Click here to load reader

17.11.2016, AWS Innovation Lab München BigData in der Cloud …aws-de-media.s3.amazonaws.com/images/_Munich_Loft_Slides/... · 2016-12-05 · Elasticsearch Kinesis AWS Data Pipeline

  • View
    0

  • Download
    0

Embed Size (px)

Text of 17.11.2016, AWS Innovation Lab München BigData in der Cloud...

  • itm.net

    BigData in der Cloud und die letzte Meile

    17.11.2016, AWS Innovation Lab München

    Der Weg von der Idee zum Business Value

    Wolfgang Baudendistel, [email protected]

    Joachim Rosskopf, [email protected]

  • itm.net17.11.2016

    › Optimierung von IT-Landschaften

    › Entwurf von System- und Softwarearchitekturen

    › Einführung von Methoden und Unterstützung des IT-Managements

    IT-ARCHITECTURE AND TOOLS

    › Softwareentwicklung mit ausgeprägter Web- bis SAP-Kompetenz

    › Daten- und Prozesssicht

    › Verteilte Software-Systeme

    NEW TECHNOLOGY IMPLEMENTATION

    › Cloudifizierung von IT-Organisationen

    › Aufbau und Betrieb von Hybrid-Landschaften

    › Automatisierung

    CLOUD TRANSFORMATION

  • itm.net17.11.2016

    IMPLEMENTIERUNG & BETRIEB

    TECHNOLOGIE, PLATFORM- & PROZESSDEFINITION

    CLOUD ONBOARDING

    CLOUD WORKSHOPS„HOW TO DO CLOUD“

  • itm.net Keine vollständige Darstelklung aller ITM Kunden.06.06.2016

  • itm.net17.11.2016

    BEISPIEL: VERNETZTER, INTELLIGENTER

    SAUGROBOTER

    IDEEN FÜR DIGITALE WERTSTRÖME:

    › Kundenintimität und besseres

    Produkterlebnis durch Sensordaten

    › Software Updates und Apps als zusätzliche

    Revenue Streams (z.B. Heimüberwachung)

    › Smart Replenishment von

    Verbrauchsmaterialien

  • itm.net17.11.2016

    Beispiel: Postbote liefert Verbrauchsmaterial bevor es benötigt wird.

    Fragestellung: Ist diese Service-/Produktinnovation so umsetzbar und steigert sie den Business Value?

  • itm.net17.11.2016

    CUSTOMER CUSTOMER

    USE

    • C/T: 2,5h• 5 Cycles

    MAINTAIN

    • C/T: 0,5h• 2 Cycles

    REPLENISH

    • C/T: 2,5h

    ORDER

    PRODUCTION

    WEB-SHOP

    APP

    E-CommerceA

    PRODUKT-LEBENSZYKLUS

  • itm.net17.11.2016

    CUSTOMER CUSTOMER

    IOTBIG

    DATA

    ORDER

    PRODUCTION

    WEB-SHOP

    APP

    E-CommerceA

    USE

    • C/T: 2,5h• 5 Cycles

    MAINTAIN

    • C/T: 0,5h• 2 Cycles

    REPLENISH

    • C/T: 2,5hPRODUKT-LEBENSZYKLUS

  • itm.net17.11.2016

    CUSTOMER CUSTOMER

    CONSUMABLES

    IOTBIG

    DATAPRODUCT

    DEVELOPMENT

    ORDER

    PRODUCTION

    WEB-SHOP

    APP

    PRODUCT EXPERIENCE

    APP

    SMART REPLENISH-

    MENT

    APP

    E-CommerceA

    Digitalisierte ProdukteB

    USE

    • C/T: 2,5h• 5 Cycles

    MAINTAIN

    • C/T: 0,5h• 2 Cycles

    REPLENISH

    • C/T: 2,5hPRODUKT-LEBENSZYKLUS

  • itm.net17.11.2016

    ERSTE INDUSTRIELLLE REVOLUTION

    1784

    Erster Mechanischer WebstuhlEinführung von Wasser- und Dampfkraftbetriebenen Fabriken.

