EINFÜHRUNGSVORTRAG BIG DATA. Datenanalyse als. 20. Mai 2014

Größe: px
Ab Seite anzeigen:

Download "EINFÜHRUNGSVORTRAG BIG DATA. Datenanalyse als. 20. Mai 2014"

Transkript

1 EINFÜHRUNGSVORTRAG BIG DATA Datenanalyse als neuer Produktionsfaktor Produktionsfaktor 20. Mai 2014

2 Gigantische Datenmengen x10 die Menge der digitalen Informationen verzehnfacht sich alle 5 Jahre 90% der weltweit verfügbaren Daten sind in den vergangenen 2 Jahren entstanden 30 Milliarden Einträge auf Facebook jeden Monat Um Erfolg im Markt zu haben ist es essentiell, nicht nur detaillierte Einblicke in die zukünftige Entwicklung zu haben, sondern auch die Fähigkeit zu erarbeiten sich schnell einer bestimmten Entwicklung des Marktes anpassen zu können können.

3

4 Agenda 1 Nutzen und Bedeutung von Big Data 2 Einsatzmöglichkeiten von Big Data 3 Implementierung und Architektur 3

5 Agenda 1 Nutzen und Bedeutung von Big Data 2 Einsatzmöglichkeiten von Big Data 3 Implementierung und Architektur 4

6 Nutzen und Bedeutung von Big Data Definition und Strukturierung des Big Data Begriffes Für den Begriff Big Data findet sich in der Literatur und Presse keine einheitliche Definition. Grundsätzlich lässt sich der Begriff aber wie folgt strukturieren: Zielsetzungen Gewinnung und Nutzung entscheidungsrelevanter Erkenntnisse Prozessoptimierung in Echtzeit Größere Bandbreiten an Informationen Neue Arten von Daten und Analysen Definition von Big Data durch Unternehmen 18% 16% Echtzeitinformationen 15% Art der Informationen Informationen Integration aus verschiedenen Quellen qualitativ vielfältig Moderne Medienarten 13% unterschiedlich strukturiert Zustrom von Daten aus 13% neuen Technologien Große Datenmengen 10% Das neueste Modewort 8% Dynamik und Umfang schneller Wandel der Daten bisher unbekannter und stetig wachsender Daten aus sozialen Medien 0% 5% 10% 15% 20% Datenumfang Quelle: IBM/Oxford University (Mitte 2012) 7% n = IT- und Business Experten weltweite Befragung 5

7 Nutzen und Bedeutung von Big Data Unser Verständnis von Big Data auf einen Blick Big Data umfasst die Bereitstellung von Konzepten, Methoden, Tools, Technologien und IT-Architekturen, um das exponentiell wachsende Angebot an vielfältigen Informationen für schnelle und fundierte Entscheidungen aufzubereiten. Big Data bezeichnet die Hochgeschwindigkeits-Analyse großer Datenmengen aus vielfältigen Quellen mit dem Ziel, wirtschaftlichen Nutzen zu erzeugen. Charakteristika von Big Data: Volume Datenvolumen verdoppelt sich ca. alle 2 Jahre Variety Vielfältige Datenquellen und -formate (Soziale Netzwerke, GPS-Signale, Youtube-Videos, ) Velocity Die Geschwindigkeit der Datenauswertung ( Echtzeit ) ist ein bedeutender Faktor KPMG betrachtet dabei zusätzlich die folgenden Charakteristika: Veracity Adäquate Governance- und Kontrollmechanismen ermöglichen es, sogar aus einer Kombination aus strukturierten und verunreinigten Daten gute Einblicke zu gewinnen Value Datenverfügbarkeit, Operative Prozessverbesserungen, Entscheidungsunterstützung, Inno- vationen & Produktentwicklung, Marketing & Sales, Monetarisierung der Daten- und -analyse Big Clarity Big Flexibility Big Efficiency Big Impact Verbessertes Verständnis durch die Verarbeitung großer Datenmengen Flexible und schnelle Anpassung der Datenanalyse Zeitnahe Bereitstellung von entschei- dungsrelevanten Informationen 6

8 Nutzen und Bedeutung von Big Data Kriterien zur Begriffscharakterisierung Das V5-Konzept Volume Variety Velocity Entstehung immer größerer Datenmengen in oft unbekanntem Ausmaß für die betreffenden Unternehmen Komplexität zahlreicher Datentypen steigt (strukturiert, semi-strukturiert, unstrukturiert) Informationsquellen werden vielfältiger neben dem klassischen Reporting werden Datenströme zunehmend in Geschäftsprozesse integriert (Echtzeitauswertungen) Self-Service Business Intelligence Veracity Zuverlässigkeit von Informationen (naturgemäße Unvorhersagbarkeit) Value Prozessverbesserungen Entscheidungsunterstützung Monetarisierung 7

9 Nutzen und Bedeutung von Big Data IT-Trends und deren Zusammenwirken mit Big Data Cloud Computing und SaaS Zunehmende Entwicklung dezentraler Informationsbereitstellungskonzepte Mobile Informationstechnologien Entstehung stark wachsender Datenmengen und Location Based Services Sensoren und M2M Vernetzung von Produktionsgütern, Maschinen und anderen Geräten Social Web Erzeugung und Distribution von Content durch die Nutzer von Social Media Anwendungen Big Data Neue Herausforderungen aber auch Möglichkeiten für den Umgang mit den Folgen dieser IT-Trends Trends Verfügbare Daten und die geeignete Technik, diese auszuwerten, sind notwendige Voraussetzungen. Aber wie kann die Nutzung dieser Informationen für Unternehmen aussehen? 8

10 Nutzen und Bedeutung von Big Data Mithilfe der klassischen Datenanalyse konnten bisher nur strukturgleiche und komplett strukturierte Daten verarbeitet werden Big Data ermöglicht die integrative Analyse sowohl strukturierter, semistrukturierter als auch unstrukturierter Daten. Big Data Datenwelt Strukturiert (Länge und Format definiert) Semistrukturiert (Länge und Format teils definiert) Unstrukturiert (Länge und Format undefiniert) Maschinell generiert vom Menschen generiert Maschinell generiert vom Menschen generiert Sensordaten (RFID, medizinische Geräte, GPS- Daten) Web-Log-Daten (Aktivitäten auf Servern und Netzwerken) Point-of-Sale-Daten (Kundendaten am POS) Finanzdaten (Aktienkurse) Inputdaten (Dateneingabe auf Computern) Clickstream-Daten (Websitelinks) Spieldaten (Aufzeichnung des Verhaltens bei Online- Spielen etc.) Satellitenbilder (Satellitenüberwachung, Wetterdaten) Wissenschaftliche Daten (Seismische u. athmosphärische Daten) Fotos und Videos (Verkehr) Radar- und Sonardaten (Ozeanographischseismische Profile) Interne Textdaten (Umfrageergebnisse, E- Mails) Social-Media-Daten (Facebook, Youtube) Mobildaten (Standortinfor- mationen, Messages) Websiteinhalte (verschiedene Inhalte auf Websites) 9

