SAP HANA XE

SAP HANA XE

Kostenfrei starten, preiswert wachsen

 

SAP HANA Projekte müssen nicht mit einer Großinvestition beginnen

SAP HANA, Expreess Edition (HANA XE) ist eine schlanke Version der SAP HANA-Plattform, die bis auf wenige Ausnahmen alle wichtigen Funktionalitäten kompakt und einsatzbereit anbietet. Mit dieser multimodalen In-Memory Datenbankplattform können verschiedene Kategorien von Daten effizient verarbeitet werden.

Zu den wichtigsten Modulen und Funktionen zählen u.a.:

  • Relationale DB-Engine (OLTP + OLAP)
  • Graph-Engine
  • Textverarbeitungsmodul
  • Geo-Modul (Spatial)
  • Document Store
  • Predictive / Machine Learning Funktionen in der Datenbank

 Die verschiedenen Engines können gleichzeitig und direkt auf einen Datenbestand angewendet werden. Die Daten müssen nicht – wie sonst oft üblich – zwischen verschiedenen, verteilten Software-Komponenten dupliziert und mehrfach verwaltet werden. Dadurch können auch komplizierte Use-Cases mit einer relativ einfachen Architektur schnell und effizient angegangen werden.

Darüber hinaus bietet die Plattform eine Reihe von eingebauten Machine Learning-, KI- und Business-Algorithmen. Da diese sehr nah an den Daten implementiert sind, werden Abfrageantwortzeiten in Sekundenbruchteilen – auch auf Massendaten – möglich.

Die Softwarelizenz ermöglicht sowohl nicht-produktive als auch produktive Anwendungsfälle. Dadurch kann eine HANA XE nicht nur zum Erstellen von Prototypen, sondern auch zum Bereitstellen produktiver Anwendungen verwendet werden.

 

Kommerzielle Aspekte

HANA XE steht bis zu 32GB RAM kostenfrei mit allen wichtigen HANA-Features zur Verfügung. So können SAP HANA Projekte sehr preiswert – und ohne langwierige Lizenzbeschaffung – schnell gestartet werden. Insbesondere PoC-oder Pilotprojekte, wie sie im Data Analytics und Machine Learning Bereich fast immer empfehlenswert sind, profitieren von der unkomplizierten und schnellen Verfügbarkeit der sehr leistungsfähigen SAP HANA Technologie.

Falls der kostenfreie 32 GB Arbeitsspeicher nicht mehr ausreicht, kann die Lizenz bis zu 128 GB mit einem Lizenz-Upgrade einfach aus dem SAP Store erweitert werden:

https://www.sapstore.com/solutions/99055/SAP-HANA%2C-express-edition

Durch die effiziente Datenkompression benötigt die HANA deutlich weniger Hauptspeicher als herkömmliche Datenbanken. Abhängig von dem gewählten Datenmodell sind Kompressionsfaktoren von 5-7 üblich. Im Vergleich zu unkomprimierten CSV-Daten kann sogar ein Faktor von bis zu 15 erreicht werden.

 

„In the wild“ – Beispiele aus der Praxis

In der avato Smart Data und SAP Beratungspraxis hat sich die SAP HANA XE Plattform als Allzweckwaffe etabliert. avato konnte mit den Werkzeugen aus dieser Toolbox auch komplexe Use Cases mit geringen Budgets implementieren. Beispiele sind:

  • Stammdaten-Generierung und -Optimierung mit ML-Methoden; Analyse und Verarbeitung von SAP-Bewegungsdaten aus 10+ Jahren
  • Digitale Assistenten für SAP ERP; hierzu werden Stamm- und Bewegungsdaten aus SAP ERP in eine HANA XE für superschnelle Analysen und die Verarbeitung mit Hilfe von ML-Algorithmen repliziert und die Ergebnisse über Digitale Assistenten mit oder ohne Anwenderinteraktion wieder in SAP ERP zurückgeführt
  • Fortgeschrittene Produktionscontrolling-Anwendungen; Material- und Belegflüsse (z.B. Chargen) werden in Graphen überführt. Dort können Kennzahlen mit Graphanalyse-Verfahren sehr einfach berechnet oder auch komplexere Analysen durchgeführt werden
  • Fortgeschrittene Produktionsanalysen; Historische und aktuelle Fertigungsdaten aus komplexen chemischen Fertigungsprozessen werden zusammen mit Anlageninformationen in Graphen abgebildet. In dem Graphen können auch komplexe Fragestellungen relativ einfach beantwortet werden.
  • Real-Time Reporting für mehrere Geschäftsbereiche (u.a. Einkauf, Controlling, Produktion). Die Verwendung von Virtual Data Models (VDM) und HANA XSA-Modelling, sowie die Anbindung an die SAP Analytics Cloud (SAC) erlaubt leistungsfähige Reporting-Lösungen in kurzer Zeit und mit vergleichsweise niedrigem Aufwand

