Datenanalysen

Die nächste Evolutionsstufe von Datenräumen (Data Spaces) - Teil 1/3

Fri, 20 Sep 2024 10:00:00 +0000

Authoren: Andreas Mayer (Senior Principal Architect, Europe North), Thomas Baumgart (Principal Architect, Google Cloud)

Datenräume erreichen die nächste Phase ihrer Evolution. Diverse Konsortien wie beispielsweise Catena-X (Automotive) oder Manufacturing-X (Plattform Industrie 4.0) wurden gegründet und haben bereits damit begonnen, an wichtigen, teils industrieübergreifenden Anwendungsfällen zu arbeiten. Die Adaption solcher Initiativen hängt sehr stark vom Wert ab, den neue Nutzer darin sehen, also dem erzielten Ergebnis. Time-to-market ist ein kritischer Faktor, um das Ökosystem zu erweitern. Gleichzeitig kann die Skalierung von Lösungen auf vielen Ebenen, sowohl organisatorisch als auch technisch, problematisch sein. Wir glauben, dass Technologiepartner wie Google komplettierende Lösungen hierfür bereitstellen können.

In dieser Blogpost-Serie werden wir darauf eingehen, weshalb Datenräume neue Potenziale bieten können und zeigen, warum ein offener Ansatz hinsichtlich kommerzieller Lösungen wichtig ist. Teil 1 gibt eine Übersicht über die Potenziale von Datenräumen und skizziert einige wichtige Governance Aspekte. Teil 2 befasst sich mit der Frage, weshalb der Austausch von Daten allein nicht ausreicht, wie Wissen generiert werden kann und geht auf das Thema Consumption Time Data Processing ein. In Teil 3 stellen wir Ihnen konkrete, spannende Beispiele vor, die illustrieren sollen, wie Datenraum-Initiativen durch die Nutzung marktführender Technologien, die eigens gesteckten Ziele schneller erreichen können.

Das Potenzial von Datenräumen

Unternehmen existieren nicht in isolierten Umgebungen. In der heutigen digitalen Realität ist es umso wichtiger, mit Partnern zusammenzuarbeiten, damit man sich auf das Kerngeschäft konzentrieren und gleichzeitig innovativ bleiben kann. Aristoteles sagte: "Das Ganze ist mehr als die Summe seiner Teile.” Genau diese Idee kommt im Kontext der Datenräume zum Tragen.

Wenn man sich zwei Unternehmen aus einer Industriesparte ansieht und miteinander vergleicht, dann würde es diverse Überlappungen geben. Sie arbeiten im selben Markt, sie konkurrieren ggf. um die gleichen Kunden, sie haben grundsätzlich ähnliche Geschäftsprozesse, usw. Es gibt allerdings auch feine Unterschiede, die sich über die Zeit herausgebildet haben. Dies könnte beispielsweise in der Unternehmenskultur begründet sein oder durch die Art und Weise, wie im Unternehmen zusammengearbeitet wird. Unternehmen haben also ein implizites Muskelgedächtnis (Englisch, ‘muscle memory’) entwickelt, das beeinflusst, wie Probleme angegangen werden - und hier gibt es ggf. drastische Unterschiede zwischen vermeintlich gleichen Unternehmen. Wenn diese Energien in einem kreativen Raum zusammenkommen, um gemeinsam neue Lösungsansätze für bestehende Probleme zu entwickeln, dann verstärken sich diese individuellen Ausprägungen gegenseitig und es entsteht Innovation. Lösungen, die aus solchen Initiativen entstehen, können deutlich überzeugender, effektiver und inklusiver sein, als wenn alles so wie immer gemacht wird.

Datenräume bieten daher Potenziale, die wir heute vermutlich noch nicht komplett abschätzen können. Getreu dem Motto “seeing is believing” müssen Erfolge erst sichtbar gemacht werden, bevor das Interesse an diesem Thema, über die Grenzen der aktuellen Partizipanten hinaus, deutlich zunimmt.

Ein konzeptionelles Dilemma hinsichtlich dieser Idee ist, dass Unternehmen in der Regel nicht veranlagt sind, Informationen die einen Wert besitzen, freizügig und bereitwillig mit anderen zu teilen, da sie diese Informationen, verständlicherweise, zum eigenen Vorteil nutzen möchten - sei es im Bereich Wissensgenerierung oder Monetarisierung. Außerdem ist es häufig schwierig den Wert von Information abzuschätzen. Der Ansatz, einfach alle möglichen Daten mit einer Gruppe zu teilen, sei diese auch wohldefiniert, stößt daher bereits auf der kulturellen Ebene an seine Grenzen. Vertrauen und klare Spielregeln können dabei helfen, die Bereitschaft zum proaktiven Teilen zu erhöhen.

Eine Möglichkeit, die Governance Funktionen bereits von Beginn an als zentrale Komponente zu integrieren, bieten Datenräume, welche das Fundament einer Datenökonomie bilden können. Ein zentraler Bestandteil dieses Ansatzes ist ein Marktplatz, auf dem Daten angeboten und konsumiert werden können. Zentrale Rollen sind dementsprechend Datenanbieter und Datenkonsumenten. Monetäre Aspekte können hierbei eine Rolle spielen, müssen es aber nicht. Eine Datenökonomie kann sowohl innerhalb einer Organisation entstehen, als auch über Unternehmensgrenzen hinweg. Wie bereits beschrieben, steigt der potenzielle Wert durch weitere Teilnehmer an. Innerhalb von Datenräumen gibt es zahlreiche Mechanismen, die für Vertrauen und einheitliche Spielregeln sorgen sollen. Hierbei kann es sich um Konsortialverträge, technische Maßnahmen sowie um datenschutzrechtliche Themen handeln. Weitere wichtige Aspekte, auf die wir in diesem Blog Post nicht weiter eingehen können, sind u.a. Sicherheit, Compliance, Auffindbarkeit von Daten, Zugriffskontrolle, Nutzungsbeschränkungen und -richtlinien, Richtliniendurchsetzung und Vergütungsmodelle.

Datenräume können also die Grundlage für eine unternehmens-, sektor- und länderübergreifende Datenökonomie sein. Es gibt allerdings eine Lücke, die diese Initiativen nicht völlig autonom schließen können. Ohne Technologien, die außerhalb des Datenraumes entstanden sind, ggf. von Unternehmen, die mit dem Datenraum an sich nichts zu tun haben, wird es unglaublich schwer, einige Herausforderungen bestimmter Industrien zu adressieren. Das würde nämlich voraussetzen, dass die gesamte Innovation der vom Datenraum aus betrachteten externen Welt noch einmal innerhalb des Datenraumes repliziert werden müsste. Es leuchtet ein, dass das keinen Sinn machen würde. Dieses Problem kann nur teilweise durch freie und quelloffene Software (FOSS) adressiert werden, da spezialisiertes geistiges Eigentum für bestimmte Anwendungsfälle die beste Lösung sein kann, selbst wenn es sich um eine proprietäre und kommerzielle Lösung handeln sollte. Wichtig ist in erster Linie, welcher Wert durch den Einsatz einer Technologie geschaffen wird. “Wert” ist in diesem Kontext nicht nur auf das zu erzielende Ergebnis zu verstehen, sondern muss natürlich weitere Faktoren wie, unter anderem, eine Risikobetrachtung mit einschließen.

Ein Gedankenexperiment soll verdeutlichen, wovon wir sprechen: Stellen Sie sich vor, ein Konsortium, um einen Datenraum herum, müsste zwischen 10.000 und 100.000 Entwickler-Jahre investieren, um eine Datenplattform bereitzustellen, die auf planetarer Ebene beliebig skalieren kann, datenschutzrechtliche Anforderungen erfüllt, sicher ist usw., um diese Plattform anschließend zur Realisierung der anvisierten Anwendungsfälle nutzen zu können. Eine Alternative zu diesem hohen Investment wäre beispielsweise Google Cloud BigQuery zu nutzen. Während BigQuery gemeinhin als sichere, skalierbare Petabyte-Scale Data Lakehouse Lösung verstanden wird, handelt es sich außerdem um eine Data Collaboration Plattform, die sowohl innerhalb von Google als auch von Kunden genutzt wird, um Daten innerhalb des Unternehmens, oder mit dritten Parteien, sicher und kontrolliert zu teilen. BigQuery ist damit in der Lage, einen Data Space auf konzeptioneller Ebene zu realisieren.

Die Abwägung fällt in diesem Fall leicht. Macht es mehr Sinn ein kommerzielles Produkt zu nutzen und sofort mit der Arbeit zu starten, oder etwas eigenes zu entwickeln und dann erst in vielen Jahren starten zu können? Während der eigene Fokus auf das interne Projekt gerichtet ist, geht Innovation in der externen Welt natürlich ungebremst weiter. Ganz davon abgesehen benötigt man zur erfolgreichen Umsetzung eines solchen Projekts sehr spezialisiertes Know-How, welches nicht ubiquitär am Markt verfügbar ist. Die Kosten sowie die operativen Herausforderungen an einen professionellen Betrieb einer so komplexen Infrastruktur dürfen nicht unterschätzt werden. Managed Services bieten hier interessante Möglichkeiten, um die operativen Aufwände zu reduzieren. Dieses Beispiel ist extra stark vereinfacht dargestellt und es gibt im Data und Analytics Umfeld tolle Softwarelösungen im Open Source Bereich, diese erfordern aber ebenfalls sehr viel Know-How und nicht alle Unternehmen arbeiten mit denselben Tools. Aus diesem Grund wäre selbst in solch einem Szenario ein hoher Aufwand notwendig, um alle Teilnehmenden auf ein einheitliches Niveau zu bringen, um Fortschritte bei der Eigenentwicklung zu erzielen.

Das grundsätzliche Ziel, sich nicht zu stark von einem Anbieter abhängig machen zu wollen, ist klar. Hier plädieren wir dafür, die Regeln im Kernbereich eines Datenraumes strikt zu halten, aber im peripheren Bereich eher auf Interoperabilität zu setzen. Das grundsätzliche Prinzip, Portabilität im Kern und Interoperabilität in der Peripherie zu haben [1], beschreibt diesen Ansatz sehr gut. Ein perfektes Beispiel hierfür ist AlloyDB for PostgreSQL, da dieses Produkt aufgrund einer 100%-Kompatibilität zu Open-Source PostgreSQL ein hohes Maß an Portabilität ermöglicht.

Zwei Schlüsselelemente, welche diesen Ansatz unterstützen, sind ein starker Fokus auf Sicherheit, sowie die Datensouveränität. Der EDC Connector (früher IDS-Connector) ist ein technisches Mittel, um die geforderten Kontrollmechanismen im Hinblick auf die Datennutzung zu implementieren. Da die Wertschöpfung auf Daten aber nicht vollumfänglich innerhalb dieses technischen Elementes erfolgen wird, und Daten die sog. trust boundary somit auch verlassen werden, kann dieses Mittel alleine nicht als ausreichend angesehen werden, um Vertrauen herzustellen. Es wird also immer wieder Fälle geben, in denen Softwarelösungen externer Anbieter genutzt werden, die mit den datenraumspezifischen Technologien wie dem EDC Connector nichts zu tun haben und deren Einsatz trotzdem sinnvoll und richtig ist. Ein dogmatischer Fokus auf definierte Regeln und Ambitionen kann Innovation daher ausbremsen oder sogar verhindern.

Datenräume und deren technische Enabler

Die neuen Möglichkeiten der Vernetzung, wie die kontextualisierte Verknüpfung von Datenquellen zwischen Providern und Konsumenten, bringen einiges an Fragen hinsichtlich der Beherrschbarkeit der damit verbundenen Komplexität mit sich. Neben den bereits beschriebenen technischen und operationellen Fragestellungen, die z.B. durch Themen wie Sicherheit und Verfügbarkeit geprägt werden, spielen insbesondere organisatorische Themen eine Rolle. Die Klassifizierung von Daten in Datenkategorien (wie bspw. Schutzbedarf) ist eine Grundvoraussetzung, um später im spezifischen Kontext einer Fragestellung die richtigen Daten heranziehen zu können. Dies beinhaltet neben Aspekten wie Aktualität und Qualität selbstverständlich auch Fragen in den Bereichen Datenschutz, Regulatorik, Nutzungsbedingungen und -konformität, nämlich, welche Daten dürfen gegebenenfalls nicht verwendet werden. Die Nutzungsbedingungen beinhalten auch Fragen rund um das Thema der Weitergabe und Verknüpfung von Daten.

Sowohl die Industrie als auch Bereiche der öffentlichen Verwaltung haben das erkannt und arbeiten daran, diese Herausforderungen durch entsprechende Initiativen zu adressieren. Eine noch in der Planung befindliche Initiative ist die vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) sowie dem Bundesministerium des Innern und für Heimat (BMI) getriebene Initiative eines zentralen “Dateninstituts”. Dieses strebt im Kern die Rolle einer Anlaufstelle für Datenraum-Projekte aus Verwaltung, Wissenschaft und Wirtschaft an und hat es sich explizit zum Ziel gesetzt, beratend und begleitend bei der Entwicklung von Anwendungsfällen und Governance-Mechanismen mitzuwirken. Die Institution möchte gemeinsam mit Vertretern aus den oben genannten Gruppen die Bedürfnisse und Herausforderungen von Daten-Ökosystemen überwachen und daraus Best Practices und Standards ableiten, welche zu einer besseren datentechnischen Vernetzung über Sektorengrenzen hinweg beitragen sollen.

Initiativen wie die hier beschriebenen, werden zweifelsohne dazu beitragen, die Einstiegshürde in die Etablierung von Datenräumen zu reduzieren und deren einfache Integration in domänenspezifische Analyseverfahren, Prozesse und Abläufe zu vereinfachen.

Um globale, anbieterübergreifende Datenökosysteme, beispielsweise im Kontext von Lieferketten, bereitstellen zu können, ist der Einsatz spezifischer Architekturen und Technologien erforderlich. Google ist global führend im Bereich der Verarbeitung und Analyse von riesigen Datenmengen und bietet Unternehmen die eigene Technologie zur Umsetzung ihrer Geschäftsprozesse an.

Nächste Schritte

Wir haben gezeigt, dass Google Cloud kommerzielle Lösungen anbieten kann, die sogar für den sensiblen Kernbereich von Datenräumen in Frage kommen. Dies wird neben der frühen strategischen Ausrichtung von Google Cloud auf Souveränität auch durch die Offenheit von Lösungen wie AlloyDB Omni dokumentiert, welche neben der beschriebenen Postgres-Kompatibilitäts-gestützten Daten- und Software-Portabilität auch das Thema Plattform-Portabilität adressiert. Die Annahme, dass die Nutzung von kommerziellen Softwarelösungen zwangsläufig zu starkem Vendor Lock-In führt, konnten wir damit widerlegen. Wir empfehlen daher allen Entscheidungsträgern, die sich im Kontext von Datenräumen bewegen, etwaige Grundsatzentscheidungen hinsichtlich kommerzieller Softwarenutzung nochmals zu überdenken.

Im zweiten Teil dieser Reihe wird es um die Frage gehen, weshalb der Austausch von Daten allein nicht ausreicht und wie Wissen generiert werden kann, welches wiederum als Treiber für neue Wertschöpfung dient.

Referenzen

[1] Holfelder, W., Mayer, A., Baumgart, T. (2022). Sovereign Cloud Technologies for Scalable Data Spaces. In: Otto, B., ten Hompel, M., Wrobel, S. (eds) Designing Data Spaces . Springer, Cham. https://doi.org/10.1007/978-3-030-93975-5_25

Datenverwaltung in 2023: Upskilling mit Datenbankmigration und -modernisierung in der Cloud

Thu, 22 Jun 2023 11:00:00 +0000

Zuverlässige und skalierbare operative Datenbanken sind für das Wachstum eines Unternehmens entscheidend. Mit den Datenbankfunktionen von Google Cloud können Sie den Erwartungen der digitalen Transformation gerecht werden. IT- und Geschäftsvorteile werden in erster Linie während der Cloud-Einführung und -Optimierung nach der Migration erreicht, indem ihre Infrastruktur mit der Cloud wirklich modernisiert wird. Diese vier Möglichkeiten können die Transformation Ihres Unternehmens beschleunigen:

Vereinheitlichung von Transaktions- und Analysedaten auf einer einzigen Plattform für intelligente, datengestützte Anwendungen. So profitieren Sie von einem schnelleren Wachstum und Innovationen durch ein hoch skalierbares, verteiltes Speichersystem.
Ein konsequenter Einsatz offener Umgebungen und Standards schafft mehr Freiheiten für Ihr Unternehmen. Mit PostgreSQL können Legacy-Datenbanken durch funktionale, flexible Alternativen ersetzt werden.
Durch die Einbindung von KI und maschinellem Lernen in Ihre datengetriebenen Workflows lassen Sie die Daten für Sie arbeiten. KI- und ML-Tools können Ihnen dabei helfen, Muster zu erkennen und Ihren Handlungsspielraum mit neuen Erkenntnissen zu erweitern.
Wenn Sie die Produktivität steigern wollen, dürfen Anwendungen nicht länger mühsam erstellt und gewartet werden. Mit Firestore können Sie zum Beispiel ganz einfach umfassende Anwendungen mit einer vollständig verwalteten, skalierbaren und serverlosen Dokumentendatenbank entwickeln.

Um Ihnen bei der Verwirklichung Ihres Projektes zu helfen, haben wir das neue Whitepaper „The future of data will be unified, flexible, and accessible“ veröffentlicht. Darin erfahren Sie, wie eine erfolgreiche Migration von Daten aussehen kann. Dazu gehört, wie Sie ein gut ausgestattetes Data Warehouse auswählen, um Zeit zu sparen, die Kosten zu senken und Innovationen voranzutreiben.

Was das Thema Datenbankmigration und -modernisierung in der Cloud betrifft: Strategien, Techniken und Tools haben wir hier im Detail vorbereitet. Nachstehend sind einige der wichtigsten Punkte zusammengefasst.

Datenmigration: komplex, aber machbar

Während der Migration kann selbst ein winziger Ausfall zusätzliche Kosten für ein Unternehmen verursachen. Sicherheit und Compliance sind für verantwortungsvoll umgesetzte und auf die individuellen Anforderungen Ihres Unternehmens zugeschnittene Innovationen unerlässlich.

Mit den richtigen Schritten ist eine erfolgreiche Migration jedoch einfacher, als Sie denken. Dazu müssen Sie zuerst Ihre IT-Umgebung bewerten. Mit einem stufenweisen Modernisierungsansatz lässt sich das Risiko senken und Sie können in Ihrem eigenen Tempo umstellen.

Außerdem ist es wichtig, einen umfassenden Migrationsplan und die Einrichtung der Umgebung zusammen mit einer effektiven Rollback-Strategie zu erstellen. So können Sie den Prozess rückabwickeln, sollte sich herausstellen, dass Anforderungen nicht erfüllt wurden.

Datenbankdienste, die Ihren Anforderungen entsprechen

Google Cloud bietet eine Reihe von Tools, die Sie auf Ihrem Weg unterstützen, z. B. die Optimus Prime Database Evaluation. Damit können Bestandskunden von Oracle sicher und effizient in die Cloud wechseln. Zu den Funktionen gehören Aufwandsschätzungen für Oracle-to-Oracle Rightsizing und Datenbankmigration sowie Empfehlungen zu den besten Techniken auf dem Weg zum Ziel.

migVisor von EPAM, einem Google Premier Partner, beschleunigt die Planung von Datenbankmigrationen und bietet komplexe Analysen und Empfehlungen für die Konvertierung in Google Cloud-native Datendienste wie Cloud SQL, AlloyDB, Bigtable und Spanner. migVisor ist einfach zu bedienen, da es nur begrenzte Datenbankberechtigungen erfordert und agentenlos ist, ohne dass eine komplexe App-Installation erforderlich ist. Mit einem einmaligen Scan können Sie Ihre Flotte von Oracle-, SQL Server-, MySQL-, PostgreSQL-, HBase- und MongoDB-Datenbanken schnell und umfassend bewerten.

Schnelle Datenbankmigration

Eine gängige Methode für die Migration zu Google Cloud ist das Lift-and-Shift-Verfahren, bei dem Sie Ihre Datenbanken unverändert übernehmen und auf die Compute Engine oder die Google Kubernetes Engine übertragen. Das Vorgehen eignet sich am besten für Unternehmen, die ihre Datenbanken weiterhin selbst verwalten, aber trotzdem auf Google Cloud hosten möchten.

Wenn Sie jedoch zu einem verwalteten Dienst wechseln möchten, haben Sie und Ihr Unternehmen zusätzliche Möglichkeiten. Updates, Patches, Sicherungen und andere Wartungsvorgänge werden für Sie durchgeführt, während Sie sich auf wichtigere Aufgaben konzentrieren.

Unabhängig davon, ob Sie verwaltete oder selbstverwaltete Dienste nutzen: Mit dem Database Migration Service können Sie mit nur wenigen Klicks zu Cloud SQL migrieren. Bei einem verwalteten Prozess entstehen durch die Umstellung keine Ausfallzeiten, dank serverloser, kontinuierlicher Datenreplikation.

Dem Datenfluss folgen

Die Change Data Capture (CDC) Methode hat sich von einer Nischenfunktion in der Datenbankreplikationssoftware zu einem unerlässlichen Baustein der Datenarchitektur entwickelt. Sie ist beliebt, weil sie Daten nahezu in Echtzeit replizieren und Daten für Analysen, späterer Prozessphasen der Wertschöpfung, in der Pipeline verfügbar machen kann.

Der Datastream-Dienst von Google Cloud ermöglicht CDC sowohl von Oracle als auch von MySQL. Sie können also alle Arten von Datenänderungsereignissen wie INSERTs und UPDATEs, oder auch Einfügungen oder Aktualisierungen genannt, erfassen und sie später in das nächste Ziel laden. Die serverlose Architektur lässt sich mit minimaler Konfiguration leicht einrichten, bietet aber eine hervorragende Konnektivität und Flexibilität.

