Business Cases mit SAP HANA

44
Leseprobe In dieser Leseprobe erfahren Sie ausführlich, welche Idee hinter »Big Data« steckt und worin dabei die Innovationskraft für SAP HANA liegt. Michael Mattern, Ray Croft Business Cases mit SAP HANA 591 Seiten, gebunden, Juni 2014 69,90 €, ISBN 978-3-8362-2673-8 www.sap-press.de/3495 »Big Data: Mehr als eine Performance- frage« (Kapitel 1) Inhaltsverzeichnis Index Die Autoren Leseprobe weiterempfehlen Wissen aus erster Hand.

Transcript of Business Cases mit SAP HANA

Page 1: Business Cases mit SAP HANA

LeseprobeIn dieser Leseprobe erfahren Sie ausführlich, welche Idee hinter »Big Data« steckt und worin dabei die Innovationskraft für SAP HANA liegt.

Michael Mattern, Ray Croft

Business Cases mit SAP HANA591 Seiten, gebunden, Juni 2014 69,90 €, ISBN 978-3-8362-2673-8

www.sap-press.de/3495

»Big Data: Mehr als eine Performance- frage« (Kapitel 1)

Inhaltsverzeichnis

Index

Die Autoren

Leseprobe weiterempfehlen

Wissen aus erster Hand.

Page 2: Business Cases mit SAP HANA

23

»Realität ist nur eine Illusion, allerdings eine sehr hartnäckige.«

Albert Einstein zugeschrieben (1879–1955)

1 Big Data: Mehr als eine Performancefrage

Der Mistral hatte wieder eingesetzt. Norbert winkelte die Beine an undrückte ein wenig in die Sonne. Der eisige Wind fegte schon seit Anfangder Woche von den schottischen Highlands das Rhônetal hinab bis in dieProvence. Trotzdem war es hier unten fast windstill. Im Schutz der steilenTalflanken und des Kreuzgangs erschien es ihm fast absurd, dass es erstAnfang März war. In Brüssel wirbelte der Feierabendverkehr jetzt nas-sen Schneematsch auf Passanten, die aus den Büros durch Nieselregen zuden Straßenbahnen hasteten; hier wärmte die Abendsonne sein Gesicht.

Abbildung 1.1 Lichtspiel im Kloster Sénanque, Département Vaucluse, Frankreich

Er war noch nie um diese Zeit im Kreuzgang gewesen, und vielleicht warihm deshalb noch nie das eigenartige Lichtbild aufgefallen, das die tiefstehende Sonne durch die Arkaden auf den Sandstein warf. Norbertstand auf und ging zu der Wand hinüber. War das wirklich eine Prozes-

Page 3: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

24

sion von Mönchen mit übergezogener Kapuze oder bildete er sich das nurein? Denkbar war schon, dass die Steinmetze vielleicht einen pfiffigenWeg gefunden hatten, die Bauvorschriften der Zisterzienser auszutrick-sen. Bernhard von Clairvaux, Vater des Ordens, hatte die Ablenkungdurch Bilder verboten, und so verzichtete man in den Klöstern auf Orna-mente und auf Farben. Oder nahm er Figuren in Kapuzen wahr, wo nurstrukturlose Lichtgebilde waren, einfach weil ihn der Gedanke amüsierte?

Norbert kam die Sitzung zur Investitionsplanung vor zwei Wochen in denSinn. Der CFO einer Großmolkerei hatte herausgefunden, dass man inExcel mit der Funktion FTEST die Streuung von zwei Stichproben verglei-chen konnte, und eine entsprechende Formel dann auf alle Datensätzelosgelassen, die er im Data Warehouse fand. So war er schließlich zu derErkenntnis gelangt, dass das Werk in seiner Heimatstadt Charleroi (inder er in Kürze für den Gemeinderat kandidieren wollte) in puncto Her-stellqualität eine – wie er sich ausdrückte – »signifikant geringere Streu-ung« aufwies als alle anderen Produktionsstätten des Unternehmens.Daher müsse das Werk unbedingt auch die neueste Produktlinie – einenJoghurt mit Brausepulver – übernehmen und alsbald erweitert werden.

Der Produktionsleiter Stephane van Leeuwen, verantwortlich für einWerk im flämischen Teil des Landes und maßgeblich an der Entwicklungvon »Kitzel-Ghurt« (der Projektname für den neuen Joghurt) beteiligt,hatte erwidert, die Stabilität sei tatsächlich beeindruckend: Das Werk inCharleroi liefere stets konstant lausige Qualität, und selbst dieses nied-rige Qualitätsniveau werde nur gehalten, weil man dort ausschließlichH-Milch – den allersimpelsten Artikel – erzeuge. Man solle eher darübernachdenken, das Werk zu schließen oder wegen des negativen Einflussesauf das Firmenimage zumindest die Ortsangabe von den Verpackungentilgen. Jedermann in Europa wisse ja schließlich, dass Charleroi gerade ineiner repräsentativen Umfrage den Ehrentitel »hässlichste Stadt derWelt« erhalten habe. Der CFO hatte darauf noch kurz etwas über Leninund gefälschte Statistiken gemurmelt, das Meeting mit hochrotem Kopfverlassen und war schnurstracks zum CEO geeilt, um mit diesem über dieberufliche Zukunft von Monsieur van Leeuwen zu diskutieren. Norberthatte fassungslos auf seinem Stuhl gesessen und versucht, sich nicht vor-zustellen, welche revolutionären Kopfgeburten hier wohl nach der anste-henden Einführung von SAP Predictive Analysis auf einer In-Memory-Datenbank (SAP HANA) entstehen würden. Er gruselte sich bei demGedanken an die ersten Meetings nach dem Produktivstart.

Was heißt Big Data? 1.1

25

Richtige Auswer-

tung entscheidet

Allzu gern lassen wir uns – in gutem Glauben – bei der Analyse vonDaten auf voreilige Schlüsse ein, nur weil diese perfekt in unsereDenkschablonen passen. Und im Fall des Milchverarbeiters dürfteBig Data in dieser Hinsicht kaum zu Verbesserungen führen. Ganz imGegenteil wird die Möglichkeit entstehen, auf 80 ProzessorkernenIrrtümer wesentlich schneller und in größerer Anzahl als bislang her-vorzubringen und diese fixer in Fehlentscheidungen umzusetzen. Indiesem Kapitel möchten wir zunächst definieren, was genau Big Dataaus unserer Sicht eigentlich bedeutet. Wichtig ist uns, dass zu BigData mehr gehört als viele Prozessorkerne und schnelle Datenban-ken und dass es bei Big Data um mehr als nur um mehr Rechenleis-tung geht. Anschließend möchten wir Ihnen einige Anhaltspunktedafür geben, wie (und unter welchen Voraussetzungen) Big-Data-Lösungen Nutzen schaffen können, wo (das heißt, in welchen Ge-schäftsprozessen) solcher Nutzen auftreten und wie sich dieser Nut-zen in bare Münze (sprich: in Aktionärswert) umsetzen lässt. Dabeierläutern wir auch den Begriff Aktionärswert und gehen darauf ein,über welche Faktoren (oder Werttreiber) aus Nutzen Aktionärswertwird. Basierend auf den drei Dimensionen Nutzen, Geschäftspro-zesse und Aktionärswert, schlagen wir Ihnen im letzten Abschnittdieses Kapitels ein Vorgehen vor, das Sie sowohl für die Evaluationexistierender Projektvorschläge als auch für die Suche nach neuenIdeen nutzen können. Dieses Gerüst werden wir auch in unserenFallstudien verwenden.

1.1 Was heißt Big Data?

In einer Studie des Branchenverbands BITKOM aus dem Jahr 2012wird Big Data wie folgt definiert:

»Big Data unterstützt die wirtschaftlich sinnvolle Gewinnung undNutzung entscheidungsrelevanter Erkenntnisse aus qualitativ vielfälti-gen und unterschiedlich strukturierten Informationen, die einemschnellen Wandel unterliegen und in bisher ungekanntem Umfang zuVerfügung stehen. Big Data spiegelt den technischen Fortschritt derletzten Jahre wider und umfasst dafür entwickelte strategischeAnsätze sowie eingesetzte Technologien, IT-Architekturen, Methodenund Verfahren.«

Page 4: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

26

Big Data beschreibt also keine spezifische technische Lösung, son-dern ist ein Sammelbegriff für Technologien, Architekturen, Methodenund Verfahren, die alle auf ein Ziel ausgerichtet sind: entscheidungs-relevante Erkenntnisse wirtschaftlich sinnvoll zu gewinnen und zunutzen.

Innovation bei

Big Data

Aber was genau soll dann an Big Data neu sein? Dienten R/3, R/2,dessen Vorgänger »R1« oder – noch früher (ab 1973) – die allerersteSoftware RF der SAP AG nicht auch der »wirtschaftlich sinnvollenGewinnung von entscheidungsrelevanten Erkenntnissen«? EinenHinweis darauf, dass es sich bei Big Data nicht nur um graduelle Ver-besserungen, sondern um eine Revolution handelt – eine Revolutionhinsichtlich der Art, wie Daten verarbeitet werden können –, liefernvier weitere Stichworte aus der BITKOM-Definition: qualitativ viel-fältiger und unterschiedlich strukturierte Informationen, schneller Wan-del, bisher ungekannter Umfang und technischer Fortschritt. Bei denersten drei dieser Stichworte geht es um neue Herausforderungen,das vierte verweist darauf, dass jetzt neue technische Lösungen exis-tieren, um diesen Herausforderungen zu begegnen.

� Qualitativ vielfältige und unterschiedlich strukturierte InformationenBei Big Data geht es um die Analyse sehr heterogener, oft unstruk-turierter Datenbestände (Text, Sprache, Bilder, Videos). Seit denAnfangstagen der IT hat sich der Mensch (als der Flexiblere vonbeiden) stets dem Rechner angepasst. Unsere Eingabemöglichkei-ten waren begrenzt auf Bildschirmmasken; beim Ausfüllen vonmaschinenlesbaren Formularen mussten wir darauf achten, jedenBuchstaben einzeln sorgfältig in einem kleinen Kästchen zu plat-zieren. Aber ein Reiseveranstalter, der sich heute immer noch da-rauf beschränkt, nur das auszuwerten, was Menschen freiwillig inFeedback-Bögen schreiben, bemerkt nicht, wenn 80 von 100 Kun-den auf http://www.holidaycheck.de/ über das 5-Sterne-plus-HotelMosquito Beach lästern und das Flaggschiff im neuen Katalog alseine »von Kakerlaken durchseuchte Absteige« beschreiben. Ge-schieht dies regelmäßig, sind die Tage des Unternehmens – oderzumindest die des Marketingchefs – wohl gezählt.

� Schneller WandelDie Rahmenbedingungen, unter denen wir (datenbasiert) Ent-scheidungen treffen müssen, ändern sich nicht mehr jährlich,

Was heißt Big Data? 1.1

27

monatlich oder täglich, sondern jede Minute oder Sekunde. Wasgerade noch eine prima Idee gewesen sein mag, kann kurz darauflängst veraltet sein. Wer schon einmal auf http://www.amazon.de/ein gebrauchtes Buch verkauft hat, weiß, dass das System beimAnlegen des Angebots mitteilt, was das gleiche Buch aktuell beimgünstigsten Anbieter kostet. Und wenn das 5 € sind, stellen Sieals cleverer Verkäufer natürlich Ihr eigenes Buch für 4,99 € ein.Dumm nur, wenn das die anderen Anbieter (z.B. durch eineautomatische Benachrichtigung via Google Alert, siehe http://www.google.de/alerts) bemerken und direkt nach Aktivierung IhresAngebots den eigenen Preis auf 4,98 € reduzieren.

� Bisher ungekannter UmfangDaten liegen heute in Mengen vor, von denen man zu Zeiten vonR1 nicht einmal zu träumen wagte. In den Anfangstagen der SAPAG hatten Großrechner einen Arbeitsspeicher von etwa ein bisvier Megabytes. Das ist ungefähr ein Tausendstel dessen, wasIhnen heute in einem iPhone 5s zur Verfügung steht. Und wennSie ein mit dem iPhone aufgenommenes Video zu Analysezwe-cken in den Arbeitsspeicher laden möchten, reichen vier Mega-bytes (je nach Komprimierungsrate) für gerade einmal 0,1 bis 0,4Sekunden Filmmaterial. Einem Artikel der Welt vom 16. Juli 2013zufolge verdoppelt sich alle zwei Jahre das weltweite Datenvolu-men; große Unternehmen rechnen bei der Kapazität ihrer DataWarehouses nicht mehr in Gigabyte oder Terabyte, sondern eherin Petabyte.

� Technischer FortschrittUngefähr gegen Mitte des letzten Jahrzehnts ist eine neue Art vonDatenbanksystemen in den Fokus gerückt, mit deren Hilfe zeitkri-tische Analysen und Auswertungen auch auf sehr großen Daten-beständen schneller als je zuvor erstellt werden können. Gemeintsind sogenannte In-Memory-Datenbanken (hauptspeicherresidenteDatenbanken), die die für Berichte benötigten Daten nicht von derFestplatte, sondern direkt aus dem Arbeitsspeicher beziehen.

Entwicklung der

In-Memory-

Datenbanken

Anfangs wurden bei der In-Memory-Technologie lediglich die aufFestplatten gespeicherten Daten in den Hauptspeicher gespiegelt(Caching). Auf diesem Prinzip basierte z.B. der ab 2007 verfügbareSAP Business Warehouse Accelerator (BWA). Zwischenzeitlich istman aber dazu übergegangen, den Hauptspeicher als primäres

Page 5: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

28

Medium für die Datenablage zu nutzen. Qualitätsverbesserungenund Preissenkungen bei Speicherbausteinen, die Überwindung vonKapazitätsgrenzen beim Arbeitsspeicher durch das verteilte Rechnen,die Möglichkeit, Daten in mehrfach redundanten, hochverfügbarenSystemen zu replizieren und neue Ansätze beim Logging haben dieVoraussetzungen hierfür geschaffen. Heutzutage genügen auchhauptspeicherresidente Datenbanken für die im kommerziellenBetrieb unverzichtbaren sogenannten AKID-Anforderungen (Atomi-tät, Konsistenz, Isoliertheit, Dauerhaftigkeit).

Verteiltes Rechnen

Verteiltes Rechnen, auch paralleles Rechnen, verteilte Umgebungen oderverteilte Systeme genannt, ist ein Ansatz, bei dem rechenintensive Aufga-ben nicht durch nur eine Maschine bearbeitet, sondern durch eine spezi-elle Software aufgeteilt und von einem mehr oder weniger lose gekoppel-ten Verbund von Computern erledigt werden. Dieser Verbund – auch alsCluster oder Grid bezeichnet – wird dadurch zu einem virtuellen Super-computer.

Mooresches Gesetz Auch In-Memory-Datenbanken profitieren vom Mooreschen Gesetz,demzufolge sich die Leistung neuer Computerchips etwa alle 20Monate verdoppelt. SAP HANA Appliances nutzen beispielsweiseMehrkernprozessoren mit 64-Bit-Architekturen und entsprechendschnelle Hauptspeicherbausteine.

Wenn der Hauptspeicher zur Datenbank wird, lassen sich nicht nurschnellere Abfragen, sondern auch höhere Schreibgeschwindigkei-ten realisieren. Außerdem müssen veränderte Daten nicht erst per-sistent abgelegt und in den Hauptspeicher repliziert werden. NeueDaten stehen sofort für das Berichtswesen zur Verfügung. Bei Abfra-gen in der SAP Business Suite beispielsweise spricht SAP von einem3.600 Mal schnelleren Zugriff (Stand Oktober 2013); bei Schreibvor-gängen wie etwa der Aktivierung von Daten in DataStore-Objekten(DSO) ist von einer etwa 100-fachen Beschleunigung die Rede.

1.1.1 In-Memory-Datenbanken als Schlüsseltechnologie

In-Memory-Datenbanken sind also eine der Schlüsseltechnologienfür Big Data. Aus diesem Grund möchten wir an dieser Stelle klären,was genau unter einer In-Memory-Datenbank zu verstehen ist. Untereiner In-Memory-Datenbank verstehen wir ein Datenbanksystem,

Was heißt Big Data? 1.1

29

das seine Daten (zunächst einmal) nicht auf konventionellen Fest-platten oder Halbleiterlaufwerken, sondern im Arbeitsspeicher ab-legt. Das theoretische Grundprinzip von In-Memory-Datenbankenbesteht also darin, nur in den Hauptspeicher zu schreiben und beiLesevorgängen nur auf Daten aus dem Hauptspeicher zuzugreifen.

Ergänzende

persistente

Datenablage

Um aber die bereits erwähnten AKID-Anforderungen an Daten-banksysteme erfüllen zu können (und den IT-Verantwortlichenschlaflose Nächte zu ersparen), wird dieses Grundprinzip zumindestheute noch in mehrerlei Hinsicht durchbrochen. Bei Verwendungdes Hauptspeichers als primäres Speichermedium muss ein besonde-res Augenmerk auf das »D« in der Abkürzung AKID (die Dauerhaf-tigkeit) gerichtet werden. Wertvolle Unternehmensdaten sollenschließlich auch bei Hard- oder Softwarefehlern, Stromausfällen oderNaturkatastrophen erhalten bleiben. Deshalb arbeiten auch In-Memory-Datenbanken mit einer ergänzenden, persistenten Daten-ablage. Insgesamt existieren bei diesen Datenbanken in der Regel diefolgenden »Sicherheitsnetze«:

� RedundanzDurch mehrfache Redundanzen auf unterschiedlichen Ebenenwird gewährleistet, dass die eingesetzten Systeme hochverfügbargehalten werden. Unter Hochverfügbarkeit versteht man dabeiheutzutage eine Verfügbarkeit von über 99,99 % (99,99 % ent-sprechen – auf ein Jahr gerechnet – immer noch einer möglichenStillstandszeit von knapp 53 Minuten).

� Persistenz/BackupsÄnderungen an den Daten werden nicht nur im Hauptspeichervorgenommen, sondern immer auch in persistente (Delta-)Logsfortgeschrieben. Zudem werden periodisch (zum Zeitpunkt soge-nannter Savepoints) auch noch persistente, in sich konsistenteAbbilder der Datenbank erstellt. Schließlich werden (mit konven-tionellen Tools) unterschiedliche Backups der Daten erstellt (z.B.Backups der Logs).

� Alles aus einer HandIn-Memory-Datenbanken werden oft in Form von Appliances –Kombinationen aus Hard- und Software – ausgeliefert. Wenn allebeteiligten Komponenten aus einer Hand stammen und aufeinan-der abgestimmt sind, verringert sich (theoretisch) die Gefahr von

Page 6: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

30

Unverträglichkeiten oder Problemen beim Zusammenwirken vonSoft- und Hardware und damit die Ausfallwahrscheinlichkeit.

� Sonstige MaßnahmenAbgesehen davon werden natürlich auch für In-Memory-Daten-banken in puncto Datensicherheit die gleichen Maßnahmen wiefür alle IT-Systeme (räumliche Redundanz, Entmaschung, keinSingle Point of Failure etc.) ergriffen.

Appliance

Eine Appliance (wie z.B. SAP HANA) ist ein integriertes Produkt aus Soft-und Hardware, das entwickelt wurde, um eine oder mehrere spezifischeFunktionen auszuführen. Anders als bei traditionellen Hardwarelösungenund Softwarepaketen sind bei einer Appliance der Austausch einzelnerBausteine oder spätere Modifikationen des Quellcodes – z.B. durch dieIT-Abteilung eines Unternehmens – nicht vorgesehen.

In diesem Sinn ähnelt eine Appliance einem Haushaltsgerät (engl. House-hold Appliance), z.B. einem Herd, der typischerweise versiegelt ist unddurch seinen Eigentümer nicht verändert, umprogrammiert oder gewartetwird. Vorteile einer Appliance sind einfache Bedienbarkeit, Zuverlässig-keit und hohe Performance; der wesentliche Nachteil liegt in der Abhän-gigkeit vom Hersteller. In gewissem Sinn bewegt man sich mit der Ideeder Appliance daher wieder zurück zu den Anfängen der IT-Industrie. Inder Welt der Großrechner beispielsweise stammten Hardware, Betriebs-system und Peripherie normalerweise vom selben Anbieter. Die FirmaApple beispielsweise hat diese Philosophie – was das Betriebssystembetrifft – bis heute beibehalten. Nicht zuletzt deshalb gelten Apple-Pro-dukte wohl auch als besonders sicher – aber auch als relativ teuer.

Andere Beispiele für Appliances sind:

� IBM Netezza

� Cisco UCS

� Oracle Exadata

� Fluke Networks Visual TruView

Von diesen Beispielen für Appliances sind übrigens IBM Netezza undOracle Exadata hinsichtlich ihrer Einsatzbereiche mit SAP HANA ver-gleichbar, Cisco UCS und Fluke Networks Visual TruView dienen speziel-leren Zwecken im Bereich Infrastruktur.

Virtuelle

Speicherverwaltung

Nicht aus Sicherheitsgründen, sondern weil der Preis für ein Gi-gabyte Hauptspeicher heute noch etwa 100 Mal höher ist als die Kos-ten für die gleiche Menge klassischer Festplattenkapazität, werdenaußerdem auch bei In-Memory-Datenbanken Daten auf persistente

Was heißt Big Data? 1.1

31

Speichermedien ausgelagert (virtuelle Speicherverwaltung). Daten,auf die selten zugegriffen wird (sogenannte kalte Daten), werden aufFestplatten gespeichert, heiße Daten, bei denen es auf kurze Zugriffs-zeiten ankommt, verbleiben im Hauptspeicher. Gelegentlich werdenausgelagerte Daten noch feiner in kalte und warme Daten unterteilt;kalte Daten landen dann auf konventionellen Festplatten, warme aufHalbleiterfestplatten (Kosten pro Gigabyte etwa zehn Mal höher alsbei konventionellen Festplatten, dafür Zugriffszeiten nur etwa einHundertstel der Werte konventioneller Festplatten).

Alternative Bezeichnungen für In-Memory-Datenbanken

In-Memory-Datenbanken werden gelegentlich auch als Echtzeitdaten-banken (Realtime Databases, RTDB), In-Memory-Datenbanksysteme oderHauptspeicherdatenbanken (Main Memory Databases, MMDB) bezeichnet.

Erste SchritteDie Idee, Suchen und Analysen durch die Ablage größerer Datenbe-stände im Hauptspeicher zu beschleunigen, entstand nicht erst Mittedes letzten Jahrzehnts. Schon 1990 gab es erste Versuche in dieserRichtung, und auch SAP hat schon 1999 damit begonnen, diverse In-Memory-Lösungen mit – im Vergleich zu SAP HANA – eingeschränk-tem Funktionsumfang zu entwickeln (SAP liveCache, Text Retrievaland Information Extraction (TREX), Business Intelligence Accelerator(BIA)/Business Warehouse Accelerator (BWA)). Eine detaillierteÜbersicht finden Sie in Jeffrey Words E-Book SAP HANA Essentials.

Konzeptionelle

Besonderheiten

Die außergewöhnlich hohe Geschwindigkeit von In-Memory-Daten-banken geht nicht allein auf technische Fortschritte zurück. Denmeisten In-Memory-Datenbanken gemeinsam sind zudem einigekonzeptionelle Ansätze:

� Die Daten in In-Memory-Datenbanken werden üblicherweisespaltenorientiert und komprimiert abgelegt. Das spart (relativ teu-ren) Hauptspeicher und beschleunigt den Zugriff.

� Beim Schreiben von Daten landen diese zunächst in einem separa-ten, für Schreibvorgänge optimierten Speicherbereich. Diesersogenannte Delta Storage wird dann periodisch oder bei Bedarf inden komprimierten, spaltenweise abgelegten Datenbestand aufge-nommen. So können einerseits einzelne Datensätze schnellgeschrieben werden, ohne andererseits bei jedem Schreibvorgangdie spaltenorientiert abgelegten Daten reorganisieren zu müssen.

Page 7: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

32

� Bei der Organisation der Datenablage wird zur Beschleunigungder Zugriffe auf zeitliche und räumliche Lokalität geachtet. DasKonzept der räumlichen Lokalität erstreckt sich dabei – im Zeital-ter der Globalisierung – übrigens nicht nur auf den Adressraumdes Hauptspeichers, sondern auch ganz konkret auf die Frage, wodie Daten sich geografisch befinden.

� Die Paketierung entsprechender Lösungen als Appliances dientnicht nur dazu, die Ausfallwahrscheinlichkeit zu verringern.Durch eine optimale Abstimmung der Komponenten aufeinanderund ein längerfristiges Feintuning kann auch die Performanceerhöht werden.

Einige der genannten Ansätze sind nicht neu und auch bei vielenklassischen, persistenten relationalen Datenbankmanagementsyste-men implementiert (Caching).

