17.11.2016, AWS Innovation Lab München
BigData in der Cloud und die letzte Meile Der Weg von der Idee zum Business Value
Wolfgang Baudendistel,
[email protected] Joachim Rosskopf,
[email protected]
itm.net
IT-ARCHITECTURE AND TOOLS
17.11.2016
›
Optimierung von ITLandschaften
›
Entwurf von System- und Softwarearchitekturen
›
Einführung von Methoden und Unterstützung des ITManagements
itm.net
NEW TECHNOLOGY IMPLEMENTATION
› › ›
Softwareentwicklung mit ausgeprägter Web- bis SAPKompetenz Daten- und Prozesssicht Verteilte Software-Systeme
CLOUD TRANSFORMATION
›
Cloudifizierung von ITOrganisationen
›
Aufbau und Betrieb von Hybrid-Landschaften
›
Automatisierung
CLOUD WORKSHOPS „HOW TO DO CLOUD“
CLOUD ONBOARDING
IMPLEMENTIERUNG & BETRIEB
17.11.2016
itm.net
TECHNOLOGIE, PLATFORM- & PROZESSDEFINITION
06.06.2016
itm.net
Keine vollständige Darstelklung aller ITM Kunden.
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
17.11.2016
itm.net
Beispiel: Postbote liefert Verbrauchsmaterial bevor es benötigt wird. Fragestellung: Ist diese Service-/Produktinnovation so umsetzbar und steigert sie den Business Value?
17.11.2016
itm.net
A
E-Commerce
CUSTOMER
• C/T: 2,5h • 5 Cycles
itm.net
ORDER
CUSTOMER
PRODUCTION
APP
USE
PRODUKTLEBENSZYKLUS
17.11.2016
WEBSHOP
MAINTAIN • C/T: 0,5h • 2 Cycles
REPLENISH • C/T: 2,5h
A
E-Commerce
CUSTOMER
WEBSHOP
MAINTAIN • C/T: 0,5h • 2 Cycles
• C/T: 2,5h • 5 Cycles
IOT
itm.net
CUSTOMER
PRODUCTION
APP
USE
PRODUKTLEBENSZYKLUS
17.11.2016
ORDER
BIG DATA
REPLENISH • C/T: 2,5h
A
E-Commerce
CUSTOMER
ORDER
CUSTOMER
PRODUCTION
APP
MAINTAIN
USE
PRODUKTLEBENSZYKLUS
B
WEBSHOP
• C/T: 0,5h • 2 Cycles
• C/T: 2,5h • 5 Cycles
REPLENISH • C/T: 2,5h
Digitalisierte Produkte PRODUCT EXPERIENCE
APP
PRODUCT DEVELOPMENT
17.11.2016
itm.net
IOT
BIG DATA
SMART REPLENISHMENT APP
CONSUMABLES
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. VIERTE INDUSTRIELLE REVOLUTION DRITTE INDUSTRIELLE REVOLUTION
2014
ERSTE INDUSTRIELLLE REVOLUTION
ZWEITE INDUSTRIELLE REVOLUTION
Erste Programmierbare Logikschaltungen IT und Steuer- bzw. Regeltechnik hält Einzug in die Produktion.
1923 1784 Erster Mechanischer Webstuhl Einführung von Wasser- und Dampfkraft betriebenen Fabriken.
1969
Cyber-Physische-Systeme Einführung von intelligenten Maschinen, eingebetteten Sensoren, kollaberative Technologien und vernetzte Prozesse.
Erste Fließbandproduktion Einführung von elektrisch betriebenen Produktionsanlagen und arbeitsteilige Fließbandproduktion. time
TECHNOLOGIE 17.11.2016
itm.net
ORGANISATION
TECHNOLOGIE
ORGANISATION
Das Prozessmodell zur Erstellung einer Big Data Lösung besteht aus den drei Phasen Ideenfindung, Lösungsentwicklung und Aktionärswert. BUSINESS VALUE
Die Phasen werden iterativ durchlaufen.
BETRIEB
NEUE IDEEN
VIABLE PRODUCT ANWENDUNGSENTWICKLUNG
INTEGRATION
BUSINESS HACKING IDEENFINDUNG
1 17.11.2016
itm.net
DATEN
EXPLORATION
IDEENFINDUNG
2
LÖSUNGSENTWICKLUNG
3
SCHAFFEN VON AKTIONÄRSWERT
Das Prozessmodell zur Erstellung einer Big Data Lösung besteht aus den drei Phasen Ideenfindung, Lösungsentwicklung und Aktionärswert. BUSINESS VALUE
Die Phasen werden iterativ durchlaufen.
