Big Data Analytics in der Praxis finden Sie auch hier: http://www.sas.com/de_de/insights/big-data.html
Weitere Themen: Big Data Analytics, Industrie 4.0, Digitale Transformation.
Big Data umsetzen: Big Data zur Erfolgsgeschichte machen - aber wie?
1. VORGEHENSMODELLE
Big Data zur Erfolgsgeschichte machen –
aber wie?
Andreas Gödde, Director Business Analytics, SAS DACH
2. Gartner Hype Cycle
Emerging Technologies Big Data
Source: Gartner, August 2014
Die Kritiker sehen sich bestätigt:
Big Data ist im Tal der Tränen.
Die Pragmatiker hingegen sehen
Big Data näher an der produk-tiven
Nutzung.
3. „30% der Unternehmen haben bereits Big-Data-Initiativen“
Nur 22% der teilnehmenden Unternehmen sehen
generell keine Anwendungsfälle für Big Data.
„Big-Data-Analysen übertreffen bei Weitem den
vor der Einführung erhofften Mehrwert.“
Drei Viertel der Unternehmen erreichen durch Big Data Analytics
schnellere und detailliertere Analysemöglichkeiten, mehr als
zwei Drittel der Unternehmen können ihre operativen
Prozesse besser steuern.
BARC - Big Data Analytics 2014 (DACH)
Wie ist der Status in der DACH-Region?
Viele Projekte sind in
der Umsetzung! Der Nutzen wird
überall gesehen.
4. Big Data Analytics Von Daten über Analytics zu besseren Entscheidungen!
Mehr
Business
Mehr
Analytics
Mehr
Daten
Worum geht es am Ende? Um
mehr Geschäft auf der Grundlage
von mehr Daten. Das notwendige
Bindeglied: Analytics
(„Datenverwertung“)
5. Big Data Analytics Von Daten über Analytics zu besseren Entscheidungen!
Mehr
Business
Mehr
Analytics
Ganze Branchen werden digital
transformiert. Industrie 4.0,
vernetzte Autos, Medien sowieso
– datenbasierte Geschäfts-modelle
verdrängen traditionelle
Mehr
Daten
Unternehmen.
6. Big Data Analytics
Der Kniff ist, nicht gleich mit der
Transformation anzufangen,
sondern bestehende Prozesse zu
optimieren und dabei die nötigen
Fertigkeiten aufbauen.
Mehr Geschäft mit Big Data – Schrittweise!
OPTIMIZE
INNOVATE
TRANSFORM
Bestehende Prozesse
beschleunigen
Aus bekannten Daten
neue Einsichten
gewinnen
Mit neuen Daten neue
Geschäftsmodelle
entwickeln
7. Beispiel Telekommunikation
Sendemasten, Kundendaten & Wetter
Bestehendes Geschäft Neues Geschäft
Neue Daten
Vorhandene
Daten
Wartungsoptimierung von
Sendemasten
Investitionsplan anhand von
Kundenbindungskriterien
Kampagnen gegen Wettbewerb
zum Thema „Netzqualität“
(Telecom Italia)
Flutprognosen dank Auswertung
der regenabhängigen
Sendeleistung
8. Big Data Analytics Von Daten über Analytics zu besseren Entscheidungen!
Mehr
Business
Mehr
Analytics
Mehr
Daten
Immer schon haben Unter-nehmen
neue Geschäftsmodelle
entwickelt. Der Unterschied: die
Daten. Mehr Daten, andere
Daten, schnellere Daten.
9. Big Data managen Alte DWH-Landschaften sind teuer und rigide – deshalb Hadoop
Volume Variety Velocity
Scale Of Data Forms Of Data Speed Of Data
10. Big Data managen Alte DWH-Landschaften sind teuer und rigide – deshalb Hadoop
CO-EXISTENZ
HADOOP
Flexibel
Struktur beim Auslesen
Elastisch
Kosteneffizient (($1K/Tb)
DWH
Revisionssicher
Vorstrukturiert
Starr
Teuer ($20k+/Tb)
Komplexes ÉTL
Eignung
11. Big Data Analytics Von Daten über Analytics zu besseren Entscheidungen!
Mehr
Business
Mehr
Analytics
Um diese Daten nutzen zu
können, muss Analytics von mehr
Menschen gemacht und
standardmäßig in Prozesse
eingebaut werden.
Mehr
Daten
12. Daten visuell
erkunden, schnell
analytische Ein-sichten
gewinnen
Management,
Fachexperten
Geschäft durch
Analytics in der Tiefe
verstehen
Business Analyst
Geschäft durch
Analytics operativ
steuern
Data-Mining Experte
Analytische Organisationen sind
erfolgreicher im Wettbewerb.
Operative Steuerung
durch Analytics
automatisieren
Data-Mining Experte
Analytics auf Basis
von Big Data
industrialisieren
Data-Mining Experte
Skills & Organisation
Vom schnellen Einstieg
bis zur analytischen Exzellenz
High-Performance
Analytics
Modell & Decision
Management
Visual Business Analytics Data Mining
Validität, Reife, Wert und Menge der analytischen Modelle
Reichweite von Analytik innerhalb der Organisation
13. Big Data Analytics Neue Aufgaben für alle Organisationen
Immer mehr Daten aus
immer mehr Quellen
stehen zur Verfügung
Verständliche Tools für
verschiedene Skills;
kürzere Reaktionszeiten
Die Agenda für den CEO und den
CIO ergibt sich zwangsläufig. Zur
Transformation gezwungen geht
es um neue Infrastrukturen und
agileres Vorgehen.
