MIT BIG DATA BESSERE ENTSCHEIDUNGEN TREFFEN

Größe: px
Ab Seite anzeigen:

Download "MIT BIG DATA BESSERE ENTSCHEIDUNGEN TREFFEN"

Transkript

1 Executive Summary THOUGHT LEADERSHIP PAPER MIT BIG DATA BESSERE ENTSCHEIDUNGEN TREFFEN Unternehmen wissen heute mehr denn je über ihre Kunden: Das Internet, Soziale Medien wie Facebook und Co. sowie der allgemeine Trend zur Digitalisierung im Privat- wie im Geschäftsleben erlauben es Firmen, detaillierte Daten ihrer Kunden zu sammeln von der Bestellhistorie bis zum Aufenthaltsort. Doch nur wer diese Daten auch zu interpretieren weiß, wird sie als Schlüssel nutzen können, um Marktzusammenhänge besser zu verstehen, verborgene Trends aufzuspüren und neue Geschäftschancen frühzeitig zu erkennen. Auf diese Weise lassen sich Entscheidungen schneller und präziser treffen mit dem Ziel, den Anforderungen der Kunden besser entsprechen zu können. IT-seitig sind Business-Intelligence-Tools das Mittel der Wahl, um das Geschäft gezielt anzupassen und zu steuern. Doch dieses Technologiesegment hat sich in den vergangenen Jahren grundlegend verändert: Auslöser ist die schiere Menge an unterschiedlichsten Daten, wie sie im Zuge der digitalen Transformation zunehmend entstehen. Um diese enormen Mengen großenteils unstrukturierter Daten schnell analysieren zu können, bedarf es neuer Ansätze und Technologien. Am Markt wurden dafür bereits leistungsfähige Lösungen entwickelt wie die Open-Source-Technologie Hadoop oder In-Memory- und NoSQL-Datenbanken, die die Echtzeitanalyse großer Datenmengen erst ermöglichten. Doch damit Big-Data-Analysen zuverlässige Ergebnisse liefern können, müssen einige Voraussetzungen erfüllt sein: Zu allererst müssen die Daten korrekt, konsistent und vollständig sein kurz: Die Datenqualität muss stimmen. Auch verteilte sowie heterogene Datenverarbeitungs- und Speicherstrukturen, die oft aus historischen Gründen die IT-Landschaft beherrschen, gehören integriert, damit die Analyse auf einer möglichst breiten und einheitlichen Datenbasis gründet. Und schließlich ist der erfolgreiche Einsatz von Big-Data-Analysen an kompetentes Fachpersonal geknüpft, das zum einen den Umgang mit Tools und Technologien beherrscht. Zum anderen werden Experten benötigt, die in der Lage sind, faktisch mit den Daten zu arbeiten. Auf die Frage, welche Lösung zu welcher Aufgabe und zu welchem Unternehmen passt, gibt es keine standardmäßige Antwort. Aktuell hat sich Hadoop als Branchenstandard für Big-Data-Umgebungen durchgesetzt, wenngleich ein Hadoop-Cluster an seine Grenzen stößt, sobald die Daten auf der Festplatte liegen und Datenbankzugriffe langsam machen. Für die Echtzeitverarbeitung extrem großer Datenmengen haben sich deshalb In-Memory-Datenbanken etabliert, die Daten direkt in den und aus dem Arbeitsspeicher (RAM) laden, was sie um den Faktor schneller macht als herkömmliche Plattentechnologie. Gerade weil standardisierte Industrielösungen im Bereich von Big Data nicht verfügbar sind, müssen sich Unternehmen entscheiden, ob sie eine Software kaufen und an die eigenen Bedürfnisse anpassen oder diese komplett von der eigenen IT-Abteilung realisieren lassen: Meist sind Cloud-basierte Infrastrukturen dann sinnvoller, wenn Analysen nur einmal durchgeführt werden oder große Schwankungen im Datenvolumen oder in der Analysenachfrage bestehen. Fazit Nur wer nah am Kunden ist und dessen Bedürfnisse kennt, kann sich langfristig im Wettbewerb behaupten. Das setzt effiziente Entscheidungsfindungsprozesse voraus, für die immer mehr Daten in immer kürzerer Zeit analysiert werden müssen. Big-Data- Lösungen werden in diesem Zusammenhang zum Erfolgsfaktor.

2 Executive Briefing MIT BIG DATA BESSERE ENTSCHEIDUNGEN TREFFEN Um Business-Entscheidungen frühzeitig, schnell und präzise zu treffen, müssen heute große Mengen von strukturierten und unstrukturierten Daten ausgewertet werden. Analysen mit Big-Data-Technologien helfen, hierfür die richtigen Antworten zu finden. Früher galt ein Händler als kundenfreundlich, wenn er Grillkohle neben Bier und Ketchup ins Regal stellte. Ganz nebenbei profitierte er von Mitnahmeeffekten. Heute muss er sich schon mehr einfallen lassen, wenn er im Kampf um die Gunst des Kunden bestehen will. Im E-Business ist es heute gang und gäbe, dass der Händler die Präferenzen seiner Kunden kennt, seine Bestellhistorie, die Rabattvorlieben und möglichst noch den Aufenthaltsort. Doch nur wer solche Daten auch zu interpretieren weiß beziehungsweise intelligent miteinander verknüpft, ist in der Lage, auf den Kunden zugeschnittene Angebote zu präsentieren und ihn dort abzuholen, wo er gerade ist online, zu Hause auf der Couch oder in der Fußgängerzone. Dazu braucht er die richtigen Analyseinstrumente und für seine Zwecke bestimmte oder notwendige Daten. Sie sind in Zeiten von globalem Wettbewerb und volatilen Märkten unverzichtbar und unterstützen Entscheidungsträger bei der Optimierung ihres Geschäfts. Händlern etwa geben Daten dezidiert Auskunft über das Kaufverhalten ihrer Klientel. Für Unternehmen sind sie der Schlüssel dazu, Marktzusammenhänge besser zu verstehen, verborgene Trends aufzuspüren und neue Geschäftschancen frühzeitig zu erkennen. Entscheidungen lassen sich so schneller und präziser treffen das alles mit dem Ziel, näher am Kunden zu sein und seinen Anforderungen besser entsprechen zu können. So versetzt die Analyse von Daten zum Beispiel Marketingabteilungen in die Lage, feinkörnige Bevölkerungs- und Kundensegmente zu erstellen sowie Waren und Dienstleistungen auf deren Bedarfe zuzuschneiden. Eine detaillierte Segmentierung von Zielgruppen erleichtert deren Ansprache, vermindert die Streuverluste und somit auch die Kosten für Marketingkampagnen. Ein Telekommunikationsanbieter etwa kann mittels Datenanalyse herausfinden, warum Kunden abwandern, und so mit gezielten Maßnahmen gegensteuern. Die Rolle von Daten Viele Entscheidungsträger und Manager haben mittlerweile den strategischen Wert von Daten erkannt, nutzen relevante Datenquellen mit Informationen über ihre Produkte und Kunden und analysieren mit Business-Intelligence-Tools beispielsweise die Kaufhäufigkeit von Produkten oder die Veränderung von Lagerbeständen. Einer Studie des Softwareanbieters Artegic zufolge gehen 75 Prozent der befragten Unternehmen davon aus, dass der Unternehmenserfolg durch die Nutzung personenbezogener Daten aus dem Online-Marketing signifikant gesteigert werden kann. Mithilfe von Business-Intelligence-Tools lässt sich das Geschäft gezielt anpassen und steuern. Das Management profitiert deutlich von den daraus gewonnenen Informationen und kann sie als strategischen Kompass nutzen, um Veränderungen im Markt und im Kundenverhalten rechtzeitig zu erkennen und proaktiv tätig zu werden. 1

3 Aus Daten wird Big Data Entspannt zurücklehnen können sich Manager heute allerdings trotz Dashboards, Grafiken und Tabellen nicht. Denn in den vergangenen Jahren ist die Welt der Business Intelligence gehörig durcheinandergewirbelt worden. Auslöser ist die schiere Menge an Daten. Waren die für geschäftliche Entscheidungen relevanten Informationen noch bis vor Kurzem relativ überschaubar, sind sie in den zurückliegenden Jahren förmlich explodiert. Mittlerweile wird faktisch alles digita lisiert, und es entstehen neue Arten von Transaktions- und Echtzeitdaten. Und auch Maschinen und Rechner produzieren enorme Datenmengen, die heute auf immer preiswerter und dynamischer werdender Hardware nutzbar werden: Allein ein modernes Flugzeug generiert innerhalb von 30 Minuten Flugzeit bis zu 10 Terabyte an Daten. Bei Flügen pro Tag entstehen damit Petabytes an Daten. Die Transformation hin zu digitalen Geschäftsmodellen und neuen Anwendungen steigert das Datenwachstum ebenfalls. Technologien wie Cloud Computing, RFID, transaktionale Systeme, Data Warehouses sowie Dokumenten-Managementund Enterprise-Content-Management-Systeme sind wichtige Entwicklungen im Kontext von Big Data. Viele dieser Systeme erzeugen fortwährend neue Datenströme. Den entscheidenden Anteil an der Datenexplosion aber haben das Internet, der zunehmende Anteil mobiler Geräte und vor allem die sozialen Medien wie Facebook, Twitter, YouTube und Co. Allein Facebook produziert beispielsweise täglich 2,7 Milliarden Likes, 300 Millionen Fotos und scannt jede halbe Stunde 105 TB Daten. Hinzu kommt, dass Datenmengen heutzutage nicht nur groß, sondern auch deutlich weniger strukturiert sind als die früheren typischen Geschäftsdaten in ERP-Systemen. Social-Media-Informationen wie Texte, Bilder, Audiodateien oder Videos lassen sich nicht mehr in ordentliche Zeilen und Spalten zwängen, wie es das relationale Datenbankmodell verlangt: Sie sind unstrukturiert. Laut der IDC-Studie Storage in Deutschland 2013 gehören inzwischen bereits 90 Prozent der Daten zu diesem unstrukturierten Typus und müssen mit ganz neuen Techniken erfasst und ausgewertet werden. (Quelle: IDC Storage*) Im Ergebnis bedeutet dies, dass Unternehmen es mittlerweile mit einem ungeordneten Aufkommen großer Mengen an strukturierten, semistrukturierten und unstrukturierten Daten aus einer Vielzahl verschiedenster Quellen zu tun haben. Gerade unstrukturierte Daten aus sozialen Netzwerken können Unternehmen heute nicht mehr ignorieren. Aus s, Feedback-Formularen, Kommentaren und Bewertungen in sozialen Netzen und Diskussionen in Foren lässt sich eine Menge lernen. Die massive Anzahl an täglich generierten Tweets zurzeit etwa 12 Terabyte ist eine profunde Basis etwa für die Trendforschung oder für die Produktentwicklung. Welche Branchen profitieren von Big Data? Unternehmen haben, je nach technischer Ausstattung, relativ einfachen Zugang zu großen Mengen nützlicher Markt- und Kundendaten und wollen den Wert dieser Daten auch ausschöpfen. Laut einer von T-Systems in Auftrag gegebenen interna- Typische Datenarten heute Strukturierte Daten Semi-strukturierte Daten Unstrukturierte Daten Daten, die in Tabellen und Strukturen von relationalen Datenbanken abgebildet werden Daten, die oft durch die Anwendung von Datenaustauschprogrammen zwischen Unternehmen erzeugt werden und daher häufig auf XML basieren Daten aus Textdateien, Speech-to-Text-Anwendungen, PDFs, gescannte Post, Präsentationen, Bildern, Videos, Audiodateien 2

