business intelligence big data in der praxis - blogs.gm.fh...
Post on 06-Mar-2018
212 Views
Preview:
TRANSCRIPT
Business Intelligence &
Big Data in der Praxis
Gummersbach, 20. Juni 2013 Bernhard Nießen
Copyright © Capgemini 2013. All Rights Reserved
2 BigData_Bernhard_Niessen.pptx
Agenda
§ Kurzvorstellung (Referent, Capgemini)
§ BI bei einem Telekommunikationsunternehmen
§ Big Data – Begrifflichkeit und Relevanz
§ Big Data – Anwendungsfälle
§ Big Data - Zukunft
§ 2002 bis 2004:
§ Ausbildung zum staatlich gepr. Informatik, b.i.b.
§ 2004 bis 2007:
§ Duales Studium zum Diplom-Wirtschaftsinformatiker, FHDW
§ 2009 bis 2011:
§ Verbundstudium Master of Science, FH Köln/FH Dortmund
Kurzvorstellung
Bernhard Nießen
Ausbildung und Studium
§ 2004 bis 2008:
§ Synergetics MIC GmbH, Düsseldorf
§ seit Anfang 2008:
§ Capgemini Deutschland GmbH, Köln/Bonn
§ Bereich: Business Information Management
§ Projektleiter bei einem großen Telekommunikationsunternehmen
§ Team aus 10 indischen und
§ 5 polnische Kollegen
Berufliche Tätgikeiten
Copyright © Capgemini 2013. All Rights Reserved
3 BigData_Bernhard_Niessen.pptx
Capgemini
Kurzvorstellung
§ 120.000 Mitarbeitern weltweit
§ Büros in 40 Ländern
• Consulting Services
• Technology Services
• Outsourcing Services
§ weltweit führender Anbieter
• Management- und IT-Beratung
• Technologie-Services
• Outsourcing-Dienstleistungen
§ Umsatz der Capgemini-Gruppe 9,7 Milliarden € (2011)
§ Rightshore® Liefermodell
• OnShore
• NearShore
• FarShore
Copyright © Capgemini 2013. All Rights Reserved
4 BigData_Bernhard_Niessen.pptx
n € (2011)
Copyright © Capgemini 2013. All Rights Reserved
5 BigData_Bernhard_Niessen.pptx
Agenda
§ Kurzvorstellung (Referent, Capgemini)
§ BI bei einem Telekommunikationsunternehmen
§ Big Data – Begrifflichkeit und Relevanz
§ Big Data – Anwendungsfälle
§ Big Data - Zukunft
21.06.2013 6
Business Intelligence
Definition
Quelle: Definition nach „BI Spektrum 01/09“
Business Intelligence ist der Prozess
der Transformation von Daten in
Information und weiter durch Analyse
der Daten in Wissen.
h Analyse
n.
21.06.2013 7
Wo entstehen Daten? Welche Fragen entstehen?
Callcenter Vertrieb Finanzen
§ Wie wurde der Vertrag verkauft?
• Kanal, Weg, Linie, Organisation
§ Welche GK haben keinen Rahmenvertrag?
• VPN, UMTS/HSDPA, Datenvolumen
§ Wiederverkäufer
• meisten Verträge?
• Stornierungsrate?
§ Durchschnittlich Wartezeit
§ Kundenzufriedenheit
§ Automatische Kundenbefragung
§ Agenteneinsatzplanung
§ Positivkontakte im Rahmen von Kampagnen
§ Gewinn für Produkt „XY“
§ TOP/LAST 10 Vertriebspartner (Kundenwert)
§ Sonderprovision
§ Welches Kundensegment nutzt die Inklusivminuten vollständig aus?