Datenmigration – die neue Normalität für Unternehmen

Die Idee, dass Daten wichtig sind, ist nicht neu, aber nicht alle Unternehmen nutzen ihr volles Potenzial. Aus Daten können umfassende Statistiken zu Kundenverhalten und -informationen gewonnen werden. Deshalb sollten sie bei der operativen Entscheidungsfindung im Vordergrund stehen. Die wettbewerbsstärksten Unternehmen sind jene, die Daten zur Modernisierung und kontinuierlichen Ausweitung ihres Betriebs nutzen.

Wie Sie eine effektive Datenverwaltung für Ihr Unternehmen gestalten können, lernen Sie in diesem Webinar Schritt für Schritt. Zudem empfehlen wir den Bericht „State of Public Cloud Migration", in dem Forrester einige Erkenntnisse über IT-Entscheidungsträger teilt, damit Sie Ihre Cloud-Vorteile gezielt verstärken können. Wenn Sie direkt loslegen möchten, richten Sie sich gerne an unser Team.

Neue KI-Agents für bessere Geschäftsergebnisse: Translation Hub, Document AI und Contact Center AI

Thu, 27 Apr 2023 08:00:00 +0000

Die Einführung künstlicher Intelligenz (KI) hat eine neue Stufe erreicht. Technologien, die früher nur von wenigen eingesetzt werden konnten, sind inzwischen allgemein verfügbar. Die logische Konsequenz: Investitionen in KI steigen kontinuierlich an. Die Unternehmensberatung McKinsey stellte jedoch fest, dass KI für einen gewinnbringenden Einsatz „über das gesamte Unternehmen skaliert werden und in die wichtigsten Geschäftsprozesse einfließen muss“. Dem können wir nur zustimmen.

Für viele Unternehmen sind Investitionen in reine Data Science weiterhin unerlässlich. Doch in den meisten Fällen kommen bei der KI-Einführung bestimmte Anwendungen und Services – sogenannte KI-Agents – zum Einsatz. Technologien wie Document AI oder Contact Center AI helfen unseren Kundinnen und Kunden dabei, die beste Lösung für ihre geschäftlichen Herausforderungen zu finden – und das mit begrenztem technischen Fachwissen. Auf der Google Cloud Next ‘22 haben wir neben neuen Features für unsere vorhandenen KI-Agents auch unseren neuen KI-Agent Translation Hub vorgestellt.

„Investitionen in KI werden ein entscheidender Faktor für den langfristigen Erfolg vieler Unternehmen sein. Die meisten Unternehmen befinden sich auf diesem Gebiet noch in der Testphase und haben die Technologie aufgrund langer Bereitstellungszeiten, dem damit verbundenen IT-Personalbedarf oder anderen Gründen noch nicht vollständig implementiert“, sagt Ritu Jyoti, Group Vice President, Global AI and Automation Research Practice, Global AI Research Lead bei IDC. „Unternehmen benötigen sofort einsatzfähige KI-Produkte, um Prozesse zu automatisieren und geschäftliche Herausforderungen zu bewältigen. Google Cloud löst dieses Problem durch vollständig verwaltete, skalierbare KI-Agents. Diese werden schnell bereitgestellt und liefern direkt Ergebnisse.“

Translation Hub: unternehmensweiter KI-Agent für Übersetzungen

Auf der I/O 2022 haben wir die Erweiterung von Google Translate um 24 neue Sprachen angekündigt, um insbesondere bei den Sprachen zu unterstützen, für die es bei technologischen Anwendungen meist keine Lokalisierung gibt. Unser oberstes Ziel war dabei, Kommunikationshindernisse durch Übersetzungen abzubauen. Auch Unternehmen streben danach, können dieses Ziel aufgrund der hohen Kosten, die mit der Skalierung von Übersetzungen verbunden sind, allerdings häufig nicht erreichen.

Aus diesem Grund präsentieren wir Ihnen unseren KI-Agent Translation Hub. Er ermöglicht unseren Kunden die Übersetzung von Dokumenten im Self-Service und unterstützt 135 Sprachen. Mit nur wenigen Klicks erreichen Sie eine wirkungsvolle, inklusive und kostengünstige globale Kommunikation.

Dank Translation Hub können Forscherinnen und Forscher ihre Erkenntnisse sofort mit aller Welt teilen. Zulieferer und Dienstleistungsunternehmen erreichen unterversorgte Märkte und auch Verwaltungen im öffentlichen Sektor können ihre Gemeindemitglieder in einer für sie verständlichen Sprache ansprechen. All das trägt letztlich zu einer besser vernetzten und inklusiveren Welt bei.

Translation Hub verbindet KI-Technologien von Google Cloud wie die neuronale maschinelle Übersetzung und AutoML. So können Inhalte aus den gängigsten Dateiformaten wie Google Docs und Google Präsentationen, PDF und Microsoft Word auf einfache Weise übernommen und übersetzt werden. Dabei werden nicht nur das Layout und Formatierungen beibehalten, beispielsweise bei der Nachbereitung von humanem Feedback oder der Prüfung von Dokumenten.

„In nur drei Monaten konnten wir mit Translation Hub- und AutoML-Übersetzungsmodellen 700 % mehr Übersetzungen generieren und dabei 90 % der Kosten einsparen“, berichtet Murali Nathan, Digital Innovation and Employee Lead von Avery Dennison, einem Unternehmen für Materialentwicklung. „Jenseits der Zahlen sorgt die Übersetzungstechnologie von Google bei unseren Mitarbeiter*innen für soziale Zugehörigkeit. Die gesamte Belegschaft von Avery Dennison hat Zugriff auf On-demand-Übersetzungen, sowohl allgemeine als auch unternehmensspezifische. Kein fließendes Englisch zu sprechen, stellt inzwischen keine Barriere mehr dar. Unsere Mitarbeiter*innen drücken sich in ihrer Muttersprache aus.“

Document AI: KI-Agent zur Dokumentverarbeitung und Automatisierung von Workflows

Jedes Unternehmen und jede Organisation muss Dokumente verarbeiten, deren Inhalte verstehen und sie den richtigen Personen zur Verfügung stellen. Document AI vereinfacht und automatisiert Prozesse – sei es beim Beschaffungszyklus, Rechnungen und Empfangsbestätigungen eingeschlossen, oder der Vertragsabwicklung. Darüber hinaus steigert es auch die Effizienz. Dank der zwei neuen Document AI-Features können sich Mitarbeitende in Unternehmen auf ihre Kernaufgaben konzentrieren und ihre Kund*innen besser bedienen.

Das Zahlungsdienstleistungsunternehmen Libeo nutzte Document AI, um einen Rechnungsparser mit 1.600 Dokumenten zu trainieren und seine Testgenauigkeit von 75,6 % auf 83,9 % zu erhöhen. „Mithilfe des Trainings konnte Document AI die Ergebnisse eines anderen Tools übertreffen und Libeo dabei helfen, die Gesamtkosten für das Modelltraining langfristig um 20 % zu senken“, so Pierre-Antoine Glandier, Chief Technology Officer von Libeo.

Folgende Features für den vorhandenen Document AI-Agent möchten wir Ihnen vorstellen:

Document AI Workbench: Mit Document AI Workbench überwinden Sie Hindernisse beim Erstellen unternehmensspezifischer Dokumente einfacher. Parser unterstützen Unternehmen bei der Extraktion von Fachgebieten, die für ihre Geschäftsanforderungen relevant sind. Im Vergleich zu herkömmlichen Entwicklungsansätzen sind dafür weniger Trainingsdaten erforderlich. Zudem steht eine intuitive Oberfläche – sowohl für das Labeling von Daten als auch für das Training – zur Verfügung.
Document AI Warehouse: Dieser Agent lässt die Herausforderungen, die beim Taggen und Extrahieren von Daten in Dokumenten entstehen, der Vergangenheit angehören. Möglich macht dies die Einbindung der Google-Suchtechnologien in Document AI. Mit diesem Feature wird die Suche nach und die Verwaltung von Dokumenten einfacher – sei es bei der Steuerung von Workflows für die Rechnungsverarbeitung, Verträgen, Genehmigungen oder anderen unternehmensspezifischen Workflows.

Contact Center AI: KI-Agent für bessere Callcenter-Erfahrungen

Die Skalierung des Callcenter-Supports kann kostspielig und schwierig sein, insbesondere wenn es um die Implementierung von unterstützenden KI-Technologien geht. Contact Center AI ist ein KI-Agent für beinahe alle Callcenter-Bedürfnisse – von der intelligenten (Telefon-) Weiterleitung von Kundinnen und Kunden und der Übergabe vom virtuellen zum menschlichen Support bis hin zur Analyse von Callcenter-Transkripten in Bezug auf Trends.

Kürzlich haben wir angekündigt, dass Contact Center AI Platform jetzt allgemein verfügbar ist und zusätzliche Auswahlmöglichkeiten und Flexibilität bietet. Wir wollten einen KI-Agent bereitstellen, mit dem Unternehmen und Organisationen ihre Callcenter schnell skalieren können. So lässt sich die Serviceerfahrung verbessern und durch datengestützte Entscheidungen ein Mehrwert generieren.

Dean Kontul, Division Chief Information Officer bei KeyBank, zum Thema Callcenter mit Contact Center AI von Google Cloud: „Mit Google Cloud und Contact Center AI werden wir unser Callcenter schnell in die Cloud verlagern und unsere Kundinnen und Kunden sowie unsere Mitarbeitenden mit erstklassigen und neuen Serviceerfahrungen unterstützen.“

Mit KI-Agents direkt bessere Geschäftsergebnisse erzielen

Wenn Sie neugierig auf Translation Hub sind, finden Sie weitere Informationen in dieser Next ‘22-Session – inklusive weiterer Details dazu, wie Avery Dennison den KI-Agent nutzt.

Weitere Informationen zu unseren Document AI-Ankündigungen finden Sie in unserem Webinar mit der Commerzbank „Improve document efficiency with AI“ sowie im Video „Transform digital experiences with Google AI powered search and recommendations.“

Der Anwendungsfall von KeyBank bietet weitere Einblicke in die Contact Center AI Platform. Sehen Sie sich hierzu das Video „Delight customers in every interaction with Contact Center AI“ an.

Migration Ihrer Oracle- und SQL Server-Datenbanken zu Google Cloud

Wed, 08 Feb 2023 04:00:00 +0000

Bevor Cloud Computing unsere Sicht auf Datenbanken und Anwendungen veränderte, waren Oracle- und Microsoft SQL Server-Datenbanken jahrzehntelang eine wichtige Basis für die Architektur von Unternehmensanwendungen. Doch heute werden Sie angesichts der gegenwärtigen Branchentrends und der enormen Möglichkeiten, die die Cloud bietet, wahrscheinlich noch einmal genau überlegen, auf welche Technologie Sie bei der Cloud-Planung setzen.

Im Datenbankbereich gehören zu diesen Trends der Wechsel zu Open-Source-Technologien (insbesondere zu MySQL, PostgreSQL und ihren Derivaten), die Einführung nicht-relationaler Datenbanken, Multi-Cloud- und Hybrid-Cloud-Strategien sowie die Notwendigkeit, global verteilte Anwendungen, die ständig online sind, zu nutzen. Dabei kann jede Anwendung andere Cloud-Anforderungen stellen – ob es sich nun um eine schnelle Lift-and-Shift-Migration, eine umfangreiche Anwendungsmodernisierung oder um eine vollständige Transformation mit einer Cloud-First-Datenbank handelt.

Google Cloud bietet eine Reihe von verwalteten Datenbankdiensten, die Open-Source-, Drittanbieter- und Cloud-First-Datenbanken unterstützen. Anlässlich der Next 2022 haben wir fünf neue Videos veröffentlicht, die sich gezielt an Oracle- und SQL Server-Kunden richten, die sich für eine Lift-and-Shift-Migration in die Cloud interessieren oder sich ganz von Lizenzierungs- und anderen Beschränkungen befreien wollen. Wir hoffen, dass Ihnen diese Videos beim Analysieren Ihrer Möglichkeiten helfen – ob Sie nun zu einer homogenen Migration (Verwendung der bisherigen Datenbank) oder zu einer heterogenen Migration (Wechsel zu einer anderen Datenbank-Engine) tendieren.

Kommen wir nun zu den fünf Videos.

#1 Ausführung von Oracle-basierten Anwendungen in der Google Cloud

Von Jagdeep Singh & Andy Colvin

Der Wechsel in die Cloud kann sich als schwierig erweisen, wenn Ihr Unternehmen auf Anwendungen angewiesen ist, die auf einer Oracle-Datenbank laufen. Anwendungen können z. B. aus Kompatibilitäts-, Lizenzierungs- und Verwaltungsgründen von Oracle abhängig sein. Informieren Sie sich über verschiedene Lösungen von Google Cloud, darunter die „Bare Metal Solution for Oracle“, eine für Oracle-Workloads zertifizierte und optimierte Hardwarelösung, sowie Lösungen von Cloud-Partnern wie VMware und Equinix. Sie erfahren, wie Sie Legacy-Workloads auf Oracle ausführen und gleichzeitig moderne Cloud-Technologien für neuere Workloads einsetzen können.

#2 SQL Server-basierte Anwendungen in Google Cloud ausführen

Von Isabella Lubin

Microsoft SQL Server ist nach wie vor ein weit verbreitetes kommerzielles Datenbankmanagementsystem. Informieren Sie sich darüber, wie Sie SQL Server mit Cloud SQL, einem vollständig verwalteten Datenbankdienst für die Ausführung von MySQL-, PostgreSQL- und SQL Server-Workloads, zuverlässig und sicher ausführen können. Einige der größten Unternehmen der Welt setzen auf Cloud SQL. Mehr als 90 % der 100 größten Google Cloud-Kunden nutzen Cloud SQL. Wir zeigen Ihnen, wie Sie die richtige Datenbank-Instanz auswählen, Ihre Datenbank migrieren, mit Standard-SQL-Server-Tools arbeiten und wie Sie Ihre Datenbank überwachen und auf dem neuesten Stand halten.

#3 Auswahl einer PostgreSQL-Datenbank in der Google Cloud

Von Mohsin Imam

PostgreSQL ist eine branchenführende relationale Datenbank, die für ihre freizügige Open-Source-Lizenzierung, ihre umfangreiche Funktionalität, ihren nachweislich erfolgreichen Einsatz in Unternehmen und eine starke Gemeinschaft von Entwickler*innen und zahlreiche Tools geschätzt wird. Google Cloud bietet drei vollständig verwaltete Datenbanken für PostgreSQL-Nutzer: Cloud SQL, ein intuitiver, vollständig verwalteter Datenbankdienst für Open-Source-PostgreSQL, AlloyDB, ein PostgreSQL-kompatibler Datenbankdienst für Anwendungen, die ein besonders hohes Maß an Skalierbarkeit, Verfügbarkeit und Leistung benötigen, und Cloud Spanner, eine Cloud-First-Datenbank mit unbegrenzter globaler Skalierung, 99,999 % Verfügbarkeit und einer PostgreSQL-Schnittstelle. Sie erfahren, welche Lösung die richtige für Ihre Anwendung ist, wie Sie Ihre Datenbank in die Cloud migrieren und wie die ersten Schritte dafür aussehen.

#4 Wie Sie Ihre Anwendungen mit Google Cloud-Datenbanken migrieren und modernisieren

Von Sandeep Brahmarouthu

Die Migration Ihrer Anwendungen und Datenbanken in die Cloud ist nicht immer ganz einfach. Während einfache Workloads vielleicht nur eine einfache Lift-and-Shift-Migration der Datenbank erfordern, können individuelle Unternehmensanwendungen von umfassenderen Modernisierungs- und Transformationsmaßnahmen profitieren. In diesem Video informieren wir Sie über die verwalteten Datenbankdienste von Google Cloud, unseren Ansatz für eine schrittweise Modernisierung, das Framework und die Programme, die wir für die Datenbankmigration anbieten, und darüber, wie wir Ihnen mit einer unverbindlichen Bewertung den Einstieg erleichtern können.

#5 Erste Schritte mit dem Database Migration Service

Von Shachar Guz & Inna Weiner

Angesichts der steigenden Kosten für die Wartung von Legacy-Datenbanken wird die Migration Ihrer Datenbanken zur Cloud immer attraktiver. Google Cloud kann Ihnen dabei helfen – ob es sich nun um eine einfache Lift-and-Shift-Migration, eine Datenbankmodernisierung auf eine moderne, Open-Source-basierte Alternative oder eine vollständige Transformation von Anwendungen handelt. Sie erfahren, wie der Database Migration Service die Migration mit einer serverlosen, sicheren Plattform, die native Replikationsfunktionen für hochpräzise und zuverlässige Migrationen nutzt, vereinfacht. Es wird gezeigt, wie eine Datenbankmigration weniger komplex, weniger zeitaufwendig und auch risikoärmer sein kann – und wie Sie Ihre Migration in den meisten Fällen in weniger als einer Stunde in die Wege leiten können.

Wir freuen uns auf die Zusammenarbeit mit Ihnen

Welchen Weg Sie bei der Migration zur Cloud auch einschlagen – Sie werden schnell erkennen, dass Google Cloud-Datenbanken skalierbar, zuverlässig, sicher und offen sind. Wir freuen uns darauf, ein neues Zuhause für Ihre Oracle- und SQL Server-basierten Anwendungen zu schaffen.

Beginnen Sie Ihre Cloud-Reise mit einer kostenlosen Testversion von Cloud SQL oder Spanner und gehen Sie anschließend mit dem Database Migration Program den nächsten Schritt zur Google Cloud.

Schneller helfen mit Geodaten: So nutzt die Feuerwehr Düsseldorf Google Cloud

Mon, 19 Dec 2022 11:00:00 +0000

Vom umgeknickten Fuß bis zum Großbrand: Feuerwehr und Rettungsdienst rücken an, wenn andere nicht mehr weiterwissen. Die Verantwortung ist enorm, und sie wächst: Urbane Räume verändern sich, der Klimawandel bringt neue Risiken. Neue Lösungen müssen her – beispielsweise für die Standortplanung. David von der Lieth, Direktor der Feuerwehr Düsseldorf, erklärt in seinem Gast-Blogbeitrag, wie sich die städtische Feuerwehr mit Google Cloud-basierten, minutenschnellen Erreichbarkeitsanalysen besser für die Zukunft aufstellt.

Wenn ein Notruf eingeht, zählt jede Minute. In einer wachsenden Stadt wie Düsseldorf ist die Verteilung unserer Standorte deshalb besonders wichtig: Wir müssen garantieren, in sechs Minuten jede Adresse mit einem passenden Rettungsfahrzeug erreichen zu können – unbeirrt von wechselnden Verkehrsströmen, Baustellen und anderen, unerwarteten Entwicklungen.

Weil Einwohner, sowie auch damit einhergehende Notfälle, zunehmen, wird es immer schwieriger, diese Abdeckung zu gewährleisten. Bisher mussten wir uns bei der Planung unserer Feuer- und Rettungswachen auf Gutachten und Abdeckungsanalysen von Beratungsunternehmen stützen, die aber nicht nur kostspielig, sondern auch zeitaufwändig waren: Auf ein einziges Gutachten warteten wir oft drei bis vier Monate. Heute haben wir dasselbe Ergebnis in wenigen Minuten. Dafür sorgt unser Google Cloud-basiertes Analysetool.

Schnelle Standortplanung mit Geodaten

Lösungen von Google Cloud und Google Maps kamen bei der Feuerwehr Düsseldorf bereits 2020 zum Einsatz. Damals entwickelte unser Partner Ubilabs ein Tool zur Impfroutenplanung, mit dem wir Personen, für die ein Besuch beim Impfzentrum aus gesundheitlichen Gründen nicht infrage kam, mittels Geodaten besser erreichen konnten. In diesem Tool mussten wir nur die Adressen der zu impfenden Personen angeben, und die Geokodierung von Google Maps erledigte den Rest: Sie schlug Orte vor – beispielsweise einen Supermarkt-Parkplatz – von denen aus wir möglichst viele Personen erreichen konnten. Als wir sahen, wie gut das funktioniert, wurde uns klar, dass ein ähnliches Planungstool auch im Rettungsdienst nützlich wäre.

Für das neue Tool zur Standortplanung hatten wir zwei Hauptkriterien: Weil die Integration neuer Softwarelösungen in städtische IT-Systeme oft kompliziert ist, sollte das Endprodukt eine cloudbasierte Software as a Service-Lösung sein, die wir einfach nutzen können. Und „einfach“ ist dabei das Stichwort: Wir wollten ein optisch ansprechendes Tool, das von den Endnutzer*innen keine Schulung erfordert, sondern intuitiv bedient werden kann. Und auch Außenstehende sollten anhand von Screenshots wichtige Vorgänge und Datensätze schnell begreifen.

Minutenschnelle Planung statt monatelanges Warten auf Gutachten

Mit diesen Vorgaben – und ständigem Feedback von uns – entwickelte Ubilabs in nur zehn Wochen eine fertige Lösung. Die liefert in Minutenschnelle Daten, für die früher aufwändige Gutachten nötig gewesen wären. Und die Investition hat sich übrigens schon beim ersten Einsatz gerechnet.

Die Bedienung des Tools ist denkbar einfach: Wir können auf einer Karte Ortsmarker für bestehende und geplante Feuer- und Rettungswachen setzen. Auch temporäre Standorte sind möglich: Manchmal ist es beispielsweise sinnvoll, einen Rettungswagen an manchen Wochentagen auf einem bestimmten Parkplatz abzustellen. Alle Standorte werden in einer Liste angezeigt. Dann können wir ein Zeitfenster festlegen und herausfinden, wie viele Adressen wir innerhalb dieser Vorgabe erreichen können. Auf der Karte werden die Regionen, die wir nicht mit der vorgegebenen Geschwindigkeit abdecken können, farblich markiert. So können wir blitzschnell verschiedene Szenarien durchspielen und herausfinden, wo wir nachbessern müssen.

Mehr Flexibilität beim Erschließen neuer Bauflächen

Wir haben das Analysetool nun zum ersten Mal genutzt, um den Bau einer neuen Rettungswache anzugehen. Das ist in der Praxis deutlich schwieriger als es klingt: Bis zum ersten Spatenstich ist es meist ein langwieriger Prozess, weil wir oft erst im Laufe der Planung herausfinden, dass wir die ideale Fläche baurechtlich doch nicht nutzen können. Dann müssen alternative Vorschläge her, und die müssen zunächst ausgiebig geprüft werden.

