Datenprodukte für Deutschlands größten Fahrzeugmarkt. Vortrag beim BITKOM Big Data Summit am 16. Februar 2017 in Hanau

Transkript

1 Datenprodukte für Deutschlands größten Fahrzeugmarkt Vortrag beim BITKOM Big Data Summit am 16. Februar 2017 in Hanau

2 Was darf dieses Auto kosten? 2 Quelle: mobile.de

3 Vortragende Benjamin Eckart Manager Software Development Trust & Safety mobile.de Dr. Christoph Tempich Head of Consulting inovex GmbH 3

4 MOBILE.DE DEUTSCHER MARKTFÜHRER 13,53 MIO UNIQUE USER IM MONAT 1,4 MIO FAHRZEUGE 65% TRAFFIC ÜBER MOBILE ENDGERÄTE 4

5 WICHTIGSTE GESCHÄFTSELDER 290 MITARBEITER GEBRAUCHTWAGEN DREILINDEN / FRIEDRICHSH AIN BERLIN FIRMENSITZ NEUWAGEN ADVERTISING 5

6 inovex ist ein IT-Projekthaus für die Digitale Transformation: Agile Development & Management Web UI/UX Replatforming Microservices Mobile Apps Smart Devices Robotics Big Data & Business Intelligence Platforms Data Science Data Products Search Deep Learning Data Center Automation DevOps Cloud Hosting Trainings & Coachings inovex gibt es in Karlsruhe Pforzheim München Köln Hamburg. Und natürlich unter Wir nutzen Technologien, um unsere Kunden glücklich zu machen. Und uns selbst.

7 Agenda Fragestellungen bei mobile.de Vorgehen Ergebnisse Ausblick 7

8 Fragestellungen und Vorgehen 8

9 Fragestellungen Datenstrategie Datenprodukte Welche Infrastruktur ist geeignet? Wie ist das Datenprodukt-Management organisiert? Welche Strategie verfolgen wir mit Datenprodukten? Welche Datenprodukte haben einen Mehrwert? Welche Datenprodukte können wir wann umsetzen? Wie findet ein datengetriebener Ansatz Einzug in die Produktentwicklung? 9

10 Vorgehen Lean Startup* Ziele IDEA Verkürzung der Cycle Times Jedes Produkt wird A/B-getestet LEARN BUILD Jeder Cycle trägt zur Erkenntnis bei MVP Fokus im Projektverlauf 1. Build: Aufbau der Basis Infrastruktur, Datenintegration DATA PRODUCT 2. Measure: Richtige Zielgrößen für den A/B-Test 3. Idea: die richtigen Datenprodukte MEASURE * Eric Ries The Lean Startup 10

11 Ergebnisse 11

12 Architektur-Überblick Gelöste Herausforderungen Datenschutzkonforme Datenspeicherung innerhalb der EU Integration zahlreicher Datenquellen Aktuelles Thema Echtzeitfähige Datenprodukte auf dem Data Stream 12

13 Größenordnungen Technische Daten Websites ähnlicher Größenordnung* Events: pro Sekunde Ungefähr 10 MB pro Sekunde 50 Data Nodes, Cores, 10 TB Memory im Cluster Aussicht auf Ausbau auf 90 Nodes 2 PB konfiguriert für das HDFS * Monatliche Unique visitors nach AGOF, statista.de,

14 Modellierung des Fair Value Verschiedene Anzeigen 2 1 Berechnung des fairen Preises auf Basis der eingegebenen Informationen auf der Webseite Nutzung der Informationen verschiedener Anzeigen, um ein Preismodell zu erzeugen Statistisches Modell 14

15 Ergebnis Vorhersage vs. Online-Preis -10.7%+10.6% Modell -21.1% +26.8% 225k kürzlich gelöschte Anzeigen 100 [Vorhersage] [Tatsächlicher Preis] [Tatsächlicher Preis] Abweichung der Vorhersage vom Online-Preis -0.4% 1.1% 15

16 2.700 im Ursprungszustand Quelle: mobile.de; 16

17 Prozess Discovery Lernen Herausforderung: Integration von Wunsch und Möglichkeit Delivery Liefern Die Lösung von Data-Science-Problemen ist in der Regel nicht trivial Eine genaue Schätzung ist schwierig Es werden die gleichen Skills für die Evaluierung der Lösungsoptionen wie für deren Implementierung benötigt 17

18 Organisation: Von der BI-Abteilung in den Technikbereich CFO CIO CPO CFO CPTO BI Site OPS PM BI Site OPS PM Data team Dev Dev Data team Start als Team innerhalb der CFO- Organisation Nutzung der vorhandenen Kenntnisse über Datenquellen und Integration Nutzung der crossfunktionalen Vernetzung zur Etablierung des Themas Inkubator zum Testen Integration von Produktmanagement, IT und Daten unter einem CPTO Stärkere Integration in den Entwicklungsprozess Weniger Reibungsverluste in der Kommunikation Schnellere Produktentwicklungszyklen 18

19 Ausblick 19

20 Empfehlungen auf der Homepage 20

21 Zusammenfassung Die technische Infrastruktur wurde aufgebaut. Das Nutzungserfahrung konnte nachweislich verbessert werden. Die Organisation bekommt ein Gefühl für die Möglichkeiten von Datenprodukten. Die Prozesse zur Erstellung von Datenprodukten sind etabliert. Die Pipeline ist gefüllt. 21

22 Welche Datenprodukte bauen Sie gerade? 22