Innovative Geschäftsprozesse durch Echtzeitanalysen von Massendaten Einsatzpotenziale für In-Memory Datenmanagement in betrieblichen Anwendungssystemen

Prof. Dr. Gunther Piller, University of Applied Sciences Mainz

IT-Business meets Science TU Darmstadt,12.09.2012

Inhalt

Der Plan In-Memory Computing – Relevanz & Vision

Nutzenpotentiale und Anwendungsmuster

Typische Beispiele

“In-Memory Computing – so what”?

“In-memory computing enables dramatic business innovation, and has the potential to be a disruptive industry force” Gartner Report 2012: Innovation Insight: Invest in In-Memory Computing for Breakthrough Competitive Advantage

“In-memory databases are a technology with huge disruption potential, we need to assume a competitive leadership position” Hasso Plattner, 2011

In-Memory Computing – Reife und Adoption

Quelle: http://de.slideshare.net/SAP_Nederland/the-next-generation-architecture-inmemory-computing-massimo-pezzini; Autor: Massimo Pezzini. Weitere Informationen finden Sie bei www.gartner.com

In-Memory Computing – SAP’s Vision

One Data Platform SAP HANA

SAP CRM

Mobile

SAP ERP

Clients

SAP Business

Warehouse

New SAP

Applications

Further Applications

Quelle: SAP AG 2012

Stellen Sie sich vor ….

…Sie hätten direkten Zugang zu allen aktuellen und historischen Geschäftsdaten und könnten diese beliebig analysieren – mit verschwindende Antwortzeiten und ohne Datenreplikation…

Wie würde sich Ihr Umgang mit Daten ändern?

Wie würden sich Ihre Erwartungen an die Verfügbarkeit passender Informationen ändern?

Wie würden Ihre Entscheidungen durch diese neuen Möglichkeiten beeinflusst?

Welche neuen und innovativen Geschäftsprozesse wären möglich?

Anwendungsmuster

Welche Anwendungsszenarien profitieren am meisten

Was sind typische Anwendungsmuster

In-Memory Technologie & betriebliche Anwendungssysteme

?

Identifikation von Anwendungsbereichen

Pragmatische Herangehensweise

Analyse der Eigenschaften von In-Memory Technologie

Auswertung erster Projekte (PoC) und Anwendungsideen

Identifikation möglicher Nutzenpotenziale

Beschreibung von Anwendungsmustern

Systematische Auswertung von HANA Implementierungsprojekten

Quantitative Bewertung von Nutzen und Kosten

1. 2. 3.

Identifikation neuer Anwendungsbereiche

Nutzenbewertung durch validierte Methoden 4.

Identifikation von Anwendungsbereichen

Pragmatische Herangehensweise

Analyse der Eigenschaften von In-Memory Technologie

Auswertung erster Projekte (PoC) und Anwendungsideen

Identifikation möglicher Nutzenpotenziale

Beschreibung von Anwendungsmustern

Systematische Auswertung von HANA Implementierungsprojekten

Quantitative Bewertung von Nutzen und Kosten

1. 2. 3.

Identifikation neuer Anwendungsbereiche

Nutzenbewertung durch validierte Methoden 4.

Fokus

Wesentliche Eigenschaften von In-Memory Technologie

Kurze Antwortzeiten 10.000 Anfragen pro Stunde gegen eine Datenmenge von 1,3 Terabyte

mit Antwortzeiten von weniger als 1 Sekunde

Einheitliche transaktionale und analytische Datenverarbeitung Alle Daten, einschließlich der neuesten Belege, können im Hauptspeicher für beide

Anwendungsarten vorgehalten werden

Datenanalyse auf Einzelbelegen Analysen und Planungen sind auf den ursprünglichen Belegdaten möglich und

nicht durch vordefinierte Aggregate eingeschränkt

Designprinzipien von SAP HANA

Speicherung aller Daten in Hautspeichern

Beste Ausnutzung von Hardware durch „Appliances”

Massiver Einsatz von Parallelverarbeitung

Spaltenorientierte und zeilenorientierte Datenhaltung

Implementierung von Business-Logik „in der Nähe” der Daten

Zur Optimierung der Leistungsmerkmale von In-Memory Datenmanagement kombiniert SAP HANA …

Änderungsdynamik der Daten

Schwankungsbreite der Kenngrößen

Anzahl der Auswerteoptionen

Dringlichkeit der Analyseergebnisse

Komplexität der Auswertung

Datenvolumen

Steigerung der Auswertehäufigkeit

Erhöhung der Auswerteflexibilität

Steigerung der Aktualität

Vergrößerung der Datenbandbreite

Höherer Detaillierungsgrad

Ges

chäf

tspr

ozes

s-ei

gens

chaf

ten

mög

liche

r Nut

zen

Geschäftsprozesseigenschaften und möglicher Nutzen

Anwendungsmuster - Überblick

Piller, Hagedorn: WuM 05 . 2011

Anwendungsmuster - Überblick

Piller, Hagedorn: WuM 05 . 2011

Ausverkauft? Noch frisch?

http://www.flickr.com/photos/42787780@N04/6984507532

Analyse von Verkaufs- und Bestandsdaten im Einzelhandel - insbesondere während Werbekampagnen

Verkaufszuwächse zwischen 300-500% innerhalb kurzer Zeit

Stündliche Entscheidung über Lieferpositionen

100 Mio. POS-Datensätze pro Tag

Unmittelbares Erkennen von Änderungen im Kaufverhalten

Schnelle Optimierung von Werbeaktivitäten, z.B. durch unterstützende, nicht-preisbezogener Verkaufsfördermaßnahmen