Gerne helfen wir Ihnen, Ihre Aufgaben mit SAP HANA XE smart zu lösen.

SAP HANA XE – Kostenfrei starten, preiswert wachsen

Haben Sie weitere Fragen? Wir beraten Sie gerne: marketing@avato.net

Impressum 
Datum: Februar 2020
Autor: Andor Németh
Kontakt: marketing@avato.net
www.avato-consulting.com
© avato consulting ag – Copyright 2020.
All Rights Reserved.

avato Kick Off 2020

avato Kick Off 2020

Was wollen wir im Jahr 2020 erreichen? Wo geht unsere Reise hin und was ist im vergangenen Jahr so alles passiert? Diesen Fragen stellten sich die avato Mitarbeiter beim Kick Off Event Anfang Februar. Zusammenkommen und sich austauschen sorgt für ein gutes Teamgefühl, kreative Ideen und reichlich neue Erkenntnisse.

Bei einem Kochkurs in Steffens Herrnmühle in Alzenau konnte man gut ins Gespräch kommen und gemeinsam unter dem Motto Anpacken und Selbermachen neue Talente entdecken.

Im Anschluss wurden von den verschiedenen Fachbereichen die Ziele fürs neue Jahr vorgestellt. Voller Engagement startet avato consulting ins Jahr 2020.

A Chatbot as Your Website’s Receptionist: 3 Concepts From Practice

A Chatbot as Your Website’s Receptionist: 3 Concepts From Practice

There’s the dream of a chatbot functioning as an automated full-scale service desk: Answering questions even when asked in an atypical way using wrong terms, capable of recognizing the exact circumstances of a customer’s problem and forwarding solutions with the exact level of detail they need. We can get there, but it’s a lot of work. For the first step, we need a closer objective.

Instead of mimicking a service desk employee with all the knowledge and handling a wide scale of requests, let’s start out with a bot working as a receptionist with a single task: telling the users where to look for a solution. Why is this a good starting point? Because we already know how to navigate our website. Once the bot can tell where to find the answer, you can concentrate on enabling it to extract the information and directly provide it to the user.

There are three approaches on how to implement this functionality: full text search, guided search and using intents. They require different levels of development effort and data preparation, but that’s not a downside: you can move on from one to the other, starting small and building on what you already have. Let’s start with the easiest one.

 

Concept 1: Search Engine Interface

You probably already have a search engine implemented in your website. If you think about it, this engine does exactly what you want the chatbot to do. It takes a free text input and returns a list of places to look for information on the terms the user entered. Thus, think of your first chatbot as an enhanced interface for classic search. It asks the user for some keywords and pops out a list of pages, maybe in combination with a short summary stored in the page’s metadata.

One could argue that this won’t add any value because there is no new functionality. But functionality is not the only thing that adds value. You can use this first bot to test the performance of the tool you use. Your developers can collect first experiences on working with this kind of technology and on how to integrate it into your existing environment. Your conversation flow designer can experiment with ways on how to map the concept to a set of conversation nodes. And of course you can collect first feedback from your users without investing too much.

And to make it clear: Even for the users there will be added value. Providing an alternative interface may help some of them or enrich the user experience. Moreover, while the search engine is done when the result page is displayed, the bot can continue supporting the user, e.g. by asking whether these results answer the question and suggesting additional contact information in case they don’t.

