Vorgehensmodelle für Big Data Initiativen. DOAG 2014 Nürnberg

Transkript

1 Vorgehensmodelle für Big Data Initiativen DOAG 2014 Nürnberg

2 Agenda Was ist die Aufgabe von Big Data Projekten? Vergleich klassischer und agiler Vorgehensweisen Exemplarisches Vorgehen für Big Data Projekte Fazit

3 Konzeption und Architektur Implementierung Schulungen A C B D Projektmanagement Coaching, Beratung, Expertisen

4 Themenfelder Themen Business Intelligence Big Data Predictive Analytics Controlling Risikomanagement Top Management Reporting Rollen Anforderungsanalyse Konzeption Architektur Modellierung Entwicklung Projektmanagement Beratung und Coaching Branchen Banken Versicherungen Touristik Produktion Telekommunikation Automotive Technik & Werkzeuge Informatica IBM Cognos Microsoft Data Vault Visual Analytics Agile BI

5 Referenzen aus über 200 Projekten stehen jederzeit zur Verfügung

6 Big Data ist DER IT Trend der 2010er Jahre weltweit Deutschland 6

7 Die Versprechen sind zahlreich Genaueres Kreditscoring Trends erkennen Portfoliooptimierung Prognosen verbessern Betrugserkennung Kunden binden Vorausschauende Wartung Churn Prediction Cross Selling erhöhen Neue Geschäftsfelder 7

8 Was ist die Aufgabe von Big Data Projekten? Große Mengen heterogener Daten Transformation in wertvolle Informationen Smart Data Social Media IT Systeme Sensordaten Daten verstehen Datenaufbereitung und Integration Cleansing Map Reduce Data Mining Maschine Learning Statistik - Entscheidungsunterstützung - Prognose - Automatisierung 9

9 Was kennzeichnet Big Data Projekte 10

10 Was kennzeichnet Big Data Projekte? Große Mengen heterogener Daten Transformation in wertvolle Informationen Smart Data Neue, heterogene Datenquellen Oft unstrukturierte Daten Große Datenmengen Neue Technologien Zusammenspiel mehrerer Technologien Verschiedene Disziplinen (Wissen über Prozesse und Daten, Datenbanken, Statistik, BI, Hadoop ) Riesige Chancen Business Cases manchmal unklar Unsicherheit, ob Potentiale gehoben werden können Datenschutz und Datensicherheit 12

11 Hauptursachen, woran Big Data Projekte scheitern unzureichende Ausrichtung auf die Unternehmensstrategie unzulänglicher oder fehlender Business Case ungenügende Planung Kommunikationsprobleme fehlendes Wissen mangelhafte Datenintegration. Quelle: 13

12 Anforderungen an ein Big Data Vorgehen Vision und Business Cases erarbeiten und daran ausrichten Interdisziplinäre Zusammenarbeit fördern Know-How Aufbau ermöglichen Kommunikation fördern Technische Exzellenz ermöglichen Stetige Verbesserung Ergebnisse überprüfen und aus Fehlern lernen 14

13 Agenda Was ist die Aufgabe von Big Data Projekten? Vergleich klassischer und agiler Vorgehensweisen Exemplarisches Vorgehen für Big Data Projekte Fazit

14 Phasenorientierte vs. agile Vorgehensweisen Phasenorientiert umfassende Planung Gliederung der Aufgaben (Taylor) Oft iterativ Klare Aufgaben- und Rollenaufteilung Nachvollziehbarkeit der Entscheidungen Quality Gates Stabilität Sicherheit Agil Kundennutzen im Fokus Interdisziplinäre Teams Kommunikation ergänzt Planung Kurze Iterationen Steile Lernkurve des Teams Schnelles Feedback durch die Anwender Offen für Änderungen 18

15 Wann klassisch, wann agil? hoch eher agil Unsicherheit eher klassisch niedrig niedrig hoch Häufigkeit von Änderungen 19

16 Agenda Was ist die Aufgabe von Big Data Projekten? Vergleich klassischer und agiler Vorgehensweisen Exemplarisches Vorgehen für Big Data Projekte Fazit

