Technische Universität München Daten als …Technische Universität München 11 Neue Akteure für...

© Prof. Dr. H. Krcmar

Technische Universität München


Daten als Erfolgsfaktor für die

Mobilität der Zukunft

Prof. Dr. Helmut KrcmarTU München – www.tum.edu

Chair for Information SystemsVice-Dean Faculty Informatics

Academic Director, Executive MBA in Business and IT

Speaker Board of Directors, fortiss GmbH, Munich Chairman of the Research Committee, MÜNCHNER KREIS e.V., München

Co-Founder Initiative Digital Transformation – idt.in.tum.de



© Prof. Dr. H. Krcmar2

A

B

Mobilität ist mehr als Bewegung




Persönliche Freiheit Erweiterung des Arbeitsmarkts

Sozialstrukturen Teilhabe

Mobilität ist mehr als Bewegung




$

Schnell und flexibel mobil sein durch Digitalisierung




MÜNCHNER KREIS Zukunftsstudie Band VII (2017)




http://www.busitelce.com/data-visualisation/30-word-cloud-of-big-data




Datenvolumen (volume)Datenformat (variability)Vertrauenswürdigkeit (veracity)Datenrate (velocity)

Daten

Reporting / ETL Ad-Hoc Anfragen Data Mining Vorhersage

AnalysenMarkl (2013): Big Data. Fachgespräch beim BMWI im Rahmen der Studie Big Data Mangement

Daten UND Analysen werden vielfältiger




Veränderung der AnalysemethodenAnalyse der Grundgesamtheit aller Daten

Datenüberfluss durch ubiquitäre ErhebungSinkende Kosten der Datenverarbeitung ermöglichen ganzheitliche Analyse

Datenmenge statt Datenqualität3V machen ETL-Prozesse hinfällig„Data Quantity beats Data Quality“ (Halevy/Norvig/ Pereira 2009, 8)

Korrelation statt KausalitätRechenleistung macht Hypothesenbildung hinfälligUntersuchung aller statistischer Modelle und Zusammenhänge

vgl. Mayer-Schönberger/Cukier 2013

Komplexe DatenanalyseproblemeVorhersagemodelle: Predictive analyticsUnendliche DatenströmeVerteilte DatenUmgang mit Unsicherheitinteraktive Exploration: Visual analytics

Analysen in „Echtzeit“Schnelle erste ErgebnisseGeringe LatenzenAusnutzung neuer Hardware im Datenverarbeitungssystem (FPGA, heterogene Prozessoren, NUMA, SSD/PCM)

Verstecken der KomplexitätDeklarative Datenanalysesprachen Fehlertoleranzpessimistisch, optimistisch

Markl (2013): Big Data. Fachgespräch beim BMWI im Rahmen der Studie Big Data Management




Aber auch: „Big Data Hybris“Hybris, griechisch ὕβρις hǘbris ‚Übermut, Anmaßung‘

• Große Datenmengen ersetzen nicht– Konstruktvalidität– Reliabilität der Daten– Kausalmodelle

• Dynamik der Datenquellen– „User-generated content“ & soziale Netzwerke– Nutzungsänderungen

• Dynamik der Quellalgorithmen– Unternehmen entwickeln Algorithmen weiter und ändern sie oft

• Big Data ersetzt nicht „vernünftiges Nachdenken“




Neue Akteure für die Wertschöpfung mit Daten als handelbares Wirtschaftsgut

Government regulators

Collect, annotate, prepare, organize

Aggregate, integrate

Analyze, visualize

Consume, decide,

derive value

Data holders Intermediaries Data specialists Data beneficiaries

Providers of technology to generate data

Storage providers (incl. services)

BD solution providers

Indirect beneficiaries

“Datamediaries” Scho

linz,

M. (

2014

): Su

cces

sFa

ctor

sfo

rBig

Dat

a:

A Q

ualit

ativ

e M

eta-

Anal

ysis

. Bac

helo

r‘sTh

esis

. Cha

irfo

rInf

orm

atio

nSy

stem

s, T

echn

isch

e U

nive

rsitä

t Mün

chen

, Gar

chin

g, G

erm

any.



