Digitalisierung - Kreishandwerkerschaft Paderborn- · PDF fileDr. Gunnar Schomaker 23.06.2016...

44
Innungsversammlung der Innung Metall Paderborn Digitalisierung Welches Potential steckt noch in den Daten? Wie und wo verarbeite ich sie? Dr. Simon Oberthür , Dr. Gunnar Schomaker 23.06.2016 Software Innovation Campus Paderborn Universität Paderborn Zukunftsmeile 1 33102 Paderborn [email protected] www.sicp.de

Transcript of Digitalisierung - Kreishandwerkerschaft Paderborn- · PDF fileDr. Gunnar Schomaker 23.06.2016...

Innungsversammlung der Innung Metall Paderborn

Digitalisierung Welches Potential steckt

noch in den Daten? Wie und wo verarbeite ich sie?

Dr. Simon Oberthür, Dr. Gunnar Schomaker

23.06.2016

Software Innovation Campus Paderborn Universität Paderborn Zukunftsmeile 1 33102 Paderborn [email protected] www.sicp.de

Ziel •  Faires Abrechnungsmodel (Härte des Holz - Energiekosten)

Ergebnisse •  Faire Abrechnung •  Optimierung der Schnittreihenfolge entlang der Schärfe der Säge •  Optimierung des Wechselzeitpunkts & Minimierung von Rüstzeiten

Motivation „Smarte“ Datenanalyse am Beispiel Sägewerk

22.07.16 © SICP 2

Schnittzeit

Leistungsaufnahme

Innungsversammlung der Innung Metall Paderborn

Digitalisierung Welches Potential steckt

noch in den Daten? Wie und wo verarbeite ich sie?

Dr. Simon Oberthür, Dr. Gunnar Schomaker

23.06.2016

Software Innovation Campus Paderborn Universität Paderborn Zukunftsmeile 1 33102 Paderborn [email protected] www.sicp.de

Software, der Innovationstreiber Nr.1

Unsere Vision

© SICP 4

Source: Daimler AG Source: Wincor Nixdorf

Source: Fujitsu 22.07.16

1.  Motivation & Vorstellung 2.  Welches Potential steckt in den Daten?

•  Big-Data: Worum geht es? •  Wieso müssen Alle bei Big-Data beteiligt werden? •  Beispiele: Was kann aus Daten abgeleitet werden?

3.  Wie und wo verarbeite ich sie? •  Teure IT-Infastrukutur? Wie kann die Cloud helfen? •  Ist die Cloud den sicher?

4.  Wo bekomme ich weitere Unterstützung? •  Digital in NRW – Das Kompetenzzentrum für den Mittelstand •  eBusinessLotse OWL – Projekt Business 4.0

Agenda

22.07.16 © SICP 5

Digitalisierung „Internet of Things“ (IoT) & Big Data

22.07.16 © SICP 6

Smart Environments

Digitalisierung „Internet of Things“ (IoT) & Big Data

22.07.16 © SICP 7

Smart Environments

Digitalisierung „Internet of Things“ (IoT) & Big Data

22.07.16 © SICP 8

Smart Environments

Digitalisierung „Internet of Things“ (IoT) & Big Data

22.07.16 © SICP 9

Smart Environments

1.  Motivation & Vorstellung 2.  Welches Potential steckt in den Daten?

–  Big-Data: Worum geht es? –  Wieso müssen Alle bei Big-Data beteiligt werden? –  Beispiele: Was kann aus Daten abgeleitet werden?

3.  Wie und wo verarbeite ich sie? –  Teure IT-Infastrukutur? Wie kann die Cloud helfen? –  Ist die Cloud den sicher?

4.  Wo bekomme ich weitere Unterstützung? –  Digital in NRW – Das Kompetenzzentrum für den Mittelstand –  eBusinessLotse OWL – Projekt Business 4.0

Agenda

22.07.16 © SICP 10

Alle relevanten

Daten zugreifen und

anforderungsgerecht nutzen können

Big-Data Worum geht es?

22.07.16 © SICP 11

Daten Informationen Entscheidungen

Wissen aus Zusammenhängen

generieren

Aufbereiten Verstehbar machen

Grundlagen

liefern

Unsicherheiten beseitigen

Bessere und schnellere Entscheidungsfindung

Autonome „intelligente“

Entscheidungen

Big-Data Alles wirklich Daten, oder was?