11 Nutzen und Bedeutung von Big Data Durch neue Methoden der Datenspeicherung und -verarbeitung können Marktteilnehmer Wert aus vielfältigen Daten generieren Es reicht nicht aus, relevante Daten zu identifizieren und zugänglich zu machen. Entscheidend für den Erfolg ist die Kompetenz, diese Daten zu nutzen. Unternehmen, die die Bedeutung von Big Data und Business Analytics erkennen, weisen eine doppelt so hohe Wahrscheinlichkeit auf zu den Top Performern in ihrer Industrie zu zählen als andere Unternehmen. (MIT Sloan Management Review) Big Data Value Distribution & Logistik Produktion Forschung & Entwicklung / Innovation Finanz- & Risiko- Controlling Marketing & Sales Monetarisierung von Daten und deren -analyse Detailliertere Marktsegmentierung (Mikrosegmente) Flexible Personalisierung des Angebots (Customization) Reduktion der Streuverluste/ Marketingkosten Echtzeit-Korrektur von Routen auf Basis aktueller Verkehrsdaten Optimierung von Lieferketten Auswertung der Machine-to- Machine- Kommunikation (M2M) Echtzeit-Analyse von Maschinendaten Wartungskosten Fehlerkosten Personalkosten Bestandsdaten Lagerkosten Fehlmengenkosten Neue Faktoren für die Bewertung des Kreditrisikos Betrugserkennung Prognosen/ Simulationen/ Szenarien in Echtzeit Ständig aktuelle Vl Values-at-Risk Besseres Verständnis der Kundenbedürfnisse Verkürzung der Time-to-Market Echtzeit-Analyse wissenschaftlicher Experimente (z.b. für neue Medikamente) Verkauf generierter Daten (z.b. Kunden-, Verkaufs-, Produktionsdaten) an externe Nutzer Angebot von Big Data-Analysetools und -methoden 10

12 Nutzen und Bedeutung von Big Data Evolution von einfacher Datenanalyse hin zu Big Data (technisch) Nachverfolgung In tegration & Nu utzen Manuell Benachrichtigung Visualisierung Reifegrad Zeitversetzte t t Analysen zur Ausweitung der Kontinuierliche i und iterative ti Daten als Produktionsfaktor nachträglichen Betrachtung Manuelle Aufbereitung und Datenerhebung Vorhersagen basierend auf Verarbeitung von Daten Neue Erkenntnisse im Analyse großer Datenvolumina möglich Interpretation der Analysen Datenauswertungen Hinblick auf Business Verarbeitung strukturierter und Geringe Datengranularität Nutzung von Data Performance unstrukturierter Daten und Qualität Warehouse/Mart Anwendung von Strukturunterschiede akzeptabel Manuelle Verarbeitung Systeme zur Unterstützung statistischen Methoden Erkennen von komplexen externer Informationen von Entscheidungen Vollständig automatisierte Zusammenhängen und Mustern Verarbeitung Datenauswertung in Echtzeit Data Mining Analyse von externen Daten Strukturgleiche Daten notwendig 11

13 Nutzen und Bedeutung von Big Data Evolution von einfacher Datenanalyse hin zu Big Data (fachlich) Nachverfolgung Nu utzen Visualisierung Manuell Benachrichtigung Komplexität Standard d Reporting Verstehen von Kontinuierliche i und iterative ti Daten als Produktionsfaktor Ad hoc Reporting Businessfaktoren Verarbeitung von Daten Analyse großer Datenvolumina KPI Monitoring Visualisieren von möglich Transaktionen Anomalien erkennen Visualisieren von Beziehungen Neue Erkenntnisse im Hinblick auf Business Performance Anwendung von statistischen Methoden Vollständig automatisierte Verarbeitung Data Mining Strukturgleiche Daten notwendig Verarbeitung strukturierter und unstrukturierter Daten Strukturunterschiede akzeptabel Erkennen von komplexen Zusammenhängen und Mustern Datenauswertung in Echtzeit Analyse von externen Daten 12

14 Nutzen und Bedeutung von Big Data Big Data Der Markt in Zahlen Kennzahlen belegen ein rasantes Wachstum des Big Data Marktes. Daraus ergeben sich sowohl für bestehende als auch für neue Unternehmen große Chancen, aber auch Herausforderungen. Ein starkes Wachstum im globalen Big Data Markt Ø36% jährlich 15,7 Mrd. in 2016 Ein neues Geschäftsmodell 270 Mio. globaler Umsatz durch reine Big Data Companies Optimistische Erwartungen Vorreiter Neue Anbieter mit Big Data- Lösungen 43% E-Businessder Unternehmen Unternehmen erwarten einen sind prädestiniert für Big Data Empolis & Mellmo Anwendungen gesellen sich zu ROI > 25% Ein wachsendes Angebot 80 weltweit nennenswerte Unternehmen bieten bereits Big Data Lösungen an Kompatibilität Schnittstellen ermöglichen den graduellen Übergang von konventionellen Systemen und neuen Technologien zu Big Data Lösungen Parstream, Exasol, Microsoft, SAP & Co. wachsenden Marktanteile Die Umsatzanteile von Europa (27% ) und den USA (42%) im globalen Big Data-Markt gleichen sich an* Quelle: BITKOM, Experton Group 2012 *Größere anfängliche Bedenken hinsichtlich des Datenschutzes und der Datensicherheit (vor allem in Deutschland) haben den USA gegenüber g Europa einen Vorsprung in der Entwicklung verschafft. Es wird erwartet, dass sich diese Marktanteile durch die Anpassung der europäischen Richtlinien auf einander zubewegen. 13