17 Sprint mit 5 Phasen Story Placeholder 1 for your own sub headline Story 2 Story 3 Story Task Ergebnis Story 1 Task 1a Task 1b Story Points Story 4 Story 5 Story 2 Task 2a Task 2b Story 3 Task 3 Sprint Backlog Product Backlog mit User Stories SCRUM Sprint Product Vision. Täglicher Zyklus mit Stand Up Meeting Auslieferbare Software

18 Anforderungen an ein Big Data Vorgehen Vision und Business Cases erarbeiten und daran ausrichten Interdisziplinäre Zusammenarbeit fördern Know-How Aufbau ermöglichen Kommunikation fördern Technische Exzellenz ermöglichen Stetige Verbesserung Ergebnisse überprüfen und aus Fehlern lernen 22

19 Was fehlt? Wie kommen die richtigen Stories ins Scrum Product Backlog und wie kommt die Vision und der Business Case zustande? 23

20 Design Thinking Methodik Design Thinking <> Design Design Thinking = Vorgehen zur kreativen Problemlösung 24

21 Design Thinking + Scrum Erarbeitung Vision, Business Cases und Prototypen Entwicklung auslieferungsfähige Lösung Design Thinking Entwicklung mit Scrum 25

22 Am Anfang steht eine große Fragestellung: How might we improve maternal health with mobile technologies for low-income countries? OpenIDEO has partnered with Oxfam and Nokia to explore how mobile technologies can be used to improve maternal health Quelle: Ein Verkehrsunternehmen fragt: Wie können wir die Prognosequalität von Verspätungen verbessern um proaktiv zu reagieren und die Kunden früher zu informieren? 26

23 Der Design Thinking Prozess Problem verstehen Welche Fragen sind relevant Anforderungen klären Recherche und Beobachtung Bedürfnisse des Nutzers Vor Ort Recherche Synthese Zusammenführung der verschiedenen Sichtweisen Ideenfindung Brainstorming Bewerten von Ideen Protoypen bauen Prototypische Umsetzung der besten Ideen Entwickeln, prüfen und verbessern des Prototypen Testen Test mit Anwendern Feedback und neue Erkenntnisse 28

24 Bessere Lösungen finden Lösungsfokus erweitern Fokussieren Anzahl der Wahlmöglichkeiten erhöhen auswählen 29

25 Design Thinking für Big Data Projekte Vision und Business Cases erarbeiten und daran ausrichten Interdisziplinäre Zusammenarbeit fördern Know-How Aufbau ermöglichen Kommunikation fördern Technische Exzellenz ermöglichen Stetige Verbesserung Ergebnisse überprüfen und aus Fehlern lernen 30

26 Wann ist ein Projekt eigentlich erfolgreich? Wenn Funktionen in Zeit und Budget umgesetzt wurden? Wenn das Ziel, was mit der Funktion erreicht werden sollte auch erreicht wurde? 31

27 Erweiterung des Story Boards To Do Work Done Validated

28 Lean Startup Prozess Ideen lernen umsetzen Feedback Lösung messen Gute Kennzahlen - verändern Ihr Verhalten - sind verfügbar und messbar 33

29 Wo lernen wir? Hier lernen wir etwas Hier auch Am meisten lernen wir hier! Anforderung Umsetzung Test Nutzung durch Anwender 34

30 Erarbeitung Vision, Kundennutzen und Prototypen Entwicklung auslieferungsfähige Lösung Überprüfung des erwarteten Nutzens Design Thinking Entwicklung mit Scrum Validated Learning (Lean Startup) Scrum Prozess 35

31 Und der Nutzen für Ihr Projekt? Unser Angebot: Kickstart Workshops agile Entwicklung Scrum Workshops und Schulungen Begleitung Ihrer BI und Big Data Projekte Beratung des Managements

32 Bleiben wir in Kontakt! Es bedankt sich: Es bedankt sich: Es Thomas bedankt Löchte sich: Michael / Killemann Informationsfabrik tloechte@informationsfabrik.com GmbH / mkillemann@informationsfabrik.com