Immer mehr Prozesse
und Geschäftsmodelle
werden digital trans-formiert
Big Data
managen
Analytics
ermöglichen
Geschäfts-modelle
digitalisieren
14. Vorgehensmodell Big Data Analytics
bekannt DATEN unbekannt
Bekannte FRAGEN Unbekannte FRAGEN
Visual Analytics
Neue Daten
erschließen
Big Data-“Kür“
DWH entlasten
Mit dem Naheliegenden
beginnen, dann explorativ
weitermachen bis hin zu
vollkommen neuen Ideen.
15. Ihr Fahrplan Start Smart with Big Data!
Experimente zulassen: Hadoop, Sandboxes
Silodenken IT & Fachbereich überwinden
Von Anfang an die Umsetzung in
Prozesse mitdenken (Factory!)
Starten Sie mit bekannten Fragen und verschaffen
Sie sich die nötigen Fertigkeiten!
Zum Nachlesen:
BARC-Studie zu Big
Data Analytics
Andreas Gödde
Director Business Analytics
SAS Deutschland
a.goedde@ger.sas.com
+49 6221 415-123
Twitter: @AndiGoedde
Notes de l'éditeur
Tonspur:
SAS Kundeumfrage: 40% aller SAS-Kunden haben Big Data Initiativen
Zum Einstieg eine Abgrenzung. Wenn es DEN überzeugenden Big-Data-Use-Case für eine Branche oder ein Unternehmen gäbe und SAS diesen hätte, würden wir diesen verkaufen. Gelegentlich passiert so etwas, wenn wir mit einem Kunden irgendwo auf der Welt in einem gemeinsamen Projekt etwas solches gemacht haben. In den seltensten Fällen aber lässt sich das aber übertragen: jedes Land, jede Branche und jedes Unternehmen ist anders.
Big Data Analytics bezeichnet vielmehr eine andere Art von Denken: Daten werden in den Mittelpunkt gestellt und in einem eher explorativen Suchen und Ausprobieren können neue Zusammenhänge entdeckt und schließlich produktiv genutzt werden. Es geht also nicht um inkrementelle Verbesserungen bestehender Prozesse, sondern um neue Geschäftsmodell, die mit neuen Technologien und den großen Datenmengen möglich werden.
Ein Beispiel – bewusst aus einer anderen Branche.
Telekommunikationsanbieter betreiben teure und aufwändig ausgestattete Netze. In relativ engmaschigen Gittern müssen UMTS-Masten aufgebaut, betrieben und gewartet werden. Dafür gibt es natürlich Routinen und Vorgehensweisen, die das jeweils optimieren. Das kann auch schon analytisch sein und wird auch gemacht.
Nun weiß ein solcher Mast aber auch, welche Handys sich jeweils konnektieren. Das könnte man nutzen, um über einen Abgleich mit der Kundendatenbank zu entscheiden, ob es viele besonders gute Kunden an einem Handymast gibt – und diesen entsprechend bevorzugt aus- und aufzurüsten, wenn solche Investitionsentscheidungen anstehen.
Mit gänzlich neuen Daten hat unser Kunde Telecon Italia Kampagnen gegen den Wettbewerb gefahren. Dazu haben sie fünf baugleich Handys mit den jeweiligen SIM-Karten ausgestattet, diese in Mini-Vans gesteckt und ganz Italien abgefahren. Was an Daten dabei gesammelt wurde, musste vor allem schnell auswertbar sein, damit die Erkenntnisse auch noch wahr waren. Deshalb kam hier SAS Visual Analytics zum Einsatz, das dank In-Memory-Analytics eine hohe Performance für echte Interaktivität und Daten Exploration bereitstellt.
Der Clou an Big Data ist aber das kreative Moment, die überraschenden neuen Zusammenhänge. Hier das Beispiel wiederum mit den Sendemasten. Je nach Wetter benötigen diese eine andere Sendeleistung. Wenn es gelingt, diese minimalen Schwankungen zu erfassen (was heute bereits getan wird, aber nicht genutzt), entsteht auf einmal ein sehr gutes Netz von Wetterstationen – das man zum Beispiel als ergänzende Datenquelle bei Hochwasserprognosen oder Sturmwarnungen nutzen könnte.
Big Data Analytics ist mehr ein Kulturwandel als ein konkreter Use Case.
Wie sehen die SAS Lösungen dazu aus?
Stufe 1:
Anwender aus Fachbereich
Beispiel Einzelhandel: Über Korrelation, Scatterplot oder Liniendiagramm erkennen, dass es einen negativen Zusammenhang zwischen Preis und Absatzmenge gibt: Wenn Preis sinkt, steigt Absatz und umgekehrt!
Stufe 2:
Quantitativer Analyst mit statistischen Kenntnissen (z.B. aus Controlling, Database-Marketing, BI CC)
Bespiel Einzelhandel: Nicht nur erkennen, dass es einen Zusammenhang zwischen Preis und Absatzmenge gibt, sondern diesen auch quantitativ messen, z.B. in Form einer Preiselastizität (mit Hilfe einer Regression)
Stufe 3:
Data Mining-Experte
Beispiel Einzelhandel: Automatisiertes Abspeichern und geschätzter Preiselastizitäten pro Artikel in den Artikelstammdaten zur Unterstützung bei der Sortimentsplanung: Promotions, Regalplatzierung, Ein-/Auslistung
HPA
Allows you to develop predictive models using big data and thousands of variables to produce more accurate and timely insights