Seite 1© Fraunhofer IAO

Thomas Renner Fraunhofer IAO, Leitung Fraunhofer CC Electronic Business & Anwendungszentrum KEIM

GI Themenabend Big DataStuttgart, 2. November 2015

Smart Data und Big Data: Anwendungsfelder, Lösungselemente und Handlungsbedarfe

Seite 2© Fraunhofer IAO

Big Data Trends

Seite 3© Fraunhofer IAO

Daten sind das Asset der ZukunftGigantischer Anstieg von Datenbeständen und Austausch in Netzwerken

Quelle: Handelsblatt, 16./17./18. Oktober 2015, Nr. 200

Heutzutage werden innerhalb von zwei Minuten mehr Fotos geschossen als im gesamten 19. Jahrhundert.

Seite 4© Fraunhofer IAO

Zuverlässigkeit

• Qualität von Datenund Erzeugungs-algorithmen

• Präzision, Aussagekraft

• Vollständigkeit

Geschwindigkeit

• Analyse auch für Geschäftsprozesse

• Echtzeitfähigkeit | »Rechtzeit«

• Änderungshäufigkeit

Datenmenge

• Yottabytes vs. ERP

• Systeme

• verteilt

• teilweise mehrfach(Zeit, Ort)

Komplexität & Vielfalt

• strukturiert | unstrukturiert

• verschiedene Quellen

• Zahlen | Texte |Multimedia

Herausforderungen bei Big Data – V3, V4, V5

Volume

VarietyVelocity

Veracity

Seite 5© Fraunhofer IAO

Top 10 Technologietrends 2016Intelligente Systeme nähern sich immer stärker dem menschlichen Gehirn an

AdaptiveSicherheits-systeme

Neue Materialien im 3D-Druck

Vermessung des Informations-dschungels

Endgeräte-Netzwerk (»Device Mesh«)

User Experience unserer Umgebung

Intelligente Maschinen und »Deep Learning«

Intelligente Assistenten und »Post-App-Phase«

FortgeschritteneSystem-Architekturen

App- undServices-Architekturen

Plattformen für das Internetder Dinge

Quelle: Gartner; Fotos: (1) Ozerina, Anna - Shutterstock.com; (2) tba; (3) cio.de; (4) Gorgsenegger - Fotolia.com; (5) Audi; (6) Google; (7) Gazlast - Shutterstock.com; (8) ra2Studio - Fotolial.com; (9) Ismagilov - Shutterstock.com; (10) Chesky - Shutterstock.com

AdaptiveSicherheits-systeme

Vermessung des Informations-dschungels

Endgeräte-Netzwerk (»Device Mesh«)

User Experience unserer Umgebung

Intelligente Maschinen und »Deep Learning«

Intelligente Assistenten und »Post-App-Phase«

Plattformen für das Internetder Dinge

Seite 6© Fraunhofer IAO

Intelligente Datennutzung

Quelle: Siemens (2015), Gartner (2013), modifiziert

Beschreibend

Was ist geschehen?

Diagnose

Warum ist es geschehen?

Vorausschauend(predictive)

Was wird geschehen?

Normativ

Was sollten wir tun?

Informationen sammeln

Analysen durchführen

Maßnahmen ergreifen

Durchdringung2013 lt. Gartner 99 % 30 % 13 % 3 %

Beispiele Fehlerbericht Betriebsbericht Servicestatistik Verkaufszahlen

Fehleranalyse Störungsanalyse Ursachenfindung

Vorhersage für Stromverbrauch Absatzzahlen Produktion Ressourcen-

bedarf Maschinenausfall

Produktionsplanung Betriebsoptimierung Lastverschiebung Personalplanung

Seite 7© Fraunhofer IAO

Von Big Data zu Smart Data

Quelle: Audi (2015), Siemens (2015)

RohdatenRohdatenDaten-

konsolidierungDaten-

konsolidierungDaten-

aufbereitungDaten-

aufbereitungData Mining

AnalyticsData Mining

Analytics

InterpretationIntelligente Auswertung

Prognose

InterpretationIntelligente Auswertung

Prognose

Big DataGroße Datenmengen von

Mensch und Maschine

Smart AnalyticsInformationen & Zusammenhänge sichtbar machen

Smart DataWirtschaftlicher oder technischer Nutzen

(Value)

Smart Data

Oder …

= + +Domänen-know-how

Geräte-know-how

Analyse-know-how

Seite 9© Fraunhofer IAO

Neue Trends/Technologien für Big/Smart Data?

In Memory

Parallelisierung / Hadoop etc.

No-SQL-Datenbanken

Visualisierung & Self-Service

Complex Event Processing

Sensorik

Seite 10© Fraunhofer IAO

Warum?

Zeit

Kosten

Qualität

Innova-tion

Zuerst Daten oder zuerst Idee?