22.07.16 © SICP 12

Die Essenz von Daten sind angewendete Informationen.

Quelle: IDC Digital Universe Quelle: IDC Digital Universe

Daten Informationen Entscheidungen

Das Wachstum Die Zwiebel mit

BigData Analytics schälen

1.  Motivation & Vorstellung 2.  Welches Potential steckt in den Daten?

–  Big-Data: Worum geht es? –  Wieso müssen Alle bei Big-Data beteiligt werden? –  Beispiele: Was kann aus Daten abgeleitet werden?

3.  Wie und wo verarbeite ich sie? –  Teure IT-Infastrukutur? Wie kann die Cloud helfen? –  Ist die Cloud den sicher?

4.  Wo bekomme ich weitere Unterstützung? –  Digital in NRW – Das Kompetenzzentrum für den Mittelstand –  eBusinessLotse OWL – Projekt Business 4.0

Agenda

22.07.16 © SICP 13

Big-Data Ein Konzept * 5 Vs + Analyse = Probleme

22.07.16 © SICP 14

•  Analytics ohne Hypothesen keine Untersuchung das Dilemma Kausalität und Korrelation

•  Volume (Speicher)2 und ist Wegwerfen erlaubt? •  Variety welche zusätzlichen Daten können helfen? •  Velocity Änderungsrate, Anforderungen und Granularität •  Veracity Datenhygiene und Vertrauenswürdigkeit? •  Value Welcher Nutzen und welcher Wert wird erzeugt?

Big-Data Vorgehensmodell

22.07.16 © SICP 15

Es gibt kein All-In-One-Big-Data-Ready-Produkt •  Wissen wohin der Weg langfristig gehen sollen •  Ziele definieren, Anforderungen bestimmen und

Prozesstransparenz bewahren! •  Vorgehensmodell @ Bitkom:

1.  Motivation & Vorstellung 2.  Welches Potential steckt in den Daten?

–  Big-Data: Worum geht es? –  Wieso müssen Alle bei Big-Data beteiligt werden? –  Beispiele: Was kann aus Daten abgeleitet werden?

3.  Wie und wo verarbeite ich sie? –  Teure IT-Infastrukutur? Wie kann die Cloud helfen? –  Ist die Cloud den sicher?

4.  Wo bekomme ich weitere Unterstützung? –  Digital in NRW – Das Kompetenzzentrum für den Mittelstand –  eBusinessLotse OWL – Projekt Business 4.0

Agenda

22.07.16 © SICP 16

Big-Data Anonymisierung von Personen bezogenen Daten

22.07.16 © SICP 17

IBM Watson •  Semantische Suchmaschine, versteht natürliche Sprache •  2011 zwei Jeopardy!-Cahmpiens deklassiert •  Zukünftige Anwendung Unterstützung bei Diagnosen •  1 von 5 Diagnosen ist falsch oder unvollständig •  In den USA 1.5 Mio Medikationsfehler pro Jahr

Vs. manuelle Datenanalyse •  Studentin Latanya Sweeney vs. William Weld Gouv. Massachusetts •  Group Insurance Commission: DB für Forschung = $20 für 54.000 Daten •  Krankenakte aus „anonymisierten“ Daten (-Name, -Adresse, -Soz.Vers.Nr.) •  Wissen: Cambridge, 6 Personen Geburtsdatum, 3 Männer, genau PLZ •  Geburtsdatum, PLZ, und Geschlecht = ID 87% Amerikaner

Anonymisierung eine Illusion?

Big-Data Behörden in der Versuchung – „Predictive-Analytics“

22.07.16 © SICP 18

Gesellschaft, Rollen und Schutzbedürfnisse •  Schutz durch Gesetzeshüter •  Datenschützer ist kein Polizist

Feldversuch Santa Cruz, Kalifornien 2012 •  200.000 Einwohner auf 120km2

•  25% Abweichung = mehr Polizeipatrouillen •  Analyse der Berichte (Ort, Zeit, ...) •  Random, Analyst, Software

1 => 3 => 6-fach besser •  L.A. mit 6 Bereiche 1.1 Mio Bürger Konflikt der Prioritäten •  Privatsphäre von „Einbrechern“ •  Schutz der Bürger

Big-Data Behörden in der Versuchung – „Predictive-Analytics“

22.07.16 © SICP 19

Polizei London, UK, 2013 •  Telefonleitungen Kabeldiebstahl •  Störungsanalyse = schneller Einsatz •  In flagranti ~ 11 Monate, 480 Diebe •  260 Tonnen Kupfer sichergestellt

Polizei Zürich, Schweiz, 2014 •  Einsatz nach US-Modell Polizei Deutschland, 2015 •  Forschungsprojekte •  Predictive Policing •  Pilotprojekt Bayern erfolgreich •  Niedersachen und NRW?