4 tionalen IDC-Studie hat bereits jedes zweite Unternehmen Big-Data-Projekte implementiert oder plant dies konkret. Drei von vier Unternehmen, die Big-Data-Projekte eingeführt haben, bezeichnen Business Analytics dabei in einer SAS-Umfrage als wirksam bei der Entscheidungsfindung (Quelle: SAS Decision Making*). Am meisten profitieren sie der Untersuchung zufolge von einer erhöhten Rentabilität, reduzierten Kosten, gezielterem Risikomanagement, Prozessoptimierung, schneller Entscheidungsfindung und Performance- Verbesserungen. Der mit Big Data verbundene Aufwand zahlt sich laut McKinsey auch in barer Münze aus. Werden Big Data richtig und zeitnah analysiert, können beispielsweise Handelsunternehmen ihre Marge um bis zu 60 Prozent verbessern, und europäische Behörden können durch effizientere Prozesse 250 Millionen Euro pro Jahr einsparen, so die Consultants. Wenn Unternehmen mehr über die Standorte ihrer Kunden wüssten, könnten sie sogar zusätzlich Produkte im Wert von 600 Millionen Dollar absetzen. (Quelle: McKinsey Big Data*) Während sich bis vor Kurzem nur Banken, Finanzdienstleister und ausgewählte Großkonzerne typische Anwender von Data Warehousing und Business Intelligence mit automatisierten Entscheidungsprozessen beschäftigt haben, erkennen nun laut Experton Group zunehmend auch Handelskonzerne, Versorgungsunternehmen sowie Anbieter in den Branchen Life Sciences und Medizin sowie aus vielen anderen Märkten, dass Daten zum Grundkapital gehören also ein wichtiges Wirtschaftsgut sind. (Quelle: Experton Big Data*) Aufgefächert auf Unternehmensabteilungen profitieren von Big Data besonders Forschung und Entwicklung, Marketing und Vertrieb, Produktion, Distribution und Logistik sowie Finanz-Controlling und Risk-Management. In diesen fünf Funktionsbereichen lässt sich der wirtschaftliche Nutzen von Big Data besonders eindrucksvoll belegen. Big Data analysieren Trotz des unumstrittenen Nutzens stellt es für viele Firmen eine Herausforderung dar, die gesammelten Daten in verwertbare Informationen zu verwandeln. Laut Marktforscher Gartner werden bis 2015 mehr als 85 Prozent der Fortune-500-Unternehmen nicht in der Lage sein, Big Data effektiv zu nutzen, um sich einen Wettbewerbsvorteil zu verschaffen. Die meisten Unternehmen sind schlecht auf die Herausforderungen für Technik und Verwaltung vorbereitet, die mit Big Data einhergehen, sagen die Analysten von Gartner. Daher werden nur wenige in der Lage sein, diesen Trend effektiv zu nutzen und sich einen Wettbewerbsvorteil zu verschaffen. (Quelle: Gartner PI*) Alle drei Faktoren Datenmenge, Datenvielfalt und Verarbeitungsgeschwindigkeit sind eine große Herausforderung mit Blick auf die herkömmliche Datenverarbeitung und -analyse. Relationale Datenbanken sind ihrem Ursprung und ihrer Architektur nach dann effizient nutzbar, wenn sie für häufige Transaktionen auf Datensatzebene oder für Szenarien mit kleinen bis mittleren Datenvolumina eingesetzt werden. Zur Verarbeitung und Analyse von Datenmengen im Peta- oder gar Exabyte-Bereich sind sie nicht ausgerichtet. Vor allem lassen sich unstrukturierte Daten nicht oder nur schwer in tabellenorientierten, relationalen Datenbanksystemen speichern. Da immer mehr Daten für Auswertungen zur Verfügung stehen, brauchen Unternehmen neue Ansätze und Technologien, heißt es in der Gartner- Studie Big Data Opportunities, New Answers and New Questions (Quelle: Gartner Big Data*). Neue Big-Data-Systeme müssen nicht nur die Datenmassen bewältigen, sondern auch unstrukturierte Daten zuverlässig analysieren und das möglichst schnell. Diese Echtzeitanalysen erfordern Systeme mit extrem schnellen Datenbankzugriffen und einer effizienten Parallelisierung, um Aufgaben auf viele Rechner zu verteilen ein Ansatz, der aus der Vergangenheit unter dem Begriff Grid Computing bekannt ist. Wegbereiter solcher Big-Data-Werkzeuge zur Analyse unstrukturierter Daten war Google. Mit dem Programmiermodell MapReduce hat der Konzern die Verarbeitung der Datenmassen so aufgeteilt, dass die Infrastruktur flexibel an die Datengröße angepasst werden kann. Daraus entstand das populäre Open-Source-Projekt Hadoop, heute neben In-Memory und NoSQL-Datenbanken für unstrukturierte Daten der Standard für die Big-Data-Technologie. Im Bereich der Unternehmensanwendungen setzte SAP mit der auf In-Memory-Technologie basierenden SAP-HANA-Datenbank (High Performance Analytic Appliance) die Entwicklung in Gang. Das Herzstück der Big-Data-Analyse bilden Modelle und Algorithmen, die darauf ausgerichtet sind, 3

5 Zusammenhänge in den Datenbergen ausfindig zu machen und Muster und Ähnlichkeiten zu erkennen. Diese Predictive- oder Business-Analytics- Lösungen helfen nicht nur, schnell und akkurat ein Bild der Gegenwart zu zeichnen, sondern auch, Vorhersagen zu treffen und damit Prognosen über künftige Entwicklungen abzugeben. Dies geschieht auf Basis von statistischen und stochastischen Methoden, Datenmodellen und Simulationen mit Best-Case- und Worst-Case-Szenarien, die die Entwicklung ganz neuer Berufsbilder, wie das des Data Scientist, nach sich ziehen. Business goals related to decision-making capabilities and agility/speed are significantly connected to a majority of respondents big data strategies and initiatives. (5) To a significant extent (4) (3) To a moderate extent (2) (1) To a significant extent Quelle: How Organisations are approaching Big Data, IDG, September 2013 (200 Entscheider aus Unternehmen mit mehr als 100 Mitarbeitern in den USA, Brasilien, Niederlande, Österreich, Südafrika und der Schweiz) Increasing speed of decision-making Increasing business agility Improving the quality of decision-making Improving the speed of response to IT security issues Improving planning and forecasting capabilities Meeting regulatory/compliance requirements New customer acquisition/retention Using immediate market feedback to improve customer satisfaction Building new business partnerships Improving internal communication Developing new products/services and revenue streams Strengthening existing business partnerships Improving finance/accounting and procurement processes Reducing CAPEX Reducing OPEX To what extent is your organization s big data strategy/big data initiatives connected to each of the following business goals? Base: 155 qualified respondents who have implemented or have plans to implement big data projects (figures in per cent) About half of all respondents have either already deployed or are in the process of implementing big data projects at their organizations. Already deployed/implemented big data initiatives In the process of implementing big data projects Planning to implement big data projects over the next 12 months Planning to implement big data projects within the next months We have no immediate plans to implement big data projects Quelle: How Organisations are approaching Big Data, IDG, September 2013 At what stage is your organization currently with the planning and rollout of big data projects? Base: 200 qualified respondents (figures in per cent) 4