Operatives Reporting

Out-of-Stock-Rate bis 30%. Umsatzeinbußen (Lebensmittel/Dtld.) 1 Mrd. € / Jahr

Änderungsdynamik

Schwankungsbreite

Auswertungsoptionen

Dringlichkeit

Komplexität

Datenvolumen

Auswertungshäufigkeit

Flexibilität

Aktualität

Bandbreite

Detaillierungsgrad

Geschäftsprozesseigenschaften

Nutzenpotentiale

Point-of-Sales Datenmanagement - Beispiel

Vorgehen: On-the-fly Anreicherung und Aggregation von POS-Daten

Durchsatz: Pro Stunde bis zu 5 Mio Bonpositionen von Kasse zu Datenbank

Performance: Analyse von mehreren Milliarden POS- Bonpositionen in wenigen Sekunden

Anwendung: POS- Auswertung für national agierenden Einzelhändlers alle ca.15 Minuten

Deckungsbeiträge Änderungen? Verursacher?

Quelle: SAP AG

Änderungsdynamik

Schwankungsbreite

Auswertungsoptionen

Dringlichkeit

Komplexität

Datenvolumen

Ergebnis- und Profitabilitätsrechnung: Detaillierte Untersuchung der Einflussgrößen auf Rentabilitätskennzahlen

Viele Einflussfaktoren, Handlungsoptionen, z.B. Kostenallokation

Google-artige Analyse

Z.B. BASF EBIT-Analyse für 250 000 Produkte und 400 000 Kunden

Ad-hoc Analysen bei Preissenkung, Simulationen mit Preis-Absatz-Funktionen

Veränderbarer Bezugsstrukturen für Mengen-, Preis-, Kosten-, Rabatt- oder Struktureffekte

Plan-, Soll- oder Vergangenheitswerten

Einzelbelege – keine Aggregate

Explorative Analyse von Massendaten

Auswertungshäufigkeit

Flexibilität

Aktualität

Bandbreite

Detaillierungsgrad

Geschäftsprozesseigenschaften

Nutzenpotentiale

CO-PA @ ERP & HANA

CO-PA @ SAP HANA CO-PA @ SAP ERP

Quelle: SAP AG 2011 60-120 Mio Einzelsätze je Ergebnisbereich

http://www.flickr.com/photos/tschloss/4337134473

Individualisierte Energie Dienstleistungen

http://www.flickr.com/photos/misternaxal/5052206269

Auswertung von Daten aus Endverbrauchergeräten

Verarbeitung extrem umfangreicher, hoch dynamischer Konsumenten-daten aus „intelligenten“ Stromzählern – Smart Meter

Datenexplosion durch intelligente Messtechnik

eine Ablesung pro Kunde/Jahr 1 Mio Kunden –> 1 GB/Jahr

eine Ablesung pro Kunde/15 Min 1 Mio Profile –> 800 GB/Jahr

Hohe Änderungsdynamik und Schwankungsbreite des Stromverbrauchs

Viele Gestaltungsmöglichkeiten, z.B. Strompreispolitik

Kontinuierlicher Datenzugriff der Endkunden, Benchmarking in Echtzeit

Passgenaue Angebote durch detaillierte Kundensegmentierung

Genaue Prognosen durch statistische Verfahren mit aktuellsten Daten

Geschäftsprozesseigenschaften

Nutzenpotentiale

http://www.flickr.com/photos/simiezzz/1081915604

„Bestes Angebot“ zwischen zwei Klicks

Komplexe Auswertungsverfahren

Platzierung passgenauer Angeboten in Webshops in Bruchteilen von Sekunden mit Hilfe komplexer Echtzeitanalysen

Hohe Datenvolumen: TB Clickstream-Logs pro Tag

Vielzahl von Möglichkeiten für „Next Best Offer“, personalisierte Werbung

Unmittelbare Reaktion notwendig – „Next Best Activity“

Komplexe Rechenverfahren, z.B. Real Time Decisioning, automatisierte A/B Tests

Kundenindividuelle, situationsgerechte Angebote

Flexibles testen verschiedener Vorhersagemodelle

Unmittelbares Lernen anhand aktueller Kundenentscheidungen

Geschäftsprozesseigenschaften

Nutzenpotentiale

zwischen zwei Klicks: „beste Entscheidung”

Kundenwünsche & aktuelle Trends

Weitere Anwendungsbeispiele

„Fast Close“

Vertriebsreporting

Kundensegmentierung (Einzelhandel, CPG)

Konsumentenempfinden „Sentiments“ (Einzelhandel,CPG)

Personal Shopping Assistant (Einzelhandel)

Preisfindung (CPG)

Produktionsplanung (Konsum-,Industriegüterproduktion)

Qualitätsmonitoring (Halbleiterproduktion)

Kundenservice-Management (IT Service Management)

Gesundheitsvorsorge (Gesundheitswesen, Versicherungen)

DNA-Analyse (Gesundheitswesen, Forschung)

Telemetrie (Luftfahrt, Formel 1)

….

Fazit einer ersten Momentaufnahme In-Memory Datenmanagement: Massiver Einfluss auf die Neugestaltung bestehender betrieblicher Anwendungssysteme:

Zusammenfassung

Mögliche nächste Schritte Detailanalyse / Fallstudien zu aktuellen Implementierungsprojekten

Identifikation und Validierung von Anwendungsmuster und zugehörigen Referenzarchitekturen

Untersuchung von Adoptionsmustern für In-Memory Technologie

batch-artig betriebene Anwendungen werden zu interaktiv, explorativ und ad-hoc nutzbaren Lösungen