12

Business Model Patterns based on Big Data

• Big Data-as-a-Product– Enables customer to work with data

• Big Data-as-a-Service– Delivering results by the provider

• Big Data-in-a-Service– Providing a service based on Big Data Services

• The Supporting Function of Big Data– Use of big data centered on the original product or service

• The Shift from Products to Services– Use of Big Data to provide new services based on the original product or service

• New Services– Provide a new service, such as data trading or capability selling

Attenberger 2016 nach Picot 2016




Daten alleine reichen nicht aus

Geschäfts-modelleAnalytics

Daten




Zukunftskonzept “Währung Mobilitätsdaten “

„Die Unternehmen sammeln schon jetzt viele Daten, und sie werden in Zukunft noch mehr sammeln. Heute wie in Zukunft wird der Kunde keine Kontrolle über seine Daten haben.

Nutzerdaten werden im Jahre 2025 Grundlage nahezu jedes Mobilitätsangebots sein. Viele Nutzer haben keinen Überblick darüber, welche Daten erfasst und verwendet werden und teilen ihre Daten gerne, um an günstigere Tarife zu kommen oder um auf ihre spezifischen Bedürfnisse zugeschnittene Services in Anspruch nehmen zu können. Zur Kontrolle und Steuerung der persönlichen Daten werden in Zukunft digitale Assistenten genutzt werden. Diese Assistenten erlauben es auch, Daten als Währung zu verwenden. Bei einer Fahrt von einem Münchner Vorort ins Berliner Zentrum gibt es nun mehrere Möglichkeiten: Erstens können eine Vielzahl an persönlichen Daten (bspw. Kalender, Zielort und Zweck der Reise) zur Bezahlung der Reise benutzt werden oder zweitens eine reguläre Buchung und dadurch anonymes Reisen möglich sein. Drittens ist jede Zwischenform ebenfalls denkbar. Konflikte um die Verwendung persönlicher Daten werden in Zukunft kaum eine Rolle spielen.

Die Regelungen zum Datenschutz über die anonymisierte Verwendung oder explizite Einwilligung des Nutzers, wird es geben. Allerdings können Daten kurzfristig eine hohe Effizienz für das Verkehrsmanagement und die individuelle Mobilität schaffen. Die Regelungen zum Datenschutz werden häufig nicht erfüllt, da kommerzieller, öffentlicher und individueller Mehrwert überwiegen.“ MÜNCHNER KREIS Zukunftsstudie Band VII (2017)




Offene Fragen


• Welche Transparenz wird gewünscht und wie weit kann sie gehen?• „gläsernen Nutzer“ versus „Nutzungstransparenz“ seitens des Anbieters

• Manche Nutzer wehren sich gegen die Dateneinsicht staatlicher Stellen, sind aber sehr freigiebig gegenüber privaten kommerziellen Anbietern.

• Technische Grenzen der Nachverfolgung der Folgenutzung von Daten (Verknüpfung der Daten mit anderen Daten, oder Weitergabe der Daten an Dritte)

• Wie viel sind uns (unsere) Daten wert?• Sind alle Daten für einen Dritten interessant und wertvoll? Was ist, wenn dieser sich die Daten bereits

auf anderem Wege beschafft hat?

• Wertermittlung durch eine „Datenbörse“

• Schärfung des Bewusstsein der Nutzer über den Wert ihrer Daten

• Stimmt das Paradigma „Meine Daten sind mein Eigentum“ überhaupt?

• Welche Formen von Regulierung haben und benötigen wir?• „informationelle Selbstbestimmung“ auch in der Mobilität - Datenschutzgrundverordnung DSGVO-EU

• globaler Charakter der Dienste (-erbringung) versus nationales Recht

• Lösungen erforderlich, bei denen der Nutzer anonym bleiben kann, wenn er das möchte





These: Innovative Mobilitätslösungen sind erst dann erfolgreich, wenn die Verwendung persönlicher Mobilitätsdaten durch gesetzliche Regelungen abgesichert ist




Handlungsempfehlungen


• Bewusstseinsbildung für Datensouveränität• Schulen und Ausbildungsstätten sind und bleiben die zentralen Orte, um ein besseres „Datenbewusstsein“ der

Bürger zu entwickeln. Sie müssen die Mittel und Kompetenzen für diesen Bildungsauftrag erhalten

• massive Öffentlichkeitsarbeit seitens staatlicher und privater Stellen

• F&E-Anstrengungen für mehr Transparenz• technischen Maßnahmen und Lösungen, die dem Nutzer eine größtmögliche Einsicht in die Verwendung seiner

persönlichen Daten erlauben

• Standardisierung von Schnittstellen, Datenformaten, Protokollen und anderen Verfahren

• Rechtsrahmen für Bewertung von Mobilitätsdaten• Regelungen für den Fall der Verletzung rechtlicher Vorschriften benötigt

• Bei der Neufassung des Bundesdatenschutzgesetzes muss die Balance gewahrt werden zwischen dem Schutz der Persönlichkeit des Nutzers einerseits und der Vermeidung zu großer Beschränkungen für aktuelle und künftige datengetriebene Dienste.