15 Agenda 1 Nutzen und Bedeutung von Big Data 2 Einsatzmöglichkeiten von Big Data 3 Implementierung und Architektur 14

16 Einsatzmöglichkeiten von Big Data Big Data ermöglicht Performanceverbesserungen und das Aufdecken neuer Potentiale auf allen Stufen der Wertschöpfungskette 1 Infrastructure Präventivanalyse zur Verhinderung des Ausfalls wichtiger Unternehmensysteme 2 HR Management Schnelle und bedarfsgerechte Reaktion auf saisonale Schwankungen, kurzfristige Änderungen etc. durch Big Data-Analysen 3 Tech. Development Verbesserte Informationsverar- beitung und analyse sowie Erweiterung des Unternehmens-Knowhow 4 Procurement Kombinierte Auswertung von Onlinerabattangeboten b t und eigenen Lagerbeständen In nbound Lo ogistics Infrastructure Human Resource Management Technology Development Procurement erations Op Ou utbound Lo ogistics Ma arketing & Sales Service 5 Inbound Logistics Nutzung von Realtime- POS-Daten zur Identifizierung von Outof-Stock-Situationen und Benachrichtigung der Lieferanten 6 Operations 7 Outbound Logistics 8 Marketing & Sales 9 Verhinderung Predictive Analytics zur Zielgenaue Kundenansprache machineller zielgenauen Prognose durch Produktionsausfälle von Absatzmengen Auswertung von Social durch Realtime- Vermeidung des Media-Profilen und Auswertung der Maschinendaten Aufbaus von unnötigen Lagerbeständen sonstigen Kundendaten Service Auswertung von Kundenfeedback aus externen Kanälen zur Verbesserung der Serviceaktivitäten 15

17 Einsatzmöglichkeiten von Big Data Nutzung von Informationen Was bedeutet Big Data für Unternehmen? Wo kommen Big Data Analysen heute schon zum Einsatz? einige Beispiele Daten Anwendungen Nutzung Fraport AG Auswertung von Sensor-Daten zur Vorhersage der Fluggast-Ströme, um so Warteschlangen an den Abfertigungspunkten weitestgehend zu vermeiden Sears Corp. (US-amerikanischer Handelskonzern) Kombination von Daten über Kunden, Produkte und Werbung zur Entwicklung kundenindividueller Werbung (heute auch von vielen anderen Handelsunternehmen, wie Amazon, genutzt) VISA Inc. Kann über Kreditkartentransaktionen vorhersagen, welches Ehepaar sich in absehbarer Zeit scheiden lässt, woraus auf die Kreditwürdigkeit geschlossen werden kann Weitere Beispiele für Einsatzszenarien Branche Energiewirtschaft Finanzwirtschaft Einsatzmöglichkeiten Steuerung des Energieverbrauches (über Speicherung und Auswertung von Messwerten) Zahlungsstromanalysen zur Betrugserkennung Handel Telekommunikation Click-Stream-Analysen im Online Handel (Echtzeit-)Kundenanalysen / Kaufverhaltensanalysen Location-Tracking Händler können diese Daten in Echtzeit verwenden, um Verbraucher, die in der Nähe von Shops sind, über Angebote zu informieren Social Web Individualisierte id i Werbung Echtzeitanalysen des Nutzerverhaltens 16

18 Einsatzmöglichkeiten von Big Data Big Data Aktivitäten von Unternehmen weltweit und in Deutschland Was sagen empirische Studien über den Planungsstand von Unternehmen zum Thema Big Data? Big Data Aktivitäten - internationaler Querschnitt Anteil an Unternehmen mit Big Data Initiativen in 2012 Pilotprojekte begonnen und erste Big Data Lösungen implementiert 28% Deutschland 34% 66% Noch keinerlei Big Data- Aktivitäten gestartet 48% Total 53% 47% Big Data Aktivitäten geplant 24% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% mit Big Data Initiative 2012 ohne Big Data Initiative 2012 Quelle: IBM/Oxford University (Mitte 2012) / n = 1061 / weltweite Studie Quelle: TATA Consultancy Services / n = / weltweite Studie Big Data Aktivitäten in deutschen Unternehmen Heute noch kein Thema, auch nicht in Planung 25% Heute noch kein Thema, aber geplant 24% Bereits implementiert 8% Mit der Thematik beschäftigt, aber noch nicht umgesetzt 43% Key Findings zum Planungsstand alle Studien bestätigen, dass sich der Großteil der 25% Unternehmen mit der Thematik befasst Jedoch nur wenige Unternehmen konnten ihre Big Data Projekte bereits umsetzen fast 50% der deutschen Unternehmen befassten sich 2012 Quelle: Experton Group(Mrz./Apr. 2012) / n = 63 / deutschlandweite Studie noch nicht mit Big Data, nur wenige haben Projekte bereits umgesetzt 17

19 Einsatzmöglichkeiten von Big Data Welche Ziele verfolgen Unternehmen mit der Auswertung der Big Data? In welchen Bereichen fokussierten Unternehmen branchenübergreifend ihre Big Data Investitionen in 2012 Andere HR 7% Distribution/Logistik 5% 7% Finance/Accounting 8% Vertrieb 15% Die wichtigsten Zielsetzungen von Big Data Projekten für Unternehmen Neues Geschäftsmodell 14% Mitarbeiterzusammenarbeit 4% Herstellung/Produkti on 8% IT 11% Produktentwicklung 11% kundennaher Einsatz 43% Quelle: TATA Consultancy Services / n = / weltweite Studie Marketing 15% Kundenservice 13% Risiko-/Finanzmanagement 15% Betriebliche Optimierung 18% Kundenorientierte Ergebnisse 49% Quelle: IBM/Oxford University (Mitte 2012) / n = 1067 / weltweite Studie Key Findings zum Einsatzgebiet und den Zielen Insgesamt stehen vor allem vertriebsnahe Beweggründe im Zusammenhang mit Big Data Projekten im Vordergrund d Auch die deutschlandweite Studie der EXPERTON Group sowie eine Studie des Fraunhofer Institutes führen zu einem ähnlichen Resümee Viel Potential wird zudem im Logistik-Bereich gesehen 18

20 Agenda 1 Nutzen und Bedeutung von Big Data 2 Einsatzmöglichkeiten von Big Data 3 Implementierung und Architektur 19

21 Implementierung und Architektur Anforderungen an Technologien zur Nutzung der Big Data Big Data Welche Folgen haben diese Dimensionen von Big Data für die IT? Daten Anwendungen Nutzung Folgen für Software-Lösungen Insbesondere im Software-Bereich vollziehen sich Folgen für Hardware-Lösungen signifikante Veränderungen, um den Ausbau der Bandbreiten zur Datenübermittlung Anforderungen an die Big Data gerecht zu werden Speichermöglichkeiten der wachsenden Daten Es ergeben sich deutliche Veränderungen für Datenbank-Technologien und Schwerpunkte bestehender Datenbanken verändern sich Bereiche, in denen mit den größten Wirkungen auf die IT-Infrastruktur gerechnet wird Sonstige 33% 0% 67% Kapazität Bandbreite 64% 26% 10% Netzwerk-Infrastruktur (Switching, Router, Loadbalancing) 64% 26% 10% Storage / Datenbanken 76% 23% 1% Server / CPU-Last 64% 30% 6% Analyse- & Reportingsysteme 55% 32% 13% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% hohe Zustimmung mittlere Zustimmung niedrige Zustimmung Quelle: Experton Group(Mrz./Apr. 2012) / n = 85 / deutschlandweite Studie 20