Die Erreichbarkeit und andere Faktoren können frei gewählt werden, um verschiedene Szenarien auszuprobieren.

Früher hätten wir für jeden neuen Vorschlag wieder ein neues Gutachten benötigt, was die Planung wieder um Monate verzögert hätte. Heute können wir mit unserem Analyse-Tool schnell ein neues Szenario durchspielen und in wenigen Minuten eine Antwort liefern. Das ist ein enormer Gewinn bei der zeitlichen Planung von Bauprojekten.

Datenbasierte Entlastung für Rettungskräfte

Neben der Standortplanung hilft uns das Google Cloud-basierte Tool aber auch bei anderen strategischen und operativen Entscheidungen. Wir haben bereits angefangen, es für die dynamische Allokation von Rettungsmitteln während bestimmter Veranstaltungen in der Stadt Düsseldorf zu verwenden. Außerdem nutzen wir es, um die Zuständigkeitsbereiche mancher Standorte anzupassen und die Belastungen verschiedener Rettungswachen besser auszubalancieren.

Um Rettungskräften die Schicht zu erleichtern, können wir beispielsweise Rettungswagen eines anderen Zuständigkeitsbereiches zu bestimmten Einsätzen schicken, solange jene das 6-Minuten-Kriterium erfüllen. Unsere Rettungskräfte fahren oft 10 bis 20 Einsätze in einer Schicht und müssen bei jedem Einsatz 100 % geben, da ist jede Entlastung hilfreich.

Innovation im Einsatz für die Gemeinschaft

Unsere Feuerwehr- und Rettungskräfte nehmen natürlich selbst die kleinsten Abweichungen in ihrem Zuständigkeitsbereich sofort wahr. Auch deshalb ist es uns wichtig, dass wir jede Maßnahme und ihre Gründe transparent kommunizieren und Veränderungen im Dialog mit unseren Mitarbeitenden anstoßen. Jahrzehntelange Erfahrung im Rettungsdienst kann auch das beste Cloud-Tool nicht ersetzen, doch es kann uns dabei helfen, neue Strategien auszutesten und neue Sichtweisen zu eröffnen. Menschliches Know-how und moderne Technologie gehen dabei Hand in Hand.

Unser Analysetool ist aus dem strategischen und operativen Alltag der Feuerwehr Düsseldorf kaum noch wegzudenken. Das war aber erst der Anfang: Wir überlegen bereits ausgiebig, wie wir es gemeinsam mit unserem Partner Ubilabs und Google Cloud weiter ausbauen können. Es gibt etwa viele frei verfügbare, georeferenzierte Daten, die für die Feuerwehr ungemein wichtig sind: Wetterdaten, Verkehrsdaten, Luftdaten oder Pegeldaten von Flüssen beispielsweise. Künftig können wir alle diese Daten aggregiert oder in eigenen Darstellungsebenen auf unserer Karte anzeigen. Damit könnten wir operativ bessere Entscheidungen treffen und schneller die richtigen Einsatzkräfte zur richtigen Zeit an den richtigen Ort befördern.

Wir haben viele Ideen, und die Zusammenarbeit mit Google Cloud und Ubilabs bietet die perfekte Spielwiese, um sie auszuprobieren. Die Entwicklung war unkompliziert, das Ergebnis ist sensationell und eine echte Bereicherung für die Feuerwehr Düsseldorf – und damit auch für die Gemeinschaft, in deren Dienst wir stehen.

Die Geheimnisse erfolgreicher Start-ups

Thu, 10 Nov 2022 03:00:00 +0000

Ein Unternehmen zu gründen ist nichts für schwache Nerven: Neun von zehn Start-ups scheitern. Was zeichnet die wenigen, die zum Erfolg kommen, aus?

Mit „Starting Up Smart“ hat Sifted Intelligence dazu eine neue, von Google Cloud geförderte Studie vorgelegt. Sie geht in Gesprächen mit Gründer*innen, Geschäftsleuten und Investor*innen den Erfolgsfaktoren und Fallstricken bei Neugründungen auf den Grund. In diesem Beitrag schauen wir uns die Studie näher an und stellen die Ratschläge von Gründer*innen vor, die viel gewagt, Tiefschläge weggesteckt, und schließlich gelernt haben, wie Start-ups skalierbar zum Erfolg gebracht werden.

Wie fliegt man ein Raumschiff?

„Die ganz frühen Phasen von Neugründungen sind kritisch“, sagt Sarah Gerweck, Technical Director, Office of the CTO bei Google. Sie war selbst einmal Gründerin und konnte Erfolg und Misserfolg zahlreicher Start-ups verfolgen. „Die Frühphase der Unternehmensgründung ist wie ein Raketenstart: Oft beeinflussen kleine Entscheidungen den weiteren Verlauf enorm.“ Wichtig sind deshalb Anpassungsfähigkeit und Entschlusskraft. „Start-ups sollten schnell handeln, aber nicht leichtsinnig”, so Gerweck.

Doch wie startet ein Start-up? Viele beginnen damit, dass sie eine großartige Lösung für ein Problem entdecken und setzen all ihre Ressourcen für die Schaffung eines Minimum Viable Product (MVP) ein. Sifted Intelligence empfiehlt hingegen, zunächst zwei Kernfragen zu beantworten: „Wem möchte ich etwas verkaufen?“ und „Wie erreiche ich diese Kundschaft?“

Kasper Enggaard Krog, CEO von Vibrant.io, klopfte schon an Türen potenzieller Unternehmenskunden, als sein MVP noch gar nicht existierte: „Ich finde, Start-ups sollten ein Geschäftsmodell haben, das auch mit Kund*innen abgestimmt ist, bevor auch nur eine Zeile Code geschrieben wird.“ Dies helfe Start-ups, auf konkrete Bedürfnisse maßgeschneiderte Produkte zu entwickeln. Im Wechselspiel von Iteration und Feedback gelangt das MVP zur Marktreife.

Das „Google for Startups Cloud“-Programm bietet Unterstützung bei der Unternehmensgründung. Das Angebot umfasst neben Produkten auch Best Practices und Fachleute, die bei Konzeption und Validierung des MVP,der Bestimmung der Zielgruppe und der Skalierung helfen.

Die ersten zahlenden Kund*innen

Kaum ist das Produkt bereit für die Vermarktung, wartet schon die nächste Herausforderung: Jemanden zu finden, der dafür zahlt. Manche Start-ups konzentrieren sich auf einen bestimmten Kundentypen, der dann weitere auf das Produkt ziehen soll. Onfido, Anbieter einer Lösung zur Authentifizierung von Nutzenden, wandte sich zunächst an Neo-Banken und andere innovationsfreudige Unternehmen in der Finanzbranche und gelangte über diese schließlich auch an traditionellere Bankhäuser. Andere Start-ups stellen Wachstum und Datengewinnung über erste Umsatzerlöse. Sie setzen auf ein „Freemium“-Modell – eine Preisstrategie, bei der das Basisprodukt oder entsprechende Leistungen kostenlos sind, weitergehende Funktionen aber bezahlt werden müssen.

Dass die Kundschaft schon kommt, wenn das perfekte Produkt vorliegt, ist ein beliebter Irrtum. Dazu braucht es passgenaue Marketing-Botschaften. „Komplexe Produkte und Technologien müssen einfach und verständlich erklärbar sein“, so Rocio Pillado, Partner bei Adara Ventures. „Sie müssen den Mehrwert und die Vorteile der Leistung, die Sie verkaufen, klar benennen können.“

Diese Perspektive haben wir bereits in einem gesonderten Blogpost näher beleuchtet: Tipps zum Umgang mit Daten für junge Start-ups. Mit einer klaren Vorstellung davon, was das Produkt den Kund*innen bringt und wie es genutzt wird, gelingt es Start-ups leichter, die richtigen Tools zu wählen und die bestmöglichen Erkenntnisse aus Kundendaten zu ziehen.

Kundenbindung und Wachstumskurs

Von der Kundenfindung zur Kundenbindung: Sifted Intelligence unterstreicht hierzu die Bedeutung von kundenseitigen Anwendungsdaten. Die aus ihnen gewonnenen Erkenntnisse leiten die Weiterentwicklung des Produkts an. Allerdings können solche Datensätze äußerst umfangreich, unscharf und kompliziert in der Handhabung sein. Deshalb rät Janneke Niessen, Gründungspartnerin der Beteiligungsfirma CapitalT, die Datenanalyse so weit wie möglich zu automatisieren. „Messwerte gibt es zu Millionen“, erklärt sie. „Doch häufig sind es nicht mehr als fünf Faktoren, fünf KPIs, an denen sich Ihr Geschäftserfolg ablesen lässt. Diese zu identifizieren verdient also größte Aufmerksamkeit.“

Google Cloud hat dazu das Whitepaper „The future of data will be unified, flexible, and accessible“ herausgegeben. Es empfiehlt modernen Tech-Unternehmen Streaming-Stacks einzusetzen, die mit der Datenmenge skalieren, die Nutzung von KI und ML für fundierte Vorhersagen ermöglichen, und Prozesse operationalisieren. Mit dem richtigen Technologie-Stack gewinnen Start-ups schnell die entscheidenden Erkenntnisse und können diese umsetzen.

Mit wachsenden Nutzungszahlen erhöhen sich die Ansprüche an die Ressourcen. Start-ups müssen Wege finden, nachhaltig zu expandieren. Kelsey Hightower, Principal Engineer bei Google Cloud, rät jungen Start-ups, eine serverlose Infrastruktur in Betracht zu ziehen. Diese Art Infrastruktur ist vollständig verwaltet und skaliert selbsttätig anforderungsgemäß.

Expandiert das Start-up, wächst auch die Belegschaft. „Bevor sich Ihr Headcount binnen Jahresfrist verdoppelt, sollten Sie besser Ihre Wertvorstellungen formuliert haben – sonst ist die Aufrechterhaltung Ihrer Unternehmenskultur reine Glückssache“, sagt Meri Williams, CTO-Beraterin und frühere CTO bei MOO und Monzo.

Neben klaren Aussagen zu seinen Wertprinzipien ist ein rapide wachsendes Unternehmen auf die schnelle und zuverlässige Zusammenarbeit seiner Mitarbeiter*innen angewiesen. Als sich Seriengründer Gil Laurent 2019 bei der Gründung von CAST AI, einem Spezialunternehmen für Cloud-Kostenmanagement beteiligte, sorgte er dafür, dass Google Workspace konsequent genutzt wurde, um die Kommunikation zu optimieren, neue Beschäftigte einzuarbeiten und Echtzeit-Zusammenarbeit auch im Homeoffice zu gewährleisten. Drei Jahre und eine Pandemie später hat sich CAST AI bestens entwickelt.

Learnings von Gründer*innen

Kein Start-up ist wie das andere, und aus jedem lässt sich etwas anderes lernen. Johan Attby, CEO von Fishbrain AB, rät dazu, zunächst mit einer kleinen Zielgruppe zu starten, ein Produkt zu entwickeln, das diese ersten Nutzer*innen bindet und erst dann zu expandieren. Derweil empfiehlt Husayn Kassai, Mitgründer von Onfido, anderen Gründer*innen vor allem in die Zusammenstellung eines passenden Teams zu investieren: „Erfolg kommt zu 98 % von den richtigen Leuten, und zu 2 % von allem anderen“.

Weitere Informationen und Erfahrungen von Gründer*innen finden Sie in dem vollständigen Bericht von Sifted Intelligence. Wenn Sie aus erster Hand erfahren wollen, wie Google Cloud Start-ups bei der Entwicklung ihrer Produkte und Nutzerbasen unterstützt, dann lernen Sie von der Google Cloud Next 2022.

Fünf Wege jenseits traditioneller Segmentierungsmethoden im Einzelhandel

Fri, 21 Oct 2022 03:00:00 +0000

Schon lange nutzen Marketingfachleute Daten, um das Verhalten ihrer Kundinnen und Kunden vorherzusagen und ihr Angebot entsprechend zu personalisieren. Oft wenden sie etwa eine Kundensegmentierung auf Transaktionsdaten an, und empfehlen dann auf der Grundlage von Merkmalen wie „Ähnliche Personen mochten dies“ oder „Zuletzt angesehene Produkte“ weitere Produkte und Erlebnisse. Doch ist dies wirklich der beste Weg, um das Einkaufserlebnis zu verbessern und zu personalisieren? Welche anderen Möglichkeiten haben Einzelhandelsunternehmen?

Verbraucher*innen interagieren auf vielfältige Weise mit Marken. Besonders rasant veränderte sich diese Dynamik in den vergangenen zwei Jahren im Onlinehandel. Viele Einzelhändler erleben jeden Tag wie den Black Friday – mit neuen Kund*innen und solchen, die anders einkaufen, sei es innerhalb oder außerhalb ihrer bisherigen Kategorien. Da die Gewinnung neuer Kund*innen meist teurer ist als die Bindung vorhandener, benötigen Einzelhandelsunternehmen neue Methoden zum Aufbau langfristiger Kundenbeziehungen. Dazu gilt es, den Blick auf die nächste Generation der digitalen Erlebnisse zu richten, die veränderte Customer Journey zu verstehen und – jenseits der reinen Personalisierung – mehr Empathie aufzubringen.

Diesen Themen widmeten sich beim eMarketer Tech-Talk die Gründer von drei visionären Technologieunternehmen – allesamt Google Cloud Partner – die es sich zur Aufgabe gemacht haben, Einzelhandelsunternehmen bei der Aktivierung und besseren Nutzung ihrer Daten zu unterstützen: Fayez Mohamood, Mitgründer und CEO von Bluecore; James McDermott, Mitgründer und CEO von Lytics; Mario Ciabarra, Gründer und CEO von Quantum Metric. Moderiert wurde der Talk von Carrie Tharp, VP of Retail and Consumer bei Google Cloud. Ihre fünf wichtigsten Empfehlungen im Überblick:

1. Über den Tellerrand von Kundensegmentierung und Demografie schauen. Es gilt, Daten und Technologien zu nutzen, um das Kundenerlebnis unmittelbar zu beeinflussen. „Die Customer Journey verläuft nicht linear, sondern in Mikromomenten“, erklärte Fayez Mohamood von Bluecore. Kund*innen interagieren über mehrere Touchpoints mit einer Marke und müssen durch Personalisierung und Empfehlungen im richtigen Moment abgeholt werden. Dieser Aufgabe widmet sich Bluecore, eine KI-gesteuerte Marketingplattform für den Einzelhandel. Sie unterstützt Unternehmen bei der Aktivierung von Produktkatalogen und Kundendaten über alle digitalen Kanäle, um Wiederholungskäufe zu fördern und den Umsatz zu steigern. „Es ist an der Zeit, über den klassischen Fokus auf Kundensegmentierung und Demografie hinauszudenken“, ergänzte Carrie Tharp. Die Kunst besteht darin, die Menschen als Individuen zu erkennen, mit unterschiedlichen Zielen bei der Interaktion mit einer Marke.

2. Daten demokratisieren und bei der Gestaltung des Einkaufserlebnisses in Echtzeit nutzbar machen. Dank der neuen cloudbasierten Kundendatenplattform (Customer Data Platform, CDP) können Einzelhandelsunternehmen schneller Profile ihrer Kund*innen mit einer Vielzahl von Informationen zu deren Absichten und Interessen erstellen. „Auf dieser Grundlage können wir das Verhalten der Kundinnen und Kunden in Echtzeit erfassen und verstehen“, so James McDermott von Lytics. „Die Erstellung von Profilen ist jedoch nicht das eigentliche Ziel. Entscheidend ist, was wir aus diesen Daten machen. Wie können wir das Erlebnis unserer Kundinnen und Kunden verbessern?“ James McDermott ist Mitgründer von Lytics. Das Unternehmen hat sich auf verhaltens- und absichtsbasierte Analysen spezialisiert, die eine Brücke zwischen Daten und Handeln schlagen. Seine Empfehlung lautet, vom Ergebnis her zu denken – mit einem konkreten Anwendungsfall vor Augen.

Das ist leichter gesagt als getan. Der springende Punkt ist, zu entscheiden, welche Daten wichtig sind und wie sie genutzt werden können. Die gute Nachricht: Die CDP macht den Data Scientists mehr Daten zugänglich, anhand derer diese Modelle erstellen können, aus denen sich wiederum Systeme für eine bessere Kundenbindung erstellen lassen. Interne Teams experimentieren und testen fortlaufend, um herauszufinden, wie sie die Signale am besten priorisieren und welche Erlebnisse tatsächlich bessere Interaktionen hervorrufen. „Doch das ist nur ein Teil des Puzzles“, so Mohamood. „Die Data Scientists gestalten in der Regel nicht die Erlebnisse der Kundinnen und Kunden auf Websites, E-Mails, SMS oder anderen Kanälen. Wir müssen unsere Daten daher demokratisieren, damit auch Marketing und die Geschäftsleitung diese zum Testen und Lernen in Echtzeit nutzen können.“

3. Mittels künstlicher Intelligenz (KI) Verhaltens- und Bestandsänderungen vorhersehen. Aussagekräftige Produktdaten und -zuordnungen sind laut Fayez Mohamood ebenso wichtig wie Kundendaten. „Die Kundinnen und Kunden verändern sich und mit ihnen verändern sich die Daten. Dies wiederum verändert den Bestand, wodurch sich die Daten erneut verändern. Teams müssen agil auf diese Signale reagieren.“ Hier kommt die KI ins Spiel – ergänzt durch den menschlichen Verstand.

Einige Einzelhandelsunternehmen haben einen ständig wechselnden Bestand und können das Angebot auf die Wünsche der Kund*innen zuschneiden. Entsprechend passen sie auch ihre Botschaften an, ohne die Kommunikationshäufigkeit zu verändern, und erhöhen so die Wahrscheinlichkeit von Folgekäufen. Mario Ciabarra von Quantum Metric betonte die Bedeutung von KI, um schneller auf Veränderungen reagieren zu können. „Es hört sich verrückt an, aber Echtzeit bedeutet wirklich Echtzeit: Die Möglichkeit, hochkomplexe Fragen zu den Daten zu stellen, Antworten zu erhalten und diese Analyse dann in das Produkt zu integrieren – dieses Potenzial von KI und ML ist absehbar.“ Quantum Metric widmet sich der kontinuierlichen Produktentwicklung. Der Schwerpunkt liegt auf der Integration von Analysen in den digitalen Produktentwicklungsprozess, damit die Teams schneller Iterationen umsetzen können und letztlich die Produkte liefern, die sich ihre Kund*innen wirklich wünschen.

Carrie Tharp wies darauf hin, dass viele Einzelhandelsunternehmen ihre Websites um Marktplatzfunktionen erweitern und nun anstelle eines statischen Bestands ein „weitläufiges, schier endloses Einkaufserlebnis“ bieten. Dazu das richtige Geschäftsmodell für Marketing-, Analyse- und Digitalteams zu finden ist schwer. Wie müssen Einzelhandelsunternehmen ihr Geschäftsmodell im Hinblick auf Personalisierung und Daten überdenken?

4. Kundendaten mit Empathie verbinden. Kurz gesagt, muss das Geschäftsmodell eine vollständige Verknüpfung aller relevanten Interaktionen unterstützen, zum Beispiel die Kombination von Daten über frühere Einkäufe mit Absichtsdaten, Browserdaten und Mobile-App-Daten. Dazu ist es notwendig, mehrere Datensätze zu integrieren und damit eine leistungsfähigere Personalisierung anzubieten. Das Softwarepaket wird derzeit so angepasst, dass es sich an den Kundinnen und Kunden orientiert, so McDermott, wobei die Architektur vereinfacht und im Cloud Data Warehouse stärker zentralisiert wird. Ein klarer Trend ist, dass die Cloud Data Platform (CDP) zum zentralen Repository für die Daten der Kund*innen geworden ist und durch KI und Machine Learning an Intelligenz gewonnen hat.

Ein entscheidendes Ziel dabei ist, eine „persönliche“ Beziehung herzustellen, durch die Einzelhandelsunternehmen in Echtzeit einen Einblick in den Auswahlprozess der Kund*innen und in deren Verhalten an der (virtuellen) Kasse erhalten. „Wir brauchen dieses Maß an Empathie, oder besser: quantifizierte Empathie“, so Ciabarra. „In der Filiale hatten wir diese persönliche Beziehung, aber online bedienen wir Millionen Kundinnen und Kunden. Wie können wir diese Informationen in Echtzeit im gesamten Unternehmen sichtbar machen, so dass die Mitarbeiter*innen sie nutzen und entsprechend handeln können? Wir brauchen eine unternehmensweite Sicht auf die Daten.“

5. Das Unternehmen transformieren und Silos aufbrechen. Jedes Unternehmen ist bestrebt, sich stärker an den Kund*innen zu orientieren. Doch oft arbeiten separate Teams daran in Silos – mit jeweils eigenen Perspektiven und vielleicht voneinander abweichenden Zielen. „Daten werden oft von einigen wenigen Personen im Unternehmen gehalten“, so Fayez Mohamood. Damit Marketing-, Vertriebs- und Digitalteams eine unternehmensweite Sicht auf die Daten erhalten, braucht es einen kulturellen Wandel, der auch von der Geschäftsführung mitgetragen wird.

Einige Unternehmen fördern die Zusammenarbeit, indem sie Pods zusammenstellen, in denen Marketingfachleute, Data Scientists, Analyst*innen und Kreative gemeinsam testen und lernen. Eine weitere vielversprechende Entwicklung: Marketingfachleute und Data Scientists arbeiten vermehrt aktiv mit Finanz- und operativen Teams zusammen, insbesondere bei der Entwicklung von KPIs. Gemeinsam entwickeln sie Metriken, die sich an den Kund*innen und nicht am Vertriebskanal orientieren, und nehmen auch das Softwarepaket unter diesem Gesichtspunkt unter die Lupe. Die Mentalität verändert sich dahingehend, dass Daten nicht mehr nur aus der Sicht von Marketing, Produkt, UX oder Design betrachtet werden, sondern durch die Brille der Kundinnen und Kunden. Auf diese Weise lassen sich die Daten zusammenführen, so dass sie einen größeren Nutzen haben.

