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

Agenda

2

Agenda

1 Einführung

2 Technologien zur Extraktion, Integration und Analyse von Daten

3 Intelligente Geschäftsprozesse

4 Zusammenfassung

Viele neue technologische Potenziale im Datenumfeld

3

Big Data

Data M

iningData Quality

Mas

ter

Dat

a M

anag

emen

t

Linked Open Data

Data Governance

Data Warehouse

Data Mart

Data Management

Semantic Data

Data Integration

Metadata

Data Integrity

Data Acquisition

… und Managementkonzepte im Unternehmenskontext

4

Gesellschaft

Organisation

Informationstechnologie

Was ist ein „Data-Driven System“?

• Informationssysteme sind sozio-

technische Systeme, welche aus

den Elementen IT, Mensch und

Organisation bzw. Gesellschaft

bestehen.

• Durch die fortschreitende

Digitalisierung werden heute mehr

Daten denn je erzeugt und stehen

zur weiteren Verarbeitung zur

Verfügung.

5

Daten

Mensch

In datengetriebenen Informationssystemen sind Daten „First-Class Citizen“, sie werden als strategisches und wertschöpfendes Gut betrachtet.

Agenda

6

Agenda

1 Einführung

2 Technologien zur Extraktion, Integration und Analyse von Daten

3 Intelligente Geschäftsprozesse

4 Zusammenfassung

Daten, Informationen, Wissen

7

Daten

Wissen

InformationenKontext

Interpretation

Gemessener Wert: 7°C

Das Produkt ist zu warm geworden!

Wir haben ein ProblemIn der Lagerhaltung!

Integration

Analyse

Extraktion

Unterstützende

Infrastrukturen

Lebenszyklus zur Transformation von Daten in Wissen

Extraktion

ETL (Extract-Transform-Load) Prozess bei strukturierten Daten

Informationsextraktions-Prozess bei unstrukturierten Daten

9

Informationsextraktion aus unstrukturierten Daten

10

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

Anwendungsbeispiel: Lead Generation

Identifikation von Ansprechpartnern

Extraktion von Kontaktinformationen:

• Name, Vorname, Titel

• Email, Telefon

• Position, Kompetenzen

Beispiel:

Wer ist Ansprechpartner für

Netzwerksicherheit?

12

Integration

Analyse

Extraktion

Lebenszyklus zur Transformation von Daten in WissenU

nterstützendeInfrastruktur

Datenintegration

14

Heterogene Applikationssysteme

Benutzer

Legacy

ERP

CRM

Excel-Sheet Master

Data

Datenintegration ist die Herstellung einer einheitlichen und konsistenten Sicht auf vorhandene Daten.

Anwendungsbeispiel: Produktdatenmanagement

Zulieferer Kunden

Vom Datenblatt zum Modell

17

Definition von Mapping-Regeln

18

Integration

Analyse

Extraktion

Lebenszyklus zur Transformation von Daten in WissenU

nterstützendeInfrastruktur

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

20

Data Mining

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

Anwendungsbeispiel: Kundensonderwünsche

Datenbasis:

> 0.5 Mio Freitextbeschreibungen von

Sonderwünschen für unterschiedliche

Produkte, nur zum Teil Baugruppen

zugeordnet.

Fragestellung:

Welche Sonderwünsche sollten

standardisiert werden?

23

Anwendungsbeispiel: Kundensonderwünsche

24

Integration

Analyse

Extraktion

Lebenszyklus zur Transformation von Daten in WissenU

nterstützendeInfrastruktur

Big Data Werkzeuge

26

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

Wissensressourcen – Beispiel DBpedia

Agenda

28

Agenda

1 Einführung

2 Technologien zur Extraktion, Integration und Analyse von Daten

3 Intelligente Geschäftsprozesse

4 Zusammenfassung

Daten als Basis für “Intelligent Business Operations”

29

Wertgenerierung mit Daten: Das Beispiel Deutsche Bahn

30

Model for Optimization Real-Time Events & Mobile DeliveryModel of Reality

Forschungsprojekt „Process Visibility“

31

Forschungsprojekt „Process Visibility“

32

SAP Operational Process Intelligence powered by HANA

• Which process characteristics determine high visibility requirements?• Which capabilities are needed to deal with high visibility requirements of processes?

Enhanced visibility for processes

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.

Request Entry Request Update Request Update

33

„Process Visibility” im Privatkundengeschäft von Banken

Agenda

34

Agenda

1 Einführung

2 Technologien zur Extraktion, Integration und Analyse von Daten

3 Intelligente Geschäftsprozesse

4 Zusammenfassung

Zusammenfassung

35

• In datengetriebenen Systemen werden Daten als strategisches und wertschöpfendes Gut betrachtet.1

• Eine Vielzahl von Technologien zur intelligenten Verarbeitung von Daten stehen heute zur Verfügung.2

• Durch die Einbettung dieser Technologien in betriebliche Abläufe können Unternehmen ihre Geschäftsprozesse intelligenter machen.3

Danke für Ihre Aufmerksamkeit!

36

Prof. Dr. Alexander MädcheUniversity 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

Prof. Dr. Heiner StuckenschmidtUniversity of Mannheim | School of Business Informatics and MathematicsInstitute 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.dehttp://ines.uni-mannheim.de