Treiberbasiertes Türstörungsmonitoring Wie Big Data Türstörungen bei der SBB vermeidet

Transkript

1 Treiberbasiertes Türstörungsmonitoring Wie Big Data Türstörungen bei der SBB vermeidet Frankfurter Entwicklungstage 017

2 Treiberbasiertes Türstörungsmonitoring - Wie Big Data Türstörungen bei der SBB vermeidet Agenda 1 Ausgangssituation, Projektziele und Nutzen des Business Cases Agiles Projektvorgehen Datenanalyse Lösungsarchitektur Erkenntnisse des Fachbereichs aus der Arbeit mit dem Datenlabor Ausblick und Trends Seite

3 Praxisfall für ein treiberbasiertes Türstörungsmonitoring von Personenzügen Ausgangssituation der Schweizerischen Bundesbahnen SBB verantwortet das weltweit dichteste Verkehrsaufkommen: tägl. über 8000 Züge Selbst millimetergroße Türöffnung verzögert Abfahrt flächendeckende Verspätungen ca Türen an 9 Wagen Türstörungen: 0% der gesamten Störungen im Personenverkehr aus Seite

4 Praxisfall für ein treiberbasiertes Türstörungsmonitoring von Personenzügen Herausforderung, Zielsetzung und Nutzen des Business Case Türstörungen im dichten Fahrplan: Hohe betriebliche Auswirkungen Folgewirkungen auf Anschlusszüge und den restlichen Betrieb Daten: bisher manuell aus diversen Quellen zusammengesucht Aufbereitung & Auswertung Daten: Zeitintensiv! Treiber für Häufungen & Muster von Störungen erkennen Störungsanalyse beschleunigen entsprechende Massnahmen gezielt einleiten 1. Herausforderung.Ausgangssituation. Aufgabenstellung Datenlabor zum Identifizieren von Mustern & systematischen Fehlern Dashboard: Zeigt Informationen zur Ableitung von Massnahmen zur Vermeidung Störungen. Zielsetzung Reduktion der Aufwände für Störungsanalysen Frei-werdende Kapazitäten nutzen für Inhaltliche Analysen. Nutzen Seite

5 Treiberbasiertes Türstörungsmonitoring (ttm) von Personenzügen Agiles Projektvorgehen Agile Projektmethoden - geeignet für: Unklare (Fein)Ziele zu Projektbeginn Individuen und Interaktionen gelten mehr als Prozesse und Tools Die stetige Zusammenarbeit mit dem Kunden steht über Verträgen Agiles Vorgehen häufige Änderung von Anforderungen & Zielen Der Mut und die Offenheit für Änderungen steht über dem Befolgen eines festgelegten Plans Wieso Scrum für dieses Vorhaben? Grobe Zielsetzung des Projekts war klar, nicht aber der genaue Weg zu deren Erreichung Viele Ideen welche verifiziert werden mussten Vorhaben war ein Proof of Concept mit kleinem Budget und engem Zeitrahmen Lesson Learned schnelle Reaktion statt detaillierte Planung & Steuerung Funktionierende Programme gelten mehr als ausführliche Dokumentation Selbstbestimmung & enge Kooperation Agiles Vorgehen hat sich bewährt, enger Kontakt, schnelles Feedback, gutes Scoping, hohe Flexibilität Zielarchitektur inklusive Anbindung Datenquellen müsste vor Projektbeginn durchgeführt werden Seite

6 Datenanalyse Root-Cause Analyse Wieso kommt es zu einer Störung? Ausgangslage Freitexte in den Störungsmeldungen Keine systematische Logik in den Störungsmeldungen Unschärferelationen (keine 1:1 Zuordnungen möglich) Lösungsansatz Klassifikator gesucht für die Differenzierung der Störungsmeldungen zwischen Türstörungen und anderen Störungen Trainieren eines R-Algorithmus anhand von textuellen Features für einen Klassifikator Ergebnis Algorithmus liefert ziemlich guten Klassifikator (hohe Trefferrate > 80% Störungsanalysen können jetzt von der Fachabteilung selber gemacht werden (mehr Zeit für inhaltliche Analyse) Emfehlungen für bessere Datenqualität (Datenerfasstung, mehr Daten, z.b. Material dazunehmen, ) Seite