22 Implementierung und Architektur Analytische versus Big Data Systeme und die Auswirkungen auf den Analyseprozess Vergleich der Schwerpunkte Prozess der Big Data Analyse (explorative Analyse) Analytische Systeme (DW / BI) Zentrale Datenhaltung, alle Daten müssen exakt zueinander passen Qualitativ hochwertige Daten Strukturierte, bereinigte und aggregierte Daten Wiederkehrende Berichte Periodische Erstellung Big Data Systeme Daten existieren an mehreren Stellen, Ungenauigkeiten it sind akzeptabel Einfachheit der Nutzung Verarbeitung der Rohdaten mit vielen unterschiedlichen Formaten Interaktion in Echtzeit Optimiert für Flexibilität Business und IT identifizieren Datenquellen IT stellt Plattform zur Verfügung Business bewertet Daten (Basis für kreatives Erkunden der Daten) Zentralistische Organisation Heterogene, dezentrale Organisation Ergebnisse werden mit klassischen Quellen zusammengeführt 21

23 Implementierung und Architektur Überwindung der Herausforderungen bei der operativen Umsetzung der Big Data-Lösung Stufe Datenaufzeichnung / - sammlung Extraktion / Bereinigung Integration / Bereinigung Analyse / Modellierung Interpretation Umsetzung Identifikation relevanter Datenquellen Filterung der nützlichen Daten Generierung von Metadaten zur Beschreibung und Aufzeichnung der Daten Datenextraktion aus Originalquelle Überführung in analysefähige Formate Bereinigung der Daten zur Validierung (Fehlermodelle) Datenintegration zur Ermöglichung automatisierter Computeranalyse Datenbankdesign und -struktur Datenabfrage und Data Mining Interaktive Datenanalyse / Realtimeabfrage Verbindung von Datenbanken und Analytics- Software Applikationen, welche Nachvollziehbarkeit der Analyseergebnisse und ihrer Annahmen (Provenance) gewährleisten Visualisierung der Ergebnisse Herausforderungen Definition geeigneter Filter Definition iti der richtigen Metadaten t Datenbanksysteme, die den Ursprung der Daten nachvollziehen (Provenance) Schwierigkeiten bei der Überführung der Formate (applikationsabhängig) Fehlermodelle und Datenbereinigungsmethoden existieren oft noch nicht Heterogenität der Daten Frühe Entwicklungsstufe der Big Data Integration Vor- und Nachteile einzelner Designs Heterogenität, Dynamik, Interaktion und geringe Vertrauenswürdigkeit von Big Data Koordination zwischen Datenbanken und Analytics-Software In bestimmten Fällen geringe Vertrauenswürdigkeit und Fehleranfälligkeit von Big Data Komplexität erschwert die Visualisierung 22

24 Implementierung und Architektur Auswirkungen auf die IT-Architektur der transaktionalen und analytischen Systeme Durch die veränderten Schwerpunkte, die sich durch Big Data Systeme ergeben, entstehen auch veränderte technische Anforderungen. Folgende Techniken spielen besonders wichtige Rollen. In-Memory Application Verteilung von Daten auf Knoten (Skalierbarkeit durch Parallelisierung der Auswertung) Verarbeitung mit Map-Reduce Technik (Datenanalyse, die Informationen strukturiert, shuffelt und anschließend reduziert) Ablage von Daten im Arbeitsspeicher Ermöglicht deutlich schnellere Datenbank-Abfragen Vor allem für analytische Anwendungen geeignet Steht für Not only SQL Datenbanken, die einen nichtrelationalen Ansatz verfolgen Verzicht auf starre Schemata, Daten werden ohne feste Struktur gespeichert Die bestehende IT- Infrastruktur vieler Unternehmen erlaubt einen graduellen Übergang auf Big Data Lösungen bzw. die Integration mit Big Data Konzepten 23

25 Implementierung und Architektur Maßgeschneiderte Big Data-Architektur für Ihren Anwendungsfall Um das große Datenvolumen schnell verarbeiten zu können, ist der Aufbau einer maßgeschneiderten Big Data-Architektur notwendig. Big Data Applikationen Reporting & Visualisierung Analytics (Traditionell & Advanced) Analytische Data Warehouses & Data Marts Datenbanken & Tools Operative Datenbanken Reports Alerts Visualisierung Dashboards Cockpits Analyse BI Suite Modelle Beliebige Reporting -Tools SQL In Memory DB Stream Engine Beliebige Analytics ODS KI Indizes DW -Tools Daten Informationsbeschaffung Verfeinerung (Hadoop) Transformation Laden SQL, No SQL New SQL, Files Automa atisierte Ab blaufsteuer rung Sicherheitsinfrastruktur Physische Infrastruktur 24

26 Implementierung und Architektur Technologien & Informationsaustausch Big Data Technologien (Auswahl) Regelmäßiger Informationsaustausch Verteilung von Daten auf Knoten (Skalierbarkeit durch Parallelisieren der Auswertung) Verarbeitung mit Map-Reduce Technik (Datenanalyse, die Informationen strukturiert, verteilt und anschließend reduziert) In-Memory Application Ablage von Daten im Arbeitsspeicher Ermöglicht deutlich schnellere Datenbank-Abfragen Vor allem für analytische Anwendungen geeignet Steht für Not only SQL Datenbanken, die einen nicht-relationalen Ansatz verfolgen Verzicht auf starre Schemata, Daten werden ohne feste Struktur gespeichert HANA 25

27 Implementierung und Architektur Funktionsweise von Hadoop Der Einsatz hat Folgen für: Volume Variety Velocity Zwei grundlege ende techn ische Prinz zipien HDFS* Map Reduce Cluster-Datei-System verteilt die Daten auf verschiedene Systeme in einem Rechnerverbund Datenverarbeitung im Ablageort durch die Aufteilung der Datenverarbeitung in kleine Portionen und ihre parallele Abwicklung Ablage der Daten in zerlegter Form (die Größe der Datenblöcke ist vom System definiert) Replikation der Blöcke beugt Datenverlust bei Knotenausfall vor ( Sicherheits-Blöcke ) Systemvoraussetzungen für den Hadoop-Einsatz Grundsätzlich mit Hilfe von Standardrechnern durchführbar Dateisystem muss auf Fehlertoleranz ausgelegt sein, da in einem solchen Rechnerverbund von Hardwareausfällen auszugehen ist (funktioniert mit beschriebener Replikation der Blöcke) Java Developer Kit ab V 1.6 Linux als Betriebssystem wird empfohlen *HDFS = Hadoop Distributed File System 26