BETRIEB
NEUE IDEEN
VIABLE PRODUCT ANWENDUNGSENTWICKLUNG
INTEGRATION
BUSINESS HACKING IDEENFINDUNG
1 17.11.2016
itm.net
DATEN
EXPLORATION
IDEENFINDUNG
2
LÖSUNGSENTWICKLUNG
3
SCHAFFEN VON AKTIONÄRSWERT
Wie eine erfolgreiche Exploration im Business Hacking aussieht - Daten verstehen und Korrelationen finden.
1
IDEENFINDUNG
Es gilt Hypothesen und Experimente zu gefundenen Fragestellungen aufzustellen: In der Explorationsphase sollen Daten Unternehmensvertikalen einbezogen und untersucht werden.
17.11.2016
itm.net
Der neue Typus der Daten-Applikation erfordert eine neue Herangehensweise. Erfolgreiches Business Hacking bedingt agile und kurze Feedback-Zyklen.
1
2
IDEENFINDUNG
Hypothese und Lösungsidee
Datenaufbereitung & Datenauswertung
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“.
17.11.2016
itm.net
Modellentwicklung & Hypothesenvalidierung
LÖSUNGSENTWICKLUNG
Lösungsentwicklung
Effiziente Erstellung von Lösungen in engen, agilen Feedback-Loops.
Das Prozessmodell zur Erstellung einer Big Data Lösung besteht aus den drei Phasen Ideenfindung, Lösungsentwicklung und Aktionärswert. BUSINESS VALUE
Die Phasen werden iterativ durchlaufen.
BETRIEB
NEUE IDEEN
VIABLE PRODUCT ANWENDUNGSENTWICKLUNG
INTEGRATION
BUSINESS HACKING IDEENFINDUNG
1 17.11.2016
itm.net
DATEN
EXPLORATION
IDEENFINDUNG
2
LÖSUNGSENTWICKLUNG
3
SCHAFFEN VON AKTIONÄRSWERT
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.
1
2
IDEENFINDUNG
Modellentwicklung & Hypothesenvalidierung
17.11.2016
itm.net
LÖSUNGSENTWICKLUNG
Integration in bestehende Prozesse
3
Aufbau & Betrieb von Daten- und Systemarchitektur
›
Statistik und Machine-Learning machen Anwendungen dynamischer. Dadurch wachsen Anforderungen an Monitoring und Kontrolle.
›
Der IT Betrieb braucht profundes Verständnis der Fachlichkeit: „BizOps“
SCHAFFEN VON AKTIONÄRSWERT
BUSINESS VALUE z.B. strategische Unterstützung von Data Roadmaps
Neue Ideen
Es geht um Entwicklung einer konkreten BigData Anwendung unter Hebung vorhandener Potentiale.
EINFLUSSFAKTOREN
ERGEBNISSE
›
Variabilität der Anforderungen
›
Demands (Skill, Technologie)
›
Vorhandene Bausteine nutzen
›
Enterprise Architektur
›
Umsetzung mit Skills im Unternehmen
›
Domänen Baustein(e)
›
Evolutionäres Wissen
›
Entwicklungsgeschwindigkeit
VIABLE PRODUCT (Lösung)
Nach einer kreativen Anfangsphase startet ein schaffender Prozess hin zur praxisrelevanten und –tauglichen Anwendung: Die Aktivitäten gehen über einen PoC hinaus.
17.11.2016
itm.net
Das Prozessmodell zur Erstellung einer Big Data Lösung besteht aus den drei Phasen Ideenfindung, Lösungsentwicklung und Aktionärswert. BUSINESS VALUE
Die Phasen werden iterativ durchlaufen.