6 Data to Decisions: die sechs Schritte Wie entstehen aus den großen Mengen unstrukturierter Twitter- und Facebook-Text-, Video- und Verbrauchsdaten aussagekräftige Informationen? Zwischen den Daten, die den Weg in das Unternehmen finden, und den aufbereiteten Informationen, die Führungskräften als Entscheidungsgrundlage dienen, liegt ein technisch aufwendiger Weg. Es finden unzählige Auswahl-, Verarbeitungs- und Analyseprozesse statt. Der Analytics-Experte Ken McLaughlin schlägt basierend auf der Auswertung mehrerer Fallstudien in seinem Blog Data to Decisions sechs konkrete Schritte vor, wie sich mit Business Analytics datenbasierte Entscheidungen generieren lassen. Schritt 1: Ein Ziel definieren Ein klar definiertes Ziel muss zwei Voraussetzungen erfüllen: Es muss sowohl erreichbar als auch messbar sein. Senke die Produktversandkosten um 15 Prozent wäre zum Beispiel ein klar formuliertes Ziel. Schritt 2: Alternativen modellieren Das Ziel bestimmt die Richtung, gibt die Alternativen und den Weg zur Erreichung des Ziels vor. Beispiel: Kosten für einen preiswerten Versender versus Kosten für einen automatisierten Abwicklungsprozess wären mögliche Alternativen. Schritt 3: Erforderliche Daten bestimmen Festlegung der Daten und Metriken, die für die jeweilige Alternativen gebraucht werden. Im Beispiel: frühere Versandkosten sowie Software- und Hardwarekosten für automatisierte Prozesse. Schritt 4: Daten sammeln und organisieren Um die Modelle bewerten zu können, müssen zuvor Daten gesammelt und organisiert werden. Schritt 5: Daten analysieren Für die eigentliche Bewertung müssen die geeignete Analysetechnik und im Anschluss die beste Modellalternative ausgewählt werden. Schritt 6: Entscheiden und ausführen Schließlich sollten die Aktion, die die besten Ergebnisse brachte, ausgeführt und die realen Resultate beobachtet werden. Welche Risiken gibt es? Eine zentrale Frage im Zusammenhang mit Big Data ist die nach der Datenqualität: Kommen Daten mehrfach vor, sind sie fehlerhaft oder inkonsistent, fehlen ganze Datensätze? Den Nutzern ist die Bedeutung dieser Frage in der Regel bewusst, wie eine Studie von Omikron Data Quality zeigt. Danach gehen 39 Prozent der Befragten davon aus, dass Big-Data-Ansätze zum Scheitern verurteilt sind, wenn die Daten von schlechter Qualität sind. Es leuchtet ein, dass mit einer größeren Datenmenge die statistische Signifikanz steigt und man sich also auf die BI-Analyseergebnisse besser verlassen kann, heißt es in der Studie. Sind aber schon die Ausgangsdaten unrichtig, doppelt oder inkonsistent, wird diese Signifikanz trügerisch: Im schlimmsten Fall hat man dann zwar mathematisch folgerichtige und scheinbar klare Ergebnisse die aber sind faktisch falsch. Wenn dann aus den Analyseergebnissen auch noch Handlungen abgeleitet werden was ja das Ziel von BI ist, sind negative Folgen programmiert. (Quelle: Omikron Data Quality*) Sollen die Analysen und Prognosen also korrekt sein, muss die Grundlage, die Daten, stimmen. In der klassischen BI existieren dazu im Rahmen des sogenannten ETL-Prozesses (Extract, Transform, Load) erprobte Verfahren und Methoden, unsaubere Daten zu bereinigen, bevor die Informationen im Data Warehouse landen. Dazu gehören etwa Profiling, Cleansing sowie Anreichern und Abgleichen mit Referenzdaten. 5

7 Herausforderung Datensilos Eine weitere grundlegende Herausforderung (oder weitere Kernfrage) im Umgang mit Big Data ist die Verteilung der Daten auf parallele Systeme. Zum einen beherrschen aus historischen Gründen noch immer Datensilos etwa aus CRM-, ERP- und anderen Systemen die Architektur der Datenhaltung, die zunehmend auch die Altdatenarchivierung übernehmen müssen. Mit steigendem Datenvolumen weisen zum nderen viele Unternehmen die anfallende Datenflut nur noch verschiedenen Speicherorten zu ohne sie vorher zu verarbeiten und zu transformieren. Diese verteilten und heterogenen Datenverarbeitungs- und Speicherstrukturen sind weder wirtschaftlich noch zielführend für potenzielle Datenanalysen. Sie verhindern den Austausch und die Integration von Daten und erschweren insbeson dere den ganzheitlichen Blick auf das Datenmanagement. Abhilfe können hier moderne Integrationstechnologien schaffen, die die strukturierten, unstrukturierten und semistrukturierten Daten aus den verschiedenen Quellen zu einem integralen Bestandteil der unternehmensweiten Datenmanagementstrategie machen. Dazu zapfen Softwarelösungen die Datenquellen im gesamten Unternehmen an, lesen und extrahieren sie und laden sie in das dafür vorgesehene Speichersystem. Im nächsten Schritt werden diese Daten in Datenmodelle eingespielt und mit weiteren Daten aus anderen Quellen angereichert und anschließend ausgewertet. Cloud-basierte Systeme helfen hier, Speicherkapazitäten für große Datenmengen zu schaffen. Kein Big Data ohne Fachkräfte Für den erfolgreichen Einsatz von Big-Data-Analysen sind nicht nur geeignete Technologien erforderlich, sondern auch kompetentes Fachpersonal. Big Data Analytics lässt sich nur mithilfe hoch qualifizierter Spezialisten umsetzen, die den Umgang mit Tools und Technologien beherrschen und zugleich in der Lage sind, Fachbereichsanforderungen zu verstehen und IT-seitig umzusetzen. Umwandlung in konkreten betrieblichen Wert. Im Jahr 2003 hat Capital One den branchenweit ersten CDO ernannt. Seitdem erscheint die CDO-Position allmählich auf Führungskräftelisten, vor allem in großen öffent lichen Institutionen, die mit Daten überflutet werden. Laut Gartner ist der CDO weltweit bei 2 Prozent der Unternehmen etabliert, in großen Betrieben sind es 6 Prozent, 2017 sollen es so die Prognose 20 Prozent sein. In Europa ist der CDO noch relativ unbekannt. Ob es wirklich notwendig ist, einen CDO zu etablieren, ist umstritten, zumal dessen Rolle nicht genau umrissen ist. Dringend benötigt werden indes Big-Data-Experten, die faktisch mit den Daten arbeiten. Diese IT-Experten müssen andere Fähigkeiten besitzen als die Fachkräfte für konventionelle IT-Systeme. Neben den technischen Voraussetzungen müssen diese Spezialisten den Umgang mit statistischen und stochastischen Methoden sowie analytischen Modellen beherrschen und über ein fundiertes Branchen-Know-how verfügen. Die Experton Group fordert deshalb neue Berufsbilder wie den Data Scientist und den Data Artist. Der Data Scientist ist der Datenexperte, der die Analyseverfahren festlegt und die Daten analysiert. Er benötigt eine Querschnittsausbildung mit Kenntnissen in Mathematik und Stochastik, Grundlagen der Programmierung, SQL und Datenbanken, Informationstechnik und Netzwerken. Die Aufbereitung und Visualisierung übernimmt dann ergänzend der Data Artist. Dessen Ausbildung umfasst Grafikdesign, Psychologie, ein wenig Mathematik, IT und Kommunikation. Diese Jobs bilden sozusagen den Kern des Big-Data-Personals. Zu dieser Kerngruppe gesellen sich noch weitere neue Berufe, alle zusammen zeigt die Tabelle (auf der nächsten Seite). In den USA wurde vor einiger Zeit begonnen, auf C-Level-Ebene den Chief Data Officer (CDO) ein zuführen. Dessen Schwerpunkt liegt bei der Ver waltung der Daten als Aktivposten und bei der 6

8 Big-Data-Berufsbilder Tätigkeit Inhalt Erforderliches Know-how Data Scientist Legt fest, welche Analyseformen sich am besten eignen und welche Rohdaten benötigt werden, und wertet diese aus Mathematik, Stochastik, Programmierung, SQL und Datenbanken, Informationstechnik und Netzwerke Data Artist Verständliche Präsentation der Auswertungen in Form von Diagrammen und Grafiken Grafikdesign, Psychologie, Mathematik, IT und Kommunikation Data Architect Erstellt Datenmodelle und legt fest, wann welche Analyse-Tools Verwendung finden Datenbanken, Datenanalyse, BI Dateningenieur Betreut die Hardware und Software, insbesondere die Analysesysteme und die Netzkomponenten Hardware, Softwarekenntnisse, Programmierung Information Broker Beschafft Informationen und stellt sie zur Verfügung, z.b. indem er Kundendaten oder Inhouse- Datenbestände unterschiedlicher Quellen bereitstellt Datenbanken, Kommunikation, Psychologie Wer Big-Data-Spezialisten ausbildet Bis dato können Unternehmen allerdings kaum auf diese personellen Ressourcen zurückgreifen. Data Scientist und Data Artist sind Berufsbilder, die im Rahmen einer zwei- bis dreijährigen Berufsausbildung vermittelbar sind, aber aufgrund ihres Querschnittscharakters heute noch nicht existieren, sagt Holm Landrock, Senior Advisor der Experton Group. In der Tat gibt es nur wenige Unternehmen und Organisationen, die sich für Ansätze einer Ausbildung von Data Scientists und Data Artists enga gieren von einer fundierten Ausbildung kann keine Rede sein. IT-Unternehmen wie SAS, EMC oder Oracle bieten zumindest Schulungen und Fortbildungen in dieser Richtung an. Auch die Fraunhofer-Gesellschaft ist mit einem Trainingsangebot Data Scientist aktiv. Doch diese Schnellkurse sind nur ein Tropfen auf den heißen Stein. Die Experton Group empfiehlt deshalb der ICT-Branche, gemeinsam mit Bildungseinrichtungen etwa den Berufsakademien, Fachschulen, den Branchenverbänden und auch den IHKs schnellstmöglich neue Berufsbilder zu schaffen. Solche Ausbildungen von Mitarbeitern für die Rolle der Data Scientists und weiterer neuer Berufsbilder sind keine Samariter-Projekte, sondern ein guter Grundstein für künftige Big-Data-Projekte und sich daraus ergebende nachhaltige Geschäftserfolge. 7