21.06.2013
8
Systemlandschaft eines Telekommunikationsanbieters
Wirknetz
HLR
SMSC
Kunden-administration BackOffice
Abrechnung
Personalplannung
CallCenter
Kundenportal
Data Warehouse
21.06.2013 9
BI-Systeme: Vorsystem
n Anbindung mehrerer interner und externer Datenquellen
n Datenlieferungen über CSV, XML, DB-Link, SOA, WebServices etc.
n Trennung vom Operativ-System
n CRM-System
n Einsatzplanung
n Rechnungswesen
21.06.2013 10
BI-Systeme: Datenintegration (ETL)
n ETL - Extract, Transform, Load
n ETL ist der Prozess, der die Daten aus den Vorsystemen in die Zieldatenbank einfügt
n Extraktion der relevanten Daten aus verschiedenen Quellen
n Transformation der Daten in das Schema und Format der Zieldatenbank
n Laden der Daten in die Zieldatenbank
21.06.2013 11
BI-Systeme: Data Warehouse
n Unabhängigkeit zwischen Datenquellen und Analysesystemen
n Dauerhafte Bereitstellung integrierter und abgeleiteter Daten
n Mehrfachverwendbarkeit der bereitgestellten Daten
n Automatisierung der Abläufe
21.06.2013 12
BI-Systeme: Datenaufbereitung (OLAP)
n Daten müssen aufbereitet werden um Informationen zu generieren
n Aufbau multidimensionaler hierarchischer Datenmodelle (Cubes/Würfel)
n Dimensionen, Hierarchien, Kennzahlen
21.06.2013 13
BI-Systeme: Anwenderwerkzeuge
n Reports (PDF, XLS, HTML), Drilldown Berichte (dynamische Berichte)
21.06.2013 14
OLTP vs. DWH/OLAP
Online-Transaction-Processing vs. Online Analytical Processing
OLTP DWH/OLAP
Funktion Transaktionskonzept (Day-to-Day-Business)
zentrales Datenarchiv des Unternehmens
Daten operativ, aktuell, flüchtig historisch und aggregiert
Schema normalisiert normalisiert und denormalisiert
Systemauslastung eher konstant viele Auslastungsspitzen
Datenvolumen Gigabyte Terabytes
Copyright © Capgemini 2013. All Rights Reserved
15 BigData_Bernhard_Niessen.pptx
Agenda
§ Kurzvorstellung (Referent, Capgemini)
§ BI bei einem Telekommunikationsunternehmen
§ Big Data – Begrifflichkeit und Relevanz
§ Big Data – Anwendungsfälle
§ Big Data - Zukunft
Big Data bei Google Trends
von 2004 bis 2013
Copyright © Capgemini 2013. All Rights Reserved
16 BigData_Bernhard_Niessen.pptx
Google Trends: Big Data vs. Business Intelligence
Big Data und Business Intelligence im Vergleich
Copyright © Capgemini 2013. All Rights Reserved
17 BigData_Bernhard_Niessen.pptx
Reichen BI Lösungen noch aus?
Copyright © Capgemini 2013. All Rights Reserved
18 BigData_Bernhard_Niessen.pptx
Quelle: https://www.jaspersoft.com/de/business-intelligence-im-mittelstand-20112012
80% Of world’s
data is unstructured
Reichen BI Lösungen noch aus?
§ 83 % der deutschen Mittelständler nutzen BI-Lösungen
§ Nahe zu 100% der Großunternehmen
§ Doch was gibt es neues?
§ Wie geht es weiter?
Was ist Big Data?
76 million smart meters
in 2009… 200m by
2014
2+ billion people on
the Web by end 2011
100s of millions of
GPS enabled
devices sold annually
4.6 billion camera
phones world wide
30 billion RFID tags
today (1.3B in 2005)
12+ TBs of tweet data
every day
500 TBs new Data per day 25+ TBs
log data per day
Many PBs of data every
day
210 million networked
cars by end of
2016
80% Of world’s
data is unstructured
Copyright © Capgemini 2013. All Rights Reserved
19 BigData_Bernhard_Niessen.pptx
Was ist „Big Data Analytics“?
