Diagnostic Procedures Seite 31

32 Robert Bosch GmbH Seite 32

33 VERSATEL Seite 33

34 ABB Robotics Seite 34

35 Airbus Seite 35

36 Empolis Smart Cloud Neben dem traditionellen On-Premise Software- Lizenzmodell stehen alle Empolis-Lösungen in vollem Umfang auch als Software as a Service (SaaS) zur Verfügung Keine initiale Investition in Form von Lizenzgebühren und eigener IT-Infrastruktur Empolis Smart Cloud Empolis übernimmt Wartung und Betrieb der Applikation, welche über das Internet verfügbar gemacht wird Alle notwendigen Komponenten der Applikation sind in der Empolis Smart Cloud ausgelagert und werden im Data Center von Empolis betrieben Seite 36

37 Auszeichnungen Seite 37

38 Service-Szenarien 2022 Quelle: Fraunhofer IAO, Hersteller-Services 2022 (2012) Seite 38

39 Antrieb zum Umdenken im Service und die technologische Antwort darauf Big Data Industrie 4.0 Globalisierung Internet of Things Stückzahl EINS Neue Betreibermodelle SMART SERVICE Sensorik Machine to Machine Predictive Maintenance Knowledge Management Semantik Maschine Learning Seite 39

40 Verschiedene Entwicklungen wirken derzeit zusammen Smart Factory Smart Product Smart Data Smart Service Seite 40

41 Dr. Stefan Wess Dr. Stefan Wess Europaallee Kaiserslautern Telefon Fax Mobil facebook.com/empolissoftware youtube.com/empolissoftware empolis.com/newsletter twitter.com/empolissoftware Folgen Sie mir auf empolis.com/google+ Seite 41

42 Backup Seite 42

43 Competitive Intelligence Meine Marktübersicht Competitive Intelligence: Maßgeschneiderte Marktanalysen Sichern strategische Entscheidungen (z.b. Investitionen) Zeigen Vertriebspotenziale und Produktverbesserungen auf Herausforderungen Vielzahl an Quellen Regelmäßige inhaltliche Analyse von Informationsquellen Marktübersichten (z.b. Gartner) sind Basiswissen Ihr Nutzen Individuelle Aggregation auf Basis Ihrer Expertise Fundierte Entscheidung (Investitionen, Markterschließung ) Früher und besser informiert als der Wettbewerb Seite 43