 

Concept 2: Guided Search

Once the bot is working and executing at least this basic task, you can increase its helpfulness. A good search engine provides some kind of filtering, right? How do you implement this in the chatbot? Well, the chatbot can ask for specific information and provide options to select. This is where the bot can start to show something that at least looks like intelligence. For example, if there are many results to a certain request, it could ask the user to set exactly the filter that reduces the number of results the most (e.g. “Which Operating System do you use?” followed by a list of all OS in the result). Thus, instead of being overwhelmed by a huge range of options the user must only make the decisions that really help.

This concept requires your pages to be enriched with some additional metadata and the bot needs direct access to this information, without the search engine functioning as a broker in between. But this is only a small adaption and since your developers already know how the bot processes data, they probably won’t run into big issues.

If your data has an accurate structure you can even remove the free text input and use only a set of questions with pre-set options as answers for setting filters. This prevents users getting wrong results due to wrong terms in the query. However, to some users this might seem like a step backwards.

 

Concept 3: Understanding the Intent

Your bot is already capable of having a conversation – without even trying to understand the user. Now your developers know how to modify the bot, your conversation designer is experienced in developing flows and the bot is integrated well into your website. Time to tackle the last missing step to a real chatbot with all the AI stuff running in the background.

For those new to the topic: Chatbots use Machine Learning to match a text input to one of several pre-defined intents. The more intents, the harder the task. Thus, it is best to start with a small set of things the users might be interested in. For a first attempt, in order to get experience in working with intents, you might want to train the bot on intents related to the conversation itself like “explain one of the options you asked me to choose from” or “I want to change a filter I set earlier”. This is a lot easier than letting the bot recognize what information the user is looking for, since there is less variety.

Later you can try to replace the search engine integration by connecting pages to intents. Nevertheless, keeping search as a fallback in case the bot fails in recognizing the intent is a better idea.

 

 

You started out with a search engine interface and got to a navigation assistant. With some additional training, the bot will be able to predict the correct location to point the user to with high accuracy. From that point on, it is only a small step to the bot answering questions by itself. This is how you get the service desk bot you dreamed of in the beginning.

Haben Sie weitere Fragen? Wir beraten Sie gerne: marketing@avato.net

Impressum: 
Datum: Januar 2020
Autor: Isabell Bachmann
Kontakt: marketing@avato.net
www.avato-consulting.com
© 2020 avato consulting ag
All Rights Reserved.

Die 7 größten Fehler von Knowledge Management und ECM

Die 7 größten Fehler von Knowledge Management und ECM

Die 7 größten Fehler von Knowledge Management und ECM

Warum Information Management? Ein Plädoyer für einen innovativen Ansatz.

 

Warum scheitern Knowledge Management (KM) oder Enterprise Content Management (ECM) seit Jahrzehnten? Warum erzeugen sie eigentlich keinen Mehrwert für die Organisation?

Die einfache Antwort lautet: Wenn man immer wieder den gleichen Ansatz nutzt, darf man sich nicht wundern, wenn es immer wieder gleich endet!

Eine Organisation wird meist von außen zum ungeliebten Thema „Dokumentation“ gedrängt. Aus Sicht der Betroffenen hat das aber höchstens zweite Priorität und verlangt etwas von der Organisation, was nicht zu ihren Kernkompetenzen gehört. Unter hohem Aufwand werden dann Ergebnisse produziert, die lediglich formale und regulatorische Anforderungen erfüllen, für die Organisation aber praktisch keinen Mehrwert bieten oder nur punktuell und kurzzeitig von Nutzen sind.

Die 7 größten Fehler

Was wie ein Naturgesetz aussieht, ist aber eher ein hausgemachtes Problem. Beispiele aus der Industrie (Technische Dokumentation/Kommunikation) zeigen, dass mit innovativen Ideen und Methoden sowie den richtigen Technologien sehr schnell erstaunliche Ergebnisse mit vergleichsweise geringen Aufwänden erzielt werden. Konzentrieren wir uns auf die 7 größten Fehler von ECM- und KM-Projekten. Information Management überwindet durch seine methodischen Ansätze und durch innovative Technologien.

