itm.net
BigData in der Cloud und die letzte Meile
17.11.2016, AWS Innovation Lab München
Der Weg von der Idee zum Business Value
Wolfgang Baudendistel, [email protected]
Joachim Rosskopf, [email protected]
itm.net17.11.2016
› Optimierung von IT-Landschaften
› Entwurf von System- und Softwarearchitekturen
› Einführung von Methoden und Unterstützung des IT-Managements
IT-ARCHITECTURE AND TOOLS
› Softwareentwicklung mit ausgeprägter Web- bis SAP-Kompetenz
› Daten- und Prozesssicht
› Verteilte Software-Systeme
NEW TECHNOLOGY IMPLEMENTATION
› Cloudifizierung von IT-Organisationen
› Aufbau und Betrieb von Hybrid-Landschaften
› Automatisierung
CLOUD TRANSFORMATION
itm.net17.11.2016
IMPLEMENTIERUNG & BETRIEB
TECHNOLOGIE, PLATFORM- & PROZESSDEFINITION
CLOUD ONBOARDING
CLOUD WORKSHOPS„HOW TO DO CLOUD“
itm.net Keine vollständige Darstelklung aller ITM Kunden.06.06.2016
itm.net17.11.2016
BEISPIEL: VERNETZTER, INTELLIGENTER
SAUGROBOTER
IDEEN FÜR DIGITALE WERTSTRÖME:
› Kundenintimität und besseres
Produkterlebnis durch Sensordaten
› Software Updates und Apps als zusätzliche
Revenue Streams (z.B. Heimüberwachung)
› Smart Replenishment von
Verbrauchsmaterialien
itm.net17.11.2016
Beispiel: Postbote liefert Verbrauchsmaterial bevor es benötigt wird.
Fragestellung: Ist diese Service-/Produktinnovation so umsetzbar und steigert sie den Business Value?
itm.net17.11.2016
CUSTOMER CUSTOMER
USE
• C/T: 2,5h• 5 Cycles
MAINTAIN
• C/T: 0,5h• 2 Cycles
REPLENISH
• C/T: 2,5h
ORDER
PRODUCTION
WEB-SHOP
APP
E-CommerceA
PRODUKT-LEBENSZYKLUS
itm.net17.11.2016
CUSTOMER CUSTOMER
IOTBIG
DATA
ORDER
PRODUCTION
WEB-SHOP
APP
E-CommerceA
USE
• C/T: 2,5h• 5 Cycles
MAINTAIN
• C/T: 0,5h• 2 Cycles
REPLENISH
• C/T: 2,5hPRODUKT-LEBENSZYKLUS
itm.net17.11.2016
CUSTOMER CUSTOMER
CONSUMABLES
IOTBIG
DATAPRODUCT
DEVELOPMENT
ORDER
PRODUCTION
WEB-SHOP
APP
PRODUCT EXPERIENCE
APP
SMART REPLENISH-
MENT
APP
E-CommerceA
Digitalisierte ProdukteB
USE
• C/T: 2,5h• 5 Cycles
MAINTAIN
• C/T: 0,5h• 2 Cycles
REPLENISH
• C/T: 2,5hPRODUKT-LEBENSZYKLUS
itm.net17.11.2016
ERSTE INDUSTRIELLLE REVOLUTION
1784
Erster Mechanischer WebstuhlEinführung von Wasser- und Dampfkraftbetriebenen Fabriken.
ZWEITE INDUSTRIELLE REVOLUTION
1923
Erste FließbandproduktionEinführung von elektrisch betriebenenProduktionsanlagen und arbeitsteiligeFließbandproduktion.
TECHNOLOGIE ORGANISATION
DRITTE INDUSTRIELLE REVOLUTION
1969
Erste ProgrammierbareLogikschaltungenIT und Steuer- bzw. Regeltechnik hältEinzug in die Produktion.
VIERTE INDUSTRIELLE REVOLUTION
2014
Cyber-Physische-SystemeEinführung von intelligenten Maschinen, eingebetteten Sensoren, kollaberativeTechnologien und vernetzte Prozesse.
time
TECHNOLOGIE ORGANISATION
Kooperation und Vernetzung sind das Wesen und die treibende Kraft hinter Digitalisierung und IoT. Es geht weniger um ausgefeilte Technik, sondern mehr um intelligente Rekombination und Integration von Daten und Prozessen.
IoT und Digitalisierung bedeutet mehr als Sensoren, Aktuatoren und Automatisierungstechnik.
itm.net17.11.2016
IDEEN-FINDUNG
DATEN EXPLORATION
BUSINESS HACKING
VIABLE PRODUCT
INTEGRATION
BUSINESS VALUE
IDEENFINDUNGLÖSUNGS-
ENTWICKLUNG
BETRIEB
SCHAFFEN VON AKTIONÄRSWERT
Das Prozessmodell zur Erstellung einer Big Data Lösung besteht aus den drei Phasen Ideenfindung, Lösungsentwicklung und Aktionärswert.
Die Phasen werden iterativ durchlaufen.
