DYNAMISCHE HADOOP PLATTFORM ZUR OPTIMIERUNG DER GESCHÄFTSPROZESSE BEI TRANSPORTUNTERNEHMEN

Transkript

1 DYNAMISCHE HADOOP PLATTFORM ZUR OPTIMIERUNG DER GESCHÄFTSPROZESSE BEI TRANSPORTUNTERNEHMEN Jürg Frühauf, Leiter Business Information Management, SBB AG

2 Wir bewegen die Schweiz jeden Tag. Personenverkehr 1,18 Mio Reisende/Tag Immobilien 3500 Gebäude SBB Cargo t Güter/Tag Informationstechnologie Infrastruktur 3173 km Netz

3 4-Meter-Korridor IBN: Dezember 2020 Die ganze Nord-Süd Achse steht im Fokus: Die Gesamtleistung zählt. Gotthard (57 km) IBN: Dezember 2016 Ceneri (15 km), IBN: Dezember

4 Big Data: - Use Cases - Nutzenerwartung - Vorgehen - Data Lake

5 Der Wert von Big Data Analytics kommt durch das Aufbrechen der Datensilos. Wetter Fahrweise der Lokführer/innen Baustellenplanung Rollmaterial (Typ, Alter, etc.) Fahrplan Ein- und Aussteigezeiten der Fahrgäste Disposition Zustand Anlagen (Gleise, Signale) 5

6 Von Find & Fix zu Predict & Prevent. Inventardaten Vorhandene Daten kombinieren, um wertvolle Informationen zu gewinnen. Mitarbeiter befähigen, die richtigen Entscheidungen zu treffen. Grundlage schaffen für ein vorausschauendes Life Cycle Management. Diagnosedaten Abweichungen vorhersagen Massnahmen / Life Cycle optimieren Zugbewegungsdaten Zustandsdaten 6

7 Ziel: Bahnstrom aus 100% erneuerbarer Energie Bis 2030: Der Ausbau des Bahnangebotes erfordert 25% mehr Energie. Zu Spitzenzeiten sogar 40%.

8 Nutzenerwartung an die neuen Fähigkeiten: Effektivität. Nutzenkategorie Energieverbrauch und kosten senken Instandhaltungsprozesse optimieren Marketing, Kampagnen Bahnproduktion optimieren Kundenanforderungen, Mobilitätsverhalten Nutzenerwartung Mittel bis gross Gross Mittel bis gross Mittel Mittel bis gross 8

9 Nutzenerwartung an die neuen Fähigkeiten: Effizienz. Nutzenkategorie Neue Analysemöglichkeiten Effizienzsteigerung, Kostenreduktion Aktives Archiv Agilität, Flexibilität, Datenexploration Offene Plattform, Wiederverwendbarkeit Zentrale Datenverwaltung und Governance Agilität und Time to Market mit Analysen Nutzenerwartung Mehrheitlich gross Mittel bis gross Mehrheitlich gross Gross Gross Gross Mehrheitlich gross 9

10 Systematisches Vorgehen zur generellen Nutzung von Big Data. [Q] [t 1 ] [t 2 ] Phase 2: Proof-of-Value mit realen Use Cases; Aufbau Technologieund Methodik- Phase 1: Verständnis Einstieg in das Thema Big Data; Potenzialund Use Case- Erhebung in ausgewählten Bereichen Phase 3: Big Data Shared Service Aufbau mit folgenden Kernelementen: * Big Data Team * Plattform: Hadoop & SAP HANA * Methodik * Zusammenarbeitsmodell Phase 4: Labor-Phase Aufbau erster Datenlabore («Data Lab») auf dem Big Data Shared Service. Smarte Projektteams: 1-2 Data Scientist; Data Engineer; Fachspezialisten. Industrialisierung (Automatisierung von Daten- und Analyseprozessen) folgen nach der erfolgreichen Labor-Phase. Phase 5: Integration Datenquellen Überprüfung und ggf. Anpassung/Optimierung von Technologie und Vorgehen. Innovationskampagne, um Ideen auf Basis von Daten zu fördern und zu testen. Migration von dezentralen Data Labs, wo sinnvoll. Auf- und Ausbau des Data Lake. Verfeinerung des Konzeptes. 10

11 Zwei Komponenten unterschiedliche Aufgaben. Analyse & Reporting Tools User Home SAP HANA Discovery Platform Data Lab Data App User Home Hadoop Cluster Data Platform Data Lab Data Lake Data App Data Sources 11

12 PRODUKTE, SERVICES & TECHNIK Leonhard Fischer / Valerio Zanetti, T-Systems

13 T-Systems im ÜBERBLICK Mitarbeitende weltweit, Ein Drittel davon Arbeitet im Bereich Systems Integration Über Mitarbeitende der T-Systems weltweit arbeiten im Bereich Systemintegration. DEUTSCHLAND München Stuttgart Darmstadt Frankfurt Dresden Berlin Saarbrücken Hamburg ÖSTERREICH Hard Innsbruck Graz Linz Wien Steyr Gmünd T-Systems-Standorte T-Systems Schweiz ist der Langjährige Partner der SBB im Operation Management und Stark in der Systemintegration. SCHWEIZ Basel Zollikofen Langenthal Genf Kloten Kreuzlingen 13