    ZWEITE INDUSTRIELLE REVOLUTION

    1923

    Erste FließbandproduktionEinführung von elektrisch betriebenenProduktionsanlagen und arbeitsteiligeFließbandproduktion.

    TECHNOLOGIE ORGANISATION

    DRITTE INDUSTRIELLE REVOLUTION

    1969

    Erste ProgrammierbareLogikschaltungenIT und Steuer- bzw. Regeltechnik hältEinzug in die Produktion.

    VIERTE INDUSTRIELLE REVOLUTION

    2014

    Cyber-Physische-SystemeEinführung von intelligenten Maschinen, eingebetteten Sensoren, kollaberativeTechnologien und vernetzte Prozesse.

    time

    TECHNOLOGIE ORGANISATION

    Kooperation und Vernetzung sind das Wesen und die treibende Kraft hinter Digitalisierung und IoT. Es geht weniger um ausgefeilte Technik, sondern mehr um intelligente Rekombination und Integration von Daten und Prozessen.

    IoT und Digitalisierung bedeutet mehr als Sensoren, Aktuatoren und Automatisierungstechnik.

  • itm.net17.11.2016

    IDEEN-FINDUNG

    DATEN EXPLORATION

    BUSINESS HACKING

    VIABLE PRODUCT

    INTEGRATION

    BUSINESS VALUE

    IDEENFINDUNGLÖSUNGS-

    ENTWICKLUNG

    BETRIEB

    SCHAFFEN VON AKTIONÄRSWERT

    Das Prozessmodell zur Erstellung einer Big Data Lösung besteht aus den drei Phasen Ideenfindung, Lösungsentwicklung und Aktionärswert.

    Die Phasen werden iterativ durchlaufen.

    1 2 3

    ANWENDUNGS-ENTWICKLUNG

    NEUE IDEEN

  • itm.net17.11.2016

    IDEEN-FINDUNG

    DATEN EXPLORATION

    BUSINESS HACKING

    VIABLE PRODUCT

    INTEGRATION

    BUSINESS VALUE

    IDEENFINDUNGLÖSUNGS-

    ENTWICKLUNG

    BETRIEB

    SCHAFFEN VON AKTIONÄRSWERT

    Das Prozessmodell zur Erstellung einer Big Data Lösung besteht aus den drei Phasen Ideenfindung, Lösungsentwicklung und Aktionärswert.

    Die Phasen werden iterativ durchlaufen.

    1 2 3

    ANWENDUNGS-ENTWICKLUNG

    NEUE IDEEN

  • itm.net

    Wie eine erfolgreiche Exploration im Business Hacking aussieht - Daten verstehen und Korrelationen finden.

    17.11.2016

    Es gilt Hypothesen und Experimente zu gefundenen Fragestellungen aufzustellen:

    In der Explorationsphase sollen Daten Unternehmensvertikalen einbezogen und untersucht werden.

    IDEENFINDUNG1

  • itm.net

    Der neue Typus der Daten-Applikation erfordert eine neue Herangehensweise. Erfolgreiches Business Hacking bedingt agile und kurze Feedback-Zyklen.

    17.11.2016

    Hypothese und Lösungsidee

    Datenaufbereitung & Datenauswertung

    Modellentwicklung & Hypothesen-validierung

    Lösungs-entwicklung

    Effiziente Erstellung von Lösungen in engen, agilen Feedback-Loops.

    IDEENFINDUNGLÖSUNGS-

    ENTWICKLUNG1 2

    Kreative und explorative Aktivitäten: Es ist vorab nicht immer klar ob, wie und mit welchem Aufwand ein Problem zu lösen ist. Deshalb heißt es auch „Data-Science“.

  • itm.net17.11.2016

    IDEEN-FINDUNG

    DATEN EXPLORATION

    BUSINESS HACKING

    VIABLE PRODUCT

    INTEGRATION

    BUSINESS VALUE

    IDEENFINDUNGLÖSUNGS-

    ENTWICKLUNG

    BETRIEB

    SCHAFFEN VON AKTIONÄRSWERT

    Das Prozessmodell zur Erstellung einer Big Data Lösung besteht aus den drei Phasen Ideenfindung, Lösungsentwicklung und Aktionärswert.