Big-Data Vorhersage von Kaufverhalten

22.07.16 © SICP 20

Aktive Konsumenten Analyse •  Target: zweitgrößte Discounteinzelhändler •  Bewertung und Vorhersage von menschlichem Verhalten

Verhalten: Häufung, zeitlicher Reihenfolge, Art Ziel: Marketing versendet individuelle Rabattangebote

Der „Schwangeren-Score“ •  Analyse: Kaufverhalten junger Frauen 25 Artikel •  Aktion: Target versendet Rabattcoupons für Babyartikel •  Adressat: minderjähriges Mädchen ~Minneapolis •  Reaktion: Papa sauer! Fordert Entschuldigung vom Management •  Reaktion2: wait(approx(9M)); Papa entschuldigt sich beim Management Funktioniert ohne das Wissen ob eine Schwangerschaft besteht

Big-Data vs. Smart-Data Big-Data und DB

22.07.16 © SICP 21

Predictive Maintenance auf der Schiene Herausforderung –  Güterzugausfälle auf der Strecke sind teuer und verursachen Verspätungen –  Schäden an Lokomotiven sind extrem teuer und Früherkennung wichtig

Lösung –  Übertragung von Live-Daten über den Zustand von Lokomotiven –  Zentrales Sammeln aller Lokomotiven-Daten zur Profilbildung –  Vergleich von Abweichungen nach der Wartung – einfache Visualisierung

Big-Data –  Erweiterung um alle Güterwagons –  Heterogene Quellen: Streckennetz, Wetterlagen, Energieversorgung, Ladung, weitere

Züge, detaillierte Netzinformationen, Werkstattdaten, Fahrplandaten

Innovation –  Prognosemodell zur Absicherung gegen

Ausfälle –  Optimierung der Wartungsintervalle und

Maßnahmen

Ausblick –  Bereitstellung der Daten für Hersteller

Big-Data vs. Smart-Data Smart-Data und DB

22.07.16 © SICP 22

Predictive Maintenance auf der Schiene Herausforderung –  Wie zuvor aber auch: –  Zentrale Datensammlung ist teuer und Live nicht immer möglich

Lösung –  Stärkeres Nutzen bestehender Profile von Lokomotiven und Wagons –  Ein kleiner Kasten vermisst „relevante Bauteile“ und Wertet die Daten aus

Smart-Data –  Keine zentrale sondern Lokale Berechnung der Ausfallwahrscheinlichkeit –  Bestehende Erkenntnisse aus dem Big-Data Wissen werden verwertet

Innovation –  Prognosemodell zur Absicherung gegen

Ausfälle –  Optimierung der Wartungsintervalle und

Maßnahmen –  Geringere Kosten durch

Live-Übertragung und Speicherung

1.  Motivation & Vorstellung 2.  Welches Potential steckt in den Daten?

–  Big-Data: Worum geht es? –  Wieso müssen Alle bei Big-Data beteiligt werden? –  Beispiele: Was kann aus Daten abgeleitet werden?

3.  Wie und wo verarbeite ich sie? –  Teure IT-Infastrukutur? Wie kann die Cloud helfen? –  Ist die Cloud den sicher?

4.  Wo bekomme ich weitere Unterstützung? –  Digital in NRW – Das Kompetenzzentrum für den Mittelstand –  eBusinessLotse OWL – Projekt Business 4.0

Agenda

22.07.16 © SICP 23

Verarbeitungsschritte Beispiel Sägewerk

22.07.16 © SICP 24

Entscheidungen umsetzen

Analyse

Daten erfassen, vorverarbeiten,

speichern

Visualisierung & Neuanalyse

Vorteile •  Experten kümmern sich um

-  Datensicherheit -  Backups -  Wartung -  Verfügbarkeit

•  Finanzielle Vorteile -  Geringe Investitionskosten -  Nutzungsbasierte Abrechnung

