Auswertung des Fahrzeugverhaltens
Rainer Zietlows VW Touareg protokollierte während der Cape to Cape Challenge ganze 70 Signale zum Fahrstil: Wie wurde Gas gegeben, wie gebremst, wie in die Kurve gefahren? Welche Lenkkorrekturen gab es in der Kurve? Wann und wie häufig mussten die Fahrassistenzsysteme eingreifen? Wann und wie häufig wurde der Tempomat genutzt? Insgesamt ergab die Rekordversuchsfahrt einen Bestand von 1,6 Milliarden Datenbankzeilen, die es für HP mittels der Vertica Datenbank auszuwerten galt - und hinzuzurechnen sind hier noch die Bilddateien der Dashboard-Kamera sowie weiterer Input wie Verkehrsinformationen, Wetterdaten, Social-Media-Reaktionen etc.
Die Messwerte zum Fahrverhalten erhielt ein HP-Spezialist in den USA für die Big-Data-Analyse. Dieser konnte anhand der Messdaten erkennen, dass bei der Challenge drei verschiedene Fahrer am Lenkrad gesessen sein mussten - was stimmte: Rainer Zietlow war mit zwei Beifahrern unterwegs gewesen, und die drei hatten sich beim Fahren abgewechselt.
Foto: Volkswagen AG
Ermitteln lassen sich solche Ergebnisse, indem man die zahlreichen Informationen in einem multidimensionalen Modell über die Zeit nach Häufigkeit und/oder Intensität korreliert, um in den strukturierten wie auch unstrukturierten Datenbeständen auffällige Clusterbildungen zu erkennen. Ein Indikator war zum Beispiel die Auswertung der Tempomatnutzung. Hier zeigte sich, dass einer der drei Fahrer den Tempomat gehäuft bei 50-60 km/h einsetzte, der zweite vor allem bei 150-160 km/h, der dritte wiederum bevorzugt bei 120-130-km/h.
Die Big-Data-Analyse belegte: Ja, man kann durch die Auswertung von Fahrzeugdaten unterschiedliche Fahrstile sichtbar machen. Solche Erkenntnisse lassen sich für vielerlei Einsatzfälle heranziehen. So könnte eine Kfz-Versicherung, eine Autovermietung oder der Manager einer Firmenwagenflotte künftig besonders umsichtiges Fahrverhalten belohnen - und dabei zwischen mehreren Nutzern des gleichen Fahrzeugs unterscheiden. Autovermieter zum Beispiel könnten ihren Kunden auf der Basis einer individuellen Fahrtdatenauswertung ("Pay As You Drive") günstigere Tarife anbieten, Versicherer spezielle Rabatte gewähren und Flotteninhaber Bonusprogramme an das gewünschte Fahrverhalten knüpfen, belegt durch diverse Indikatoren wie zum Beispiel die Nutzung der Abstandsautomatik im LKW-Kolonnenverkehr.
- Die Begriffe rund um Big Data
Big Data - was ist das eigentlich? Jeder spricht drüber, jeder versteht etwas anderes darunter. Klicken Sie sich durch unser Glossar mit den wichtigsten und meistgenutzten Begriffen (manche sagen auch "Buzzwords") und verstehen Sie, was damit genau gemeint ist. <br /><br /> <em>zusammengestellt von <a href="http://www.kommunikation-in-sendling.com/" target="_blank">Kriemhilde Klippstätter</a>, freie Autorin und Coach (SE) in München</em> - Ad Targeting
Der Versuch, die Aufmerksamkeit des potenziellen Kunden zu gewinnen, meist durch "passgenaue" Werbung. - Algorithmus
Eine in Software gegossene mathematische Formel mit der ein Datensatz analysiert wird. - Analytics
Mit Hilfe von Software-basierenden Algorithmen und statistischen Methoden werden Daten interpretiert. Dazu benötigt man eine analytische Plattform, die aus Software oder Software plus Hardware besteht und die die Werkzeuge und Rechenpower bereitstellt, um unterschiedliche analytische Abfragen durchführen zu können. Es gibt eine Reihe unterschiedlicher Formen und Einsatzzwecke, die in diesem Glossar näher beschrieben sind. - Automatic Identification and Capture (AIDC)
Jede Methode der automatischen Identifizierung und Datensammlung über eine Gegebenheit und die nachfolgende Speicherung in ein Computersystem. Etwa die Informationen aus einem RFID-Chip, die ein Scanner ausliest. - Behavioral Analytics