7 Lösungsarchitektur Datenlabor Aufbau und Komponenten Dashboard Datenanalyse Datenbank Seite 7

8 Lösungsarchitektur Datenlabor Technologien SINGLE POINT OF ACCESS STANDARD AUSWERTUNGEN DATEN AD HOC AUSWERTEN Dashboard SAP BI Launchpad SAP Lumira Datenanalyse R- Studio DATEN BEREITSTELLEN DATEN SPEICHERN Datenbank SAP HANA & Hadoop Seite 8

9 Lösungsarchitektur Datenlabor Nutzergruppen Datenanalyse Data Scientist Fachbereich SINGLE POINT OF ACCESS STANDARD AUSWERTUNGEN DATEN AD HOC AUSWERTEN Dashboard SAP BI Launchpad SAP Lumira R- Studio IT- Experten DATEN BEREITSTELLEN DATEN SPEICHERN Datenbank SAP HANA & Hadoop Seite 9

10 Lösungsarchitektur Integration - Automatisierung SAP Lumira SAP Daten Variante Minimale Integration Sämtliche Fach-Analysen mit SAP Lumira in SAP HANA Datenaktualisierung nur mit IT Experten - (noch) nicht automatisiert Datenlabor steht während Aktualisierung nur eingeschränkt zur Verfügung Non-SAP Daten Seite 10

11 Erkenntnisse des Fachbereichs aus der Arbeit mit dem Datenlabor Dashboard für Fachauswertungen und Ad Hoc Auswertungen BI Self Service mit SAP Lumira Seite 11

12 Erkenntnisse des Fachbereichs aus der Arbeit mit dem Datenlabor Massive Effizienzsteigerung begeistert Fachbereich NACHHALTIGER ERFOLG Spezielle Kennzahlen, für welche früher ein kleines Projekt notwendig war, können mit überschaubarem Aufwand ermittelt werden Etablierte Kennzahlen können basierend auf regelmässigen Daten- Aktualisierungen automatisiert ermittelt werden Reduktion des Aufwandes für Störungsanalysen von ursprünglich Tagen auf eine halbe Stunde Datenlabor wird heute für die Diagnose benutzt, bietet aber auch die Basis für weitere Anwendungen wie z.b. Predictive Maintenance o Identifiziertes Verbesserungspotential: Monitoring als Kernaufgabe kann ohne automatisierte Daten-Aktualisierung (noch) nicht durchgeführt werden «Verfügbarkeit Türen» (bspw. ca. 98%) BI Self Service mit SAP Lumira: Innovation für Ingenieure «Top 0 Materialverbrauch pro Störung» Bedeutender Transparenzgewinn Erheblicher Zeitgewinn bei Auswertung und Reporting. Seite 1

13 Ausblick und Trends Wie stellt man sich die Weiterentwicklung des Datenlabors bei der SBB vor? Automatisierte Datenaktualisierung Bessere Integration der verschiedenen technischen Systeme Integration von zusätzlichen Daten: o grössere Volumen - längere Zeiträume o Weitere Datenquellen (z.b. Meteo-Daten) o Sensordaten ( real" Big Data) Abbildung von neuen Use Cases (z.b. Lastenmanagement/Steuerung Brechen der Lastspitzen im Bahnstromnetz) Seite 1

14 Ausblick und Trends Automatisierte Datenaktualisierung Seite 1

15 Ausblick und Trends Bessere technische Integration Analytics Zielbild Draft Seite 1

16 Ausblick und Trends Big Data Referenzarchitektur Zielbild (Komponentensicht) Draft Seite 1

17 Ausblick und Trends 1 Größere Volumen längere Zeiträume Integration von zusätzlichen Daten Sensordaten ( real Big Data) Weitere Datenquellen (z.b. Meteo-Daten) Seite 17

18 Ausblick und Trends Weitere Use Cases Seite 18

19 Kontakt Ulrich Gantenbein Associate Partner Head of BI & Analytics. Q_PERIOR Office: Papiermühlestrasse 7 Mobile: Bern ulrich.gantenbein@q-perior.com Schweiz HAMBURG (ELLERAU) FRANKFURT l MÜNCHEN ROSENHEIM l ZÜRICH BERN WIEN l NEW YORK TORONTO l BRATISLAVA SARAJEVO Seite 19