Sehen Sie sich das vollständige Webinar an und erhalten Sie viele weitere wertvolle Einblicke aus dieser aufschlussreichen Diskussion. Im Google Cloud Marketplace erhalten Sie außerdem weitere Informationen über die Lösungen von Bluecore, Lytics und Quantum Metric.

So modernisiert Twitter seine Datenaktivierung mit Google Cloud

Mon, 17 Oct 2022 03:00:00 +0000

Als offene soziale Plattform bietet Twitter Zugang zu einem breitgefächerten Spektrum von Menschen, Perspektiven und Ideen. Unser Unternehmen fördert die freie Diskussion weltweit, damit Nutzer*innen Informationen zu Themen entdecken, lesen, erstellen und verteilen können, die sie besonders interessieren.

Seit seiner Gründung im Jahr 2006 verfolgt Twitter Technologietrends aufmerksam, um in unserem sich ständig weiterentwickelnden Markt ein Produkt anbieten zu können, das allen Bedürfnissen gerecht wird. Frühzeitige Investitionen in unsere Plattform haben Twitter einen Erfolgsschub verliehen, entsprachen aber technologisch zusehends nicht mehr dem Stand moderner Open Source-Lösungen. Mit dem Vorhaben, verstärkt auf Open Source-Technologie zurückzugreifen, um diesem Wandel gerecht zu werden, verband Twitter zudem das Ziel, mithilfe gesammelter Daten das Nutzungserlebnis zu optimieren. Die erste Generation von unseren Tools ließ jedoch erkennen, dass schnellere und zuverlässige Datenverarbeitungsverfahren nötig sein würden, um komplexe manuelle Aufgaben zu automatisieren und so die Entwicklungsabteilung zu entlasten. Twitter sah diese Situation also als Chance, seine Tools zu modernisieren und neue Erkenntnisse zu gewinnen, um seine Produkte und Werbepartnerschaften grundlegend zu transformieren und migrierte seine Betriebsprozesse Schritt für Schritt zu BigQuery auf Google Cloud, um die Datenverarbeitung in allen operativen Bereichen zu standardisieren und zu vereinfachen.

In der komplexen und wettbewerbsbetonten Welt automatisierter Werbemittelkäufe durch Programmatic Advertising sind Relevanz, Qualität und die Interpretation von datenbasierten Erkenntnissen entscheidende Voraussetzungen, um mit den sich ständig verändernden Anforderungen Schritt zu halten. Die Fähigkeit, große Datenmengen effizient zu verarbeiten, wurde deshalb zum entscheidenden Faktor, um Twitters Ziele mit denen seiner Werbepartner und Kund*innen in Einklang zu bringen. Im Zuge der Migration seiner lokalen Werbedaten auf Google Cloud nahm Twitter dazu mehrere Google Cloud-Lösungen – darunter insbesondere BigQuery und Dataflow – in Anspruch.

Bessere Werbepartnerschaften und effizientere Datenextraktion mit BigQuery

Die Interessen von Endnutzer*innen und Anzeigenkunden mit den Zielen eines Unternehmens überein zu bringen, ist immer mit Herausforderungen verbunden – so auch bei Twitter, mit Abermillionen von anspruchsvollen Nutzer*innen. Wie bei einem Schwungrad ermöglichte der Umsetzungsprozess es dem Twitter-Team, gemeinsam mit Werbepartnern Hypothesen zu testen und Konzepte zu entwickeln, bei denen die Ziele beider Parteien gleichermaßen berücksichtigt wurden. BigQuery kam in der Synthese dieser Ziele, auch im Hinblick auf das geschäftliche Wachstum aller involvierten Parteien, eine entscheidende Rolle zu, weil damit der Weg von der Hypothese zum Test bis zum konkreten Handeln sehr schnell bewältigt wird.

Als zentraler Service für Datenerfassung, -bewegung und die Extraktion wertvoller Erkenntnisse aus allen Daten des Unternehmens ist BigQuery der Motor, mit dem Twitter seine interne Produktivität und seine Umsätze optimieren konnte.

Dataflow: Datenmodellierung für mehr Produktivität und Wertschöpfung

Auch Dataflow hat als vollständig verwalteter Service für Streaming-Analytik erheblich zur Produktivitätssteigerung bei Twitter beigetragen. Dataflow reduziert den Zeitaufwand für manuelle Skalierungsaufgaben und ermöglicht so eine nahtlose Organisation und Templatisierung der Bewegung archetypischer Datensätze bei Twitter. Da nun weniger Arbeit für die Kalibrierung operativer Tools nötig ist, kann sich das Twitter-Team sinnvolleren Aufgaben widmen, etwa der Entwicklung neuer Möglichkeiten zur Gewinnung noch besserer datenbasierter Erkenntnisse.

Zuverlässiger Support und Datenkompetenz von Google

Mit seiner Expertise im Umgang mit Daten konnte Google Cloud Twitter auf jeder Ebene signifikante technische Unterstützung anbieten. Twitter fragte das Google Cloud-Produktteam regelmäßig um Rat in Bezug auf die Datenaufnahme-Geschwindigkeit, denn schließlich sollten die beträchtlichen Kapazitäten von BigQuery konsequent genutzt werden. Mit Whitepapers und einschlägigen Anwendungsfällen leistete das Support-Team von Google Cloud einen wertvollen Beitrag, damit Twitter seine Ziele erreichen und seine Daten umfassend aktivieren konnte.

Mehr über den Einsatz von BigQuery bei Twitter erfahren Sie in diesem Twitter-Blog

Neuigkeiten bei Googles offener und intelligenter Daten-Cloud

Thu, 22 Sep 2022 16:00:00 +0000

Wir haben das Privileg, täglich mit höchst innovativen Kunden weltweit zusammenzuarbeiten. Viele von ihnen entschieden sich für Google Cloud, weil wir über fundiertes Fachwissen in den Bereichen Datenanalyse und KI verfügen. Bei der Zusammenarbeit haben wir festgestellt, dass viele der führenden Datenunternehmen ähnliche Prioritäten haben: Datenbarrieren und -komplexität abbauen, neue Anwendungsfälle erschließen und mehr Menschen mit mehr Wirkung erreichen.

Diese disruptiven Unternehmen treiben die Dateninnovation mit einer Daten-Cloud voran, die ihre Mitarbeiter*innen befähigt, Daten aller Art, jeglichen Umfangs und aus jeder Quelle schnell zu bearbeiten – ohne Kapazitätsgrenzen. Diese Daten-Cloud bietet Bewegungsfreiheit, die Nutzer*innen wechseln ihre Workloads mühelos zwischen SQL und Spark, Business Intelligence und Machine Learning. Und für all das muss nur wenig Infrastruktur eingerichtet werden. Außerdem bildet diese Daten-Cloud das Fundament eines Ökosystems zur Schaffung von Datenprodukten, mit denen Mitarbeiter*innen, Kunden und Partner informierte Entscheidungen auf einer breiten Grundlage treffen können.

Am 11. Oktober, auf der Google Cloud Next ‘22, werden wir eine ganze Reihe neuer Funktionen vorstellen, die für diese Vision und ihre Weiterentwicklung stehen. Sollten Sie sich noch nicht für den Data Cloud-Track bei der Google Next angemeldet haben, sichern Sie sich am besten noch heute einen Platz!

Doch weil passionierte Datenfachleute nur ungern warten, möchten wir schon vor der Next eine Vorschau auf die jüngsten Daten-Cloud-Innovationen bieten.

Data Sharing ohne Barrieren, Erkenntnisse in Echtzeit, offene Ökosysteme

Gewöhnlich sind nicht alle Daten, die Sie benötigen, an einer Stelle versammelt, sondern liegen in einer Vielzahl von Quellen und Formaten vor. Nach Jahrzehnten von digitalem Datenaustausch kann die Datenbewegung bei einem traditionellen Austausch sehr aufwendig sein. Sicherheits- und Compliance-Fragen kommen erschwerend hinzu.

Deshalb haben wir uns entschieden, den nun verfügbaren Analytics Hub zu entwickeln – eine Data-Sharing-Plattform für Teams und Organisationen, die den Datenaustausch intern und extern sicher und zuverlässiger gestalten möchten.

Diese Innovation gewährleistet nicht nur, dass große Datensätze global analysebereit zusammengestellt und geteilt werden können, sondern erschließt auch Datensätze, die nur Google bereitstellen kann, z. B. die Google Search Trends oder den Data Commons Knowledge Graph.

Analytics Hub bietet ein erstklassiges Nutzungserlebnis innerhalb von BigQuery: Testen Sie den Hub jetzt im Rahmen der BigQuery-Nutzung kostenlos, ohne Angabe von Kreditkartendaten.

Daten schnell in Ihre Analyseumgebung zu bringen geht aber auch ohne Analytics Hub. Eine kürzlich neu eingeführte Option erlaubt es, Daten in Echtzeit für BigQuery zu extrahieren, zu laden und zu transformieren: das Pub/Sub-Abonnement „BigQuery Subscription“. Diese ELT-Innovation vereinfacht das Streamen von einzuspeisenden Workloads, sie lässt sich leichter implementieren und bietet auch wirtschaftliche Vorteile, denn Sie müssen keine neue Rechenleistung bereitstellen, um Daten zu bewegen, und für die Stream-Einspeisung in BigQuery auch nichts mehr zahlen.

Was aber, wenn Ihre Daten nun in verschiedenen Lakes, Warehouses, Clouds und Dateiformaten stecken? Mit der Zahl der Nutzer*innen vermehren sich auch die Anwendungsfälle und lassen eine herkömmlich aufgebaute Infrastruktur zur Datenbewegung schnell an die Grenzen ihrer Skalierbarkeit stoßen, wodurch hohe Kosten und Risiken entstehen können.

Wir haben deshalb die neue Speicher-Engine BigLake eingeführt, die den innovativen BigQuery-Speicher auf offene Dateiformate ausdehnt, die in öffentlichen Cloud-Objektspeichern residieren. Mit BigLake können Kunden sichere Data Lakes auf der Grundlage offener Dateiformate aufbauen. Und da die Lösung konsistente, granulare Sicherheitskontrollfunktionen für Google Cloud- und Open-Source-Query Engines bietet, muss das Sicherheitssystem nur an einer zentralen Stelle konfiguriert werden, um überall wirksam zu sein.

Kunden wie die Deutsche Bank, Synapse LLC und Wizard haben die Preview-Version von BigLake bereits im Einsatz. Die allgemeine Verfügbarkeit von BigLake gibt Ihnen Gelegenheit, zu erproben, wie Sie Ihr eigenes Daten-Ökosystem aufbauen können.

Freie Wege in der Datenverarbeitung

Wenn sich Ökosysteme auf Datenarten, -größen, -typen und -formate aller Art ausdehnen, werden Organisationen oft in der Innovation ausgebremst, denn die Mitarbeiter*innen müssen, je nach Workload, ständig zwischen unterschiedlichen Schnittstellen wechseln.

Das gilt insbesondere für den Bereich Machine Learning, wo die ML-Schnittstelle häufig eine andere als die für Geschäftsanalysen ist. Nach unseren Erfahrungen kommen BigQuery ML Kunden auf ihren Innovationspfaden jedoch sehr viel schneller voran – weil die Machine Learning-Fähigkeiten integraler Bestandteil von BigQuery sind, während sie bei anderen Lösungen lediglich aufgesetzt werden.

Dieselbe Philosophie wenden wir nun beim Data-Logging an, indem wir einen Loganalyse-Dienst in Cloud Logging anbieten. Dieses derzeit noch im Preview-Status befindliche neue Feature bietet seinen Anwender*innen profunde Einblicke in ihre BigQuery-Logging-Daten. Über die Cloud Logging-Gebühren hinaus fallen keine weiteren Kosten für die Loganalyse an, die zudem von den bald allgemein verfügbaren BigQuery-Features zur Loganalyse profitieren wird: Suchindizes, ein JSON-Dateityp und die Storage Write API.

Kunden, die ihre eigenen maschinengenerierten Daten von Servern, Sensoren und anderen Geräten speichern, untersuchen und analysieren, können damit auf dieselben BigQuery-Features zurückgreifen und haben es so bei der Abfrage der Logs leicht. Sie verwenden einfach die standardmäßige BigQuery-SQL, um operative Log-Daten zu analysieren, genauso wie bei ihren anderen Geschäftsdaten.

Doch das war noch längst nicht alles. Wir freuen uns darauf, Sie am 11. Oktober auf der Google Next ’22 zu begrüßen und Ihnen weitere Details zu den Daten-Cloud-Lösungen der nächsten Generation zu verraten. Suchen Sie die Ihrer Rolle und Ihren Interessen entsprechenden Beiträge unter den Top-Sessions der Next für Datenentwicklung, Datenwissenschaft und Datenanalyse aus – oder erstellen und teilen Sie Ihre eigenen Playlists.

Kommen Sie zur Next ’22 und hören Sie aus erster Hand, wie Boeing, Twitter, CNA Insurance, Telus, L’Oreal, Wayfair und andere Top-Unternehmen datengestützte Erkenntnisse in Erfolge umsetzen – mit der Daten-Cloud von Google.

Wie Google Cloud und SAP große Probleme großer Unternehmen lösen

Mon, 19 Sep 2022 02:00:00 +0000

Eines der größten Themen unserer Zeit – auch auf der SAP Sapphire in Orlando und an anderen Veranstaltungsorten – sind die globalen Lieferkettenprobleme. Sie betreffen sämtliche Unternehmen in allen Branchen; von alltäglichen Haushaltsartikeln, die früher zuhauf in den Regalen standen und plötzlich nicht mehr lieferbar sind, bis hin zu absoluten Notwendigkeiten wie Lebensmitteln und medizinischen Behandlungen. Auch cloudnative Unternehmen müssen Veränderungen vornehmen, damit sie weiterhin über die Informationen, Betriebsmittel und andere Ressourcen verfügen, die sie für das Geschäft mit ihren Kunden brauchen.

Wir sind stolz darauf, mit SAP an zahlreichen Initiativen zu arbeiten, die bei unseren Kunden echte Wirkung zeigen und ihnen helfen, ihre Unternehmen intelligenter und nachhaltiger zu machen. Ich möchte drei dieser wichtigen Initiativen näher beleuchten und zeigen, wie sie dazu beitragen, globale Lieferkettenprobleme zu bewältigen.

Effizientere Migration kritischer Workloads ermöglichen

Eine entscheidende Eintrittsbarriere für den Umstieg auf die Cloud ist die Migration von lokaler IT-Infrastruktur. Unsere Cloud ermöglicht es Unternehmen – darunter Johnson Controls, PayPal und Kaeser Compressor – auf sichere Weise ihre großen, komplexen Geschäftsprobleme zu digitalisieren und zu lösen, Kosten zu senken, ohne Investitionszyklen zu skalieren und auf Dienste und Funktionen zugreifen, die Wertschöpfung und Wachstum ermöglichen.

So ist zum Beispiel die Reederei Ocean Network Express (ONE) in Singapur flexibler geworden, indem sie ihre geschäftskritischen SAP-Workloads in der Google Cloud ausführt und unsere Datenanalysen für mehr Betriebseffizienz und schnellere Entscheidungen nutzt. Sie ist von einer lokalen Data-Warehouse-Lösung, bei der das Laden von Daten aus SAP S/4HANA einen ganzen Tag dauern konnte, auf unsere BigQuery-Lösung umgestiegen, die schon in wenigen Minuten entscheidende geschäftliche Erkenntnisse liefert.

The Home Depot hat seine kritischen SAP-Workloads in die Google Cloud verlagert und analysiert nun große Mengen interner und externer Daten mit BigQuery. Das Unternehmen erstellt heute Anwendungsfälle in der Lieferkette statt wie früher in acht Stunden in gerade einmal fünf Minuten. Dadurch lassen sich genauere Bedarfsprognosen erstellen und Bestände effektiver auffüllen, da bei unerwarteten Schwankungen von Angebot und Nachfrage rasch ein neuer Plan erarbeitet werden kann.

Nutzung der Cloud mit RISE und LiveMigration beschleunigen

Google Cloud bietet spezielle Cloud Acceleration-Programme an, die eine Migration von SAP- und anderen geschäftskritischen Workloads in unsere Cloud erleichtern.

Mit LiveMigration bieten wir SAP-Kunden, die zu Google Cloud wechseln, großartige Verfügbarkeit und Geschäftskontinuität – ohne Ausfallzeiten zur Instandhaltung der Infrastruktur. Ihr SAP-System läuft also weiter, während Google Cloud Wartungs-Upgrades durchführt, sodass ein Höchstmaß an Verfügbarkeit für Ihre geschäftskritischen Workloads gewährleistet ist.

Außerdem sind wir strategischer Partner des RISE with SAP-Programms, das die Cloud-Migration für den weltweiten Kundenstamm von SAP beschleunigt und die mit der Migration verbundenen Risiken minimiert. Dieses Programm unterstützt Unternehmen bei der Umstellung mit Lösungen und der Expertise von SAP und anderen Technologiepartnern in Form von Prozessberatung, Workload-Migration-Diensten, Cloud-Infrastruktur sowie laufenden Schulungen und Supportleistungen. Zur Absicherung Ihrer geschäftskritischen Workloads bieten SAP und Google Cloud im Rahmen des RISE with SAP-Programms ein SLA für 99,9-prozentige Verfügbarkeit.

Zu den vielen großen Herstellern, die RISE with SAP als sicheren und bewährten Weg in unsere Cloud nutzen, gehört auch Energizer Holdings Inc., ein führender Anbieter von Primärbatterien, Handleuchten und Fahrzeugpflegeprodukten. Energizer hat sich entschieden, mit RISE with SAP von einer privaten Cloud-Lösung auf SAP S/4HANA in der Google Cloud umzusteigen.

„SAP S/4HANA Central Finance wird uns helfen, wichtige Geschäftsprozesse zu automatisieren, den Kundenservice zu verbessern und Innovationen zu fördern, die die Führungsposition unseres Unternehmens weltweit stärken werden“, sagt Dan McCarthy, CIO von Energizer. „Wir haben uns für den Umstieg mit RISE with SAP entschieden, weil wir auf diese Weise flexibel bleiben und unser Tempo selbst bestimmen können.“

Ein weiteres Beispiel ist der weltweite Automobilhändler Inchcape, der seine geschäftskritischen Vertriebs-, Marketing-, Finanz- und Betriebssysteme mit den dazugehörigen Daten in die Google Cloud verlagert hat. Inchcape verwaltet und analysiert die nun in einer zentralen und sicheren Cloud-Plattform bereitgestellten Daten mithilfe der KI- und ML-Funktionen von Google Cloud, um Abläufe zu automatisieren und Millionen von Fahrzeugbesitzern ein besseres Serviceerlebnis zu bieten.

„Die enge Beziehung mit SAP und die hohe technische Kompetenz von Google Cloud in diesem Bereich waren für uns ausschlaggebend“, sagt Mark Dearnley, Chief Digital Officer von Inchcape. „Wir wollten vor allem eine problemlose RISE with SAP-Implementierung, um den Fahrzeugherstellern und Verbrauchern in allen unseren Regionen einen besseren Service zu bieten und unser 150 Jahre altes Traditionsunternehmen auf eine zu uns passende Weise zu modernisieren.“

Eine neue Intelligenzschicht für alle SAP Google Cloud-Kunden

Unternehmen, die geschäftskritische Workloads in die Cloud verlagern, müssen nicht nur in sicherer Weise migrieren, sondern auch schnell Mehrwert schaffen. Dabei unterstützen wir sie mit dem Google Cloud Cortex Framework, das neue Tools zum Informationsmanagement beinhaltet, die sich in die SAP Business Technology Platform (SAP BTP) integrieren lassen. Das Google Cloud Cortex Framework stellt Referenzarchitekturen, Implementierungshilfen und Integrationsdienste für Analyseszenarien bereit.

Ein Beispiel hierfür ist der E-Commerce-Anbieter Mercado Libre, dessen Transaktionen sich seit der Pandemie im Jahr 2020 mehr als verdoppelt haben. Dank dem Google Cloud Cortex Framework kann Mercado Libre effizienter arbeiten, auf der Grundlage fundierter Daten schnellere Entscheidungen treffen und so mit den Veränderungen Schritt halten.

Langfristige Partnerschaft zur Unterstützung von Organisationen in aller Welt

Unsere langjährige Partnerschaft mit SAP bringt immer wieder spannende Innovationen für unsere Kunden hervor, die wir gemeinsam bei der Bewältigung der anhaltenden weltweiten Lieferkettenprobleme unterstützen dürfen. Wir freuen uns darauf, auf den SAP Sapphire Veranstaltungen neue Erkenntnisse und Innovationen vorzustellen, mit Ihnen über Ihre Pläne und Herausforderungen zu sprechen und zu erfahren, wie wir Ihren Umzug in die Cloud am besten unterstützen können.

Die Zukunft der Daten: vereinheitlicht, flexibel, zugänglich

Thu, 15 Sep 2022 03:00:00 +0000

Die von Menschen und Unternehmen produzierten Datenmengen nehmen exponentiell zu. Datengestützte Verfahren sind deshalb vor allem für Technologieunternehmen und Start-ups aller Branchen besonders wichtig. Allerdings wird in unseren Kundengesprächen – ebenso wie in zahlreichen Branchenberichten – immer wieder deutlich, dass das Management und die Auswertung insbesondere großer Datenmengen nach wie vor schwierig ist.

Das hat verschiedene Ursachen – darunter Probleme mit Datenzugriff und Datenspeicherung, inkonsistente Tools, neue und veränderte Datenquellen und Formate, Compliance-Anforderungen und Sicherheitsüberlegungen. Wir möchten Ihnen helfen, diese Herausforderungen zu verstehen und anzugehen, und haben dazu ein neues Whitepaper mit dem Titel „The future of data will be unified, flexible, and accessible“ herausgegeben. Wir untersuchen darin, warum Kunden, die ihre Daten optimal nutzen möchten, sich für Google Cloud entscheiden.

