BigData. Om værdien af datadreven innovation. Indhold. VidenMetro - Temakompendie om BigData. Printversion pr. 24. marts 2014

Transkript

1 BigData Om værdien af datadreven innovation Printversion pr. 24. marts 2014 Indhold Introduktion: Data skaber ny værdi... 2 P01: Stor Værdi i BigData... 3 P02: Forskellige typer af BigData... 4 P03: Den Datadrevne InnovationsTrappe... 5 P04: The BigData Landscape...6 P05: BigData strategier... 7 Virk.ID Virksomhed Ansat navn Konsulent Ansat Dato P06: Intelligent Web og BigData... 7 DeGodeSteder - weblinks... 8

2 Data skaber ny værdi.. på tværs af sektorer, branche og landegrænser For den private sektor er big data en råvare med profitpotentiale. Big data sikrer nye innovationer og øger produktiviteten, skaber nye jobs og er katalysator for ny vækst. Big data bliver af flere årsager helt uundgåelig at forholde sig til: Mange virksomhedsledere styrer i dag pr. instinkt og mavefornemmelse. Men undersøgelser viser, at beslutninger baseret på (big) data altid overgår en ellers udmærket intuition. Virksomheder, der baserer deres beslutninger på big data, klarer sig mindst 5-6 pct. bedre målt på indtjeningen end konkurrenterne, viser flere internationale undersøgelser. Big data giver værdi på flere niveauer fra dataopsamling over bedre drevne forretninger til helt nye virksomheder og virksomhedsområder. I rapporten Big data: The next frontier for innovation, competition, and productivity, illustrerer konsulenthuset McKinsey bl.a., hvordan big data skaber en væsentlig produktivitetsvækst, alene fordi det vil gøre virksomheder i stand til at optimere prissætning, forbedre produktudvikling og indhøste effektiviseringer. Se Infoplanche 01. Big data har også en betydning for hele it-branchen. De mange nye data skal opsamles, lagres og knuses. Ifølge analysehuset Gartner betyder det, at big data alene i 2015 vil skabe 4,4 millioner nye it-job globalt. Dertil kommer, at der på basis af den nye dataråvare opstår nye vækstvirksomheder, der lever af at omsætte de mange nye data til økonomisk værdi. Et eksempel er Parkopedia, der på data bygger en service om parkeringspladser i storbyer. Et andet eksempel er it-servicen Decide.com, der ved hjælp af smarte algoritmer forudsiger priserne på forbrugerprodukter ud fra raffineret sandsynlighedsregning, adviserer forbrugerne, hvis prisen på en vare ser ud til at falde i nær fremtid. Også veletablerede virksomheder føder iværksættersucceser på ryggen af big data-bølgen. Pakkehåndteringsfirmaet UPS solgte i 2010 sin data-analyseenhed UPS Logistics Technologies til kapitalfonden Thomas Bravo. Den arbejder nu videre under konceptet Roadnet Technologies, der hjælper en række virksomheder med at optimere ruteplanlægningen. Værktøjet har sparet UPS mange penge og miljøet for tonsvis af CO2. Herhjemme er boligportalen Boliga et godt eksempel på, hvordan allerede eksisterende offentlige data om det danske boligmarked kan anvendes til nye forretningsmuligheder. På de følgende sider er fremvist en række INFOPLANCHER, der i skematisk form fremviser og inspirerer til emner omkring BigData. Plancherne indgår i virksomhedsarbejdet i projekt VidenMetro. Artikelkilder: serviceplatform, mandagmorgen mfl. De 3 V er Big data-revolutionen hænger sammen med tre teknologiske udviklingsspor, der på engelsk har affødt udtrykket The Three V s : { Volume. Mængden af data vokser eksponentielt. { Velocity. Det samme gør den hastighed, hvormed data kan behandles. Ifølge den såkaldte Moores Lov fordobles computerkraften på 18 måneder. For 20 år siden krævede det eksempelvis en maskine på størrelse med et køleskab og en vægt på 250 kg at gemme en gigabyte data. I dag render vi hver især rundt med adskillige gigabytes i lommen på forskellige smartphones. { Variety. Der opstår hele tiden et væld af nye datakilder, ofte ustrukturerede. Det kan være sensorer indbygget i produkter, diskussioner på de sociale medier eller lydklip, fotografier og videomateriale. Kilde: Vers :58 V. PROJEKTCHEF MICHAEL CHRISTIANSEN SLIDE NR. 2

3 INFOPLANCE 01: Stor værdi i Big Data I rapporten Big data: The next frontier for innovation, competition, and productivity, illustrerer konsulenthuset McKinsey bl.a., hvordan big data vil kunne skabe en væsentlig produktivitetsvækst, alene fordi det vil gøre virksomheder i stand til at optimere prissætning, forbedre produktudvikling og indhøste effektiviseringer. Kilde: McKinsey & Company: Big data: The next frontier for innovation, competition, and productivity, 2011/12 Vers :58 V. PROJEKTCHEF MICHAEL CHRISTIANSEN SLIDE NR. 3

