mobile.de ist Deutschlands größter Fahrzeugmarkt mit über 1,4 Millionen Fahrzeugen und mehr als 40 Millionen Besuchen täglich. Die Nutzerfreundlichkeit der Autobörse und der schnelle Verkaufserfolg für die Anbieter bilden das zentrale Kundenversprechen, das kontinuierlich durch innovative Mehrwert-Dienste sichergestellt und ausgebaut wird. Im Rahmen dieser Mehrwert-Strategie hat mobile.de gemeinsam mit inovex zwei Datenprodukte für die Beurteilung von Angebotspreisen („Marketprice“) und für individuelle Fahrzeugempfehlungen entwickelt. Dazu gehört ein Algorithmus, der aus den mehr als zehntausend Fahrzeugen, die täglich neu eingestellt werden, die attraktivsten Angebote berechnet. Diese werden als „Top Preis“ ausgewiesen und bieten eine neutrale, weil datengetriebene Preisempfehlung für die Käufer. Die technische Grundlage für die Datenprodukte ist eine Big-Data-Plattform, mit der die Angebots- und Web-Traffic-Daten verarbeitet werden. Diese Basisinfrastruktur erlaubt die fehlertolerante Verarbeitung von Datenströmen mit Apache Kafka aus verschiedenen Quellen, wobei die zentrale Speicherung mittels HDFS, Cassandra und Elasticsearch erfolgt. Die Big-Data-Plattform wird für alle Datenprodukte von mobile.de einheitlich genutzt und ermöglicht sehr schnelle Iterationen in einem agilen Entwicklungsprozess. In diesen Prozess sind auch die Produktmanager integriert. Ideen für die Veränderung der Web-Plattform auf Basis von Datenanalysen werden von Produktmanagern, Data Scientists und Data Engineers gemeinsam abgeschätzt. Erst dann geht eine neue Idee in den „normalen“ Entwicklungsprozess über. Im Vortrag erörtern wir sowohl die Einflussfaktoren, die sich auf Dimensionierung der Infrastruktur maßgeblich ausgewirkt haben, als auch die organisatorischen und prozessualen Anpassungen. Event: BITKOM Big Data Summit, 16.02.2017 Speaker: Dr. Christoph Tempich (inovex), Benjamin Eckart (mobile.de) Weitere Tech-Vorträge: https://www.inovex.de/de/content-pool/vortraege/ Tech-Blog: https://www.inovex.de/blog/

1. Datenprodukte
für Deutschlands größten Fahrzeugmarkt
Vortrag beim BITKOM Big Data Summit
am 16. Februar 2017 in Hanau

2. 2
Was
darf dieses Auto
kosten?
Quelle: mobile.de

3. 3
Vortragende
Benjamin Eckart
Manager
Software Development
Trust & Safety
mobile.de
Dr. Christoph Tempich
Head of Consulting
inovex GmbH

4. 4
MOBILE.DE
DEUTSCHER
MARKTFÜHRER
13,53 MIO
UNIQUE USER
IM MONAT
1,4 MIO
FAHRZEUGE
65%
TRAFFIC ÜBER
MOBILE ENDGERÄTE

5. 5
290
MITARBEITER
DREILINDEN /
FRIEDRICHSH
AIN BERLIN
FIRMENSITZ
GEBRAUCHTWAGEN
NEUWAGEN
ADVERTISING
WICHTIGSTE
GESCHÄFTSELDER

6. inovex ist ein IT-Projekthaus für die Digitale Transformation:
‣ Agile Development & Management
‣ Web · UI/UX · Replatforming · Microservices
‣ Mobile · Apps · Smart Devices · Robotics
‣ Big Data & Business Intelligence Platforms
‣ Data Science · Data Products · Search · Deep Learning
‣ Data Center Automation · DevOps · Cloud · Hosting
‣ Trainings & Coachings
Wir nutzen Technologien,
um unsere Kunden glücklich zu
machen. Und uns selbst.
inovex gibt es in
Karlsruhe · Pforzheim ·
München · Köln · Hamburg.
Und natürlich unter
www.inovex.de