9 Welche Big-Data-Lösungen gibt es? Eine Standardlösung gibt es nicht, doch haben sich in den vergangenen Jahren Verarbeitungstechniken herauskristallisiert, die heute und die nächsten Jahre als Basis für Big-Data-Analysen dienen. Der Königsweg, die Datenmassen in den Griff zu bekommen, ist das uralte Prinzip Teile und herrsche. Rechenaufgaben werden dazu in viele kleine Teilaufgaben zerlegt und auf mehrere Server verteilt. Als De-facto-Standard beim verteilten Rechnen hat sich der von Google entwickelte MapReduce-Algorithmus durchgesetzt. Eine typische MapReduce-Anwendung berechnet dabei einige Terabyte an Daten auf Tausenden von Maschinen. Praktisch realisiert wird MapReduce mit der Softwarebibliothek Apache Hadoop. Mit der Aufteilung der Daten in kleinere Portionen und deren paralleler Bearbeitung auf Standardrechnern hat sich Hadoop als aktueller Branchenstandard für Big-Data-Umgebungen durchgesetzt. Mit Hadoop konnte beispielsweise der chinesische Mobilfunk-Provider China Mobile das Nutzungsverhalten und die Abwanderungswahrscheinlichkeit aller seiner Kunden analysieren. Die zuvor eingesetzte scale up -Lösung ermöglichte es dem Unternehmen, die Daten von nur etwa zehn Prozent der Kunden auszuwerten. Nun konnten alle Kundendaten berücksichtigt werden, sodass gezielte Marketingmaßnahmen die Abwanderungen reduzierten. About two-thirds of respondents are extremely/very likely to consider using or to continue to use in-memory databases. (5) Extremely likely (4) Very likely (3) Somewhat likely (2) Not very likely (1) Not at all likely Not familiar with this type of solution In-memory databases (e.g., SAP HANA, Oracle Exadata) Log file analysis software NoSQL databases Columnar databases Hadoop/MapReduce Quelle: How Organisations are approaching Big Data, IDG, September 2013 How likely are you to consider using or to continue to use each of the following big data solutions? Base: 155 qualified respondents who have implemented or have plans to implement big data projects (figures in per cent) In-Memory erlaubt Echtzeitanalysen Ein Hadoop-Cluster löst allerdings nicht alle Big- Data-Aufgaben. Liegen die Daten auf der Festplatte, kannibalisieren langsame Datenbankzugriffe das, was beim Parallelisieren gewonnen wurde. Für die beschleunigte Verarbeitung extrem großer Datenmengen haben sich deshalb In-Memory- Datenbanken etabliert. Diese Datenbanken speichern die Daten direkt im Arbeitsspeicher (RAM) und rufen sie von dort ab. Das macht sie etwa um den Faktor schneller als mit herkömmlicher Plattentechnologie. Um das Performance-Maximum herauszuholen, laden In-Memory-Datenbanken deshalb möglichst das gesamte Datenvolumen zusammen mit den Datenbankanwendungen in den Hauptspeicher, der dann entsprechend groß dimensioniert sein muss. Damit lässt sich die Analyse von Geschäfts- 8

10 daten nahezu in Echtzeit ausführen und nimmt nicht Tage oder Wochen in Anspruch. Mit dem inzwischen recht populären HANA (High Performance Analytic Appliance) bietet SAP beispielsweise eine eigene, auf In-Memory-Technik basierende Datenbanktechnologie, die Mitte 2010 von ihren geistigen Vätern Hasso Plattner und SAP-Technik-Chef Vishal Sikka als Hochleistungsplattform für die analytische Bearbeitung großer Datenmengen entwickelt wurde. Auch der Datenbankspezialist Oracle bietet mit Exadata inzwischen ein auf In-Memory-Technologie basierendes Datenbanksystem an. In-Memory-Datenbanken sind inzwischen kein Nischenthema mehr. Laut einer von TNS-Infratest im Auftrag von T-Systems durchgeführten Studie haben 43 Prozent der deutschen Unternehmen In-Memory-Technologien zur Datenauswertung bereits im Einsatz oder planen dies für die nahe Zukunft. 90 Prozent der Nutzer verweisen dabei auf gute und sehr gute Erfahrungen. (Quelle: T-Systems New Study*) Die Mehrheit der deutschen Unternehmen betrachtet In-Memory-Verfahren allerdings zunächst als Ergänzungsbaustein für zeitkritische Analysen. Immerhin bereits knapp 20 Prozent der Unternehmen sehen in ihnen aber eine wichtige Antwort auf die Herausforderungen durch Big Data. Sie erwarten, dass In-Memory-Systeme zentraler Bestandteil von Datenanalyseumgebungen werden. Für unstrukturierte Daten gibt es darüber hinaus Techniken wie NoSQL-Datenbanken. Dabei ist NoSQL der Sammelbegriff für nicht-relationale Datenbanksysteme und zugleich der Name einer Bewegung weg von den relationalen Datenbanken hin zu neuen beziehungsweise vergessenen Datenbankmodellen. NoSQL Datenbanksysteme können unstrukturierte Daten wie Texte, Audiodateien, Videos und Bildmaterial effizient speichern und verarbeiten. Overall, respondents believe that in-memory databases best address big data s challenges, but there are significant differences by region. Respondents in EMEA are significantly more likely to favor in-memory databases (60%), compared to only 22% in the US and 14% in Brazil. In-memory databases (e.g., SAP, HANA, Oracle Exadata) NoSQL databases Log file analysis software Columnar databases Hadoop/MapReduce Not sure Quelle: How Organisations are approaching Big Data, IDG, September 2013 Which of the following solutions do you believe would best address the challenges associated with big data? Base: 147 qualified respondents who are familiar with two or more big data solutions shown in Q.3 (figures in per cent) Make or Buy? Eine letzte Herausforderung auf dem Weg zum Big-Data-Erfolg stellt die aktuelle Marktlage für Big-Data-Lösungen dar. Mehrere Dienstleister bieten Softwarewerkzeuge auf Hadoop-Basis. Dazu gehören Cloudera, Hortonworks, Datameer und HStreaming und auch große Namen wie IBM, Intel und EMC. Doch die Anbieter stoßen alle an dieselbe Grenze: Keiner besitzt standardisierte Industrielösungen, die sich schnell an die Kundenbedürfnisse anpassen lassen. Oft müssen diese Systeme erst in gemeinsamen Kundenprojekten fachlich entwickelt werden. 9

11 Für Unternehmen, die die Technologie anwenden möchten, ist dies eine klassische Make or Buy - Entscheidung. Wenn Analysen nur einmalig erfolgen beziehungsweise große Schwankungen im Datenvolumen oder in der Analysenachfrage bestehen, dann lohnt es sich eher, auf Cloud-basierte Infrastrukturen zurückzugreifen, als in eine eigene Hardware zu investieren. Der in Deutschland größte Hadoop-Cluster befindet sich derzeit im Münchner Rechenzentrum von T-Systems. Unternehmen bekommen hier Big Data oder Analytics-as-a-Service zugeschnitten auf den jeweiligen Zeitpunkt und Bedarf. Mittel- bis langfristig sollten Unternehmen aber das Datenmanagement selbst betreiben, da andernfalls ein Großteil der wertvollen Informationen verloren geht. Nur bei kontinuierlicher Arbeit mit den Daten, dem Testen von Hypothesen und der Beobachtung von Veränderungen kann das ganze Potenzial von Big Data ausgeschöpft werden. Big-Data-Lösungen werden dabei zum Erfolgsfaktor, doch sie erfordern auch eine gezielte Transformation etwa in Richtung Cloud, um die benötigten Big-Data-Technologien nahtlos in die bestehende Infrastruktur integrieren zu können. Unternehmen müssen zudem die Bereitschaft aufbringen, am Ball zu bleiben und neue Entwicklungen zu integrieren. Ein einziges Datenreservoir, das die Big-Data-Herausforderungen zentral und unkompliziert löst, wird es auch in Zukunft nicht geben. Nach Ansicht von Experton-Group-Analyst Andreas Zilch werden immer nur Teillösungen möglich sein: Es wird nicht die Big-Data-Superlösung geben. Erwartet werden in nächster Zeit massiv-parallele Systeme, die durch paralleles Data Crunching noch umfangreichere Daten in noch kürzerer Zeit analysieren können, als dies mit den jetzigen Methoden möglich ist. Fazit Um in hart umkämpften Märkten bei immer kürzer werdenden Produktionszyklen bestehen oder gar wachsen zu können, müssen sich Unternehmen Marktanteile und Absatzerfolge sichern. Dabei unterscheidet der richtige Einsatz von IT Gewinner von Verlierern. Nur wer nah an seinem Kunden ist, dessen Bedarf exakt kennt, Business und IT eng verzahnt und entsprechend ausrichtet, kann sich langfristig im Wettbewerb behaupten. Dabei müssen Unternehmen heute mitunter in der Lage sein, schnell gut vorbereitete Entscheidungen zu treffen und proaktiv zu handeln. So stehen sie heute vor der Herausforderung, ein extrem wachsendes Datenvolumen aus zunehmend unterschiedlichen Datenquellen in immer kürzeren Zeitabständen verarbeiten zu müssen. Diese Daten müssen anschließend analysiert werden, um die unternehmerische Entscheidungsfindung mit besseren Zahlen, Daten und Fakten zu untermauern. *Quellen: Artegic Marketing in the Digital Age, 2013 Experton Die Entwicklung von Big Data im Jahr 2012 (Experton Big Data) Gartner Big Data Opportunities, New Answers and New Questions, April 2013 (Gartner Big Data) Gartner PI Gartner Reveals Top Predictions for IT-Organizations and Users for 2012 and Beyond (Gartner PI) IDC Storage in Deutschland 2013 (IDC Storage) McKinsey: Big data: The next frontier for innovation, competition, and productivity (McKinsey Big Data) OMIKRON Datenqualität wird zur Herausforderungen von Big-Data-Strategien (Omikron Data Quality) SAS Study Most firms say business analytics boosts decision-making process (SAS Decision Making) T-Systems-Studie Quo vadis Big Data (T-Systems Big Data) T-Systems-PI Neue Studie: Big Data im Fokus der ICT-Entscheider (T-Systems New Study) IDG Business Media GmbH, Germany 1/