Ein typisches Fallbeispiel: Sie wollen Daten aus Alt-Systemen im Rahmen einer neuen Technologie-Plattform nutzen: Müssen Sie deshalb alle Ihre Daten in die Cloud verlagern? Sollten Sie sie in einer Cloud zusammenfassen oder auf mehrere Clouds verteilen? Wie erschließen Sie alle diese Daten, ohne dass weitere Silos entstehen?

Vielleicht sind Sie auch gezwungen, Ihre Daten statt in Echtzeit mit Batchverarbeitung zu analysieren, was Latenzen verursacht, teure Wartungsmaßnahmen erfordert und Ihre Architektur unnötig komplex macht. Oder Sie müssen mit unstrukturierten Daten zurechtkommen und tun sich schwer, diese skalierbar zu bearbeiten und zu analysieren. Was auch immer die Umstände sind – die Problemursachen sind oft der Zugang zu Daten, die häufig in Silos isoliert sind, und das Fehlen adäquater Möglichkeiten, diese Daten zu verarbeiten und zu analysieren.

Gefragt ist ein moderner Software-Stack, der auf einer Streaming-Architektur aufbaut und mit Ihrem Datenbestand wächst, Echtzeit-Analysen ermöglicht, alle relevanten Datentypen unterstützt und Ihnen erlaubt, mithilfe von maschinellem Lernen Prognosen zu erstellen und Prozesse zu operationalisieren. Eine effektive Nutzung Ihrer Datenbestände setzt Folgendes voraus:

Von Zulieferern, Partnern und über alle Plattformen hinweg werden unternehmensweit einheitliche Daten bereitgestellt, um organisatorische und technologische Silos zu vermeiden.
Unstrukturierte Daten werden erschlossen und sind Teil Ihrer Analysestrategie.
Das Softwarepaket ist so weit vereinheitlicht und flexibel, dass es alle Anwendungsfälle – von der Analyse von Batch-Daten, über das Echtzeit-Streaming, bis hin zum Einsatz von ML – unterstützt.
Es ist problemlos zugänglich und unterstützt verschiedene Plattformen, Programmiersprachen, Tools und offene Standards, die den Bedürfnissen und Fähigkeiten Ihrer Teams entsprechen.

Wenn diese Voraussetzungen erfüllt sind, steht der optimalen Nutzung Ihrer Daten nichts mehr im Wege – sei es, um sich verändernde Kundenerwartungen zu erkennen und abzudecken, oder den Zeit- und Arbeitsaufwand Ihrer Data Engineers und Data Scientists zu optimieren.

In den kommenden Wochen werden wir an dieser Stelle auf weitere Aspekte des Whitepapers eingehen. Wenn Sie schon jetzt tiefer einsteigen und Ihre Daten besser nutzen möchten, können Sie unser Whitepaper hier kostenlos herunterladen.

Wie Bayer Crop Science mit BigQuery und geobeam die Bodengesundheit verbessert

Mon, 12 Sep 2022 03:00:00 +0000

Bayer Crop Science analysiert mit Google Cloud mehrere Milliarden Hektar Land, um die Bodenbeschaffenheit der Anbauflächen für unsere Nutzpflanzen zu analysieren. Ein Großteil dieser wichtigen Arbeit basiert auf Daten von US-Behörden wie dem geologischen Forschungsinstitut USGS, dem Amt für Meteorologie und Ozeanografie NOAA und dem nationale Wetterdienst NWS, die umfangreiche Messungen der Erdoberfläche und der Atmosphäre vornehmen. Diese Messergebnisse stehen der Öffentlichkeit zur freien Verfügung, müssen aber ausgewertet werden, um daraus Informationen und Erkenntnisse zu gewinnen.

Für den Abruf sowie die Speicherung, Analyse und Visualisierung dieser raumbezogenen Daten setzen die Datenwissenschaftler*innen von Bayer auf die Dienste von Google Cloud. Das können auch Sie: In diesem Beitrag erfahren Sie, wie sich mit Google Cloud-Diensten wie BigQuery und Dataflow selbst große Mengen an Erdbeobachtungsdaten mühelos analysieren lassen.

Daten zusammenführen

Werfen wir zunächst einen Blick auf einige der verfügbaren Datensätze. Für dieses Projekt war das Bayer-Team vor allem an einem speziellen Datensatz aus dem globalen Bodendatenbestand der ISRIC-Stiftung interessiert. Das International Soil Reference and Information Centre erstellt eine weltweite Bodenqualitätskarte und misst dafür den pH-Wert, den Gehalt an organischen Substanzen, den Stickstoffgehalt und andere chemische Eigenschaften der Böden. Diese Messdaten werden in Rasterdateien kodiert – große Bilder aus verschiedenfarbigen Pixeln, die jeweils den an einem bestimmten Punkt auf der Erdoberfläche gemessenen Wert darstellen. Sie enthalten mehrere Schichten von Rastern, die Daten aus den einzelnen Tabellen einer Datenbank abbilden. Raster sind ideal, um durch Punktmessungen erzeugte Gitterdaten zu speichern und werden häufig für die Bereitstellung von Erdbeobachtungsdatensätzen genutzt. Die räumliche Beziehung zwischen einzelnen Bereichen, Segmenten und Schichten eines Rasters ist dabei allerdings nicht leicht zu erkennen.

Daten zu Erkenntnissen verarbeiten

Deshalb wandelt Bayer die Rasterdaten mit Dataflow und geobeam in Vektordaten um, die eine Visualisierung ermöglichen. Um aus den Datenpunkten Bilder zu erzeugen, werden die Rastersegmente in Polygone konvertiert, in das von BigQuery verwendete WGS 84-Koordinatensystem reprojiziert und zu h3-Indizes verarbeitet. Vor allem die Polygonisierung ist ein sehr komplexer Vorgang, dessen Schwierigkeit mit der Größe der Datei exponentiell zunimmt. Dataflow teilt deshalb umfangreiche Rasterdateien in kleinere Blöcke auf, die dann massiv parallel verarbeitet werden. Auf diese Weise lassen sich beliebige Datenmengen wesentlich schneller konvertieren, als es auf einem einzelnen Rechner mit herkömmlichen GIS-Tools möglich wäre – und das im Handumdrehen, mit minimalem Programmieraufwand. Die Rasterdaten werden polygonisiert, reprojiziert und vollständig umgewandelt und dann von Dataflow als Vektordaten direkt in BigQuery-Tabellen geschrieben.

Mithilfe von BigQuery GIS und den durch geobeam berechneten h3-Indizes verbindet Bayer die in BigQuery geladenen Daten über mehrere Tabellen hinweg zu einer Gesamtansicht der verschiedenen Bodenschichten. Damit können die kombinierten Daten ausgewertet, alle Schichten gleichzeitig mit BigQuery GeoViz abgebildet und mit Machine-Learning-Modellen nach Mustern untersucht werden, die für das menschliche Auge nicht erkennbar sind.

Screenshot der Bodenanalyse von Bayer in GeoViz

Geodaten in der Praxis

Bayer nutzt die Bodengitterdaten, um die Bodeneigenschaften in den Anbaugebieten seiner Kunden zu analysieren und die Entwicklung und den Vertrieb seiner Produkte besser auf die örtlichen Bedingungen abzustimmen. Auch bei der Analyse der Bodeneigenschaften auf den Feldern seines internen Testnetzwerks kommt diese Technologie zum Einsatz, um globale Muster bei den Umweltbedingungen zu erkennen und historische Entwicklungen abzubilden.

Es ist wenig überraschend, dass die Nutzung der Erkenntnisse aus Geodaten zum Anbau von Nutzpflanzen für Bayer Crop Science ein entscheidender Durchbruch ist. Dieselben Strategien und Tools können aber auch in vielen anderen Branchen und Unternehmen eingesetzt werden.

Google hat sich dem Ziel verschrieben, das Wissen der Welt zu organisieren und es allgemein zugänglich und nutzbringend einsetzbar zu machen. Wir freuen uns, mit Kunden wie Bayer Crop Science zusammenzuarbeiten, die ihre Daten für die Entwicklung von Produkten einsetzen, die sowohl ihren Kunden als auch der Umwelt zugutekommen.

Wenn auch Sie daran interessiert sind, innovative Geodatenanwendungen für Ihr Unternehmen zu entwickeln, werfen Sie einen Blick in unsere Referenz zu den raumbezogenen Funktionen von Google Cloud. Mit BigQuery und geobeam finden Sie alle dazu nötigen Anwendungen in der Google Cloud-Konsole.

Neue Google Cloud-Lösungen für die Fertigung: intelligente Fabriken, intelligenteres Arbeiten

Thu, 08 Sep 2022 03:00:00 +0000

Im Zuge der digitalen Transformation setzt die Fertigungsindustrie heute auf innovative Cloud- und KI-Technologien, die eine gesteigerte Konkurrenzfähigkeit und nachhaltiges Wachstum versprechen. Laut McKinsey setzen bereits fast zwei Drittel der Hersteller in der EU und den USA Cloud-Lösungen ein. Doch nach Einschätzung von Analysten stellt die Skalierung digitaler Transformationsprojekte, von der Machbarkeitsstudie bis zur Produktion, für die meisten von ihnen nach wie vor eine große Herausforderung dar.

Aus unserer Sicht sind die Ursachen dafür das Fehlen von kontextualisierten Geschäftsdaten und ein Mangel an Fähigkeiten beim Umgang mit komplexen Data-Science- und KI-Tools.

Um das produzierende Gewerbe bei der Umsetzung digitaler Transformationsprojekte zu unterstützen, kündigt Google Cloud nun neue Fertigungslösungen an, die speziell auf die Bedürfnisse von Herstellern zugeschnitten sind.

Die neuen Fertigungslösungen von Google Cloud bieten Fertigungsingenieuren und der Werksleitung mit einheitlichen und kontextualisierten Daten den Zugriff auf die unterschiedlichen Prozesse und Anlagen in der Produktion.

Werfen wir einen Blick auf diese neuen Lösungen und verfolgen wir den Weg der Daten von der Werkshalle in die Cloud:

Manufacturing Data Engine ist das Fundament dieser Cloud-Lösung zur Verarbeitung, Kontextualisierung und Speicherung von Werksdaten. Die Cloud-Plattform kann von jeder Art von Maschine Daten erfassen und unterstützt dabei eine Vielzahl von Datentypen – von Telemetrie- bis zu Bild- Daten – über eine private, sichere und kostengünstige Verbindung zwischen Edge und Cloud. Mit integrierten Funktionen zur Datennormalisierung und Kontexterweiterung stellt sie ein gemeinsames Datenmodell für die Speicherung in einem für das Werk optimierten Data Lakehouse bereit.
Manufacturing Connect ist die gemeinsam mit Litmus Automation entwickelte Edge-Plattform für Produktionsstätten. Mit einer umfassenden Bibliothek von mehr als 250 Maschinenprotokollen lässt sie sich rasch mit nahezu jeder Produktionsanlage verbinden. Sie wandelt Maschinendaten in verwertbare Datensätze um und sendet sie zur Verarbeitung, Kontextualisierung und Speicherung an die Manufacturing Data Engine. Dank der Unterstützung containerisierter Workloads können Hersteller Datenvisualisierungen, Analysen und ML-Funktionen mit niedriger Latenz direkt auf Edge-Geräten ausführen.

Basierend auf der Manufacturing Data Engine entwickeln Google Cloud und unsere Partner eine wachsende Anzahl von Datenanalyse- und KI-Anwendungsfälle:

Manufacturing Analytics & Insights: Eine gebrauchsfertige Integration mit Looker-Vorlagen für umfangreiche Dashboard-Analysen. Mit dem intuitiven, codefreien Daten- und Analysemodell können Fertigungsingenieure und Werkleiterrasch an ihre Bedürfnisse angepasste Dashboards erstellen. Neue Maschinen, Einrichtungen und Werke werden dabei automatisch hinzugefügt. Die Daten lassen sich anhand von KPIs aufschlüsseln oder nach Bedarf analysieren, um neue Erkenntnisse zu gewinnen und überall im Werk Verbesserungsmöglichkeiten aufzudecken. Die Erkenntnisse können geteilt und im gesamten Unternehmen oder in der Zusammenarbeit mit Partnern genutzt werden.
Predictive Maintenance: Hersteller können vordefinierte ML-Modelle in wenigen Wochen bereitstellen, ohne dass dies die Genauigkeit der Vorhersage beeinträchtigt. In Zusammenarbeit mit Google Cloud-Ingenieuren lassen sich diese Modelle kontinuierlich verbessern und verfeinern.
Machine-level Anomaly Detection: Eine speziell entwickelte Integration, die mithilfe der Time Series Insights API von Google Cloud auftretende Anomalien in Maschinen- und Sensordaten in Echtzeit erkennt und meldet.

„Unsere Fertigungslinien generieren immer mehr Sensordaten, die wir für intelligentere Analysen der Produktqualität, Produktionseffizienz und Anlagenfunktion nutzen können“, sagt Jason Ryska, Director Manufacturing Technology Development der Ford Motor Company. „Die Erfassung und Verwaltung dieser Datenmengen bringt allerdings auch neue Herausforderungen mit sich. In Zusammenarbeit mit Google Cloud haben wir deshalb eine Datenplattform implementiert, die jetzt auf mehr als 100 produktionskritischen Maschinen in zwei Werken läuft. Pro Woche überträgt und speichert sie mehr als 25 Millionen Datensätze. Aus diesen Daten gewinnen wir entscheidende Erkenntnisse, die uns helfen werden, vorausschauende und vorbeugende Maßnahmen zu treffen, damit unsere Fertigungsanlagen noch effizienter werden.“

„Die enge Integration einer leistungsstarken Factory-Edge-Lösung mit Google Cloud macht es jetzt noch einfacher, Cloud-Funktionen in der Fabrik zu nutzen“, sagt Masaharu Akieda, General Manager Digital Solutions Division der KYOCERA Communication Systems Company. „Mit den Lösungen von Google Cloud können nicht nur Data Scientists, sondern praktisch alle Beschäftigten Daten rasch abrufen, analysieren und in einer Vielzahl von Anwendungsfällen nutzen. Wir freuen uns sehr, gemeinsam mit Google Cloud neue Fertigungslösungen einzuführen, die die Produktionsabläufe optimieren und die Qualität kontinuierlich verbessern.“

„Als weltweiter Innovator der Festkörpertechnik für Kälte- und Wärmeanlagen haben wir eine nachhaltige Fertigungsplattform entwickelt, die weniger Wasser und Strom verbraucht und weniger chemische Abfälle erzeugt“, sagt Jason Ruppert, Chief Operations Officer von Phononic. „Dank der Partnerschaft mit Google Cloud können wir Daten über alle Fertigungsprozesse hinweg kontextualisieren und analysieren. Dadurch gewinnen wir Erkenntnisse, die uns in die Lage versetzen, unsere Abläufe zu optimieren und weiterhin Produkte zu entwickeln, die nachhaltig kühlen, Treibhausgasemissionen reduzieren und die Umwelt schonen.“

Immer mehr Partner steuern weitere Google Cloud-Fertigungslösungen bei – von Konnektoren bis hin zu KI-gestützten Anwendungsfällen. Sehen Sie in unserem neuen Google Cloud Manufacturing Spotlight selbst, was unsere Partner über die Manufacturing Data Engine und Manufacturing Connect sagen.

Die neuen Fertigungslösungen von Google Cloud stärken und integrieren drei wichtige Aspekte des intelligenten Fertigungsbetriebs: Fertigungsingenieure , Daten und KI.

Fertigungsingenieure in den Mittelpunkt der intelligenten Fertigung stellen

In den vergangenen Jahren betrug der direkte Anteil der Fertigungsindustrie am Bruttoinlandsprodukt der USA mehr als 10 %. Zusammen mit dem indirekten Beitrag, also den Käufen aus anderen Branchen, beläuft sich ihr Anteil sogar auf 24 %. in diesem Sektor arbeiten etwa 15 Millionen Menschen und damit 10 % der US-amerikanischen Arbeitskräfte. Ähnlich wie in vielen anderen Ländern weltweit sind allerdings mehr als 20 % der Beschäftigten in der Fertigung älter als 55 Jahre; das Durchschnittsalter liegt bei 44 Jahren.

Weil es für die Hersteller immer schwieriger wird, Ersatz für ausscheidende Arbeitskräfte zu finden, setzen sie viel daran, ihre vorhandene Belegschaft zu unterstützen und für Nachwuchskräfte attraktiver zu werden. Damit dies gelingt, müssen entscheidende Technologien wie Cloud und KI zugänglich, einfach nutzbar und eng in das Tagesgeschäft der Hersteller integriert werden.

Die Fertigungslösungen von Google Cloud sind genau dafür ausgelegt: Sie geben den Fertigungsingenieuren leistungsstarke, rasch einsetzbare und intuitive digitale Tools an die Hand, die neue Erkenntnisse bieten, mit denen Abläufe auf ganz neue Weise optimiert werden können.

Die entscheidenden Komponenten der Lösung können mit wenig oder ganz ohne Programmierkenntnisse eingerichtet und genutzt werden. Die auf Skalierbarkeit ausgelegten Lösungen unterstützen Rollouts anhand standardisierter und wiederverwendbarer Vorlagen. Sie wurden auf der Basis von Best Practices konzipiert und erlauben den Herstellern, ihre wertvollen Ressourcen statt auf die zugrundeliegende Infrastruktur ganz auf die jeweiligen Anwendungsfälle zu konzentrieren.

Mit der auf der Business Intelligence Engine von Looker basierenden Integration Manufacturing Analytics & Insights können produktionstechnische Teams Daten visualisieren und aufschlüsseln. Dank ihrer automatischen Konfiguration im Rahmen der Manufacturing Data Engine haben sie rasch einen stets aktuellen Überblick über alle Aspekte des Fertigungsbetriebs. Vom COO über das Werksmanagement bis zu den Fertigungsingenieuren können alle Beschäftigten mühelos Werksdaten auf Unternehmens-, Werks-, Anlagen- und Sensorebene einsehen und erkunden.

Google Cloud und seine Partner entwickeln von Grund auf benutzerfreundliche Lösungen für die Fertigung und unterstützen die Hersteller auch aktiv bei der Qualifizierung ihrer Mitarbeiter.

Alle Datenpunkte zugänglich und praktisch nutzbar machen

Daten sind die Grundlage der digitalen Transformation in der Fertigung und fallen bei den Herstellern in großen Mengen an: Pro Woche können allein die Performance-Protokolle einer einzigen Maschine fünf Gigabyte, die Prozesse einer typischen intelligenten Fabrik sogar fünf Petabyte Daten generieren.

Diese Datenfülle und die in ihr verborgenen Erkenntnisse sind für viele Hersteller heute noch weitgehend unzugänglich. Häufig werden Daten nur teilweise erfasst und dann in einer Vielzahl unterschiedlicher und proprietärer Systeme unter Verschluss gehalten.

Manufacturing Connect stellt deshalb eine besonders umfangreiche Bibliothek mit mehr als 250 nativen Protokoll-Konnektoren bereit. Mit ihrer Hilfe lassen sich praktisch alle Produktionsanlagen und Systeme rasch abfragen und die benötigten Daten herunterladen. Dank integrierter Analysefunktionen und Unterstützung für containerisierte Workloads können die Hersteller die Daten direkt vor Ort verarbeiten.

Eine ergänzende Cloud-Komponente ermöglicht es den Herstellern, die Edge-Instanzen verschiedener Werke für globale Rollouts zentral zu verwalten, zu konfigurieren, zu standardisieren und zu aktualisieren. In derselben Oberfläche lassen sich dann die eingehenden Daten durch entsprechende Konfiguration der Manufacturing Data Engine-Lösung weiterverarbeiten. .

Die Manufacturing Data Engine von Google Cloud strukturiert die Daten und ermöglicht ihre semantische Kontextualisierung. Dadurch sind die Daten dann im gesamten Unternehmen universell zugänglich und nutzbar. Sie abstrahiert die Komplexität der Fertigungsdaten, sodass die Hersteller und ihre Partner wiederholbare, skalierbare und rasch anwendbare Analysen und KI-Anwendungsfälle entwickeln können.

KI für die intelligente Fertigung erfordert ein breites Partner-Ökosystem

Viele Hersteller haben erkannt, dass KI-Lösungen dazu beitragen, Kosten zu senken und die Produktion zu optimieren. Manche von ihnen haben sogar Patente auf ihre KI-Initiativen angemeldet. In einer Google-Umfrage vom Juni 2021 berichten 66 % der Hersteller, die in ihren Betriebsprozessen künstliche Intelligenz einsetzen, dass die Bedeutung der KI für ihr Unternehmen weiter zunimmt.

Google Cloud hilft Herstellern, die Abläufe in ihren Werken mit Cloud-Technologie und künstlicher Intelligenz schneller und reibungsloser zu gestalten. Kunden, die die Manufacturing Data Engine nutzen, können direkt auf die Vertex AI-Plattform von Google Cloud zugreifen, die eine Vielzahl integrierter KI/ML-Tools bereitstellt – von AutoML für die Fertigungstechnik bis hin zu komplexen Tools für die Feinabstimmung der KI-Resultate. Mit Google Cloud ist die Entwicklung von KI/ML-Anwendungsfällen für Hersteller heutzutage einfacher denn je.

Erst die Skalierbarkeit ermöglicht den Einsatz von Cloud und KI in der Fertigung

Unser Ziel ist, Datensilos aufzubrechen, um Ihre digitale Transformation zu beschleunigen und durch den Einsatz von intuitiven KI-Technologien und einer industrietauglichen Datenplattform jeden Fertigungsingenier zu einem Datenwissenschaftler zu machen. Mehr dazu erfahren Sie in unserem Google Cloud Manufacturer Spotlight.

So messen und maximieren Sie den Wert von Data Science- und KI-Teams

Thu, 01 Sep 2022 03:00:00 +0000

Investitionen in künstliche Intelligenz (KI) können Ihrem Unternehmen Wettbewerbsvorteile verschaffen. Wenn Sie für ein KI- oder Data Science-Team verantwortlich sind, sollten Sie den von Ihnen erbrachten Wert messen und maximieren. Wir haben dazu einige Tipps und Beispiele aus unserer langjährigen Erfahrung auf diesem Gebiet für Sie zusammengetragen.

