Technische Universität München Daten als …Technische Universität München 11 Neue Akteure für...
Transcript of Technische Universität München Daten als …Technische Universität München 11 Neue Akteure für...
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar
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. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar2
A
B
Mobilität ist mehr als Bewegung
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar3
Persönliche Freiheit Erweiterung des Arbeitsmarkts
Sozialstrukturen Teilhabe
Mobilität ist mehr als Bewegung
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar4
$
Schnell und flexibel mobil sein durch Digitalisierung
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar5
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar6
MÜNCHNER KREIS Zukunftsstudie Band VII (2017)
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar7
http://www.busitelce.com/data-visualisation/30-word-cloud-of-big-data
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar8
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
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar9
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
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar10
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“
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar11
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.
© Prof. Dr. H. Krcmar
Technische Universität München
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
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar13
Daten alleine reichen nicht aus
Geschäfts-modelleAnalytics
Daten
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar14
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)
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar15
Offene Fragen
MÜNCHNER KREIS Zukunftsstudie Band VII (2017)
• 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
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar16
MÜNCHNER KREIS Zukunftsstudie Band VII (2017)
These: Innovative Mobilitätslösungen sind erst dann erfolgreich, wenn die Verwendung persönlicher Mobilitätsdaten durch gesetzliche Regelungen abgesichert ist
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar17
Handlungsempfehlungen
MÜNCHNER KREIS Zukunftsstudie Band VII (2017)
• 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.
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar18
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
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar19
https://www.muenchner-kreis.de/download/zukunftsstudie7.pdf
ExCELL – Echtzeitanalyse und Crowdsourcing für eine selbstorganisierte City-Logistik
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar21
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
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar22
Daten nutzen mit einer modularen Plattformarchitektur
www.excell-mobility.de FKZ: 01MD15001D
Intelligente Parkplatzsuche
Routen- und Termin-planung für
Handwerksbetriebe
Adaptive Streckenführung
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar23
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
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar24
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
www.excell-mobility.de FKZ: 01MD15001D
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar25
WeitereDatenquellen ÖPNV Wetter Events
Sensordaten Floating Car Data (FCD)
Kalender
Datenquellen einer Stadt
www.excell-mobility.de
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar26
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
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar27
• 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
FKZ: 01MD15001Dwww.excell-mobility.de
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar28
Anonymisierungsprozess
FKZ: 01MD15001Dwww.excell-mobility.de
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar29
Datenmenge
Open Data
Datenschutz
Akzeptanz
Nutzen
GoogleHEREUberTomTom
PlattformEN: Nutzen vs.Offenheit
?
MobilitätsDatenMarktplatzmCloudOpenTraffic.io
www.excell-mobility.de FKZ: 01MD15001D
ExCELL
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar30
Open Data
https://twitter.com/ubahnverleih/status/907525302368206849
FKZ: 01MD15001Dwww.excell-mobility.de
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar31
Mobilitätsdaten ist nur eines von 9 Themenfeldern für die Mobilität der Zukunft !
© Prof. Dr. H. Krcmar
Technische Universität München
© Prof. Dr. H. Krcmar32
Download unter https://tinyurl.com/zuku17