Data-Driven Systems: State-of-the-Art in Wissenschaft
und Praxis
Prof. Dr. Heiner Stuckenschmidt und Prof. Dr. Alexander M...
Agenda
Agenda
1

Einführung

2

Technologien zur Extraktion, Integration und Analyse von Daten

3

Intelligente Geschäftsp...
Viele neue technologische Potenziale im Datenumfeld

Big Data

Data Governance

Data Quality

Linked Open Data
Data Wareho...
… und Managementkonzepte im Unternehmenskontext

4
Was ist ein „Data-Driven System“?
•

•

Informationssysteme sind soziotechnische Systeme, welche aus
den Elementen IT, Men...
Agenda
Agenda
1

Einführung

2

Technologien zur Extraktion, Integration und Analyse von Daten

3

Intelligente Geschäftsp...
Daten, Informationen, Wissen
Wissen

Interpretation

Wir haben ein Problem
In der Lagerhaltung!

Informationen
Kontext

Da...
Lebenszyklus zur Transformation von Daten in Wissen

Analyse

Extraktion

Unterstützende
Infrastrukturen

Integration
Extraktion


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



Informationsextraktions-Prozess bei unstru...
Informationsextraktion aus unstrukturierten Daten

10
Anwendungsbeispiel: Lead Generation
Identifikation potentieller Kunden
über deren Web-Auftritt:
•

Schlagworte

•

Webseit...
Anwendungsbeispiel: Lead Generation
Identifikation von Ansprechpartnern
Extraktion von Kontaktinformationen:
•

Name, Vorn...
Lebenszyklus zur Transformation von Daten in Wissen

Analyse

Extraktion

Unterstützende
Infrastruktur

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

Be...
Anwendungsbeispiel: Produktdatenmanagement

Zulieferer

Kunden
Vom Datenblatt zum Modell

17
Definition von Mapping-Regeln

18
Lebenszyklus zur Transformation von Daten in Wissen

Analyse

Extraktion

Unterstützende
Infrastruktur

Integration
Was tun mit all den Daten?
Verfügbarkeit von Informationen reicht
nicht, man muss die richtigen
Schlüsse daraus ziehen!
Er...
Anwendungsbeispiel: Kundensonderwünsche

•

Extrem Variantenreiche Produkte:
z.B. Stadt- und Reisebusse

•

Sonderwünsche ...
Anwendungsbeispiel: Kundensonderwünsche
Datenbasis:
> 0.5 Mio Freitextbeschreibungen von
Sonderwünschen für unterschiedlic...
Anwendungsbeispiel: Kundensonderwünsche

24
Lebenszyklus zur Transformation von Daten in Wissen

Analyse

Extraktion

Unterstützende
Infrastruktur

Integration
Big Data Werkzeuge

26
Wissensressourcen – Beispiel DBpedia
Multilinguale Wissensbasis auf der Basis von Wikipedia
Englische Version enthält Besc...
Agenda
Agenda
1

Einführung

2

Technologien zur Extraktion, Integration und Analyse von Daten

3

Intelligente Geschäftsp...
Daten als Basis für “Intelligent Business Operations”

29
Wertgenerierung mit Daten: Das Beispiel Deutsche Bahn

Model of Reality

Model for Optimization

30

Real-Time Events & Mo...
Forschungsprojekt „Process Visibility“

31
Forschungsprojekt „Process Visibility“

SAP Operational Process Intelligence
powered by HANA
Enhanced visibility
for proce...
„Process Visibility” im Privatkundengeschäft von Banken
Request Entry

Request Update

Request Update

 Exemplarische Kun...
Agenda
Agenda
1

Einführung

2

Technologien zur Extraktion, Integration und Analyse von Daten

3

Intelligente Geschäftsp...
Zusammenfassung

1

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

2

...
Danke für Ihre Aufmerksamkeit!
Prof. Dr. Heiner Stuckenschmidt
University of Mannheim | School of Business Informatics and...
Upcoming SlideShare
Loading in …5
×

Data-Driven Systems - Overview Presentation at InES Symposium 2013

361 views
256 views

Published on

Overview Presentation at InES Symposium 2013 http://www.institute-for-enterprise-systems.de/ines-symposium-2013.html

Published in: Technology
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
361
On SlideShare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
4
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Data-Driven Systems - Overview Presentation at InES Symposium 2013

  1. 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. 2. Agenda Agenda 1 Einführung 2 Technologien zur Extraktion, Integration und Analyse von Daten 3 Intelligente Geschäftsprozesse 4 Zusammenfassung 2
  3. 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. 4. … und Managementkonzepte im Unternehmenskontext 4
  5. 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. 6. Agenda Agenda 1 Einführung 2 Technologien zur Extraktion, Integration und Analyse von Daten 3 Intelligente Geschäftsprozesse 4 Zusammenfassung 6
  7. 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. 8. Lebenszyklus zur Transformation von Daten in Wissen Analyse Extraktion Unterstützende Infrastrukturen Integration
  9. 9. Extraktion  ETL (Extract-Transform-Load) Prozess bei strukturierten Daten  Informationsextraktions-Prozess bei unstrukturierten Daten 9
  10. 10. Informationsextraktion aus unstrukturierten Daten 10
  11. 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. 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. 13. Lebenszyklus zur Transformation von Daten in Wissen Analyse Extraktion Unterstützende Infrastruktur Integration
  14. 14. Datenintegration Datenintegration ist die Herstellung einer einheitlichen und konsistenten Sicht auf vorhandene Daten. Benutzer ERP ExcelSheet Legacy CRM Heterogene Applikationssysteme 14 Master Data
  15. 15. Anwendungsbeispiel: Produktdatenmanagement Zulieferer Kunden
  16. 16. Vom Datenblatt zum Modell 17
  17. 17. Definition von Mapping-Regeln 18
  18. 18. Lebenszyklus zur Transformation von Daten in Wissen Analyse Extraktion Unterstützende Infrastruktur Integration
  19. 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. 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. 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
  22. 22. Anwendungsbeispiel: Kundensonderwünsche 24
  23. 23. Lebenszyklus zur Transformation von Daten in Wissen Analyse Extraktion Unterstützende Infrastruktur Integration
  24. 24. Big Data Werkzeuge 26
  25. 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. 26. Agenda Agenda 1 Einführung 2 Technologien zur Extraktion, Integration und Analyse von Daten 3 Intelligente Geschäftsprozesse 4 Zusammenfassung 28
  27. 27. Daten als Basis für “Intelligent Business Operations” 29
  28. 28. Wertgenerierung mit Daten: Das Beispiel Deutsche Bahn Model of Reality Model for Optimization 30 Real-Time Events & Mobile Delivery
  29. 29. Forschungsprojekt „Process Visibility“ 31
  30. 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. 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. 32. Agenda Agenda 1 Einführung 2 Technologien zur Extraktion, Integration und Analyse von Daten 3 Intelligente Geschäftsprozesse 4 Zusammenfassung 34
  33. 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. 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

×