Checkliste für den Projektstart:

Folgende Punkte sollten zu Beginn eines Projekts geklärt sein:

Kundenorientierung. Jedes Projekt sollte eine Kundschaft haben, deren Bedürfnisse und Ziele es bedient. Halten Sie fest, welchen Wert Sie ihnen bieten wollen.
Business Case. Diese Kosten-Nutzen-Rechnung Ihres Projektes wird auf Schätzungen und Annahmen beruhen und lässt sich zumeist in wenigen Minuten definieren. Sie sollten Sie aber hin und wieder überprüfen, um sich immer im Klaren zu sein, was den Kostenaufwand Ihres Teams rechtfertigt und was ihre Kundinnen und Kunden sich davon erwarten.
Geschäftsprozesse. Ihre Arbeit soll etwas bewirken. Klären Sie deshalb, welche Geschäftsabläufe im Zusammenhang mit Ihrer Arbeit geändert oder geschaffen werden müssen und stimmen Sie sich mit allen Beteiligten dazu ab.
Meßbare Planung. Sie sollten belegen können, wie sich die laufende Arbeit auf relevante Geschäftsindikatoren auswirkt. Messen und demonstrieren Sie die Verbesserungen, die Ihr Projekt ermöglicht. Berücksichtigen Sie dabei auch andere Faktoren wie saisonale Effekte oder andere geschäftliche Entwicklungen, die Ihre Messwerte beeinflussen können.
Nutzen Sie all dies, um sich die Unterstützung Ihrer Organisation für Ihr Team und seine Arbeit zu sichern.

Welche Messwerte sind sinnvoll?

Überlegen Sie im Vorfeld, mit welchen Messwerten und Indikatoren Sie den Wert der Arbeit Ihres Teams für Ihre Organisation belegen wollen.

Die Anzahl Ihrer Entscheidungen. Eine wesentliche Funktion von ML besteht darin, Entscheidungen zu automatisieren und zu optimieren: Welches Produkt soll empfohlen werden, welche Route ist die richtige usw. Verfolgen Sie anhand von Protokollen, wie viele Entscheidungen Ihre Systeme tatsächlich treffen.

Die Entwicklung der Umsätze oder Kosten. Bessere und schnellere Entscheidungen führen oft zu höheren Umsätzen oder Einsparungen. Falls Sie diese nicht direkt messen können, schätzen Sie sie: Sie könnten zum Beispiel von kürzeren Fahrstrecken auf die eingesparten Benzinkosten oder von personalisierten Angeboten auf Zunahmen bei Käufen schließen.

Ein Beispiel: In den USA nutzt das Illinois Department of Employment Security (IDES) Contact Center AI für den raschen Einsatz virtueller Agenten, die mehr als einer Million Bürger*innen bei ihren Anträgen auf Arbeitslosengeld helfen. Um seinen Erfolg zu messen, verfolgte das Team zwei Ergebniswerte: Die Anzahl der über die Website bearbeiteten Anrufe und Anfragen und die Gesamtkosten des Callcenters. Nach der Implementierung konnte das Team über 140.000 Telefon- und Online-Anfragen pro Tag und mehr als 40.000 Anrufe in den Abend- und Nachtstunden verzeichnen. Auf der Grundlage der Daten seiner virtuellen Agenten schätzte das IDES die jährlichen Kosteneinsparung auf etwa 100 Mio. US-Dollar (siehe Link zur Fallstudie).

Die Implementierungskosten. Vergessen Sie nicht, den Umsatzsteigerungen oder Einsparungen die anfallenden Kosten gegenüberzustellen. Beziffern Sie die Technologiekosten Ihres Teams und zeigen Sie wo möglich auf, wie Sie mit mehr Effizienz mehr Wert schaffen können.

Die Zeitersparnis. Ein Routenplaner spart Fahrzeit, ein E-Mail-Klassifizierungssystem spart Lesezeit. Berechnen Sie, wie viele Stunden Ihre Organisation dank der Effizienz des Systems, das Ihr Team entwickelt hat, zurückgewinnen konnte.

Auch hierzu ein Beispiel: Im medizinischen Bereich kommt es auf schnelle Diagnosen an. Die Abteilung für Hirnverletzungen der Johns Hopkins University erforscht Möglichkeiten, die Behandlung von Hirnblutungen zu verbessern. Dabei hat das Team die Dauer der Auswertung von Hirnscans als wichtigste Metrik für den Geschäftserfolg identifiziert. Es experimentiert seither mit einer Reihe von Cloud-Computing-Lösungen wie Dataflow, Cloud Healthcare API, Compute Engine und AI Platform, um Iterationen mittels Distributed Training zu beschleunigen. Das Team konnte jüngst auf diese Weise die Auswertungsdauer der Hirnscans von rund 500 Patienten von 2.500 Stunden auf 90 Minuten verkürzen.

Die Anzahl der von Ihrem Team unterstützten Anwendungen. Nicht alle Bereiche Ihrer Organisation werden ML nutzen. Stellen Sie deshalb fest, wie viele Bereiche von der Optimierung und Automatisierung durch Ihr Team profitieren.

Das Nutzungserlebnis. Im Idealfall können Sie Verbesserungen beim Erlebnis Ihrer Kund*innen messen: weniger Beschwerden, bessere Bewertungen, verringerte Latenzen, mehr Interaktionen usw. Das gilt sowohl für interne als auch für externe Stakeholder. Bei Google messen wir die Nutzung aller internen Systeme und Prozesse und bitten regelmäßig um Feedback.

Ein letztes Beispiel: Einer unserer Kunden, die US-amerikanische Stadt Memphis, nutzt VisionAI und ML für die Erkennung und Beseitigung von Schlaglöchern. Das Implementierungsteam identifizierte als eine der wichtigsten Metriken neben der Genauigkeit und der Kosteneinsparungen die prozentuale Zunahme der Anzahl erkannter Schlaglöcher. Die Lösung erfasst die von den städtischen Fahrzeugen übermittelten Videoaufnahmen und nutzt Google Cloud-Funktionen wie Compute Engine, AI Platform und BigQuery für die automatisierte Auswertung des Materials. Durch das Projekt hat die Anzahl der erkannten Schlaglöcher um 75 % zugenommen, bei einer Genauigkeit von mehr als 90 %. Mit seinen Messungen konnte das Team beweisen, dass es in der Lage ist, ein kosteneffizientes, Cloud-basiertes Machine-Learning-Modell zu entwickeln. Nun prüft es bereits neue KI- und ML-Anwendungen, die die Dienste der Stadtverwaltung weiter verbessern und den 652.000 Einwohnern der Stadt das Leben angenehmer machen sollen.

Danksagung

Filipe und Payam danken der Kollegin und Co-Autorin Mona Mona (AI/ML Customer Engineer, Healthcare and Life Sciences), die maßgeblich an diesem Beitrag mitgewirkt hat.

SAP und BigQuery: Sechs Erfolgsgeschichten aus der Praxis

Tue, 16 Aug 2022 03:00:00 +0000

Schneller Zugriff auf Geschäftsdaten ist eines der Heilsversprechen digitaler Technologie. Doch viele IT-Abteilungen tun sich noch schwer damit, Echtzeit-Daten im richtigen Moment für Entscheidungen zur Verfügung zu stellen. Deshalb bietet Google Cloud eine Reihe von Funktionen für SAP-Kunden, die mehr aus ihren Geschäftsdaten herausholen wollen.

BigQuery ist ein vollständig verwaltetes, serverloses, hoch skalierbares und kostengünstiges Multi Cloud Data Warehouse und speziell für Agilität entwickelt. BigQuery kann Petabytes an strukturierten und unstrukturierten Daten integrieren, aggregieren und analysieren. Laut IDC (International Data Corporation) sorgt es durch höhere Produktivität, effizientere Arbeitsabläufe und geringere IT Infrastrukturkosten bei SAP-Kunden für einen ROI von 320 % oder mehr. BigQuery Connector for SAP erweitert dieses Angebot nun um eine schnelle, einfache und kostengünstige Lösung, mit der Kunden Änderungen der SAP-Anwendungsdaten direkt, in Echtzeit und mit geringer Latenz in BigQuery replizieren können.

Ein weiteres wichtiges Instrument für SAP-Kunden, die den Wert ihrer Daten maximieren möchten, ist das Google Cloud Cortex Framework. Es ist schnell einsetzbar, denn Referenzarchitekturen, Servicepakete und Beschleuniger erleichtern den Weg von der Planung zur Bereitstellung und sorgen für eine rasche Inbetriebnahme und kurze Amortisierungszeiten. Diese im Google Cloud Cortex Framework enthaltenen Beschleuniger von Google Cloud und unseren Partnern bieten viele Lösungsvorlagen für spezielle Anwendungsfälle und Geschäftsszenarien.

SAP-Kunden schaffen Mehrwert mit Google Cloud und BigQuery

Sehen wir uns sechs SAP-Unternehmen an, die mit BigQuery ihre Geschäftsabläufe transformiert und das Kundenerlebnis verbessert haben:

Das kanadische Finanzinstitut ATB Financial nutzte BigQuery beim Umstieg von einem Rechenzentrum vor Ort auf ein flexibleres und agileres Cloud-Framework, das seine zentralen SAP-basierten Bankanwendungen unterstützt.

BigQuery ermöglichte es dem Unternehmen, umfangreiche Altdatenbestände aus internen und externen Quellen in Echtzeit zu erfassen und einzubinden, Daten durch anspruchsvolle Analysemethoden und künstliche Intelligenz anzureichern und dabei Self-Service-Analysen sowie Machine-Learning-Modelle einzuführen. Heute ist ATB Financial dadurch in der Lage, Geschäftserkenntnisse aus mehreren Datenquellen 117-mal schneller als zuvor zu gewinnen.

Das Luxuskaufhaus Breuninger zählt zu den erfolgreichsten Einzelhändlern Deutschlands im Bereich Mode und Lifestyle. Es bietet seinen Kundinnen und Kunden 15 Premiumdienste wie etwa eine persönliche Einkaufsberatung und einen Shuttleservice an. Für dieses High-Touch/High-Value-Geschäftsmodell muss das Unternehmen mit seinen 5.500 Beschäftigten blitzschnell und auf allen Ebenen fundierte Entscheidungen treffen können.

Mithilfe von Google Cloud konnte Breuninger sein Geschäftsmodell grundlegend modernisieren. Mit BigQuery und SAP nutzt das Unternehmen heute alle Möglichkeiten der Google Kubernetes Engine, um Daten aus unterschiedlichen Quellen in Echtzeit zu extrahieren – von Kundenkartendaten bis hin zu Lieferinformationen. So wissen Vertriebsmanager*innen genau, wann bestimmte Produkte bei wichtigen Kund*innen eintreffen und können mit personalisierten Anrufen oder E-Mails nachfassen.

Der zur weltweiten Carrefour Group gehörende Lebensmitteleinzelhändler Carrefour Belgium hatte feststellen müssen, dass sein veraltetes Rechenzentrum ihm mit jedem Jahr mehr Probleme bereitete. Die Systeme waren auf zwei voneinander getrennten Clouds verteilt, was es dem Unternehmen erschwerte, die Daten seiner 700 belgischen Filialen in vollem Umfang für komplexere Analysen zu nutzen.

Durch die Migration wichtiger Unternehmensanwendungen in einen SAP S/4HANA Application Stack in der Google Cloud erhielt Carrefour sofort umfassenden Einblick in alle Bereiche, vom Kundenverhalten über die Effizienz der Lieferkette bis zu den Finanzkennzahlen. Auch das Verlegen der Daten in einen gemeinsamen Data Lake brachte erheblichen Mehrwert bei der Sortimentsplanung und Preisgestaltung und verhilft Kund*innen zu einem nahtlosen digitalen Shopping-Erlebnis.

Mit 390 Filialen und Franchisenehmer*innen in Kuwait und Bangladesch ist Herfy einer der größten und erfolgreichsten Gastronomiebetriebe Saudi-Arabiens. Wegen unzureichender Datenerfassung und Reporting-Funktionen war das Unternehmen kaum in der Lage, auf geschäftliche Entwicklungen zu reagieren und musste kostbare Zeit und Ressourcen für IT-Helpdesk-Anfragen aufwenden.

Mit der Migration in die Google Cloud steigerte Herfy Zuverlässigkeit und Sicherheit seines SAP S/4HANA-Systems und senkte die Kosten. Das Unternehmen gewann neue Einblicke in mehr als zwei Milliarden Datensätze und kann nun selbst auf einfachen Geräten wie Chromebooks seine Jahresberichte erstellen.Der Zeitaufwand für die Kalkulation des monatlichen Materialbestands und die Anzahl der Anfragen beim IT-Helpdesk konnten halbiert werden.

Der Hersteller von Wasser- und Wohnungsbauprodukten Lixil entstand durch die Fusion von fünf der erfolgreichsten japanischen Baustoff- und Wohnungsbaufirmen im Jahr 2011. Heute ist Lixil in mehr als 150 Ländern weltweit tätig. Das Unternehmen war seinem On-Premise-Rechenzentrum entwachsen und wollte seine stetig zunehmende Menge an Filialdaten, die auf eine Vielzahl interner Systeme verteilt waren, besser nutzen.

Lixil entschied sich für die Migration seiner SAP-Infrastruktur (S/4HANA) in die Google Cloud, um so unter anderem von der intuitiven Bedienung, Rechenleistung, Skalierbarkeit und Kosteneffizienz von BigQuery zu profitieren. Mit einer schnelleren Auswertung seiner Daten steigerte Lixil rasch den Unternehmenswert.

The Home Depot, mit mehr als 500.000 Beschäftigten in 2.300 Filialen der weltweit größte Bau- und Heimwerkermarkt, suchte nach einer innovativen Lösung, um Verkaufspersonal und Kund*innen schneller mit relevanten Informationen zu versorgen. Mit einer „vernetzten Einzelhandelsplattform” sollten Kundinnen und Kunden eine Transaktion online beginnen und dann in einer Filiale abschließen können.

The Home Depot entschied sich für maximale Geschwindigkeit, Skalierbarkeit und Flexibilität und damit für Google Cloud und SAP. Im Zuge der Umstellung wurden S/4HANA, ein Repository für Kundenaktivitäten, das Hauptbuch, BusinessObjects und etliche andere Anwendungen auf die Plattform verlagert. Dank BigQuery verfügt The Home Depot heute über hochentwickelte Analysefunktionen und eine zentrale Quelle für Lieferkettendaten.

Datengetrieben zum Erfolg – mit BigQuery und SAP

Immer mehr Unternehmen erkennen, welchen Wert Google Cloud und BigQuery für SAP-Kunden bieten. Google Cloud Cortex Framework unterstützt sie mit Lösungsreferenzvorlagen und anderen Inhalten, um Risiken, Komplexität und Kosten zu senken.

Kann BigQuery auch für Ihr Unternehmen Werte schaffen? Laden Sie hier den IDC-Bericht herunter.

So erschließen Sie Ihre Mainframe-Daten mit Data-First-Digitalisierung

Thu, 04 Aug 2022 04:00:00 +0000

Für viele Unternehmen ist der Mainframe immer noch das Rückgrat der IT. Das bedeutet auch, dass Kunden-, Prozess- und Betriebsdaten vom Mainframe verwaltet werden. Gerne würden sie einen Weg finden, um auf diese Daten zugreifen zu können und sie für Berichte, Big-Data-Analysen oder neue Machine Learning- und KI-Projekte zu nutzen.

Google Cloud unterstützt diese Organisationen dabei, ihre Mainframe-Ressourcen für das Cloud-Zeitalter verfügbar zu machen. Eine Möglichkeit dazu ist, die Mainframe-Anwendungen in die Cloud zu verlegen und so zu modernisieren. In Zusammenarbeit mit Partnern und Kunden haben wir aber einen neuen, agileren Ansatz entwickelt, mit dem sich die Cloud deutlich schneller als bei einer vollständigen Migration für Mainframe-Ressourcen nutzen lässt: Die Data-First-Digitalisierung.

Für ein besseres Verständnis der beiden Ansätze müssen wir zunächst auf den Unterschied zwischen Modernisierung und Digitalisierung eingehen. Bei der Modernisierung wird vom gegenwärtigen Zustand aus in die Zukunft geblickt und dabei Schritte erwogen wie die Migration der Mainframe-Anwendungen durch Rehosting (Emulation), Refaktorierung (automatische Code-Umwandlung), Reengineering – oder gar durch das komplette Ersetzen einer proprietären Anwendung mit einer Standardlösung. Bei der Digitalisierung wird vom angestrebten zukünftigen Zustand ausgegangen und überlegt, welche Schritte nötig sind, um dieses Ziel zu erreichen.

Zum Vergrößern hier klicken

Unser Data-First-Ansatz nutzt ein Mainframe-Digitalisierungs-Framework, bei dem sowohl interne als auch von Partnern bereitgestellte Produkte und Tools zum Einsatz kommen, um die Migration heterogener Datenquellen vom Mainframe in Google Cloud Storage zu ermöglichen. Diese in den Cloud-Speicher bereitgestellten Mainframe-Daten können dann mit Google Cloud-Tools wie BigQuery, KI- und Machine-Learning-Produkten sowie Smart- und Stream-Analyseplattformen integriert und genutzt werden. Das Integrations-Framework deckt sowohl Bulk-Batch-Datenübertragungen als auch die Echtzeit-Datenreplikation (Erfassung von Datenänderungen) ab.

Zum Vergrößern hier klicken

Die Data-First-Digitalisierung basiert auf dem Grundsatz, dass Anwendungen vergänglich, Daten hingegen beständig sind. Anstatt also die Anwendungen selbst zu modernisieren (z. B. mit Ansätzen zur Modernisierung von Legacy-Systemen von Gartner) werden deshalb nur die Daten in die Google Cloud übertragen, sodass Unternehmen direkt neue Geschäftsmodelle, Anwendungsfälle und innovative Möglichkeiten zur Bedienung von Kundinnen und Kunden entwickeln können. Zwei Beispiele dazu:

Smart- und Stream-Analyseplattformen sowie KI-/ML-Engines: Google ist ein Pionier auf dem Gebiet der Extraktion der von diesen Tools benötigten strukturierten und unstrukturierten Rohdaten und ermöglicht es Ihnen, Mainframe-Daten in BigQuery- und KI-/ML-Modellen zu nutzen.

Neue Reporting-Anwendungen: Mit dem Zugriff auf Mainframe-Daten können Sie Google Cloud-Produkte wie Looker und Appsheet verwenden, um umfassendere Reporting-Anwendungen zu entwickeln, die Ihre Mainframe-Reporting-Anwendungen ersetzen und Ihre Transformation insgesamt beschleunigen.

Unserer Erfahrung nach bietet ein Data-First-Digitalisierungsansatz für Ihren Mainframe eine Reihe von Vorteilen:

Schnellere Umsetzung: Da die Data-First-Modernisierung auf vorhandenen Produkten aufbaut, ist der Implementierungs Zyklus deutlich kürzer.
Geringerer Kapitalaufwand: Sie investieren Ihre Zeit in die Integration von Produkten, nicht in die Entwicklung von Anwendungen.
Risiko-Minimierung: Data-First baut auf vorhandenen, bewährten und zuverlässigen Google Cloud-Produkten auf.
Insgesamt schnellere Mainframe-Transformation: Wenn Sie sich bei der Modernisierung statt auf die Anwendung auf die Daten selbst konzentrieren, betrachten Sie Mainframe-Anwendungen als geschäftliche Ressourcen und nicht mehr als Bestand, den es zu wahren gilt. Sie modernisieren also nur die wirklich geschäftskritischen Anwendungen und können viele nicht kritische Anwendungen außer Betrieb nehmen. Das beschleunigt Ihre Transformation.

Data-First-Digitalisierung ist ein neuer Ansatz; die ersten Erfolge unserer Kunden sind vielversprechend. Wir werden an dieser Stelle auch weiter neue Einblicke, Referenzarchitekturen und technische Whitepaper zum Thema Data-First veröffentlichen. Wenn dieser Ansatz für Sie von Interesse ist, wenden Sie sich an mainframe@google.com.

Google-Experten verraten, welche Kompetenzen Datenfachkräfte 2022 entwickeln sollten

Thu, 07 Jul 2022 04:00:00 +0000

Im Zeitalter von Nanosatelliten, NFTs und Pizzalieferungen durch autonome Fahrzeuge müssen es Unternehmen ihren Kund*innen leicht machen, mit einfachen Technologien komplexe Probleme zu lösen. Für Cloud-Anbieter bedeutet dies, dass sich alles darum dreht, die Bereitstellung von Daten für in hohem Maße integrierte Datenangebote zu vereinfachen und Unternehmen zu helfen, auf der Grundlage ihrer Daten einfacher und schneller fundierte Entscheidungen zu treffen.

Doch was ist mit den Datenfachkräften in der Analyse, der Entwicklung oder Administration, die täglich mit diesen Cloud-gestützten Daten-Tools und -technologien arbeiten und die Trends des Data-Cloud-Markts im Jahr 2022 nutzen möchten? Sollten sie sich auf ein bestimmtes Gebiet wie zum Beispiel Data-Pipelining spezialisieren oder sich als Generalist*innen in verschiedenen Bereichen wie Datenanalyse, Datenbanken und KI/ML fortbilden?

Datenkompetenz vertiefen oder verbreitern – das ist die Frage

Abdul Razack, VP Solutions Engineering, Technology Solutions and Strategy bei Google Cloud, rät zu beidem:

„Datenfachkräfte sollten über ein breites Spektrum technologischer Kompetenzen verfügen, zugleich aber zu hochqualifizierten Spezialisten in ihren Anwendungsbereichen werden. Viele bislang getrennte Felder wie Geschäftsanalytik, Streaming, Machine Learning, Daten-Pipelines und Data Warehousing wachsen heute mehr und mehr zusammen. Datenfachkräfte sollten sich in allen diesen Bereichen auskennen, damit sie End-to-End-Workflows für konkrete Geschäftsprobleme implementieren können.“

Tausende von Kunden entscheiden sich nicht zuletzt deshalb für unsere Daten-Cloud, da der einheitliche und offene Cloud-Ansatz es ihren Fachkräften erlaubt, isolierte Daten zusammenzuführen, Projekte direkt von der Datenplattform aus zu beginnen und zu beenden sowie Innovationen schneller im gesamten Unternehmen einzuführen.

