Big Data in Marketing und IT

Transkript

1 Big Data in Marketing und IT Chancen erkennen, Strategien entwickeln und Projekte erfolgreich umsetzen T-Systems Hacker Day 30. September 2015 Prof. Dr. Alexander Rossmann Reutlingen University

2 Big Data eine Definition Big Data bezieht sich auf die schnelle Erzeugung, Speicherung, Analyse, Auswertung und Darstellung großer, vielfältiger und variabel aufkommender Datenmengen, um für Unternehmen und Nutzer einen Mehrwert zu erzeugen. Implikationen von Big Data zeigen sich in unterschiedlichen Gesellschaftsbereichen, z.b. in Wirtschaft, Industrie, Handel, Rechtsprechung und Technologie. Seite 2

3 Steigendes Datenvolumen * 2020* Globales Datenvolumen pro Jahr in Exabyte Seite 3 Quelle: IDC

4 Treiber für Big Data Seite 4

5 Big Data umfasst im Kern eine Verbindung von Business- und IT-Services Web 1.0 Web 2.0 Mobile IoT IT Services IT Architecture Seite 5

6 Big Data umfasst im Kern eine Verbindung von Business- und IT-Services Management Business Model Business Services Web 1.0 Web 2.0 Mobile IoT IT Services IT Architecture Seite 6 Information Technology

7 Aktuelle Relevanz von Big Data für die IT-Strategie Empirische Befragung von 107 IT-Executives Big Data verfügt bereits über eine hohe Relevanz für die IT-Strategie. 35,00% 33,33% 30,00% 25,00% 20,00% 16,67% 18,75% 18,75% 15,00% 10,00% 12,50% 5,00% 0,00% Trifft voll und ganz zu Trifft überwiegend zu Teils/teils Trifft überwiegend nicht zu Trifft überwiegend nicht zu Seite 7 Rossmann et al. (2015): Big Data Report

8 Tendenz steigend Die Relevanz von Big Data für die IT-Strategie wird in Zukunft steigen. 40,00% 35,00% 35,42% 30,00% 25,00% 25,00% 20,00% 18,75% 15,00% 10,00% 10,42% 10,42% 5,00% 0,00% Trifft voll und ganz zu Trifft überwiegend zu Teils/teils Trifft überwiegend nicht zu Trifft überwiegend nicht zu Seite 8 Rossmann et al. (2015): Big Data Report

9 Wesentliche Datenquellen in der Praxis In der Praxis werden aktuell überwiegend interne Datenquellen für Big Data genutzt. Diese sind einfach zu erzeugen und verfügen häufig über einen höheren Grad der Strukturierung. Interne Prozessdaten Maschinenproduzierte Daten (Sensordaten, Internet of Things) Produktionsdaten Produktlebenszyklusdaten Geodaten Social Media Kanäle Retaildaten Befragungen Publikationen Umweltdaten Weblogs und Clickstreams Andere Datenquellen 54,17% 15,20% 45,83% 12,87% 43.,75% 12,28% 33,33% 9,36% 31,25% 8,77% 29,17% 8,19% 25,00% 7,02% 20,83% 5,85% 18,75% 5.26% 16,67% 4,68% 16,67% 4,65% 14,58% 4,09% 6,25% 6,25% Absolute Häufigkeit Relative Häufigkeit Seite 9 Rossmann et al. (2015): Big Data Report

10 Eingesetzte Technologien für Big Data Lösungen Relationale (SQL) Datenbank Technologien 6% Hadoop Ecosystem (HDFS, Map Reduce) 11% NoSQL Datenbank Technologien 9% BI in der Cloud 5% Keine spezifische Technologie im Einsatz 46% Eigene Entwicklungen 23% Seite 10 Rossmann et al. (2015): Big Data Report

11 Reaktion auf dynamische Datenbestände Keine Reaktion 29,17% Nicht automatisiert (Manuell) 50,00% Automatisiert 20,83% 0,00% 10,00% 20,00% 30,00% 40,00% 50,00% 60,00% Seite 11 Rossmann et al. (2015): Big Data Report

12 Big Data Referenzmodell des Branchenverbandes bitkom Datenzugriff Batch Processing (Hadoop, MapReduce) Streaming & CEP Search & Discovery Query Datenhaltung Hadoop HDFS No SQL Database In Memory Database Analytical Database ( DW, etc.) Transactional Database (OLTP) Seite 12 bitkom (2014)

13 Big Data Referenzmodell des Branchenverbandes bitkom Datenintegration Dashboards Visualisierung Fortgeschrittene Visualisierung Real-time Intelligence Datengovernance & -sicherheit Daten- Konnektivität Video Audio Predictive Analytische Verarbeitung Geospatial Data Mining Web Machine Learning Text Semantics Reporting Identity & Access Management Datenverschlüsselung Data Ingestion (ETL, ELT) Datenzugriff Multimandantenfähigkeit Batch Processing (Hadoop, MapReduce) Streaming & CEP Search & Discovery Query Governance Datenhaltung Hadoop HDFS No SQL Database In Memory Database Analytical Database ( DW, etc.) Transactional Database (OLTP) Seite 13 bitkom (2014)

