​Gesamtheitliche IoT/AoT Big Data Plattform
„Data Intelligence Hub“
​Next Generation Artificial Intelligence
​Dr. Stefan Schwarz, Teradata - Alexander Kouril, Connective Elements

2
Agenda
• KI – Plattform Data Intelligence Hub
– Herausforderung Komplexität
– DIH als plattform-basiertes Geschäftsmodell
• Near realtime, skalierbar, einfach
– Architektur - UDA
– App Store for Intelligence & Analytics
• Konkrete, reale Anwendungsbeispiele
– Neue Geschäftsmodelle ermöglichen
– Business Benefit
„Probleme kann man
niemals mit
derselben Denkweise
lösen, durch die sie
entstanden sind “
Albert Einstein
„Eine wirklich gute
Idee erkennt man
daran, dass ihre
Verwirklichung von
vorne herein
ausgeschlossen
erscheint“
Albert Einstein

3
Herausforderung Komplexität I
„Complexity kills Performance“
 Zukunftsfähigkeit immer schwieriger zu realisieren
 Steigender Wettbewerbsdruck
 Globale Lieferbeziehungen immer volatiler, immer
anfälliger für Risiken
 Disruptive Technologie-Entwicklungen setzen
traditionelle Unternehmen unter Druck
 Permanenter Kostendruck durch Shareholder
 Kundenanforderungen immer schwieriger
hervorzusagen
 Gesellschaftliche Anforderungen an
Umweltgerechtigkeit, Nachhaltigkeit, Fairness stellen
hohe Anforderungen an das Unternehmen

4
Herausforderung Komplexität II
Data Intelligence Hub „versteht“ + optimiert komplexe
Prozessabläufe
Transparente zentralisierte Übersicht
 Erfassung von Ressourcen-Daten (Stromverbrauch etc.)
 Erfassung der vollständigen Prozesskette inkl. aller
systemischen Abhängigkeiten
 Datengetriebene Strategie-Entwicklung und -Umsetzung
Vermeidung von Störungen, Effizienzgewinn
 Frühzeitige, proaktive Ermittlung notwendiger
Instandhaltung, Wartungsarbeiten
 Automatisierte/Semi-Automatisierte Erstellung von
Wartungs-/Instandhaltungsplänen
 Erfassung und Vermeidung von Anomalien, Mustern
Produktoptimierung
 Auswertung von Social Media
für optimierte Produktentwick-
lung, Logistikabläufe etc.
 Vermeidung von Qualitäts-
problemen

5
Data Intelligence Hub
Alleinstellungsmerkmale
Der Hub denkt mit dank Next Generation Analytics:
 Der Hub verfügt über eine „Meta-Intelligenz“, die verschiedene KI-
Systeme, Algorithmen autonom zu einen Prozess verkettet und dazu
notwendige Daten aufbereitet und bereitstellt.
 Der Hub lernt aus den vielfältigen Nutzungsverhalten der Kunden
und verwertet diese Lernerfahrungen für seine eigene Optimierung
 Der Hub lernt insbesondere aus der Kombination vieler KI-Systeme
für spezifische Use Cases (Problemstellungen) und der erzielten
Effizienz der Problemlösung
End-2-End Process Optimization & Automation:
 Dank der Meta Intelligenz erfasst der Hub komplexe, umfangreiche
Prozesse vollständig und eben nicht nur punktuell und kann daher
Staupunkte, Engpässe und deren Impact erfassen und optimieren
Von Data-Monetization zur Data-basierte Wertschöpfung:
 Einmal erfasste Datenmengen können für unterschiedliche Use
Cases verwertet werden oder für andere Kunden sinnvoll
vermarktet werden

6
Agenda
• KI – Plattform Data Intelligence Hub
– Herausforderung Komplexität
– DIH als plattform-basiertes Geschäftsmodell
• Near realtime, skalierbar, einfach
– Architektur - UDA
– App Store for Intelligence & Analytics
• Konkrete, reale Anwendungsbeispiele
– Neue Geschäftsmodelle ermöglichen
– Business Benefit
„Ease of use is the
key to gain the
network effect“
Michael A. Cusumano
MIT Sloan

7
Die Architektur des DIH basiert auf Teradata UDA und ist eine
modulare offene Plattform, die es ermöglicht extrem grosse interne
und externe Datenmenden zu sourcen, speichern und zu analysieren

8
App Store for Analytics & Intelligence
Der Eckpfeiler des Plattform-basierten Geschäftsmodelles
 Intuitive Bedienung
 Apps sind „gekapselte“ KI-Systeme, die für eine spezifische Zielsetzung (Ressourcen-Effizienz,
Servicequalitätverbesserung etc.) kombiniert und standardisiert worden sind

9
App Store for Analytics & Intelligence
Apps “denken” holistisch, verstehen Zusammenhänge
 Die Apps bestehen aus gekapselten KI-Systemen, also KI-Systeme die mit einander kombiniert
sind, um ein spezifisches Optimierungsziel zu erreichen
 Die Apps sind mit den analytischen Werkzeugen von Teradata gekoppelt

10
Agenda
• KI – Plattform Data Intelligence Hub
– Herausforderung Komplexität
– DIH als plattform-basiertes Geschäftsmodell
• Near realtime, skalierbar, einfach
– Architektur - UDA
– App Store for Intelligence & Analytics
• Konkrete, reale Anwendungsbeispiele
– Neue Geschäftsmodelle ermöglichen
– Business Benefit
„Erfahrung ist der
beste Lehrmeister. Nur
das Schulgeld ist
teuer.“
Thomas Carlyle