    Die Phasen werden iterativ durchlaufen.

    1 2 3

    ANWENDUNGS-ENTWICKLUNG

    NEUE IDEEN

  • itm.net

    Für Daten-Anwendungen gelten dieselben Spielregeln wie für klassische Enterprise Applikationen. Der Betrieb ist aber ungleich komplexer (Sculley, 2014) - Nur eine effektiv betreibbare Lösung schafft Aktionärswert.

    17.11.2016

    Aufbau & Betrieb von Daten- und

    Systemarchitektur

    Neue Ideen

    IDEENFINDUNG1

    › Der IT Betrieb braucht profundes Verständnis der Fachlichkeit: „BizOps“

    Modell-entwicklung & Hypothesen-validierung

    Integration in bestehende Prozesse

    LÖSUNGS-ENTWICKLUNG2

    SCHAFFEN VON AKTIONÄRSWERT3

    BUSINESS VALUEz.B. strategische

    Unterstützung von Data Roadmaps

    › Statistik und Machine-Learning machen Anwendungen dynamischer. Dadurch wachsen Anforderungen an Monitoring und Kontrolle.

  • itm.net17.11.2016

    Nach einer kreativen Anfangsphase startet ein schaffender Prozess hin zur praxisrelevanten und –tauglichen Anwendung: Die Aktivitäten gehen über einen PoC hinaus.

    VIABLE PRODUCT (Lösung)

    ERGEBNISSE

    › Demands (Skill, Technologie)

    › Enterprise Architektur

    › Domänen Baustein(e)

    › Evolutionäres Wissen

    Es geht um Entwicklung einer konkreten BigData Anwendung unter Hebung vorhandener Potentiale.

    EINFLUSSFAKTOREN

    › Variabilität der Anforderungen

    › Vorhandene Bausteine nutzen

    › Umsetzung mit Skills im Unternehmen

    › Entwicklungsgeschwindigkeit

  • itm.net17.11.2016

    IDEEN-FINDUNG

    DATEN EXPLORATION

    BUSINESS HACKING

    VIABLE PRODUCT

    INTEGRATION

    BUSINESS VALUE

    IDEENFINDUNGLÖSUNGS-

    ENTWICKLUNG

    BETRIEB

    SCHAFFEN VON AKTIONÄRSWERT

    Das Prozessmodell zur Erstellung einer Big Data Lösung besteht aus den drei Phasen Ideenfindung, Lösungsentwicklung und Aktionärswert.

    Die Phasen werden iterativ durchlaufen.

    1 2 3

    ANWENDUNGS-ENTWICKLUNG

    NEUE IDEEN

  • itm.net

    Wie ist ein ROI zu erreichen?

    Denkweise ausgerichtet an Wertströmen, geschäftlichen

    Herausforderungen, Trends und Kundenerwartung.