Copyright © Capgemini 2013. All Rights Reserved
20 BigData_Bernhard_Niessen.pptx
Business Use Cases • Fraud and Risk • Customer Insight • Sentiment analysis• Predictive asset
maintenance
New Data Sources • Social Networks • Video, Image, Documents • Logfiles
Enablers • In-Memory • Advanced Analytics • Big data Architecture
(Hadoop, ...)
Concerns • Data privacy • Data quality • Data scientist
skills
Challenges • Variety (Vielfalt) • Velocity (Schnelligkeit) • Volume
(Hadoop, ..
Was ist „Big Data Analytics“?
Copyright © Capgemini 2013. All Rights Reserved
21 BigData_Bernhard_Niessen.pptx
Business Use Cases • Fraud and Risk • Customer Insight • Sentiment analysis• Predictive asset
maintenance
New Data Sources • Social Networks • Video, Image, Documents • Logfiles
Enablers • In-Memory • Advanced Analytics • Big data Architecture
(Hadoop, ...)
Concerns • Data privacy • Data quality • Data scientist
skills
Challenges • Variety (Vielfalt) • Velocity (Schnelligkeit) • Volume
(Hadoop, ..
Was ist „Big Data Analytics“?
Copyright © Capgemini 2013. All Rights Reserved
22 BigData_Bernhard_Niessen.pptx
Business Use Cases • Fraud and Risk • Customer Insight • Sentiment analysis• Predictive asset
maintenance
New Data Sources • Social Networks • Video, Image, Documents • Logfiles
Enablers • In-Memory • Advanced Analytics • Big data Architecture
(Hadoop, ...)
Concerns • Data privacy • Data quality • Data scientist
skills
Challenges • Variety (Vielfalt) • Velocity (Schnelligkeit) • Volume
(Hadoop, ..
Was ist „Big Data Analytics“?
Copyright © Capgemini 2013. All Rights Reserved
23 BigData_Bernhard_Niessen.pptx
Business Use Cases • Fraud and Risk • Customer Insight • Sentiment analysis• Predictive asset
maintenance
New Data Sources • Social Networks • Video, Image, Documents • Logfiles
Enablers • In-Memory • Advanced Analytics • Big data Architecture
(Hadoop, ...)
Concerns • Data privacy • Data quality • Data scientist
skills
Challenges • Variety (Vielfalt) • Velocity (Schnelligkeit) • Volume
(Hadoop, ..
Was ist „Big Data Analytics“?
Copyright © Capgemini 2013. All Rights Reserved
24 BigData_Bernhard_Niessen.pptx
Business Use Cases • Fraud and Risk • Customer Insight • Sentiment analysis• Predictive asset
maintenance
New Data Sources • Social Networks • Video, Image, Documents • Logfiles
Enablers • In-Memory • Advanced Analytics • Big data Architecture
(Hadoop, ...)
Concerns • Data privacy • Data quality • Data scientist
skills
Challenges • Variety (Vielfalt) • Velocity (Schnelligkeit) • Volume
(Hadoop, ..
Was ist „Big Data Analytics“?
Copyright © Capgemini 2013. All Rights Reserved
25 BigData_Bernhard_Niessen.pptx
Business Use Cases • Fraud and Risk • Customer Insight • Sentiment analysis• Predictive asset
maintenance
New Data Sources • Social Networks • Video, Image, Documents • Logfiles
Enablers • In-Memory • Advanced Analytics • Big data Architecture
(Hadoop, ...)
Concerns • Data privacy • Data quality • Data scientist
skills
Challenges • Variety (Vielfalt) • Velocity (Schnelligkeit) • Volume
(Hadoop, ..
