Azure Countdown Worüber sprechen die Parlamentarier im Bundestag? Einblicke in das Schaltzentrum der Macht mit Azure Data Lake Analytics Ralph Kemperdick.

Präsentation zum Thema: "Azure Countdown Worüber sprechen die Parlamentarier im Bundestag? Einblicke in das Schaltzentrum der Macht mit Azure Data Lake Analytics Ralph Kemperdick."—  Präsentation transkript:

1 Azure Countdown Worüber sprechen die Parlamentarier im Bundestag? Einblicke in das Schaltzentrum der Macht mit Azure Data Lake Analytics Ralph Kemperdick Microsoft Digital Business Architect, Data

2 Politische Top Themen im Wandel der Zeit
Die Politischen Debatten im Bundestag seit 1948 stehen im Web öffentlich zur Verfügung. Die Semantische Analyse dieser Daten erlaubt eine Prognose der Trends, und Zusammenhänge zu erkennen und die Bewertung von Veränderungen des Geschehens. Dieses Verfahren kann für die Vorbereitung von Entscheidungen und Marketing Services sehr effizient eingesetzt werden. Auch in digitale Prozesse können mit solchen Verfahren integriert werden. Durch den Einsatz von Azure Data Lake & Azure Data Lake Analytics besteht die Möglichkeit eine beliebige Menge von polystrukturierten Daten ohne Infrastruktur Investitionen schnell, effizient und sicher zu analysieren. Qualifizierende Fragen: Haben Sie umfangreiche Dokumenten Bibliotheken? Interessiert Sie die Stimmung Ihrer Kunden und Lieferanten? Würden Sie gerne proaktiv Ihre Kommunikation an die Stimmungslage Ihres Publikums anpassen?

3 Demo in a Nutshell Azure Data Lake Store im Azure Portal
Data Lake Analytics Query PowerBI Visualisierung der Ergebnisse inklusive PowerBI Custom Visual (WordCloud) PowerBI Web -> Einblicke verschaffen

4 Häufige Fragen und Wettbewerber
Kundenbedarf Wer ist der Bedarfsträger beim Kunden? Wer hat das Budget ? Welche Sicherheitsanforderungen an die Daten gibt es? Löschvorschriften beachten! Partner Muss fachlichen Kontext verstehen Sollte sich mit Azure Data Services auskennen Benötigt ggf. Zugang zu der POC Subskription Mit PowerBI gegen IBM Watson? Key Feature in PowerBI Online Einblicke bekommen auf dem Data-Set

5 Gegenüber IBM Watson: Cortana Intelligence ist flexibler, bietet schnellere Umsetzung und ist deutlich günstiger Watson Weakness High cost and complex licensing. Watson is dependent on first-party consulting and customization rather than platform and partner ecosystem Lengthy implementations reduce flexibility and limit the value of the services Portfolio of disparate technologies not designed to work together and held together by consultants Very small install base, some customers have already left AI thought leaders and analysts have called out Watson as ‘marketing gimmick” Microsoft Strengths Cortana Intelligence Suite lowers the cost of advanced analytics with a flexible, open platform CIS accelerates time to value with agile platform, Ads support and partner ecosystem to deliver quick PoC End-to-end analytics on any data at any scale + Bot Framework + Cognitive Services APIs Large install base for ML/HDI with millions of API calls everyday Gartner MQ leader/ visionary for advanced analytics & data management High service fees and lengthy implementation timelines IBM develops entirely custom solutions, which makes implementations costly and time-consuming Costly: Development and implementation typically requires a large team of consultants. You are paying GE to knit together disparate technologies. Time-consuming: Because IBM solutions are architected from scratch, the design, planning, and implementation process can last months or years IBM consulting services may be required for maintenance, additional customization and upgrades - increasing TCO Custom implementations can reduce flexibility (MANUFACTURING) Because IBM solutions are customized, not platform-based, making adjustments once a solution is deployed can be a complex, lengthy process In contrast, Microsoft offers a flexible, consistent platform that allows you to experiment Microsoft Azure IoT services are flexible, so you can start small, iterate fast and apply what you learn: Quickly connect your assets, and make changes to things like rules, data elements and models IBM can’t match Azure Machine Learning’s ability to operationalize models in seconds – with IBM solutions, operationalizing a model is a lengthier process, involving hard coding and more elaborate deployment Custom implementations can reduce flexibility (PUBLIC SECTOR) Because IBM solutions are customized, not platform-based Making adjustments once a solution is deployed can be a complex, lengthy process Watson is required, but is expensive and challenging to implement Watson must be implemented by an engineer, leading to higher cost and longer time frame IBM has struggled to deliver on Watson “Watson’s basic learning process requires IBM engineers to master the technicalities of a customer’s business and translate those requirements into usable software. The process has been arduous.” – Wall Street Journal, 1/7/14 IBM set a goal of bringing in $1 billion of revenue a year by 2018, 2013 saw revenue at less than $100 million Microsoft Azure IoT services are flexible, so you can start small, iterate fast and apply what you learn Azure Machine Learning (ML) is a more practical choice Azure ML is easy to use, open and offers a variety services IBM provides a complex and incomplete approach to IoT With IBM solutions, operationalizing a model is a lengthier process, involving hard coding and more elaborate deployment IBM lacks the ability to manage non-IBM components, creating the need for additional management solutions Portfolio of disparate technologies are not designed to work together Each solution is pieced together from a patchwork of 70+ products, making implementations complex Many of these 70+ products are recent acquisitions, and do not seamlessly work together For example, IBM has acquired a number of Big Data firms in the past few years – so their Big Data capabilities need to be stitched together Star Analytics (acquired Feb. 2013) – analytics software focused on data integration and automation; likely to help enable self-service Big Data capabilities StoredIQ (acquired Feb. 2013) – Unstructured enterprise data management / analysis specialist; part of IBM’s Big Data strategy Vivisimo (acquired May 2012) - Software that automates the discovery of Big Data to support analytics In addition to these recent Big Data acquisitions, IBM previously acquired other elements of their BI stack - such as Netezza (acquired in 2010), and Cognos (acquired in 2008)

6 Kontakte und Partner Wer ist Ansprechpartner bei Microsoft?
Der zuständige SSP und ggf Azure TSP / DPSA / DSA Was sind geeignete Partner ? Oraylis GmbH KI-Group pmOne Analytics

7 Big Data / Data Mining POC Prozess
Business verstehen Daten verstehen Modellierung Evaluierung Deployment Aufwendig (~5 Tage) Anforderungen aufnehmen Daten Akquisition Einfach (~3 Tage) Modellierung Evaluierung Ergebnisse darstellen Ergebnisse können nicht vorhergesagt werden! -> Iteratives Vorgehen notwendig. Daten CRISP-Model

8 Big Data POC Prozess Wer kann die Daten bereitstellen?
Sind die Datenschutz Themen geklärt? Sind die Daten ausreichend oder werden weitere Daten benötigt? Wetterdaten z.B. Wer führt den POC durch? Wieviel Zeit kann der Kunde beistellen? Welcher Partner kann involviert werden? Bereitstellung der der Azure Subskription Azure Pass oder MSDN Subskription?