Data-Driven Systems - Overview Presentation at InES Symposium 2013
Als PPTX, PDF herunterladen0 gefällt mir651 aufrufe
Das Dokument behandelt den Stand der Technik in datengestützten Systemen und die strategische Bedeutung von Daten als wertschöpfendes Gut in Unternehmen. Es werden Technologien für die Datenextraktion, -integration und -analyse vorgestellt, die durch intelligente Geschäftsprozesse ergänzt werden. Die Einbindung dieser Technologien in betriebliche Abläufe ermöglicht eine verbesserte Entscheidungsfindung und Effizienzsteigerung.
Data-Driven Systems - Overview Presentation at InES Symposium 2013
- 1. Data-Driven Systems: State-of-the-Art in Wissenschaft und Praxis Prof. Dr. Heiner Stuckenschmidt und Prof. Dr. Alexander Mädche InES Symposium, Mannheim, 31. Oktober 2013
- 2. Agenda Agenda 1 Einführung 2 Technologien zur Extraktion, Integration und Analyse von Daten 3 Intelligente Geschäftsprozesse 4 Zusammenfassung 2
- 3. Viele neue technologische Potenziale im Datenumfeld Big Data Data Governance Data Quality Linked Open Data Data Warehouse Data Integration Data Acquisition 3 Data Mining Master Data Management Semantic Data Data Mart Metadata Data Management Data Integrity
- 4. … und Managementkonzepte im Unternehmenskontext 4
- 5. Was ist ein „Data-Driven System“? • • Informationssysteme sind soziotechnische Systeme, welche aus den Elementen IT, Mensch und Organisation bzw. Gesellschaft bestehen. Gesellschaft Organisation Mensch Informationstechnologie Durch die fortschreitende Digitalisierung werden heute mehr Daten denn je erzeugt und stehen zur weiteren Verarbeitung zur Verfügung. Daten In datengetriebenen Informationssystemen sind Daten „First-Class Citizen“, sie werden als strategisches und wertschöpfendes Gut betrachtet. 5
- 6. Agenda Agenda 1 Einführung 2 Technologien zur Extraktion, Integration und Analyse von Daten 3 Intelligente Geschäftsprozesse 4 Zusammenfassung 6
- 7. Daten, Informationen, Wissen Wissen Interpretation Wir haben ein Problem In der Lagerhaltung! Informationen Kontext Daten Das Produkt ist zu warm geworden! Gemessener Wert: 7 C 7
- 8. Lebenszyklus zur Transformation von Daten in Wissen Analyse Extraktion Unterstützende Infrastrukturen Integration
- 9. Extraktion ETL (Extract-Transform-Load) Prozess bei strukturierten Daten Informationsextraktions-Prozess bei unstrukturierten Daten 9
- 10. Informationsextraktion aus unstrukturierten Daten 10
- 11. Anwendungsbeispiel: Lead Generation Identifikation potentieller Kunden über deren Web-Auftritt: • Schlagworte • Webseiten tatsächlicher Kunden Validierung benötigt Daten aus der Webseite: • Größe des Unternehmens • Produkte, Dienstleistungen,… Beispiel: wäre diese Klinik ein Kunde für ein MRT? 11
- 12. Anwendungsbeispiel: Lead Generation Identifikation von Ansprechpartnern Extraktion von Kontaktinformationen: • Name, Vorname, Titel • Email, Telefon • Position, Kompetenzen Beispiel: Wer ist Ansprechpartner für Netzwerksicherheit? 12
- 13. Lebenszyklus zur Transformation von Daten in Wissen Analyse Extraktion Unterstützende Infrastruktur Integration
- 14. Datenintegration Datenintegration ist die Herstellung einer einheitlichen und konsistenten Sicht auf vorhandene Daten. Benutzer ERP ExcelSheet Legacy CRM Heterogene Applikationssysteme 14 Master Data
- 16. Vom Datenblatt zum Modell 17
- 18. Lebenszyklus zur Transformation von Daten in Wissen Analyse Extraktion Unterstützende Infrastruktur Integration