1. Fehlender übergreifende Ansatz. 

Information Management (IM) ist komplex. „Think big!“ Jede Organisation muss IM übergreifend und integriert betrachten. Es gilt, viele unterschiedliche Personengruppen, divergierende Informationsbedarfe (Information Need) und IM Technologie in ein Gesamtbild zu bringen. Das beginnt mit den Zielen aller relevanter Stakeholders, bezieht die Anforderungen der Informationsnutzer ein und identifiziert die relevanten SMEs (Information Provider).

2. Fokussierung auf IM Technologie

In klassischen Projekten stehen weder Nutzer noch Information im Mittelpunkt. Projekte werden schnell durch Diskussionen über IM Technologien geprägt, vor allem wenn die Unternehmens IT eine wesentliche Rolle beim Aufsetzen der Projekte spielt.

3. Unzureichendes Know-how

Prozesse, Technologien, Standards oder Services – um nur ein paar Aspekte zu nennen – gut und verständlich zu beschreiben, ist kein leichtes Unterfangen. Man muss Inhalte verstehen, mit den Spezialisten effizient zusammenarbeiten, erkennen, wer Information nutzt und Information dann zielgruppengerecht, interessant und verständlich aufbereiten. Spezialisten, die genau dieses können, sind rar und teuer. Ihre Wichtigkeit wird gerne unterschätzt.

4. Methodenfreies Arbeiten

Methodik konzentriert sich gerne auf Versionierung und Freigabeverfahren. Das sind aber allenfalls zweitrangige Methoden. Information muss in kleine Einheiten (Information Units) heruntergebrochen werden und über Metadaten einer Taxonomie zugeordnet werden. So werden Redundanzen vermieden und Information wird wartbar. Es muss eine Priorisierung bei der Erstellung von Inhalten geben, Inhalte müssen bewertet werden (Evaluate) und es muss ein Governance auf Inhalte aufgebaut werden. Hier sollte jederzeit das Feedback von Nutzern einbezogen werden. Diese zentralen Methoden beherrschen ECM- oder KM-Projekte, die wesentlich aus der IT getrieben werden, eigentlich nie.

5. Schwerfällige unflexible Prozesse, wenig Inhalt und viel Formalismus

Traditionelles KM und ECM sind weder schlanke noch agilen Prozesse. Sie arbeiten im Grunde nach der Wasserfallmethode, sind langfristig angelegt und konzentrieren sich auf formale Prozesse. Sie arbeiten in aller Regel ohne Bewertung auf inhaltliche Ergebnisse. Damit sind sie oftmals lediglich eine Fortsetzung von traditioneller Dokumentation verbunden mit neuen Tools und einem umfassenden aber vielfach leider auch oberflächlichen Anspruch.

6. Kulturelle Defizite

Organisationen neigen dazu, den Zustand wie ein Naturgesetz zu betrachten: Relevante und gut aufbereitete Information im schnellen Zugriff gibt es nicht. Im Ergebnis herrscht keine Kultur der Kommunikation, des Feedbacks und des strukturierten Informationsteilens. Alle kümmern sich ausschließlich um ihren eigenen kleinen Bereich. Information jeder Art wird gesammelt und gehortet. So entsteht die digitale Deponie, die am Ende nicht mehr handhabbar ist.

7. Managementversagen

Halbherzigkeit drückt sich durch vieles aus: Unklare Verantwortlichkeiten, unzureichende Priorisierung und keine Erfolgsmessung sind nur die sichtbarsten Zeichen. Management „mag“ das Thema eben nicht. Zudem verstehen Manager meist weder die Bedeutung für die eigene Organisation, noch können sie die Komplexität von Information Management einschätzen. Im Ergebnis schleppt die Organisation permanent ein Thema mit sich herum, das keiner mag, alle halbherzig beschäftigt und das kaum praktischen Mehrwert für die Organisation bietet.

Stattdessen

Wenn man es nur richtig angeht, und die 7 größten Fehler vermeidet, kann selbst dokumentieren schnell gehen und Spaß machen. Und das Beste ist: Information Management funktioniert für alle Organisationen. Sie werden besser, schneller, flexibler sowie geschäfts- und kundenorientierter.