Zu beachten •  Datenschutz •  Exit Strategie

Alternative zur Speicherung & Verarbeitung Sicher Nutzung der Cloud

22.07.16 © SICP 25

Cloud Der Begriffsdschungel

22.07.16 © SICP 26

IaaS PaaS SaaS

Cloud Der Begriffsdschungel

22.07.16 © SICP 27

IaaS PaaS SaaS

Anwendungen

Daten

Middleware

Betriebssystem

Virtualisierung

Server

Speicher

Netzwerk

Eigene

sUnterne

hmen

EigenerServer

Anwendungen

Daten

Middleware

Betriebssystem

Virtualisierung

Server

Speicher

Netzwerk

Eigene

sUnterne

hmen

Cloud-Dienstleister

InfrastructureasaService

Anwendungen

Daten

Middleware

Betriebssystem

Virtualisierung

Server

Speicher

Netzwerk

Eigene

sUnterne

hmen

Cloud-Dienstleister

Pla;ormasaService

Anwendungen

Daten

Middleware

Betriebssystem

Virtualisierung

Server

Speicher

Netzwerk

Cloud-Dienstleister

So<wareasaService

Cloud Cloud ist nicht gleich Cloud

22.07.16 © SICP 28

Internet

Public Cloud Private Cloud Hybride Cloud

1.  Motivation & Vorstellung 2.  Welches Potential steckt in den Daten?

•  Big-Data: Worum geht es? •  Wieso müssen Alle bei Big-Data beteiligt werden? •  Beispiele: Was kann aus Daten abgeleitet werden?

3.  Wie und wo verarbeite ich sie? •  Teure IT-Infastrukutur? Wie kann die Cloud helfen? •  Ist die Cloud den sicher?

4.  Wo bekomme ich weitere Unterstützung? •  Digital in NRW – Das Kompetenzzentrum für den Mittelstand •  eBusinessLotse OWL – Projekt Business 4.0

Agenda

22.07.16 © SICP 29

Verarbeitungsschritte Beispiel Sägewerk – Wo? Wie Sicher?

22.07.16 © SICP 30

Entscheidungen umsetzen

Analyse

Daten erfassen, vorverarbeiten,

speichern

Visualisierung & Neuanalyse

Verarbeitungsschritte Beispiel Sägewerk – Wo? Wie Sicher?

22.07.16 © SICP 31

Entscheidungen umsetzen

Visualisierung & Neuanalyse

Was bedeutet eigentlich Sicherheit? IT-Grundschutz: Grundwerte

22.07.16 © SICP 32

•  Schutz vor unbefugtem Zugriff auf Informationen

1) Vertraulichkeit

•  Vollständigkeit, Korrektheit, Manipulationsfreiheit, Unversehrtheit, Unverfälschtheit, Authentizität

2) Integrität

•  Informationen, Dienstleistungen und Funktionen eines IT-Systems steht jederzeit zur Verfügung

3) Verfügbarkeit

Sicherheit Verschlüsselung

22.07.16 © SICP 33

verschlüsseln entschlüsseln

Symmetrische Verschlüsselung

Identischer Schlüssel

verschlüsseln entschlüsseln

Asymmetrische Verschlüsselung

Icons © Freepik & Icon Works

•  Aufgaben von Verschlüsselung & Signatur –  Verschlüsselung => Vertraulichkeit –  Signaturen => Integrität

•  Zertifikate –  Basieren auf asymmetrische Verschlüsselung –  Privater Teil des Zertifikat wird oft zus. verschlüsselt

Sicherheit Signaturen

22.07.16 © SICP 34

signieren verifizieren

Zertifikat = Siegelstempel

© sjbutterfield2 CC BY-NC 2.0

Empfänger hat Gewissheit •  Nachricht ist vom Sender •  Nachricht wurde nicht verändert

© yuheitomi CC BY-NC 2.0

Icons © Freepik & Icon Works

1.  Motivation & Vorstellung 2.  Welches Potential steckt in den Daten?

–  Big-Data: Worum geht es? –  Wieso müssen Alle bei Big-Data beteiligt werden? –  Beispiele: Was kann aus Daten abgeleitet werden?

