Big Data in der Praxis

So erzielen Teradata-Kunden mit Analytics Business-Vorteile

| Autor / Redakteur: Michael Matzer / Nico Litzel

Point of Sale (POS) von NCR in einem Supermarkt.
Point of Sale (POS) von NCR in einem Supermarkt. (Bild: Teradata)

Big-Data-Analysen (BDA) können nicht nur den Erfolg bestehender Geschäftsmodelle erhöhen, sie können auch die Geschäftsmodelle der Zukunft erst ermöglichen. Die technischen und operativen Voraussetzungen dazu gibt es bereits. Kunden des BDA-Spezialisten Teradata schöpfen weltweit daraus Vorteile, darunter Siemens, Netflix und NCR.

Big Data erlaubt, richtig analysiert, tiefere und umfassendere Einblicke in Sachverhalte, die bislang nur Stichproben vorbehalten waren. Predictive Maintenance, Operational Intelligence und Quality Assurance sind rasch wachsende Anwendungsbereiche der neuen Technologien. Im Marketing dient Big Data Analytics vor allem der Personalisierung aller Angebote.

Es kommt allerdings darauf an, die nötige Technologie sowohl leistungsfähig als auch kostengünstig anzuschaffen. Deshalb fällt die Wahl häufig auf Hadoop-Cluster, verpackt in der einen oder anderen Distribution. Um etwa Data Lakes in Hadoop effizienter zu nutzen, nutzen Kunden immer noch klassische BI-Technologien wie etwa ein Enterprise Data Warehouse (EDW). Der EDW- und BDA-Anbieter Teradata hat mehrere Kunden über ihre Erfahrungen berichten lassen.

Siemens Mobility

Siemens Mobility ist ein weltweit agierender Hersteller von Transport- und Mobilitätssystemen. Das Unternehmen wertet Big Data aus zahlreichen Sensoren, die in Zügen installiert sind, und anderen Datenquellen aus, beispielsweise entlang der unterschiedlichsten Bahnstrecken, sei es im kühlen England oder im heißen Spanien. Mithilfe dieser umfangreichen Daten – eine Tabelle kann rund 100 Milliarden Zeilen umfassen – gelang es Siemens, vorausschauende Wartung in die Tat umzusetzen.

Der Vorteil liegt seitens der Kunden in einer maximalen Pünktlichkeit und seitens der Bahnbetreibergesellschaft in einer optimalen Verfügbarkeit der Züge und optimalen Reparaturkosten. Denn Predictive Maintenance erlaubt es, den Ausfall einer Komponente im Zug bereits bis zu mehreren Tagen vor dem Ernstfall vorherzusagen. So gelang es der spanischen Bahngesellschaft RENFE, die Pendler, die zwischen Madrid und Barcelona reisten, an sich zu ziehen. Statt dass vorher 80 Prozent der Pendler den Flieger nutzten, sind es durch die Nutzung des pünktlichen Expresszuges Velaro nur noch 30 Prozent – ein erheblicher Zugewinn an zahlenden Fahrgästen.

Garantierte Ausfallsicherheit

Künftig werden Züge vermehrt anhand der garantierten Ausfallsicherheit und der optimalen Kundenzufriedenheit zu verkaufen sein. Für Ausfälle und Verspätungen muss der Lieferant, also Siemens, Strafe zahlen. Siemens hat deshalb „Digitale Zwillinge“ all seiner Züge und Triebwagen erstellt und testet diese fortwährend, um optimale Leistungswerte garantieren zu können. Diese Premium Services lassen sich die Bahngesellschaften nicht nur etwas kosten, sie sind auch ein hervorragendes Instrument zur Kundenbindung.

Der technische Hintergrund für Predictive Maintenance ist indes keineswegs trivial. Die massenhaft eingehenden Sensordaten – teilweise in sehr kurzen, teilweise auch in sehr langen Zeitintervallen – erfordern eine hoch performante und skalierende Datenbank-Plattform, die sowohl das kostengünstige Speichern von Massendaten als auch die Hochverfügbarkeit für die Abfragen ermöglicht.

Eine solche Big-Data-Plattform, eine Kombination aus einem Teradata Hadoop Data Lake und einer Teradata Data Warehouse Appliance, hat Siemens für diese Anwendung implementiert. Und zur Entwicklung der analytischen Algorithmen setzt Siemens Teradata ASTER ein.

Um eine einheitliche BI-Struktur über diesen „Data Lake“ legen zu können, ist die Unified Data Architecture (UDA) von Teradata hilfreich. „Wenn ich eine Abfrage an Hadoop schicke, dann nutze ich QueryGrid in der UDA“, erzählt, Gerhard Kress, Leiter der Mobility Services bei Siemens. „Bei QueryGrid muss ich nicht mehr wissen, wo die Daten denn nun physisch gespeichert sind, denn die Plattform versteht, wo die Daten liegen und kann sie je nach Bedarf bewegen.“

NCR

Brian Valeyko, Director of Data Warehousing, Business Intelligence and Big Data Analytics bei NCR
Brian Valeyko, Director of Data Warehousing, Business Intelligence and Big Data Analytics bei NCR (Bild: Teradata)