28 Implementierung und Architektur Funktionsweise von in Memory-Datenbanken In-Memory Der Einsatz hat Folgen für: Velocity Application Warum ist das Speichern von Informationen im Arbeitsspeicher für Big Data Analysen so interessant? Wenn Daten im Arbeitsspeicher und nicht auf anderen Speichermedien abgelegt werden, wird die Geschwindigkeit erhöht, mit der Datenbanken auf diese Daten zugreifen können. Daten können schnell ausgewertet und damit beispielsweise sogar in Echtzeit in Prozesse eingebunden werden! 27

29 Implementierung und Architektur Funktionsweise von NoSQL Der Einsatz hat Folgen für: Varietyy Was macht den Einsatz einer Datenbanksprache, die nicht nur relationale Datenstrukturen verarbeiten können, notwendig? Unstrukturierte Datenmengen können nicht mit Datenbanken ausgewertet werden, die auf Relationen und Tabellen aufbauen. Was ist der Unterschied von NoSQL zu herkömmlichen h SQL-Datenbankstrukturen? t kt NoSQL benutzt eine festen Tabellenschemata als Datenspeicher SQL kann schlecht mit häufig ändernden Datenstrukturen umgehen, die aber zunehmend wichtiger werden NoSQL hat nur geringe Sicherheit bezüglich der Datenkonsistenz, deren Problematik sich jedoch aufgrund der häufig extrem hohen Datenmenge relativiert 28

30 Implementierung und Architektur Big Data Security Exemplarische Risiken entlang der Prozesskette Risiken für die Datensicherheit und den Datenschutz existieren entlang der gesamten Prozesskette von der Erfassung bis zur Bereitstellung der Berichte. Die Sicherheits- anforderungenngen steigen mit Zunahme der Datenmenge, der Datenvielfalt und der Geschwindigkeit der Verarbeitung. Exemplarische Darstellung Risiken: Netzwerk nicht verfügbar Fehler während der Übertragung Risiken: Verlust der Vertraulichkeit im Datentransfer Nicht-autorisierte Änderung von Daten im Transfer Erfassung / Extraktion SAP Non-!! SAP Quellsysteme Analyse Analytics Berichtswesen!!! Risiken: Datensynchronisation nicht möglich, da Quellsysteme nicht verfügbar Nichteinhaltung von Gesetzen bei der Erfassung und Speicherung von Daten Unsichere Rechtslage bei der Verarbeitung (z.b. bzgl. Datenschutz) Risiken: Nicht-authorisierte Änderungen von Daten Gefahr von Datenschutzverstössen durch Anreicherung von Daten Mangelnde Zugriffskontrolle auf Daten Risiken: Mangelnder Zugriffsschutz (Nachträgliche) Manipulation der Berichte? 29

31 Implementierung und Architektur Big Data Security Risikobewertung Erfassung / Extraktion Analyse Berichtswesen SAP Non- 1 2 Analytics 3 1 SAP Quellsysteme Top Risiken (Auszug) Exemplarisch IT Risiko Matrix (exemplarisch) Gefährdung der Aussagequalität der Berichte aufgrund von nicht autorisierten Änderungen der Daten oder dem Verlust der Verfügbarkeit einzelner Komponenten Verlust der Vertraulichkeit /Integrität während der Datenübertragung durch unzureichende Sicherheitsmaßnahmen (Keine digitalen Signaturen, keine Verschlüsselung) Verlust der Zugriffskontrolle von Daten durch unzureichende Berechtigungskonzepte Nichteinhaltung von Gesetzen und Unternehmensrichtlinien Wahrsche einlichkeit Sehr Hoch Mittel Unsichere Rechtslage z.b. hinsichtlich des Datenschutzes kann zu unbewussten rechtlichen Verstößen führen Sehr Gering Sehr Mittel Kritisch niedrig Schadenshöhe 30

32 Ansprechpartner Michael Brenner Senior Manager Consulting Alfredstraße 277 Tel. +49 (201) D Essen Mobil +49 (174) Moritz Schneider Manager Consulting Tersteegenstraße Tel. +49 (211) D40474 Düsseldorf Mobil +49 (174)

33 2014 KPMG AG Wirtschaftsprüfungsgesellschaft, a subsidiary of KPMG Europe LLP and a member firm of the KPMG network of independent member firms affiliated with KPMG International Cooperative ("KPMG International"), a Swiss entity. All rights reserved. Der Name KPMG, das Logo und cutting through complexity sind eingetragene Markenzeichen von KPMG International Cooperative ( KPMG International ) ).

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

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

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

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

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

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

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

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

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

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

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

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

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

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-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

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

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

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

The Day in the Life of a Business Manager @ Microsoft

The Day in the Life of a Business Manager @ Microsoft The Day in the Life of a Business Manager @ Microsoft A look at analytics in action inside Microsoft Frank.Stolley@Microsoft.com Daniel.Weinmann@microsoft.com Microsoft Deutschland GmbH Big Data: Die Management-Revolution?

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

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

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit BI Konsolidierung: Anspruch & Wirklichkeit Jacqueline Bloemen in Kooperation mit Agenda: Anspruch BI Konsolidierung Treiber Was sind die aktuellen Treiber für ein Konsolidierungsvorhaben? Kimball vs. Inmon

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

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

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

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

Industrie 4.0. Potentiale für BI-/DWH-Lösungen und Big-Data-Ansätze

Industrie 4.0. Potentiale für BI-/DWH-Lösungen und Big-Data-Ansätze Industrie 4.0 Potentiale für BI-/DWH-Lösungen und Big-Data-Ansätze Prof. Dr. Hans-Georg Kemper Keplerstr. 17 70174 Stuttgart Telefon: +49 (711) 685-83194 Telefax: +49 (711) 685-83197 E-Mail: kemper@wi.uni-stuttgart.de

Mehr

Verkaufen im 21. Jahrhundert Wir stellen vor: SAP Cloud for Customer

Verkaufen im 21. Jahrhundert Wir stellen vor: SAP Cloud for Customer Verkaufen im 21. Jahrhundert Wir stellen vor: SAP Cloud for Customer SAP Forum Baden, 11. Juni 2013 Kirsten Trocka Senior Industry Advisor, SAP Cloud Solutions SAP (Schweiz) AG Agenda Die Customer Cloud

Mehr

OLAP und Data Warehouses

OLAP und Data Warehouses OLP und Data Warehouses Überblick Monitoring & dministration Externe Quellen Operative Datenbanken Extraktion Transformation Laden Metadaten- Repository Data Warehouse OLP-Server nalyse Query/Reporting