1.1.2 Was Sie sonst noch für Big Data brauchen

Big Data ist mehr als

nur Technik

Das gleichzeitige Auftreten neuer Herausforderungen und techni-scher Fortschritte ist sicher mit verantwortlich dafür, dass sich BigData in den letzten Jahren zu einem bedeutenden Thema entwickelthat. Allerdings reichen superschnelle Schreib- und Lesezugriffe alleinnicht aus, um unstrukturierte Daten, raschen Wandel und großeDatenmengen in den Griff zu bekommen. Ergänzend braucht es –wie schon die BITKOM-Definition nahelegt – spezielle Verfahrenbzw. Methoden und Architekturen.

Verfahren In puncto Verfahren sind vier Wissensgebiete für Big Data vonbesonderer Bedeutung.

� (Induktive) Statistik (z.B. Zeitreihenanalyse)Gegenstand der deskriptiven Statistik ist es, Datenbestände (z.B.»Nettoeinkommen und Wohnorte aller deutschen Arbeitnehmerin den letzten 50 Jahren«) durch Kennzahlen (»Durchschnittsein-kommen Arbeitnehmer je Bundesland und Jahr«) zu beschreiben.Die induktive Statistik (manchmal auch mathematische, schließendeoder Inferenzstatistik genannt) geht einen Schritt weiter. Sie hilftdabei, neue Zusammenhänge in Datenbeständen (z.B. Abhängig-keiten zwischen Einkommen und Wohnort) zu entdecken, bereitsvermutete Wechselbeziehungen zu verifizieren oder Prognosen zuentwickeln (»Durchschnittseinkommen bayerischer Arbeitnehmer

Was heißt Big Data? 1.1

33

im nächsten Jahr«). Zusammenhänge und Vorhersagen sind dabeikein Selbstzweck, sondern dienen Unternehmen und Organisatio-nen als Grundlage für in die Zukunft gerichtete Entscheidungen(»In welchem Bundesland sollen wir zukünftig wie viele neue Bio-Supermärkte eröffnen?«).

� Computerlinguistik (z.B. Spracherkennung und Text Mining)Computer, mit denen man reden kann, existieren längst nichtmehr nur in Science-Fiction-Filmen. Schon seit einigen Jahrzehn-ten gibt es Lösungen, die einfache Spracheingaben (einzelne Wör-ter aus einem sehr kleinen Wortschatz) verarbeiten können. Ver-mutlich durften Sie schon einmal am Kundentelefon einerFluglinie oder Telefongesellschaft persönlich von den Segnungendieser Technik profitieren. Auch Diktiersysteme, die gesprochenein geschriebene Sprache umwandeln, sind nicht ganz neu; daserste (TANGORA 4) wurde 1991 von IBM auf der CeBIT vorge-stellt. Und wenn heute ein Nutzer etwas Zeit in das Training einerLösung wie Dragon investiert, lassen sich durchaus brauchbareErgebnisse erzielen.

� SpracherkennungEine ganz andere Herausforderung für eine Maschine ist es,natürlich gesprochene Sprache (also mehr als nur ein paarWorte) beliebiger Sprecher niederzuschreiben oder für die Steu-erung von Systemen zu verwenden. Der Rechner muss dann mitunterschiedlichsten Stimm- und Stimmungslagen, Dialekten,Sprechgeschwindigkeiten, Wortschätzen und Satzmustern zu-rechtkommen. Was in dieser Hinsicht dank weiterentwickelterAlgorithmen und gesteigerter Rechnerleistung heute möglichist, wird für jeden von uns (be-)greifbar, wenn wir auf unseremAndroid-Tablet die Spracheingabefunktion von Google Nowoder auf Apple-Geräten die Software Siri nutzen.

� Text MiningDas Text Mining geht noch einen Schritt weiter als die reine Spra-cherkennung. Beim Text Mining geht es darum – innerhalb ge-wisser Grenzen –, die Bedeutung von Texten zu verstehen. Wennder bereits erwähnte Reiseveranstalter auswerten möchte, wasz.B. auf Facebook und Twitter, in Blogs und Reiseportalen überdie Luxusherberge Mosquito Beach geschrieben wird, könnte erein Team damit beauftragen, das Internet kontinuierlich im Drei-

Page 8: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

34

Schicht-Betrieb zu durchforsten. Das wäre aber sehr arbeitsinten-siv und teuer, und selbst mit einem gigantischen Personaleinsatzgelänge dies noch nicht einmal bei Twitter (mehrere MillionenTweets pro Tag in den Public Streams, dem für jedermann zugäng-lichen und über spezielle Schnittstellen auch automatisch abgreif-baren Teil der Kurznachrichten auf Twitter). Computer tun sichmit dem systematischen Durchforsten gewaltiger Datenmengenwesentlich leichter. Für Maschinen liegt die Herausforderungeher darin, menschliche Meinungsäußerungen beispielsweisenach den Gesichtspunkten »positiv« und »negativ« zu sortieren.Denken Sie einmal darüber nach, wie Sie Ihrem Desktop die Ideevon Sarkasmus nahebringen könnten. Auch in dieser Hinsichtwurden in den letzten Jahren und Jahrzehnten erhebliche Fort-schritte erzielt. Maßgeblich hierfür war die Weiterentwicklungstatistischer Verfahren (Data Mining) und selbstlernender Sys-teme, die aber andererseits erst dank einer massiv gesteigertenRechenkapazität in der Praxis einsetzbar geworden sind.

� Geodaten (z.B. Flottenmanagement)Wenn uns jemand fragte, welche Innovationen der letzten 20 bis30 Jahre den größten Einfluss auf unser Alltagsleben hatten, dannist – neben der mobilen Kommunikation – das Global PositioningSystem (GPS; offiziell NAVSTAR GPS) des US-Militärs sicher einedieser Innovationen. Die Idee, Positionsdaten zu erfassen und zunutzen, ist schon einige Tausend Jahre alt, und z.B. hinsichtlichder Schifffahrt ist GPS eigentlich nur eine Weiterentwicklung vonAstrolabium, Sextant oder Funknavigation. Allerdings gibt eseinige markante Unterschiede, die sich wiederum aus dem Zusam-menspiel verschiedener neuer Techniken ergeben:

� Heute dauert eine Positionsbestimmung – dank schnellerer Cen-tral Processing Units (CPU) – nicht mehr mehrere Stunden oderMinuten, sondern nur Bruchteile von Sekunden.

� Die Raumfahrt hat es durch die Platzierung der Bezugspunkteim Orbit ermöglicht, mit wenigen Ausnahmen (Tunnel, Keller,Gebäudeschluchten) die Position von Objekten immer undüberall und (durch die Verwendung elektromagnetischer Wel-len) anders als beim Sternenhimmel wetterunabhängig zu er-mitteln.

Was heißt Big Data? 1.1

35

� Dank sehr ganggenauer Uhren können wir heute die Positionvon Schiffen, Flug- und Fahrzeugen oder Geräten bis auf einigeMeter (mit dem neuen europäischen Navigationssystem Galileoab voraussichtlich 2014 auf einige Zentimeter genau) bestim-men.

� Die mobile Kommunikation bietet uns die Möglichkeit, die sogewonnenen Daten kontinuierlich und »in Echtzeit« an ein Ana-lysesystem zu übertragen und eventuell auch vom Analysesys-tem ein Feedback oder Anweisungen zu senden, die sich aus derPositionsbestimmung ergeben.

� Bildverarbeitung (z.B. Bilderkennung)Wir sind heute in der Lage, sowohl stehende als auch bewegte Bil-der ähnlich wie Text auf ihren Inhalt hin zu analysieren. Und daMenschen offensichtlich von Natur aus exhibitionistisch sind, las-sen sich aus den Millionen im Internet geposteten (und oft mitGeodaten angereicherten) Bilddateien vielerlei Informationen ge-nerieren (z.B. anhand von Gesichtserkennung auf Urlaubsfotos:Wer reist gern in welche Länder?). Und während Handykundennoch gegen den Verkauf ihrer Bewegungsdaten durch ihre Mobil-funkanbieter protestieren, existieren schon längst Videosystemefür die Laufwegeanalyse oder Schaufensterpuppen, die unserGeschlecht, unser Alter und sicher auch in Kürze unsere Stimmun-gen erkennen können (http://www.tagesanzeiger.ch/wirtschaft/unternehmen-und-konjunktur/Die-Schaufensterpuppe-als-Spionin/story/11592882). Wie gut selbst allgemein zugängliche Bilderkennungs-systeme heute schon funktionieren, können Sie anhand der Bil-dersuche auf Google selbst testen, bei der Sie einfach ein Bild indas Suchfeld ziehen können (siehe https://support.google.com/websearch/answer/1325808?hl=de).

Weitere

Wissensbereiche

für Big Data

Neben diesen eher allgemeinen Betätigungsfeldern spielen zahlrei-che speziellere Disziplinen, bei denen es sich teilweise, aber nichtimmer, um Teilbereiche der vorgestellten Verfahren und Methodenhandelt, in Big-Data-Lösungen eine Rolle. Beispiele hierfür sindFraud Detection (die Aufdeckung von Betrugsfällen z.B. bei Kredit-kartentransaktionen durch Erkennung ungewöhnlicher Muster), Sen-timent Detection (die maschinelle Analyse von Texten mit dem Ziel,diese in positive und negative Aussagen zu kategorisieren) oder diemedizinische Diagnostik (in der Expertensysteme oder statistische

Page 9: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

36

Verfahren eingesetzt werden, um von bestimmten Symptomen undBefunden auf eine Diagnose zu schließen). Die induktive Statistik istdabei ein eigenes, wichtiges Fach, bildet aber gleichzeitig sozusagendas Fundament für alle übrigen hier beschriebenen Anwendungsbe-reiche.

Methoden Big Data lebt aber nicht nur von Rechnerleistung und ausgeklügel-ten, meist auf mathematisch-statistischen Verfahren aufsetzendenAnalyse-Tools, sondern auch von (relativ) neuen methodischenGedanken. Hierzu gehören insbesondere neue Vorgehensweisen beider Gestaltung von Datenverarbeitungssystemen und beim SoftwareEngineering. Eine vollständige Liste dieser Methoden zu erstellenund alle zu diskutieren würde den Umfang dieses Buches über-schreiten.

Agile BI Ein – mehr oder weniger repräsentatives – Beispiel in diesem Zusam-menhang ist die agile Business Intelligence (agile BI). Der Begriff agileBI leitet sich vom etwa zehn Jahre alten Begriff der agilen Soft-wareentwicklung ab, deren Grundgedanke es war, Software nicht inklar voneinander abgegrenzten Phasen, sondern in einem iterativen,eher schwächer strukturierten Prozess zu entwickeln. Sinn diesesVorgehens ist es, die Funktionen von Software enger auf die Bedürf-nisse der Benutzer abzustimmen und schneller auf Veränderungenreagieren zu können. Mit agiler BI wird dieser Gedanke auf denBereich Business Intelligence übertragen. Die Fachabteilung soll ihreBerichtsanforderungen demnach nicht im Detail formulieren, bevordie IT-Abteilung überhaupt mit der Arbeit beginnt. Vielmehr solleine schrittweise Annäherung an die tatsächlichen Auswertungsbe-dürfnisse erfolgen. In letzter Konsequenz bedeutet agile BI auch, dassdie IT-Abteilung nicht mehr umsetzt (das tut der Anwender selbst),sondern nur noch den Rahmen für die Umsetzung bereitstellt. AgileBI ist ein Big-Data-Thema, weil der Ansatz nur unter bestimmtenVoraussetzungen sinnvoll ist:

� Wenn es mehrere Minuten oder Stunden dauert, eine Analyse aus-zuführen, wird es sehr umständlich und zeitaufwendig, Anforde-rungen iterativ zu entwickeln. Agile BI ist also auf schnelle Analy-sen praktisch ohne Wartezeiten angewiesen.

� Wenn man für die Anwendung selbst einfachster statistischer Ver-fahren zunächst (wie in der BW-integrierten Planung) aufwendige

Was heißt Big Data? 1.1

37

Planungsmodelle bauen und Prozessketten entwickeln muss,bleibt agile BI eine Illusion. Die Integration der Statistiksprache Rin SAP HANA oder Lösungen wie SAP Predictive Analysis – beiallen Vorbehalten bezüglich des Fachwissens der Anwender –eröffnen diesbezüglich ganz neue Wege.

� Es müssen Werkzeuge zur Verfügung stehen, die es dem Anwen-der sehr einfach ermöglichen, Auswertungen zu erstellen und zumodifizieren. Traditionelle BI-Werkzeuge (wie der BEx QueryDesigner) hatten in dieser Hinsicht noch deutliche Defizite, aberdie neueren Entwicklungen bei SAP BusinessObjects weisen genauin diese Richtung.

ArchitekturenUnd schließlich sind für die Implementierung von Big-Data-Lösun-gen meist auch neue Denkansätze in Sachen Datenarchitektur erfor-derlich. Die Notwendigkeit, existierende Architekturen zu überar-beiten, ergibt sich aus drei Gründen:

� Die Architekturen vieler bestehender Business-Intelligence-Imple-mentierungen streben danach, z.B. durch eine schichtenweiseAggregation von Daten, die Performance von Berichten zu opti-mieren. Im Big-Data-Umfeld kann oft auf solche Voraggregationen(und damit auf einzelne Schichten) verzichtet werden.

� Bestimmte Objekttypen (z.B. OLAP-Würfel, ein Konstrukt, beidem Daten für eine bessere Abfrageperformance in den Dimensi-onen eines mehrdimensionalen Würfels gespeichert werden) wur-den nur kreiert, weil klassische Datenbanken nicht die Leistungliefern konnten, die man für flexible Abfragen auf aggregiertenDaten benötigte. Mit dem Einsatz schneller In-Memory-Datenban-ken entfallen diese Restriktion und damit – zumindest in bestimm-ten Bereichen – der Bedarf an solchen Objekten und den Daten-flüssen, die diese Objekte versorgen.

� Neue Ansätze in der Aufgabenverteilung zwischen zentraler ITund dezentralen Benutzern führen zu neuen Prioritäten bei derStrukturierung von Systemen. Durch weniger Schichten und weni-ger persistente Objekte und Datenflüsse lässt sich einerseits dieDatenarchitektur verschlanken. Andererseits stellt sich die Frage,wie bei immer mehr Virtualisierung, Flexibilität und Dezentrali-sierung die Richtigkeit und Konsistenz von Berichten gewährleis-tet werden kann. Auch das ist eine Frage der Datenarchitektur.

Page 10: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

38

SAP hat diesen Anforderungen z.B. durch ein neues BW-Architektur-modell – die erweiterte Layered Scalable Architecture (LSA++), die dieklassische Layered Scalable Architecture (LSA) ersetzt –, aber auchdurch die Entwicklung neuer Werkzeuge für das Enterprise Informa-tion Management (EIM) Rechnung getragen. Auf LSA++ werden wirin Kapitel 12, »Potenziale entdecken, Architekturen gestalten«, ein-gehen.

Analyse ist nur der

erste Schritt

Damit haben wir den Begriff Big Data nun ein wenig abgerundet.Bislang drehen sich alle unsere Überlegungen darum, dass irgend-eine Art von Daten ausgewertet, analysiert oder interpretiert werdensoll. Das Beispiel zum Buchverkauf auf Amazon verdeutlicht aber,dass Verfahren, Methoden und Architekturen für schnelle Analysennur die halbe Miete sind. Was haben wir davon, wenn unser Rech-ner oder unser Handy weiß, dass wir mitten in der Nacht auf Ama-zon unter- oder auf eBay überboten wurden? Richtig stimmig wäredas Bild erst dann, wenn unser Handy uns um 2 Uhr in der Nachtwecken und auffordern könnte, den Preis nach unten anzupassen.Oder – förderlicher für unseren Erholungsschlaf – wenn das Smart-phone das gleich selbst für uns erledigte. Wir werden in Abschnitt1.3, »Wo entsteht der Nutzen von Big Data?«, noch genauer daraufeingehen, dass schnelles Agieren der entscheidende Faktor ist, umdie Nutzenpotenziale von Big-Data-Lösungen wirklich zu erzielen.Aufgrund dieser Einsicht und für die weitere Lektüre definieren wirBig Data aber jetzt schon anders.

Big Data – erweiterte Definition

Leicht abweichend von der BITKOM-Definition und teilweise ergänzendhierzu fassen wir zusammen: Big Data ist der Sammelbegriff für alle Tech-niken (z.B. In-Memory-Datenbanken), Architekturen, Ansätze (z.B. spal-ten- statt zeilenorientierte Datenablage), Methoden (z.B. agile BusinessIntelligence) und Verfahren (z.B. Text Mining), die eingesetzt werdenkönnen, um sehr große Mengen heterogener und/oder unstrukturierterInformationen zu analysieren und zu verarbeiten. Ziel dieser Analysen istes, neue Erkenntnisse zu gewinnen, bessere Entscheidungen zu treffenund auf dieser Basis geschickter und/oder schneller zu agieren.

Die erweiterte Definition spricht mit dem Wort Agieren einen Aspektan, auf den wir in Abschnitt 1.2.3, »Erkennen, entscheiden und vorallem handeln!«, noch zu sprechen kommen werden. Mit der Frage,was SAP bzw. SAP HANA in puncto Techniken, Methoden und Ver-

Was heißt Big Data? 1.1

39

fahren bietet, werden wir uns in Kapitel 2, »Was kann SAP HANA?Möglichkeiten und Grenzen«, noch genauer beschäftigen.

1.1.3 Geht es nur um Performance?

Geschwindigkeit

ist nur Mittel zum

Zweck

Die Hochglanzprospekte der Anbieter im Big-Data-Umfeld strotzennur so vor beeindruckenden Leistungskennzahlen. Zugriffszeiten,Datenraten, Speicherkapazitäten und immer mehr Prozessorkerne –die Art der Diskussionen erinnert ein wenig an die glänzenden Spiel-zeuge großer Jungs, an Beschleunigungswerte, Drehmomente, Hub-räume und Pferdestärken.

Absatzbericht

Jochen Kleinschmied, Controller bei einem mittelständischen Herstellervon Sitzringen (vulgo: Klobrillen) erstellt einmal monatlich (immer amfünften Werktag eines Monats für den Vormonat) eine Übersicht über diean Großhandel, Handwerker und Baumärkte abgesetzten Produkte. Nach-dem er die Zahlen geprüft hat, druckt Herr Kleinschmied den Bericht ausund sendet ihn per Hauspost an das Sekretariat des Chief FinancialOfficers (CFO). Jeden Monat um die Monatsmitte trifft sich die Geschäfts-leitung mit den Verantwortlichen in Produktion und Vertrieb; bei dieserGelegenheit werden die von Herrn Kleinschmied gelieferten Zahlen dis-kutiert und etwaige Maßnahmen abgeleitet.

Herr Kleinschmied ist schon seit seiner Lehre für das Unternehmen tätig;im Lauf von 45 Berufsjahren hat er schon viele Technologiewechsel mit-gemacht. In den 1960er-Jahren wurden die Verkaufszahlen bei den ein-zelnen Vertretern telefonisch eingeholt, mit einer mechanischen Addier-maschine aufsummiert und handschriftlich in vorgedruckte Formulareeingetragen. Irgendwann wurde dann die Addiermaschine durch einenelektronischen Tischrechner, der Tischrechner durch einen Personal Com-puter (PC) mit selbst entwickelter Software und diese Software dannschließlich durch eine ERP-Lösung (Enterprise Resource Planning) für mit-telständische Unternehmen abgelöst. Da der Bericht relativ komplex ist,benötigt der Aufruf im System meist einige Minuten, Zeit genug für HerrnKleinschmied, sich rasch mit einem Fencheltee für seinen bei der Durch-sicht der Zahlen immer angespannten Magen zu versorgen.

Seit einiger Zeit aber ist der Arbeitsrhythmus von Herrn Kleinschmied ausdem Takt geraten. Im März letzten Jahres war der IT-Leiter des Unterneh-mens auf der CeBIT nach einem anstrengenden Ausstellungstag am Standeines Anbieters von Data-Warehousing-Lösungen gelandet. Schuld warenvielleicht die zwei Gläser Rotwein oder auch die fulminante Präsentationder Standbetreuerin Tanja Tausendschön – jedenfalls war noch auf derMesse die Entscheidung für eine größere Investition in ein Data

Page 11: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

40

Warehouse mit neuester In-Memory-Technologie, mehr als 20 TerabytesHauptspeicher und 160 CPU-Kernen gefallen. Die Implementierung ver-lief schnell und reibungslos, Mitte des Jahres ging das neue DataWarehouse in Betrieb. Ergebnis: Der Vertriebsbericht ist jetzt nach eini-gen Millisekunden auf dem Bildschirm, der IT-Leiter hat nun sehr vielFreizeit, und die Verdauung von Herrn Kleinschmied ist – mangels Zeit fürden Tee – komplett entgleist.

Geschwindigkeit ist

nicht Aktionärswert

Das kleine (natürlich erfundene) Szenario mag ein wenig flapsig wir-ken, soll aber deutlich machen: Die Tatsache, dass in Big-Data-Lösun-gen Berichte Zigtausend Mal schneller als je zuvor auf dem Bild-schirm erscheinen, erzeugt noch keinen Aktionärswert (auf dasThema »Aktionärswert« gehen wir in Abschnitt 1.4, »Wie aus Nut-zen Aktionärswert wird«, noch etwas genauer ein). Erst recht nichtdann, wenn diese superschnellen Berichte erst einen Monat nachden relevanten Ereignissen erstellt und sowieso frühestens 14 Tagespäter von den Empfängern wahrgenommen werden. Zugegeben:Der Aufruf sehr komplexer Berichte in der SAP Business Suite undsogar in SAP BW (ohne BWA oder SAP HANA) kann sehr lange dau-ern. Wir haben in unserer über 20-jährigen Beratertätigkeit Reportsgesehen, die nicht einige Minuten, sondern erst Stunden nach demDrücken der Enter-Taste auf dem Bildschirm erschienen. Bei einemgroßen Konzern beispielsweise standen die Absatzzahlen des Vorta-ges aufgrund langer Ladeprozesse und Berichtslaufzeiten den Mitar-beitern immer erst kurz vor Feierabend zur Verfügung. Aber trotzaller mehr oder weniger berechtigten Kritik an der Performance derSAP Business Suite ist das nicht der Regelfall. Und für vieleGeschäftsprozesse spielt es keine Rolle, ob ein Bericht, der überNacht im Batch läuft, nun fünf Minuten oder eine fünftel Sekundebraucht.

Nun wäre es natürlich denkbar, die Geschäftsleitung nicht mehr perHauspost, sondern elektronisch und unterstützt durch SAP Business-Objects Dashboards mit den Daten zu versorgen. Oder den Berichtnicht monatlich, sondern täglich aufzurufen bzw. die Verkaufszahlenfür alle Mitarbeiter in Vertrieb und Produktion via Tweet oderLiveticker sekündlich aktualisiert auf Tablets zu übertragen. Aberwelchen Vorteil soll das bringen, und was genau sollen Produktions-leiter und Außendienstler mit diesen Echtzeitdaten tun?

Wie entsteht der Nutzen von Big Data? 1.2

41

1.2 Wie entsteht der Nutzen von Big Data?

Erfolg mit Big DataIst Big Data also eigentlich gar nicht die disruptive Innovation desJahrzehnts oder Jahrhunderts, das Werkzeug, das die Spielregelnaller Branchen und Unternehmen verändert, der perfekte Sturm, deralle, die sich nicht um Big Data scheren, wie welkes Laub im Herbstvon den Märkten fegen wird? Werfen wir doch einfach kurz einenBlick auf zwei Player, die schon seit einigen Jahren virtuos auf derKlaviatur von Big Data spielen.

Beispiel: AmazonDer Internethändler Amazon (gegründet 1994) hat in den letztenzwei Jahrzehnten den Handel mit Büchern weltweit aufgemischt. Inden USA läuft im Verlagswesen nichts mehr ohne Amazon. Und mandarf wohl davon ausgehen, dass sich die Vorherrschaft des Handels-riesen bald nicht nur auf die ganze Welt, sondern auch auf alle ande-ren Medien und generell auf alle Produkte im Einzelhandel und aufdie gesamte Wertschöpfungskette ausdehnen wird.

Amazon ist ein Pionier im Bereich Big Data und, nebenbei bemerkt,auch in den Bereichen verteiltes Rechnen und Cloud Computing.Wie Amazon große Datenmengen – abgesehen von persönlichenBuchempfehlungen – analysiert und einsetzt, wollen wir hier nichtweiter vertiefen, das lässt sich im Internet gut recherchieren (suchenSie einfach mit Google nach »amazon« und »big data«, und über-springen Sie die ersten Ergebnisse in der Liste – bezeichnenderweiseBücher zum Thema auf Amazons Website). Nicht umsonst hat sichSAP entschieden, neben diversen anderen Lösungen auch SAPHANA in Amazons Cloud bereitzustellen (http://aws.amazon.com/de/sap/).