14 Big Data Integration Services T-SYSTEMS DIGITAL DIVISION BIG DATA PRODUKTE & SERVICES CUSTOMERS BIG DATA SERVICES BIG DATA PLATFORM Big Data PRODUCTS IndustriaL Internet (IoT) Connected Car Data driven Business Smart City e-health BIG DATA SERVICES Reporting & Analysis Products Predictive Analytics Products PRODUCTIZATION ENABLED BY BIG DATA SERVICES Data Mining Products Dashboarding Products Real-time Intelligence Products Hadoop Products NoSQL DB Products In-Memory DB Products Search & Discovey Products Query Products SQL on Hadoop Data Connectivity Data Ingestion Streaming & Complex Event Processing CLASSIC PLATFORM DYNAMIC PLATFORM BIG DATA Infrastructure PLATFORM / INFRASTRUCTURE CLOUD PLATFORMS Big Data Analytics Tools & Products Big Data Management Platform Services 14

15 Portfolio Actractiveness Portfolio Actractiveness T-SYSTEMS MEHRFACH ALS MARKTFÜHRER BESTÄTIGT Big Data VENDOR BENCH MARK Operations 2016 BIG DATA VENDOR BENCHmARK Security Analytics 2016 BIG DATA VENDOR BENCHmARK Security Analytics Leader Source: Experton Group 2015 Competitive Strength Big Data VENDOR BENCH MARK Operations 2015 Competitive Strength BIG DATA VENDOR BENCH MARK Consulting & Solutions 2015 Competitive Strength BIG DATA VENDOR BENCHmARK Security Analytics 2015 Competitive Strength Leader Leader Leader Competitive Strength Competitive Strength Source: Experton Group 2014 Source: Experton Group

16 3 HADOOP CLASSIC & Dynamic Leistungsprofile Leistung für jeden Bedarf PERFORMANCE Performance Balance XL L XL XS M S XS XS S S M L M L XL XXL Volume Basispakete von 4 bis1200 TB individual Volume TB (Brutto)

17 Big data Platform Services Service-Optionen einfach auswählen Classic Dynamic Cloud Use Cases Managed Services (PaaS) Voll gemanagt von T-Systems Unmanaged Services (PaaS) Infrastruktur gemanagt von TSI, Applikation gemanagt vom Kunden On Premise 1 Kundendaten bleiben inhouse Lokationsmodell Kunden- Workload- Profil Local 1 Central Abdeckung regionaler Anforderungen Bereitstellung aus zentralen T-Systems Rechenzentren Performance 2 Echtzeitanalysen, Warehouse Offload Balanced 2 Ausgewogener Workload Volume 2 Batchverarbeitung; Backup-Lösung Betriebsmodell Bereitstellungsmodell Private Cloud ( ) Public Cloud & Hybrid Cloud ( ) = teilweise abgedeckt (kein Portal, Shared Environment) 1 = in Abhängigkeit vom Business Case 2 = Customer optimized Performance = Service wird nicht angeboten Sichere und transparente Datenhaltung

18 Dynamic Dynamic Dynamic Leistungsprofile Dynamische Platform Service-Optionen einfach auswählen Storage TB Secure Cluster Kafka Node Operations Usage Operations Basic Workload Lizenz 1 Laufzeit SLA class TB Workload+Lizenz Laufzeit SLA class TB Workload+Lizenz Laufzeit SLA class R-Studio Server Ext. Gateway Cust. Libraries Internet VPN Acc. BDR Cluster Verif. WAN, Firewall, Cross Functions, Service Management Productive System Test System Development System Predefined Services Regular Services On-Request Services 1 Cloudera Enterprise Lizenzmodell 18

19 use case abdeckungsgrad der bd plattform Die Hadoop Plattform ermöglicht zeitnahe Analyse grosser Datenmengen. Die Daten können normalisiert, strukturiert oder unstrukturiert sein und müssen nicht a priori in ein Datenmodell gesteckt werden (schemaneutral) Die Effizienz wird durch einen sehr hohen Parallelisierungsgrad erreicht Big Data Plattform ersetzt tlw. vorhandene ETL und Analytics Plattformen Big Data eröffnet das Feld für neue Business Cases wie z.bsp. Advanced Analytics, Predictive Maintenance, Machine Learning, Text Mining, Simulation usw. 19

20 USE Case Smart monitoring Getriebeschaden Lok 20

21 vielen Dank für Ihre Aufmerksamkeit

22 referenten Jürg Frühauf, Leiter Business Information Management, SBB AG Kontakt: Leonhard Fischer, Lead Architekt Big Data, Digital Division T-Systems International GmbH Kontakt: Valerio Zanetti, Big Data Plattform Architekt, T-Systems Schweiz AG Kontakt: 22