12 Case Study HAMBURGER HAFEN WIE KANN BIG DATA EINEM HAFENBETREIBER HELFEN, BESSERE ENTSCHEIDUNGEN ZU TREFFEN? Am Hamburger Hafen bewegen sich täglich bis zu mit Containern beladene Lastkraftwagen. Auf dem Gelände interagieren tausende Mitarbeiter von Speditionen, Transporteuren, Parkflächen- und Terminal-Betreibern sowie der Hamburger Hafenbehörde (Hamburg Port Authority, kurz: HPA). Sie alle treffen ohne Unterlass Entscheidungen zum Beispiel über Ankunft- und Verladezeiten oder die Nutzung von Routen und Zwischenstationen, Lagerplätzen, Parkplätzen und Leercontainern. Je besser sich die Akteure dabei abstimmen, desto schneller lassen sich Güter aller Art verschiffen oder wieder auf die Straße bringen. Um dies zu ermöglichen, ist es Aufgabe der Hafenbehörde, die richtigen Informationen den richtigen Beteiligten zur richtigen Zeit zur Verfügung zu stellen. Doch bislang waren die einzelnen Dienstleister lediglich hinsichtlich ihrer eigenen Informationsbedürfnisse optimiert: Durch diese Informationsinseln aufgrund proprietärer Systeme, inhomogener Datenstrukturen und fehlender Schnittstellen gab es am Ende kein übergreifendes Lagebild der Verkehrs- und Infrastruktursituation, das zur Entscheidungsfindung hätte dienen können. Dies und die Menge an Daten und Informationen, die nicht ohne Big Data zur Analyse herangezogen werden konnte, führten in der Folge zu vielen und langen Stehzeiten der Fahrzeuge oder auch zu Leerfahrten über das Hafengelände. De facto waren nur 30 % der Zeit, die Fahrzeuge im Hafen verbringen, effektive Fahrzeit. Auch das Kontakthalten zwischen den Akteuren war aufgrund von Medienbrüchen in der Kommunikation schwierig. So führte zum Beispiel die Nutzung von CB-Funk bei der Auftragsübermittlung an den Fahrer häufig zu Fehlern etwa bei der Durchgabe von komplexen Auftragsnummern. Bis 2025 erwartet der Hamburger Hafen eine Verdoppelung seines Containerumschlags gegenüber heute. Eine Erweiterung des Hafengeländes ist dabei ausgeschlossen: Der Hamburger Hafen nimmt 10 Prozent des Stadtgebietes ein und kann räumlich nicht wachsen. Umso wichtiger ist es, die bestehende Fläche optimal auszunutzen und den Umschlag besser zu takten. Um diesen zukunftsentscheidenden Anforderungen gerecht zu werden, entwickelte die HPA Smart Port Logistics. Die Lösung bindet alle an der Hafenlogistikkette Beteiligten ein und optimiert so den Prozess entlang des Containertransportprozesses. Smart Port Logistics integriert zum einen die Telematiksysteme diverser Fahrzeug- und Trailer-Hersteller und deren Schnittstellen via TelematicOne, was auch über eine Nachrüstlösung (Bring Your Own Device, BYOD) möglich ist. Zum anderen nutzt die Logistiklösung das sogenannte Geofencing für die Kommunikation und für Location Based Services. Erfassung und Verarbeitung der enormen Datenmengen, die dabei entstehen, erfolgen über SAP HANA aus einer Private Cloud. TelematicOne und SAP HANA bilden die Grundlage der verschiedenen Anwendungen (Services), die in einem Servicemarktplatz für den Hamburger Hafen bereitgestellt werden. Die Mitarbeiter des Straßenund Wegemanagements, Disponenten der Speditionen sowie Parkplatzanbieter können damit leicht auf das auf allen Daten basierende, übergreifende Lagebild zugreifen und mittels fundierter Entscheidungen etwa über Routen- und Stellflächennutzung oder An- und Abfahrtzeiten ihre Fahrer gezielt steuern auch zum Vorteil ihrer Kunden. Dabei erfolgt der Abruf von Informationen dediziert und rollenspezifisch Datenschutz und Vertraulichkeit sind somit sichergestellt. Rollen heute Lkws auf das Hafengelände, erhalten die Fahrer Aufträge und Ziel von der Speditionszentrale direkt auf ihr Smart Device übermittelt. Das System errechnet außerdem aus Verknüpfungen von Verkehrsfluss und Containertransportkette die geschätzte Ankunftszeit am Terminal (ETA) und zeigt diese ebenso an wie ortsrelevante Infos auf Basis von Geofencing, zum Beispiel wichtige Zufahrtstraßen oder bestimmte Hafenzonen. Pro Tour können Spediteure so fünf bis zehn Minuten Zeit sparen und somit eine Fuhre pro Tag mehr schaffen. Bei Lkws pro Tag würden Minuten eingespart. 11

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden Jens Kaminski ERP Strategy Executive IBM Deutschland Ungebremstes Datenwachstum > 4,6 Millarden

Mehr

Das Zettabyte. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor

Das Zettabyte. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Das Zettabyte CeBIT 2011 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Das Zetabyte: analytische Datenbanken Die Datenflut. Analytische Datenbanken: Was ist neu? Analytische Datenbanken:

Mehr

Big Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Big Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data: Nutzen und Anwendungsszenarien CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data steht für den unaufhaltsamen Trend, dass immer mehr Daten in Unternehmen anfallen und von

Mehr

BIG DATA - BIG OPPORTUNITIES

BIG DATA - BIG OPPORTUNITIES BIG DATA - BIG OPPORTUNITIES eday: 2014 Wien, 6. März 2014 EBA Executive Business Advice GmbH 1120 Wien, Am Euro Platz 2, Gebäude G Tel.: +43 1 71728 172 Email: office@eba-business.at www.eba-business.at

Mehr

Explosionsartige Zunahme an Informationen. 200 Mrd. Mehr als 200 Mrd. E-Mails werden jeden Tag versendet. 30 Mrd.

Explosionsartige Zunahme an Informationen. 200 Mrd. Mehr als 200 Mrd. E-Mails werden jeden Tag versendet. 30 Mrd. Warum viele Daten für ein smartes Unternehmen wichtig sind Gerald AUFMUTH IBM Client Technical Specialst Data Warehouse Professional Explosionsartige Zunahme an Informationen Volumen. 15 Petabyte Menge

Mehr

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data Herausforderungen und Chancen für Controller ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC BARC: Expertise für datengetriebene Organisationen Beratung Strategie

Mehr

smartport logistics im Hamburger Hafen

smartport logistics im Hamburger Hafen smartport logistics im Hamburger Hafen TDWI Europe 2014 - BITKOM Track Ein starkes Team HPA VERANTWORTET DIE EFFIZIENTE INFRASTRUKTUR IM HAFENGEBIET Der Hamburger Hafen gibt rund 261.500 Menschen Arbeit

Mehr

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15 9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics

Mehr

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria Analyse von unstrukturierten Daten Peter Jeitschko, Nikolaus Schemel Oracle Austria Evolution von Business Intelligence Manuelle Analyse Berichte Datenbanken (strukturiert) Manuelle Analyse Dashboards

Mehr

Big Data Mythen und Fakten

Big Data Mythen und Fakten Big Data Mythen und Fakten Mario Meir-Huber Research Analyst, IDC Copyright IDC. Reproduction is forbidden unless authorized. All rights reserved. About me Research Analyst @ IDC Author verschiedener IT-Fachbücher

Mehr

SAS Analytics bringt SAP HANA in den Fachbereich

SAS Analytics bringt SAP HANA in den Fachbereich Pressemitteilung Hamburg, 08. November 2013 SAS Analytics bringt SAP HANA in den Fachbereich Ergonomie kombiniert mit Leistungsfähigkeit: die BI-Experten der accantec group geben der neuen Partnerschaft

Mehr

Big Data Vom Hype zum Geschäftsnutzen

Big Data Vom Hype zum Geschäftsnutzen Big Data Vom Hype zum Geschäftsnutzen IBM IM Forum, Berlin, 16.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Hype 15.04.2013 BARC 2013 2 1 Interesse an Big Data Nature 09-2008 Economist 03-2010

Mehr

Möglichkeiten für bestehende Systeme

Möglichkeiten für bestehende Systeme Möglichkeiten für bestehende Systeme Marko Filler Bitterfeld, 27.08.2015 2015 GISA GmbH Leipziger Chaussee 191 a 06112 Halle (Saale) www.gisa.de Agenda Gegenüberstellung Data Warehouse Big Data Einsatz-

Mehr

SAP HANA eine Plattform für innovative Anwendungen

SAP HANA eine Plattform für innovative Anwendungen SAP HANA eine Plattform für innovative Anwendungen Top Intelligence: Big Data & SAP HANA Zürich, Frankfurt, Hamburg, München, Mülheim/R Februar 2014 Dr. Wolfgang Martin Analyst und Mitglied im Boulder

Mehr

Prozess- und Datenmanagement Kein Prozess ohne Daten

Prozess- und Datenmanagement Kein Prozess ohne Daten Prozess- und Datenmanagement Kein Prozess ohne Daten Frankfurt, Juni 2013 Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust Prozess- und Datenmanagement Erfolgreiche Unternehmen sind Prozessorientiert.

Mehr

Infografik Business Intelligence

Infografik Business Intelligence Infografik Business Intelligence Top 5 Ziele 1 Top 5 Probleme 3 Im Geschäft bleiben 77% Komplexität 28,6% Vertrauen in Zahlen sicherstellen 76% Anforderungsdefinitionen 24,9% Wirtschaflicher Ressourceneinsatz

Mehr

Big Data Herausforderungen für Rechenzentren

Big Data Herausforderungen für Rechenzentren FINANCIAL INSTITUTIONS ENERGY INFRASTRUCTURE, MINING AND COMMODITIES TRANSPORT TECHNOLOGY AND INNOVATION PHARMACEUTICALS AND LIFE SCIENCES Big Data Herausforderungen für Rechenzentren RA Dr. Flemming Moos

Mehr

Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence

Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence IBM Netezza Roadshow 30. November 2011 Carsten Bange Gründer & Geschäftsführer BARC Die Krise hat die Anforderungen

Mehr

Social Media als Bestandteil der Customer Journey

Social Media als Bestandteil der Customer Journey Social Media als Bestandteil der Customer Journey Gregor Wolf Geschäftsführer Experian Marketing Services Frankfurt, 19.6.2015 Experian and the marks used herein are service marks or registered trademarks

Mehr

Business Analytics in der Big Data-Welt

Business Analytics in der Big Data-Welt Business Analytics in der Big Data-Welt Frankfurt, Juni 2014 Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust Big Data-Analytik "The way I look at big data analytics is it's not a technology,

Mehr

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen

Mehr

Digitale Transformation: BI und Big Data treiben neue Geschäftsmodelle. CeBIT, 18.3.2015 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Digitale Transformation: BI und Big Data treiben neue Geschäftsmodelle. CeBIT, 18.3.2015 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Digitale Transformation: BI und Big Data treiben neue Geschäftsmodelle CeBIT, 18.3.2015 Dr. Carsten Bange, Gründer und Geschäftsführer BARC BARC: Expertise für datengetriebene Unternehmen Beratung Strategie

Mehr

BIG DATA Impulse für ein neues Denken!