BETRIEB
NEUE IDEEN
VIABLE PRODUCT ANWENDUNGSENTWICKLUNG
INTEGRATION
BUSINESS HACKING IDEENFINDUNG
1 17.11.2016
itm.net
DATEN
EXPLORATION
IDEENFINDUNG
2
LÖSUNGSENTWICKLUNG
3
SCHAFFEN VON AKTIONÄRSWERT
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
itm.net
go
IoT CLIENT WEB CLIENT
SMART CLIENT
WEB APP
APP ANDROID / IOS
GATEWAY CLIENT
GATEWAY / HUB
SMART PHONE
EMBEDDED CLIENT
EMBEDDED CODE
EMBEDDED CODE
HW
HW
M2M BLUETOOTH LE
WIFI
BROADBAND 4G
GPS API GATEWAY /3RD PARTY
E-COMMERCE LANDSCAPE
IoT CLOUD APPLICATION LANDSCAPE
ANALYTICAL LAYER
COGNITIVE LAYER
BUSINESS LAYER
ELASTIC STACK
IBM WATSON
APACHE SPARK
AMAZON MACHINE LEARNING
IOT BUSINESS RULES
GOOGLE API
SIMPLE WORKFLOW (SWF)
17.11.2016
AUTH. REPOSITORY
NEST
B2B WEBSHOP
ACTIVE DIRECTORY
HUE
EMPLOYEE WEBSHOP
IAM
MACHINE LEARNING STUDIO
CUSTOM LAMBDA SERVICES
STORAGE LAYER
IOT DEVICE SHADOW
S3 FILE STORAGE SERVICE
NOSQL SERVICES
INFRASTRUCTURE LAYER
COMPUTING SERVICES
NETWORK SERVICES
CONTAINER SERVICES
itm.net
B2C WEBSHOP
ERP
AWS
IFTTT
MS REPORTING SERVICES
INTEGRATION LAYER
CLOUD SERVICE PROVIDER
IDENTITY
PDB
WARRANTY HANDLING
ON PREMISE IT
AMAZON ALEXA
GUTE EIGNUNG DER CLOUD FÜR BIG DATA UND IOT:
› › › ›
Insbesondere am Anfang von IoT-/Big Data-Bestrebungen Prüfung der langfristigen Eignung an konkreten Anforderungen
go
Ermöglicht Konzentration auf Funktionalität, nicht auf Infrastruktur und Betrieb Ermöglicht schnelle, iterative Entwicklung
› › ›
17.11.2016
itm.net
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
› › › › › ›
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
itm.net
go
AWS bietet im Service Portfolio verschiedene Bausteine zum Aufbau von Big Data Lösungen. Die fachlichen Ausgestaltungen liegen jedoch beim AWS Kunden.
17.11.2016
itm.net
DATEN
PLATTFORM
PROZESSE
ARCHITEKTUR
WORKLOADS
BETRIEB
METADATEN
ALGORITHMEN
AGILITÄT
GOVERNANCE
TECHNOLOGIEN
INNOVATION
AWS bietet im Service Portfolio verschiedene Bausteine zum Aufbau von Big Data Lösungen. Die fachlichen Ausgestaltungen liegen jedoch beim AWS Kunden.
DATEN
Glacier
S3
EBS
DynamoDB
RDS
Redshift
Elasticsearch
Kinesis
AWS Data Pipeline
CloudTrail
17.11.2016
itm.net
PLATTFORM
IAM
LAMBDA
ECS
EC2
EMR
MACHINE LEARNING
SQS
SWF
AWS IOT
PROZESSE
CLOUDWATCH
AWS CONFIG
AWS OPSWORKS
AWS AWS AWS CODECOMMIT CODEDEPLOY CODEPIPELINE
› › › › ›
Geräteregistrierung Empfang vom Gerät Dashboarding Kibana Prediction: – Training des ML Modells – Prediction mit AWS ML
Alarm mit CloudWatch
Node MCU
API GW & Lambda
Simulation&& Simulation Simulation PC & PC PC
Device Gateway
CEP (Rules Engine)
AWS IoT
Search & Visu. (Elasticsearch)
Prediction (AWS ML) Alarming (CloudWatch)
AWS Services 17.11.2016
itm.net
JOACHIM ROSSKOPF
[email protected]
›
JETZT IM ANSCHLUSS: GET TOGETHER
17.11.2016
itm.net
WOLFGANG BAUDENDISTEL
[email protected]
17.11.2016, AWS Innovation Lab München
BigData in der Cloud und die letzte Meile Der Weg von der Idee zum Business Value
Wolfgang Baudendistel,
[email protected] Joachim Rosskopf,
[email protected]
itm.net