    Neue Ideen = potenzielle Produkt-/Prozessinnovationen

    Prozessketten bis zu Ende denken und in die Tat umsetzen

    Iterationen konsequent durchlaufen

    Bereitstellung von passenden Ressourcen, Tools und Skills

    17.11.2016

    go

  • itm.net17.11.2016

    IoT CLIENT

    CLOUD SERVICE PROVIDERON PREMISE ITAWS

    M2M

    IoT CLOUD

    ANALYTICAL LAYER

    BUSINESS LAYER

    INTEGRATION LAYER

    APPLICATION LANDSCAPE

    AUTH. REPOSITORY

    ACTIVE DIRECTORY

    IAM

    IDENTITY

    B2C WEBSHOP

    B2B WEBSHOP

    EMPLOYEE WEBSHOP

    ERP

    WARRANTY HANDLING

    E-COMMERCE LANDSCAPE

    PDBSTORAGE LAYER

    INFRASTRUCTURE LAYER

    WEB APP

    EMBEDDEDCODE

    HWSMART PHONE

    EMBEDDEDCODEGATEWAY /

    HUB

    HW

    APPANDROID / IOS

    BLUETOOTH LE GPSBROADBAND 4GWIFI

    ELASTIC STACK APACHE SPARKMS REPORTING

    SERVICES

    COMPUTING SERVICES

    NETWORK SERVICESCONTAINER

    SERVICES

    IOT DEVICE SHADOW

    S3 FILE STORAGE SERVICE

    NOSQL SERVICES

    IOT BUSINESS RULESSIMPLE WORKFLOW

    (SWF)CUSTOM LAMBDA

    SERVICES

    EMBEDDED CLIENTGATEWAY CLIENTSMART CLIENTWEB CLIENT

    IFTTT

    NEST

    HUE

    API GATEWAY /3RD PARTY

    AMAZON ALEXA

    COGNITIVE LAYER IBM WATSONAMAZON MACHINE

    LEARNINGMACHINE LEARNING

    STUDIOGOOGLE API

  • itm.net

    GUTE EIGNUNG DER CLOUD FÜR BIG DATA UND IOT:

    › Insbesondere am Anfang von IoT-/Big Data-Bestrebungen› Prüfung der langfristigen Eignung an konkreten Anforderungen› Ermöglicht Konzentration auf Funktionalität, nicht auf Infrastruktur und Betrieb› Ermöglicht schnelle, iterative Entwicklung

    17.11.2016

    › Datengetriebene Geschäftsmodelle sind Eckpfeiler der Unternehmensstrategie von Amazon

    › Konsequente Serviceorientierung seit 15 Jahren› Services von AWS sind Erfahrungen und Ergebnisse von Amazon, die als

    Produkt vermarktet werden

    go

  • itm.net

    › Architektur von AWS als sinnvolle Ausgangsbasis für eigene Entwicklungen› Beispiel: IAM als sinnvolle Ausgansbasis für Data-Governance› Kurze Anlaufphase durch serverlose, dienstbasierte Infrastruktur› Geringe Reibungsfläche und niedrige Investition bei iterativer Entwicklung› Kosteneffiziente Langzeitarchivierung von Daten› Skalierbare und global verfügbare on-demand Dienste und Infrastruktur

    17.11.2016

    go

  • itm.net17.11.2016

    DATEN

    METADATEN

    GOVERNANCE

    ARCHITEKTUR

    PLATTFORM

    ALGORITHMEN

    TECHNOLOGIEN

    WORKLOADS

    PROZESSE

    AGILITÄT

    INNOVATION

    BETRIEB

    AWS bietet im Service Portfolio verschiedene Bausteine zum Aufbau von Big Data Lösungen. Die fachlichen Ausgestaltungen liegen jedoch beim AWS Kunden.

  • itm.net

    DATEN

    17.11.2016

    PLATTFORM PROZESSE

    AWS bietet im Service Portfolio verschiedene Bausteine zum Aufbau von Big Data Lösungen. Die fachlichen Ausgestaltungen liegen jedoch beim AWS Kunden.

    CloudTrail IAM

    Glacier S3

    DynamoDB RDS Redshift

    Elasticsearch Kinesis AWS Data Pipeline

    EBS EC2ECS LAMBDA

    EMR MACHINE LEARNING

    SQS SWF

    AWS IOT

    CLOUDWATCH AWSCONFIG

    AWSOPSWORKS

    AWS CODECOMMIT

    AWS CODEDEPLOY

    AWS CODEPIPELINE

  • itm.net17.11.2016

    › Geräteregistrierung› Empfang vom Gerät› Dashboarding Kibana› Prediction:

    – Training des ML Modells

    – Prediction mit AWS ML

    › Alarm mit CloudWatch

    NodeMCU

    Simulation & PC

    Simulation & PC

    Simulation & PC

    API GW &

    LambdaDevice

    GatewayCEP (Rules

    Engine)

    AWS IoT

    AWS Services

    Search & Visu. (Elasticsearch)

    Prediction(AWS ML)

    Alarming(CloudWatch)

  • itm.net17.11.2016

    JOACHIM [email protected]

    WOLFGANG [email protected]

    › JETZT IM ANSCHLUSS: GET TOGETHER

  • itm.net

    BigData in der Cloud und die letzte Meile

    17.11.2016, AWS Innovation Lab München

    Der Weg von der Idee zum Business Value

    Wolfgang Baudendistel, [email protected]

    Joachim Rosskopf, [email protected]