NCR ist Hersteller von Bankautomaten, Point-of-Sales-Systemen, Strichcode-Scannern (etwa im Supermarkt) und Selbstbedienungskiosken. „Unsere Kunden sind unter anderem Banken und Einzelhändler“, berichtet Brian Valeyko, Leiter der Abteilung für Enterprise Data und Business Intelligence. „Sie wollen keinerlei Ausfälle und unsere Aufgabe ist es, diese Anforderung in die Realität umzusetzen.“

Um das Zwischenziel der Predictive Maintenance zu erreichen, erfasst NCR die Sensordaten jedes einzelnen seiner Millionen Endgeräte und speichert sie in der Datenplattform von Hortonworks, einer bekannten Hadoop-Distribution. Auf diesem Data Lake setzt die UDA von Teradata auf, um die prädiktiven Modelle der Mitarbeiter in den Fachabteilungen, wie etwa Service, zu unterstützen. Vor Hadoop konnte NCR nur Stichproben ziehen, doch erst mit Hadoop ist jedes Vorhersagemodell 100 Prozent zutreffend. Und erst Hadoop stellt in den Augen Valeyko die kostengünstige Data-Lake-Plattform bereit, die für BDA benötigt wird.

Obwohl es vielleicht „doppelt gemoppelt“ aussieht, nutzt NCR sowohl Hortonworks-Hadoop als auch die Aster Discovery Platform von Teradata. Aster erlaubt laut Valeyko tiefere Analysen. Um wirklich alltägliche BI-Aufgaben zu erledigen, nutzen die Anwender indes die Werkzeuge des Enterprise Data Warehouse von Teradata. Auf Aster korreliert NCR die Sensordaten der Maschinen und des Netzwerks mit den Logfiles seiner Servicetechniker.

Ähnlich wie Siemens gelingt es NCR auf diese Weise, Vorhersagen mit größter Treffsicherheit abgeben zu können. „Vor Aster brauchten wir sechs Monate, um einen verlässlichen Algorithmus zu erstellen und einzusetzen“, sagt Valeyko. „Heute brauchen wir dafür nur noch drei Wochen.“ Durch Operational Intelligence ließ sich zudem den Kundendienst für die Endgeräte erheblich effizienter organisieren. Je mehr NCR-Abteilungen die Vorteile erkannten, desto mehr Anwendungen entstanden.

Netflix

Der Streamingdienst für Online-Video und -TV Netflix ist in extremer Weise auf die Zufriedenheit seiner Nutzer angewiesen. Das positive Kundenerlebnis („Customer Experience“) ist das A und O, um das sich bei Netflix (fast) alles dreht. Die Abonnenten müssen zudem zu loyalen Fans werden, immer wieder zurückkommen und den Service weiterempfehlen. So wächst die Plattform. Selbst produzierte Serien wie „House of Cards“ waren große Erfolge.

Damit die Abonnenten zufriedengestellt werden, muss Netflix genau wissen, was jeder einzelne von ihnen sich wünscht. Kundenprofile sind also von höchster Bedeutung, etwa dann, wenn es um das Füttern der Recommendation Engine geht, die dem Kunden weitere Angebote macht. Und zwar nur solche, die er als relevant empfindet. Nur optimal personalisierte Angebote sind dafür qualifiziert.

Um dieses Ziel zu erreichen, muss die BDA-Plattform des Streaming-Anbieters jede kleinste Interaktion eines Abonnenten (Suche, Angebotsnutzung, Abo-Abschluss, Anschauen, Anfragen usw.) protokollieren und in einen sinnvollen Kontext stellen können. Diese Massendaten, die in der Aster Discovery Platform auf einem Hadoop-Cluster gespeichert sind, müssen sich mit verschiedenen BI-Tools untersuchen lassen, nicht nur mit jenen von Teradata, sondern auch mit denen von MicroStrategy. Um die BDA-Plattform weltweit skalierbar und performant zu halten, betreibt Netflix sie in der Cloud von Teradata.

Hybride Plattformstruktur

Interessant an der BDA-Plattform, die Netflix aufgebaut hat, ist ihre hybride Struktur. Hunderte gleichzeitige Abfragen der Mitarbeiter aus den Netflix-Fachabteilungen müssen hier ebenso verarbeitet werden wie etwa Filteroperationen, die die Hunderttausende von Nutzern weltweit jede Stunde ausführen möchten, wenn sie einen bestimmten Titel suchen.

Damit beides funktioniert, bildet der Teradata-Konnektor zu Hadoop eine zentrale Schnittstelle. So lassen sich die Zugriffe aus dem Teradata Data Warehouse auf den Hadoop-basierten Data Lake realisieren, aber auch der Import Cloud-basierter Daten eines anderen Dienstleisters. Und wie schon Gerhard Kress sagte: Bei Nutzung des QueryGrid brauchen sich die Business-Analysten von Netflix keine Gedanken über den physischen Standort ihrer Daten zu machen. Diese Analysten können auch jedes beliebige BI-Werkzeug anwenden.

Was ihren Erfolg angeht, haben sie eine simple Kenngröße: Wie viele Angebote schaut der Abonnent an? Schaut er mehr an als bisher? Und handelt es sich dabei um Empfehlungen? Mit diesen Erkenntnissen ist es dann möglich, die nächste Erfolg versprechende Serie produzieren zu lassen. Die Fortschritte in der IT zeitigen also Vorteile in der Kundenansprache (Customer Engagement) und letzten Endes im Gesamterfolg des Business.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 43889952 / Best Practices)