Copyright © Capgemini 2013. All Rights Reserved
26 BigData_Bernhard_Niessen.pptx
Agenda
§ Kurzvorstellung (Referent, Capgemini)
§ BI bei einem Telekommunikationsunternehmen
§ Big Data – Begrifflichkeit und Relevanz
§ Big Data – Anwendungsfälle
§ Big Data - Zukunft
Maximierung des Werbeumsatz einer VOD Plattform
Zielstellung Ansatz
Copyright © Capgemini 2013. All Rights Reserved
27 BigData_Bernhard_Niessen.pptx
§ Online Videothek will Werbeumsatz erhöhen durch:
• Dynamische Platzierung von Werbung spezifisch für einerseits den Nutzer, andererseits den Filminhalt
• Werbung soll an sensiblen Stellen des Films platziert werden, um die Relevanz der Werbung für den Nutzer zu steigern
§ Identifikation von Leitbildern innerhalb eines Films
§ Zuordnung der gefundenen Leitbilder auf
• einerseits das Profil des Nutzers und
• andererseits die verfügbare Werbung
§ Ermittlung einer Stelle im Film, wo der Cut für die passende Werbung gemacht werden kann, ohne den Fluß des Films zu beeinträchtigen
Aufspüren von Copyright Verstößen im Internet
Zielstellung Ansatz
Copyright © Capgemini 2013. All Rights Reserved
28 BigData_Bernhard_Niessen.pptx
§ Schutz der eigenen Assets
• Video
• Podcasts
• Bilder
• Logos
• etc.
§ gegen Raubkopie (Copyright), Mißbrauch
§ Automatisierung der Suche und Identifikation von Medien Assets im Internet
§ Visueller Vergleich von im Internet gefundenen und eigenem Content
§ Unterscheidung der Copyright-Verstöße in Audio- und Video-Kopie
§ Protokollierung der Nutzung von bezahltem oder hochwertigen, eigenen Content
Automobilhersteller – Neue Geschäftsfelder durch Connected Cars
Copyright © Capgemini 2013. All Rights Reserved
29 BigData_Bernhard_Niessen.pptx
Big Data Case Study: Fully Automated Aqua Processing Service - decision support for environmental disasters
Copyright © Capgemini 2013. All Rights Reserved
30
Satellite creates Earth Observation (EO) data
BigData_Bernhard_Niessen.pptx
Ansatz Daten
Automobilbauer analysieren Meinungsbilder ihrer Kunden in einschlägigen Autofahrerforen
Wert
Copyright © Capgemini 2013. All Rights Reserved
31 BigData_Bernhard_Niessen.pptx
§ Internetforen der Autofahrer § Sentimentanalyse, Textanalyse § Einsparung von Qualitätskosten: Probleme schneller erkannt
§ Effizienz des Marketing: Image gezielt verbessern
Sentiment Analyse der Auto Blogs
32
Ortung rechtlicher Hürden
Copyright © Capgemini 2013. All Rights Reserved
33 BigData_Bernhard_Niessen.pptx
Ortung rechtlicher Hürden
Copyright © Capgemini 2013. All Rights Reserved
34 BigData_Bernhard_Niessen.pptx
Datenbeschaffung
Public data vs.
Internal data
Datenverarbeitung/-haltung
In-House-Verarbeitung vs.
Cloud-Computing
Datennutzung
Legitim ist, was legal ist?
Rechtliche Hürden – bei der Datenbeschaffung
Copyright © Capgemini 2013. All Rights Reserved
35 BigData_Bernhard_Niessen.pptx
Terms of use und AGB der Anbieter
Bundesdatenschutzgesetz Telemediengesetz BundTelem
Öffentliche Quellen: Social Media Seiten Referenzdaten/-börsendaten Wikipedia
Interne Quellen: Logdaten Bewegungsprofile Logistikdaten
Datenbeschaffung
Public data vs.
Internal data
Rechtliche Hürden – bei der Datenverarbeitung/-haltung
Copyright © Capgemini 2013. All Rights Reserved
36 BigData_Bernhard_Niessen.pptx
Datenverarbeitung/-haltung
In-House-Verarbeitung vs.