1 2 3
ANWENDUNGS-ENTWICKLUNG
NEUE IDEEN
itm.net17.11.2016
IDEEN-FINDUNG
DATEN EXPLORATION
BUSINESS HACKING
VIABLE PRODUCT
INTEGRATION
BUSINESS VALUE
IDEENFINDUNGLÖSUNGS-
ENTWICKLUNG
BETRIEB
SCHAFFEN VON AKTIONÄRSWERT
Das Prozessmodell zur Erstellung einer Big Data Lösung besteht aus den drei Phasen Ideenfindung, Lösungsentwicklung und Aktionärswert.
Die Phasen werden iterativ durchlaufen.
1 2 3
ANWENDUNGS-ENTWICKLUNG
NEUE IDEEN
itm.net
Wie eine erfolgreiche Exploration im Business Hacking aussieht - Daten verstehen und Korrelationen finden.
17.11.2016
Es gilt Hypothesen und Experimente zu gefundenen Fragestellungen aufzustellen:
In der Explorationsphase sollen Daten Unternehmensvertikalen einbezogen und untersucht werden.
IDEENFINDUNG1
itm.net
Der neue Typus der Daten-Applikation erfordert eine neue Herangehensweise. Erfolgreiches Business Hacking bedingt agile und kurze Feedback-Zyklen.
17.11.2016
Hypothese und Lösungsidee
Datenaufbereitung & Datenauswertung
Modellentwicklung & Hypothesen-validierung
Lösungs-entwicklung
Effiziente Erstellung von Lösungen in engen, agilen Feedback-Loops.
IDEENFINDUNGLÖSUNGS-
ENTWICKLUNG1 2
Kreative und explorative Aktivitäten: Es ist vorab nicht immer klar ob, wie und mit welchem Aufwand ein Problem zu lösen ist. Deshalb heißt es auch „Data-Science“.
itm.net17.11.2016
IDEEN-FINDUNG
DATEN EXPLORATION
BUSINESS HACKING
VIABLE PRODUCT
INTEGRATION
BUSINESS VALUE
IDEENFINDUNGLÖSUNGS-
ENTWICKLUNG
BETRIEB
SCHAFFEN VON AKTIONÄRSWERT
Das Prozessmodell zur Erstellung einer Big Data Lösung besteht aus den drei Phasen Ideenfindung, Lösungsentwicklung und Aktionärswert.
Die Phasen werden iterativ durchlaufen.
1 2 3
ANWENDUNGS-ENTWICKLUNG
NEUE IDEEN
itm.net
Für Daten-Anwendungen gelten dieselben Spielregeln wie für klassische Enterprise Applikationen. Der Betrieb ist aber ungleich komplexer (Sculley, 2014) - Nur eine effektiv betreibbare Lösung schafft Aktionärswert.
17.11.2016
Aufbau & Betrieb von Daten- und
Systemarchitektur
Neue Ideen
IDEENFINDUNG1
› Der IT Betrieb braucht profundes Verständnis der Fachlichkeit: „BizOps“
Modell-entwicklung & Hypothesen-validierung
Integration in bestehende Prozesse
LÖSUNGS-ENTWICKLUNG2 SCHAFFEN VON
AKTIONÄRSWERT3
BUSINESS VALUEz.B. strategische
Unterstützung von Data Roadmaps
› Statistik und Machine-Learning machen Anwendungen dynamischer. Dadurch wachsen Anforderungen an Monitoring und Kontrolle.
itm.net17.11.2016
Nach einer kreativen Anfangsphase startet ein schaffender Prozess hin zur praxisrelevanten und –tauglichen Anwendung: Die Aktivitäten gehen über einen PoC hinaus.
VIABLE PRODUCT (Lösung)
ERGEBNISSE
› Demands (Skill, Technologie)
› Enterprise Architektur
› Domänen Baustein(e)
› Evolutionäres Wissen
Es geht um Entwicklung einer konkreten BigData Anwendung unter Hebung vorhandener Potentiale.
EINFLUSSFAKTOREN
› Variabilität der Anforderungen
› Vorhandene Bausteine nutzen
› Umsetzung mit Skills im Unternehmen
› Entwicklungsgeschwindigkeit
itm.net17.11.2016
IDEEN-FINDUNG
DATEN EXPLORATION
BUSINESS HACKING
VIABLE PRODUCT
INTEGRATION
BUSINESS VALUE
IDEENFINDUNGLÖSUNGS-
ENTWICKLUNG
BETRIEB
SCHAFFEN VON AKTIONÄRSWERT
Das Prozessmodell zur Erstellung einer Big Data Lösung besteht aus den drei Phasen Ideenfindung, Lösungsentwicklung und Aktionärswert.
Die Phasen werden iterativ durchlaufen.
1 2 3
ANWENDUNGS-ENTWICKLUNG
NEUE IDEEN
itm.net
Wie ist ein ROI zu erreichen?
Denkweise ausgerichtet an Wertströmen, geschäftlichen
Herausforderungen, Trends und Kundenerwartung.