Seite 11© Fraunhofer IAO

Smart Data für effiziente,schnelleProzesse und Prozess-innovationen Smart

Data & Prozesse

Ent-scheidungs-

unter-stützung

Variantenlive

optimieren

Netzwerk-optimie-

rung

Predictive Mainte-nance

Event-basiertes

Monitoring

Ressourcen-planung

Bench-marking

Kunden-kommuni-

kation

Abwande-rungswahr-scheinlich-

keit

Cross-/ Upselling

Risiko-bewertung

Betrugs-erkennung

Seite 12© Fraunhofer IAO

Beispiel: Smart Data für »wissensbasierte Arbeitsplätze«Expertenarbeitsplatz ARPOS für Sachverständige in Versicherungen

Autom. Lernen undSystemoptimierungAutom. Lernen undSystemoptimierung Business

AnalyticsBusinessAnalytics

Complianceby Design

Complianceby Design

Multiscreenund Views

Multiscreenund Views

Detaillierte Daten ausDokumenten, Host und

externen Quellen;Informationsfusion

Detaillierte Daten ausDokumenten, Host und

externen Quellen;Informationsfusion

Regelsysteme und Wissensdatenbanken

Regelsysteme und Wissensdatenbanken

Automatisierte Prüfungund Bearbeitung

Automatisierte Prüfungund Bearbeitung

Seite 15© Fraunhofer IAO

Beispiel: Smart Data in der ProduktionZuverlässige, effiziente Prozesse und Optimierung der Ressourcen

Integriertes Monitoring und Überwachung von Prozessen, Maschinen und manuellen Aufgaben

Betriebsdaten zur Optimierung der Produktionsprozesse, z.B. Auslastung, Stückzahlen, Störungen, Stillstände

Korrelation von Umweltdaten, Betriebsdaten und Qualitätsdaten zur Steigerung der Qualität

Energieverbrauchsprognose auf Basis der Produktionsplanung

Datenanalyse zur Energieeinsparung

Bildquelle: Fraunhofer IAO, Fraunhofer IOSB

Seite 16© Fraunhofer IAO

Beispiel: Intelligenter Flottenbetrieb und SharingFlotten- und Einsatzoptimierung | Energiemanagement für Elektrofahrzeuge

Quelle: KPMG

Der IT-gestützte E-Fahrzeugbetrieb …

erfordert Live-Betriebsdaten

ermöglicht dynamische Einsatzoptimierung

ermöglicht intelligentes Energiemanagement

nutzt Smartphone-basierteZugangstechnologien

ermöglicht das organisationsübergreifende Sharing und neue Betreibermodelle

Projekte Shared E-Fleet, eFlotte, inFlott, IMEI, Living Lab eFleet

Seite 17© Fraunhofer IAO

Beispiel: Energiemanagement für InfrastrukturbetreiberSmart Data für prognose-, sensor- und marktbasierter Energiemanagement

In-Memory-Datenbank (SAP Hana) als Element einer cloudbasierten Plattform

10.000 Sensoren am Flughafen Stuttgart

Integration externer Datenquellen

Auch Entscheidungs-unterstützung

Seite 18© Fraunhofer IAO

Beispiel: E-Commerce Smart Data für Web Shops und E-Commerce

Quelle: KPMG

Projekt SME e-COMPASS

Automatische Preisanalyse der Wettbewerber

Verhaltensanalyse der Websitebesucher und Methoden zur Kundenbindung

Partner: Betrugserkennung bei Reisebuchungen über Internet

Seite 19© Fraunhofer IAO

Beispiel: Smart Urban Services Wissensbasiert urbane Räume gestalten mit Resort-übergreifenden Services und Einbeziehung der Bürger

Einzelhandel

Ver-/Entsorgung

PartizipationEnergie

Smart Gov.

Mobilität

Umwelt

??

?

Lessons Learned: Das Bündeln von Daten aus verschiedenen Quellen bildet die Grundlage für Mehrwertdienste.

Seite 20© Fraunhofer IAO

Beispiel: ProzessbenchmarkingSchaden- und Reparaturmanagement

Quelle: KPMG

750.000 Schadenfälle von 6 Versicherungen analysiert

789 Mio. € Gesamtvolumen der Schäden

Heterogene Datenformate in den einzelnen Häusern

Hohe Bedeutung der Qualitätssicherung

Einsparpotenzial von durchschnittlich 250 bis 440 €durch Reparaturservice

Hohe Abweichungen zwischen Versicherungen, z.B. bezüglich der realisierten Steuerungsquoten

Seite 21© Fraunhofer IAO

Smart Data für bessere &neue Produkte und neue Wert-schöpfungs-systeme Smart

Data & Produkte

Massen-individuali-

sierungWissens-basierteProdukte

Nutzungs-analyse

Service-datenaus-wertung

Wert-schöpfung

im Netzwerk

Such-maschinen-

auswer-tung

Website-analyse

Wett-bewerbs-

monitoring

Produkt-feedback

(SocialMedia)