Intelligent und agil zu sein ist die Maxime unserer Daten-Cloud. Dementsprechend empfehlen wir auch Datenfachkräften, sich in verschiedenen Datenbereichen fortzubilden. So können sie differenziertere Probleme in größerem Umfang lösen, als wenn sie sich nur auf ein oder zwei Bereiche spezialisiert hätten. Sie können beispielsweise skalierfähige Internet-taugliche Anwendungen erstellen, intelligente Prozesse mithilfe von Analysen und KI optimieren, oder Datennetze für die Produktentwicklung einrichten.

Letzten Endes hängt alles davon ab, welche Tools die Datenfachkräfte für ihre Workflows verwenden. Eingeschränkte Tools schränken auch Ihre Lernmöglichkeiten ein.

„Letzten Endes hängt alles davon ab, welche Tools die Datenfachkräfte für ihre Workflows verwenden. Eingeschränkte Tools schränken auch Ihre Lernmöglichkeiten ein. Eine Datenplattform wie BigQuery, die alle möglichen Ansprüche erfüllt, macht es Ihnen wesentlich leichter, Ihre Kompetenzen in verschiedenen Bereichen zu erweitern. BigQuery unterstützt Streaming Data und Data at Rest, Batch und Realtime, Business Intelligence und Data Science – ein enormer Vorteil für Datenfachkräfte, die ihre Kompetenzen ausbauen und komplexere Projekte übernehmen möchten.“ – Abdul Razack, VP Solutions Engineering, Technology Solutions and Strategy bei Google Cloud

Den eigenen Wert zu kennen, ist bei der Fortbildung schon die halbe Miete

Doch die Technologie ist nicht der einzige Faktor, der darüber entscheidet, ob eine Spezialisierung oder Generalisierung überhaupt möglich ist. Für Bruno Aziza, Head of Data and Analytics bei Google Cloud, kommt es auch darauf an, wer Sie sind, wer Sie sein möchten und in welchem Umfang Ihr Unternehmen bereit ist, in Sie zu investieren.

„Wenn Sie Chief Data Officer werden möchten, sollten Sie zunächst einmal untersuchen, wie die Technologien in Ihrem Zuständigkeitsbereich zusammenpassen“, so Aziza. „Erst wenn Sie das Gefühl haben, den Überblick über den Datenbestand Ihres Unternehmens zu haben, können Sie entscheiden, auf welchen Teil der eingesetzten Software Sie sich konzentrieren möchten.“

Erst wenn Sie das Gefühl haben, den Überblick über den Datenbestand Ihres Unternehmens zu haben, können Sie entscheiden, auf welchen Teil der eingesetzten Software Sie sich konzentrieren möchten.

„Auch die geschäftlichen Aspekte Ihrer Datenarbeit sollten Sie interessieren“, empfiehlt Aziza. „Verbringen Sie möglichst viel Zeit mit Kolleginnen und Kollegen und lernen Sie deren geschäftliche Ziele und Herausforderungen kennen. Harvard Business Review bietet eine hervorragende Anleitung für erfolgreiche Chief Data Officer.“ Doch selbst Datenfachkräften ohne Ambitionen auf eine Führungsposition empfehlen Aziza und Razack vor allem eine Fähigkeit zu entwickeln: die Neugier und Bereitschaft, Probleme mit einer datengestützten Strategie zu lösen. „Alle Branchen durchleben den digitalen Wandel. Dabei ist es entscheidend zu wissen, welche Daten erfasst und wie sie aufbereitet und ausgewertet werden müssen, um aussagekräftige Erkenntnisse zu gewinnen. Die derzeit vielleicht wichtigste Kompetenz ist deshalb die Fähigkeit, geschäftliche Herausforderungen zu erkennen und datengestützte Lösungsansätze zu formulieren.“ – Abdul Razack, VP Solutions Engineering, Technology Solutions and Strategy bei Google Cloud

Datenfachkräfte sollten immer daran interessiert sein, sich in der Branche weiterzubilden und ihre Kompetenzen ständig zu erweitern. Arbeitgeber sollten ihre Fachkräfte bei der Entwicklung dieser Interessen unterstützen, indem sie Schulungsmaterial bereitstellen, Gespräche mit Mitarbeiter*innen zur Karriereplanung führen, Kursgebühren übernehmen und Anreize für den Erwerb von Zertifikaten und Kompetenzen bieten.

Ganz gleich, ob Sie als Datenfachkraft in der Analyse, in der Entwicklung oder als Data Scientist tätig sind: Nutzen Sie Ihre verfügbare Zeit, um mehr Fragen zu stellen und sich für alles Neue zu interessieren … lernen Sie einfach ständig hinzu. Sorgen Sie dafür, dass Sie von allen am schnellsten lernen, damit Sie Ihr Unternehmen bei seiner Mission unterstützen und Ihren Beitrag leisten können.

Nehmen Sie das Beispiel des „Data Mesh“, über das ich gerade in VentureBeat geschrieben habe. Im Grunde gibt es gegenüber einem neuen Konzept wie diesem drei Einstellungen: Da ist zum einen der „Disciple“, der etwa den Autor eines neuen Buches oder den Urheber einer bestimmten Theorie verehrt und nur eine einzige Quelle der Weisheit gelten lässt. Dann gibt es den „Distractor“ – den Störer, der neue Kompetenzen, Trends und Technologien grundsätzlich als Unsinn abtut. Der dritte im Bunde ist der „Distorter“, der Ihnen eine einfache Lösung verkaufen möchte. Datenfachkräfte, die neue Kompetenzen entwickeln und ausbauen möchten, sollten diesen drei Typen mit Vorsicht begegnen. Hierfür ist es entscheidend, sich wohl oder übel den eigenen Weg zur Erkenntnis zu bahnen – durch Ausprobieren und Experimentieren und in dem Bestreben, Schritt für Schritt weiter zu wachsen.

Sind Sie bereit, Ihre Datenkompetenzen zu erweitern? Starten Sie hier.

Wenn Sie neugierig auf alles sind, was mit Daten zu tun hat, empfehle ich Ihnen unsere Videoreihe Data Journeys. Hier spürt Bruno Aziza jede Woche der Datenreise eines unserer Kunden nach – von der Migration in die Cloud über den Aufbau einer Datenplattform bis zu neuen „Data for Good“-Initiativen. Sie erfahren, wie sie ihr Projekt umgesetzt haben, was sie mit ihren Daten tun und wie ihre Reise weitergeht. Diese Videos decken sowohl die Spezialisierung als auch die Generalisierung Ihrer Datenkompetenzen ab.

Wer sein Wissen vertiefen möchte, kann sich bei unserem nächsten virtuellen Event „Latest Google Cloud data analytics innovations” mit der Google Daten-Community austauschen. Lassen Sie sich Ihre Datenfragen live von führenden GCP-Spezialist*innen beantworten und sehen Sie sich Demos zu BigQuery, Dataproc, Dataplex, Dataflow und anderen neuen Produkten und Funktionen an. Melden Sie sich noch heute an.

Haben Sie noch Fragen oder suchen Sie Unterstützung bei Ihrer Fort- und Weiterbildung? Wir helfen Ihnen gerne! Registrieren Sie sich als Google Cloud Innovator und treten Sie der Google Cloud Data Analytics Community bei.

Schnellere Time-to-Value durch Referenzmuster für intelligente Analysen

Tue, 19 Apr 2022 06:00:00 +0000

Unternehmen werden heutzutage mit riesigen Datenmengen aus einer Vielzahl von Quellen überflutet. Dieses Meer von Daten soll dem Unternehmen eigentlich nutzen, führt aber oft zur Überforderung der Datenteams, was Datenstaus verursacht und die Time-to-Value verzögert. Tatsächlich sind laut Accenture nur 27 Prozent der Unternehmen der Ansicht, dass Daten- und Analyseprojekte ihnen Informationen und Empfehlungen von hohem Nutzwert liefern. Das bedeutet, dass nahezu drei von vier Unternehmen den wahren Wert ihrer Daten nicht ausschöpfen.

Bei Google Cloud sehen wir in dieser Herausforderung eine Chance. Deshalb haben wir unsere Data Analytics Design Patterns oder Referenzmuster für intelligente Analysen entwickelt: produktübergreifende Technologielösungen, die den Weg des Kunden zur Wertschöpfung aus seinen Daten verkürzen. Diese Branchenlösungen vereinen Produktfunktionen mit Designmethoden, direkt einsetzbarem Open-Source-Code, Datenmodellen und Referenzarchitekturen, um Ihren Geschäftsergebnissen auf die Sprünge zu helfen.

Mit unseren Referenzmustern für intelligente Analysen erhalten Sie Zugang zu mehr als 30 einsatzfertigen Datenanalyse-Lösungen. Die Designmuster nutzen das Beste von Google und unserem umfangreichen Partnernetzwerk, darunter Technologiepartner und Systemintegratoren. In diesem Blog stellen wir anhand von drei Beispielen vor, wie Sie mit einem Designmuster den Mehrwert Ihrer Daten steigern:

Verbessertes Mobile App-Erlebnis durch einheitliche App-Analysen
Umsatzmaximierung im Digital Shop durch Preisoptimierung
Schutz interner Systeme vor Sicherheits- und Malware-Bedrohungen durch Anomalieerkennung

Einheitliche App-Analysen

Wenn Mobile Apps Teil Ihrer Go-to-Market-Strategie sind, stehen Ihnen etliche Datenquellen zur Verfügung, die wertvolle Kundeninformationen liefern können. Neben Tools für CRM (z. B. Salesforce) und Kundenbetreuung (z. B. Zendesk) verwenden Sie möglicherweise Google Analytics, um App-Ereignisse zu protokollieren, und Firebase Crashlytics, um Daten über App-Fehler zu sammeln. Wie aber können Sie die Backend-Serverdaten mühelos mit den Frontend-App-Daten abgleichen, um aussagekräftige Kundeninformationen zu gewinnen?

Das Designmuster für einheitliche App-Analysen macht es Ihnen leicht, verschiedene Datenquellen in ein einziges Warehouse (BigQuery) einzubinden und mit einem Business Intelligence-Tool (Looker) zu analysieren. Und sobald Sie in Echtzeit einen vollständigen Überblick über die Nutzungserfahrung der Kund*innen mit Ihrer App haben, können Sie handeln: Stellen Sie etwa einen Anstieg der App-Fehler fest, können Sie Ihre Crashlytics-Daten umgehend mit Ihren CRM-Daten abgleichen, um die Fehler mit den gravierendsten Umsatzauswirkungen einzugrenzen und deren Lösung zu priorisieren. Außerdem können Sie Ihren Workflow für die Fehlerbehebung automatisieren, indem Sie eine Regel für jeden künftigen Fehler erstellen, der sich auf bestimmte VIP-Kund*innen auswirkt.

Einheitliche App-Analysen verwandeln Ihr Data Warehouse in ein Werkzeug zur Gewinnung verwertbarer Kundeninformationen

Mit dem Designmuster für einheitliche App-Analysen gewinnen Sie wertvolle Erkenntnisse über das Nutzungserlebnis mit Ihrer App und können Ihre künftige App-Strategie entsprechend gestalten. NPR, ein amerikanisches Medienunternehmen, konnte beispielsweise sein Engagement seiner Nutzer*innen steigern und vermehrt Inhalte anbieten, die den Interessen und dem Verhalten der Hörer*innen entsprachen.

Preisoptimierung

In einem wettbewerbsintensiven und turbulenten globalen Markt ist die strategische Preisgestaltung wichtiger denn je. Doch viele Projekte fallen der mühsamen Standardisierung, Bereinigung und Aufbereitung der Daten aus Transaktionen, Beständen, Nachfrage und anderen Quellen zum Opfer.

Mit der Lösung zur Preisoptimierung können Einzelhändler ein datengesteuertes Preismodell etablieren. Die Lösung besteht aus drei Hauptkomponenten:

Dataprep von Trifacta: Integriert verschiedene Datenquellen in ein einziges Common Data Model (CDM). Dataprep ist ein intelligenter Datenservice zur visuellen Untersuchung, Bereinigung und Aufbereitung strukturierter und unstrukturierter Daten für Analysen, Berichte und Machine Learning.
BigQuery: Ermöglicht die konsistente und skalierbare Erstellung und Speicherung von Preismodellen in Form eines serverlosen Cloud Data Warehouse-Service.
Looker Dashboards: Liefern Erkenntnisse und machen Business-Teams handlungsfähig mit einer BI-Plattform auf Enterprise-Niveau.

Mit dem Designmuster zur Preisoptimierung von Google Cloud und unserem Partner Trifacta können Sie in kürzester Zeit mehrere Datenquellen zusammenführen und eine ML-gestützte Echtzeitanalyse anstellen, die Prognosemodelle zur Schätzung künftiger Umsätze nutzt. PDPAOLA, ein Online-Juwelier, verdoppelte seinen Umsatz durch dynamische Preisanpassungen, die ihm dank einer zentralen Datenübersicht möglich waren.

Anomalieerkennung

Um in der digitalen Transformation wettbewerbsfähig zu bleiben, sollten Unternehmen Risiken und Chancen antizipieren und entsprechend handeln. Die Anomalieerkennung hilft Unternehmen beim Identifizieren von Datenpunkten und Datentrends in hochfrequenten und hochvolumigen Datensätzen, die von historischen Standards oder erwarteten Verhaltensweisen abweichen. So können sie auf veränderte Nutzungsanforderungen reagieren, böswillige Aktionen abwehren und unnötige Kosten oder finanzielle Verluste verhindern.

Das Designmuster zur Anomalieerkennung verwendet Google Pub/Sub, BigQuery, Dataflow und Looker für folgende Funktionen:

Streaming von Ereignissen in Echtzeit
Verarbeitung der Ereignisse, Extraktion nützlicher Datenpunkte, Training des bevorzugten Erkennungsalgorithmus
Echtzeitnahe Anwendung des Erkennungsalgorithmus auf Ereignisse, um Anomalien zu erkennen
Aktualisierung von Dashboards und/oder Übermittlung von Warnmeldungen

Die Herausforderung, wichtige Informationen oder Anomalien in riesigen Datenmengen zu erkennen, ist vor allem für den Schutz und die Sicherheit eines Unternehmens wichtig und betrifft Unternehmen aller Branchen und Sparten. TELUS etwa, ein staatliches Kommunikationsunternehmen, modernisierte seine Sicherheitsanalyse-Plattform unter Verwendung dieses Musters. Jetzt werden Anomalien nahezu in Echtzeit erkannt und verdächtige Aktivitäten abgewehrt.

Steigen Sie ein

Nutzen Sie die Designmuster zur Datenanalyse in Ihrem Unternehmen und verwandeln Sie Ihre Daten in greifbare Geschäftsergebnisse – mit Google Cloud und unserem breiten Partnernetzwerk. Mehr als 30 Designmuster zur Datenanalyse warten auf Sie. Und wir haben mehr als 200 weitere Ideen in der Pipeline. Schauen Sie also regelmäßig vorbei, da in Kürze sicher neue Muster hinzukommen.

Wenn Sie tiefer eintauchen und mehr darüber erfahren möchten, wie Ihr Unternehmen mit Hilfe von Designmustern zur Datenanalyse Anwendungsfälle beschleunigen und eine schnellere Time-to-Value erzielen kann, schauen Sie sich dieses Video an.

Vodafone stellt anonymisierte Mobilfunkdaten zur Verfügung, um die Ausbreitung von COVID-19 zu verfolgen

Thu, 03 Feb 2022 07:00:00 +0000

Anmerkung der Redaktion: Die Europäische Kommission hat Vodafone als größtes europäisches Mobilfunkunternehmen im Kampf gegen COVID-19 um Einblicke in die Bevölkerungsbewegungen in der EU und in Großbritannien gebeten. Das Unternehmen stellte daraufhin anonymisierte, auf der Nutzung seines Mobilfunknetzes basierende Erkenntnisse zur Verfügung. Hier erfahren Sie, wie Vodafone mit Google Cloud in kurzer Zeit und unter Wahrung der Privatsphäre seiner Kundinnen und Kunden den Kampf gegen die Ausbreitung des Virus unterstützen konnte.

Mit dem Auftreten von COVID-19 Anfang 2020 wusste die Europäische Kommission – das Exekutivorgan der Europäischen Union –, dass Technologie bei der Bekämpfung der Pandemie eine wichtige Rolle spielen würde. Nachdem in den Mitgliedstaaten Lockdowns verhängt wurden, wollte die Kommission die Ausbreitung von COVID-19 vorhersagen und verhindern, um so die damit verbundenen sozialen, politischen und finanziellen Auswirkungen bewältigen zu können.

Mobilfunkdaten zur COVID-19-Nachverfolgung in der EU

Mobilfunknetze erzeugen Standortdaten, die – in anonymisierter Form – wertvolle Erkenntnisse liefern können, um Bevölkerungsbewegungen innerhalb eines geografischen Gebiets nachzuvollziehen. Die Europäische Kommission hat in Zusammenarbeit mit dem Mobilfunkverband GSMA (Groupe Speciale Mobile Association) die großen europäischen Mobilfunkbetreiber im Kampf gegen COVID-19 um Hilfe gebeten. Als größter Mobilfunknetzbetreiber in der EU wollte Vodafone hier einen entscheidenden Beitrag leisten.

Vodafone hatte bereits Erfahrungen mit der Nutzung von Mobilfunkdaten zur Unterstützung der Pandemieforschung aufzuweisen. So stellte das Unternehmen 2019 Mobilitätsmusteranalysen bereit, um die Ausbreitung von Malaria in Mosambik nachzuverfolgen. Bereits in der Frühphase der Corona-Pandemie, noch vor der Zusammenarbeit mit der Europäischen Kommission, unterstützte das Unternehmen die italienische und die spanische Regierung dabei, die Mobilitätsmuster ihrer Bürgerinnen und Bürger zu verstehen. In einer Reihe von Ländern bot Vodafone zuvor anonymisierte und aggregierte Daten zur Mobilität der Bevölkerung für öffentliche Verkehrs- und Tourismusbehörden sowie Einzelhandelsorganisationen an. Vodafone war also bestens aufgestellt, die Europäische Kommission bei der Bekämpfung der Pandemie tatkräftig zu unterstützen.

Als das Unternehmen von der Europäischen Kommission um Hilfe gebeten wurde, galten die ersten Überlegungen der Frage, wie die Daten auf sichere Weise mit der Behörde geteilt werden könnten, ohne das individuelle Reiseverhalten der eigenen Kund*innen preiszugeben. Die Lösung waren ausgeklügelte Anonymisierungs- und Aggregierungsverfahren, bei denen Daten von mindestens 50 Nutzer*innen jeweils zusammengefasst wurden. Nur diese anonymen Informationen wurden an die Kommission weitergegeben; zu keinem Zeitpunkt wurden Rohdaten übermittelt. Wie von der EU vorgeschrieben, wurden diese Erkenntnisse dann auf eine große geografische Region übertragen – in der Regel eine Stadt oder einen Landkreis mit Tausenden von Einwohner*innen.

Anhand dieser Einblicke lässt sich feststellen, wie sich Menschen bewegen und wie sich Lockdowns und Selbstisolation auf ihr Verhalten auswirken.

Erfassung und Speicherung von Mobilitätsdaten mit Google Cloud

Im April 2020 begann Vodafone mit der Migration seines Betriebs, einschließlich seiner mobilen Daten, in die Google Cloud auf Servern in Europa und Großbritannien – mit ausgefeilten Sicherheitsvorkehrungen sowie der Verschlüsselung, aufbauend auf einer früheren Partnerschaft.

Da die Daten in den Rechenzentren der EU und Großbritanniens und nicht in den Vereinigten Staaten gespeichert sind, konnte Vodafone anonyme Erkenntnisse aus Google Cloud Storage abrufen. Bevor Vodafone jedoch Informationen an die Europäische Kommission weitergab, validierte das Unternehmen die Daten mit Dataflow und machte eine Reihe von Tests. So wurde sichergestellt, dass die Datenbank korrekte Daten enthielt, bevor die relevanten Metriken aufgenommen und archiviert wurden. Für den sofortigen Zugriff wurden die Daten dann der Europäischen Kommission über eine Redis-Datenbank auf der Google Kubernetes Engine zur Verfügung gestellt.

Mit Google Cloud Armor wurden alle Zugangspunkte zum Frontend auf bestimmte IP-Adressen beschränkt, so dass die aggregierten Daten der Vodafone-Kund*innen stets sicher und anonym waren. Mithilfe dieser Tools wurden vordefinierte Leistungsindikatoren aus dem jeweiligen europäischen Markt über nahtlose Datenpipelines eingespeist. Maßnahmen zur Datenqualitätssicherung sorgten für eine einheitliche Definition der Kennzahlen, sodass die verschiedenen Märkte genau miteinander verglichen werden konnten.

Die folgende Grafik zeigt, wie Vodafone seine Daten in Google Cloud integrierte und anonymisierte.

Bevölkerungsmobilität in Echtzeit übermitteln

Mit seinen in Google Cloud integrierten Daten erstellte Vodafone ein interaktives Dashboard, um Mobilitätsmuster zu verfolgen und der Europäischen Kommission relevante Informationen in Echtzeit zu übermitteln.

Die Gemeinsame Forschungsstelle (GFS) der Europäischen Kommission konnte diese Erkenntnisse mit den Gesundheitsdaten abgleichen und so erkennen, wo die Mobilität der Bevölkerung die Ausbreitung der Krankheit begünstigte. Auch die Auswirkungen von Lockdowns auf verschiedene Bevölkerungsgruppen konnten bewertet und die Krankheitsausbreitung länderübergreifend prognostiziert werden.