BIG DATA Impulse für ein neues Denken! BIG DATA Impulse für ein neues Denken! Wien, Januar 2014 Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust The Age of Analytics In the Age of Analytics, as products and services become

Mehr

Top 10 der Business Intelligence-Trends für 2014

Top 10 der Business Intelligence-Trends für 2014 Top 10 der Business Intelligence-Trends für 2014 Das Ende der Datenexperten. Datenwissenschaft kann künftig nicht nur von Experten, sondern von jedermann betrieben werden. Jeder normale Geschäftsanwender

Mehr

Wird BIG DATA die Welt verändern?

Wird BIG DATA die Welt verändern? Wird BIG DATA die Welt verändern? Frankfurt, Juni 2013 Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust Big Data Entmythisierung von Big Data. Was man über Big Data wissen sollte. Wie

Mehr

PRESSE-INFORMATION NEU: LÜNENDONK -TRENDPAPIER 2012 BIG DATA IM HANDEL CHANCEN UND HERAUSFORDERUNGEN

PRESSE-INFORMATION NEU: LÜNENDONK -TRENDPAPIER 2012 BIG DATA IM HANDEL CHANCEN UND HERAUSFORDERUNGEN PRESSE-INFORMATION BI-19-09-12 NEU: LÜNENDONK -TRENDPAPIER 2012 BIG DATA IM HANDEL CHANCEN UND HERAUSFORDERUNGEN Big Data für den Handel wettbewerbsentscheidend Neue Anforderungen und Handlungsbedarf Technologie-Innovationen

Mehr

Prof. Dr.-Ing. Rainer Schmidt 1

Prof. Dr.-Ing. Rainer Schmidt 1 Prof. Dr.-Ing. Rainer Schmidt 1 Business Analytics und Big Data sind Thema vieler Veröffentlichungen. Big Data wird immer häufiger bei Google als Suchbegriff verwendet. Prof. Dr.-Ing. Rainer Schmidt 2

Mehr

DATEN - Das Gold des 21. Jahrhunderts? Dr. Oliver Riedel, AUDI AG

DATEN - Das Gold des 21. Jahrhunderts? Dr. Oliver Riedel, AUDI AG DATEN - Das Gold des 21. Jahrhunderts? Dr. Oliver Riedel, AUDI AG Inhalt Globale und unternehmensspezifische Herausforderungen Von Big Data zu Smart Data Herausforderungen und Mehrwert von Smart Data 2

Mehr

Big Data Hype und Wirklichkeit Bringtmehrauchmehr?

Big Data Hype und Wirklichkeit Bringtmehrauchmehr? Big Data Hype und Wirklichkeit Bringtmehrauchmehr? Günther Stürner, Vice President Sales Consulting 1 Copyright 2011, Oracle and/or its affiliates. All rights Überschrift 2 Copyright 2011, Oracle and/or

Mehr

Data. Guido Oswald Solution Architect @SAS Switzerland. make connections share ideas be inspired

Data. Guido Oswald Solution Architect @SAS Switzerland. make connections share ideas be inspired make connections share ideas be inspired Data Guido Oswald Solution Architect @SAS Switzerland BIG Data.. Wer? BIG Data.. Wer? Wikipedia sagt: Als Big Data werden besonders große Datenmengen bezeichnet,

Mehr

spezial Productivity Monitor Alle Artikel zu unseren Fokusthemen finden Sie unter comlineag.de/infocenter

spezial Productivity Monitor Alle Artikel zu unseren Fokusthemen finden Sie unter comlineag.de/infocenter infoline spezial Productivity Monitor Alle Artikel zu unseren Fokusthemen finden Sie unter comlineag.de/infocenter Productivity Monitor COMLINE Productivity Monitor ist eine generische Lösung für die Aufnahme,

Mehr

Digital Customer Experience Notwendiges Übel oder überlebenswichtige Notwendigkeit? Datalympics, 2. Juli 2014

Digital Customer Experience Notwendiges Übel oder überlebenswichtige Notwendigkeit? Datalympics, 2. Juli 2014 Digital Customer Experience Notwendiges Übel oder überlebenswichtige Notwendigkeit? Datalympics, 2. Juli 2014 Digitale Realität Die Welt verändert sich in rasantem Tempo Rom, Petersplatz, März 2013 Franziskus

Mehr

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung 2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung Reporting, Analyse und Data Mining André Henkel, initions AG 22. und 23. Oktober 2013 in Hamburg

Mehr

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

Datawarehouse Architekturen. Einheitliche Unternehmenssicht Datawarehouse Architekturen Einheitliche Unternehmenssicht Was ist Datawarehousing? Welches sind die Key Words? Was bedeuten sie? DATA PROFILING STAGING AREA OWB ETL OMB*PLUS SAS DI DATA WAREHOUSE DATA

Mehr

Executive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie

Executive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie Executive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie BIG DATA Future Opportunities and Challanges in the German Industry Zusammenfassung Die Menge der verfügbaren

Mehr

Big Data in der Forschung

Big Data in der Forschung Big Data in der Forschung Dominik Friedrich RWTH Aachen Rechen- und Kommunikationszentrum (RZ) Gartner Hype Cycle July 2011 Folie 2 Was ist Big Data? Was wird unter Big Data verstanden Datensätze, die

Mehr

Business Intelligence - Wie passt das zum Mainframe?

Business Intelligence - Wie passt das zum Mainframe? Business Intelligence - Wie passt das zum Mainframe? IBM IM Forum, 15.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Ressourcen bei BARC für Ihr Projekt Durchführung von internationalen Umfragen,

Mehr

Foto: violetkaipa - Fotolia

Foto: violetkaipa - Fotolia Die D kön Foto: violetkaipa - Fotolia 10 IT-Trend Big Data atenflut steigt wie nen wir sie nutzen? Ständig erhöht sich die Masse der uns umgebenden Daten, Informationen werden immer schneller generiert.

Mehr

Unternehmen und IT im Wandel: Mit datengetriebenen Innovationen zum Digital Enterprise

Unternehmen und IT im Wandel: Mit datengetriebenen Innovationen zum Digital Enterprise Unternehmen und IT im Wandel: Mit datengetriebenen Innovationen zum Digital Enterprise Software AG Innovation Day 2014 Bonn, 2.7.2014 Dr. Carsten Bange, Geschäftsführer Business Application Research Center

Mehr

Maximieren Sie Ihr Informations-Kapital

Maximieren Sie Ihr Informations-Kapital Maximieren Sie Ihr Informations-Kapital Zürich, Mai 2014 Dr. Wolfgang Martin Analyst, Mitglied im Boulder BI Brain Trust Maximieren des Informations-Kapitals Die Digitalisierung der Welt: Wandel durch

Mehr

Big, Bigger, CRM: Warum Sie auch im Kundenmanagement eine Big-Data-Strategie brauchen

Big, Bigger, CRM: Warum Sie auch im Kundenmanagement eine Big-Data-Strategie brauchen Big, Bigger, CRM: Warum Sie auch im Kundenmanagement eine Big-Data-Strategie brauchen 01000111101001110111001100110110011001 Volumen 10 x Steigerung des Datenvolumens alle fünf Jahre Big Data Entstehung

Mehr

Die Rolle des Stammdatenmanagements im digitalen Unternehmen

Die Rolle des Stammdatenmanagements im digitalen Unternehmen Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust Die Rolle des Stammdatenmanagements im digitalen Unternehmen Frankfurt, April 2015 Die Digitalisierung der Welt Nach der Globalisierung

Mehr

Potentiale von Big Data in der öffentlichen Verwaltung

Potentiale von Big Data in der öffentlichen Verwaltung Potentiale von Big Data in der öffentlichen Verwaltung Jens Fromm (Fraunhofer FOKUS) Dr. Klaus-Peter Eckert (Fraunhofer FOKUS) Dr. Stephan Gauch (Fraunhofer FOKUS, TU Berlin) Wie groß ist Big? 3 6 9 12

Mehr

Review Freelancer-Workshop: Fit für Big Data. Mittwoch, 29.04.2015 in Hamburg

Review Freelancer-Workshop: Fit für Big Data. Mittwoch, 29.04.2015 in Hamburg Review Freelancer-Workshop: Fit für Big Data Mittwoch, 29.04.2015 in Hamburg Am Mittwoch, den 29.04.2015, hatten wir von productive-data in Zusammenarbeit mit unserem langjährigen Partner Informatica zu

Mehr

Social Media trifft Business

Social Media trifft Business Social Media trifft Business Intelligence Social Media Analysis als Teil der Unternehmenssteuerung Tiemo Winterkamp, VP Global Marketing Agenda Social Media trifft Business Intelligence Business Intelligence

Mehr

Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch

Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch Unstrukturierte Daten spielen eine immer bedeutender Rolle in Big Data-Projekten. Zunächst gilt es

Mehr

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten von Jürgen Mauerer Foto: Avantum Consult AG Seite 1 von 21 Inhalt Mehrwert aufzeigen nach Analyse des Geschäftsmodells...

Mehr

Die richtige Cloud für Ihr Unternehmen.

