1 Big Data: Mehr als eine Performancefrage

23

1.1 Was heißt Big Data?

25

1.1.1 In-Memory-Datenbanken als Schlüsseltechnologie

28

1.1.2 Was Sie sonst noch für Big Data brauchen

32

1.1.3 Geht es nur um Performance?

39

1.2 Wie entsteht der Nutzen von Big Data?

41

1.2.1 Neue Erkenntnisse gewinnen, bessere Entscheidungen treffen

43

1.2.2 Anspruchsvolle Werkzeuge (richtig) nutzen

44

1.2.3 Erkennen, entscheiden und vor allem handeln!

46

1.3 Wo entsteht der Nutzen von Big Data?

47

1.3.1 Echtzeit vs. Batch

47

1.3.2 Existierende Geschäftsprozesse verbessern

48

1.3.3 Neue Geschäftsprozesse implementieren

52

1.4 Wie aus Nutzen Aktionärswert wird

56

1.4.1 Konzept »Aktionärswert«

57

1.4.2 Werttreiber

59

1.4.3 Wie Sie Werttreiber identifizieren

63

1.5 Business Cases bewerten

73

2 Was kann SAP HANA? Möglichkeiten und Grenzen

83

2.1 Big Data und SAP HANA

86

2.1.1 Big Data ohne bzw. vor SAP HANA

86

2.1.2 Woraus besteht SAP HANA?

98

2.1.3 Abgrenzung von SAP HANA und Big Data

109

2.2 Implementierungsszenarien für SAP HANA

135

2.2.1 Replikationsszenarien

136

2.2.2 Integrierte Szenarien

146

2.2.3 Transformationsszenarien

152

2.3 Trends und zukünftige Weiterentwicklungen

155

2.3.1 Technologietrends

155

2.3.2 Ideen werden zum kritischen Erfolgsfaktor

160

3 SAP-Branchen und -Geschäftsprozesse mit SAP HANA

163

3.1 Mit SAP HANA Aktionärswert schaffen

168

3.1.1 Schnellere und kostengünstigere Implementierung

169

3.1.2 Echtzeitautomatisierung

170

3.2 SAP HANA in unterschiedlichen Branchen

172

3.2.1 Mit dem SAP Solution Explorer arbeiten

173

3.2.2 Branchenspezifische Potenziale

177

3.2.3 Branchenübergreifende Potenziale

184

3.3 SAP HANA in (SAP-)Geschäftsprozessen

185

3.4 Ausgewählte Fallbeispiele

189

4 Planung flexibel gestalten

191

4.1 Was ist Planung?

193

4.1.1 Zusammenspiel von Prognose, Modell und Planung

195

4.1.2 Planung im geschäftlichen Bereich

196

4.2 Szenario: Absatz und Ergebnisplanung eines international tätigen Reifenherstellers

197

4.2.1 Prognosen und Modelle in der Absatz-, Erlös- und Kostenplanung

199

4.2.2 Wechselkursprognosen bei RFT

202

4.2.3 Modelle für die Produktions-, Ergebnis- und Finanzplanung bei RFT

204

4.3 Planungsfehler: Kosten, Risiken und Chancen

205

4.3.1 Risiken im Zusammenhang mit Prognosen und Modellen

206

4.3.2 Zahlenbeispiel

213

4.3.3 Schlussfolgerungen: Was tun?

217

4.4 Lösung: Echtzeitüberwachung von Prognosen und Planungsmodellen

219

4.4.1 Zugehörige Value Maps im SAP Solution Explorer

219

4.4.2 Fachliche Anforderungen

221

4.4.3 Bausteine der Lösung

223

4.4.4 Nutzenpotenziale und Werttreiber

237

4.5 Implementierungsszenario und Architektur mit SAP HANA

241

4.5.1 Implementierungsszenario und Rahmenarchitektur

241

4.5.2 Datenarchitektur

245

5 Reisekosten und Reisezeiten reduzieren

263

5.1 Auch Zeit ist Geld

265

5.1.1 Aufwendungen für reisebezogene Dienstleistungen und Pauschalen

269

5.1.2 Opportunitätskosten durch Reisezeiten

270

5.1.3 »Weiche« Reisekosten

271

5.2 Szenario: Reisekosten bei einem international tätigen Beratungsunternehmen

272

5.2.1 Brainstorming bei Walk-on-Water

273

5.2.2 Strategische Entscheidungen bei Walk-on-Water

275