Und wie macht man es richtig: Information Management betrachtet in einem integrierten Ansatz Menschen, Informationen und IM Technologien. Zuverlässige und nützliche Information ist immer eine Momentaufnahme. Deshalb ist IM ein schneller und agiler Prozess, nutzt innovative Ansätze und lernt methodisch aus etablierten Verfahren anderer Industrien (Technische Kommunikation).

Haben Sie weitere Fragen? Wir beraten Sie gerne: marketing@avato.net

Impressum: 
Datum: 20. Januar 2020
Autor: Gregor Bister
Kontakt: marketing@avato.net
www.avato-consulting.com
© 2020 avato consulting ag
All Rights Reserved.

Produktionsmonitoring 4.0 in der Papierindustrie

Produktionsmonitoring 4.0 in der Papierindustrie

Ausgangssituation:

Wie viele Menschen braucht man, um eine Papiermaschine op­timal zu betreiben? Durch den hohen Automatisierungsgrad ist der eigentliche Betrieb mit einer sehr kleinen Betriebsmann­schaft möglich. Über die letzten 10 Jahren wurden bei einigen Papierherstellern die Produktionsmenge pro Mitarbeiter um einen Faktor 10 gesteigert! Gleichzeitig ist und bleibt die Pa­pierproduktion ein komplexer dynamischer Prozess mit vielen Einstell- und Einflussmöglichkeiten und einer komplexen Pro­duktionsanlage. Aufgrund der hohen und weiter steigenden Anzahl von Sensoren ist eine manuelle vollumfängliche Über­wachung der Produktion durch einige wenige Personen in der Praxis unmöglich. So werden Probleme in der Anlage oder den Betriebseinstellungen oft nicht erkannt. Die Folge sind unge­plante Stillstände und Qualitätseinbußen im Endprodukt. Oft sind nur noch zeitaufwändige ex-post Analysen möglich. Prozessleitsysteme bieten zwar umfassende Alarmierungsfunk­tionen an, diese überprüfen jedoch nur regelbasiert und mit statischen Grenzen ohne Betriebszustände, Sorten oder Ände­rungen in den Einstellungen zu berücksichtigen. In der Folge werden Anwender mit Alarmen überflutet und die Alarmierungsfunktionen nur eingeschränkt genutzt.

Smart Data Ansatz:

Durch eine vollautomatisierte und dynamische Überwachung von Tausenden von Messstellen und die Alarmierung bei unge­wöhnlichen Mustern in Sensordaten werden Probleme in der Produktion frühzeitig identifiziert. Mit diesem neuen aus Daten abgeleiteten Erkenntnissen können Stillstände vermieden und die Produktqualität verbessert werden. In dem Smart Data Alarmierungssystem wird das normale Verhalten der Maschine unter Berücksichtigung von Sortenabhängigkeiten und Be­triebszuständen laufend dynamisch aus der Historie ermittelt. Abhängige Alarme werden zusammengefasst und nach Wich­tigkeit priorisiert. Die Überwachung kann über Sensordaten hinaus auch flexibel auf andere Daten wie Qualitätsparameter, berechnete Kennzahlen wie z.B. Rohstoffverbräuche etc. ange­wendet werden. Die Alarme werden in einer benutzerfreundli­chen Oberfläche dargestellt und können hier vom Anwender mit erweiterten Analysefunktionen untersucht und bearbeitet werden.

Vorteile:

  • Steigerung OEE/ GAE – Einsparpotentiale von mehreren hunderttausend Euro im Jahr
  • Vermeidung von Stillständen
  • Verbesserte Qualität des Endproduktes
  • Vorausschauende Wartung

Funktionen:

  • Überwachung in Echtzeit
  • Dynamische Berechnung von Grenzwerten
  • Berücksichtigung von Sorten- und Produktions­zuständen
  • Priorisierung von Alarmen
  • Automatische Überwachung von Rohstoff- und Energieverbräuchen

Produktionsmonitoring 4.0 in der Papierindustrie – Weniger Stillstände, verbesserte Qualität, vorausschauende Wartung

Haben Sie weitere Fragen? Wir beraten Sie gerne: marketing@avato.net

Impressum 
Datum: Januar 2020
Autor: Leon Müller
Kontakt: marketing@avato.net
www.avato-consulting.com
© avato consulting ag – Copyright 2020.
All Rights Reserved.