Beispiel: GoogleEin anderer Gigant im Internet ist Google (entstanden um 1998). DiePresse berichtet regelmäßig darüber, dass Google unsere E-Mails undDaten systematisch ausforscht und die so gewonnenen Erkenntnisseentweder verkauft oder an die National Security Agency (NSA) derVereinigten Staaten weiterleitet. Aber die Wahrscheinlichkeit, dassSie bei einer Suche im Internet Google nutzen, liegt trotzdem beiüber 90 %. Und mal ehrlich: Erinnern Sie sich noch an die Nameneinst hochgehandelter Suchmaschinen wie Excite, Lycos oder Alta-Vista? Oder gehören Sie zu dem traurigen Häuflein von 0,9 %, dassich bei Recherchen im Internet auf den einstigen Star Yahoo! ver-lässt?

Page 12: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

42

Details der Indizierung und des Suchalgorithmus sind bei Google einstreng gehütetes Betriebsgeheimnis. Allerdings ist bekannt, dass lautAngaben von Google mehr als 200 Faktoren in die Bewertung einerSeite einfließen. Nun kann zwar die Bewertung von Seiten im Batchvorgenommen werden (wobei es auch hier auf Aktualität ankommt),aber für die Auswertung von Suchanfragen, bei denen die Suchhistoriedes Benutzers, sein Standort und Text Mining eine Rolle spielen, gehtes um Echtzeitanalysen. Ziehen wir zusätzlich in Betracht, dass Googleinzwischen schätzungsweise mehrere Billionen URLs indiziert hat,wird klar: Allein schon die Idee, das mit herkömmlichen relationalenDatenbanksystemen und ohne spezielle mathematische Verfahren undBig-Data-Architekturen bewältigen zu können, ist schlicht absurd.

Wie »big« die Datenbestände und Verarbeitungskapazitäten vonGoogle zwischenzeitlich geworden sind, lässt sich an der Tatsacheablesen, dass das Unternehmen langsam in Richtung Nordpol unter-wegs ist, um seine gigantischen Rechenzentren dort mit eisigemMeerwasser zu kühlen. Abgesehen davon gehört Google auch zu denPionieren bezüglich der Ansätze, die das Unternehmen verfolgt. Dasvon Google eigens entwickelte MapReduce-Programmiermodell giltals einer der Standardansätze im Zusammenhang mit Big Data.

MapReduce-Programmiermodell

MapReduce ist ein von Google entwickeltes und inzwischen patentiertesProgrammiermodell, das dazu dient, große Datenmengen in vielen paral-lelen Prozessen auf einem Cluster zu verarbeiten. MapReduce-Algorith-men existieren unter anderem in den Programmiersprachen Erlang, Javaoder Python.

MapReduce ist eines der wichtigsten Modelle bei der Entwicklung vonverteilten Systemen; das Programmiermodell ist auch Bestandteil vonApache Hadoop (einem freien, in Java geschriebenen Framework für dieSpeicherung sehr großer Datenmengen).

Marktführerschaft

oder Magenweh?

Warum genau sind einige Unternehmen in der Lage, mit dem Werk-zeug Big Data innerhalb weniger Jahre die Weltherrschaft in ihrenMärkten an sich zu reißen, während Big Data für andere nichts alsMagenweh bedeutet? Wir sind seit vielen Jahren in der Informati-onsverarbeitung und im Sektor Business Intelligence tätig. Im Laufdieser Zeit haben sich für uns drei Wege herauskristallisiert, aufdenen Big Data Nutzen erzeugen kann. Diese drei Wege stellen wirIhnen in diesem Abschnitt vor. Unsere Aufzählung ist sicher nicht

Wie entsteht der Nutzen von Big Data? 1.2

43

erschöpfend und lässt sich auf jeden Fall für Ihre Bedürfnisse nochfeiner untergliedern, hilft Ihnen aber vielleicht bei der Ideenfindung.

1.2.1 Neue Erkenntnisse gewinnen, bessere Entscheidungen treffen

Mehr über Ihre

Kunden wissen

Wenn Sie mithilfe von Big Data Einsichten gewinnen, die Sie zuvornicht hatten, können Sie auf dieser Basis bessere Entscheidungentreffen. Und wenn Sie etwas vielleicht schon selbst wussten, kannBig Data Ihnen dabei helfen, Ihre Vermutungen zu verifizieren oderderen Gültigkeit zu überwachen.

Bessere Entscheidungen durch neue Erkenntnisse

Big Data kann – muss aber nicht – zu besseren Entscheidungen führen,einerseits durch die Gewinnung neuer Erkenntnisse aus Ihren Daten,andererseits durch die fortlaufende Überprüfung von Annahmen, aufdenen Ihre Entscheidungen basieren.

Mehr Querverkäufe ohne Einbußen bei der Marge

Sie stellen z.B. fest, dass Kunden, die in Ihren Märkten immer Nackenko-teletts (Stückpreis: 1 €, davon 10 % Marge) kaufen, mit einer 65-prozen-tigen Wahrscheinlichkeit auch zu den in der Nähe platzierten hausge-machten Grillsaucen (Stückpreis: 5 €, davon 30 % Marge) greifen. WennSie in einer Sonderaktion den Preis für Nackenkoteletts um 25 % senkenund dadurch den Absatz um 30 % erhöhen, verlieren Sie bei denKoteletts 15 € auf 100 Stück, anstatt je 100 Koteletts 10 € Marge zuerzeugen. Auf die statt 100 jetzt 130 verkauften Koteletts sind das32,50 € weniger Marge. Gleichzeitig verkaufen Sie nun aber auch 84,5statt nur 65 Einheiten Grillsauce (65 % x 130 = 19,5); bei den Grillsaucensteigt Ihre Marge also um 19,5 x 1,50 € = 29,25 €. Die verbleibende Dif-ferenz (32,50 € – 29,25 € = 3,25 €) lässt sich durch eine (für die Kundenkaum spürbare) Preiserhöhung bei den Grillsaucen um 0,04 € oder 0,8 %leicht abfangen. Sie können also Ihre Absätze sowohl bei Koteletts alsauch bei Grillsaucen erhöhen, ohne Abstriche am Deckungsbeitrag hinzu-nehmen. Dies ist vielleicht nicht besonders nett gegenüber Ihren Kunden,aber auf jeden Fall ein einträgliches Geschäft.

Unter Umständen haben Sie den Zusammenhang zwischen dem Ver-kauf von Koteletts und Grillsaucen auch ohne Big Data schon längsterkannt und passende Schlussfolgerungen daraus gezogen. Aber was,wenn der Zusammenhang vielleicht plötzlich nicht mehr stimmt,weil der Discounter nebenan Sie durchschaut hat und Ihnen mit

Page 13: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

44

supergünstigen Grillsaucen einen Strich durch die Rechnung macht?Wenn Sie das erst einen Monat später merken, haben Sie schon jedeMenge Geld verloren. Big Data kann Ihnen dabei helfen, Ihre Ver-mutung fortlaufend zu überwachen und informiert zu werden, wennsie der Realität nicht mehr entspricht.

1.2.2 Anspruchsvolle Werkzeuge (richtig) nutzen

Werkzeuge

richtig nutzen

In Abschnitt 1.1.2, »Was Sie sonst noch für Big Data brauchen«,haben wir erläutert, dass es nicht ausschließlich auf Speicherplatzoder möglichst viele Prozessoren ankommt. Zu Big Data gehörenzahlreiche, teilweise sehr anspruchsvolle Verfahren und Methoden,die Außerordentliches leisten, Sie aber auch ganz ordentlich in dieIrre führen können.

Typisch für Big-Data-Anwendungen ist, dass eine oder mehrere derin Abschnitt 1.1.2 genannten Verfahren zum Einsatz kommen.Wenn Sie mit Aufgaben konfrontiert sind, bei denen beispielsweisestatistische Prognoseverfahren dienlich sein könnten oder für die Siegeschriebene oder gesprochene Sprache verarbeiten müssen, könnteBig Data vielleicht helfen, neue Nutzenpotenziale zu erschließen.

Big Data nutzt anspruchsvolle Werkzeuge

Big Data erschließt Ihnen die Möglichkeit, z.B. mathematische Verfahreneinzusetzen, für die früher einfach nicht genug Rechenleistung zur Verfü-gung stand. Dies umfasst sowohl Verfahren, die ohne Big Data weder imBatch noch in Echtzeit nutzbar wären (z.B. Text Mining), als auch solche,die vielleicht in Ihrem Unternehmen nicht neu sind, aber bisher nur imBatch verwendet werden konnten.

Kundensegmentierung

Ein Beispiel für eine HANA-Lösung, die ein schon länger existierendesVerfahren auf eine neue Art und Weise nutzt, ist die Rapid DeploymentSolution SAP HANA Customer Segmentation. Kundensegmente können inSAP Customer Relationship Management (CRM) seit Langem gebildetwerden. Die hierzu benötigten Clustering-Algorithmen waren selbst zuunseren Studientagen – das heißt schon vor einigen Jahrzehnten – nichtmehr neu. Aufgrund der Leistungsfähigkeit der HANA-basierten Lösungkann jetzt aber wesentlich schneller und auch untertägig segmentiertwerden; dadurch bietet sich die Chance, auch auf plötzliche, kurzfristigeÄnderungen im Kundenverhalten mit passenden Angeboten zu reagieren.

Wie entsteht der Nutzen von Big Data? 1.2

45

Risiken für

unbedarfte

Anwender

Die Tatsache, dass Sie im Bereich Big Data oft mit relativ neuen, sehrleistungsfähigen Verfahren arbeiten, birgt aber auch Gefahren.Wenn auf dem Cover des Buches Einführung in SAP HANA von SAPPRESS ein Rennwagen abgebildet ist, dann ist dies vielleicht nichtnur ein Hinweis auf die Geschwindigkeit der Appliance, sondernebenso ein Fingerzeig bezüglich der Anforderungen an den »Fahrer«.Auch ein Führerscheinneuling kann in einem Formel-1-Bolidenschneller vorankommen als in einem Opel Corsa. Gleichzeitig verrin-gert sich mit 750 PS auf der Autobahn aber auch seine Lebenserwar-tung. In Sachen Big Data lauern vor allem zwei große Risiken aufunbedarfte Anwender:

� Statistik ist nicht trivialIn gängigen Statistiklehrbüchern oder im Internet finden sich vieleBeispiele dafür, wie man aus (mathematisch durchaus korrektermittelten) statistischen Ergebnissen falsche Schlüsse ziehenkann. Stichworte in diesem Zusammenhang sind Scheinkorrelation(die statistische Abhängigkeit zweier Größen wird fälschlicher-weise als Kausalzusammenhang interpretiert) und Scheinregression(zwei Größen sind nur deshalb statistisch abhängig, weil sie einemgemeinsamen Trend folgen).

In der Praxis können Sie davon ausgehen, dass die meisten IhrerWettbewerber regelmäßig in eine dieser Fallen tappen werden.Wenn Sie nicht auf Scheinkorrelation und Scheinregression he-reinfallen, haben Sie schon zwei Nasenlängen Vorsprung.

� Einfache Bedienbarkeit plus Geschwindigkeit täuscht Harmlosigkeit vorViele Produkte im Bereich Big Data werden mit dem Versprechenangepriesen, anspruchsvollste statistische Analysen gäbe es jetztfür jedermann auf Knopfdruck. Auch SAP wirbt damit, dass Prog-nosen mit SAP Predictive Analysis powered by SAP HANA dankDrag & Drop zum Kinderspiel werden (http://www.saphana.com/community/learn/solutions/predictive-analysis). Mag sein, nur mitDrag & Drop könnte auch ein gut dressierter Schimpanse umge-hen, aber wenn es um eine Vorhersage unseres Krebsrisikos geht,wäre uns wohl doch ein Arzt lieber, der das zumindest theoretischauch mit Papier und Bleistift durchrechnen könnte (»theoretisch«,weil er hierfür vielleicht einige Jahrhunderte bräuchte). Ebensogibt es gute Gründe dafür, dass jeder Pilot, der heute einen voll

Page 14: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

46

automatisierten A380 steuert, seine Ausbildung auf einem klapp-rigen einmotorigen Flieger begonnen hat. Bevor man einem Flug-kapitän knapp 1.000 Passagiere anvertraut, möchte man dochsicherstellen, dass er auch ohne GPS, Autopilot und Bordcomputereinen Zielflughafen ansteuern kann.

Big Data kann großen Schaden anrichten

Der (erfolgreiche) Einsatz von Big Data setzt voraus, dass Sie die hierzunotwendigen Techniken, Architekturen, Ansätze, Methoden und Verfah-ren in Ihrem Unternehmen souverän beherrschen. Ist das nicht der Fall,können die resultierenden Schäden für Sie noch viel »bigger« werden.

Fachliche

Anforderungen

Eine kurze und übersichtliche Darstellung der fachlichen Anforde-rungen in Sachen Big Data finden Sie z.B. in dem Buch Big Data fürIT-Entscheider von Pavlo Baron (S. 40 ff.). Die neuen technischenMöglichkeiten haben zwischenzeitlich auch zur Entstehung ganzneuer Berufsbilder geführt. Eines davon ist der sogenannte DataScientist, ein Spezialist, der neben Programmier- und Methoden-kenntnissen über eine solide Wissensbasis in allen für Big-Data-Lösungen relevanten Fachgebieten (siehe Abschnitt 1.1.2, »Was Siesonst noch für Big Data brauchen«) verfügt.

1.2.3 Erkennen, entscheiden und vor allem handeln!

Nicht nur wissen,

sondern auch tun

Johann Wolfgang von Goethe hat vor knapp 200 Jahren eine derentscheidenden Einsichten in Sachen Business Intelligence Analyticsformuliert:

»Es ist nicht genug, zu wissen, man muss auch anwenden; es ist nichtgenug, zu wollen, man muss auch tun.«

(Wilhelm Meisters Wanderjahre, 1821/1829)

Handeln ist entscheidend

Big Data kann nützlich sein, wenn aus schnelleren Erkenntnissen schnel-lere Entscheidungen und vor allem schnelleres Handeln resultieren. Nurdieses schnellere Handeln (von Mitarbeitern, Lieferanten oder Kunden),und nicht die Erkenntnisse oder Entscheidungen, kann – muss aber nicht– Aktionärswert generieren.

Kaufentscheidung

hervorrufen

Erfolgreiche Online-Händler leben davon, Muster im Kaufverhaltenvon Kunden zu erkennen und auf dieser Basis Empfehlungen zu

Wo entsteht der Nutzen von Big Data? 1.3

47

generieren. Der iTunes Store gibt Ihnen auf Basis Ihrer Titel in derRubrik »Hörer kauften auch« Musikempfehlungen. Bei Amazon gibtes für diesen Zweck – nicht nur für Bücher, sondern kreuz und querdurch alle Warenkategorien – gleich mehrere Empfehlungsarten(»Weitere Artikel für Sie«, »Wird oft zusammen gekauft« und »Kun-den, die diesen Artikel gekauft haben, kauften auch«). So kann essein, dass Ihnen mit dem Kauf des Tuning Kits für Ihren Golf GTIgleich auch noch der aktuelle Bußgeldkatalog angeboten wird. Nur:Wenn Kunden die Buchempfehlungen von Amazon immer ignorier-ten (weder zu neuen Wünschen noch zu Kaufentscheidungenkämen), wäre das alles vergebliche Liebesmüh.

Amazon könnte seinen Kunden Buchempfehlungen auch dreiWochen nach dem Kauf per Post zustellen, aber der Anreiz zu kaufen(sprich: zu handeln) ist wahrscheinlich deutlich höher, wenn dieEmpfehlungen gleich nach der Auswahl eines Titels (und noch vorAbschluss der Transaktion an der Kasse) erscheinen. Wenn die Kun-den die Empfehlungen zur Kenntnis nähmen und auch zu der Ent-scheidung kämen, ein weiteres Buch zu kaufen, dies aber – vielleicht,weil nebenan das Baby schreit – dann doch nicht tun, hat die Funk-tion ihren Zweck verfehlt.

1.3 Wo entsteht der Nutzen von Big Data?

Neben der Frage, wie Big Data Aktionärswert generieren kann, stelltsich auch die Frage, wo denn dieser Nutzen möglicherweise entstehenkann. In Kapitel 3, »SAP-Branchen und -Geschäftsprozesse mit SAPHANA«, und den sich daran anschließenden Fallstudien werden wirhierauf im Detail eingehen. Wir möchten Ihnen aber schon jetzt –unabhängig von SAP HANA und ganz allgemein für Big Data – einenersten Eindruck davon vermitteln, wo Sie sich auf die Suche nach Nut-zenpotenzialen begeben könnten. Die Überlegungen hier sind als»Gaumenkitzler« gedacht: Sie sollen Ihren Appetit anregen und IhreNeugierde im Hinblick auf weiterführende Gedanken wecken.

1.3.1 Echtzeit vs. Batch

Big Data kann

auch im Batch von

Nutzen sein

Im Zusammenhang mit Big Data ist viel von Echtzeit oder Fast-Echt-zeit die Rede. Aber die Vorteile von Big Data entstehen nicht nurdann, wenn Erkenntnisse unmittelbar zu Handlungen und Entschei-

Page 15: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

48

dungen führen sollen. Ein gutes Beispiel hierfür ist der Indizierungs-und Ranking-Prozess von Google. Der Benutzer erwartet zwar einesofortige Antwort auf seine Suchanfrage, es ist ihm aber in der Regelgleichgültig, wenn die Erfassung von Websites und die Erstellungvon Hitlisten über Nacht im Hintergrund ablaufen. Durch eine sinn-volle Trennung der Verarbeitung stellt Google zwar sicher, dassNachrichten oder Tweets praktisch jederzeit aktuell sind, bei regulä-ren Websites kann es aber durchaus einmal länger dauern, bis Ände-rungen auf der Website auch bei Google nachgezogen sind.

Warum braucht man dann bei Batch-Prozessen überhaupt Big Data?Nun, haben Sie schon einmal versucht, ohne typische Big-Data-Ansätze (bei Google wäre dies z.B. die Verteilung basierend auf demMapReduce-Algorithmus) fünf Billionen URLs aus einer persisten-ten, relationalen Datenbank zu lesen, die Seiten zu besuchen, in eineRangfolge zu bringen und dann Daten über diese fünf Billionen URLsin Ihre Datenbank zurückzuschreiben? Es gibt auch im Batch Anwen-dungen, die ohne Big Data praktisch nicht realisierbar wären.

Ein anderes Beispiel hierfür wäre das maschinelle Lernen. WennApple die Spracherkennung von Siri auf der Basis erkannter Fehlerverbessern will, kann das durchaus auch im Batch geschehen undeine Woche dauern. Ohne entsprechende Rechenkapazitäten, An-sätze (bei der Spracherkennung wäre das z.B. die Aufgliederung vonTexten in N-Gramme) und Verfahren würden sich aber die Verarbei-tungszeiten in der Größenordnung von Jahren bewegen, sprich: DieAnwendung wäre gar nicht implementierbar.

Hohe Rechenleistungen

Wir halten fest: Nutzenpotenziale für Big-Data-Lösungen finden sich dort,wo für Analysen hohe Rechenleistungen benötigt werden, unabhängigdavon, ob es sich um Echtzeit-, Fast-Echtzeit- oder Batch-Prozessehandelt.

1.3.2 Existierende Geschäftsprozesse verbessern

Den meisten Unternehmen fallen – wenn es um Anwendungsgebietefür Big Data geht – natürlich erst einmal existierende Geschäftspro-zesse ein. Existierende Geschäftsprozesse können Sie mit Big Dataauf mindestens zwei Arten optimieren. Sie können Sie effizientergestalten oder schnellere Reaktionszeiten implementieren.

Wo entsteht der Nutzen von Big Data? 1.3

49

Existierende Geschäftsprozesse effizienter machen

Mehr über Ihre

Geschäftsprozesse

wissen

Oft sind allein schon neue Erkenntnisse zu existierenden Geschäfts-prozessen bares Geld wert. Ein schönes Beispiel dafür gibt es bei derPaketfirma UPS. Vor einigen Jahren hat UPS erkannt, dass (in denUSA, das heißt in einem Land mit Rechtsverkehr) nach links abzubie-gen viel Zeit und Treibstoff kostet. Der Fahrer muss an der Kreuzungauf den Gegenverkehr warten, und wenn das Auto nicht mit einerStart-Stopp-Automatik ausgestattet ist, läuft währenddessen auch derMotor. Mithilfe von Anpassungen an den Systemen für Navigationund Routenplanung vermeiden UPS-Fahrzeuge schon seit etwa 2004daher systematisch Wege, auf denen sie oft links abbiegen müssten.Allein durch diese simple Maßnahme wurden nach Angaben desUnternehmens bislang fast 40 Millionen Liter Treibstoff und 186Jahre Wartezeit an Kreuzungen eingespart.

Der Korrektheit halber sei darauf hingewiesen, dass UPS diese Ein-sichten schon 2004 gewonnen hat, also einige Jahre vor dem Auf-kommen von Big-Data-Lösungen. Allerdings geht es hierbei um dieAnalyse von Daten aus der Routenverfolgung von Fahrzeugen, waswiederum heutzutage ein typischer Einsatzbereich für Big Data ist.

Fortschritte bei der Ortung von Personen und Objekten, in der Sen-sorik und in der mobilen Kommunikation führen dazu, dass unsheute enorme Mengen an Zustandsdaten zur Verfügung stehen –weit mehr als UPS vor zehn Jahren. Es liegt auf der Hand, dass sichaus diesen Daten Erkenntnisse gewinnen lassen, die vor zehn Jahrennoch unzugänglich waren. Es hätte uns hierzu einerseits an denDaten, andererseits aber vor allem auch an der Technik gefehlt, sol-che Datenmengen überhaupt auszuwerten – gleichgültig, ob nun inEchtzeit oder im Batch.

Flexible Daten-

auswertung

Auf Basis der Zustandsdaten aus Ortung und Sensorik lassen sichaber auch Optimierungsanwendungen denken, die nur in Echtzeitfunktionieren können. UPS liefert nicht nur Sendungen aus, sondernholt auch Pakete bei seinen Kunden ab. Man könnte also zu jedembeliebigen Zeitpunkt (anhand der Standorte aller Fahrzeuge, der Ver-kehrssituation auf ihrer Route und den vom jeweiligen Fahrzeugnoch abzuliefernden Paketen) entscheiden, welcher Fahrer zurAbholung zu welchem Kunden fahren sollte. Die Antwort auf dieseFrage wird aber schon zehn Minuten später anders lauten. Vielleichtstehen einige Fahrzeuge jetzt im Stau, die vorher noch in Bewegung

Page 16: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

50

waren. Vielleicht sind neue Aufträge hinzugekommen oder ein Fah-rer hatte einen Unfall.

Es liegt auf der Hand, dass sich hier erhebliche Nutzenpotenzialeerschließen lassen. Und wenn es nicht sinnvoll ist, die Planung einesFahrers mehrmals in einer Sekunde zu verändern, können Batch-Pro-zesse an dieser Stelle nicht weiterhelfen.

Rechenleistungen und Verfahren nutzen

Big-Data-Lösungen können (aufgrund ihrer Rechenleistung und der zu-gänglichen mathematischen Verfahren) helfen, Verbesserungspotenzialein existierenden Geschäftsprozessen aufzudecken – entweder durchBatch-Analysen oder durch eine Optimierung in (Fast-)Echtzeit.

Schneller reagieren in existierenden Geschäftsprozessen

Extrembeispiel

Hochfrequenz-

handel

Manchmal reicht es aber nicht aus, Einsichten durch Batch-Analysenzu gewinnen und mit einem gewissen Zeitverzug umzusetzen. Sicherhaben Sie schon vom Hochfrequenzhandel an den Finanzmärktengehört. Computeralgorithmen handeln Wertpapiere und wickelnTransaktionen in winzigen Sekundenbruchteilen ab. Im elektroni-schen Handelssystem der Deutschen Börse, Xetra, läuft bereits unge-fähr die Hälfte des Handelsvolumens über Algorithmen ab.

Dabei sind die Verarbeitungsgeschwindigkeiten so hoch, dass für diebeteiligten Unternehmen nicht nur Rechnerleistung eine Rolle spielt;auch die Entfernung zum Handelsplatz und die Art der Datenüber-tragung (Leitung oder Richtfunk beispielsweise) können »kriegsent-scheidend« werden. Sie sind sogar so wichtig, dass Millionenbeträgein interkontinentale Kabel mit minimaler Länge oder in neueFunkstrecken investiert werden, nur um einige Milli- oder Mikro-sekunden zu gewinnen. Entwickler in diesem Segment dürften des-halb auch für die Performancedaten gängiger Big-Data-Lösungen nurein müdes Lächeln übrig haben.