5.3 Eindimensionale Optimierung: Kosten, Risiken und Chancen

276

5.3.1 Psychologische und politische Aspekte

277

5.3.2 Zahlenbeispiel

277

5.3.3 Schlussfolgerungen: Zahlenspielerei und Wirklichkeit

279

5.4 Lösung: Induktion statt Deduktion

280

5.4.1 Zugehörige Value Maps im SAP Solution Explorer

282

5.4.2 Fachliche Anforderungen

284

5.4.3 Bausteine der Lösung

285

5.4.4 Nutzenpotenziale und Werttreiber

288

5.5 Implementierungsszenario und Architektur mit SAP HANA

291

5.5.1 Implementierungsszenario und Rahmenarchitektur

291

5.5.2 Datenarchitektur

294

6 Datenmodelle flexibel und einheitlich gestalten

303

6.1 Data Governance – Anspruch und Wirklichkeit

305

6.1.1 Was ist Data Governance?

306

6.1.2 Herausforderung Big Data: Datenvolumen, Geschwindigkeit, Agilität

310

6.1.3 Integration von Daten und Metadaten

312

6.2 Szenario: Ermittlung von Handelsspannen im Einzelhandel

313

6.3 Inkonsistente Datenmodelle: Kosten, Risiken und Chancen

314

6.3.1 Unterschiedliche Algorithmen

315

6.3.2 Kein Single Point of Truth

316

6.3.3 Zahlenbeispiel

318

6.3.4 Schlussfolgerungen: Varianten von Datenmodellinkonsistenzen

321

6.4 Lösung: Automatische und dynamische Generierung von Schichten und Domänen

323

6.4.1 Zugehörige Value Maps im SAP Solution Explorer

329

6.4.2 Fachliche Anforderungen

332

6.4.3 Bausteine der Lösung

343

6.4.4 Nutzenpotenziale und Werttreiber

346

6.5 Implementierungsszenario und Architektur mit SAP HANA

350

6.5.1 Implementierungsszenario und Rahmenarchitektur

351

6.5.2 Datenarchitektur

356

7 Kundenverhalten steuern

365

7.1 Kundenverhalten verstehen, prognostizieren und steuern

367

7.1.1 Beispiel: Nachfragefunktion

368

7.1.2 Bessere Modelle mit mehr Parametern

369

7.1.3 Dynamische oder (inter-)temporale Kundensegmentierung

370

7.2 Szenario: Preissetzung in Tankstellenshops

372

7.3 Statische Kundensegmentierung: Kosten, Risiken und Chancen

373

7.3.1 Problem: Zu dünne Datenbasis

373

7.3.2 Zahlenbeispiel

374

7.3.3 Schlussfolgerungen: Kausalbeziehungen sind irrelevant

375

7.4 Lösung: Dynamisch-empirische Algorithmen

376

7.4.1 Zugehörige Value Maps im SAP Solution Explorer

377

7.4.2 Fachliche Anforderungen

379

7.4.3 Bausteine der Lösung

383

7.4.4 Nutzenpotenziale und Werttreiber

386

7.5 Implementierungsszenario und Architektur mit SAP HANA

387

7.5.1 Implementierungsszenario und Rahmenarchitektur

387

7.5.2 Datenarchitektur

392

8 Sensordaten auswerten und Metadaten automatisch erheben

401

8.1 Vom Umgang mit Sensordaten

405

8.1.1 Sensordaten sind heterogen

407

8.1.2 Sensordaten im Kontext interpretieren

413

8.2 Szenario: Kooperation zwischen Automobilhersteller, Telefonanbieter und Versicherer

414

8.3 Datenaufbereitung: Kosten, Risiken und Chancen

416

8.3.1 Problem: Anforderungen der Partner

416

8.3.2 Zahlenbeispiel

418

8.3.3 Schlussfolgerungen zu semantisch neutralen Metadaten

420

8.4 Lösung: Metadaten-Repositories für Big Data

422

8.4.1 Zugehörige Value Maps im SAP Solution Explorer

422

8.4.2 Fachliche Anforderungen

427

8.4.3 Bausteine der Lösung

436

8.4.4 Nutzenpotenziale und Werttreiber

441

8.5 Implementierungsszenario und Architektur mit SAP HANA

446

8.5.1 Implementierungsszenario und Rahmenarchitektur