4 INFOPLANCE 02: Forskellige typer af Big Data fordelt på fire kategorier Vers :58 V. PROJEKTCHEF MICHAEL CHRISTIANSEN SLIDE NR. 4

5 ver et overblik over nogle af de datakilder, der ofte anvendes på rejsen. Det skal dog understreges, at VidenMetro både tempo og - Temakompendie rækkefølge kan variere om BigData mellem virksomheder. Og at specielt big data iværksættere adskiller sig ved at have nye, digitale produkter og services som selve forretningsgrundlaget, hvorfor de naturligt starter i den højre del af figur 3.2. INFOPLANCE 03: Den Datadrevne InnovationsTrappe Typiske faser i BigData udviklingen i virksomheden. Datakilder og effekter. Figur 3.2 Udviklingen i virksomhedernes dataanvendelse et typisk forløb 3.4 GEVINSTER VED BIG DATA TRIN 3 De opnåede gevinster ved big data TRIN og 2 datadreven forretningsudvikling er naturligvis tæt knyttet til, hvad data anvendes til i den enkelte organisation, jf. afsnit 3.3. Figur 3.3 giver et overblik over typiske gevinster TRIN på de 1 forskellige niveauer i dataudviklingen. Figur 3.3. Eksempler på gevinster ved big data og datadreven forretningsudvikling TRIN 4 Første trin inden for big data og databaseret forretningsudvikling er ofte at udnytte egne data bedre. Det kan være salgs- og kundedata, der kan bruges til at segmentere kunderne og målrette markedsføringen. Og det kan være fx interne sensordata i produktionen, der analyseres med henblik på til at optimere flowet eller og produktiviteten. Næste trin kan være at integrere egne data med eksterne data om fx kunderne, markedet eller særlige forhold af betydning for forretningen (fx vejrdata i energibranchen, jf. Vestas-eksemplet tidligere i kapitlet). Når egne data beriges med eksterne data, opnås yderligere indsigter i de enkelte kundesegmenter, der fx kan bruges til at optimere salget gennem indsigter i de enkelte kunders præferencer. Egen udformning udfra sammenfatning af figurer i publikationen Big Data som vækstfaktor i dansk erhvervsliv potentialer, barrierer og erhvervspolitiske konsekvenser Erhvervsstyrelsen, December 2013 Figuren giver et overblik over nogle af de datakilder, der ofte anvendes på rejsen - samt eksempler på afledte, innovative effekter. Tempo og rækkefølge på trappen kan variere mellem virksomheder. Specielt big data iværksættere adskiller sig ved at have nye, digitale produkter og services som selve forretningsgrundlaget, hvorfor de naturligt starter i den højre del af figuren. TRIN 1 inden for big data og databaseret forretningsudvikling er ofte at udnytte egne data bedre. Det kan være salgs- og kundedata, der kan bruges til at segmentere kunderne og målrette markedsføringen. Og det kan være fx interne sensor data i produktionen, der analyseres med henblik på til at optimere flowet eller og produktiviteten. TRIN 2 kan være at integrere egne data med eksterne data om fx kunderne, markedet eller særlige forhold af betydning for forretningen. Når egne data beriges med eksterne data, opnås yderligere indsigter i de enkelte kundesegmenter, der fx kan bruges til at optimere salget gennem indsigter i de enkelte kunders præferencer. TRIN 3 En del virksomheder giver endvidere udtryk for ambitioner om at gøre big data til en central faktor i udviklingen af nye produkter og ydelser. Nogle er i gang, mens andre forventer at satse mere på datadreven innovation i fremtiden. TRIN 4 i virksomhedens dataudvikling er at bruge data til at udvikle nye forretningsområder. Et eksempel er salg eller formidling af egne data til andre virksomheder og andre anvendelsesformål. I takt med at virksomheder systematiserer og strukturer egne data, kan der opstå forretningsmæssige muligheder knyttet til salg til andre virksomheder (eller eventuel blot frigivelse af data til fri afbenyttelse ud fra et open source perspektiv). PROJEKTSTØTTE: De fleste interviewede virksomheder giver endvidere PROJEKTHOLDER: udtryk for ambitioner PROJEKTPARTNERE: om at gøre big data til en Optimeringsgevinster forventer at satse mere på datadreven innovation i fremtiden. central faktor i udviklingen af nye produkter og ydelser (trin 3 i figuren). Nogle er i gang, mens andre I de indledende faser af big data udviklingen er det oftest optimeringsgevinster, der høstes. Egne Vers :58 V. PROJEKTCHEF MICHAEL CHRISTIANSEN SLIDE NR. 5