Die richtige Cloud für Ihr Unternehmen. Die richtige Cloud für Ihr Unternehmen. Das ist die Microsoft Cloud. Jedes einzelne Unternehmen ist einzigartig. Ob Gesundheitswesen oder Einzelhandel, Produktion oder Finanzwesen keine zwei Unternehmen

Mehr

LOG AND SECURITY INTELLIGENCE PLATFORM

LOG AND SECURITY INTELLIGENCE PLATFORM TIBCO LOGLOGIC LOG AND SECURITY INTELLIGENCE PLATFORM Security Information Management Logmanagement Data-Analytics Matthias Maier Solution Architect Central Europe, Eastern Europe, BeNeLux MMaier@Tibco.com

Mehr

Datability. Prof. Dieter Kempf, Präsident BITKOM Oliver Frese, Vorstand Deutsche Messe AG. Hannover, 9. März 2014

Datability. Prof. Dieter Kempf, Präsident BITKOM Oliver Frese, Vorstand Deutsche Messe AG. Hannover, 9. März 2014 Datability Prof. Dieter Kempf, Präsident BITKOM Oliver Frese, Vorstand Deutsche Messe AG Hannover, 9. März 2014 Bürger fordern verantwortungsvollen Umgang mit Daten Inwieweit stimmen Sie den folgenden

Mehr

Neue Strategien und Innovationen im Umfeld von Kundenprozessen

Neue Strategien und Innovationen im Umfeld von Kundenprozessen Neue Strategien und Innovationen im Umfeld von Kundenprozessen BPM Forum 2011 Daniel Liebhart, Dozent für Informatik an der Hochschule für Technik Zürich, Solution Manager, Trivadis AG Agenda Einleitung:

Mehr

Executive Briefing. Big Data und Business Analytics für Kunden und Unternehmen. In Zusammenarbeit mit. Executive Briefing. In Zusammenarbeit mit

Executive Briefing. Big Data und Business Analytics für Kunden und Unternehmen. In Zusammenarbeit mit. Executive Briefing. In Zusammenarbeit mit Big Data und Business Analytics für Kunden und Unternehmen Umfangreiche und ständig anwachsende Datenvolumen verändern die Art und Weise, wie in zahlreichen Branchen Geschäfte abgewickelt werden. Da immer

Mehr

Copyr i g ht 2014, SAS Ins titut e Inc. All rights res er ve d. HERZLICH WILLKOMMEN ZUR VERANSTALTUNG HADOOP

Copyr i g ht 2014, SAS Ins titut e Inc. All rights res er ve d. HERZLICH WILLKOMMEN ZUR VERANSTALTUNG HADOOP HERZLICH WILLKOMMEN ZUR VERANSTALTUNG HADOOP AGENDA HADOOP 9:00 09:15 Das datengetriebene Unternehmen: Big Data Analytics mit SAS die digitale Transformation: Handlungsfelder für IT und Fachbereiche Big

Mehr

TRACK II Datenmanagement Strategien & Big Data Speicherkonzepte. TRACK I Big Data Analytics & Self Service BI

TRACK II Datenmanagement Strategien & Big Data Speicherkonzepte. TRACK I Big Data Analytics & Self Service BI 9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics

Mehr

BIG DATA: EXPECT THE UNEXPECTED. T-SYSTEMS AUSTRIA 2014 Dipl.-Ing. Axel Quitt @ Bundestagung der Jungen Wirtschaft

BIG DATA: EXPECT THE UNEXPECTED. T-SYSTEMS AUSTRIA 2014 Dipl.-Ing. Axel Quitt @ Bundestagung der Jungen Wirtschaft BIG DATA: EXPECT THE UNEXPECTED T-SYSTEMS AUSTRIA 2014 Dipl.-Ing. Axel Quitt @ Bundestagung der Jungen Wirtschaft Big Data Ein Wort wie eine Grippeepidemie Quelle: Google Trends Unternehmen werden mit

Mehr

Die Cloud, die für Ihr Unternehmen geschaffen wurde.

Die Cloud, die für Ihr Unternehmen geschaffen wurde. Die Cloud, die für Ihr Unternehmen geschaffen wurde. Das ist die Microsoft Cloud. Jedes Unternehmen ist einzigartig. Ganz gleich, ob im Gesundheitssektor oder im Einzelhandel, in der Fertigung oder im

Mehr

Software EMEA Performance Tour 2013. 17.-19 Juni, Berlin

Software EMEA Performance Tour 2013. 17.-19 Juni, Berlin Software EMEA Performance Tour 2013 17.-19 Juni, Berlin Accenture s High Performance Analytics Demo-Umgebung Dr, Holger Muster (Accenture), 18. Juni 2013 Copyright 2012 Hewlett-Packard Development Company,

Mehr

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle 40. Congress der Controller, Themenzentrum C, München Steffen Vierkorn, Geschäftsführer Qunis GmbH, Neubeuern Die

Mehr

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller Was ist? Hannover, CeBIT 2014 Patrick Keller Business Application Research Center Historie 1994: Beginn der Untersuchung von Business-Intelligence-Software am Lehrstuhl Wirtschaftsinformatik der Universität

Mehr

Kann man Big Data managen?

Kann man Big Data managen? Kann man Big Data managen? Information Governance in Retail-Unternhmen Uwe Nadler Senior Managing Consultant Big Data Architect Sales Leader Information Governance D-A-CH Themen Die Bedeutung von Information

Mehr

Big-Data-Technologien - Überblick - Prof. Dr. Jens Albrecht

Big-Data-Technologien - Überblick - Prof. Dr. Jens Albrecht Big-Data-Technologien - Überblick - Quelle: http://www.ingenieur.de/panorama/fussball-wm-in-brasilien/elektronischer-fussball-smartphone-app-helfen-training Big-Data-Anwendungen im Unternehmen Logistik

Mehr

BIG DATA BIG TROUBLE?

BIG DATA BIG TROUBLE? Marketing BIG DATA BIG TROUBLE? 6 Punkte, die Ihnen helfen, das Optimum aus Ihren Marketingdaten herauszuholen Ein Whitepaper der Cloudbridge Consulting GmbH BIG DATA BIG TROUBLE? Punkte, die Ihnen helfen,

Mehr

June 2015. Automic Hadoop Agent. Data Automation - Hadoop Integration

June 2015. Automic Hadoop Agent. Data Automation - Hadoop Integration June 2015 Automic Hadoop Agent Data Automation - Hadoop Integration + Aufbau der Hadoop Anbindung + Was ist eigentlich ist MapReduce? + Welches sind die Stärken von Hadoop + Welches sind die Schwächen

Mehr

IBM Netezza Data Warehouse Appliances - schnelle Analysen mit hohen Datenmengen

IBM Netezza Data Warehouse Appliances - schnelle Analysen mit hohen Datenmengen IBM Netezza Data Warehouse Appliances - schnelle Analysen mit hohen Datenmengen Nahezu 70% aller Data Warehouse Anwendungen leiden unter Leistungseinschränkungen der unterschiedlichsten Art. - Gartner

Mehr

Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht)

Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht) Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht) Christian Haag, DATA MART Consulting Consulting Manager Oracle DWH Team

Mehr

HANA. TOBA-Team Dresden 19.05.2012

HANA. TOBA-Team Dresden 19.05.2012 HANA TOBA-Team Dresden 19.05.2012 Kunde droht mit Auftrag! Ein großer Discounter schickt Anfrage: Bis wann und zu welchem Preis können Sie 30.000 Stück liefern? Die Hektik beginnt! Bis wann Welche und

Mehr

Direktmarketing im Zentrum digitaler Vertriebsstrategien

Direktmarketing im Zentrum digitaler Vertriebsstrategien Direktmarketing im Zentrum digitaler Vertriebsstrategien Standortbestimmung und Key Learnings für Verlage Hamburg, September 2014 Im Zentrum digitaler Vertriebsstrategien steht zunehmend die Analyse komplexer

Mehr

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle DATA WAREHOUSE Big Data Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen aus Unternehmens- Daten ziehen! Datenmengen, Performance und Kosten Daten als Geschäftsmodell

Mehr

1. Mobile Business. 2. Enterprise Mobility. 3. Enterprise Mobility Studie 2013. 4. Kriterien zur Einführung. 5. Beispiele

1. Mobile Business. 2. Enterprise Mobility. 3. Enterprise Mobility Studie 2013. 4. Kriterien zur Einführung. 5. Beispiele 1. Mobile Business 2. Enterprise Mobility 3. Enterprise Mobility Studie 2013 4. Kriterien zur Einführung 5. Beispiele Beginn der Mobilität Wikipedia: Mobile Business bezeichnet jede Art von geschäftlicher

Mehr

Big-Data-Anbieter im Vergleich Deutschland

Big-Data-Anbieter im Vergleich Deutschland Big Data Leader 2013 Big-Data-Anbieter im Vergleich Deutschland Big Data Leader Report Executive Summary des Big Data Vendor Benchmark 2013 für die T-Systems International GmbH Experton Group AG August

Mehr

Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen

Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen Oracle DWH-Konferenz 21. März 2012 Dr. Carsten Bange Gründer & Geschäftsführer BARC Big Data bietet Methoden und Technologien

Mehr

#Big Data in #Austria

#Big Data in #Austria Mario Meir-Huber und Martin Köhler #Big Data in #Austria Big Data Herausforderungen und Potenziale 23.6.2014 Vorstellung Studie Studie #BigData in #Austria Start: 1.11.2013 30.04.2014 Projektpartner: IDC

Mehr

Thementisch Anwendungsgebiete und

Thementisch Anwendungsgebiete und Thementisch Anwendungsgebiete und b Erfolgsgeschichten KMUs und Big Data Wien 08. Juni 2015 Hermann b Stern, Know-Center www.know-center.at Know-Center GmbH Know-Center Research Center for Data-driven

Mehr

Big Data & High-Performance Analytics: Anwendungsszenarien

Big Data & High-Performance Analytics: Anwendungsszenarien Big Data & High-Performance Analytics: Anwendungsszenarien Dr. Thomas Keil, Program Manager Business Analytics Frankfurt 26.4.2012 McKinsey-Studie zeigt Big Value Quelle: McKinsey Global Institute, May