14 Zwischenfazit Der Reifegrad von Big Data Strategien ist aktuell in der Breite eher gering. Der Fokus bezieht sich auf das Datenmanagement. Häufig fehlt es an fundierten Businesskonzepten für Big Data. Die Entwicklung vollzieht sich von innen (von der IT) nach außen (zu Mehrwerten). Interne Daten stehen im Fokus. Dezidierte Technologien für Big Data werden nur selten eingesetzt. Breite Zurückhaltung beim Thema Cloud. Seite 14

15 Fallbeispiel SBB Seite 15 Logoquelle: Wikipedia

16 Businesskonzept Relevante Ziele für das Geschäftsmodell: Erhöhung der Fahrgastzahlen, Optimierung der Nutzung des Schienennetzes, Erhöhung der Produktivität. Nutzung von Daten zur Visualisierung der Netzaktivitäten und des Zustands einzelner Objekte (z.b. Züge, Schienen, Weichen, Bahnhöfe). Entwicklung von Strategien zur Optimierung der Nutzung und Auslastung des Schienennetzwerks sowie zur Vermeidung von Verspätungen. Projekt: Railway Control System. Ergebnisse: 1.7M eingesparte Verzögerungsminuten, Energieeinsparungen beim Beschleunigen und Abbremsen der Züge. Seite 16

17 IT Konzept Installation von Sensorennetzwerken an Zügen und an anderen Devices. Vernetzung mit einer zentralen Datenplattform durch Hotspots und SIM Karten. Zentrale Datenintegration in einer Private Cloud, Datenintegrationslayer, Two-Speed Architecture. Entwickung von Analysemustern, Ableitung von Empfehlungen und Regeln, Complex Event Processing, halbautomatisierte Verfahren. Datenvisualisierung über ein zentrales Webportal (für die Netzüberwachung) und mobile Devices (für Zugführer). Seite 17

18 Prinzipien für Big Data PRINZIP 1 PRINZIP 2 Serviceorientierung Fokus auf Mehrwerte PRINZIP 3 PRINZIP 4 Two-Speed Architecture Service Ökosysteme Seite 18

19 Prinzipien für Big Data PRINZIP 5 PRINZIP 6 Integration von Business und IT Technology follows Strategy PRINZIP 7 PRINZIP 8 Sicherheit in der Cloud Investition in die eigene Kompetenz Seite 19

20 Konkretisierung Integration von Business und IT Big Data Strategy Vision, Goals & Guiding Principles Strategic Alliances & Partner Ecosystem Portfolio Management & Progress Tracking Budget Planning & Roadmap Seite 20

21 Konkretisierung Integration von Business und IT Big Data Strategy Vision, Goals & Guiding Principles Strategic Alliances & Partner Ecosystem Portfolio Management & Progress Tracking Budget Planning & Roadmap Opportunity Identification Opportunity Management Initiation Idea Generation Idea Refinement Business Model Development Impact & Risk Assessment Internal Project Setup Merger & Acquisition Seite 21

22 Konkretisierung Integration von Business und IT Big Data Strategy Vision, Goals & Guiding Principles Strategic Alliances & Partner Ecosystem Portfolio Management & Progress Tracking Budget Planning & Roadmap Opportunity Identification Opportunity Management Initiation Idea Generation Idea Refinement Business Model Development Impact & Risk Assessment Internal Project Setup Merger & Acquisition Center of Excellence Consulting Change Management Maturity Assessment Application Platform Connectivity Standards Platform Seite 22

23 Fazit des Big Data Report Strategien zum Thema Big Data befinden sich bei den meisten Unternehmen noch in der Frühphase. Der Fokus liegt auf dem Datenmanagement. Big Data verfügt über eine hohe strategische Relevanz, Tendenz steigend. Erfolgreiche Unternehmen setzen auf eine enge Businessorientierung und eine serviceorientierte IT. Dabei sind neue Formen der Zusammenarbeit und neue Modelle für die IT-Architektur erforderlich. Unternehmen werden deutlich in den Ausbau der eigenen Kompetenzen in diesen Bereichen investieren. Seite 23

24 Herzlichen Dank für Ihre Aufmerksamkeit! Viel Spaß beim Hacker Day Alexander Rossmann Reutlingen University Research Lab for Digital Business Alteburgstr Reutlingen Germany mobile: +49 (172) skype: alexander.rossmann Seite 24

25 Big Data in Marketing und IT Chancen erkennen, Strategien entwickeln und Projekte erfolgreich umsetzen T-Systems Hacker Day 30. September 2015 Prof. Dr. Alexander Rossmann Reutlingen University