4. Umsatzträger sind unsere Kerngeschäftsfelder
Unternehmensportrait, März 20154
Umsätze im Gesamtkonzern nach Segmenten 2014
Aviation Ground Handling External Activities &
Services
Retail &
Real Estate
884 Mio. Euro
36,9 % 27,4 % 19,0 % 16,7 %
656 Mio. Euro 456 Mio. Euro 399 Mio. Euro
2.395 Mio. € Gesamtumsatz 2014
5. Mit FRA sind wir unter den weltweit führenden Flughäfen im
Passagierverkehr...
Unternehmensportrait, März 20155
Passagiere 2014 (in Mio.)
1. Atlanta 96,2
2. Beijing 86,1
3. London Heathrow 73,4
4. Tokyo 72,8
5. Los Angeles 70,7
6. Dubai 70,5
7. Chicago 70,0
8. Paris CDG 63,8
9. Dallas 63,5
10. Hong Kong 63,1
11. Frankfurt 59,6
12. Jakarta 57,0
13. Istanbul 56,8
14. Amsterdam 55,0
15. Guangzhou 54,8
Quelle: ACI
6. Agenda
Big Data bei Fraport
Analytics in der Praxis
1
2
BIAF – Die Big Data Plattform4
Zusammenfassung5
Smart Data Lab Projekt3
7. Big Data: Die Erkenntnis für Unternehmen
"Big data is what happened when the
cost of storing information became less
than the cost of making the decision to
throw it away.”
George Dyson (US-Historiker)
Big Data & Optimierung
8. Big Data: Die Definition der 3Vs ... und wofür?
ValueBig Data & Optimierung
Größte Herausforderung für Fraport
9. Big Data: Variety
Operational processes under responsibility of Fraport AG
Ground
Chart 9
BIAF - The Analytical Platform
Weit über 1000 Prozessattribute pro Flugbewegung
12. Big Data: Vision
“99% aller operativen Entscheidungen
können automatisiert werden!”
Prof. Dr. Michael Feindt (Physiker CERN* )
Big Data & Optimierung
*Jede Sekunde wirft der CERN Teilchenbeschleuniger im Betrieb
ein Petabyte Informationen aus.
13. Wie lautet die Antwort auf Big Data?
Business AnalyticsBig Data
[ Information Overload ] [ Value Extraction]
Big Data & Optimierung
14. Business Analytics: Die tragenden Faktoren
Technologie Analytische
Verfahren
Kompetenz
Analytische Plattform
• Datenmanagement
• Rechenkapazität
• Schnittstellen
• Architekturen
• In-Memory Technologie
• Massive-Parallele
Verarbeitung
Data Scientist
• kreativ & neugierig
• Datenaffinität
• Statistik
• kommunikativ
• skeptisch
• Fachwissen
• technologisch
Statistik
• Zeitreihenanalyse
• Regression
• Entscheidungsbaum
Data Mining
• Mustererkennung
• Vorhersagemodellierung
Machine Learning
• Deep Learning
• Neuronales Netz
Optimierung
• linear & nicht-linear
• lokal vs. global
„More than 85 % of Fortune 500 organizations will be unable to effectively exploit Big Data by
2015.” (Gartner)
“By 2018, the United States alone could face a shortage of 140,000 to 190,000 people with deep
analytical skills as well as 1.5 million managers and analysts with the know-how to use the analysis of
big data to make effective decisions.” (McKinsey Global Institute)
Big Data & Optimierung
15. Agenda
Big Data bei Fraport
Analytics in der Praxis
1
2
BIAF – Die Big Data Plattform4
Zusammenfassung5
Smart Data Lab Projekt3
16. „Great to have you here!“ – Das Serviceprogramm
für FRA wurde 2010 gestartet und entwickelt sich
stetig weiter
Friendly
Attention
Pleasant
Surroundings
Quick and
Comfortable Travel
Shopping
and Experience
Herausforderungen16
17. Wie kann Analytics helfen ein 5 Sterne-Airport zu
werden?
Friendly
Attention
Pleasant
Surroundings
Quick and
Comfortable Travel
Shopping
and Experience
Herausforderungen17
18. “Great to have you here!” – kürzere Wartezeiten
Analytics in der Praxis18
19. „Big Data“ in der operativen Leitstelle
Analytics in der Praxis19
20. Zufluss-Vorhersage an Prozessstellen
Zur effizienten Steuerung von Passagierflüssen wurde eine Anwendung zur
Vorhersage von Zuflüssen auf Prozessstellen entwickelt.