Behavioral Analytics nutzt Informationen über das menschliche Verhalten, um die Absichten zu verstehen und zukünftiges Verhalten vorhersehen zu können. - Business Intelligence (BI)
Der generelle Ausdruck für die Identifizierung, Herkunft und Analyse der Daten. - Call Detail Record (CDR) Analyse
Diese enthält Daten, die die Telekommunikationsunternehmen über die Nutzung von Mobilfunkgesprächen – etwa Zeitpunkt und Dauer der Gespräche – sammeln. - Cassandra
Ein verteiltes Datenbank-Verwaltungssystem für sehr große strukturierte Datenbanken („NoSQL“-Datenbanksystem) auf Open-Source-Basis (Apache). - Clickstream Analytics
Bezeichnet die Analyse der Web-Aktivitäten eines Benutzers per Auswertung seiner Klicks auf einer Website. - Competitive Monitoring
Tabellen, in denen die Aktivitäten der Konkurrenz im Web automatisch gespeichert werden. - Complex Event Processing (CEP)
Ein Prozess, bei dem alle Aktivitäten in den Systemen einer Organisation überwacht und analysiert werden. Bei Bedarf kann sofort in Echtzeit reagiert werden. - Data Aggregation
Das Sammeln von Daten aus unterschiedlichen Quellen für die Erstellung eines Berichts oder für eine Analyse. - Data Analytics
Ein Stück Software, mit dem Informationen aus einem Datensatz gezogen werden. Das Ergebnis kann ein Report, ein Status oder eine Aktion sein, die automatisch gestartet wird. - Data Architecture and Design
Legt dar, wie Unternehmensdaten strukturiert sind. Meist erfolgt das in drei Prozessschritten: Begriffliche Abbildung der Geschäftseinheiten, logische Abbildung der Beziehungen innerhalb der Geschäftseinheit sowie die physikalische Konstruktion eines Systems, das die Tätigkeiten unterstützt. - Data Exhaust
Die Daten, die eine Person bei ihrer Internet-Aktivität "nebenbei" erzeugt. - Data Virtualization
Der Prozess der Abstraktion verschiedener Datenquellen durch eine einzige Zugriffsschicht auf die Daten. - Distributed Object
Ein Stück Software, das es erlaubt, mit verteilten Objekten auf einem anderen Computer zusammenzuarbeiten. - De-Identification
Das Entfernen aller Daten, die eine Person mit einer bestimmten Information verbindet. - Distributed Processing
Die Ausführung eines Prozesses über verschiedene per Netzwerk verbundene Computer hinweg. - Drill
Apache Drill ist eine Open-Source-SQL-Suchmaschine für Hadoop- und NoSQL-Datenmanagement-Systeme. - Hadoop
Ein freies, in Java geschriebenes Framework der Apache Foundation für skalierbare, verteilt arbeitende Software in einem Cluster. Es basiert auf dem bekannten MapReduce-Algorithmus der Google Inc. sowie auf Vorschlägen des Google-Dateisystems. - HANA
SAPs Software-und Hardware-Plattform mit In-Memory-Computing für Echtzeitanalysen und große Transaktionsvolumen. - In-Database Analytics
In-Database Analytics bezeichnet die Integration der Analysemethoden in die Datenbank. Der Vorteil ist, dass die Daten für die Auswertung nicht bewegt werden müssen. - In-Memory Database
Jedes Datenbanksystem, das den Hauptspeicher für die Datenspeicherung benutzt. - In-Memory Data Grid (IMDG)
Die verteilte Datenspeicherung im Hauptspeicher vieler Server für schnellen Zugriff und bessere Skalierbarkeit. - Machine-generated Data
Alle Daten, die automatisch von einem Rechenprozess, einer Applikation oder einer nicht-menschlichen Quelle erzeugt werden. - Map/reduce
Ein Verfahren, bei dem ein großes Problem in kleinere aufgeteilt und an verschiedene Rechner im Netz oder Cluster oder an ein Grid aus unterschiedlichen Computern an verschiedenen Standorten ("map") zur Bearbeitung verteilt wird. Die Ergebnisse werden dann gesammelt und in einem (reduzierten) Report dargestellt. Google hat sein Verfahren unter der Marke "MapReduce" schützen lassen. - Mashup
