2

IMH Outsourcing, Bankgeschäfte & Datenschutz 11. bis 12.07.2017

Data Analytics für die Revisionstätigkeit Trends & Innovation

3

IT Ziviltechniker & SachverständigerDDipl.-Ing. Mag.rer.soc.oec. Gernot Schmied

in Zusammenarbeit mit

buero@gernotschmied.atwww.gernotschmied.at

4

Use Cases

Data Analytics selbst anwenden oder Verwendung prüfen? (Revisionstätigkeit, Outsourcing, private/public/hybride Cloud)

Ausgangssituation Revisionsarbeit: Dateien, DB/SAP Exports, Disk Images, Logging-Auszüge, email-Postfächer, Scans ….

Business Analytics (Kennzahlen, Opportunities, Trends …)

Operations/Security Analytics (Betriebsführung, Instabilitäten, Auffälligkeiten)

Forensik/e-Discovery (Fraud Analysis, „Seilschaften“, Unvereinbarkeiten, Schlüsseldokumente …)

Anonymisierungs-Schritt: Welchem Zweck dienen der Anonymisierungsschritt und die anonymisierten Daten? Nicht-Rückführbarkeit sichergestellt?

Analyse-Zweck bzw. Erwartungshaltung:

• Wahrnehmung von Muster, Auffälligkeiten, Abweichungen, Anomalien, Fehlverhalten

• Predictive Analysis, Forecasts, Trend Analysis (Extrapolation in die Zukunft)

• Kennzahlen - Optimierung & Effizienzsteigerung

5

Einleitende Gedanken

Ereignisdaten (Logging, SIEM), Inhaltsdaten (DB, Content), Prozessdaten (Process Engine)

Process Mining, Data/Content Mining, Log Mining (Audit Subsystems, Logging, SIEM)

Business Intelligence vs. Data Intelligence vs. Auditing Intelligence

DLP-Lingo: „data in use, at rest & in transit“

Suchen vs. Entdecken (Discovery, Exploration) vs. Zufallsfunde „Bedeutsames/Relevantes, konkrete Suchvorstellung vs. unspezifische Discovery. Kernproblem: „Was ist typisch, atypisch oder auffällig?“

Ausgangslage: Der Kampf um Datenqualität und gegen Entropie, es gilt nach wie vor: „garbage in, garbage out“

Relevanz & Gewichtung der Ergebnisse (Scoring/Rating/Confidence). Was ist wichtig bzw. bedeutsam? Wie kann ich sicher sein, dass das Ergebnis repräsentativ und umfassen ist?

„Die Masse an Auswahl garantiert nicht das Finden.“

Damaris Wieser, (*1977), deutsche Lyrikerin und Dichterin

6

Einführungsargumentation „Data Analytics“

Einführung komplex, nicht billig, ressourcenintensiv und zeitaufwändig, Lernkurve, eigenes Berufsbild „Data Analyst/Scientist“ „digital Transformation“

Aufbauorganisation, Ablauforganisation, Service Organisation, Knowledge Organisation

keine turn-key Solutions, außer aus der Cloud (rapid deployment)

Mehrfachnutzen für das Unternehmen:

• Für Betriebsführung

• Für Informationssicherheit

• Für Wissensmanagement

• Für Geschäftsführung/strategische Planung (Vorhersagemodelle)

• Für Service Center, Vertrieb & Marketing (CRM)

• Für Stabsstellen, Interne Revision (Auditing Intelligence)

• Für Prävention:„anti-Fraud Management System (AFMS)“, Symptome für Compliance/Policy Violation, Geldwäschebekämpfung, Börsenaufsicht (insider trading), Versicherungsbetrug, Intrusion Detection („zero day exploits“), data loss detection …

7

Geburtshelfer von Data Analytics/Intelligence

Mustererkennung (Malware, Spam, Heuristik, DLP, IPS)

Suchmaschinen (Google, Semantic Web)

Social Networks & personalisierte e-Commerce Werbung predictive Behavior & Interests

Trendanalysen und Vorhersagemodelle (Versicherungen, Finanz, Klimamodelle)

Statistik, Korrelationen, Visualisierung

Datenbanken (not just SQL)

Cloud Technologien (Cloud-Dateisysteme,Containerization & Virtualisierung)

Data Mining Vorläufer

Go und Schach durch AI-System

Web 2.0 und Browser Frontends

8

Technologische Entwicklungen

Neurowissenschaften, Cognitive Sciences, natural Language Processing, Neural Networks, Fuzzy Logic, Machine Learning und Artificial Intelligence (AI), Spracherkennung

Ergebnis: moderne Algorithmen, lernende/adaptive Systemen „(un)supervised learning“

Exporte und Importe waren gestern – Datenströme, push, pull & ContinuousProcessing & realtime Dashboards

Von Textsuche zu Natural Language/Fuzzy Search, von e-Discovery zu Big Data Analysis, von Statistik zu Artificial Intelligence

Self-learning Systems vs. Ausgangsparametrisierung – AI-Systeme können aus Verhalten, Eingaben, Präferenzen und Korrekturen ableiten, wofür ich mich interessiere (siehe personalisierte Werbung Google Facebook, Amazon).