Analytics in der Praxis20
22. Der Einsatz von Analytics unterstützt dabei ...
... das Passagierverhalten zu verstehen
§ Shopping und Gastronomie
§ Check-in (Home vs. Schalter)
§ Sicherheitskontrollen
... Passagiere zu prognostizieren
§ Gesamtpassagier an Board einer
Maschine
§ Originär-Aus-/Zusteiger
§ Umsteiger auf Anschlussflüge
… Passagierbewegungen zu simulieren
§ Zufluss- Abflussströme
§ Füllstände in relevanten Bereichen
§ Wartezeiten an Prozessstellen
Analytics in der Praxis22
23. … and the winner is …
Satisfaction with FRA
(Percentage of satisfied passengers)
FRA-Passengers
(in millions)
Source: Fraport Passenger Survey, Overall satisfactionSource: Traffic Figures (UEW-MF)
70%
77%
80%
2010 2011 2012
53,0
56,4
57,5
2010 2011 2012
57.5
56.4
53.0
„World‘s Most Improved Airport“
Analytics in der Praxis23
24. Agenda
Big Data bei Fraport
Analytics in der Praxis
1
2
BIAF – Die Big Data Plattform4
Zusammenfassung5
Smart Data Lab Projekt3
25. Potentiale aus Big Data heben
„Wer Big Data voranbringen will, muss Experimente zulassen. Daher brauchen
wir Schutzräume außerhalb des Tagesgeschäfts, in denen
Big Data ausprobiert werden und sich entwickeln kann.“
(Professor Dr. Björn Bloching)
Smart Data Lab Projekt25
Wir brauchen einen kreativen Raum, des Forschens und Entdeckens mit
intelligenten kleinen Projekte, die auch mal scheitern dürfen.
Smart Data Lab
26. Fraport hat in den letzten Jahren zwei große Assets aufgebaut
und konsequent weiterentwickelt
BIAF
operative Daten
1.) Datenfundus 2.) Analytische Kompetenz
dezentrale, isolierte
Analysen
Mit dem Smart Data Lab wurden erstmals übergreifende Fragestellungen in
einem interdisziplinären Team aus vielen Fachbereichen bearbeitet.
Um ein effizientes Arbeiten in dieser Teamzusammensetzung zu fördern
wurde eine neue Arbeitsmethode angewandt, die agiles Arbeiten optimal
unterstützt.
Smart Data Lab bei Fraport
Aviation
Ground-
handling
Retail
SAP BW
kaufmännische Daten
Projekte Finanzen
Instand-
haltung
€
Smart Data Lab Projekt26
Smart Data Lab
€
agil und
interdisziplinär
Fraport verfügt in vielen Geschäftsbereichen über analytisch
geschultes Personal.
In zwei zentralen analytischen Systemen werden seit mehreren
Jahren konsequent die operativen und kaufmännischen Daten
gesammelt und für Auswertungen zur Verfügung gestellt.
27. Scope
Scope des Smart Data Lab
Descriptive
Analytics
Predictive
Analytics
Prescriptive
Analytics
Schwierigkeit
Mehrwert Diagnostic
AnalyticsWas ist
passiert?
Warum ist
es passiert?
Was wird
passieren?
Wie können wir es
passieren lassen?
Big Data & Optimierung
28. Data Science Team bestehend aus
15 internen Experten und einem
externen Coach
Arbeiten im Smart Data Lab
Fachexperte
Kompetenzen Rollen
- Business Know-how
- Interpretation der Ergebnisse
- Informationsbeschaffung
Datenmanager
- Data Preparation
- Ad-hoc Datenimport
- Beladung Visual Analytics
Statistiker
- Data Mining
- Predictive Modeling
- Explorative Datenanalyse
Abdeckung aller Kompetenzen von einer Personen
schwer möglich, daher Notwendigkeit
im Team zu agieren
Smart Data Lab Projekt28
29. Ergebnisse
Kommunikation
Verlauf
Projektleitung
Ablauf und Organisation
Smart Data Lab Projekt29
Auftrag
1
2
3
4
5
Projekt unter der Leitung der Konzernstrategie und IT
unter Anwendung einer agile Projektmethode
Aufteilung der Projektmitglieder in vier Arbeitsgruppen, unter
Berücksichtigung der jeweiligen Kompetenzrolle
Daily Stand-up
wöchentlicher Jour Fixe
Ergebnisvorstellung im Vorstand und Top-Management
à Smart Data Lab war erfolgreich und soll turnusmäßig fortgeführt
werden
Vorstandsauftrag zur Untersuchung von
vier Musterfragestellungen
Schulung und Einführung (1 Woche)
Analysephase und Prototyperstellung (4 Wochen)
Ergebnisaufbereitung (1 Woche)
30. Neue Arbeitsmethode: Das Taskboard als zentrales Element
des agilen Projektmanagements!