Dabei werden unterschiedliche Datensätze innerhalb einer Applikation so kombiniert, dass das Ergebnis verbessert wird. - NoSQL
Datenbanken, die nicht relational aufgebaut sind und mit denen sich große Datenvolumina handhaben lassen. Sie benötigen keine festgelegten Tabellenschemata und skalieren horizontal. Beispielsweise ist Apache Cassandra eine NoSQL. - Operational Data Store (ODS)
Darin werden Daten aus unterschiedlichen Quellen gesammelt damit noch weitere Operationen ausgeführt werden können, bevor die Daten in ein Data Warehouse exportiert werden. - Pattern Recognition
Die Klassifizierung von automatisch erkannten Mustern. - Predictive Analytics
Diese Form der Analytics nutzt statistische Funktionen in einem oder mehreren Datensätzen, um Trends oder zukünftige Ereignisse vorherzusagen. - Recommendation Engine
Per Algorithmus werden die Kundenbestellungen einer Website analysiert und sofort passende Zusatzprodukte ausgesucht und angeboten. - Risk Analysis
Die Anwendung statistischer Methoden auf einen oder mehrere Datensätze, um das Risiko eines Projekts, einer Handlung oder Entscheidung abschätzen zu können. - Sentiment Analysis
Dabei werden Einträge von Leuten in sozialen Netzwerken über ein Produkt oder ein Unternehmen statisch ausgewertet. - Variable Pricing
Dabei folgt der Kaufpreis eines Produkts dem Angebot und der Nachfrage. Das erfordert die Echtzeit-Überwachung von Konsum und Lagerbestand. - Parallel Data Analysis
Ein analytisches Problem wird in Teilaufgaben aufgebrochen und die Algorithmen werden auf jede Problemkomponente zeitgleich und parallel angewendet. - Query Anal
In diesem Prozess wird eine Suchanfrage optimiert, um das bestmögliche Ergebnis zu erhalten. - Reference Data
Daten, die ein physikalisch oder virtuell vorhandenes Objekt und seine Eigenschaften beschreiben.
Stimmungsanalyse in den sozialen Medien
Neben der Analyse fahrzeugbezogener Daten lieferte die Cape to Cape Challenge auch wertvolle Informationen in einem ganz anderen Kontext: Da Zietlows Team seine Fans durch Posts auf Facebook, Twitter und Instagram an der Extremfahrt teilhaben ließ, konnte die Auswertung in der HP Helion Cloud interessante Erkenntnisse zum Social-Media-Umfeld der Fahrt gewinnen. So hatte HP zum Beispiel eine App speziell für die Cape to Cape Challenge entwickelt, die die Nutzer aktuell über die Rekordfahrt informierte und zur Interaktion animierte. Die Analyse ergab, dass HP damit im Vergleich zu anderen Sponsoren der Fahrt beim Social-Media-Publikum den größten Widerhall fand.
Foto: Volkswagen AG
Während der Fahrt wertete HP laufend die Social-Media-Kommentare zum Fahrtgeschehen aus und leitete positive Reaktionen an die App weiter. Die Stimmungsauswertung (Sentiment Analysis) der Big-Data-Plattform ergab einen Anteil von nur 4,7 Prozent negativer Posts, die es auszufiltern galt. Die Höchstwerte positiver wie auch negativer Kommentare zeigten sich beim Unfall in Afrika: negative Reaktionen vor allem aufgrund des Ausbleibens von Neuigkeiten zum Fortkommen, bis die betreffenden Nutzer bemerkten, dass es einen Unfall gegeben hatte; positives Engagement wiederum vorrangig in Form eines Anfeuerns der Fahrer, um diese angesichts des Rückschlags zu motivieren.
Eine unerwartete Erkenntnis: Seinen Spitzenwert erreichte das Engagement der Social-Media-Nutzer 16 Stunden nach dem Unfall - und dies nicht etwa durch verschiedene Zeitzonen bedingt. So gab die Cape to Cape Challenge mittels Big-Data-Analyse empirischer Daten Aufschluss darüber, wann es für Unternehmen am effektivsten ist, sich nach einem wichtigen Vorfall auf Social-Media-Plattformen zu engagieren.