Mobile Daten zur Modellierung von Krankheiten

Die Vodafone-Daten wurden auch für eine Modellierung des wahrscheinlichen Krankheitsverlaufs herangezogen. Die Universität Southampton in Großbritannien nutzte sie beispielsweise, um das Ergebnis von koordinierten Beendigungsstrategien der Pandemielage in Europa vorherzusagen. Ein entsprechender Forschungsbericht wurde im September 2020 im Science Magazine veröffentlicht.

Das Vodafone-Daten-Dashboard wird auch weiterhin von Organisationen, Regierungen und Nichtregierungsorganisationen genutzt, um die Auswirkungen der Pandemie genauer zu untersuchen und die Wirksamkeit von Reaktionsstrategien neben der Umsetzung von Impfprogrammen zu messen. Für dieses Projekt erhielt Vodafone einen DataIQ-Award für das effektivste Stakeholder-Engagement.

Mit den Erkenntnissen aus diesem Projekt konnte das Unternehmen seine eigene B2B-Lösung Vodafone Analytics anpassen, indem es den Code für den Betrieb auf der Google Cloud Platform anpasste und migrierte. Die Lösung wurde bereits in Deutschland, Griechenland, Portugal und Südafrika eingeführt, und täglich kommen weitere Länder hinzu (Stand: 24. November 2021). Vodafone Analytics wird von mehr als 100 Kunden für eine Vielzahl von Anwendungsfällen genutzt – der italienische Modehändler OVS setzt es für seinen intelligenten Einzelhandelsbetrieb ein, während das globale Immobilienunternehmen, JLL es verwendet, um die Passantenfrequenz in seinen Immobilien zu messen.

Vodafone und Google Cloud arbeiten zusammen, um auch weiterhin Organisationen, Regierungen und Nichtregierungsorganisationen dabei zu helfen, die anhaltende Pandemie zu bewältigen, ihre Abläufe zu optimieren und dem Gemeinwohl zu dienen, ohne die Grundrechte des Einzelnen auf Datenschutz zu verletzen.

Um mehr über Google Cloud und Vodafone zu erfahren, sehen Sie sich unser vollständiges Interview hier an.

Daten, Automatisierung und KI für optimierte Abläufe in der Telekommunikationsbranche

Thu, 02 Dec 2021 09:00:00 +0000

Telekommunikationsunternehmen sitzen auf einer wahren Goldmine an Daten, mit denen sie neue Potenziale nutzen, das Erlebnis ihrer Kundinnen und Kunden verbessern und die Effizienz steigern können. Es gibt derart viele Daten, sodass die effiziente Datenaufnahme, -verarbeitung, -verfeinerung und -verwendung zu einer echten Herausforderung wird, wenn es darum geht, so schnell wie möglich (und oft nahezu in Echtzeit) fundierte Entscheidungen treffen zu können.

Einer neuen Studie von Analysys Mason zufolge nimmt das Datenvolumen weltweit um 20 % (CAGR) zu. Der Netzwerktraffic wird bis 2025 voraussichtlich 13 Zettabytes erreichen. Um mit der Entwicklung der Branche Schritt halten zu können, müssen Kommunikationsdienstleister (Communications Service Provider, kurz CSP) ihre Daten auf effizientere Weise verwalten und monetarisieren. Nur dann können sie Folgendes erreichen:

Neue Erfahrungen für Nutzerinnen und Nutzer und B2B2X-Dienste bereitstellen (das „X“ steht für Kundinnen und Kunden sowie und juristische Personen in zuvor unerschlossenen Branchen) und neue Einnahmequellen erschließen.

Geschäftsabläufe transformieren, indem mithilfe von Daten, Automatisierung, Künstlicher Intelligenz (KI) und Machine Learning (ML) die Effizienz erhöht, die Netzwerkleistung verbessert und CAPEX/OPEX im gesamten Unternehmen gesenkt werden.

Es gibt vier wichtige Herausforderungen bei der Datenverwaltung und bei Analysen, mit denen Kommunikationsdienstleister konfrontiert sind, und bei denen Cloud-Lösungen helfen können.

1. Datenanalysen in Echtzeit durchführen

Stellen Sie sich vor, Sie könnten Ihren Kundinnen und Kunden Angebote am richtigen Ort und zum richtigen Zeitpunkt auf Grundlage ihrer jeweiligen Interaktionen vorschlagen. Oder stellen Sie sich vor, Sie könnten Ihre Umsätze maximieren, indem Sie Angebote an Makro- und Mikrozielgruppen auf dynamische Weise anpassen – auf Grundlage von Trends, die sie während einer Kampagne entdeckt haben. Diese Arten von Programmen, die die Abwanderungsquote reduzieren und die Chancen für Up-Selling und Cross-Selling erhöhen, sind möglich, wenn Sie Ihre Daten systemübergreifend korrelieren und umsetzbare Informationen nahezu in Echtzeit erhalten.

Wenn es um effektive Entscheidungsfindung nahezu in Echtzeit geht, ist Geschwindigkeit entscheidend. Für Anwendungsfälle wie die Bereitstellung standortbasierter Angebote, während die Kundinnen und Kunden noch vor Ort sind, oder das schnelle Erkennen eines Betrugs während einer Transaktion, um Verluste zu minimieren, sind niedrige Latenzen erforderlich.

Cloud-Anbieter können die Geschwindigkeit und Skalierbarkeit bieten, die für das Streaming von Daten bei der Datenverarbeitung nahezu in Echtzeit benötigt werden. Bei Google sind wir uns diesen Anforderungen bewusst, da sie den Kern unseres Geschäftsmodells bilden. Dementsprechend haben wir die Technologien entwickelt, mit denen diese Herausforderungen in großem Maßstab bewältigt werden können. BigQuery von Google Cloud ist beispielsweise ein serverloses und in hohem Maße skalierbares Cloud Data Warehouse, das die Aufnahme von Streamingdaten und extrem schnelle Abfragen auf Petabyte-Ebene unterstützt. Die BigQuery zugrunde liegenden Infrastrukturtechnologien von Google wie Dremel, Colossus, Jupiter und Borg wurden dafür entwickelt, um die Herausforderungen von Google hinsichtlich der globalen Skalierbarkeit von Daten zu meistern. Die umfassende Google Cloud-Lösung für die Streamanalyse basiert auf Pub/Sub und Dataflow und unterstützt die Aufnahme, Verarbeitung und Analyse fluktuierender Datenvolumen für die Gewinnung geschäftsrelevanter Informationen nahezu in Echtzeit.

Darüber hinaus können Kommunikationsdienstleister die Vorteile von Anthos nutzen. Hierzu zählt die Fähigkeit, Workloads näher an den Kundinnen und Kunden zu platzieren, sei es innerhalb des Rechenzentrums eines Betreibers, über Clouds hinweg oder sogar auf Edge-Geräten, um die für latenzabhängige Anwendungsfälle benötigte Geschwindigkeit zu erreichen.

Und was noch wichtiger ist: Nach Aussage von Justin van der Lande, Principal Analyst bei Analysys Mason, erfordern Anwendungen in Echtzeit, dass „eine Aktion auf Grundlage von Änderungen der Streamingdaten erfolgt, die wiederum eine neue Aktion vorhersagen oder bewirken“. Außerdem setzen solche Anwendungsfälle eine durchgehende Modellvalidierung und -optimierung voraus. Aus diesem Grund kann der Einsatz von ML-Tools wie TensorFlow in der Cloud dabei helfen, Modelle zu verbessern und auf dem aktuellen Stand zu halten. Cloudbasierte Dienste geben Entwickler*innen bei Kommunikationsdienstleistern außerdem die Möglichkeit, ML-Modelle zu entwerfen, bereitzustellen und über APIs oder eine Verwaltungsplattform zu trainieren, sodass die Modelle schnell und mit angemessener Validierung, entsprechenden Tests und erforderlicher Governance implementiert werden können. Google Cloud AutoML ermöglicht es Nutzerinnen und Nutzern, die über wenig ML-Erfahrung verfügen, hochwertige Modelle zu trainieren, die speziell auf ihre Geschäftsanforderungen zugeschnitten sind.

2. Steigerung der operativen Effizienz

Im Laufe der Zeit haben viele Kommunikationsdienstleister in hohem Maße fragmentierte und komplexe Softwaretools, Plattformen und Integrationen für die Datenverwaltung und Analysen erstellt. Die Fusionen und Übernahmen im Laufe der Jahre sind ein Hinweis darauf, dass verschiedene Abteilungen oder Betreiber über ihre eigenen Tools verfügen, was zusätzlich zur Komplexität bei der Beschaffung und Verwaltung dieser Tools beiträgt – und sogar die Fähigkeit eines Betreibers beeinträchtigen kann, schnell neue Funktionen bereitzustellen.

Cloud-Anbieter ermöglichen Kommunikationsdienstleistern Zugriff auf erweiterte Daten- und Analysetools mit umfassenden Funktionen, die ständig aktualisiert werden. Google Cloud bietet beispielsweise Looker, eine Plattform, mit der Unternehmen Daten über Google Cloud, Azure, AWS oder andere lokale Datenbanken hinweg vernetzen, analysieren und visualisieren können. Die Lösung ist ideal für Streaminganwendungen. Darüber hinaus arbeiten Hyperscale-Cloud-Anbieter mit einem großen Netz an Technologiepartnern zusammen. Dadurch sind Betreiber in der Lage, mehr standardisierte Datentools zu nutzen, die eine größere Bandbreite an Anwendungsfällen unterstützen und besser an neue Anforderungen angepasst werden können.

So hat sich z. B. Google Cloud mit Amdocs zusammengetan, um Kommunikationsdienstleistern dabei zu unterstützen, Daten auf effektivere Weise in der Cloud zusammenzuführen, zu organisieren und zu verwalten. Auf diese Weise können die Erlebnisse von Kundinnen und Kunden verbessert und neue Potenziale ermöglicht werden. Amdocs DataONE extrahiert, transformiert und organisiert Daten mithilfe eines telekommunikationsspezifischen und TM Forum-kompatiblen Amdocs Logical Data Model (aLDM). Die Lösung wird auf Google Cloud SQL, einer vollständig verwalteten und skalierbaren relationalen Datenbanklösung, ausgeführt. Diese ermöglicht es, Verfügbarkeit und Sichtbarkeit Ihrer operativen und analytischen Daten sowie den entsprechenden Zugriff auf effizientere Weise zu organisieren und zu verbessern. Die Amdocs-Datenlösung kann auch in BigQuery eingebunden werden, sodass die vorhandenen ML-Funktionen genutzt werden können. Nicht zuletzt bietet Amdocs Cloud Services Kommunikationsdienstleistern die Möglichkeit, ihre Daten so zu migrieren, zu verwalten und zu organisieren, dass sie strategische Informationen gewinnen und auf diese Weise ihre Effizienz maximieren können.

3. Kosteneinsparungen durch Automatisierung und die Cloud

Einer der wichtigsten Beweggründe, aus denen sich Kommunikationsdienstleister für eine cloudbasierte Dateninfrastruktur entscheiden, ist wahrscheinlich die Aussicht auf niedrigere Betriebs- und Kapitalkosten. Prognosen von Analysys Mason zufolge wird sich der Kapitalaufwand für den IT- und Softwarebereich bei Kommunikationsdienstleistern bis zum Jahr 2025 auf 45 Milliarden $ belaufen; die Ausgaben für den IT-Betrieb werden mehr als doppelt so hoch ausfallen. In dem Maße, wie Betreiber neue digitale Dienste und wachsende Datenvolumen unterstützen, werden diese Kosten weiter ansteigen. Bei Cloud-Diensten zahlen Sie für die genutzten Kapazitäten, nicht für Ihre Server. Dies führt nicht nur zu Einsparungen bei den infrastrukturbezogenen Kapitalausgaben, sondern bietet auch Vorteile wie gesteigerte Effizienz durch Skalierungsmöglichkeiten beim Cloud-Computing. Außerdem sind sämtliche Kosten für Wartungen und Updates in einer kalkulierbaren monatlichen Rechnung enthalten.

Darüber hinaus haben Kommunikationsdienstleister täglich und auf das Jahr gesehen mit Höhen und Tiefen bei der Nachfrage zu kämpfen, wozu auch Phasen mit viel Internettraffic sowie beliebte Events wie beispielsweise der Super Bowl in den Vereinigten Staaten mit seinen Zuschauerzahlen gehören. Der Aufbau einer Infrastruktur, die diesen Spitzen gerecht wird, vergeudet jedoch Ressourcen und verringert den Ertrag. Die Nachfrage kann auch außerhalb der zu erwartenden Zyklen schwanken. Außerdem erschweren große Workloads wie Big Data-Abfragen oder Ad-hoc-Analysen und -Berichte, die genaue Vorhersage von Kapazitätsanforderungen. Cloud-Computing ermöglicht jedoch schnelles Herauf- und Herunterskalieren (oder sogar Autoscaling), was bei lokalen Systemen nicht immer einfach zu bewerkstelligen ist.

4. Erhöhung des Customer Lifetime Value

Schließlich müssen Kommunikationsdienstleister Daten und Analysen dazu verwenden, ihre Interaktionen mit Kundinnen und Kunden besser zu verstehen und ansprechendere, stärker personalisierte Dienste bereitzustellen – um den Customer Lifetime Value insgesamt zu erhöhen. Dazu sollten sie in der Lage sein, schnell auf Grundlage von aussagekräftigen Daten zu agieren, um fundierte Entscheidungen zu fällen. Ein Beispiel: Ohne hochwertige, zeitnahe Daten zu Ihren wichtigsten Kundinnen und Kunden sind Sie möglicherweise nicht in der Lage, zu erkennen, wer abzuwandern droht, oder Sie würden möglicherweise Kundinnen und Kunden Rabatte anbieten, die gar nicht ihren Anbieter wechseln möchten.

Nach Ansicht von van der Lande gibt es fünf Hauptmerkmale eines guten Datensatzes: Datenqualität, Governance, Geschwindigkeit, Vollständigkeit und Teilbarkeit (siehe Diagramm 1). Anders ausgedrückt: Ihre Daten sind nur so gut wie die Geschwindigkeit, mit der Sie diese von ihren unzähligen Back-End- und Front-End-Systemen sowie Netzwerken erfassen, transformieren und laden können. Außerdem zählt, wie vollständig die Daten sind und ob Sie diese problemlos und mit 360-Grad-Blick mit den richtigen Entscheidungsträger*innen teilen können. Es ist auch wichtig zu berücksichtigen, wie gut die Governance der Daten ist. Aspekte wie Datenherkunft, Datenquelle, Kategorisierung von personenbezogenen Daten und regulatorische Auflagen sind sehr wichtig, wenn Sie daran arbeiten, Vertrauen in die Qualität der Daten und die aus ihnen gewonnenen Informationen aufzubauen. Und was noch wichtiger ist: In dem Maß, wie das Datenvolumen zunimmt, wird es immer schwieriger, Qualität, Governance und Vollständigkeit sicherzustellen.

Die wichtigsten Herausforderungen für Kommunikationsdienstleistern im Zusammenhang mit Daten (Quelle: Analysys Mason)

Betreiber können einen einzigen operativen Datenspeicher in der Cloud erstellen und ML-basierte Vorbereitungstools verwenden, um die Qualität und Vollständigkeit von Daten zu verbessern. Auch können Cloud-Anbieter professionelle Sicherheitstools bereitstellen, um Zugriffsberechtigungen zu verwalten und eine automatisierte Verwaltung zu ermöglichen, um wiederum eine angemessene Governance zu ermöglichen. Die Cloud unterstützt durchgängige Streaming-Pipelines für Big Data-Analysen nahezu in Echtzeit, die andernfalls schnell die internen Systeme überlasten würden. Darüber hinaus bieten Lösungen wie Google Cloud BigQuery Omni, basierend auf Anthos, Kommunikationsdienstleistern eine durchgängige Möglichkeit für Datenanalysen und Infrastrukturverwaltung, unabhängig von ihrer jeweiligen Bereitstellungsumgebung.

Der Telekommunikationsbranche bietet sich die einzigartige Gelegenheit, die enorme Menge an Daten zu nutzen, die ihre Systeme generieren, um Kundenerlebnisse zu verbessern, effizientere Abläufe zu schaffen, innovative neue Produkte zu erstellen und Anwendungsfälle aufzuzeigen, bei denen schneller neue Umsatzmöglichkeiten generiert werden können. Doch so lange weiter starre lokale Infrastrukturen verwendet werden, ist es unwahrscheinlich, dass sie von den Datenmengen als wichtige Ressource profitieren können. In einer Welt, in der Entscheidungen nahezu in Echtzeit ausschlaggebender sind als jemals zuvor, kann die Cloud helfen, die Agilität, Skalierbarkeit und Flexibilität zu bieten, die nötig sind, um die wachsenden Datenmengen zu verarbeiten und zu analysieren. Auf diese Weise bleiben Unternehmen nicht nur relevant, sondern auch wettbewerbsfähig.

Um weitere Informationen hierzu zu erhalten, laden Sie das vollständige Whitepaper von Analysys Mason, gefördert von Amdocs und Intel, herunter.

Datenanalysen

Die nächste Evolutionsstufe von Datenräumen (Data Spaces) - Teil 1/3

Das Potenzial von Datenräumen

Datenräume und deren technische Enabler

Nächste Schritte

Referenzen

Datenverwaltung in 2023: Upskilling mit Datenbankmigration und -modernisierung in der Cloud

Datenmigration: komplex, aber machbar

Datenbankdienste, die Ihren Anforderungen entsprechen

Schnelle Datenbankmigration

Dem Datenfluss folgen

Datenmigration – die neue Normalität für Unternehmen

Neue KI-Agents für bessere Geschäftsergebnisse: Translation Hub, Document AI und Contact Center AI

Translation Hub: unternehmensweiter KI-Agent für Übersetzungen

Document AI: KI-Agent zur Dokumentverarbeitung und Automatisierung von Workflows

Contact Center AI: KI-Agent für bessere Callcenter-Erfahrungen

Mit KI-Agents direkt bessere Geschäftsergebnisse erzielen

Migration Ihrer Oracle- und SQL Server-Datenbanken zu Google Cloud

#1 Ausführung von Oracle-basierten Anwendungen in der Google Cloud

#2 SQL Server-basierte Anwendungen in Google Cloud ausführen

#3 Auswahl einer PostgreSQL-Datenbank in der Google Cloud

#4 Wie Sie Ihre Anwendungen mit Google Cloud-Datenbanken migrieren und modernisieren

#5 Erste Schritte mit dem Database Migration Service

Wir freuen uns auf die Zusammenarbeit mit Ihnen

Aktuelles auf dem Google Cloud Blog

Schneller helfen mit Geodaten: So nutzt die Feuerwehr Düsseldorf Google Cloud

Schnelle Standortplanung mit Geodaten

Minutenschnelle Planung statt monatelanges Warten auf Gutachten

Mehr Flexibilität beim Erschließen neuer Bauflächen

Datenbasierte Entlastung für Rettungskräfte

Innovation im Einsatz für die Gemeinschaft

Aktuelles auf dem Google Cloud Blog

Die Geheimnisse erfolgreicher Start-ups

Wie fliegt man ein Raumschiff?

Die ersten zahlenden Kund*innen

Kundenbindung und Wachstumskurs

Learnings von Gründer*innen

Serverlose Plattformen: Tipps für Start-ups auf dem Weg in die Cloud

Fünf Wege jenseits traditioneller Segmentierungsmethoden im Einzelhandel

So modernisiert Twitter seine Datenaktivierung mit Google Cloud

Bessere Werbepartnerschaften und effizientere Datenextraktion mit BigQuery

Dataflow: Datenmodellierung für mehr Produktivität und Wertschöpfung

Zuverlässiger Support und Datenkompetenz von Google

Aktuelles auf dem Google Cloud Blog

Neuigkeiten bei Googles offener und intelligenter Daten-Cloud

Data Sharing ohne Barrieren, Erkenntnisse in Echtzeit, offene Ökosysteme

Freie Wege in der Datenverarbeitung

Melden Sie sich für die Google Cloud Next an

Wie Google Cloud und SAP große Probleme großer Unternehmen lösen

Effizientere Migration kritischer Workloads ermöglichen

Nutzung der Cloud mit RISE und LiveMigration beschleunigen

Eine neue Intelligenzschicht für alle SAP Google Cloud-Kunden

Langfristige Partnerschaft zur Unterstützung von Organisationen in aller Welt

Aktuelles auf dem Google Cloud Blog

Die Zukunft der Daten: vereinheitlicht, flexibel, zugänglich

Serverlose Plattformen: Tipps für Start-ups auf dem Weg in die Cloud

Wie Bayer Crop Science mit BigQuery und geobeam die Bodengesundheit verbessert

Daten zusammenführen

Daten zu Erkenntnissen verarbeiten

Geodaten in der Praxis

Aktuelles auf dem Google Cloud Blog

Neue Google Cloud-Lösungen für die Fertigung: intelligente Fabriken, intelligenteres Arbeiten

Fertigungsingenieure in den Mittelpunkt der intelligenten Fertigung stellen

Alle Datenpunkte zugänglich und praktisch nutzbar machen

KI für die intelligente Fertigung erfordert ein breites Partner-Ökosystem

Erst die Skalierbarkeit ermöglicht den Einsatz von Cloud und KI in der Fertigung

So messen und maximieren Sie den Wert von Data Science- und KI-Teams

Checkliste für den Projektstart:

Welche Messwerte sind sinnvoll?

SAP und BigQuery: Sechs Erfolgsgeschichten aus der Praxis

SAP-Kunden schaffen Mehrwert mit Google Cloud und BigQuery

Datengetrieben zum Erfolg – mit BigQuery und SAP

Aktuelles auf dem Google Cloud Blog

So erschließen Sie Ihre Mainframe-Daten mit Data-First-Digitalisierung

Aktuelles auf dem Google Cloud Blog

Google-Experten verraten, welche Kompetenzen Datenfachkräfte 2022 entwickeln sollten

Datenkompetenz vertiefen oder verbreitern – das ist die Frage

Den eigenen Wert zu kennen, ist bei der Fortbildung schon die halbe Miete

Sind Sie bereit, Ihre Datenkompetenzen zu erweitern? Starten Sie hier.

Aktuelles auf dem Google Cloud Blog