Mehr

Die Cloud, die alles anders macht. Die 6 Grundzüge der Swisscom Cloud

Die Cloud, die alles anders macht. Die 6 Grundzüge der Swisscom Cloud Die Cloud, die alles anders macht. Die 6 Grundzüge der Swisscom Cloud Viele Clouds, viele Trends, viele Technologien Kommunikation Private Apps Prozesse Austausch Speicher Big Data Business Virtual Datacenter

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

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

Big Data Modewort oder echter Mehrwert. freenet Group Dr. Florian Johannsen

Big Data Modewort oder echter Mehrwert. freenet Group Dr. Florian Johannsen Big Data Modewort oder echter Mehrwert freenet Group Dr. Florian Johannsen freenet Group 2 Titel der Präsentation 07.07.2015 Mobilfunkgeschäft der freenet Group Austausch von Daten und Informationen Im

Mehr

Agile Analytics Neue Anforderungen an die Systemarchitektur

Agile Analytics Neue Anforderungen an die Systemarchitektur www.immobilienscout24.de Agile Analytics Neue Anforderungen an die Systemarchitektur Kassel 20.03.2013 Thorsten Becker & Bianca Stolz ImmobilienScout24 Teil einer starken Gruppe Scout24 ist der führende

Mehr

Analyse und Auswertung großer heterogener Datenmengen

Analyse und Auswertung großer heterogener Datenmengen Analyse und Auswertung großer heterogener Datenmengen Herausforderungen für die IT-Infrastruktur Richard Göbel Inhalt Big Data Was ist das eigentlich? Was nützt mir das? Wie lassen sich solche großen Datenmengen

Mehr

Von Big Data zu Smart Data

Von Big Data zu Smart Data Von Big Data zu Smart Data mit Technologieförderung des BMWi Big Data Summit BITKOM-Konferenz; Bonn, 24.06.2013 Dr. Andreas Goerdeler Unterabteilungsleiter Informationsgesellschaft; Medien Bundesministerium

Mehr

Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO

Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO innovation@work Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO thinkbetter AG Florian Moosmann 8. Mai 2013 1 Agenda Prädiktive Analyse Begriffsdefinition Herausforderungen Schwerpunktbereiche

Mehr

Cockpits und Standardreporting mit Infor PM 10 09.30 10.15 Uhr

Cockpits und Standardreporting mit Infor PM 10 09.30 10.15 Uhr Cockpits und Standardreporting mit Infor PM 10 09.30 10.15 Uhr Bernhard Rummich Presales Manager PM Schalten Sie bitte während der Präsentation die Mikrofone Ihrer Telefone aus, um störende Nebengeräusche

Mehr

DWH Szenarien. www.syntegris.de

DWH Szenarien. www.syntegris.de DWH Szenarien www.syntegris.de Übersicht Syntegris Unser Synhaus. Alles unter einem Dach! Übersicht Data-Warehouse und BI Projekte und Kompetenzen für skalierbare BI-Systeme. Vom Reporting auf operativen

Mehr

Wertschöpfung durch Daten: Nutzung von Little Data & Big Data in der Industrie

Wertschöpfung durch Daten: Nutzung von Little Data & Big Data in der Industrie Wertschöpfung durch Daten: Dr. Matthias Nagel, Markus Nagel, Dirk Maiwald & Dagmar Lange Chemnitz, 20.03.2014 1 Smart Everything : Leben im Datenzeitalter 2 Datability: Nutzung aller relevanter Daten Datenquellen:

Mehr

Industrie 4.0 und Smart Data

Industrie 4.0 und Smart Data Industrie 4.0 und Smart Data Herausforderungen für die IT-Infrastruktur bei der Auswertung großer heterogener Datenmengen Richard Göbel Inhalt Industrie 4.0 - Was ist das? Was ist neu? Herausforderungen

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

In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI

In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI Hanau, 25.02.2015 1 Titel der Präsentation, Name, Abteilung, Ort, xx. Monat 2014 Der Aufbau der Group BI Plattform

Mehr

Big Data in Azure. Ein Beispiel mit HD Insight. Ralf Stemmer

Big Data in Azure. Ein Beispiel mit HD Insight. Ralf Stemmer Big in Azure Ein Beispiel mit HD Insight Ralf Stemmer Agenda owas ist Big? Was ist HD Insight? owelche Probleme kann man damit lösen? odemo Was ist Big? Was ist HD Insight? Datenexplosion - Rasanter Zuwachs

Mehr

Visual Business Intelligence Eine Forschungsperspektive

Visual Business Intelligence Eine Forschungsperspektive Visual Business Intelligence Eine Forschungsperspektive Dr. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung IGD Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155 646 Fax.: +49

Mehr

Nur Einsatz bringt Umsatz Wir stellen vor: SAP Cloud for Customer

Nur Einsatz bringt Umsatz Wir stellen vor: SAP Cloud for Customer Nur Einsatz bringt Umsatz Wir stellen vor: SAP Cloud for Customer Swiss CRM Forum, 11. Juni 2014 Kirsten Trocka Senior Solution Advisor, SAP Cloud SAP (Suisse) AG Die Customer Cloud von SAP Das CRM in

Mehr

Hannover, 20.03.2015 Halle 5 Stand A36

Hannover, 20.03.2015 Halle 5 Stand A36 Integrierte Unternehmensinformationen als Fundament für die digitale Transformation vor allem eine betriebswirtschaftliche Aufgabe Hannover, 20.03.2015 Halle 5 Stand A36 Business Application Research Center

Mehr

Geschäftsstrategie und SOA - ein Thema für den Mittelstand? Prof. Dr. Gunther Piller

Geschäftsstrategie und SOA - ein Thema für den Mittelstand? Prof. Dr. Gunther Piller Geschäftsstrategie und SOA - ein Thema für den Mittelstand? Prof. Dr. Gunther Piller Aktuelles 2 Langfristige strategische IT- Planung existiert [im Mittelstand] in vielen Fällen nicht Bitkom: IuK im Mittelstand,

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

Group Wide Machine Data Analytics Die Reise auf dem Data Lake - BITKOM Big Data Summit 2015 Philip Vospeter & Alf Porzig

Group Wide Machine Data Analytics Die Reise auf dem Data Lake - BITKOM Big Data Summit 2015 Philip Vospeter & Alf Porzig Group Wide Machine Data Analytics Die Reise auf dem Data Lake - BITKOM Big Data Summit 2015 Philip Vospeter & Alf Porzig CLAAS im Überblick Mähdrescher Feldhäcksler Traktoren Futtererntemaschinen Teleskoplader

Mehr

Trends in Business Intelligence

Trends in Business Intelligence Trends in Business Intelligence Dr. Carsten Bange Business Intelligence (BI) beschreibt die Erfassung, Sammlung und Darstellung von Information zur Planung, Steuerung und Kontrolle der Unternehmensleistung.