Finanzmärkte

betreffen alle

Branchen

Aber auch wenn Ihr Geschäftsmodell nicht darauf basiert, mitAktien, Anleihen oder Derivaten zu spekulieren: Kein internationaltätiges Unternehmen kann sich heutzutage vom Finanzmarkt abkop-peln. Wechselkurse, Rohstoffpreise und kurzfristige Zinsen könnensich – nicht zuletzt aufgrund des Handels durch Maschinen – in kür-zester Zeit deutlich ändern. Mit der Entscheidung der schweizeri-schen Nationalbank im September 2011, einen Minimalkurs von

Wo entsteht der Nutzen von Big Data? 1.3

51

1,20 Schweizer Franken (CHF) pro Euro (EUR) mit allen Mittelndurchzusetzen, ist beispielsweise der EUR:CHF-Wechselkurs sprung-haft um über 8 % gestiegen. Stellen Sie sich einmal vor, was das fürein in Deutschland ansässiges Unternehmen bedeuten kann, das pri-mär in die Schweiz liefert und dessen Umsatzrendite nur 5 %beträgt. Natürlich können Sie solche politischen Entwicklungen (derPhilosoph und Mathematiker Nassim Nicholas Taleb spricht in die-sem Zusammenhang von »Schwarzen Schwänen«, wir gehen späternoch auf diesen Begriff ein) auch mit SAP Predictive Analysis kaumprognostizieren. Aber die passende Big-Data-Lösung versetzt Sievielleicht in die Lage, schneller deren Auswirkungen auf Ihr Geschäftabzuschätzen, unterschiedliche Strategien durchzurechnen und Ver-teidigungsmaßnahmen früher als Ihre Wettbewerber einzuleiten.

Antwortzeiten

verkürzen

Etwas genauer betrachtet, betrifft das Thema Geschwindigkeit inGeschäftsprozessen eigentlich zwei unterschiedliche Aspekte, undzwar einerseits Antwortzeiten und andererseits Liegezeiten. Unter derAntwortzeit verstehen wir hier die Zeit, die in Online-Geschäftspro-zessen zwischen einem Ereignis (z.B. einem neuen Wechselkursoder dem Drücken der Enter-Taste) und der Reaktion des Systemshierauf (z.B. dem Auslösen von Devisenkauf- oder -verkaufsauf-trägen oder der Anzeige eines Berichts auf dem Bildschirm) ver-streicht. Wie im Wechselkursbeispiel geschildert, kann die Verkür-zung dieser Zeit um einige Sekundenbruchteile viel Geld wert sein.Und auch wenn es nur um die Benutzerfreundlichkeit geht, führen(wahrnehmbar) kürzere Antwortzeiten meist zu einer höherenAkzeptanz der Software.

Liegezeiten

eliminieren

Bei Liegezeiten handelt es sich um ein anderes Problem. Wenn derAufruf einer komplexen Auswertung Stunden dauert, wird derAnwender nicht gebannt auf den Bildschirm starren und auf dasErgebnis warten. Der Report wird dann entweder als Hintergrund-prozess gestartet, oder der Anwender öffnet alle paar Stunden dasFenster mit der Query und schaut nach, ob sich etwas getan hat. Inder Zwischenzeit widmet er sich anderen Aufgaben. Beides führtdazu, dass das Ergebnis (wenn es denn endlich vorliegt) nicht sofortwahrgenommen und in Entscheidungen oder Handlungen umge-setzt wird, sondern zunächst einmal eine Weile – im Extremfall viel-leicht mehrere Tage – liegen bleibt. Diese Zeitdauer zwischen derAntwort des Systems und der Wahrnehmung/Reaktion durch denAnwender nennen wir darum Liegezeit.

Page 17: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

52

Wenn es zu Liegezeiten kommt, wird der zugehörige Geschäftspro-zess oft so gestaltet, dass alle Abläufe die technische Einschränkungim Zentrum berücksichtigen. Der Prozess basiert dann nicht mehrauf einem sinnvollen Geschäftsprozessdesign, sondern degeneriertzur »Flickschusterei«. Big Data kann helfen, die Antwortzeiten in sol-chen Fällen so drastisch zu verkürzen, dass solche Liegezeiten kom-plett entfallen.

Schnell auf unerwartete Entwicklungen reagieren

(Fast-)Echtzeitlösungen mit Big Data können Ihnen helfen, Risiken inIhren Geschäftsprozessen früher zu erkennen, besser informiert und fun-dierter auf unerwartete Entwicklungen zu reagieren, Gegenmaßnahmenschneller zu ergreifen und Chancen rascher zu nutzen.

1.3.3 Neue Geschäftsprozesse implementieren

Spannender (und möglicherweise auch lohnender) als die Verbesse-rung historisch gewachsener Geschäftsprozesse ist natürlich die Ent-wicklung völlig neuer Geschäftsprozesse oder sogar Geschäftsmo-delle, die ohne Big-Data-Lösungen gar nicht möglich wären. Hierbeigeht es so gut wie immer um Echtzeit- oder Fast-Echtzeitlösungen,die neuen Kundennutzen bieten und eventuell sogar neue Märkteschaffen.

Kunden individuell bedienen

Maßgeschneiderte

Massenprodukte

Effizientere Produktionsprozesse und neuere Herstellertechnolo-gien, wie z.B. die sogenannten 3-D-Drucker – Geräte, die auf Basisvon CAD-Daten Werkstücke schichtweise aufbauen, also gleichsam»drucken« können –, ermöglichen es, Kundenwünsche wesentlichindividueller als jemals zuvor zu bedienen. Kleine und mittlereUnternehmen haben als erste den Trend zur kundenindividuellenMassenproduktion aufgegriffen, und so gibt es jetzt im Internet daspersönliche Müsli (http://www.mymuesli.com/) und die individuelleSchokolade (http://www.myswisschocolate.ch/).

Mehr Optionen,

mehr Planungs-

aufwand

Das Problem ist nur: Je mehr konfigurierbare Varianten eines Pro-dukts existieren und je kürzer die Herstellzyklen werden, umso kom-plexer werden Produktions- und Bedarfsplanung im Werk. Es istkein Zufall, dass SAP gerade bei SAP Advanced Planning and Optimi-zation (APO) zum ersten Mal produktiv mit der Bereitstellung großer

Wo entsteht der Nutzen von Big Data? 1.3

53

Datenmengen im Hauptspeicher (SAP-liveCache-Technologie) gear-beitet hat – die Optimierung der Kapazitätsplanung ist selbst beilangen Lieferzeiten und stark standardisierten Produkten sehr an-spruchsvoll. Die Anzahl möglicher Produktionsszenarien und Be-schaffungsoptionen steigt exponentiell mit der Anzahl der konfigu-rierbaren Merkmale. Und wenn Kunden dann noch erwarten, dassihr eigenes Produkt innerhalb kürzester Zeit verfügbar ist, haben wires mit einem ähnlichen Szenario zu tun wie bei der bereits beschrie-benen Routenoptimierung für die Abholung von Paketen.

Maßgefertigte Produkte sind nichts Neues. Wer es sich leistenkonnte, ließ sich im alten Rom seine Toga oder später in der Londo-ner Saville Row Hemden, Anzüge oder Schuhe auf den Leib schnei-dern – oder den neu gekauften Airbus zum fliegenden Palastumbauen. Und auch weniger betuchte Kunden haben sich darangewöhnt, ihre Autos oder PCs (innerhalb gewisser Grenzen) indivi-duell zu konfigurieren. In einer Welt, in der einerseits alles immerähnlicher und austauschbarer wird, entwickelt sich offenbar ande-rerseits ein immer stärkeres Bedürfnis, sich selbst von der Masseabzuheben, sei es durch den Fuchsschwanz an der Antenne, denZopf des weißhaarigen Modedesigners oder durch gigantische Pier-cings zur Dehnung der Ohrläppchen. Neu ist nur die Möglichkeit,dass dieses Kundenbedürfnis jetzt – dank Big Data in der Echtzeit-optimierung – von den Anbietern wesentlich kosteneffizienterbefriedigt werden kann. Und wenn dann noch globale Beschaffungs-ketten im Internet für den Endkunden direkt zugänglich werden,wird das maßgeschneiderte Hemd aus Hongkong für jedermannerschwinglich (http://www.shirtsmyway.com/).

Benutzer-

schnittstellen

revolutionieren

Selbst wenn es weder um neue Produkte noch um neue Kunden-schichten geht, kann Big Data dazu beitragen, Kundenerfahrungenradikal zu verändern. Der Boom von Selbstbedienungsprozessen beider Bahn oder bei Fluglinien (Reiseauskunft, Ticketkauf, Check-in)hat zwar beim Dienstleister zu Kostensenkungen geführt, letztend-lich aber diese Kosten in Form von Zeitaufwand und Frustration nur»externalisiert«, das heißt auf die Kunden abgewälzt (was diesen all-mählich auch bewusst wird). Stellen Sie sich doch einmal vor, Siemüssten sich beim Kauf einer Bahnfahrkarte nicht mit schlecht pro-grammierten Benutzerschnittstellen am Automaten, mit unüber-sichtlichen Websites, endlosen Warteschleifen am Telefon oder lan-gen Schlangen am Schalter auseinandersetzen, sondern könnten

Page 18: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

54

einfach Ihr Smartphone beauftragen, das für Sie zu erledigen. WärenSie nicht auch bereit, Ihrem Mobilfunkanbieter für einen solchenService einen geringfügig höheren Tarif zu zahlen?

Potenzial für bessere Produkte

Die Beispiele zeigen: Big Data kann dabei helfen, neue Produkte anzubie-ten, mit bereits existierenden Produkten neue Kundenschichten zu er-schließen oder bestehende Kunden besser zu bedienen.

Kundenverhalten erfassen, verstehen, prognostizieren und steuern

Mehr Daten über

Kunden als je zuvor

Klassische Unternehmenslösungen wie SAP ERP erfassen mehr oderweniger Daten über das Verhalten Ihrer Kunden. Wann hat wer wasbestellt? Hat der Kunde rechtzeitig gezahlt? Gibt es eine kundensei-tige Reklamation? Schon seit einigen Jahrzehnten haben Sie dieMöglichkeit, diese Daten in Echtzeit (von kleinen Verzögerungen imVerbucher einmal abgesehen) zu berichten. Nicht umsonst stand das»R« in SAP R/3 für Realtime also für Echtzeit. Im Lauf der Jahre hatdie Bandbreite der gesammelten Daten immer weiter zugenommen.Im Customer Relationship Management (SAP-seitig z.B. abgedecktdurch SAP CRM Sales) schaut man nicht nur auf den Kauf- und Lie-ferprozess, sondern auch auf vorgelagerte Aktivitäten. Und mit demHinzukommen neuer Datenkanäle (Internet plus Analyse-Tools wieGoogle Analytics, Ortungsdaten von Smartphones, Daten von RFID-Transpondern oder Sensoren, Laufwegeverfolgung mit Kameras etc.)ist das Volumen der theoretisch auswertbaren Daten ins Unermess-liche gewachsen.

SAP-ERP-Lösungen oder Erweiterungen zu diesen können solcheDaten sammeln, aggregieren und berichten, stellen aber in der Regelkeine Werkzeuge für deren Analyse bereit. Wenn es darum geht, dasKundenverhalten im weitesten Sinn nicht nur zu erfassen, sondernauch zu analysieren und zu verstehen, ist man auf andere Produkte(in der Regel Data Warehouses und dafür konzipierte Analysesoft-ware) angewiesen. Im Regelfall werden Daten aus dem ERP-Systemperiodisch im Batch an ein Data Warehouse (z.B. SAP BW) übertra-gen und dort dann »in der Rückschau« ausgewertet. Das heißt, manweiß im besten Fall, wie sich Kunden in der Vergangenheit (z.B. inden letzten vier Wochen oder zwölf Monaten) verhalten haben,nicht aber, wie diese sich zukünftig verhalten werden.

Wo entsteht der Nutzen von Big Data? 1.3

55

Prognose in

klassischen Data

Warehouses

Nun stellen diverse Data Warehouses Ihnen auch einfache Prognose-funktionen zur Verfügung (bei SAP die Planungsfunktion Prognoseinnerhalb von BW-IP). Abgesehen davon, dass diese nur sehr grund-legende Modelle (wie z.B. eine lineare Regression) anbieten, arbei-ten sie auch immer unter der Prämisse, dass sich das Verhalten IhrerKunden aus den alten Daten in die Zukunft fortschreiben lässt. Daswird aber – wie das Grillsaucen-Beispiel zeigt – nur dann funktionie-ren, wenn Ihre Mitbewerber eher verschlafen sind und nicht versu-chen, Ihnen durch spontane Aktionen das Wasser abzugraben. Inpuncto Prognosen stehen Sie heute vor zwei Herausforderungen:

� Wettbewerbsvorteile können Sie heute nur generieren, wenn IhrePrognosemodelle zu Einsichten führen, die über das hinausgehen,was ein BWL-Student im ersten Semester nach dem Statistikgrund-kurs auch mit dem Taschenrechner schaffen würde.

� Sie müssen darauf gefasst sein, dass Modelle, die über Jahre per-fekt funktionierten, von heute auf morgen obsolet sind, und dieMuster, denen Ihre Kunden folgen, sich blitzschnell verändernkönnen.

Nicht studieren,

ausprobieren!

Mit Big Data können Sie in Sachen Kundenverhalten sogar nocheinen Schritt weiter gehen. Weil Sie Reaktionen von Kunden sehrzeitnah analysieren können, können Sie auch feststellen, wie Kun-den auf welche Maßnahmen reagieren. So könnten Sie als Fluggesell-schaft beispielsweise 1 % der Besucher Ihrer Website um 10 %höhere Tarife anbieten und messen, ob und wie stark hierdurch dieNachfrage sinkt. Sie müssen folglich die Preiselastizität der Nach-frage nicht mehr mit verqueren ökonomischen Theorien schätzenoder von hoch bezahlten externen Dienstleistern schätzen lassen,sondern können diese experimentell ermitteln und – wenn Siemöchten – sofort in Ihre Preisbildung einfließen lassen.

Neue Möglichkeiten der Kundeninteraktion

Mit Big Data können Sie die Interaktion mit Ihren Kunden radikal verän-dern. Anstatt Ihren Kunden etwas anzubieten, dann darauf zu warten, wiediese reagieren und hinterher zu versuchen, die Reaktion irgendwie zuinterpretieren, können Sie in einen Echtzeitdialog mit Externen (Kunden,Mitarbeitern, Lieferanten) treten und deren Verhalten zeitnah, zukunfts-gerichtet und wesentlich zielgenauer in die von Ihnen gewünschte Rich-tung lenken.

Page 19: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

56

1.4 Wie aus Nutzen Aktionärswert wird

Nutzen allein

reicht nicht

Sie wissen nun, wofür Big Data steht und wie bzw. an welcher Stelleder Nutzen von Big-Data-Lösungen entsteht. Außerdem haben Sieeinige Schlüsselfaktoren kennengelernt, die bestimmen, ob sich einNutzenpotenzial realisieren lässt oder nicht. Allerdings fragen Siesich vielleicht mit Recht, ob die Erwähnung von Nutzenpotenzialenallein ausreicht, um höherrangige Führungskräfte für eine Big-Data-Lösung zu gewinnen. Unsere Erfahrung lehrt uns, dass Sie in denmeisten Organisationen schon noch etwas konkreter werden müs-sen, damit größere Implementierungsprojekte genehmigt werden.

Nutzen bewerten In Abschnitt 1.5, »Business Cases bewerten«, gehen wir noch einwenig genauer darauf ein, wie Business Cases in einer professionel-len Umgebung bewertet werden sollten. Einer der wichtigsten Bau-steine in diesem Zusammenhang ist das Wertversprechen des Busi-ness Cases. Ein solches Wertversprechen basiert normalerweise aufdem Aktionärswert (Shareholder Value) des Business Cases, deshalbwerden wir uns in diesem Abschnitt diesen Begriff etwas genaueranschauen und überlegen, wie Sie mit Big Data Aktionärswert schaf-fen können. Das Schlagwort Shareholder Value kennen Sie sicher ausNachrichten und kritischen Hintergrundberichten über Finanzheu-schrecken. Politik und Weltanschauung aber außen vor gelassen,steckt hinter der Idee des »Aktionärswerts« ein spannendes Gedan-kengebäude.

Wenn Sie dieses Buch als Mitarbeiter einer betriebswirtschaftlichenFachabteilung oder mit einem betriebswirtschaftlichen Hintergrundlesen, sind Ihnen Konzepte wie »Aktionärswert« oder »Werttreiber«längst vertraut. Diesen Abschnitt können Sie dann beim Lesen ein-fach überspringen. Unsere Überlegungen zum Aktionärswert richtensich primär an Leser, deren Ausbildung oder Erfahrungen nicht inerster Linie kaufmännisch bzw. ökonomisch geprägt sind, z.B. an IT-Experten, Naturwissenschaftler oder Ingenieure.

Aber auch wenn Sie wissen, was Werttreiber sind und welcheBedeutung diese für den Aktionärswert haben, möchten Sie eventu-ell Ihr Wissen auffrischen, und vielleicht finden Sie in diesemAbschnitt auch die eine oder andere neue Anregung. Haben Sieschon einmal darüber nachgedacht, warum Finanzmärkte auf vieleseuphorisch reagieren, was dem Unternehmen längerfristig sogar

Wie aus Nutzen Aktionärswert wird 1.4

57

schadet? Ein Grund hierfür (auf den wir in diesem Abschnitt nocheingehen werden): Beim Aktionärswert kommt es nicht auf den letzt-endlichen finanziellen Nutzen einer Maßnahme an. Was zählt, istallein die aktuelle Wahrnehmung der Anteilseigner.

1.4.1 Konzept »Aktionärswert«

Im Mittelpunkt

steht der

Anteilseigner

In der klassischen ökonomischen Theorie existiert ein Unternehmennur, um Geld für seine Anteilseigner zu verdienen. Dieses Geld fin-det auf zwei Arten seinen Weg in die Taschen der Anteilseigner – inForm höherer Aktienkurse oder als Dividenden. Ergo sollte ein Pro-jekt nur dann angegangen werden, wenn es (jetzt oder in derZukunft) zu höheren Aktienkursen oder zu höheren Dividendenführt, wenn es also Aktionärswert generiert (siehe http://de.wikipe-dia.org/wiki/Shareholder_Value). Ebenso sollte jedes Projekt, das Akti-onärswert erzeugt, auch durchgeführt werden; Beschränkungen hin-sichtlich finanzieller und anderer Ressourcen spielen in diesemAnsatz keine Rolle. Vereinfacht ausgedrückt, könnte das Unterneh-men für finanziell sinnvolle Projekte jederzeit Geld aufnehmen unddiese Mittel dann verwenden, um die Ressourcen zu beschaffen, diefür die Durchführung des Projekts erforderlich sind.

Aktionärswert (Shareholder Value)

Für ein börsennotiertes Unternehmen ist der Aktionärswert genau das,was der Begriff besagt: die Bewertung der Anteile durch die Anteilseigner,das heißt der aufsummierte Marktwert aller Anteile oder die Erhöhungdieses Marktwertes um einen bestimmten Betrag.

Bei nicht börsennotierten Unternehmen kann auf ein ähnliches Konzeptzurückgegriffen werden; der einzige Unterschied liegt darin, dass es kei-nen »Markt« gibt, auf dem die Anteile bewertet werden. Stattdessen wäreder Aktionärswert dann die Summe aller Mittel, die den Anteilseignern inForm von Renditen, Dividenden oder sonstigen Vermögenszuwächsen(insgesamt oder durch Ihr Projekt) zufließen/zufließen werden.

Wahrnehmung und

die Erwartungen der

Anleger

In beiden Fällen spielen die Wahrnehmung und die Erwartungen derAnleger eine wichtige Rolle. Niemand weiß, welchen Wert dieAnteile eines börsennotierten Unternehmens morgen haben werdenoder welche Dividenden es in der Zukunft ausschütten wird. Anlegersind – ebenso wie die meisten von uns – nicht allwissend. Sie treffenihre Entscheidungen auf Basis ihrer subjektiven Wahrnehmung,ihrer sich daraus ergebenden Erwartungen und ihrer persönlichen

Page 20: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

58

Vorlieben. Bei nicht börsennotierten Unternehmen kommt erschwe-rend hinzu, dass kein transparenter Markt existiert. Einzelne Anlegerhaben keinen publizierten Marktwert, den sie als Bezugsgröße fürihre persönlichen Einschätzungen verwenden könnten.

Leistungs-

kennzahlen

Für Regierungsstellen oder nicht gewinnorientierte Organisationenkann der Aktionärswert durch den politischen oder sozialen Wert-beitrag, den diese für eine Gemeinschaft erbringen, oder durch ihrenErfolg bei der Erreichung vorgegebener Ziele ersetzt werden. Dazumuss lediglich der Begriff Werttreiber (siehe Abschnitt 1.4.2) gegenden Begriff Leistungskennzahl ausgetauscht werden (auf http://en.wikipedia.org/wiki/Performance_indicator#Government finden sich ei-nige Beispiele). Solche Key Performance Indicators (KPIs) haben oftkeinen Bezug zu finanziellen Zielen. Deshalb fällt es meist schwererzu beurteilen, ob ein Aufwand x für eine Verbesserung von y beieinem KPI eher gerechtfertigt ist als in einem kommerziellen Um-feld. Die Entscheidung beispielsweise, ob eine Reduktion der Zahlder Schulabbrecher oder minderjährigen Mütter um 10 % zehn Mil-lionen Dollar wert ist, ist eine rein politische Angelegenheit.

Trotzdem sind die einzusetzenden Werkzeuge ähnlich. Wir bittenSie daher, immer dann, wenn wir von Aktionärswert sprechen,gedanklich den Begriff »politischer oder sozialer Wertbeitrag« hinzu-zufügen. Und jedes Mal, wenn wir von Werttreibern sprechen, den-ken Sie einfach auch an »Leistungskennzahlen in einer nicht gewin-norientierten Umgebung« oder vielleicht sogar an den Teilhaberwert(Stakeholder Value), sofern in Ihrem spezifischen Umfeld anwendbarund messbar. Und wenn wir »Unternehmen« oder »Firma« sagen,soll dies auch Regierungsstellen oder nicht gewinnorientierte Orga-nisationen umfassen.

Zweischneidiges

Schwert

Manch einer mag einwenden, dass der Aktionärswert ein viel zuenges Konzept für die Messung menschlichen Glücks ist (ebenso wiedas Bruttoinlandsprodukt (BIP) für eine Volkswirtschaft als Ganzes).Stattdessen sollten nicht nur Regierungsorganisationen, sondernauch Unternehmen, die auf einer kommerziellen Basis arbeiten, dasWohl aller Beteiligten und nicht nur ihrer Anteilseigner in Betrachtziehen. Es wird auch behauptet, dass die Kurzsichtigkeit des Aktio-närswerts mitverantwortlich für das maßlose Eingehen von Risikenund damit für viele der jüngsten Finanzkrisen verantwortlich war.Tatsächlich: Geld zu sparen und sich bei der Abwasserreinigung auf

Wie aus Nutzen Aktionärswert wird 1.4

59

die gesetzlichen Minimalforderungen im Umweltschutz zu beschrän-ken (oder durch Lobbying an der Heraufsetzung von Grenzwerten zuarbeiten) kann zu höheren Dividenden führen und gleichzeitig dielokale Bevölkerung ihrer Hauptquelle für Trinkwasser berauben.

Trotzdem hohe

Verbreitung

Trotzdem ist der Aktionärswert immer noch das wichtigste Krite-rium bei der Bewertung von Projekten oder Investitionsoptionen imgeschäftlichen Bereich. In vielen Gesetzgebungen ist die Unterneh-mensführung sogar verpflichtet, sich auf die Interessen der Anteils-eigner zu konzentrieren. Ein in Frankfurt stationierter CEO, der sichentschließt, einige Hundert Millionen zu investieren, um die Interes-sen ortsansässiger Farmer und Fischer in Nigeria zu schützen, findetvielleicht schon bald heraus, dass er sich hierbei auf einem schmalenGrat zwischen verantwortungsvollem Verhalten und einer fünfjähri-gen Gefängnisstrafe nach § 266 (»Untreue«) des deutschen Straf-gesetzbuches bewegt. Für dieses Buch nehmen wir daher einfach an,dass alles, was Aktionärswert schafft, gut, und alles, was diesen redu-ziert, schlecht sei. Die ethische Diskussion über das Konzept desAktionärswerts sollte (ebenso wie diejenige hinsichtlich der morali-schen Aspekte von Big Data) dort stattfinden, wo sie hingehört: indie breitere Öffentlichkeit und in politische Foren.

1.4.2 Werttreiber

Was schafft

Aktionärswert?

Aber wie um alles in der Welt sollen Sie (im Voraus!) wissen, obirgendeine Aktivität den Aktienkurs oder die Dividenden einesUnternehmens jetzt oder in der Zukunft raketenhaft ansteigen oderins Bodenlose fallen lässt? Und woher wissen Sie, wie sich Aktien-kurs und Dividenden ohne Ihr Projekt entwickeln würden?

Nun, die Wahrheit ist: Sie wissen nichts von alldem. Was Sie aller-dings trotz dieser Unwissenheit tun können, ist nach Faktoren oderParametern (sogenannten Werttreibern) Ausschau zu halten, diezum einen leichter vorherzusagen oder zu beeinflussen sind als derAktionärswert und für deren Einfluss auf den Aktionärswert Ihnenzum anderen statistische Belege vorliegen (z.B. Korrelationen).