3.  Wie und wo verarbeite ich sie? –  Teure IT-Infastrukutur? Wie kann die Cloud helfen? –  Ist die Cloud den sicher?

4.  Wo bekomme ich weitere Unterstützung? –  Digital in NRW – Das Kompetenzzentrum für den Mittelstand –  eBusinessLotse OWL – Projekt Business 4.0

Agenda

22.07.16 © SICP 35

Digitalisierung Konkret – Greifbar - Machbar

Digitalisierung Konkret – Greifbar - Machbar

Auf dem Weg zu Industrie 4.0 Die Befähigungskette des Kompetenzzentrums

Qualifizieren Konzipieren

Umsetzen Demonstrieren

Was genau ist Industrie 4.0? Wie kann mein Unternehmen

davon profitieren?

Digitalisierung live und in Farbe – gibt es das überhaupt? Wie bekomme ich den Beweis?

Welche Kompetenzen brauche ich für die Digitalisierung? Wie

kann ich diese aufbauen?

Ist mein Unternehmen schon reif für die Digitalisierung? Was sind meine

nächsten Schritte?

Wie kann ich die Digitalisierung in meinem Unternehmen umsetzen? Wie finde ich den richtigen

Partner dafür?

Konzipieren Informieren 4.0

1.  Motivation & Vorstellung 2.  Welches Potential steckt in den Daten?

–  Big-Data: Worum geht es? –  Wieso müssen Alle bei Big-Data beteiligt werden? –  Beispiele: Was kann aus Daten abgeleitet werden?

3.  Wie und wo verarbeite ich sie? –  Teure IT-Infastrukutur? Wie kann die Cloud helfen? –  Ist die Cloud den sicher?

4.  Wo bekomme ich weitere Unterstützung? –  Digital in NRW – Das Kompetenzzentrum für den Mittelstand –  eBusinessLotse OWL – Projekt Business 4.0

Agenda

22.07.16 © SICP 39

40

Teilprojekt:

Business 4.0 OWL – Neue Geschäftsmodelle und

Wertschöpfungsketten mit IKT

10ProjektezurNutzungderPotenzialederDigitalenTransformaEonfürdieStärkungvonWirtschaIundGesellschaI

IKT Anlaufstelle

41

Informa>onsportal/Webseite•  Veranstaltungskalender•  LeiFädenund

Broschüren•  NützlicheLinks

persönlicheInforma>onsgespräche

Fachveranstaltungen

AlleAngebotesindkostenfrei.WeitereInformaEonen:www.ebusinesslotse-owl.deUlrikeKünnemann;E-Mail:[email protected],Tel:05251–5465315

DigitaleStrategienfürkleineundmiQlereUnternehmen(KMU)

UmfragezurErhebungdesDigitalisierungsstandsinOWL

§  WieistIhrUnternehmenimHinblickaufDigitalisierungaufgestellt?

§  WirkönnenIhnenhelfenpassgenauHandlungsbedarfzuidenEfizieren

§  NehmenSieanderUmfrageteil!ca.16Minuten–  UnterstützenSieunsdamitwirSieunterstützenkönnen–  DatenwerdennurfürForschungszweckegenutzt

§  LinkwirdIhnenperEmail/Newsle`erzugeschickt–  h`p://ww3.unipark.de/uc/wnderlich_Universit__t_Paderborn/9c0a/?a=2

§  ZuGewinnen:AppleI-PadPro

42

1.  Motivation & Vorstellung 2.  Welches Potential steckt in den Daten?

–  Big-Data: Worum geht es? –  Wieso müssen Alle bei Big-Data beteiligt werden? –  Beispiele: Was kann aus Daten abgeleitet werden?

3.  Wie und wo verarbeite ich sie? –  Teure IT-Infastrukutur? Wie kann die Cloud helfen? –  Ist die Cloud den sicher?

4.  Wo bekomme ich weitere Unterstützung? –  Digital in NRW – Das Kompetenzzentrum für den Mittelstand –  eBusinessLotse OWL – Projekt Business 4.0

Agenda

22.07.16 © SICP 43

Digitalisierung •  IoT (Internet of Things), Big Data & Cloud

sind Bausteine für die Digitalisierung •  Eröffnen Optimierungspotential und neue Geschäftsmodelle

Big Data •  Es gibt kein All-In-One-Big-Data-Ready-Produkt •  Benötigt Wissen über die Domäne, Daten-Analysten •  Smart Data nicht unterschätzen

Cloud •  Einsatzmöglichkeit bewerten und potentiale Nutzen

Nächsten Schritte •  Unterstützung durch Förderprojekte

Zusammenfassung Was sollten Sie mitnehmen?

22.07.16 © SICP 44