Smart Data Lab Projekt30
• Tasks sind Aufgaben, die von einem Bearbeiter
an einem Tag erledigt werden können.
• Tägliches Treffen der gesamten
Projektgruppe vor dem Taskboard (20 Min.).
• Klärung der anstehenden Aufgaben
auf Tagesbasis bzw. Hemmnissen.
• Gemeinsames Lernen durch den Austausch zu
möglichen Lösungsansätzen.
• Schärfung der Verbindlichkeit durch tägliche
Statusabfrage der Aufgaben.
Neue Arbeitsmethode sichert Projekterfolg und kann künftig für vergleichbare Projekte eingesetzt
werden
31. 1. Fragestellung: „Flugzeugpositionierung“
Identifikation erschließbarer Umsatzpotenziale einzelner Retail-Geschäfte auf Grundlage der
Flugzeugpositionierung („Destinationswertigkeit“)
Ergebnis: à Simulationsmodell zur What-if Analyse
2. Fragestellung: „BVD-Prognosemodell“
Prognosemodell zur Abschätzung des tatsächlichen Betriebsverlaufs (inkl. Verspätungen) als
Basis der betrieblichen Steuerung und Ressourceneinteilung
Ergebnis: à Prognosemodell zur Verspätungsvorhersage
Smart Data Lab Projekt31
Entlang von vier Fragestellungen wurden unterschiedliche
Hilfsinstrumente und Prototypen erarbeitet
Umsatzpotenzial
Szenario A xx €
Szenario B xx €
...
Terminal 1
Terminal 2
LH 4711
Delay +6:43
AA 070
Delay +16:51
AF 817
Delay -0:33
32. 3. Fragestellung: „Retail-Frühwarnsystem“
Ausgehend von den Gesamterlösen werden am Beispiel Retail Einflussfaktoren auf die
Erlösentwicklung identifiziert, um hierfür ein mögliches Frühwarnsystem zu entwickeln
Ergebnis: à Retailprognosemodell + Qualitätsregelkarte
4. Fragestellung: „Frachtprodukte“
Ableitung der Fracht-Produktkategorien am
Frankfurter Flughafen anhand der Analyse
von Frachttransport und –abfertigung
Ergebnis: à Instrument zur Marktpotenzialanalyse
Smart Data Lab Projekt32
Entlang von vier Fragestellungen wurden unterschiedliche
Hilfsinstrumente und Prototypen erarbeitet
-3.500.000
-2.500.000
-1.500.000
-500.000
500.000
1.500.000
2.500.000
3.500.000
Mittellinie
0,5%-Grenze
99,5%-Grenze
Abweichung
Test_Trend
Test_Run
Prozessstoerung_1%
33. Smart Data Lab ist nur der erster Schritt ...
Transformationsprozess
Smart Data Lab Projekt
Smart Data Lab Smart Data Factory
Big
Data
Analysis Insights Ground
Aviation
Retail
Anforderungen / Fragestellung
Fachexpertise
Pilotaufbau und
Bereitstellung
Security
...