- 19. Was tun mit all den Daten? Verfügbarkeit von Informationen reicht nicht, man muss die richtigen Schlüsse daraus ziehen! Erst die Interpretation der Daten führt zu direktem Nutzen: • Erkennen von Mustern und Zusammenhängen • Analyse und Vorhersage der Entwicklung • Identifikation von Abweichungen und Trends Data Mining 20
- 20. Anwendungsbeispiel: Kundensonderwünsche • Extrem Variantenreiche Produkte: z.B. Stadt- und Reisebusse • Sonderwünsche von Kunden verursachen erheblichen Aufwand in Planung und Konstruktion • Ziel: häufig gewünschte Sonderausstattung zu Standardvarianten machen 22
- 21. Anwendungsbeispiel: Kundensonderwünsche Datenbasis: > 0.5 Mio Freitextbeschreibungen von Sonderwünschen für unterschiedliche Produkte, nur zum Teil Baugruppen zugeordnet. Fragestellung: Welche Sonderwünsche sollten standardisiert werden? 23
- 23. Lebenszyklus zur Transformation von Daten in Wissen Analyse Extraktion Unterstützende Infrastruktur Integration
- 25. Wissensressourcen – Beispiel DBpedia Multilinguale Wissensbasis auf der Basis von Wikipedia Englische Version enthält Beschreibungen für • 4.0 Mio Dinge • 3.22 Mio sind typisiert, davon • 832,000 Personen • 639,000 Orte • 372,000 Produkte • 209,000 Organisationen
- 26. Agenda Agenda 1 Einführung 2 Technologien zur Extraktion, Integration und Analyse von Daten 3 Intelligente Geschäftsprozesse 4 Zusammenfassung 28
- 27. Daten als Basis für “Intelligent Business Operations” 29
- 28. Wertgenerierung mit Daten: Das Beispiel Deutsche Bahn Model of Reality Model for Optimization 30 Real-Time Events & Mobile Delivery
- 30. Forschungsprojekt „Process Visibility“ SAP Operational Process Intelligence powered by HANA Enhanced visibility for processes • Which process characteristics determine high visibility requirements? • Which capabilities are needed to deal with high visibility requirements of processes? 32
- 31. „Process Visibility” im Privatkundengeschäft von Banken Request Entry Request Update Request Update Exemplarische Kundenanfrage: Konto ist gesperrt Kunden erstellt Anfrage über mobile Anwendung, es wird eine Abschätzung der Bearbeitungszeit angegeben. Kunden erhält kontinuierliche Information über den Status des Prozesse sowie über etwaige Verzögerungen bei der Problemlösung. 33
- 32. Agenda Agenda 1 Einführung 2 Technologien zur Extraktion, Integration und Analyse von Daten 3 Intelligente Geschäftsprozesse 4 Zusammenfassung 34
- 33. Zusammenfassung 1 • In datengetriebenen Systemen werden Daten als strategisches und wertschöpfendes Gut betrachtet. 2 • Eine Vielzahl von Technologien zur intelligenten Verarbeitung von Daten stehen heute zur Verfügung. 3 • Durch die Einbettung dieser Technologien in betriebliche Abläufe können Unternehmen ihre Geschäftsprozesse intelligenter machen. 35
- 34. Danke für Ihre Aufmerksamkeit! Prof. Dr. Heiner Stuckenschmidt University of Mannheim | School of Business Informatics and Mathematics Institute for Enterprise Systems (InES) B6, 26 | Room B 1.20 | 68131 Mannheim | Germany Phone +49 621 181-2530 heiner@informatik.uni-mannheim.de http://dws.informatik.uni-mannheim.de http://ines.uni-mannheim.de Prof. Dr. Alexander Mädche University of Mannheim | Business School Institute for Enterprise Systems (InES) L 15, 1-6 | 4th floor | 68131 Mannheim | Germany Phone +49 621 181-3606 | Fax +49 621 181-3627 maedche@es.uni-mannheim.de http://eris.bwl.uni-mannheim.de http://ines.uni-mannheim.de 36