Mehr

Visual Business Analytics Visueller Zugang zu Big Data

Visual Business Analytics Visueller Zugang zu Big Data Visual Business Analytics Visueller Zugang zu Big Data Dr.-Ing. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung (IGD) Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155-646 Fax:

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

1Ralph Schock RM NEO REPORTING

1Ralph Schock RM NEO REPORTING 1Ralph Schock RM NEO REPORTING Bereit für den Erfolg Business Intelligence Lösungen Bessere Entscheidungen Wir wollen alle Mitarbeiter in die Lage versetzen, bessere Entscheidungen schneller zu treffen

Mehr

Die aktuellen Top 10 IT Herausforderungen im Mittelstand

Die aktuellen Top 10 IT Herausforderungen im Mittelstand Die aktuellen Top 10 IT Herausforderungen im Mittelstand Ronald Boldt, SPI GmbH Über mich Ronald Boldt Leiter Business Solutions SPI GmbH Lehrbeauftragter für Geschäftsprozess orientiertes IT Management

Mehr

Large Scale Data Management

Large Scale Data Management Large Scale Data Management Beirat für Informationsgesellschaft / GOING LOCAL Wien, 21. November 2011 Prof. Dr. Wolrad Rommel FTW Forschungszentrum Telekommunikation Wien rommel@ftw.at Gartner's 2011 Hype

Mehr

Cloud Computing mit OpenStack

Cloud Computing mit OpenStack Cloud Computing mit OpenStack B1 Systems GmbH http://www.b1-systems.de Cloud Computing Cloud Computing Servicemodelle Software as a Service (SaaS) Platform as a Service (PaaS) Infrastructure as a Service

Mehr

SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation

SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation Alexander Schroeter, Head of Outbound PM MEE, CRM & Commerce, SAP AG Regensdorf, November 19, 2013 SAP Customer Engagement

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

Big Business durch Big Data

Big Business durch Big Data Big Business durch Big Data Daten sind der neue Content: Wie Verlage mit Big Data neue Erlösquellen schaffen Medientage München, goetzpartners Panel, 23. Oktober 2014 Die zwei Blickwinkel auf Big Data

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

Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen

Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen SAS PharmaHealth & Academia Gabriele Smith KIS-Tagung 2005 in Hamburg: 3. März 2005 Copyright 2003, SAS Institute Inc. All rights

Mehr

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 BIW - Überblick Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 Annegret Warnecke Senior Sales Consultant Oracle Deutschland GmbH Berlin Agenda Überblick

Mehr

Globales Supply Chain Management in der Cloud. Hermes Winands Senior Executive Stuttgart, 02. März 2010

Globales Supply Chain Management in der Cloud. Hermes Winands Senior Executive Stuttgart, 02. März 2010 Globales Supply Chain Management in der Cloud Hermes Winands Senior Executive Stuttgart, 02. März 2010 Logistik wird zunehmend global 2 Die Geschäftsbeziehungen in der Logistik werden zunehmend komplexer

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

vfabric-daten Big Data Schnell und flexibel

vfabric-daten Big Data Schnell und flexibel vfabric-daten Big Data Schnell und flexibel September 2012 2012 VMware Inc. All rights reserved Im Mittelpunkt: Daten Jeden Morgen wache ich auf und frage mich: Wie kann ich den Datenfluss optimieren,

Mehr

SAP In-Memory Technologie (HANA) in der Versorgungswirtschaft

SAP In-Memory Technologie (HANA) in der Versorgungswirtschaft SAP In-Memory Technologie (HANA) in der Versorgungswirtschaft Michael Utecht, Industry Expert Utilities Business Area COO Germany, Industry Solutions SAP Deutschland AG & Co.KG 09.11.2011 Opportunities

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

Ab in den Himmel: Was kommt jenseits der Cloud? 20 R. Altenhöner Ab in den Himmel: Was kommt jenseits der Cloud? 04.6.2014 Bibliothekartag 2014

Ab in den Himmel: Was kommt jenseits der Cloud? 20 R. Altenhöner Ab in den Himmel: Was kommt jenseits der Cloud? 04.6.2014 Bibliothekartag 2014 Ab in den Himmel: Was kommt jenseits der Cloud? 1 20 R. Altenhöner Ab in den Himmel: Was kommt jenseits der Cloud? 04.6.2014 Bibliothekartag 2014 Inhalt 1. Einleitung / Motivation 2. Cloud ein bisschen

Mehr

Cloud-Computing. 1. Definition 2. Was bietet Cloud-Computing. 3. Technische Lösungen. 4. Kritik an der Cloud. 2.1 Industrie 2.

Cloud-Computing. 1. Definition 2. Was bietet Cloud-Computing. 3. Technische Lösungen. 4. Kritik an der Cloud. 2.1 Industrie 2. Cloud Computing Frank Hallas und Alexander Butiu Universität Erlangen Nürnberg, Lehrstuhl für Hardware/Software CoDesign Multicorearchitectures and Programming Seminar, Sommersemester 2013 1. Definition

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

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

Big Data, small Data und alles dazwischen!

Big Data, small Data und alles dazwischen! Technologische Entwicklung Governance & Compliance Entwicklung 15.05.2015 Big Data, small Data und alles dazwischen! Wien, 20.5.2015 Herbert Stauffer Geschichtliche Entwicklung der Weg zu Big Data 1970

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

Die EBCONT Unternehmensgruppe.