Korrelation

Der Begriff Korrelation bezeichnet eine Wechselbeziehung zwischen zweiGrößen. Eine Korrelation zwischen Merkmalen oder Parametern besteht,wenn diese in irgendeiner Weise voneinander »abhängig« sind. Dabei ist

Page 21: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

60

es unerheblich, welcher Art diese Abhängigkeit ist oder ob wir irgend-etwas über die Hintergründe der Wechselbeziehung wissen. Es spielt alsoz.B. keine Rolle, ob eine Kausalbeziehung zwischen den Parameternbesteht.

Ein gutes Beispiel für Korrelationen mit unklarer Wirkungsweise sind Bau-ernregeln. Jahrhundertealte, kalendergebundene Klimaregeln sind bei derPrognose längerfristiger Wettertrends erstaunlich treffsicher; trotzdembleiben die ursächlichen Zusammenhänge zwischen den Beobachtungender Landbevölkerung und nachfolgenden Wetterphänomenen oft rätsel-haft. Nur in wenigen Fällen (z.B. beim Tierverhalten: »Wenn die Schwal-ben niedrig fliegen, werden wir bald Regen bekommen.«) ist der Wissen-schaft klar, was es damit auf sich hat.

Keine Ursache-

Wirkungs-

Beziehung

Die Tatsache, dass es eine (hohe) Korrelation z.B. zwischen einemWerttreiber und dem Aktionärswert gibt, sagt nichts über irgendeineArt von Ursache-Wirkungs-Beziehung zwischen den beiden aus.

»Ungewöhnlicher« Werttreiber

So könnte beispielsweise eine starke Korrelation zwischen der Körper-größe Ihres CEOs und dem Aktienkurs Ihres Unternehmens bestehen.Wenn dem so wäre, ist es überflüssig, darüber nachzudenken, warumdem so ist. Sie würden einfach nur Ihre Vorstandsmitglieder unter frühe-ren Spielern der LA Lakers rekrutieren, sich einzig und allein auf die Größekonzentrieren und sich keine Gedanken zu überflüssigem Schnickschnackwie akademischen Titeln oder Berufserfahrung machen.

Sie müssten sich allerdings sicher sein, dass eine solche Beziehungbesteht, selbst wenn diese allein auf unbewussten Verhaltensmus-tern Ihrer (vorwiegend weiblichen) Anteilseigner beruht. Denken Siedaran, dass es da draußen auch statistische Trugbilder wie beispiels-weise Scheinkorrelationen gibt! Und behalten Sie im Hinterkopf,dass Ihre Anteilseigner vielleicht eindrucksvolle CEOs mögen, abergleichzeitig auch keine Strohköpfe in Ihrem Vorstand sehen möchten(in diesem Fall hätten Sie es mit zwei separaten Werttreibern zu tun,die möglicherweise gegenläufig sind).

Während also der Aktionärswert Ihr Ziel darstellt, sind Werttreiberoperationale Parameter, die Ihnen – wie ein Kompass – helfen, sichin die richtige Richtung (das heißt auf Ihr Ziel zu) zu bewegen. DieseBetrachtungsweise ist ein wenig allgemeiner als das klassische Kon-zept des Börsenwerts; sie lässt sich daher ebenso gut auf Regierungs-

Wie aus Nutzen Aktionärswert wird 1.4

61

organisationen anwenden, bei denen sowohl Werttreiber als auchZiele interne Parameter ohne Bezug zu finanziellen Größen sind.

Werttreiber

großzügig

interpretiert

Ein einfaches Beispiel mag Ihnen vielleicht dabei helfen, die Vielsei-tigkeit dieses Konzepts zu verstehen. Nehmen Sie einmal an, Sie hät-ten ein persönliches Ziel – wie z.B. einen niedrigeren Blutdruck. Diemeisten von uns können ihren Blutdruck nicht mit reiner Willens-kraft steuern. Eine Senkung Ihres Blutdrucks kann daher nur indirekterreicht werden, indem Sie Ihren Salzkonsum verringern, jedenMorgen einen strammen Spaziergang unternehmen, daran denken,Ihre Betablocker einzunehmen oder morgens zwei Esslöffel Lein-samen über Ihren Joghurt streuen (sehr empfehlenswert, sofern diesIhrem Geschmack entspricht). Wenn also die Senkung Ihres Blut-drucks zu einer Erhöhung Ihres Aktionärswerts führt (in diesem Fallwären Sie selbst der einzige »Aktionär«), könnten Sie mit den folgen-den Werttreibern arbeiten:

� die Menge an (sichtbarem und verstecktem) Salz, die sie täglich zu sich nehmen

� die Anzahl von Trainingseinheiten pro Tag

� ob Sie täglich Ihre Dosis an Medikamenten eingenommen haben

� die Menge an Leinsamen, die Sie mit Ihrem Joghurt gegessen haben

Werttreiber

erscheinen in

vielerlei Formen

Vielleicht ist Ihnen aufgefallen, dass wir in diesem Beispiel unter-schiedliche Arten von Werttreibern verwendet haben. Die Trai-ningseinheiten sind etwas, das messbar ist, und wir nehmen an,mehr seien besser als weniger. Mit den Medikamenten führen wirstattdessen eine Art »binären« (oder dichotomen) Werttreiber ein, dereinen der zwei Werte »ja« oder »nein« annimmt, denn wahrschein-lich ist es keine gute Idee, Ihre tägliche Dosis ohne KonsultationIhres Arztes zu verändern. Diese unterschiedlichen Arten von Wert-treibern (oder sogenannten Skalenniveaus) werden wir in Abschnitt1.4.3, »Wie Sie Werttreiber identifizieren«, noch genauer erklären.

Wie im Beispiel mit der Körpergröße Ihres CEOs muss der Ursache-Wirkungs-Zusammenhang zwischen Werttreiber und Aktionärswertnicht unbedingt erkennbar sein. Bei den Blutdrucktabletten, die Sieeinnehmen, könnte es sich um Placebos handeln, was es sehrerschweren würde, die zugrunde liegende Ursache-Wirkungs-Bezie-

Page 22: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

62

hung zu entdecken oder zu verstehen. Trotzdem könnte deren Ein-nahme ein gültiger Werttreiber sein, solange es zwischen Einnahmeund Blutdruck eine nachweisbar (hohe) Korrelation gibt. MancheWerttreiber sind materiell, andere sind immateriell, aber alle sindentweder subjektiv oder objektiv beobachtbar (wenn auch nichtimmer messbar).

Abgrenzung zu

Kostentreibern

Andere betriebswirtschaftliche Konzepte (wie z.B. die Prozesskosten-rechnung) verwenden Parameter mit ähnlichen Bezeichnungen (wiez.B. Kostentreiber), die – auf den ersten Blick – gewisse Gemeinsam-keiten mit Werttreibern aufweisen. Daher ist es wichtig, den Unter-schied zwischen Kostentreibern und (kostenbezogenen) Werttrei-bern zu verstehen. Kosten straff zu überwachen führt nicht immer zueiner Erhöhung des Aktionärswerts; Werttreiber dagegen (vorausge-setzt, Sie arbeiten mit den richtigen und haben keine übersehen) wir-ken direkt auf den Aktionärswert. Wir haben einmal für einen Her-steller von IT-Hardware gearbeitet; die Firma befand sich auf demabsteigenden Ast und konzentrierte sich so sehr auf Kostentreiber,dass die Anzahl der Mitarbeiter im Rechnungswesen, die mit derKostenüberwachung befasst waren, größer wurde als der Personal-bestand im Vertriebsinnen- und -außendienst. Das Unternehmenexistiert nicht mehr.

Daher schauen wir bei der Bewertung der Business Cases in diesemBuch primär auf Werttreiber und nicht nur auf Umsätze oder Kos-ten. Obwohl einige Werttreiber natürlich einen Bezug zu Kostenund damit zu Kostentreibern aufweisen, ist das Konzept des Aktio-närswerts und der Werttreiber doch tendenziell ganzheitlicher alseine ausschließliche Fokussierung auf Kosten; hohe Kosten ohneeinen entsprechenden Gegenwert können den Aktionärswert auchverringern.

Werttreiber sind

branchen-/

firmenspezifisch

Natürlich sind Werttreiber sehr organisationsspezifisch. Für Sie gehtes darum, diejenigen zu identifizieren, die in Ihrem Umfeld wichtigsind. Wir versuchen unser Bestes, Ihnen durch einige allgemeingül-tige oder fallspezifische Beispiele Anregungen dafür zu bieten,wonach Sie suchen müssen. Als Ergänzung zu diesem Buch stellenwir Ihnen auf www.sap-press.de ein Beispiel für eine Werttreiber-datenbank zur Verfügung. Sie können diese Datenbank verwenden,um Ihre eigene Kreativität anzuregen oder sie Ihren Bedürfnissenentsprechend anzupassen.

Wie aus Nutzen Aktionärswert wird 1.4

63

Positive und

negative Effekte

Wie Sie sich vorstellen können, haben viele Projekte nicht nur posi-tive Auswirkungen auf den Aktionärswert. Die meisten geschäftli-chen Unternehmungen haben einen Preis. Ein Projekt kann zu einerVerringerung Ihrer flüssigen Mittel führen, Ihren Verschuldungs-grad erhöhen oder Ihren Ruf schädigen, zu Personalabgängen führenetc. Am Ende liegt es bei der Unternehmensführung, zu beurteilen,ob die positiven oder negativen Effekte überwiegen und welche Aus-wirkungen sich per Saldo für den Aktionärswert ergeben werden.Eine solche Analyse kann sich auf einfache statistische Werkzeuge(beispielsweise multiple lineare Regression) oder hochkomplexeModelle und Simulationen stützen (z.B. unter Einsatz von SAP Enter-prise Performance Management (EPM) bzw. Business Planning andConsolidation (BPC)). Gelegentlich ist es auch gar nicht möglich, Zah-len für Werttreiber in Geldbeträge zu übersetzen. In diesem Fallmuss das Management positive und negative Effekte gegeneinanderabwägen, ohne dass ein saldierter Effekt auf den Aktionärswertberechnet werden könnte.

1.4.3 Wie Sie Werttreiber identifizieren

Faustregeln für

Werttreibersuche

Obwohl Werttreiber sehr organisationsspezifisch sind, können wirIhnen einige Anhaltspunkte dafür nennen, wie Sie einen Werttreibererkennen, wenn er Ihnen über den Weg läuft. Grundsätzlich gibt eseine Vielzahl von Faktoren, die einen Einfluss auf den Aktionärswerthaben könnten. Es gibt allerdings einige Faustregeln oder Merkmale,die Ihnen dabei helfen können, die Spreu vom Weizen zu trennen.Für nicht börsennotierte oder gewinnorientierte Organisationen gel-ten diese Überlegungen größtenteils analog.

� Längerfristig messbarSie sollten als Werttreiber nur Parameter in Betracht ziehen, diemehr oder weniger durchgängig beobachtet oder gemessen wer-den können. Wenn ein Faktor nicht durchgängig beobachtet wer-den kann, können Sie unmöglich wissen, ob er sich bei einer Ver-änderung des Aktionärswerts ebenfalls verändert hat.

� Skalierbar oder dichotomWerttreiber müssen nicht notwendigerweise auf einer Verhältniss-kala gemessen werden können. Auch ordinale Merkmale kommenin Betracht, und selbst für einfache, dichotome (»0/1« oder »ja/nein«) Werttreiber gibt es statistische Instrumente, wie z.B. diepunktbiseriale Korrelation.

Page 23: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

64

Erinnern Sie sich in puncto dichotome Werttreiber einfach an dasBeispiel zum Blutdruck; die Frage, ob Sie Ihre Tabletten eingenom-men haben oder nicht, wäre ein dichotomer Werttreiber.

� Intern und extern zugänglichWerttreiber sind normalerweise Parameter, die für Personeninnerhalb und außerhalb der Organisation zugänglich sind. Wennnicht zufällig ein Großteil der Anteilseigner auch Insider sind,kann man sich kaum vorstellen, dass Faktoren, die den Marktteil-nehmern nicht zugänglich sind, die Preisbildung am Markt beein-flussen. Umgekehrt bedeutet das aber nicht, dass sich die Akteuream Markt der Faktoren bewusst sein müssen, die ihr Verhaltensteuern (denken Sie an unsere Bemerkung zu Placebos).

Eine Ausnahme von der Regel, dass Werttreiber auch für Außen-seiter sichtbar sein sollten, bilden Parameter, die zwar den Anteils-eignern nicht zugänglich sind, trotzdem aber Auswirkungen aufandere, sichtbare Faktoren haben. Die Anteilseigner haben viel-leicht keine Ahnung, wie hoch die Raumtemperatur im Büro-gebäude einer Organisation ist; trotzdem könnte die Klimatisie-rung Auswirkungen auf die Mitarbeiterfluktuation und diese dannwiederum auf den Aktionärswert haben.

Der nächste Punkt erklärt, warum – in diesem speziellen Beispiel –die Raumtemperatur dennoch einen besseren Werttreiber abge-ben könnte als die Anzahl der Mitarbeitenden, die das Unterneh-men verlassen.

� Subjektiv wirksamWerttreiber müssen nicht wirklich den Wert eines Unternehmenserhöhen. Es reicht aus, wenn sie als ein Faktor für die Erhöhungdes Aktionärswerts wahrgenommen werden (was Wasser auf dieMühlen derjenigen ist, die den Aktionärswert als kurzsichtig undoberflächlich kritisieren).

� SteuerbarWenn Sie nach Werttreibern Ausschau halten, sollten Sie nachFaktoren suchen, die Sie selbst in der Hand haben und steuernkönnen. Eine Organisation kann sehr wenig tun, um Personalab-gänge direkt zu beeinflussen (ebenso wie Sie Ihren Blutdruck nichtdirekt ändern können). Sie kann aber an Punkten arbeiten, dieeinen Einfluss auf die Zufriedenheit ihrer Mitarbeiter haben(Raumtemperatur, Vergütungsschemata, Regeln für die gleitendeArbeitszeit oder die Menüauswahl im Personalrestaurant).

Wie aus Nutzen Aktionärswert wird 1.4

65

Deshalb ist es sinnvoller, Projekte nach ihrem Beitrag hinsichtlichdieser Aspekte zu bewerten, als sich darüber den Kopf zu zerbre-chen, ob und wie ein bestimmtes Projekt die Anzahl der Mitarbei-ter beeinflussen könnte, die das Unternehmen verlassen.

� Stabiler WirkzusammenhangWerttreiber und ihr Einfluss auf den Aktionärswert sollten über dieZeit stabil bleiben. Es nützt Ihnen nichts zu wissen, dass positiveBeiträge in einem genau bezeichneten Blog einen positiven Effektauf den Aktionärswert des Unternehmens hatten, wenn dieses Blogim nächsten Jahr abgeschaltet wird. Und wenn die Menüauswahlin Ihrem Personalrestaurant erst vor einigen Tagen verändertwurde, wären Sie kaum in der Lage zu beurteilen, ob dies einen Ein-fluss auf die mittelfristige Zufriedenheit Ihrer Mitarbeiter oder aufdie Anzahl der monatlichen Kündigung haben wird.

Für die Erkennung möglicher Werttreiber benötigen Sie klare undausreichende Beweise. Da Sie (unter Verwendung statistischerTests) überprüfen müssen, ob Werttreiberkandidaten wirklicheinen Einfluss auf den Aktionärswert haben, brauchen Sie alsoeine ausreichende Menge historischer Daten (eine hinreichendgroße Stichprobe). In dem von Ihrer Stichprobe abgedeckten Zeit-raum sollten sich weder maßgebliche Rahmenbedingungen nochdas Verhalten Ihres Werttreibers ändern (was manchmal nichtganz einfach festzustellen ist). Mathematisch-statistisch sprichtman in diesem Zusammenhang auch von Stationarität.

� Hoher ErklärungswertIhre Werttreibersammlung sollte für den Betrachtungszeitraumeinen angemessenen Erklärungswert aufweisen. Das bedeutet, dassVeränderungen bei den Werttreibern maßgeblich dazu beitragen,Veränderungen beim Aktionärswert zu verstehen/vorherzusagen(was keineswegs impliziert, dass hier ein Ursache-Wirkungs-Zusammenhang besteht!). Stattdessen geht es um das Ausmaß derAbhängigkeit zwischen Werttreiber und Aktionärswert.

Das Essen und die Raumtemperatur haben vielleicht einen Ein-fluss auf die Mitarbeiterfluktuation (und somit auf den Aktionärs-wert), aber deren kombinierter Effekt ist vernachlässigbar, wennIhr wichtigster Mitbewerber kürzlich die Beträge vervierfacht hat,die er Headhuntern dafür zahlt, Mitarbeiter aus Ihrer Organisationherauszulocken. In diesem Fall sollten Sie eher die Personalbe-schaffungskosten als Werttreiber in Betracht ziehen, diese hättendann einen höheren Erklärungswert.

Page 24: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

66

� Nur Korrelation zähltSetzen Sie sich bei der Suche nach Werttreibern keine Scheuklap-pen auf (indem Sie nach kausalen Zusammenhängen suchen), undverschwenden Sie keine Zeit darauf, über Ursache-Wirkungs-Beziehungen nachzudenken.

Stattdessen sollten Sie von den folgenden Punkten überzeugt seinbzw. diese verstanden haben:

� Ihr Aktionärswert ist statistisch abhängig von Ihrem Werttrei-ber. Statistisch abhängig bedeutet, dass Veränderungen beimWerttreiber mit Veränderungen des Aktionärswerts einherge-hen, nicht aber, dass irgendeine Art von Ursache-Wirkungs-Zusammenhang besteht.

� Diese Abhängigkeit ist stark. Erklärt der Werttreiber fast 100 %aller Veränderungen beim Aktionärswert, oder ist er nur einkleiner Faktor unter vielen anderen?

� Wie verändert sich der Aktionärswert, wenn der Werttreibersteigt oder fällt? Bewegt sich der Aktionärswert in dieselbeRichtung? Reagiert er linear oder exponentiell?

� Gibt es eine direkte Verbindung zwischen Ihrem Werttreiberund dem Aktionärswert, oder fallen Sie auf statistische Trugbil-der herein, das heißt, sollten Sie besser einen beiden Parame-tern zugrunde liegenden Faktor als Werttreiber verwenden?

� Vorsicht vor ScheinkorrelationenEinerseits dürfen Sie sich nicht auf nachvollziehbare Ursache-Wir-kungs-Zusammenhänge beschränken. Andererseits: Lassen Siesich nicht von statistischen Effekten wie Scheinkorrelationen indie Irre führen. Scheinkorrelation und Scheinregression verleitenSie vielleicht dazu zu glauben, dass zwischen zwei Parametern eineBeziehung besteht, während diese in Wirklichkeit nur indirektüber einen dritten verbunden sind.

Ein klassisches Beispiel in der Statistik ist die Korrelation zwischender Anzahl von Störchen, die in einer Region nisten, und derAnzahl dort (immer noch von Frauen) geborenen Babys. DiesemBeispiel ist übrigens sogar eine eigene Website gewidmet: http://www.storchproblem.de/. Ein Politiker, der Familien durch die Wie-deransiedlung von Störchen in der Stadtmitte Berlins zum Kinder-reichtum ermutigen möchte, wird wahrscheinlich scheitern (nichtnur, weil viele der Störche vielleicht überfahren werden). Stattdes-

Wie aus Nutzen Aktionärswert wird 1.4

67

sen lässt sich der gewünschte Effekt vielleicht erzielen, indem manes jungen Familien erleichtert (z.B. durch entsprechende Arbeits-plätze), in ländlichen Regionen anstatt in großen Städten zu leben.Warum? Ein Faktor, der beiden Zahlen in diesem Beispiel zugrundeliegt, ist die Ländlichkeit der Region (andere wären die Jahreszeitund die Wetterbedingungen neun Monate vor der Erhebung).

Ihr Werttreiber-

verzeichnis

Organisationen investieren eine Menge Aufwand darin, mehr überihre eigenen Werttreiber zu erfahren. Größere Beratungsunterneh-men (wie Bain & Company, Horváth & Partner, McKinsey & Company)und auch SAP selbst (über die global tätigen Business-Transformation-Services-Teams) bieten in diesem Bereich unternehmensübergreifendbranchenspezifisches Expertenwissen an. Wenn es darum geht, Wert-treiber für Ihre eigenen Projekte zu identifizieren, sollten Sie schritt-weise vorgehen:

1. Vorhandene Werttreiberverzeichnisse nutzenBevor Sie viel Zeit investieren, um selbst herauszufinden, welcheWerttreiber im Zusammenhang mit Ihrem Projekt relevant sind,fragen Sie zunächst einmal nach, ob es in Ihrer Organisation eineArt Werttreiberverzeichnis gibt. Bereits definierte Werttreiber zuverwenden spart nicht nur Zeit; wenn Sie Werttreiber verwenden,die vom Management schon geprüft und genehmigt wurden, wirdes wahrscheinlich auch einfacher, einen Sponsor für Ihr Projekt zufinden und interne Widerstände zu überwinden.

2. Nutzen evaluierenWenn noch keine Werttreiber identifiziert wurden oder wenn die-jenigen, die zur Verfügung stehen, durch die HANA-Lösung, dieSie einführen möchten, nicht berührt werden, denken Siezunächst einmal genauer über den Nutzen Ihres Projekts nach.Was möchten Sie liefern, und über welche potenziellen Werttrei-ber wird Ihr Projekt einen positiven Beitrag in Sachen Aktionärs-wert liefern? Was sind die negativen Effekte Ihres Vorhabens(jedes Projekt verursacht auch Kosten; zumindest müssen Sie dieZeit in Betracht ziehen, die Sie damit verbringen, darüber nachzu-denken), und über welche potenziellen Werttreiber verringerndiese den Aktionärswert?

3. Werttreiber prüfenVergewissern Sie sich, dass es sich bei Ihren Kandidaten wirklichum Werttreiber handelt. Wenn Sie alle Schritte abarbeiten, liegen

Page 25: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

68

Ihnen nicht nur die Ergebnisse der entsprechenden statistischenTests vor; nebenbei erstellen Sie auch ein ordentliches mathemati-sches Modell, das die Beziehung zwischen Ihren Werttreibern unddem Aktionärswert beschreibt.

Ein Wort der Warnung: Die statistischen Tests im Zusammenhangmit Werttreibern sind alles andere als trivial. Sie benötigen einesolide Wissensbasis auf den Gebieten der deskriptiven und indukti-ven Statistik, und Sie müssen die Fallgruben kennen, in die Sie beiAnwendung der jeweiligen Werkzeuge tappen können. Sie könnensich von Firmen, die sich auf solche Fragen spezialisiert haben, pro-fessionell unterstützen lassen. Das Gute ist: Wenn Sie schon Zugangzu einem HANA-System haben, können Sie bei Ihrem Vorhaben des-sen Leistungsfähigkeit und die Möglichkeiten der Statistiksprache Rnutzen. Sie können also ein HANA-System und dessen Statistikwerk-zeuge verwenden, um Werttreiber für andere Big Data BusinessCases zu identifizieren. Die Systemarchitektur, die Sie hierfür benö-tigen, ähnelt stark derjenigen, die wir in Kapitel 4, »Planung flexibelgestalten«, beschreiben; letztendlich ist es gleichgültig, ob Sie dieAbhängigkeit zwischen Werttreiberkandidaten und dem Aktionärs-wert oder die Abhängigkeit zwischen Input- und Output-Werteneines Planungsmodells verifizieren möchten.

Generische

Werttreiber

Abgesehen von den fallspezifischen Werttreibern, über die wir inunseren Business Cases sprechen, gibt es einige generische Werttrei-ber, die in vielen Big-Data-Projekten eine Rolle spielen. Diese stellenwir in den folgenden Abschnitten vor.

Aufwände verringern, Erträge erhöhen

Zwei Faktoren, die bei der Beurteilung fast jeden IT-Projekts eineRolle spielen, sind Aufwände und Erträge. Einerseits führen IT-Pro-jekte selbst stets zu Aufwänden (und manchmal auch zu Erträgen),andererseits liegt der Zweck solcher Projekte meist darin, längerfris-tig Aufwände zu verringern oder Erträge zu erhöhen.

Aufwände und Erträge

Wir ignorieren an dieser Stelle einige Feinheiten des Rechnungswesensund nehmen uns die Freiheit, Aufwände/Kosten/Ausgaben/Auszahlungeneinerseits und Erträge/Erlöse/Einnahmen/Einzahlungen andererseits je-weils als Synonyme zu verwenden. Streng betriebswirtschaftlich gesehen,

Wie aus Nutzen Aktionärswert wird 1.4

69

wären z.B. nur diejenigen Aufwände, die sich auf das betriebsnotwendigeVermögen beziehen, auch Kosten. Die genauen Unterschiede zwischendiesen Begriffen können Sie z.B. auf http://de.wikipedia.org/wiki/Kostennachlesen.