446

8.5.2 Datenarchitektur

454

9 Gesundheitsvorsorge als Dienstleistung

463

9.1 Datenquellen im medizinischen Bereich

465

9.1.1 Invasive und nicht invasive Sensoren

466

9.1.2 Optionen für die Datenübertragung

467

9.1.3 Probleme im medizinischen Bereich

468

9.2 Szenario: Premiumservice für Senioren

471

9.2.1 Auswertung: Rechts- und Finanzrisiken

472

9.2.2 Problem: Entwicklung von Algorithmen ist anspruchsvoll

473

9.2.3 Unternehmerische Überlegungen

474

9.2.4 Schlussfolgerungen: Probleme überwindbar

475

9.3 Lösung: Big-Data-basierte Frühwarnsysteme

477

9.3.1 Zugehörige Value Maps im SAP Solution Explorer

478

9.3.2 Fachliche Anforderungen

480

9.3.3 Bausteine der Lösung

482

9.3.4 Nutzenpotenziale und Werttreiber

484

9.4 Implementierungsszenario und Architektur mit SAP HANA

485

9.4.1 Implementierungsszenario und Rahmenarchitektur

485

9.4.2 Datenarchitektur

487

10 Betrug und Diebstahl automatisch erkennen

493

10.1 Was ist Fraud Management?

496

10.1.1 Korruption im Einkauf: Koffeinmangel und explodierende Kaffeemaschinen

497

10.1.2 Unregelmäßigkeiten nachträglich entdecken

498

10.1.3 Unregelmäßigkeiten zum Tatzeitpunkt entdecken

498

10.1.4 Unregelmäßigkeiten prophezeien

499

10.2 Szenario: Diebstahl in einem Tagebaubetrieb

500

10.2.1 Unerklärlicher Anstieg der Förderkosten

501

10.2.2 Pausenraum vs. Schwerindustrie

502

10.3 Traditionelle Ermittlungstechniken: Kosten, Risiken und Chancen

503

10.3.1 Zahlenbeispiel

504

10.3.2 Schlussfolgerungen: Neue Techniken nutzen

505

10.4 Lösung: Flexibles Fraud Management mit einer Hochleistungsanwendung

506

10.4.1 Zugehörige Value Maps im SAP Solution Explorer

506

10.4.2 Fachliche Anforderungen

507

10.4.3 Bausteine der Lösung

510

10.4.4 Nutzenpotenziale und Werttreiber

515

10.5 Implementierungsszenario und Architektur mit SAP HANA

517

10.5.1 Implementierungsszenario und Rahmenarchitektur

517

10.5.2 Datenarchitektur

522

11 Service Level Management automatisieren

535

11.1 (IT-)Dienstleistungen als Massengut

538

11.1.1 IT-Dienstleistungen und Prozess-Outsourcing

539

11.1.2 Kunde und IT-Dienstleister sprechen unterschiedliche Sprachen

539

11.1.3 IT-Systeme sind komplex

541

11.2 Szenario: Dimensionierung eines IT-Systems

542

11.3 Sizing-Hilfen der SAP

544

11.3.1 Problem: Komplexität bei IT-Systemen erschwert Modellierung

545

11.3.2 SAP Solution Manager als Sensor für Run SAP like a Factory

546

11.3.3 Unternehmerische Überlegungen

549

11.3.4 Schlussfolgerungen: Noch mehr Realitätsnähe und Offenheit

550

11.4 Lösung: Datentransformation vor der Analyse

550

11.4.1 Zugehörige Value Maps im SAP Solution Explorer

551

11.4.2 Fachliche Anforderungen

552

11.4.3 Bausteine der Lösung

554

11.4.4 Nutzenpotenziale und Werttreiber

556

11.5 Implementierungsszenario mit SAP HANA

558

11.5.1 Implementierungsszenario und Rahmenarchitektur

558

11.5.2 Datenarchitektur

559

12 Potenziale entdecken, Architekturen gestalten

565

12.1 Geschwindigkeit ist nur Mittel zum Zweck

566

12.2 HANA-Architekturen

568

12.2.1 Implementierungsszenarien

568

12.2.2 Allgemeine Empfehlungen für die Datenarchitektur

572

12.3 Ausblick: Fantasie, Kreativität und Achtsamkeit

577