7. 7
Agenda
Fragestellungen bei mobile.de
Vorgehen
Ergebnisse
Ausblick

8. 8
Fragestellungen und Vorgehen

9. 9
Fragestellungen
Welche Infrastruktur ist geeignet?
Wie ist das Datenprodukt-Management
organisiert?
Welche Strategie verfolgen wir mit
Datenprodukten?
Welche Datenprodukte haben einen Mehrwert?
Welche Datenprodukte können wir wann
umsetzen?
Wie findet ein datengetriebener Ansatz Einzug in
die Produktentwicklung?
Datenstrategie Datenprodukte

10. 10
Ziele
Verkürzung der Cycle Times
Jedes Produkt wird A/B-getestet
Jeder Cycle trägt zur Erkenntnis bei
Fokus im Projektverlauf
1. Build: Aufbau der Basis Infrastruktur, Datenintegration
2. Measure: Richtige Zielgrößen für den A/B-Test
3. Idea: die richtigen Datenprodukte
Lean Startup*
IDEA
BUILD
PRODUCT
MEASURE
DATA
LEARN
MVP
* Eric Ries – The Lean Startup
Vorgehen

11. 11
Ergebnisse

12. 12
Architektur-Überblick
Datenschutzkonforme Datenspeicherung
innerhalb der EU
Integration zahlreicher Datenquellen
Gelöste Herausforderungen Aktuelles Thema
Echtzeitfähige Datenprodukte auf dem
Data Stream

13. 13
Größenordnungen
Technische Daten
Events: 5.000-10.000 pro Sekunde
Ungefähr 10 MB pro Sekunde
50 Data Nodes, 1.400 Cores, 10 TB Memory
im Cluster
Aussicht auf Ausbau auf 90 Nodes
2 PB konfiguriert für das HDFS
Websites ähnlicher Größenordnung*
* Monatliche Unique visitors nach AGOF, statista.de, 2016.

14. 14
Statistisches
Modell
Nutzung der Informationen
verschiedener Anzeigen,
um ein Preismodell zu
erzeugen
Berechnung des „fairen“
Preises auf Basis der
eingegebenen Informationen
auf der Webseite
Modellierung des Fair Value
Verschiedene Anzeigen
1
2

15. 15
-10.7%+10.6%
-21.1% +26.8%
225k kürzlich
gelöschte Anzeigen
-0.4%
1.1%
Modell
[Vorhersage] – [Tatsächlicher Preis]
[Tatsächlicher Preis]
100 
Ergebnis – Vorhersage vs. Online-Preis
Abweichung der Vorhersage
vom Online-Preis

16. 16
Quelle: mobile.de; https://de.wikipedia.org/wiki/AWZ_P70
2.700 €
im Ursprungs-
zustand

17. 17
Herausforderung:
Integration von Wunsch und Möglichkeit
Die Lösung von Data-Science-Problemen
ist in der Regel nicht trivial
Eine genaue Schätzung ist schwierig
Es werden die gleichen Skills für die
Evaluierung der Lösungsoptionen wie für
deren Implementierung benötigt
Discovery
Delivery
Liefern
Lernen
Prozess

18. 18
Start als Team innerhalb der CFO-
Organisation
Nutzung der vorhandenen Kenntnisse über
Datenquellen und Integration
Nutzung der crossfunktionalen Vernetzung
zur Etablierung des Themas
Inkubator zum Testen
CFO CIO
… BI…
Data team
Site OPS …
Dev
PM
CPO
…
Integration von Produktmanagement, IT
und Daten unter einem CPTO
Stärkere Integration in den
Entwicklungsprozess
Weniger Reibungsverluste in der
Kommunikation
Schnellere Produktentwicklungszyklen
CFO
BI…
Data team
Site OPS …
Dev
PM
CPTO
…
Organisation: Von der BI-Abteilung in den Technikbereich

19. 19
Ausblick

20. 20
Empfehlungen auf der Homepage

21. 21
Zusammenfassung
Die technische Infrastruktur wurde aufgebaut.
Das Nutzungserfahrung konnte nachweislich verbessert werden.
Die Organisation bekommt ein Gefühl für die Möglichkeiten von Datenprodukten.
Die Prozesse zur Erstellung von Datenprodukten sind etabliert.
Die Pipeline ist gefüllt.

22. 22
Welche Datenprodukte bauen Sie gerade?