Für Zwecke der Bewertung von Business Cases ist es aber mehr oderweniger gleichgültig, ob ein Projekt nun das Geldvermögen oder dasbetriebsnotwendige Vermögen erhöht; für uns zählt letztendlich immerdas Gesamtvermögen. Abhängig davon, ob es um gewinnorientierte odernicht gewinnorientierte Organisationen geht, haben Aufwände undErträge ein unterschiedliches Gewicht.

Aufwand und Ertrag

sind Werttreiber-

kategorien

Aufwand und Ertrag sind nicht als Werttreiber, sondern eher alsKategorien von Werttreibern zu verstehen. Aufwands- oder ertrags-bezogene Werttreiber sollten nicht abstrakt, sondern spezifisch sein.Beispiele sind:

� Kosten für die Fernsehwerbung zu bestimmten Zeiten auf einembestimmten Sender

� Ausgaben für das Sponsoring einer Fußballmannschaft

� Entwicklungskosten im Produktdesign

� Margen einzelner Produktgruppen oder Produkte

� Erlöse aller Filialen in einer Stadt oder in einem Land

� aus Kundensicht angemessener Preis für ein Produkt

Ungewissheit reduzieren, Mittelzuflüsse beschleunigen, Mittelabflüsse verlangsamen

Ebenso wie meine Großmutter mir hat die Ihrige Ihnen vielleichtbeigebracht, dass der Spatz in der Hand mehr wert ist als die Taubeauf dem Dach. Geboren im Jahr 1900 und nach zwei Weltkriegenund schweren Wirtschaftskrisen davor und danach, dachte sie wahr-scheinlich, man solle nicht gierig sein, sondern bescheiden undzufrieden mit dem, was man hat. Aber abgesehen von der Prägungdurch das Umfeld (die zu Entscheidungen führt, die eher auf Erfah-rungen und weniger auf Überlegungen und Herleitungen gründen)gibt es auch gute logische Gründe dafür, warum viele Individuenund Unternehmen ihren Standpunkt teilen würden. Die Anzahl Tau-ben auf dem Dach, die jemand gegen einen Spatz in der Hand eintau-schen würde, mag dabei personenspezifisch sein. Trotzdem gilt die

Page 26: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

70

grundlegende Aussage wohl für die meisten von uns (Spielsüchtigeeinmal ausgenommen).

Risiko und

Geschwindigkeit

Also: Warum ist ein Spatz in der Hand mehr wert als eine Taube aufdem Dach? Zunächst einmal besteht natürlich die Gefahr, dass derSpatz in der Hand wegfliegt, wenn man die Hand öffnet, um nachder Taube zu greifen, und Sie für heute oder die ganze Woche ohneein Mittagessen bleiben. Normalerweise ziehen wir sichere gegen-über risikobehafteten Optionen vor – im Bespiel durch die Tatsacheillustriert, dass wir einen fetten Vogel für ein doch recht mageresExemplar, dessen wir aber sicher sein können, seiner Wege ziehenlassen.

Darüber hinaus könnte der Spatz in der Hand ohne größere Um-stände oder Verzögerungen in eine Mahlzeit verwandelt werden,während es Sie vielleicht eine oder zwei Stunden kosten wird, dieTaube überhaupt erst einmal zu fangen. Die meisten von uns ziehendie unmittelbare Befriedigung eines Bedürfnisses der verzögertenBedürfnisbefriedigung vor (die offenkundige Kapitulation selbst ge-kochter Mahlzeiten gegenüber den Fertiggerichten ist ein schlagen-der Beweis).

Präferenzen von

Organisationen

Für ein geschäftliches Umfeld lassen sich diese Einsichten folgender-maßen formulieren:

� Allgemein ziehen Menschen und Organisationen Optionen, diemit weniger Unsicherheit behaftet sind, solchen vor, die riskanterwären.

� Die Einstellung eines Individuums oder einer Organisation zumRisiko (auch als Risikoaversion bzw. Risikofreude bezeichnet) kanndurch die Anzahl von Tauben auf dem Dach gemessen werden, fürdie er/sie den Spatz in der Hand hergäbe. Übrigens: Wenn mansich wirklich ernsthaft damit beschäftigt, wird die Messung derRisikoeinstellung von Personen oder Organisationen schnell ver-trackt und in sich widersprüchlich. In seinem Bestseller SchnellesDenken, Langsames Denken schüttet der Nobelpreisträger DanielKahnemann ein wahres Füllhorn an lehrreichen Beispielen aus.

� Außerdem ziehen Menschen und Organisationen in der Regeleinen Dollar heute einem Dollar morgen vor. Eine Möglichkeit,die zeitlichen Präferenzen eines Individuums oder einer Organisa-tion im Zusammenhang mit dem Zufluss von Geldbeträgen zu

Wie aus Nutzen Aktionärswert wird 1.4

71

messen, läge darin, nach dem Zinssatz zu fragen, den er/sie ineinem Umfeld ohne Inflation für eine sichere Investition verlan-gen würde (»sichere Investition«, weil wir den Effekt des Risikosauf die Rendite eliminieren wollen, und »ohne Inflation«, um dieKompensation auszuschließen, die man für den Verlust an Kauf-kraft erwartete).

Risiken und

Mittelzuflüsse

Wenn Anteilseigner sich ebenso verhalten wie der Rest von uns, soll-ten sie gewillt sein, mehr für die Anteile von Unternehmen zu zah-len, die weniger Risiken ausgesetzt sind, Mittelzuflüsse beschleuni-gen und Mittelabflüsse verzögern.

� Weniger Risiko = höherer AktionärswertDie Wahrscheinlichkeit nachteiliger Ereignisse zu reduzieren oderdie Wahrscheinlichkeit vorteilhafter Ereignisse zu erhöhen schafftAktionärswert. Anleger, die nach Investitionsmöglichkeiten suchen,würden mehr Spatzen in der Hand (= Barmittel) pro Taube aufdem Dach (= Anteile) hergeben, wenn Sie der Taube die Fluchterschweren könnten. Das Ergebnis wären steigende Aktienkurseund glückliche Anteilseigner (außer wenn – wie gesagt – poten-zielle Käufer spielsüchtig sind und einen unnatürlichen Hang zumRisiko einfach um des Risikos willen hätten.)

� Schnellerer Zufluss = höherer AktionärswertMittelzuflüsse näher an die Gegenwart heranzurücken oder Mittel-abflüsse weiter in die Zukunft zu verschieben schafft Aktionärs-wert. Anleger, die nach Investitionsmöglichkeiten suchen, würdenerneut mehr Spatzen in der Hand (= Barmittel) pro Taube auf demDach (= Anteile) hergeben, wenn Sie eine neue Taubenfang- und-verarbeitungstechnik entwickelt hätten, die die Zeit, die esbraucht, um die Tauben auf dem Dach in ein Mittagessen zu ver-wandeln, um 50 % reduziert. Das Ergebnis wären noch einmalsteigende Aktienkurse und glückliche Anteilseigner (außer wennpotenzielle Käufer eine masochistische Sehnsucht hätten, längerhungrig zu bleiben als nötig).

Risiko und

Geschwindigkeit

Wir betonen diese Punkte auch deshalb, weil die Reduktion vonUngewissheit, die Beschleunigung von Mittelzuflüssen und die Ver-langsamung von Mittelabflüssen typische Nutzenpotenziale von Big-Data-Lösungen wie SAP HANA sind. Wenn meine Oma das nocherlebt hätte: Ihre einfachen Lebensweisheiten werden zu einerwesentlichen Triebkraft hinter Big-Data-Projekten.

Page 27: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

72

Wahrnehmungen, Erwartungen und Vorlieben

Anleger sind nicht

allwissend

Wir haben schon bei der Definition des Aktionärswerts angedeutet,dass Anleger allwissend sein müssten, um den wahren Wert vonUnternehmensanteilen zu kennen. Für die Wertermittlung bräuchteman nämlich alle bewertungsrelevanten Daten und Fakten jetzt undin der Zukunft, und bewertungsrelevant sind dabei auch politischeEntscheidungen, Marktdaten, das Seelenleben jedes einzelnen Anle-gers und vieles mehr.

Bewertungsrelevante Sachverhalte

Auch politische Rahmenbedingungen, Liebesaffären oder sogar der Aber-glaube können einen Einfluss auf den Aktionärswert haben.

� Entscheidet ein Staat sich, Dividenden höher und Kapitalgewinne garnicht zu besteuern, werden Anteile von Unternehmen, die keine Divi-denden zahlen, dafür aber hohe Wertsteigerungen erwarten lassen,besonders attraktiv.

� Wenn ein Großinvestor frisch verliebt ist und sich demnächst scheidenlassen möchte, entwickelt er (Stichwort: Zugewinnausgleich) vielleichteinen Appetit auf Papiere, bei denen er kurzfristig mit Kursverlustenund längerfristig mit umso höheren Kursgewinnen rechnet.

� In den Flugzeugen der Lufthansa fehlen – mit Rücksicht auf furchtsamePassagiere – die Sitzreihen 13 und 17 (die 17 gilt in Brasilien und Italienals Unglückszahl). Wenn eine Fluglinie so ihren Sitzladefaktor verbes-sern kann (und dies auch allfällige Mehrkosten in der Systementwick-lung aufwiegt), werden sich nicht nur abergläubische Anleger für derenAnteile interessieren.

In allen drei Beispielen ergibt sich bei den Unternehmensanteilen ein Ein-fluss auf Angebot und Nachfrage und damit auf den Aktionärswert.

Subjektive Sicht der

Anleger zählt

Ob Anleger allwissend sind, spielt also gar keine Rolle, der Aktio-närswert resultiert allein aus den Wahrnehmungen, Erwartungen undVorlieben der Investoren. Völlig gleichgültig ist, ob diese Wahrneh-mungen, Erwartungen und Vorlieben irgendeinen Bezug zur Realitätbesitzen. Genau deshalb kann auch die Frage, ob es an Bord ihrerMaschinen die Sitzreihen 13 und 17 gibt, für eine Airline ein gültiger(dichotomer) Werttreiber sein. Andere Beispiele für vielleicht weni-ger exotische, aber dennoch nicht monetäre Werttreiber sind:

� Haltbarkeit der eigenen Produkte

� Kundenzufriedenheit

� Begehrtheit des eigenen Unternehmens als Arbeitgeber

Business Cases bewerten 1.5

73

Diese Beispiele zeigen auch, dass nicht nur die Wahrnehmungen,Erwartungen und Vorlieben der Anteilseigner, sondern auch z.B.diejenigen der Kunden, Lieferanten oder Mitarbeiter eine Rolle fürden Aktionärswert spielen. Dies allerdings nicht direkt, sondernimmer aufgrund der Wirkungen, die die Anteilseigner sich davonerwarten. Wenn also die Zufriedenheit Ihrer Kunden sehr hoch ist,ist das für den Aktionärswert nur dann von Nutzen, wenn Ihre Akti-onäre dies einerseits wahrnehmen und andererseits auch würdigen.

1.5 Business Cases bewerten

Die Matrix in Abbildung 1.2 fasst die Erkenntnisse aus den Abschnit-ten Abschnitt 1.2, »Wie entsteht der Nutzen von Big Data?«, undAbschnitt 1.3, »Wo entsteht der Nutzen von Big Data?«, noch einmalübersichtlich zusammen und nennt einige exemplarische Werttrei-ber (die Abkürzung DB steht hier für Deckungsbeitrag).

Abbildung 1.2 Nutzen-Werttreiber-Matrix

NeueErkenntnisse

BessereEntscheidungen

AnspruchsvolleWerkzeuge

SchnelleresHandeln

Bestehende Geschäftsprozesse Neue Geschäftsprozesse

− Treibstoffkosten Fahrzeugflotte

− Personalkosten Kundendienst

− Erlöse aus genetischer Diagnose/Beratung

− Erlöse aus Technologie-Benchmarking (kollaborativ)

− Wertberichtigungenauf Forderungen

− DB aus (Produkt-/Preis-)Segmentierung

− Hektarertrag einerFrucht auf einer bestimmten Fläche

− Plan-Ist-Abweichungen (Planungsgenauigkeit)

− Haltung der Kunden zumUnternehmen

− Materialeinsatz (verdorbene Ware)

− Erlöse aus Telekardiologie

− Erlöse aus Telematik

− Finanzaufwand/-ertragaus Kursverlusten/-gewinnen (Währung)

− DB aus zeitlicher Segmentierung

− Erlöse aus mobilen Preisvergleich-Apps

− Erlöse aus orts--/bewegungsbezogenen Empfehlungen

Wie?

Wo?

Page 28: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

74

Die Darstellung ist dabei wie folgt zu verstehen: In Abschnitt 1.2,»Wie entsteht der Nutzen von Big Data?«, haben wir erläutert, dassBig Data Nutzen schaffen kann, indem neue Erkenntnisse gewon-nen und bessere Entscheidungen getroffen werden, anspruchsvolleWerkzeuge zum Einsatz kommen oder schneller als bislang gehan-delt werden kann. Diese vier Wege, Nutzen aus Big-Data-Lösungenzu ziehen, sind in Abbildung 1.2 auf der vertikalen (»Wie?«-)Achseeingetragen.

In Abschnitt 1.3, »Wo entsteht der Nutzen von Big Data?«, wurdedargestellt, dass Sie Big Data einsetzen können, um entweder bereitsexistierende Geschäftsprozesse zu verbessern oder um völlig neueGeschäftsmodelle/-prozesse zu entwerfen, die ohne Big Data garnicht realisierbar wären. Diese zwei Varianten finden sich in Abbil-dung 1.2 auf der horizontalen (»Wo?«-)Achse.

Damit ergeben sich insgesamt acht Kombinationsmöglichkeiten aus»Wie« und »Wo«, das heißt z.B. »neue Erkenntnisse in existierendenGeschäftsprozessen« oder »anspruchsvolle Werkzeuge in neuen Ge-schäftsprozessen«. Die acht Zellen in der Abbildung stehen für dieseacht Kombinationen. Für jede der genannten Kombinationen ist wie-derum eine Vielzahl von Big-Data-Einsatzbeispielen denkbar; und fürjedes dieser Einsatzbeispiele gäbe es einen oder mehrere Werttreibermit einer (hoffentlich positiven) Wirkung auf den Aktionärswert. InAbbildung 1.2 haben wir für jede der acht Kombinationen jeweils zweiWerttreiber (z.B. »Wertberichtigungen auf Forderungen« oder »Erlöseaus Telematik«) aufgeführt; hinter jedem dieser Werttreiber steht einkonkretes Einsatzbeispiel für Big Data.

Nutzung der Matrix Einige dieser Einsatzbeispiele/Werttreiber werden wir im Folgendennoch ein wenig genauer erläutern. Sie sollen Ihnen als Anregung fürdie Suche nach eigenen Ideen dienen. Diese Matrix können Sie fürsich auf zwei unterschiedliche Arten verwenden:

� IdeenfindungNutzen Sie die Matrix als Basis für die Entwicklung eines morpho-logischen Kastens. Die zwei Beispieldimensionen »Wie« und »Wo«können Sie ergänzen oder weiter verfeinern. In die Zellen derMatrix tragen Sie dann an Stelle der Werttreiber denkbare Anwen-dungsfälle ein. Wenn Ihre Dimensionen operationalisierbar undIhre Anwendungsfälle hinreichend konkret sind, fällt es auchnicht allzu schwer, passende Werttreiberkandidaten zu finden.

Business Cases bewerten 1.5

75

� Bewertung von Business CasesSie können sich für einen konkreten Fall in Ihrem Umfeld überle-gen, auf welche Art und Weise hier Nutzen entstehen soll (dieDimension »Wie«) und welchem Anwendungsbereich (die Dimen-sion »Wo«) eine diesbezügliche Big-Data-Anwendung zuzuordnenwäre. Die Zellen in der Matrix liefern Ihnen dann einen Hinweisdarauf, welche Werttreiber Sie zur Bewertung Ihres speziellenBusiness Cases heranziehen können. In den einzelnen Fallstudienwerden wir immer wieder auf dieses Schema zurückkommen undes Schritt für Schritt mit exemplarischen Werttreibern ergänzen.

Morphologischer Kasten

Der morphologische Kasten (auch Zwicky Box) dient als Werkzeug füreine Kreativitätstechnik, die auf den Schweizer Astrophysiker Fritz Zwicky(1898-1974) zurückgeht.

1. Um beispielsweise neue Business Cases für Big-Data-Lösungen zu ent-wickeln, sammeln Sie zunächst einmal unterschiedliche Dimensionen/Merkmale/Attribute solcher Lösungen. Wir haben mit den Dimensionen»Wie« und »Wo« zwei denkbare Merkmale ausführlich beschrieben, essind aber viele weitere Attribute denkbar (z.B. »Beteiligte Partnerrollen«,»Betroffene Produkte/Dienstleistungen« oder »Funktionsbereiche (Her-stellung, Verwaltung, Vertrieb etc.)«).

Wichtig ist, dass Ihre Dimensionen (weitestgehend) untereinanderunabhängig (für unsere Nutzen-Werttreiber-Matrix in Abbildung 1.2ist das sicher nicht immer 100-prozentig der Fall!) und praxisrelevant/operationalisierbar sind. In Kunden-Workshops kommen wir in derRegel ohne viel Mühe auf 10-20 weitestgehend überlappungsfreieDimensionen.

2. Anschließend schreiben Sie dann für jede Dimension alle Ausprägun-gen auf, die Ihnen einfallen. Für eine Dimension »Beteiligte Partnerrol-len« könnten das beispielsweise »Kunden«, »Lieferanten« oder »Mitar-beiter« sein.

3. Nun wählen Sie eine Ausprägung für jede Dimension aus; lassen Siediese Kombination (Beispiel: »Schnelleres Handeln in bestehendenGeschäftsprozessen bezogen auf Lieferanten«) auf sich wirken, undversuchen Sie, sich einen Business Case vorzustellen, auf den dieseBeschreibung passen könnte. Meist entsteht zu jeder Kombination vonMerkmalsausprägungen mehr als nur eine Idee.

Der morphologische Kasten eignet sich besonders gut für die Ideen-findung in Meetings und Gruppen. Auf Wikipedia (http://de.wikipedia.org/wiki/Morphologische_Analyse_%28Kreativit%C3%A4tstechnik%29)

Page 29: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

76

finden Sie am Beispiel »Entwicklung eines neuen Tisches« ein Beispieldafür, wie der morphologische Kasten zu neuen, bislang noch nichtberücksichtigten Ideen führen kann. Dadurch, dass für die gefundenenMerkmale alle denkbaren Ausprägungen aufgeschrieben werden, entste-hen auch Lösungen mit Merkmalskombinationen, die Ihnen vielleicht imersten Schritt nicht in den Sinn gekommen wären.

Beispiele für

Werttreiber

Im Folgenden erläutern wir die in Abbildung 1.2 erwähnten exem-plarischen Werttreiber (und die dazu denkbaren Szenarien). Für jedesder Beispiele nennen wir auch die zugehörigen generischen Wert-treiber aus Abschnitt 1.4.3, »Wie Sie Werttreiber identifizieren«.

Treibstoffkosten Fahrzeugflotte

Fahrverhalten

und Rahmen-

bedingungen

Ein Unternehmen sammelt nicht nur sehr detaillierte Positions- undRoutendaten, sondern auch Informationen aus unterschiedlichstenSensoren zum Fahrverhalten und zugehörigen Rahmenbedingungen(Beschleunigung/Verzögerung, Straßenbeschaffenheit, Kraftstoffver-brauch, Verkehrslage, Wetter etc.). Diese Daten werden mit dem Zielanalysiert, den Kraftstoffverbrauch der Fahrzeugflotte zu reduzieren.Die Kraftstoffkosten sinken, und der Aktionärswert steigt (generi-scher Werttreiber: Aufwände verringern).

Personalkosten Kundendienst

Daten aus

Außeneinsätzen

Eine Firma, die Haushaltsgeräte herstellt und repariert, sammeltDaten zu den Einsätzen ihrer Techniker. Hierzu gehören nicht nurGeodaten, sondern auch Daten zu besuchten Kunden, Aufträgen,betroffenen Geräten, Problemursachen, Ersatzteilbeständen im Fahr-zeug, Mehrfachbesuchen etc. Auf Basis dieser Daten wird überlegt,wie das gleiche Auftragsvolumen bei gleichbleibender Servicequali-tät mit weniger Technikern bewältigt werden kann. Hierdurch sinktder Personalaufwand, was sich wiederum positiv auf den Aktionärs-wert auswirkt (generischer Werttreiber: Aufwände verringern).

Wertberichtigungen auf Forderungen

Echtzeitdaten zur

Bonität

Wenn zeitnah mehr (relevante) Daten zur jetzigen und zukünftigenBonität von Kunden vorliegen, kann im Verkaufsprozess besser undgenauer über Zahlungsbedingungen (z.B. Vorauskasse) entschiedenwerden. Dadurch lassen sich Forderungsausfälle reduzieren, und das

Business Cases bewerten 1.5

77

wiederum erhöht den Aktionärswert (generische Werttreiber: Auf-wände verringern, Ungewissheit reduzieren).

Deckungsbeitrag aus (Produkt- oder Preis-)Segmentierung

Kunden oder Märkte werden segmentiert, um segmentspezifischeProdukte und/oder zu segmentspezifischen Preisen anbieten zu kön-nen. Mehr dazu lesen Sie in Kapitel 5, »Reisekosten und Reisezeitenreduzieren« (generischer Werttreiber: Erträge erhöhen).

Haltung/Meinung der Kunden zum Unternehmen

Textauswertungs-

verfahren

Durch Text Mining und Sentiment Detection lässt sich beobachten,wie Kunden über bestimmte Produkte oder das eigene Unternehmenals Ganzes denken und auch wie diese Haltungen durch bestimmteInformationen (z.B. Berichte über Arbeitsbedingungen bei Zuliefe-rern) beeinflusst werden. Eine positive Meinung bestehender undpotenzieller Kunden zum eigenen Haus hat Auswirkungen auf denAktionärswert (generische Werttreiber: Wahrnehmungen, Erwar-tungen und Vorlieben – in diesem Fall nicht primär der Anteilseig-ner, sondern zunächst einmal der Kunden).

Materialeinsatz (verdorbene Ware)

Geo- und Sensor-

daten überwachen

In der Nahrungsmittelindustrie und bei chemischen Produkten spie-len Transport- und Lagerbedingungen ebenso wie Transport- undLagerdauern eine große Rolle. Rohtabak beispielsweise verliert wäh-rend einer zu langen Lagerung in trockener Luft an Volumen undGewicht. Wenn eine Vielzahl von Geodaten und Daten von Sensoren(Temperatur, Feuchtigkeit, Erschütterung etc.) fortlaufend über-wacht und analysiert werden kann, lässt sich das Risiko verringern,dass Einsatzmaterialien, Zwischen- oder Endprodukte Schaden neh-men. Hierdurch verringern sich Materialeinsatz und Materialkosten,was ebenfalls positiv auf den Aktionärswert wirkt (generischer Wert-treiber: Aufwände verringern).

Finanzaufwand/-ertrag aus Kursverlusten/-gewinnen (Währungen)

Lesen Sie hierzu auch Kapitel 4, »Planung flexibel gestalten« (generi-sche Werttreiber: Aufwände verringern, Erträge erhöhen, Ungewiss-heit reduzieren).

Page 30: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

78

Deckungsbeitrag aus zeitlicher Segmentierung

Wenn die Segmentierung sehr schnell erfolgen kann, können Sienicht nur zeitnaher, sondern auch innerhalb der Zeitdimension seg-mentieren. In Kapitel 5, »Reisekosten und Reisezeiten reduzieren«,erläutern wir dies anhand eines Fallbeispiels (generischer Werttrei-ber: Erträge erhöhen).

Erlöse aus genetischer Diagnose/Beratung

Rechenintensive

gentechnische

Analysen

Gentechnische Analysen und Diagnosen sind extrem rechenintensivund erfordern entsprechend leistungsfähige Systeme. Mit Big Datavergrößert sich der Kreis derjenigen (Kliniken, Ärzte etc.), die daraufbasierende Beratungsleistungen anbieten und hierdurch (mit gerin-geren Kosten als zuvor) Erträge erzielen können. Das hat Auswirkun-gen auf deren Aktionärswert (generische Werttreiber: Aufwändeverringern, Erträge erhöhen).

Erlöse aus Technologie-Benchmarking (kollaborativ)

Anonymisierte

Vergleichsdaten

In vielen Bereichen existieren Anbieter, die kollaborative Bench-marking-Dienstleistungen offerieren. Hierbei werden anonymisiertDaten aus vielen Unternehmen gesammelt und (in oft monatelangenAuswertungen) miteinander verglichen. Mit Big Data erhalten bei-spielsweise die Hersteller von Druckmaschinen die Möglichkeit,detaillierte Leistungsdaten ihrer Produkte in Echtzeit zu erheben, zuanalysieren und – ebenfalls in Echtzeit – ihren Kunden zugänglich zumachen. Kunden können diese Daten zur Verbesserung ihrer eige-nen Prozesse nutzen. Hierdurch lassen sich für den Hersteller derDruckmaschinen höhere Erträge erzielen; entweder können dieseDienstleistungen separat verkauft werden, oder sie erhöhen dieAttraktivität der eigenen Produkte. Schon die Tatsache, dass eine sol-che Lösung angeboten wird, dürfte positive Auswirkungen auf denAktionärswert haben (generische Werttreiber: Erträge erhöhen,Wahrnehmungen, Erwartungen und Vorlieben).