Neue Ideen = potenzielle Produkt-/Prozessinnovationen
Prozessketten bis zu Ende denken und in die Tat umsetzen
Iterationen konsequent durchlaufen
Bereitstellung von passenden Ressourcen, Tools und Skills
17.11.2016
go
itm.net17.11.2016
IoT CLIENT
CLOUD SERVICE PROVIDERON PREMISE ITAWS
M2M
IoT CLOUD
ANALYTICAL LAYER
BUSINESS LAYER
INTEGRATION LAYER
APPLICATION LANDSCAPE
AUTH. REPOSITORY
ACTIVE DIRECTORY
IAM
IDENTITY
B2C WEBSHOP
B2B WEBSHOP
EMPLOYEE WEBSHOP
ERP
WARRANTY HANDLING
E-COMMERCE LANDSCAPE
PDBSTORAGE LAYER
INFRASTRUCTURE LAYER
WEB APP
EMBEDDEDCODE
HWSMART PHONE
EMBEDDEDCODEGATEWAY /
HUB
HW
APPANDROID / IOS
BLUETOOTH LE GPSBROADBAND 4GWIFI
ELASTIC STACK APACHE SPARKMS REPORTING
SERVICES
COMPUTING SERVICES
NETWORK SERVICESCONTAINER
SERVICES
IOT DEVICE SHADOW
S3 FILE STORAGE SERVICE
NOSQL SERVICES
IOT BUSINESS RULESSIMPLE WORKFLOW
(SWF)CUSTOM LAMBDA
SERVICES
EMBEDDED CLIENTGATEWAY CLIENTSMART CLIENTWEB CLIENT
IFTTT
NEST
HUE
API GATEWAY /3RD PARTY
AMAZON ALEXA
COGNITIVE LAYER IBM WATSONAMAZON MACHINE
LEARNINGMACHINE LEARNING
STUDIOGOOGLE API
itm.net
GUTE EIGNUNG DER CLOUD FÜR BIG DATA UND IOT:
› Insbesondere am Anfang von IoT-/Big Data-Bestrebungen
› Prüfung der langfristigen Eignung an konkreten Anforderungen
› Ermöglicht Konzentration auf Funktionalität, nicht auf Infrastruktur und Betrieb
› Ermöglicht schnelle, iterative Entwicklung
17.11.2016
› Datengetriebene Geschäftsmodelle sind Eckpfeiler der Unternehmensstrategie von Amazon
› Konsequente Serviceorientierung seit 15 Jahren
› Services von AWS sind Erfahrungen und Ergebnisse von Amazon, die als Produkt vermarktet werden
go
itm.net
› Architektur von AWS als sinnvolle Ausgangsbasis für eigene Entwicklungen
› Beispiel: IAM als sinnvolle Ausgansbasis für Data-Governance
› Kurze Anlaufphase durch serverlose, dienstbasierte Infrastruktur
› Geringe Reibungsfläche und niedrige Investition bei iterativer Entwicklung
› Kosteneffiziente Langzeitarchivierung von Daten
› Skalierbare und global verfügbare on-demand Dienste und Infrastruktur
17.11.2016
go
itm.net17.11.2016
DATEN
METADATEN
GOVERNANCE
ARCHITEKTUR
PLATTFORM
ALGORITHMEN
TECHNOLOGIEN
WORKLOADS
PROZESSE
AGILITÄT
INNOVATION
BETRIEB
AWS bietet im Service Portfolio verschiedene Bausteine zum Aufbau von Big Data Lösungen. Die fachlichen Ausgestaltungen liegen jedoch beim AWS Kunden.
itm.net
DATEN
17.11.2016
PLATTFORM PROZESSE
AWS bietet im Service Portfolio verschiedene Bausteine zum Aufbau von Big Data Lösungen. Die fachlichen Ausgestaltungen liegen jedoch beim AWS Kunden.
CloudTrail IAM
Glacier S3
DynamoDB RDS Redshift
Elasticsearch Kinesis AWS Data Pipeline
EBS EC2 ECS LAMBDA
EMR MACHINE LEARNING
SQS SWF
AWS IOT
CLOUDWATCH AWSCONFIG
AWSOPSWORKS
AWS CODECOMMIT
AWS CODEDEPLOY
AWS CODEPIPELINE
itm.net17.11.2016
› Geräteregistrierung
› Empfang vom Gerät
› Dashboarding Kibana
› Prediction:
– Training des ML Modells
– Prediction mit AWS ML
› Alarm mit CloudWatch
NodeMCU
Simulation & PC
Simulation & PC
Simulation & PC
API GW &
LambdaDevice
GatewayCEP (Rules
Engine)
AWS IoT
AWS Services
Search & Visu. (Elasticsearch)
Prediction(AWS ML)
Alarming(CloudWatch)
itm.net17.11.2016
JOACHIM [email protected]
WOLFGANG [email protected]
› JETZT IM ANSCHLUSS: GET TOGETHER
itm.net
BigData in der Cloud und die letzte Meile
17.11.2016, AWS Innovation Lab München
Der Weg von der Idee zum Business Value
Wolfgang Baudendistel, [email protected]
Joachim Rosskopf, [email protected]
Top Related