BMVI (2017): „Eigentumsordnung für Mobilitätsdaten?“

• Eintritt neuer Marktteilnehmer• Plattformgetriebene Geschäftsmodelle• Weiterentwicklung der rechtlichen Grundlagen

unverzichtbar• Im Zusammenhang mit rechtlichen Themen,

informationeller Selbstbestimmung und Privatheit tiefgreifende Veränderungen für Unternehmen und Wertschöpfungsnetzwerke

• Daten als Wirtschaftsgut• Datensouveränität und Verfügungsgewalt• Handelbarkeit• Nachnutzung• Open Data




https://www.muenchner-kreis.de/download/zukunftsstudie7.pdf

ExCELL – Echtzeitanalyse und Crowdsourcing für eine selbstorganisierte City-Logistik




ZielEntwicklung und Pilotierung einer

Plattform, die integrierte Mobilitäts-dienstleistungen für KMU ermöglicht.

Herausforderungen

Echtzeitanalyse

SelbstorganisationCrowdsourcing

Effiziente Mobilität

• Aufbereitung von großen, heterogenen Datenmengen

• Skalierbare Schnittstelle zwischen Daten und Applikationen

• Applikationen mit nachhaltigem Nutzen für KMU

www.excell-mobility.de FKZ: 01MD15001D




Daten nutzen mit einer modularen Plattformarchitektur


Intelligente Parkplatzsuche

Routen- und Termin-planung für

Handwerksbetriebe

Adaptive Streckenführung




Seamless Customer Interaction

Hohe Verbreitung digitaler Endgeräte beim Kunden; Kunde erwartet Digitalisierung

Digitale Kollaboration

Fotos (v.l.): Handwerkskammer Stuttgart, 2017; Arbeitsagentur, 2017.; 1) verfügbar unter www.excell-mobiliy.de

Effizienzsteigerungen in betrieblichen Prozessen möglich

Studie „Digitalisierung im Handwerk“1 mit 407 befragten Betrieben zeigt großes Potenzial der Digitalisierung aber auch Aufholbedarf. Die Situation in Pflegebetrieben ist vergleichbar.

Use Case Handwerk Use Case Pflege

Potenzial der Digitalisierung – Beispiel Handwerk & Pflege

FKZ: 01MD15001D




Mobile App

Kombination: Web-App für stationäre Nutzung im Büro, Mobile-App für unterwegs Basierend auf im Feld erhobenen Anforderungen, auch optimierte Tourenplanung SaaS/Cloud Ansatz

Web AppUse Case Handwerk

ExCELL: Smarte Applikation für das Handwerk 4.0





WeitereDatenquellen ÖPNV Wetter Events

Sensordaten Floating Car Data (FCD)

Kalender

Datenquellen einer Stadt

www.excell-mobility.de




Heatmap Service

26

Typische Situation zum Berufsverkehr in Dresden gegen 6:00 Uhr morgens

Sylvester in Dresden gegen 20 Uhr

FKZ: 01MD15001Dwww.excell-mobility.de




• Fehlende Daten sind sensorspezifisch– Position des Sensors spielt eine Rolle

• Fehlenden Daten sind zeitabhängig– Baustellen– Wartungsintervalle der Sensoren

• Verschiedene Imputationsmethoden sind je nach Lückengröße unterschiedlich gut geeignet– Adaptives Pre-Processing wird benötigt

Fehlende Daten sind ein Problem

AP3 – Beuth HS





Anonymisierungsprozess





Datenmenge

Open Data

Datenschutz

Akzeptanz

Nutzen

GoogleHEREUberTomTom

PlattformEN: Nutzen vs.Offenheit

?

MobilitätsDatenMarktplatzmCloudOpenTraffic.io


ExCELL




Open Data

https://twitter.com/ubahnverleih/status/907525302368206849





Mobilitätsdaten ist nur eines von 9 Themenfeldern für die Mobilität der Zukunft !




Download unter https://tinyurl.com/zuku17

Technische Universität München Daten als …Technische Universität München 11 Neue Akteure für...

Documents

Transcript of Technische Universität München Daten als …Technische Universität München 11 Neue Akteure für...