Data Analytics verändert drastisch unseren Zugang zu Breite und Tiefe von (Sonder)Untersuchungen und somit die Herangehensweise an Stichprobennahme.

Visualisierung über Cockpits & Dashboards, Timelines, Social Network Connections

9

Big Data Analytical Approaches

“Fischen im „Datensee” und im “Datenstrom”

Spezifische Software (SIEM, Tableau, Nuix, SAS) und generische Big Data Ansätze (elastic search, Mapr, Hadoop)

Cloud Ecosystems & Architekturen (Container, Self-Provisioning, Virtualisierung)

nutzt massive Rechenleistung, meist aus Cloud

Batch & Stream Processing (continuous data flows)

Verbindung mit sehr große Datenbeständen - meist noSQL, (un/semi)strukturiert

mittels Cloud Computing Technologies/Verbindungen (remote/local)

10

„Futter“ für Data Intelligence Engines

Datenexporte in unterschiedlichsten Formaten

Protokolldaten (Logging)

Metadaten („Daten über Daten“)

Backups und Archivdaten

Direkte Verbindung zu Datenquellen via Schnittstellen/APIs („Konnektoren“):

• Cloud

• Datenbanken

• Enterprise WIKIs

• Online Services

• Prozessmodelle

forensische Images, Memory Dumps, Triage Collections

Sniffer Traces, NetFlow Data (Network-Flow Data)

IT Security Data (SIEM, IPS, DLP)

11

Cloud Analytics EcoSystems

http://azure.microsoft.com/en-us/services/search/Microsoft Azure BI, Azure Big Data Analytics

https://powerbi.microsoft.com/en-us/Microsoft Power BI

http://aws.amazon.com/de/cloudsearch/Amazon Web Services

https://cloud.google.com/bigquery/Google BigQuery

http://www.wolframalpha.comWolfram Alpha

https://www.mapr.comMapr Converged Data Platform

IBM Analyticshttps://www.ibm.com/analytics/us/en/

12

Konnektoren zu Datenquellen

13

Dashboards

14

Excel 2016 als Powertool & Analytics Frontend

Vielseitige Statistikfunktionen, Analyse und Visualisierung

Excel BI Features:

• Power View, Query (Data Ribbon), Pivot (eigenes Ribbon), Map

• Power BI Desktop

• Power BI Cloud App

• Power BI Azure Elements

• BI SQL-Server Data Mining Add-in

Export & Import Überlegungen (.csv, .tsv)

Andocken an Datenschnittstellen und Data Streams

Rückspeichern in Datenbanken, Publishing auf Power BI, Azure und Sharepoint

Caveat: Spreadsheets skalieren nur sehr bedingt

15

Microsoft Power BI & Cortana Ecosystem

Für jeden Einsatzzweck etwas Skalierbares dabei:

• Personal BI: Excel + Erweiterungen

• Team BI (Interne Revision, Stabsstellen, Operations/NOC):Excel + Power BI Desktop/Power BI Cloud App (Office 365)

• Enterprise: Sharepoint, SQL-Server BI Edition/R-Server for Hadoop, SQL-Server Cubes/Data-Warehouse, Cortana Intelligence Suite, Azure Cloud

• Power Pivot als „kleiner Bruder“ von Tabular Models in SQL-Server

Publishing von Ergebnissen/Mappen/Dashboards in

• Power BI Cloud

• Azure Cloud

• Sharepoint

16

Humoristischer Wrapup

„Big Data“ = auch nur Daten; vielleicht ein größerer Haufen davon

„Cloud Data“ = auch nur Daten; zu geizig, teuren Storage selbst zu kaufen

„Data Leakage“ = Daten-Inkontinenz, irgendwas ist undicht.

„Data Harvesting“ = unreflektierte Sammelwut mit viel Aufwand und teuren Tools, „für irgendwas wird es irgendwann schon gut sein“

„Data Analytics“ = Wienerisch „Datenstierln“, systematische Suche unter Zuhilfenahme von viel Kaffee, TV-Wahrsagern und dem Orakel von Delphi

„Data Mining“ = Trennen von Edelsteinen vom tauben Gestein; Helm, Stirnlampe und Kanarienvogel nicht vergessen! „Big Data Mining“ = das geht nur noch im Tagebau!

„Datenschutz“ = Schutz hilfloser Daten vor schlecht programmierten Anwendungen

„e-Discovery“ = im rechtlichen Sinne die andere Seite mit Daten zumüllen, damit diese nichts findet, bis die Sache verjährt ist; Vorstufe „Anreicherung mit Datenmüll“

„Statistics“ = die Kunst, Bedeutung aus Daten abzuleiten, wo es keine gibt; Spurious Correlations http://www.tylervigen.com/spurious-correlations

17

Herzlichen Dank für Ihr Interesse

„Der Unterschied zwischen Theorie und Praxis ist in der Praxis weit höher als in der Theorie.”

Ernst Ferstl