Geschäftsbereich
Delivery
• Operationalisierung
• Realisierungsprojekte
• Change-Management
• Neue Produkte & Services
• Forschen & Entdecken
• Data Science
• Prototypen
• Agil
• 2x im Jahr 4 Wochen
33
Vorstand
34. Umsetzungskonzept und Rollenverteilung
Bereichsrückmeldungen SDL (IUK,UEW)34
Smart Data Lab Ergebnisvorstellung im
Fachbereich
Smart Data Factory
Organisation Unternehmensentwicklung (UEW), IT
(IUK)
SGB IUK im Rahmen der IT
Investitionsprozesse
Ressourcen SDL-Kernteam;
Lab-Projektmitglieder
SDL-Kernteam;
Lab-Projektmitglieder
IUK-Mitarbeiter;
Externe IT-Mitarbeiter;
punktuell Fachbereichsexperten und
Lab-Projektmitglieder
Anforderungsprofil • Statistiker
• Fachexperte
• Datenmanager
• Entscheider
• Fachexperten
• Projektleiter
• Datenmanager
• Solution-Architect
• Softwareentwickler
• Support-Team
Finanzierung - - ILV, Investitionsprojekt
Zeitlicher Aufwand 4 Wochen ca. 1-2 Woche (nachgelagert zum SDL) dauerhafte Einrichtung
Rollenkonzept • Für das Smart Data Lab identifiziert UEW in der Diskussion mit den Fachbereichen
geeignete, unternehmensrelevante Fragestellungen. Dabei wird die Auswertbarkeit der
Datengrundlage vorab von UEW in Zusammenarbeit mit IUK geprüft.
• Ferner stellt IUK für das Smart Data Lab die Räumlichkeiten und die IT-Ausrüstung zur
Verfügung.
35. Agenda
Big Data bei Fraport
Analytics in der Praxis
1
2
BIAF – Die Big Data Plattform4
Zusammenfassung5
Smart Data Lab Projekt3
36. BIAF Product Development
Chart 36
BIAF - The Analytical Platform
2005 2006 2008 2010 2012
Time
2013
HPA
Appliance
SAS/Pivotal
High
Performance
Analytics
Appliance
Smart Data
Lab
2015
38. BIAF Analytical Platform Architecture
GRID
Node2
SAS
Mid1
SAS
Mid 2
BIAF
Mid
ESRS
Gtwy1
Backup
Storage
SAS
Mid 1
GRID
Node2
Primary Data Center Secondary Data Center
Greenplum
Appliance
historical Data
PROD
daily restore
for DR
Application-side
mirroring
Greenplum DB Segment 1
Operational Data
Greenplum Appliance
DEV, TEST and Desaster
Recovery
Meta
Srv1
opsDB
Master
GRID
Node1
opsDB
Second
Greenplum DB Segment 2
Operational Data
Meta
Srv3
BIAF
Mid
Meta
Srv2
Meta
Srv2
SAS
Mid 2
Meta
Srv1
GRID
Node1
Meta
Srv3
ESRS
Gtwy2
ESRS
Policy
PROD
DEV/TEST
SAS Visual Analytics +
High Performance Analytics
SAS Visual Analytics +
High Performance Analytics
GRID
Node3
BIAF - The Analytical Platform
Hyper-V-Cluster
opsDB
Master
opsDB
Seg 1
opsDB
Master
opsDB
Seg 1
Virtual Application Layer
• Stretched-cluster configuration
• SAS 9.4 (BI + DI)
• Clustered SAS Meta-Data Server
• Clustered SAS Mid-Tier
• SAS GRID-Manager
39. BIAF Analytical Platform Architecture
GRID
Node2
SAS
Mid1
SAS
Mid 2
BIAF
Mid
ESRS
Gtwy1
Backup
Storage
SAS
Mid 1
GRID
Node2
Primary Data Center Secondary Data Center
Greenplum
Appliance
historical Data PROD
daily restore
for DR
Application-side
mirroring
Greenplum DB Segment 1
Operational Data
Greenplum Appliance
DEV, TEST and Desaster
Recovery
Meta
Srv1
opsDB
Master
GRID
Node1
opsDB
Second
Greenplum DB Segment 2
Operational Data
Meta
Srv3
BIAF
Mid
Meta
Srv2
Meta
Srv2
SAS
Mid 2
Meta
Srv1
GRID
Node1
Meta
Srv3
ESRS
Gtwy2
ESRS
Policy
PROD
DEV/TEST
SAS Visual Analytics +
High Performance Analytics
SAS Visual Analytics +
High Performance Analytics
GRID
Node3
BIAF - The Analytical Platform
Hyper-V-Cluster
opsDB
Master
opsDB
Seg 1
opsDB
Master
opsDB
Seg 1
Operational Data Store (hot)
• real-time Data
• ca. 1.000.000 Business Events/day
• automatically mirrored PDC & SDC