Cloud-Computing
Rechtliche Hürden - Datennutzung
Legitim ist, was legal ist?
Copyright © Capgemini 2013. All Rights Reserved
37 BigData_Bernhard_Niessen.pptx
LegitimL iti isti t, was legal l lttt isti t?? Datennutzung
Legitim ist, was legal ist?
Legitim ist, was legal ist?
Copyright © Capgemini 2013. All Rights Reserved
38 BigData_Bernhard_Niessen.pptx
Agenda
§ Kurzvorstellung (Referent, Capgemini)
§ BI bei einem Telekommunikationsunternehmen
§ Big Data – Begrifflichkeit und Relevanz
§ Big Data – Anwendungsfälle
§ Big Data - Zukunft
Aktuelle BigData Fälle in den Medien
Copyright © Capgemini 2013. All Rights Reserved
39 BigData_Bernhard_Niessen.pptx
DER SPIEGEL 20/2013
§ Hamburger Hafen
• 7200 Hektar, 200 Züge tgl., 300 km Schienen, 130 Brücken
§ Minority Report: Einsatzplanung der Polizei, 50 % mehr Festnahmen
§ personalisierte Medizin (Tumorforschung)
• 3 Mrd. Erbgutbausteine
§ magischer Teppich für Senioren
9. Juni 2013
§ Computersystem des US-Geheimdiensts National Security Agency (NSA)
§ unterliegt der Geheimhaltung
§ erkennt signifikante Zusammenhänge
§ Bewegung einer einzelnen, terrorverdächtigen Person
§ Fülle von E-Mails und Telefonmetadaten
Aktuelle BigData Fälle in den Medien
Edward Snowden
Boundless Informant
§ Überwachung und Auswertung von elektronischen Medien und elektronisch gespeicherten Daten
§ Internetkonzerne und Dienste der USA beteiligt: Microsoft, Google, Facebook, Yahoo!, Apple etc.
§ live geführte Kommunikation und Informationen abhörbar
PRISM
Copyright © Capgemini 2013. All Rights Reserved
40 BigData_Bernhard_Niessen.pptx
Wollen wir in so einer Welt leben?
Börsenkurse
Fehlinterpretation
Kreditvergabe
Ethik
Schule / Job
Straffällig
Krankheiten
Schwangerschaft
Big Data
Copyright © Capgemini 2013. All Rights Reserved
41 BigData_Bernhard_Niessen.pptx
Kontaktinformationen
Copyright © Capgemini 2013. All Rights Reserved
42 BigData_Bernhard_Niessen.pptx
Bernhard Nießen M. Sc. / Release Manager Bernhard.Niessen@capgemini.com
Capgemini Köln/Bonn Mülheimer Strasse 9a 53840 Troisdorf Tel.: 02241/9737-472
www.capgemini.com
Über Capgemini Mit über 120.000 Mitarbeitern in 40 Ländern ist Capgemini einer der weltweit führenden Anbieter von Management- und IT-Beratung, Technologie-Services sowie Outsourcing-Dienst-leistungen. Im Jahr 2011 betrug der Umsatz der Capgemini-Gruppe 9,7 Milliarden Euro.
Gemeinsam mit seinen Kunden erstellt Capgemini Geschäfts- wie auch Technologielösungen, die passgenau auf die individuellen Anforderungen zugeschnitten sind. Auf der Grundlage seines weltweiten Liefermodells Rightshore® zeichnet sich Capgemini als multinationale Organisation durch seine besondere Art der Zusammenarbeit aus – die Collaborative Business ExperienceTM.
Rightshore® ist eine eingetragene Marke von Capgemini
Die in der Präsentation enthaltenen Informationen sind Eigentum. Copyright © 2013 Capgemini. Alle Rechte vorbehalten.
top related