Seite 22© Fraunhofer IAO

Beispiel: »Fleet Learning« - Tesla Software Update 7.0

Vorab Hardware verbaut ab 10/14:

Frontradar Frontkamera 12 Ultraschallsensoren (ca. 5 m Reichweite

bei allen Geschwindigkeiten) Digitales Bremssystem

15.10.15: Tesla Software-Update 7.0 für Zusatzfunktion Autopilot (nur USA) –automatische Abstands- und Spurhaltung

als Beta-Version! => YouTube Problemvideos

Tesla »Fleet Learning Network«: Datensammlung von Echtzeit-Daten des Fahrens und der Straße von Kameras, Radar, Sonar, …

23./24.10.15 Autopilot 1.01 angekündigtTweed Elon Musk

Quellen: http://www.teslamotorscom; www.teslarato.com, abgerufen 25.10.2015

Seite 23© Fraunhofer IAO

Beispiele aus der Finanzwirtschaft Anlageberatung, Kredit- und Versicherungsvermittlung

»Robo Advisor« entscheiden über Portfolio-Strukturierung auf Basis der Risikotoleranz

moderne Portfoliotheorie (Markowitz)

maximale Renditeerwartung bei begrenztem Risiko (effiziente Portfolien)

Mix von ETFs mit niedrigen Gebühren

steueroptimierte Investments

Online-Kreditvergabe in 15 Minuten auf Basis von 20.000 Datenpunkten

Vergleichsportale als extrem wichtiger Vertriebskanal für Direktversicherungen

Seite 25© Fraunhofer IAO

Smart Data für Smarte ProdukteDie neue Technologieinfrastruktur

Quelle: M. E. Porter, J. E. Heppelmann, Harvard Business Manager, 12/2014 (modifiziert)

Intelligente Produktanwendungen

Regel-/Analyseengine, Data Analytics

Entwicklungsumgebung & Plattform

Produktdatenbank

Netzwerkkommunikation

Software

Hardware

Sic

he

rhe

it u

nd

Id

en

titä

tsm

an

ag

em

en

t

Ex

tern

e D

ate

nq

ue

lle

n

Inte

gra

tio

n U

nte

rne

hm

en

sso

ftw

are

Produktwolke

Netzwerk

Produkt

Seite 26© Fraunhofer IAO

Smarte ProdukteNeue Daten und neue Datendimensionen durch Zeitabhängigkeit

Quelle: M. E. Porter, J. E. Heppelmann, Harvard Business Manager, 12/2014 (modifiziert & erweitert)

Intelligente Produktanwendungen

Regel-/Analyseengine, Data Analytics

Entwicklungsumgebung & Plattform

Produktdatenbank

Netzwerkkommunikation

Software

Hardware

Sic

he

rhe

it u

nd

Id

en

titä

tsm

an

ag

em

en

t

Exte

rne

Da

ten

qu

ell

en

Inte

gra

tio

n U

nte

rne

hm

en

sso

ftw

are

Produktwolke

Netzwerk

Produkt

Zeitabhängigkeit von

Produktdaten (z.B. SW-Upgrades)

Nutzungsdaten

Benutzerdaten

als Unternehmen

als Person

Servicedaten

Seite 27© Fraunhofer IAO

»Learning Data Science« - ein Hinweis

Quelle: Jamie Whitehorn, http://www.exploringdatascience.com/the-data-science-clock/

Seite 28© Fraunhofer IAO

»Learning Data Science« - ein Hinweis

Quelle: Jamie Whitehorn, http://www.exploringdatascience.com/the-data-science-clock/

Seite 29© Fraunhofer IAO

Industrieller Handlungsbedarf und ForschungsthemenDiskussionsanregungen

Datenmengen überschaubar vs. Big Data

Daten strukturiert vs. unstrukturiert; Zahlen vs. Texte; Vergangenheit vs. Zukunft (»predictive«)

Datenqualität und Semantik; die Rolle von Standards

Integration und Fusion – eigene Daten und externe Daten

KI 4.0

Identitäten und Sicherheitsfragen

Bestehende Tools und ERP vs. neue (eigene?) Big Data-Technologien

Unternehmensübergreifende Wertschöpfungsketten für Daten und Kundennutzen; inkl. Nutzungsrechte; Bedeutung von Offenheit

Die Rolle der Cloud, des (Daten-)Ortes, der Datenverteilung?

Wo sind die »Data Scientists«?

…

Seite 30© Fraunhofer IAO

Kontakt

Thomas RennerFraunhofer IAO

Tel: +49 711 970-5120thomas.renner@iao.fraunhofer.de

www.iao.fraunhofer.dewww.ikt.iao.fraunhofer.dewww.e-business.iao.fraunhofer.dewww.keim.iao.fraunhofer.de