Plan-Ist-Abweichungen (Planungsgenauigkeit)

Für viele Unternehmen spielt die Genauigkeit von Prognose- undPlandaten eine große Rolle. Wie wir noch in der Fallstudie in Kapitel4, »Planung flexibel gestalten«, sehen werden, bilden Prognosen und

Business Cases bewerten 1.5

79

Pläne die Basis für eine Vielzahl unternehmerischer Entscheidungen.(generische Werttreiber: Aufwände verringern, Erträge erhöhen,Ungewissheit reduzieren).

Erlöse aus Telekardiologie

Unter Telekardiologie versteht man die mobile Übertragung be-stimmter, für die Herzfunktion relevanter Parameter (EKG, Gewicht,Blutdruck) an behandelnde Ärzte. Mehr hierzu lesen Sie in Kapitel 9,»Gesundheitsvorsorge als Dienstleistung« (generischer Werttreiber:Erträge erhöhen).

Erlöse aus Telematik (zum Beispiel TMC Pro)

Verkehrslage

vorhersagen

Anbieter wie Navteq oder TomTom sammeln mit Bewegungsdatenvon Handys und Sensoren an Straßenbrücken Daten zur Ver-kehrslage, die sie zahlenden Kunden im privaten und professionellenBereich für die Routenplanung zur Verfügung stellen. Die Tatsache,dass praktisch alle modernen Smartphones über Ortungsfunktionenverfügen, führt zu einem raschen Anschwellen der hierbei zu verar-beitenden Datenströme. Gleichzeitig bieten immer bessere Algorith-men die Möglichkeit, Staugefahren immer früher und immer präziservorherzusagen und selbst noch nicht vorhandene Verkehrsstörungenmit in die Routenplanung einzubeziehen. Die jetzt schon existieren-den Dienstleistungen dürften erst der Anfang einer ganzen Palettevon Services sein, mit denen sich Verkehrslagedienste neue Ertrags-möglichkeiten erschließen und ihren Aktionärswert steigern (generi-scher Werttreiber: Erträge erhöhen).

Erlöse aus mobilen Preisvergleich-Apps

Echtzeit-

preisvergleich

Seit der Einführung der neuen Amazon-Shopping-App gilt der ame-rikanische Online-Handelsriese den meisten traditionellen Einzel-händlern – nicht ganz zu Unrecht – als Inbegriff des Bösen. BeimBummel durch die Fußgängerzone am Samstag halten Teenager ein-fach ihr Handy kurz an den Strichcode der Ware und erfahren sofort,bei wem sie die Schuhe, die sie gerade anprobieren, günstiger kaufenkönnen. Der Umsatz landet dann in den meisten Fällen beim Online-Händler (und nicht zuletzt bei Amazon); dem Einzelhändler vor Ortbleiben allein Ladenmiete, Personalaufwand und die Kosten für dieLagerhaltung.

Page 31: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

80

Aus Sicht von Amazon entstehen hierdurch Erträge, die es ohne dieMöglichkeit des Echtzeitpreisvergleichs (wahrscheinlich) nicht gäbeoder die zumindest später entstünden. Während sich viele Einzel-händler verzweifelt und teils sogar mit illegalen Störsendern gegeneinen solchen Geschäftsprozess wehren, schafft dieser zweifelsohneWert für die Amazon-Anteilseigner (generische Werttreiber: Erträgeerhöhen, Mittelzuflüsse beschleunigen).

Schritte bei der Bewertung von Business Cases

Matrix auf eigene

Business Cases

anwenden

Wenn Sie die Matrix in Abbildung 1.2 verwenden möchten, umBusiness Cases zu bewerten, sollten Sie hierbei wie folgt vorgehen:

1. Schauen Sie sich zunächst die hier im Buch vorgeschlagenen Wert-treiber für Ihren Business Case an. Passen diese zu Ihrem Fall? Sindsie spezifisch genug?

2. Sammeln Sie ergänzend eigene Werttreiber. Nutzen Sie dazu dieHinweise in Abschnitt 1.4.3, »Wie Sie Werttreiber identifizieren«.

3. Denken Sie neben den nutzenbezogenen Werttreibern auch an sol-che, die durch Ihren Business Case negativ beeinflusst werden (Siewerden wahrscheinlich Geld in Hard- und Software investierenmüssen und Implementierungs- und Schulungsaufwände haben).

4. Versuchen Sie, den Einfluss Ihres Business Cases auf die entspre-chenden Werttreiber zu quantifizieren und zu ermitteln, was diesfür Ihren Aktionärswert bedeutet. Dies ist der weitaus schwie-rigste Schritt bei der Bewertung von Business Cases. Sie sind aller-dings nicht nur bei Big-Data- oder IT-Projekten, sondern bei jedergeschäftlichen Entscheidung mit dieser Frage konfrontiert. Inso-fern sollte Ihr Unternehmen über Werkzeuge hierfür verfügen.

5. Denken Sie daran, beim Einfluss auf Werttreiber und Aktionärs-wert die zeitliche Dimension zu berücksichtigen. Wann erwartenSie positive und negative Einflüsse? Für diese Betrachtung benöti-gen Sie zumindest einen rudimentären Projektplan.

6. Bereiten Sie Ihren Business Case entsprechend auf. Sie braucheneine Präsentation, die nicht zu technisch ist und anhand derer Sieden kaufmännischen Nutzen klar kommunizieren können.

7. Machen Sie sich nicht verrückt. Es geht nicht darum, dass Sie alleEffekte Ihres Business Cases jetzt schon abschätzen können. Wich-tiger ist vielmehr, dass Sie den Anwendungsfall nicht nur in tech-

Business Cases bewerten 1.5

81

nischer, sondern auch in finanzieller Hinsicht gründlich durch-dacht haben und das auch belegen können.

Tipps zum Umgang

mit Business Cases

Zu guter Letzt noch vier allgemeine Tipps zum Umgang mit BusinessCases:

� Ein Business Case besteht nicht nur aus finanziellen Betrachtun-gen. Sie müssen eine überzeugende Geschichte erzählen, Aus-sagen zur Umsetzung machen, einen Projektplan parat haben undtechnische Fragen beantworten. Wir konzentrieren uns in diesemBuch und besonders in den Fallstudien hauptsächlich auf die Frageder Bewertung von Business Cases.

� Überlegen Sie sich, wie Ihr Business Case zu strategischen Vorha-ben in Ihrem Haus passt. In den meisten größeren Unternehmengibt es eines oder mehrere längerfristig orientierte Programme(Portfolios von Projekten), die auf Initiative der Unternehmenslei-tung gestartet wurden und die der mittel- bis langfristigen Aus-richtung des Unternehmens dienen. Wenn Sie Ihr Projekt einemoder mehreren dieser Programme zuordnen können, haben Sieweitaus bessere Chancen, Unterstützung für Ihre Pläne zu finden.

� Ähnlich wie bei der Konzeption des Datenmodells für ein DataWarehouse gilt auch bei Business Cases im Bereich Big Data dasvon SAP einmal als »Schachanalogie« bezeichnete Vorgehen: Stra-tegisch denken, taktisch handeln. Versuchen Sie nicht schon mitdem allerersten Big-Data-Projekt, alle Probleme in Ihrem Haus zulösen. Wenn Ihr Projekt einen hohen Ressourcenbedarf hat underst nach Jahren Nutzen liefert, ist die Gefahr hoch, dass die Füh-rung die Geduld verliert und Sie für »politische Gegner« angreifbarwerden. Besser ist es, mit einem kleinen Projekt (das zwar ein Bau-stein eines großen Ganzen ist, aber trotzdem auch gut für sichalleinstehen kann) schnell deutlich erkennbare Vorteile zu gene-rieren. Wenn Sie erst einmal die Chancen von Big Data unterBeweis gestellt haben, wird das Management eher bereit sein, demThema eine hohe Priorität zu geben.

� Es gibt auch andere Quellen, die Ihnen bei der Suche nach Inspi-ration in Sachen Business Cases helfen können. Auf http://www.saphana.com/community/learn/customer-stories/ finden sichBeispiele dafür, wie Kunden die Big-Data-Lösung einsetzen, unddiverse Berater (einschließlich SAP selbst) halten Business CaseRepositories für Sie bereit. Solche Verzeichnisse mögen hilfreich

Page 32: Business Cases mit SAP HANA

Big Data: Mehr als eine Performancefrage1

82

sein, Sie sollten hierbei aber zwei Einschränkungen im Hinterkopfbehalten:

� Wenn Sie sich daran orientieren, wie andere Unternehmen inIhrer Branche Big Data nutzen, werden Sie hieraus – per defini-tionem – keine Wettbewerbsvorteile ableiten können. EineMe-too-Strategie im Hinblick auf Big Data hilft Ihnen bestenfallsdabei, nicht ins Hintertreffen zu geraten und im rauer werden-den Konkurrenzwind zumindest noch eine kleine Überleben-schance zu haben. Das ist auch die Achillesferse aller Best-Practice-Ansätze.

� Sie können diese und andere Quellen nutzen, um Ihre Kreativi-tät in Schwung zu bringen. Wenn Sie sich aber wirklich einenVorsprung sichern wollen, führt kein Weg daran vorbei, in eige-nen Arbeitstagungen (SAP spricht hier von Value DiscoveryWorkshops) Einfälle für Ihr Unternehmen und Ihr Umfeld zuentwickeln.

Sie müssen nicht hellsichtig sein

Bei der kaufmännischen Bewertung von Business Cases geht es nichtdarum, eine 100-prozentig sichere Prognose über die Auswirkungen desvon Ihnen vorgeschlagenen Projekts abzugeben. Niemand kann in dieZukunft schauen, und weder Sie noch Ihr Management wissen, mit wel-chen Rahmenbedingungen Ihr Unternehmen heute, morgen oder ineinem Jahr konfrontiert sein wird.

Die Bewertung von Business Cases dient nicht dem Zweck, deren Aktio-närswert absolut treffsicher zu prophezeien. Wenn Sie Aktionärswerteund damit Aktienkurse vorhersagen könnten, säßen Sie schon längst nichtmehr in Ihrer Arbeitsnische, sondern auf einer Jacht vor den Marquesasoder mit einem Sundowner an der »Road to Hana« (kurvenreiche Küs-tenstraße zum Ort Hana auf Hawaii). Stattdessen geht es um Folgendes:

� belegen, dass Sie über diese Fragen nachgedacht haben

� Sonnen- und Schattenseiten Ihres Projekts gründlich erforschen

� eine Vorstellung davon entwickeln, welche Faktoren den wirtschaftli-chen Erfolg oder Misserfolg Ihrer Initiative bestimmen

� Ihre vielleicht eher technischen Ideen in die Sprache der Entscheider (Aktionärswert) übersetzen

� Lücken in Ihrer Argumentation rechtzeitig erkennen und sich auf Fra-gen und kritische Anmerkungen vorzubereiten

� einen Satz von Parametern (die Werttreiber) parat haben, den Sie imweiteren Projektverlauf beobachten und an dem Sie den Erfolg IhresBusiness Cases fortlaufend messen können

Page 33: Business Cases mit SAP HANA

7

Inhalt

Einleitung .................................................................................. 15

1 Big Data: Mehr als eine Performancefrage ............. 23

1.1 Was heißt Big Data? ............................................... 251.1.1 In-Memory-Datenbanken als

Schlüsseltechnologie ................................. 281.1.2 Was Sie sonst noch für Big Data

brauchen ................................................... 321.1.3 Geht es nur um Performance? .................... 39

1.2 Wie entsteht der Nutzen von Big Data? .................. 411.2.1 Neue Erkenntnisse gewinnen, bessere

Entscheidungen treffen .............................. 431.2.2 Anspruchsvolle Werkzeuge

(richtig) nutzen .......................................... 441.2.3 Erkennen, entscheiden und vor allem

handeln! .................................................... 461.3 Wo entsteht der Nutzen von Big Data? ................... 47

1.3.1 Echtzeit vs. Batch ...................................... 471.3.2 Existierende Geschäftsprozesse

verbessern ................................................. 481.3.3 Neue Geschäftsprozesse implementieren ... 52

1.4 Wie aus Nutzen Aktionärswert wird ........................ 561.4.1 Konzept »Aktionärswert« ........................... 571.4.2 Werttreiber ............................................... 591.4.3 Wie Sie Werttreiber identifizieren .............. 63

1.5 Business Cases bewerten ......................................... 73

2 Was kann SAP HANA? Möglichkeiten und Grenzen ............................................................ 83

2.1 Big Data und SAP HANA ......................................... 862.1.1 Big Data ohne bzw. vor SAP HANA ........... 862.1.2 Woraus besteht SAP HANA? ...................... 982.1.3 Abgrenzung von SAP HANA und

Big Data .................................................... 1092.2 Implementierungsszenarien für SAP HANA ............. 135

Page 34: Business Cases mit SAP HANA

Inhalt

8

2.2.1 Replikationsszenarien ................................. 1362.2.2 Integrierte Szenarien .................................. 1462.2.3 Transformationsszenarien ........................... 152

2.3 Trends und zukünftige Weiterentwicklungen ........... 1552.3.1 Technologietrends ...................................... 1552.3.2 Ideen werden zum kritischen

Erfolgsfaktor ............................................... 160

3 SAP-Branchen und -Geschäftsprozesse mit SAP HANA ............................................................... 163

3.1 Mit SAP HANA Aktionärswert schaffen .................... 1683.1.1 Schnellere und kostengünstigere

Implementierung ....................................... 1693.1.2 Echtzeitautomatisierung ............................. 170

3.2 SAP HANA in unterschiedlichen Branchen ............... 1723.2.1 Mit dem SAP Solution Explorer arbeiten .... 1733.2.2 Branchenspezifische Potenziale .................. 1773.2.3 Branchenübergreifende Potenziale ............. 184

3.3 SAP HANA in (SAP-)Geschäftsprozessen .................. 1853.4 Ausgewählte Fallbeispiele ........................................ 189

4 Planung flexibel gestalten ...................................... 191

4.1 Was ist Planung? ..................................................... 1934.1.1 Zusammenspiel von Prognose, Modell

und Planung ............................................... 1954.1.2 Planung im geschäftlichen Bereich ............. 196

4.2 Szenario: Absatz und Ergebnisplanung eines international tätigen Reifenherstellers ...................... 1974.2.1 Prognosen und Modelle in der

Absatz-, Erlös- und Kostenplanung ............. 1994.2.2 Wechselkursprognosen bei RFT .................. 2024.2.3 Modelle für die Produktions-, Ergebnis-

und Finanzplanung bei RFT ........................ 2044.3 Planungsfehler: Kosten, Risiken und Chancen .......... 205

4.3.1 Risiken im Zusammenhang mit Prognosen und Modellen ............................................ 206

4.3.2 Zahlenbeispiel ............................................ 2134.3.3 Schlussfolgerungen: Was tun? .................... 217

Inhalt

9

4.4 Lösung: Echtzeitüberwachung von Prognosen und Planungsmodellen ........................................... 2194.4.1 Zugehörige Value Maps im

SAP Solution Explorer ................................ 2194.4.2 Fachliche Anforderungen ........................... 2214.4.3 Bausteine der Lösung ................................ 2234.4.4 Nutzenpotenziale und Werttreiber ............ 237

4.5 Implementierungsszenario und Architektur mit SAP HANA ....................................................... 2414.5.1 Implementierungsszenario und

Rahmenarchitektur .................................... 2414.5.2 Datenarchitektur ....................................... 245

5 Reisekosten und Reisezeiten reduzieren ................ 263

5.1 Auch Zeit ist Geld ................................................... 2655.1.1 Aufwendungen für reisebezogene

Dienstleistungen und Pauschalen .............. 2695.1.2 Opportunitätskosten durch Reisezeiten ..... 2705.1.3 »Weiche« Reisekosten ............................... 271

5.2 Szenario: Reisekosten bei einem internationaltätigen Beratungsunternehmen ............................... 2725.2.1 Brainstorming bei Walk-on-Water ............. 2735.2.2 Strategische Entscheidungen bei

Walk-on-Water ......................................... 2755.3 Eindimensionale Optimierung:

Kosten, Risiken und Chancen .................................. 2765.3.1 Psychologische und politische Aspekte ...... 2775.3.2 Zahlenbeispiel ........................................... 2775.3.3 Schlussfolgerungen:

Zahlenspielerei und Wirklichkeit ................ 2795.4 Lösung: Induktion statt Deduktion .......................... 280

5.4.1 Zugehörige Value Maps im SAP Solution Explorer ................................ 282

5.4.2 Fachliche Anforderungen ........................... 2835.4.3 Bausteine der Lösung ................................ 2855.4.4 Nutzenpotenziale und Werttreiber ............ 288

5.5 Implementierungsszenario und Architektur mit SAP HANA ....................................................... 291

Page 35: Business Cases mit SAP HANA

Inhalt

10

5.5.1 Implementierungsszenario und Rahmenarchitektur ..................................... 291

5.5.2 Datenarchitektur ........................................ 294

6 Datenmodelle flexibel und einheitlich gestalten .... 303

6.1 Data Governance – Anspruch und Wirklichkeit ........ 3056.1.1 Was ist Data Governance? .......................... 3066.1.2 Herausforderung Big Data: Datenvolumen,

Geschwindigkeit, Agilität ........................... 3106.1.3 Integration von Daten und Metadaten ....... 312

6.2 Szenario: Ermittlung von Handelsspannen im Einzelhandel ............................................................ 313

6.3 Inkonsistente Datenmodelle: Kosten, Risiken und Chancen ........................................................... 3146.3.1 Unterschiedliche Algorithmen .................... 3156.3.2 Kein Single Point of Truth .......................... 3166.3.3 Zahlenbeispiel ............................................ 3186.3.4 Schlussfolgerungen: Varianten von

Datenmodellinkonsistenzen ....................... 3216.4 Lösung: Automatische und dynamische

Generierung von Schichten und Domänen ............... 3236.4.1 Zugehörige Value Maps im

SAP Solution Explorer ................................ 3296.4.2 Fachliche Anforderungen ........................... 3326.4.3 Bausteine der Lösung ................................. 3436.4.4 Nutzenpotenziale und Werttreiber ............. 346

6.5 Implementierungsszenario und Architektur mit SAP HANA .............................................................. 3506.5.1 Implementierungsszenario und

Rahmenarchitektur ..................................... 3516.5.2 Datenarchitektur ........................................ 356

7 Kundenverhalten steuern ........................................ 365

7.1 Kundenverhalten verstehen, prognostizieren und steuern ............................................................. 3677.1.1 Beispiel: Nachfragefunktion ........................ 3687.1.2 Bessere Modelle mit mehr Parametern ....... 3697.1.3 Dynamische oder (inter-)temporale

Kundensegmentierung ............................... 370

Inhalt

11

7.2 Szenario: Preissetzung in Tankstellenshops .............. 3727.3 Statische Kundensegmentierung:

Kosten, Risiken und Chancen .................................. 3737.3.1 Problem: Zu dünne Datenbasis .................. 3737.3.2 Zahlenbeispiel ........................................... 3747.3.3 Schlussfolgerungen: Kausalbeziehungen

sind irrelevant ........................................... 3757.4 Lösung: Dynamisch-empirische Algorithmen ........... 376

7.4.1 Zugehörige Value Maps im SAP Solution Explorer ................................ 377

7.4.2 Fachliche Anforderungen ........................... 3797.4.3 Bausteine der Lösung ................................ 3837.4.4 Nutzenpotenziale und Werttreiber ............ 386

7.5 Implementierungsszenario und Architektur mit SAP HANA ....................................................... 3877.5.1 Implementierungsszenario und

Rahmenarchitektur .................................... 3877.5.2 Datenarchitektur ....................................... 392

8 Sensordaten auswerten und Metadaten automatisch erheben .............................................. 401

8.1 Vom Umgang mit Sensordaten ............................... 4058.1.1 Sensordaten sind heterogen ...................... 4078.1.2 Sensordaten im Kontext interpretieren ...... 413

8.2 Szenario: Kooperation zwischen Automobil-hersteller, Telefonanbieter und Versicherer ............. 414

8.3 Datenaufbereitung: Kosten, Risiken und Chancen ... 4168.3.1 Problem: Anforderungen der Partner ......... 4168.3.2 Zahlenbeispiel ........................................... 4188.3.3 Schlussfolgerungen zu semantisch

neutralen Metadaten ................................. 4208.4 Lösung: Metadaten-Repositories für Big Data ......... 422

8.4.1 Zugehörige Value Maps im SAP Solution Explorer ................................ 422

8.4.2 Fachliche Anforderungen ........................... 4278.4.3 Bausteine der Lösung ................................ 4368.4.4 Nutzenpotenziale und Werttreiber ............ 441

8.5 Implementierungsszenario und Architektur mit SAP HANA ....................................................... 446

Page 36: Business Cases mit SAP HANA

Inhalt

12

8.5.1 Implementierungsszenario und Rahmenarchitektur ..................................... 446

8.5.2 Datenarchitektur ........................................ 454

9 Gesundheitsvorsorge als Dienstleistung ................ 463

9.1 Datenquellen im medizinischen Bereich .................. 4659.1.1 Invasive und nicht invasive Sensoren .......... 4669.1.2 Optionen für die Datenübertragung ........... 4679.1.3 Probleme im medizinischen Bereich ........... 468

9.2 Szenario: Premiumservice für Senioren .................... 4719.2.1 Auswertung: Rechts- und Finanzrisiken ...... 4729.2.2 Problem: Entwicklung von Algorithmen

ist anspruchsvoll ......................................... 4739.2.3 Unternehmerische Überlegungen ............... 4749.2.4 Schlussfolgerungen: Probleme

überwindbar .............................................. 4759.3 Lösung: Big-Data-basierte Frühwarnsysteme ............ 477

9.3.1 Zugehörige Value Maps im SAP Solution Explorer ................................ 478

9.3.2 Fachliche Anforderungen ........................... 4809.3.3 Bausteine der Lösung ................................. 4829.3.4 Nutzenpotenziale und Werttreiber ............. 484

9.4 Implementierungsszenario und Architektur mit SAP HANA ........................................................ 4859.4.1 Implementierungsszenario und

Rahmenarchitektur ..................................... 4859.4.2 Datenarchitektur ........................................ 487

10 Betrug und Diebstahl automatisch erkennen ......... 493

10.1 Was ist Fraud Management? ................................... 49610.1.1 Korruption im Einkauf: Koffeinmangel

und explodierende Kaffeemaschinen .......... 49710.1.2 Unregelmäßigkeiten nachträglich

entdecken .................................................. 49810.1.3 Unregelmäßigkeiten zum Tatzeitpunkt

entdecken .................................................. 49810.1.4 Unregelmäßigkeiten prophezeien ............... 499

10.2 Szenario: Diebstahl in einem Tagebaubetrieb ........... 500

Inhalt

13

10.2.1 Unerklärlicher Anstieg der Förderkosten .... 50110.2.2 Pausenraum vs. Schwerindustrie ................ 502

10.3 Traditionelle Ermittlungstechniken: Kosten, Risiken und Chancen .................................. 50310.3.1 Zahlenbeispiel ........................................... 50410.3.2 Schlussfolgerungen: Neue Techniken

nutzen ....................................................... 50510.4 Lösung: Flexibles Fraud Management mit einer

Hochleistungsanwendung ....................................... 50610.4.1 Zugehörige Value Maps im

SAP Solution Explorer ................................ 50610.4.2 Fachliche Anforderungen ........................... 50710.4.3 Bausteine der Lösung ................................ 51010.4.4 Nutzenpotenziale und Werttreiber ............ 515

10.5 Implementierungsszenario und Architektur mit SAP HANA ....................................................... 51710.5.1 Implementierungsszenario und

Rahmenarchitektur .................................... 51710.5.2 Datenarchitektur ....................................... 522

11 Service Level Management automatisieren ............ 535

11.1 (IT-)Dienstleistungen als Massengut ........................ 53811.1.1 IT-Dienstleistungen und

Prozess-Outsourcing .................................. 53911.1.2 Kunde und IT-Dienstleister sprechen

unterschiedliche Sprachen ......................... 53911.1.3 IT-Systeme sind komplex ........................... 541

11.2 Szenario: Dimensionierung eines IT-Systems ........... 54211.3 Sizing-Hilfen der SAP .............................................. 544

11.3.1 Problem: Komplexität bei IT-Systemen erschwert Modellierung ............................. 545

11.3.2 SAP Solution Manager als Sensor für Run SAP like a Factory ............................... 546

11.3.3 Unternehmerische Überlegungen .............. 54911.3.4 Schlussfolgerungen: Noch mehr

Realitätsnähe und Offenheit ...................... 55011.4 Lösung: Datentransformation vor der Analyse ......... 550