Mehr

ibpm - intelligent Business Process Management: WWW.AXONIVY.COM

ibpm - intelligent Business Process Management: WWW.AXONIVY.COM ibpm - intelligent Business Process Management: ein neues Zeitalter bricht an. Peter Wiedmann 14.11.2014 WWW.AXONIVY.COM AGENDA 2 Vorstellung und Einführung Produktvorstellung ibpm die neue Dimension Anwendungsszenario

Mehr

BIG Data @ T-SYSTEMS. Ofra Car. Bamberg, 01. Juli 2014

BIG Data @ T-SYSTEMS. Ofra Car. Bamberg, 01. Juli 2014 BIG Data @ T-SYSTEMS Ofra Car Leonhard Fischer Bamberg, 01. Juli 2014 Unstrukturierte und strukturierte Daten Experten - Data Scientists Produktentwicklung Was ist der Mehrwert für mein Geschäft? Lokationsbasierte

Mehr

Make your day a sales day

Make your day a sales day Make your day a sales day Axivas Group Axivas IT Solutions I C T M a n a g e m e n t S a l e s P o r t a l S o f t w a r e Ihr Technologiepartner für Marketing- und Vertrieb. S y s t e m I n t e g r a

Mehr

Big Data in Marketing und IT

Big Data in Marketing und IT 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 Big Data

Mehr

EMC. Data Lake Foundation

EMC. Data Lake Foundation EMC Data Lake Foundation 180 Wachstum unstrukturierter Daten 75% 78% 80% 71 EB 106 EB 133 EB Weltweit gelieferte Gesamtkapazität Unstrukturierte Daten Quelle März 2014, IDC Structured vs. Unstructured

Mehr

Living Lab Big Data Konzeption einer Experimentierplattform

Living Lab Big Data Konzeption einer Experimentierplattform Living Lab Big Data Konzeption einer Experimentierplattform Dr. Michael May Berlin, 10.12.2012 Fraunhofer-Institut für Intelligente Analyseund Informationssysteme IAIS www.iais.fraunhofer.de Agenda n Ziele

Mehr

Ist das Big Data oder kann das weg? Outsourcing ja, aber geistiges Eigentum muss im Unternehmen bleiben

Ist das Big Data oder kann das weg? Outsourcing ja, aber geistiges Eigentum muss im Unternehmen bleiben Ist das Big Data oder kann das weg? Outsourcing ja, aber geistiges Eigentum muss im Unternehmen bleiben Jürgen Boiselle, Managing Partner 16. März 2015 Agenda Guten Tag, mein Name ist Teradata Wozu Analytics

Mehr

Einsatzmöglichkeiten von BI Accelerator anhand konkreter Kundenbeispiele

Einsatzmöglichkeiten von BI Accelerator anhand konkreter Kundenbeispiele Einsatzmöglichkeiten von BI Accelerator anhand konkreter Kundenbeispiele Jürgen Karnstädt Senior Consultant HP SAP Competence Center Hewlett-Packard Development Company, L.P. The information contained

Mehr

PRESSE-INFORMATION DIGITALISIERUNG UND ENERGIEWENDE STELLEN ENERGIE-

PRESSE-INFORMATION DIGITALISIERUNG UND ENERGIEWENDE STELLEN ENERGIE- PRESSE-INFORMATION BI-28-08-13 DIGITALISIERUNG UND ENERGIEWENDE STELLEN ENERGIE- VERSORGER VOR GROSSE BIG-DATA-HERAUSFORDERUNGEN Mit Big Data Analytics Versorgungssicherheit gewährleisten Energieversorger

Mehr

Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1

Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1 Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1 2.800.000.000.000.000.000.000 Bytes Daten im Jahr 2012* * Wenn jedes Byte einem Buchstaben entspricht und wir 1000 Buchstaben auf

Mehr

Der Weg zur digitalen Bank: Integrierte Lösungen in der Financial Cloud

Der Weg zur digitalen Bank: Integrierte Lösungen in der Financial Cloud Der Weg zur digitalen Bank: Integrierte Lösungen in der Financial Cloud Alfredo Rubina Senior Director Business Development & Sales 1. April 2014 Inhalt 1. Die Digitalisierung der Bankenwelt 2. Wie die

Mehr

Grid Analytics. Informationsanforderungen und plattformen für Ihre Netze

Grid Analytics. Informationsanforderungen und plattformen für Ihre Netze Grid Analytics Informationsanforderungen und plattformen für Ihre Netze GAT / WAT IT Forum 2014 September 2014 Fichtner-Gruppe Gegründet 1922 und seither in Familienbesitz Deutschlands größtes unabhängiges

Mehr

Business Intelligence

Business Intelligence Business Intelligence Anwendung 1 MInf1 HAW Hamburg Betreuender Professor: Prof. Dr. Zukunft by Jason Hung Vuong [12] Gliederung 1. Hamburg Energie Kooperation 2. Motivation 3. Business Intelligence 4.

Mehr

Institut für angewandte Informationstechnologie (InIT)

Institut für angewandte Informationstechnologie (InIT) School of Engineering Institut für angewandte Informationstechnologie (InIT) We ride the information wave Zürcher Fachhochschule www.init.zhaw.ch Forschung & Entwicklung Institut für angewandte Informationstechnologie

Mehr

Digitalisierung wie aus einer Strategie Realität wird.

Digitalisierung wie aus einer Strategie Realität wird. Digitalisierung wie aus einer Strategie Realität wird. Information Builders International Summit Frankfurt, 10.06.2015 Dr. Carsten Bange, Business Application Research Center (BARC) Knüpfen wir dort an,

Mehr

IT Agenda Fertigung: Big Data Hürde oder Chance für den industriellen Mittelstand?

IT Agenda Fertigung: Big Data Hürde oder Chance für den industriellen Mittelstand? Unternehmen IT Agenda Fertigung: Big Data Hürde oder Chance für den industriellen Mittelstand? Zwei Drittel der deutschen Produktionsleiter werten die steigende Datenflut als große Herausforderung Bedarf

Mehr

SQL PASS Treffen RG KA. Überblick Microsoft Power BI Tools. Stefan Kirner Karlsruhe, 27.05.2014

SQL PASS Treffen RG KA. Überblick Microsoft Power BI Tools. Stefan Kirner Karlsruhe, 27.05.2014 SQL PASS Treffen RG KA Überblick Microsoft Power BI Tools Stefan Kirner Karlsruhe, 27.05.2014 Agenda Die wichtigsten Neuerungen in SQL 2012 und Power BI http://office.microsoft.com/en-us/office365-sharepoint-online-enterprise-help/power-bi-for-office-365-overview-andlearning-ha104103581.aspx

Mehr

Big Money mit Big Data? Big Data ein Feld für Startup-Unternehmen

Big Money mit Big Data? Big Data ein Feld für Startup-Unternehmen Big Money mit Big Data? Big Data ein Feld für Startup-Unternehmen Big Data 2014 Wir könnten Ihnen jetzt wieder solche Folien zeigen, die irgendwie mit riesigen Zahlen jonglieren... Big Data und Giraffen

Mehr

R im Enterprise-Modus

R im Enterprise-Modus R im Enterprise-Modus Skalierbarkeit, Support und unternehmensweiter Einsatz Dr. Eike Nicklas HMS Konferenz 2014 Was ist R? R is a free software environment for statistical computing and graphics - www.r-project.org

Mehr

SENSO Analytics. Analyse und Controlling für Entscheider

SENSO Analytics. Analyse und Controlling für Entscheider SENSO Analytics Analyse und Controlling für Entscheider SENSO Analytics Analyse und Controlling für Entscheider Führungskräfte in sozialen Einrichtungen stehen heute oftmals vor der Herausforderung, eine

Mehr

WEBINAR@LUNCHTIME THEMA: SAS TOOLS FÜR DIE DATENVERARBEITUNG IN HADOOP ODER WIE REITET MAN ELEFANTEN?" HANS-JOACHIM EDERT

WEBINAR@LUNCHTIME THEMA: SAS TOOLS FÜR DIE DATENVERARBEITUNG IN HADOOP ODER WIE REITET MAN ELEFANTEN? HANS-JOACHIM EDERT WEBINAR@LUNCHTIME THEMA: SAS TOOLS FÜR DIE DATENVERARBEITUNG IN HADOOP ODER WIE REITET MAN ELEFANTEN?" Copyr i g ht 2012, SAS Ins titut e Inc. All rights res er ve d. HANS-JOACHIM EDERT EBINAR@LUNCHTIME

Mehr

8 Juli 2015. Transparenz durch Governance Data Governance als kritischer Erfolgsfaktor für Predictive Analytics

8 Juli 2015. Transparenz durch Governance Data Governance als kritischer Erfolgsfaktor für Predictive Analytics Transparenz durch Governance Data Governance als kritischer Erfolgsfaktor für Predictive Analytics Contents Predictive Analytics Erwartungen erfüllt? Einfach denken worauf achten, bevor gestartet wird?

Mehr

IT-Services. Business und IT. Ein Team. Aus Sicht eines Retailers.

IT-Services. Business und IT. Ein Team. Aus Sicht eines Retailers. Business und IT. Ein Team. Aus Sicht eines Retailers. Hier steht ein Bild randabfallend. Wenn kein Bild vorhanden ist, bitte Folie 2 benutzen. IT-Services Club of Excellence. Das CIO Forum der IBM vom

Mehr

Big & Smart Data. bernard.bekavac@htwchur.ch

Big & Smart Data. bernard.bekavac@htwchur.ch Big & Smart Data Prof. Dr. Bernard Bekavac Schweizerisches Institut für Informationswissenschaft SII Studienleiter Bachelor of Science in Information Science bernard.bekavac@htwchur.ch Quiz An welchem

Mehr

Customer Engagement Management im digitalen Unternehmen

Customer Engagement Management im digitalen Unternehmen Customer Engagement Management im digitalen Unternehmen Frankfurt, April 2015 Dr. Wolfgang Martin Analyst, Mitglied im Boulder BI Brain Trust und im CRM Expertenrat Die Digitalisierung der Welt Nach der

Mehr