6 INFOPLANCE 04: The Big Data Landscape (til udprint i A3) Big Data Exploration The big data landscape for most enterprises is a vast wilderness. It is a growing and complex ecosystem of different data types from multiple sources, including new data from social media and raw data collected from sources like sensors. Only after effectively exploring and navigating this terrain can businesses begin to mine and refine their data resources to extract value using trusted information to pave the roads to new insights and smarter decision making. Raw Data Enterprise Data External Data WHAT DO YOU NEED TO SUCCEED? THE RESULTS Bird s Eye View Visualize and understand all available data across systems and silos both inside and outside the enterprise. Tame Wild Big Data Reduce operational & IT costs Achieve greater process efficiencies Eliminate redundant systems Leverage existing knowledge Reduce risk & improve governance Utilize Your Resources Improve decision making Develop new business models Gain market presence & revenue Accelerate innovation Improve customer knowledge Increase employee performance Useful Functionality Establish the ability to access and use big data to support decision making and day-to-day operations. Avoid Pitfalls Identify areas of risk by understanding the full scope of all data and protecting confidential and strategic information. Mine Valuable Information Get the most value from your data by using big data tools to separate the most useful content from the rest. Dynamic Directions Focus employees productivity with dynamic contextual views of the most relevant enterprise and external content. Include important analytics in context to help drive day-to-day decisions. Fool s Gold? Ensure the veracity of all data and support confident decision making with enterprise-level big data management. Elephant Crossing Combine data stored in Hadoop with data in enterprise and external systems to drive better insights. Discover Hidden Insights Find insights in new and unstructured data while adding important context to raw data, advancing analytics and structured operational data. Vers :58 V. PROJEKTCHEF MICHAEL CHRISTIANSEN SLIDE NR. 6

7 INFOPLANCE Big Data Strategy: 05: Big Data strategier: Flyt analysen tættere på data Move the Analytics closer to the Data BI / Reporting Analytic Applications Exploration / Visualization Functional App Industry App Predictive Analytics Big Data Platform Visualization & Discovery (Open Source) Hadoop System Application Development Accelerators Stream Computing Systems Management Data Warehouse Content Analytics New Analytic applications drive the requirements for a big data platform Integrate and manage the full variety,velocity and volume of data Apply advanced analytics to information in its native form Visualize all available data for adhoc analysis Development environment for building new analytic applications Workload optimization and scheduling Security and Governance (The 3 V s) Information Integration & Governance Copyright IBM Corporation 2012 Vers :58 V. PROJEKTCHEF MICHAEL CHRISTIANSEN SLIDE NR. 7

8 INFOPLANCE 06: Vejen mod Intelligent Web skabes i innovative BigData relationer Vers :58 V. PROJEKTCHEF MICHAEL CHRISTIANSEN SLIDE NR. 8

9 DeGodeSteder tivt i deres beslutningsprocesser. Omvendt har vores research indikeret, at der er meget få etablerede SMVer blandt frontløberne inden for big data og datadreven forretningsudvikling. De enkelte, vi har identificeret, skiller sig samtidig ud i forhold til andre SMVer, fx ved at have en historisk tradition for dataindsamling eller ved at være fx meget ingeniørtunge. Årsagen til dette billede skal findes i, hvad vi i rapporten betegner som de fire drivkræfter bag datadreven forretningsudvikling nemlig data/teknologi, digitalisering, accelererende konkurrence og Links til aktuelle publikationer og websider nye i relation forretningsmodeller. til BigData Se figur 1.2. temaer Figur 1.2. Big data og datadreven forretningsudvikling de vigtigste drivkræfter Kilde: IRIS Group Analyse fra Dansk Industri. Februar Analyse fra Erhvervsstyrelsen. Februar Afhold event med toneangivende aktører. Oktober B2b sociale medier har skabt resultater allerede. Således svarer hver tredje virksomhed med sociale medier i undersøgelsen, at de forventer vækst inden for det næste halve år. Til sammenligning svarer blot hver femte af de virksomheder, som ikke er på de sociale medier, at de forventer vækst. 5 Interxion (2013); Big data Beyond the hype. Undersøgelse gennemført af Vanson Bourne. Der er et enormt vækstpotentiale i brug af data, men det er stadig kun meget få virksomheder i Danmark, der arbejder med data, og det store flertal af virksomheder ved ikke nok om det. Det er også komplekst at arbejde med data, og det kræver meget af ledelsen og af medarbejdernes kompetencer. Infoslides fra internationale keynote speakers, kursusmaterialer 8 mv. Infolink (klik på linket i onlineversionen) - se også videnmetro.dk b2b%20-%20nye%20veje%20til%20salg.pdf Infolink (klik på linket i onlineversionen) - se også videnmetro.dk Infolink (klik på linket i onlineversionen) - se også videnmetro.dk Vers :58 V. PROJEKTCHEF MICHAEL CHRISTIANSEN SLIDE NR. 9