11.4.1 Zugehörige Value Maps im SAP Solution Explorer ................................ 551

Page 37: Business Cases mit SAP HANA

Inhalt

14

11.4.2 Fachliche Anforderungen ........................... 55211.4.3 Bausteine der Lösung ................................. 55411.4.4 Nutzenpotenziale und Werttreiber ............. 556

11.5 Implementierungsszenario mit SAP HANA ............... 55811.5.1 Implementierungsszenario und

Rahmenarchitektur ..................................... 55811.5.2 Datenarchitektur ........................................ 559

12 Potenziale entdecken, Architekturen gestalten ..... 565

12.1 Geschwindigkeit ist nur Mittel zum Zweck .............. 56612.2 HANA-Architekturen ............................................... 568

12.2.1 Implementierungsszenarien ........................ 56812.2.2 Allgemeine Empfehlungen für die

Datenarchitektur ........................................ 57212.3 Ausblick: Fantasie, Kreativität und Achtsamkeit ....... 577

Die Autoren ............................................................................... 579

Index ......................................................................................... 581

Page 38: Business Cases mit SAP HANA

581

Index

A

ABAP Dictionary 312Abhängigkeit 376, 511Absatzplan 201, 207Abweichung 231Aggregat 150Aggregationsfunktion 37, 410, 431Aggregierbarkeit 410, 431Agile Business Intelligence 36,

138, 248AII 422, 447AKID 29Aktionärswert 56, 57, 326Alarm 481, 486Alarmliste 482, 489Amazon 41Analyseprozessdesigner 249, 353Analysesicht 249, 296, 335, 359Analytical View � AnalysesichtAnalytischer Index 249Anonymisierung 236Antwortzeit 51Anwendung

disruptive 153hybride 154

Anwendungslogik 113Apache Hadoop � HadoopAppliance 29, 32App-Szenario 139, 181, 242, 518, 569Arbeitsplan 210Architektur

ereignisgesteuerte 97hybride 154serviceorientierte 186

ARIS 355Atomisierung 231Attribute View 295Attributsicht 295Aufdeckungsobjekt 520, 531Aufdeckungsstrategie 520, 531Aufwand 68Ausdruck, rekursiver 258Ausfallwahrscheinlichkeit 30Ausführungsprozedur 529Ausreißer 212, 224

Aussagebedingte 230unbedingte 230

Auswahlprozedur 530Auswertungsalgorithmus 440Auswirkungsdiagramm 454Auszeichnungssprache 131, 156

B

Backup 29BAdI 141BASE-Anforderung 143Basiskennzahl 412Batch-Input 124Bayessche Statistik 511, 520Berechnungssicht 249, 296, 396Bergbau 500Berichtswesen, rechtliche Rahmen-

bedingungen 309Beschleuniger 141Beschleunigerszenario 141, 388, 569Betrug 494, 496Bewegungsradius 338Bezugszeitpunkt 409, 431Bezugszeitraum 409, 431Big Data 15, 25, 38

Aktionärswert 56Architektur 97Methode 96Nutzenpotenzial 47Plattform 88Verfahren 92

Bilanzbewertung 315Bilderkennung 35Bolt 126Boston Dynamics 311Bot 259, 399Box-and-Whiskers-Plot 224BPC 199Branche 189Brute-Force-Methode 363, 538Business Add-in 141Business Case bewerten 73, 80Business Content 150

Page 39: Business Cases mit SAP HANA

582

Index

Business Intelligence Consumer Services (BICS) 134

Business Intelligence, agile 36, 138, 248

Business Priority 173Business Process Flow 199Business-One-Analysen-Szenario

145, 569Business-One-auf-HANA-Szenario

� SAP Business One auf HANABusiness-Suite-auf-HANA-Szenario

� SAP Business Suite auf HANABWA 27

C

C&RT 344, 354C4.5 287, 344, 354C5.0 345, 354Caching 27Calculation Engine 258Calculation View � BerechnungssichtCall Detail Record 416CAP-Theorem 142CART 344, 354Cashflow 208CCMS 546CDR 416CHAID 287, 344, 354Chemische Industrie 173Chiplabor 467Chi-Quadrat 287, 300

Anpassungstest 228Unabhängigkeitstest 287

Chord-Diagramm 100clickworker 439Client 247Cloud Computing 156Cloud-auf-HANA-Szenario 144,

242, 569Cluster 28Clustering-Algorithmus 44, 354Commodity Computing 88Commodity Hardware 88Common Warehouse Metamodel

131, 454CompositeProvider 249Computer Telephony Integration 483Computerlinguistik 33, 89

Content-Management-System 376Corporate Memory 244Crowdsourcing 93, 437, 438Crowdsourcing-Portal 94Customer Interaction Center 487Customer Success Story 99Customer-Exit 141CWM-XML 454

D

Data Artist 93Data Governance 122, 304, 306, 444Data Mart 138, 246

agiles 247, 248virtuelles 248

Data Mining 34Data Provenance 130, 308Data Scientist 93Data Services � SAP Data ServicesData Steward 305, 309Data Warehouse 305Data Warehousing 245Data-Mart-Szenario 138, 180, 569DataSource 277DataStore-Objekt 117Daten

flüchtige 246heiße 31heterogene 26kalte 31unstrukturierte 26verdichtete 411warme 31zeitraumbezogene 409

Datenablage, persistente 247Datenbankobjekt 527Datenbankprozedur 89, 295Datenbankschicht 113Datenbanksprache 88Datenbeschaffungsschicht 246, 317Dateneigner 309Datenerzeugung 120Datenextraktion 317Datenfluss 326, 335, 340, 440

horizontaler 255konfigurieren 256partitionierter 117vertikaler 255

583

Index

Datenherkunft 130, 308Dateninkonsistenz 308Datenintegration 130Datenkonsistenz 306Datenlogistik 122, 510Datenmigration 129Datenmodell 305

Automatisierung 349Domäne 324generieren 323Inkonsistenz 322Konsistenz 306, 307Schicht 324

Datennutzung 306, 308Datenqualität 306Datenreplikation 122, 334, 507, 517Datensammlung 120Datensicherheit 30, 306, 309Datensicht 247, 249, 395Datenspeicherung 124Datentransparenz 306, 308Datenverarbeitung 120Datenverarbeitungssystem 36Datenverwaltung � Data GovernanceDatenverwertung 124Datenvorverarbeitung 124DB2 132Debugging 314Deduktion 280Delta Storage 31Detection Method 520, 531Detection Object 520, 531Detection Strategy 520, 531Diebstahl 494Dienst 186Dienstgüte 537Dienstgütemanagement 537Dienstreise 265Dimension 409Dimensionstabelle 335Dokumentation 442Domäne 246DSO 117Durchschnitt 224

E

EAF 109, 186EBIT-Marge 418

Echtzeit 47, 172Echtzeitdatenbank � In-Memory-

DatenbankEDA 97EIM 123Einstandspreis 315Einzellösung 173Endroutine 117End-to-End-Solution 167, 174Enterprise Data Warehouse 247Enterprise Information

Management 123Entität 335, 356

abgeleitete 356Beziehung 356zentrale 335

Entity-Relationship-Modell 355Entscheidung 367Entscheidungsbaum 287, 327, 341,

354, 529Algorithmus 344Binärbaum 344binärer 329generieren 361Gütekriterium 354

Entscheidungslogik 527Entscheidungsmodell 268Entscheidungsregel 121Entscheidungstabelle 352, 390, 397,

481, 527Erfahrungsdaten auswerten 508Erfahrungsdatenbank 274Erklärungswert 65Erlang 89

Formel 541Wahrscheinlichkeitsverteilung 541

Erlös 208Erlösplanung 201, 208ERM 356ERP-System 120erschöpfende Suche 363, 538Ertrag 68Erwartungswert 226, 227, 270ESP Studio Plug-in für SAP HANA 526ETL-Werkzeug 90, 554Exhaustionsmethode 363, 538Experimentalgruppe 396Exposure 180Extranet 438

Page 40: Business Cases mit SAP HANA

584

Index

F

Fahrzeug, autonomes 406Faktentabelle 359Faktentität 335Faktum 334, 335False Negative 470False Positive 470Feedback-Ereignis 489Fehlalarm 470Fehler

erster Art 383zweiter Art 383

Fehlerwahrscheinlichkeit, akzeptable 383

Festplatte 31Filter 295Finanzplanung 197, 210FlightStats 278Formel 295Fraud 496

Detection 497Einschätzung 512, 514Prävention 503Rating 512Score 512Statistik 504vorhersehen 509

Fraud ManagementAbwicklung 509lernfähiges 522Reporting 512Verdachtsfälle bewerten 509Werttreiber 506, 515

Freiheitsgrad 299Früherkennung 480Frühindikator 510Frühwarnsystem 274Full HD 311Funktionsbaustein 117

G

Gauß-Verteilung � NormalverteilungGeocodierung 274Geodaten 34Geschäftsprozess 185Geschäftsreise 265

Gleichverteilungdiskrete 226stetige 226

Google 41Cars 311Glass 311Search Appliance 438

Governance, Risk and Compliance 309

GPS 34Granularität 232, 252, 409, 431Graphdatenbank 518Grid 28Grundgesamtheit 227

H

Hadoop 42, 90, 451, 456Halbleiterfestplatte 31HANA � SAP HANAHANA-Applikation 153Handelsspanne 313Handelsspanne, langfristige 327Hardware 86Hash 107Hauptkomponentenanalyse 234Hauptspeicher 27, 29Hauptspeicherdatenbank

� In-Memory-DatenbankHDFS � HadoopHedge-Beziehung 178Hedging 241Herkunftsdiagramm 454Hochfrequenzhandel 50Hochverfügbarkeit 29Hosting 157HTML5 155Hypertext 156Hypothese 227Hypothese prüfen 383

I

ID3 344Impact-Analyse 445Implementierungsszenario 85, 135Implementierungsszenario, Entschei-

dungsmatrix 568

585

Index

Impute 391Induktion 280Industrie 4.0 406InfiniteInsight Explorer 519InfiniteInsight Factory 519InfiniteInsight Modeler 519InfiniteInsight Scorer 519InfoCube 150, 335InfoProvider 249Information, unvollständige 369InfoSet 249InfoSource 117Inhalteszenario 140, 569In-Memory-Datenbank 27, 28, 31, 88Inner Join 249Input-Parameter 550, 553Institutional Memory 244Internet der Dinge 158, 406Interquartilsabstand 225Intervallskala 232Intranet 438Ist-Wert 231IT-Dienstleistung 537ITIL 538IT-Performance-Reporting 546IT-Servicemanagement 538IT-Support 537

J

Java 89Java Database Connectivity 114JDBC 114Join 295JSON 361

K

Kaggle 94Kapazitätsplanung 210Karte, selbstorganisierende 170Kaufentscheidung 367Kausalbeziehung 536Kennzahl 326, 333, 434

berechnete 247, 412eingeschränkte 412persistente 247

Key Performance Indicator 17k-Means 92

Kohonennetz 170Komplexität 541Konfidenzniveau 299, 300Konsistenz 142

externe 142interne 142schlussendliche 143

Kontingenztabelle 299, 301Kontrollgruppe 396Korrelation 59, 66, 407, 536

Koeffizient 286, 555punktbiseriale 63, 286Quadrantenkorrelation 286

Korruption 494, 496, 504Kostenplanung 208Kostentreiber 62Kovarianz 285Kovarianzmatrix 234Krankheitsstand 290Kreuztabelle 299, 301Kruskal-Wallis-Test 386, 391Kunde, arbeitender 94Kunden-Exit 141Kundensegmentierung 124, 370Kundenverhalten 367

Änderung 386Modell 370Nutzenpotenzial 386Werttreiber 386

KXEN 519

L

Layered Scalable Architecture 246Layered Scalable Architecture,

erweiterte � LSA++Left Outer Join 249Leistungskennzahl 58Leitstand 563Liegezeit 51Linearisierung 559Liquiditätsplanung 210Log, Delta 29Logarithmus 556Logging 28Lokalität 32Lösung

End-to-End-Solution 167, 174SAP 166

Page 41: Business Cases mit SAP HANA

586

Index

LSA 246LSA++ 38, 246, 247

M

M2M 403Machine-to-Machine 403Management by Exception 223Mann-Whitney-Wilcoxon-Test

386, 391Manufacturing-Execution-System 451MapReduce 42Markdown Management 399Marktversagen 369maschinelles Lernen 343MDX 134Mechanical Turk 93, 438Median 224, 231Medizinprodukt 469Mehrertrag 386Mehrstichproben-Test 385Merkmalsklammerung 333Messfehler 431Messfühler � SensorMessniveau � SkalenniveauMessungs-ID 429Messwert 408Meta Integration Model Bridge

131, 450Meta-Algorithmus 160Metadaten 116, 118, 312, 334, 350

Attribut 431, 435Integration 130, 169Integrator 131konsolidieren 459Management 122Repository 123, 130, 309, 313, 322,

334, 350, 438semantisch neutrale 404, 412, 438,

526, 527Metapedia 426, 438Metaprozedur 399METAR 275Methode der rohen Gewalt 363, 538Microsoft SQL Server 133Minderertrag 386Mitarbeiterzufriedenheit 290Mittelwert � Erwartungswert

Modell 194, 230, 285, 511Auswahlalgorithmus 550Eingabeparameter 200Entscheidungsunterstützung 268Parameter 370überwachen 511

Monte-Carlo-Simulation 235Mooresches Gesetz 28Morphologischer Kasten 75Multidimensional Expressions 134MultiProvider 335Muster aufdecken 510

N

NACE 173, 189Nachfrage 368Nachfragefunktion 368Natural Language Toolkit 89, 293Nest Labs 311Netzwerkanalyse 526Neue HANA-Apps 389, 569NLTK 89, 293Normalverteilung 225, 226, 235NoSQL 88Nutzen-Werttreiber-Matrix 73, 180

O

OData 103Offshore 272OLAP 171OLAP-Würfel 37, 251OLTP 171Online-Spiel 380Open Database Connectivity

(ODBC) 133Open Source 94Open-Source-Plattform 86OpenSQL 390Operations Control Center 547Opportunitätskosten 268, 270, 289Optimum

globales 548lokales 548

Oracle Database 132Organisational Memory 244Output-Parameter 550, 553

587

Index

P

PAL � SAP Predictive AnalysisParalleles Rechnen 28Partitionierung 246, 260

logische 246technische 246Toleranz 142Verfahren 107

Patientenmonitor 464Pay As You Drive 403Performance 260Persistenz 29Plan-Daten 231Planning Engine 353Planung 127, 193

Absatzplanung 201, 207Erlösplanung 208Finanzplanung 198, 210Kapazitätsplanung 210Kostenplanung 208langfristige 199Liquiditätsplanung 210mittelfristige 199Produktionsplanung 197, 210Wechselkursplanung 209Zyklus 198

PMML 361Point of Sale 371Point-of-Sale-System 370POS Inbound Processing Engine 394Power Analysis 381Preis 368Preisänderungsrisiko 178Preisdifferenzierung 267Preisempfindlichkeit 372Preisfindung 377Preisschild, digitales 372Preisvergleichsmaschine 267Preprocessing Algorithm 391PRINCE2 538Produkt 166Produktionsplanung 197, 210Prognose 195, 230, 285Programmierschnittstelle 292Programmiersprache 88

deklarative 114, 258funktionale 258imperative 114, 258

Projektion 296Prozedur 520, 530Prozessmodell 185Prozessmonitor 199Prozesstyp 150Push-Verfahren 278Python 89

Q

Quartilsabstand 225Quelldaten 308Quick Sizer 544

R

R (Programmiersprache) 89, 258, 293, 354, 391

Rapid Deployment Solution 173Raum der Möglichkeiten 337, 356RDL 114, 159, 258, 297, 356, 527RDL-Kompilierung 357Reaktionsgeschwindigkeit 376Recalls Plus 144Rechentiefe 364Redundanz 29Reedschalter 404Referenzmerkmal 435Regel, statische 524Regression

lineare 548, 559, 562multiple 536multiple lineare 287polynomische 200, 287

Reisedauer 270Reisekosten

Abrechnung 266harte 289Komponente 267Reduktion 266weiche 268, 271Werttreiber 288

Reiserichtlinie 266Reisezeit 289Replikation 146Replikationsszenario 136, 146Reporting, operatives 379Retraktion 559

Page 42: Business Cases mit SAP HANA

588

Index

Retraktionsdatenfluss 150Return on Investment 17Revision, Dashboard 508RFID-Daten 447Risikoaversion 70Risikomanagement

Dashboard 508Priorisierung 509

Risikominimierung 387RiskShield 519River Definition Language � RDLRiver � RDLRoot Cause 547Round Robin 107

S

Saisonalisierung 201Sampling 381SAP Adaptive Server Enterprise

(ASE) 132SAP Audience Discovery and Targeting

388SAP Audit Management 514SAP Auto-ID Infrastructure 422, 447SAP Business One auf SAP HANA

149, 388SAP Business Planning and

Consolidation 199SAP Business Process Management

(BPM) 185SAP Business Suite auf HANA 148,

388, 518, 569SAP Business Warehouse auf

SAP HANA 199SAP BusinessObjects 521SAP BusinessObjects Design Studio

392SAP BusinessObjects Information

Design Tool 521SAP BW 117SAP BW Accelerator 27SAP BW auf SAP HANA 149, 552SAP Cloud for Travel and

Expense 273SAP Data Quality Management 425SAP Data Services 133, 394, 425, 518SAP Demand Signal Management

543, 551

SAP Enterprise Architecture Framework 109, 186

SAP ERP HCM 273SAP Event Stream Processor 426,

487, 526SAP Fraud Management 267,

497, 506Alarm 532Aufdeckungsmethode 529Auffälligkeitsarbeitsvorrat 532Datenarchitektur 522Regel 519Schnittstelle 520

SAP Gateway 388SAP HANA

Aktionärswert 168Appliance 30CRM Analytics 377Customer Segmentation 44Database Shared Library 146Datenquelle 132Direct Extractor Connection 146Enterprise Cloud 144Nutzenpotenzial 168One 111Operational Reporting 378Output Adapter 244Plattform 102Programmiersprache 102Prozedur 295Schichtenarchitektur 295Studio 150, 252Tabelle 295vorimplementierte Verfahren 169XS 382

SAP Information Steward 123, 130, 307, 330, 355, 425Metadata Management 426Metapedia 426

SAP IQ 133SAP Landscape Transformation

Replication Server 518SAP Mitarbeiterplanung und

Optimierung 423SAP Mobile Platform 388SAP NetWeaver Master Data

Management 329SAP Point-of-Sale 378

589

Index

SAP Point-of-Sale Data Management 394

SAP PowerDesigner 131SAP Predictive Analysis 91, 92, 200

Entscheidungsbaum-Algorithmus 354

LRREGRESSION 300SAP Process Control 513SAP Process Orchestration 388, 452SAP Profitability and Cost

Management 329SAP Real-Time Offer

Management 377SAP Replication Server 132, 394, 518SAP Smart Meter Analytics 153SAP Solution Explorer 165, 173,

183, 184SAP Solution Manager 546, 552SAP SQL Anywhere 134SAP Travel Management 266SAP-BW-auf-HANA-Szenario

� SAP BW auf SAP HANASAPUI5 155Savepoint 29Schadenersatzrisiko 515Scheinkorrelation 45, 66Scheinregression 45Scheme 259Schlüsselbegriff, Korrelation 437Schwarzer Schwan 211Scope 341Score 514, 531Scorecard 307Scoring 473, 514, 520

Nachteil 514Verfahren 514, 520

Self-Organizing Map 170Semantikschicht 247Sensor 405

ID 429invasiver 465Medizin 464nicht invasiver 465

Sensordaten 338, 403, 407, 489Sentiment Detection 89, 139Service 186Service Level 537Service Level Agreement 537Service Level Management 537, 538Shareholder Value � Aktionärswert

Shopper Insight 377Sicht 247, 249Sicht, fachliche 247Side-By-Side-Szenario

� ReplikationsszenarioSignifikanzniveau 227, 301simulierte Abkühlung 105Single Point of Truth 307, 316Sizing 543, 545Skalenniveau 231, 408, 431Skalierung

nominale 231ordinale 232

SMS/MMS for Enterprise 479, 487SOA 186Software Engineering 36Soll-Wert 231Spatial Processing 293Speicherverwaltung, virtuelle 31Spout 126Sprachdialogsystem 483Spracherkennung 33, 451, 456SQL 88SQLScript 102, 113, 258, 520, 530Standardabweichung 226, 227Standardisierung 231Startroutine 117Stationarität 65, 232Statistik

deskriptive 32induktive 32

Statistischer Test 384, 398Sternschema 249, 335Stichprobe 227, 285, 307, 340, 391

Auswahl 381, 384bilden 383erheben 381, 391geschichtete 385Größe 383Kovarianz, korrigierte 285Standardabweichung 227Umfang festlegen 391Varianz 227

stochastisches Tunneln 105Stopp-Wörterbuch 458Storchproblem 66Storm 126Storm-Cluster 126Streudiagramm 224Streuung, gemeinsame 285

Page 43: Business Cases mit SAP HANA

590

Index

Suchalgorithmus 438Sybase 123Sybase Adaptive Server

Enterprise 132Sybase IQ 133Sybase PowerDesigner 131Sybase Replication Server � SAP

Replication ServerSybase SQL Anywhere 134System, verteiltes 116, 143Systemarchitektur 85, 135Szenario, integriertes 146

T

Tabellepersistente 295virtuelle 255, 295, 519

TAF 275Tagging 417, 437, 457Taxonomie 322, 426, 437

Kennzahl 332Merkmal 333

Telematics Usage Based Insurance 403

Testparametrischer 385statistischer 95, 228

Teststärke-Analyse 381Text Mining 33, 89, 430, 437, 458,

554Textanalyse 293, 458Texterkennung, Video 437Text-to-Speech-Call 487Timelag 286TOGAF 85, 109Topologie 126Trainingsdaten 343Transaktionskosten 369Transformation 117, 548, 555Transformationsszenario 152TransientProvider 249Transkript 456Trennschärfe-Analyse 381Trickle-Feed 394Trigonometrische Funktion 298t-Test 126, 127, 385, 391Turing-Vollständigkeit 259Tweet 89

U

UBI 403UHDV 311Union 249Universum 486, 521Unterschlagung 494Untreue 496UTC 429, 431U-Test 386

V

Value at Risk 235Value Map 165, 167, 173

branchenspezifische 177Handel 377

Varianz 227Verarbeitungslogik 260Verfügbarkeit 142Verhaltensmuster 371Verhältnisskala 232, 431Verteilte Systeme 28Verteilte Umgebungen 28Verteiltes Rechnen 28Verteilung 225

diskrete 226endlastige 235Heavy-Tailed-Verteilung 235

Verteilungshypothese 228Videoaufzeichnung 436View 247, 249, 395VirtualProvider 249Volltextsuche 417, 438Voraggregation 37

W

Wahrscheinlichkeitsverteilung 225Währungsumrechnung 199Webdienst 483Webservice 186Wechselbeziehung 234Wechselkurs 198Wechselkursplanung 209Wechselkursprognose 202Weicher Zustand 143Werbung 367

591

Index

Werkzeugkette 86Wert

intervallskalierter 429kardinalskalierter 429verhältnisskalierter 429

Wertmatrix � Value MapWerttreiber 58, 59, 326

dichotomer 61generischer 76, 387identifizieren 63Risiko 515Verzeichnis 67

Wiederverwendbarkeit 338Wilcoxon-Rangsummentest 386World Geodetic System 274Wörterbuch 458

X

XML 131

Z

Zeitdifferenz 431Zeitdilatation 409, 431Zentrale Konsolidierung 199Zentralwert 224, 231Zufallsvariable 225, 231Zugriffszeit 31Zuordnungsprozedur 529Zusammenhangsmaß 286Zweistichproben-Test 385Zwicky Box 75

Page 44: Business Cases mit SAP HANA

Wir hoffen sehr, dass Ihnen diese Leseprobe gefallen hat. Gerne dürfen Sie diese Leseprobe empfehlen und weitergeben, allerdings nur vollständig mit allen Seiten. Die vorliegende Leseprobe ist in all ihren Teilen urheberrecht-lich geschützt. Alle Nutzungs- und Verwertungsrechte liegen beim Autor und beim Verlag.

Teilen Sie Ihre Leseerfahrung mit uns!

Michael Mattern berät seit über 20 Jahren als Projekt-leiter, Senior Consultant und Enterprise Architect inter-national tätige Unternehmen bei der Einführung und Nutzung von SAP-Lösungen.

Ray Croft ist ein IT-Experte der ersten Stunde. Er hat seine Karriere in der Informationsverarbeitung zu einer Zeit begonnen, in der Entwickler noch mit einem Arbeits- speicher von 1 KB – weniger als eine E-Mail – zurecht-kommen mussten.

Michael Mattern, Ray Croft

Business Cases mit SAP HANA591 Seiten, gebunden, Juni 2014 69,90 €, ISBN 978-3-8362-2673-8

www.sap-press.de/3495

Wissen aus erster Hand.