Die EBCONT Unternehmensgruppe. 1200 Wien, Handelskai 94-96 Johannes Litschauer, Alex Deles IT-Infrastruktur IT-Betrieb (managed Services) Cloud / Elastizität 1200 Wien, Handelskai 94-96 Johannes Litschauer, Alex Deles Enterprise Solutions

Mehr

TOP. wird ein wichtiges Jahr für BIG (Business Intelligence Growth) DER BUSINESS INTELLIGENCE TRENDS FÜR DAS JAHR 2013

TOP. wird ein wichtiges Jahr für BIG (Business Intelligence Growth) DER BUSINESS INTELLIGENCE TRENDS FÜR DAS JAHR 2013 0 Es TOP 10 DER BUSINESS INTELLIGENCE TRENDS FÜR DAS JAHR 2013 wird ein wichtiges Jahr für BIG (Business Intelligence Growth) 2012 war ein fantastisches Jahr für Business Intelligence! Die biedere alte

Mehr

Datenexplosion Auswirkungen auf Rechenzentren

Datenexplosion Auswirkungen auf Rechenzentren FINANCIAL INSTITUTIONS ENERGY INFRASTRUCTURE, MINING AND COMMODITIES TRANSPORT TECHNOLOGY AND INNOVATION PHARMACEUTICALS AND LIFE SCIENCES Datenexplosion Auswirkungen auf Rechenzentren RA Dr. Flemming

Mehr

Seminar Cloud Data Management WS09/10. Tabelle1 Tabelle2

Seminar Cloud Data Management WS09/10. Tabelle1 Tabelle2 Seminar Cloud Data Management WS09/10 Tabelle1 Tabelle2 1 Einführung DBMS in der Cloud Vergleich verschiedener DBMS Beispiele Microsoft Azure Amazon RDS Amazon EC2 Relational Databases AMIs Was gibt es

Mehr

DISCOVER BIG DATA & PREDICTIVE ANALYTICS DISCOVER INSIGHTS

DISCOVER BIG DATA & PREDICTIVE ANALYTICS DISCOVER INSIGHTS BIG DATA & PREDICTIVE ANALYTICS BIG DATA & PREDICTIVE ANALYTICS Turn communication into usable data. In einer zunehmend vernetzten, digitalen Service-Ökonomie müssen Sie die Wünsche Ihrer Kunden laufend

Mehr

POWER ALS BIG DATA PLATTFORM. Vom klassischen Data Warehouse zum Big Data Ansatz

POWER ALS BIG DATA PLATTFORM. Vom klassischen Data Warehouse zum Big Data Ansatz POWER ALS BIG DATA PLATTFORM Vom klassischen Data Warehouse zum Big Data Ansatz IBM COGNOS VORSTELLUNG Stefan Held Software Architekt PROFI GS Bochum Schwerpunkte: Business Intelligence & Analytics Big

Mehr

Clouds. Erwartungen der Nutzer. Wolkig bis Heiter. (c) 2013, Peter Sturm, Universität Trier. Er ist verwöhnt! Er ist nicht dankbar!

Clouds. Erwartungen der Nutzer. Wolkig bis Heiter. (c) 2013, Peter Sturm, Universität Trier. Er ist verwöhnt! Er ist nicht dankbar! Clouds Wolkig bis Heiter Erwartungen der Nutzer Er ist verwöhnt! Verfügbarkeit Viele Anwendungen Intuitive Interfaces Hohe Leistung Er ist nicht dankbar! Mehr! Mehr! Mehr! Moore 1 Erwartungen der Entwickler

Mehr

Strategie und Self Service BI im Unternehmen. Gegensätze miteinander kombinieren

Strategie und Self Service BI im Unternehmen. Gegensätze miteinander kombinieren Strategie und Self Service BI im Unternehmen Gegensätze miteinander kombinieren Claas Planitzer Düsseldorf Juni 2015 Agenda 5. Herausforderungen 1. Idealbild 2. Realität 3. Self Service 4. BI. Was ist

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

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

Intelligent Traveller Early Situation Awareness itesa

Intelligent Traveller Early Situation Awareness itesa Intelligent Traveller Early Situation Awareness itesa Dr. Martin Skorsky, Senior Researcher 22. Juni 2015 1 1 Intelligent Traveller Early Situation Awareness Automatischen Alarmsystems, das Reisende in

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

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

Big Data & High-Performance Analytics

Big Data & High-Performance Analytics Big Data & High-Performance Analytics Wolfgang Schwab, Senior Business Advisor Berlin 20.4.2012 PROJECTING THE GROWTH OF BIG DATA Source: IDC Digital Universe Study, sponsored by EMC, May 2010 THRIVING

Mehr

Komplexität der Information - Ausgangslage

Komplexität der Information - Ausgangslage Intuition, verlässliche Information, intelligente Entscheidung ein Reisebericht Stephan Wietheger Sales InfoSphere/Information Management Komplexität der Information - Ausgangslage Liefern von verlässlicher

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

Storage-Trends am LRZ. Dr. Christoph Biardzki

Storage-Trends am LRZ. Dr. Christoph Biardzki Storage-Trends am LRZ Dr. Christoph Biardzki 1 Über das Leibniz-Rechenzentrum (LRZ) Seit 50 Jahren Rechenzentrum der Bayerischen Akademie der Wissenschaften IT-Dienstleister für Münchner Universitäten

Mehr

Roundtable. Dashboards und Management Information. Rüdiger Felke / Christian Baumgarten 29.11.2011

Roundtable. Dashboards und Management Information. Rüdiger Felke / Christian Baumgarten 29.11.2011 Roundtable Dashboards und Management Information Rüdiger Felke / Christian Baumgarten 29.11.2011 Agenda Behind the Dashboards Was ist ein Dashboard und was ist es nicht? SAP BusinessObjects Dashboards

Mehr

Software as a Service, Cloud Computing und aktuelle Entwicklungen Seminarvorbesprechung

Software as a Service, Cloud Computing und aktuelle Entwicklungen Seminarvorbesprechung Software as a Service, Cloud Computing und aktuelle Entwicklungen Seminarvorbesprechung A. Göbel, Prof. K. Küspert Friedrich-Schiller-Universität Fakultät für Mathematik und Informatik Lehrstuhl für Datenbanken

Mehr

Prozessoptimierung in der Markt- und Medienforschung bei der Deutschen Welle (DW) mit Big Data Technologien. Berlin, Mai 2013

Prozessoptimierung in der Markt- und Medienforschung bei der Deutschen Welle (DW) mit Big Data Technologien. Berlin, Mai 2013 Prozessoptimierung in der Markt- und Medienforschung bei der Deutschen Welle (DW) mit Big Data Technologien Berlin, Mai 2013 The unbelievable Machine Company? 06.05.13 The unbelievable Machine Company

Mehr

Konzeption eines Master-Data-Management-Systems. Sven Schilling

Konzeption eines Master-Data-Management-Systems. Sven Schilling Konzeption eines Master-Data-Management-Systems Sven Schilling Gliederung Teil I Vorstellung des Unternehmens Thema der Diplomarbeit Teil II Master Data Management Seite 2 Teil I Das Unternehmen Vorstellung

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

Raber+Märcker Business Intelligence Lösungen und Leistungen

Raber+Märcker Business Intelligence Lösungen und Leistungen Business Intelligence Raber+Märcker Business Intelligence Lösungen und Leistungen www.raber-maercker.de 2 LEISTUNGEN Business Intelligence Beratungsleistung Die Raber+Märcker Business Intelligence Beratungsleistung

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