11
Siemens Sinalytics
Multi-industry IoT solutions
#Insert Hashtag11 © 2014 Teradata
• Equipment availability issues with specific model
with big direct profitability impact
• In work-flow analytics of CT/MRI data led to
unmatched improvements for engineers and
others
• The CERN accelerator generates > 300 Terabytes of sensor data
per year
• Analytical root cause analyses for malfunctions of all kinds in
“usually unreliable, incomplete and out of sequence” (CERN) data
• Despite complex data envir. system produces easy to understand
• Siemens: “On a three-hour journey, only one out of over two
thousand journeys are delayed by more than five minutes.”
• In case of delay > 1 hour train ticket price will be reimbursed in full -
possible as “most reliable high-speed train in the whole network”
(renfe).
• Share of plane travel down from 80% to 30% in favor of train
operator
• Change of business model from asset sale to long term service
contract(!)
Predictive maintenance - Rail
Similar cases
“Digging for Data in a Particle Mine”- Science
Analysing CT/MRI data- Healthcare
Similar cases
(enabled by Teradata)

12
Maersk – Enabling innovation
though IoT solutions in logistics
#Insert Hashtag12 © 2014 Teradata
• Maersk spends $1 billion per year repositioning empty containers.
• Goal: Optimization of container distribution, reduce idle times & empty journeys
• Main data sources: GPS and GSM locations, route info, repair events, zip code
• Result: Significantly reduced costs, better utilization of containers
• “Every day, tens of thousands of containers are flowing in and out of repair shops all
over the world.” (Maersk) It costs the company more than USD 300 million, annually.
• Several billion lines of data: all inspections, all repairs, every movement, every
booking
• Analytics allowed in an easy to understand way to see for each individual repair shop
where Maersk was getting good and bad repairs.
• As a result optimizing single repair shops saved Maersk up to 2 mil. USD per year.
• Maersk operates 200,000 refrigerated containers with connected sensors.
• As part of their Remote Container Management project, they give customers access
— via their Teradata data warehouse — to data relevant to these containers. This
allows the customer e.g. to vary the temperature inside while the cargo is in transit.
• It is an enabler of an ecosystem “that’s going to drive innovation for us” (Maersk)
Remote Container Management project
Optimized maintenance for vessels and containers
Reduce empty container journeys
“Logistics business
depends on optimization.[..]
If we want real cost
leadership and commercial
excellence, applying the
technology and the
competencies of advanced
analysts can take us much
further than conventional
analysis.”
Jakob Stausholm,
Maersk Line, Chief Transformation
Officer

13
Lessons Learned:
Blueprint für den Data Intelligence Hub
 Der zugrunde liegende Lösungsansatz – die Kombination vieler KI-Systeme mit
hochperformanten analytischen Werkzeugen – funktioniert und hat sich im rauen
Industriemarkt bewährt!
 Aufgrund vieler Erfahrungswerte ist der Ausbau der Architekturen durch eine
eingebettete KI-Schicht sehr gut realisierbar und vermarktbar.
 Kunden profitieren insbesondere durch den Daten-getriebenen Blick über den
„Tellerrand“, durch die Erfassung von Prozessabläufen von ihrem Anfang bis zu ihrem
Ende – also End-2-End
 Think Big! Vermeidung von Daten- und KI-Silos jeglicher Art!
 Es hat sich bewährt, mit einer Teradata-Plattform mit einem vollständigen Set
analytischer Werkzeuge zu beginnen, und diese entsprechend der Kundenbedarfe
auszubauen.
 Platform-as-a-Service und Capacity-on-Demand-basierte Modelle sind deutlich
kosteneffizienter im Vergleich zu On Premise-Angeboten, dadurch sind erhebliche
Kosteneinsparungen realsierbar

14
1414
Alexander Kouril
Managing Director
connective elements
management consultants GmbH
Presley Boulevard 14
61231 Bad Nauheim
Mobil: (0151) 55143222
Mail: alexander.kouril@connective-elements.com
Dr. Stefan Schwarz
Director Business Consulting
Teradata
Niederkasseler Lohweg 189
40547 Düsseldorf
Mobil: (0173) 7488381
Mail: stefan.schwarz@teradata.com
Es gibt tatsächlich keine
dummen Fragen,
außer der einen:
"Gibt es noch Fragen?"

15
15
Back-up

16
Plattform-basierte Geschäftsmodelle
Platform Leaders aus dem Silicon Valley formen neuen Geschäftsmodelle
 Plattform-basierte Geschäftsmodelle: Immer mehr setzen sich Plattform-basierte Geschäfts-
modelle im B2B-Märkten erfolgreich durch, wie beispielsweise Amazon, SalesForce, Apple, etc.
 Shared Economy: Kunden gewinnen einen deutlich höheren Nutzwert, wenn sie ihr Wissen, Ihre
Problemlösungsfähigkeiten teilen
 Data Ownership is King: Das häufig zitierte Argument „Who owns the Data, owns the Business!“
beschreibt, dass Anbieter wie Google, Apple, Amazon etc. mit Kundendaten weitere
Profitquellen erschlossen haben, die für traditionelle IT Provider unzugänglich sind