• ca. 150GB Storage
• Operational BI – Reporting & Analytics
40. BIAF Analytical Platform Architecture
GRID
Node2
SAS
Mid1
SAS
Mid 2
BIAF
Mid
ESRS
Gtwy1
Backup
Storage
SAS
Mid 1
GRID
Node2
Primary Data Center Secondary Data Center
Greenplum
Appliance
historical Data PROD
daily restore
for DR
Application-side
mirroring
Greenplum DB Segment 1
Operational Data
Greenplum Appliance
DEV, TEST and Desaster
Recovery
Meta
Srv1
opsDB
Master
GRID
Node1
opsDB
Second
Greenplum DB Segment 2
Operational Data
Meta
Srv3
BIAF
Mid
Meta
Srv2
Meta
Srv2
SAS
Mid 2
Meta
Srv1
GRID
Node1
Meta
Srv3
ESRS
Gtwy2
ESRS
Policy
PROD
DEV/TEST
SAS Visual Analytics +
High Performance Analytics
SAS Visual Analytics +
High Performance Analytics
GRID
Node3
BIAF - The Analytical Platform
Hyper-V-Cluster
opsDB
Master
opsDB
Seg 1
opsDB
Master
opsDB
Seg 1
Enterprise Data Store (warm)
• historical Data
• ca. 2 TB Storage / up to 6 TB Storage licensed
• daily full backup & Restore into SDC for DR
• Analytical Database MPP
• EMC 24/7 Premium Support
• Calling Home
• Remote Access through Policy Server
41. BIAF Analytical Platform Architecture
GRID
Node2
SAS
Mid1
SAS
Mid 2
BIAF
Mid
ESRS
Gtwy1
Backup
Storage
SAS
Mid 1
GRID
Node2
Primary Data Center Secondary Data Center
Greenplum
Appliance
historical Data PROD
daily restore
for DR
Application-side
mirroring
Greenplum DB Segment 1
Operational Data
Greenplum Appliance
DEV, TEST and Desaster
Recovery
Meta
Srv1
opsDB
Master
GRID
Node1
opsDB
Second
Greenplum DB Segment 2
Operational Data
Meta
Srv3
BIAF
Mid
Meta
Srv2
Meta
Srv2
SAS
Mid 2
Meta
Srv1
GRID
Node1
Meta
Srv3
ESRS
Gtwy2
ESRS
Policy
PROD
DEV/TEST
SAS Visual Analytics +
High Performance Analytics
SAS Visual Analytics +
High Performance Analytics
GRID
Node3
BIAF - The Analytical Platform
Hyper-V-Cluster
opsDB
Master
opsDB
Seg 1
opsDB
Master
opsDB
Seg 1
SAS/Greenplum Analytical Appliance
• SAS High Performance Analytics
• SAS Visual Analytics
• In-Memory Database
• Mobile BI
• In-Database Analytics
Cold storage layer
42. Agenda
Big Data bei Fraport
Analytics in der Praxis
1
2
BIAF – Die Big Data Plattform4
Zusammenfassung5
Smart Data Lab Projekt3
43. • Klassisches R&D ist nicht in unserer Unternehmens-DNA
verankert, dennoch müssen wir es anpacken
• „Failure is NO-option“ à es ist essenzieller Teil der
Entwicklung
• Arbeiten in einem Data Science Team mit agiler
Projektmethode ist ein Key-Success Faktor
• Wahrnehmung über das Potenzial von Analytics im
Unternehmen deutlich geschärft
• LAB als geschützter Raum mit Zugriff auf alle Daten fördert die
Entwicklung von konzeptionellen Ansätzen und Ergebnissen
frei von Restriktionen und Bereichsinteressen
Zusammenfassung
Zusammenfassung43
“I have not failed. I’ve just found
10,000 ways that won’t work.” Thomas
A. Edison
45. Chart 45
PhD defense Torben C. Barth: Optimization of baggage handling at airports
Thank you for your attention!
Enjoy the day …
46. Kernkompetenz rund um Analytics und Big Data innerhalb der
IT aufgehängt!
Organigramm IUK46
Vorstand
Dr. Stefan Schulte
(VV)
Information und
Kommunikation
Dr. Matthias Zieschang
(VF)
Michael Müller
(VA)
Anke Giesen
(VO)
Dr. Roland Krieg (CIO)
IUK
Anwendungs-
entwicklung
Dr. Wolfgang Pelzer
IUK-AE
Business-Systeme
Dieter Steinmann
IUK-AE4
Bau-/ und PM-Systeme &
Business Applications
Business Intelligence
administrativ
Business Intelligence operativ
Christian Wrobel IUK-AE43
Analytical Solution Architect