Mit der „Berliner Erklärung“ haben sich die EU Staaten zu einer wertebasierten digitalen Verwaltung verpflichtet. Die Bundesregierung nimmt sich mit ihrer Datenstrategie dieser Aufgabe an und will den Staat zum Vorreiter für Digitale Souveränität und Open Data machen. Das 2. Open Data Gesetz und das Dashboard Deutschland haben dazu bereits den Weg geebnet und weiten das Daten- und Informationsangebot des Bundes aus. In weiteren Schritten soll die Nutzung der Daten über Datencockpits und Visualisierungstools vereinfacht und verbessert werden. Damit werden auch in verschiedener Hinsicht positive Auswirkungen auf Unternehmen einhergehen.

The pandemic of 2020 drove organisations to react to an ever-changing landscape. Organizations needed to be able to understand better their customers, suppliers, and partners. They needed to react in real time to ever changing events. In this presentation we will touch on the value that Data Virtualization brings to organizations, helping them understand their data assets in real time. We will discuss how data is everywhere from being in on premise data stores such as legacy databases to cloud-based data warehouses and data lakes to even third party data sources such as social media or supply chain data. We will look at how data virtualization helps bring together these sources into a logical data fabric, allowing data citizens to interrogate and report on the data in real time. Helping organizations make data driven business decisions.

Automatisierung ist ein gesetztes Thema in der IT und alles andere als neu.
Neu hingegen sind die modernen Möglichkeiten der digitalen Datenverarbeitung sowie des „kognitiven“ Machine Learning / Deep Learning, welche weit über Stapelverarbeitung von gestern hinaus gehen.
Dieser Vortrag beleuchtet die Chancen, die sich daraus ergeben.

Die meisten Unternehmen haben im Laufe der Jahre diverse Datensilos über Unternehmensteile, Organisationseinheiten und teilweise sogar innerhalb von Abteilungen aufgebaut. Zudem nimmt die Datenmenge schier unaufhaltsam zu, so dass neben den klassischen Enterprise Data Warehouses auch immer öfter Data Lakes zum Einsatz kommen. Oft sind die vorhanden Systemlandschaften aber zu komplex um daraus sinnvolle Erkenntnisse zu gewinnen oder schlicht zu schwierig zu benutzen.
Erfahren Sie in diesem Vortrag was die Snowflake Cloud Architektur so einzigartig macht, warum sich bereits mehr 4.500 Kunden für Snowflake entschieden haben und wie Sie die Zügel wieder in die Hand nehmen können, um ein echtes datengetriebenes Unternehmen zu werden.

Zielpublikum: "Jeder der mit Daten effizienter, schneller und kostengünstiger arbeiten möchte (Data Engineers, Data Analysts, Data Scientists, Entwickler, Business User bis hin zum CDO)

Voraussetzungen: Grundkenntnisse zu Data & Analytics

Schwierigkeitsgrad: Anfänger

Extended Abstract:
Im Workshop werden wir einführend auf die Snowflake Cloud Plattform eingehen, die auf AWS, Microsoft Azure oder Google Cloud aufsetzt. Durch den Cloud basierten Ansatz eröffnen sich Ihnen nahezu unbegrenzte Speicher- und Datenauswertungsmöglichkeiten bei gleichzeitig nahezu unbegrenzter Performance. Somit brechen Sie Ihre Datensilos durch einen zentralisierten Daten Layer auf. Mit Snowflake können Sie Data Warehouse, Data Lake und Data Science Use Cases abbilden, da nativ sowohl strukturierte, semi-strukturierte (wie JSON, XML, Parquet, ORC, Avro) als auch unstrukturierte Daten unterstützt werden.
Zudem können Sie sehr feingranular über Rollen das passende Security und Governance Modell steuern und über dynamische Maskierung Daten nur den Personen anzeigen, die hierfür die Berechtigung haben. Auch werden wir auf spannende Funktionen eingehen, die die Bereitstellung z.B. von Testumgebungen (“Zero-Copy-Clone”) oder das Wiederherstellen von vorherigen Datenbeständen (“Time Travel”) kinderleicht machen.
Erfahren Sie ebenfalls etwas über die Multi-Cloud, Multi-Region Fähigkeiten, die Ihnen erlaubt Daten innerhalb ihres Unternehmens, mit Partner oder Kunden nahtlos auszutauschen. Entweder sicher mittels Data Exchange, oder über den heute schon größten und schnell wachsenden Public Data Marketplace, bei dem schon heute über 500 Datenprovider teilnehmen.
Auch für Entwickler haben wir spannende Möglichkeiten im Gepäck, so dass in ihren präferierten Sprachen wie Java, Scala - und bald auch Python - Geschäftslogiken abgebildet werden können, die direkt in Snowflake ausgeführt werden (“Snowpark” & Java UDFs - User Defined Functions) .
Viele Funktionen werden wir Live in einer Demo zeigen und wir gehen natürlich gerne auf Ihre Fragen ein. Wir freuen uns auf Ihre Teilnahme!

This session, given in an interview format, explores Carsten’s journey from Data Warehouse Automation sceptic to advocate, and what this transition has allowed his team to achieve at Toyota Kreditbank.
 
Carsten’s BI team received data from nine countries in different formats, at different times and with different frequencies, varying from daily to monthly. For this reason, fulfilling regulatory requirements with hand coding and ETL tools was a real challenge.
 
The group BI team was looking for a new solution to harmonise  the data model, renew the technical infrastructure and implement a unified data delivery. Carsten had used Data Warehouse Automation at a previous company and was very sceptical about the success , but now realises this was a problem of mindset across the team and not the technology.
 
During this session, you will learn:
·      Why Toyota Kreditbank chose Snowflake and Data Vault modelling
·      How the company automated their manual repetitive processes for long-term time savings
·      What a switch from manual ETL to automated ELT has achieved
·      How to get full documentation and lineage out of the box
·      Lessons learned from two DW automation implementations
·      How to do 2.5 years’ worth of batch reloads in just 2 hours

Das ehrgeizige Ziel eines Automobilherstellers ist es, den Großteil seiner Kunden im Händlernetz zu halten. Denn derzeit sind nur weniger als die Hälfte der Kunden im After-Sales-Bereich loyal und vor allem Besitzer älterer Fahrzeuge suchen zumeist aus Kostengründen lieber freie Werkstätten auf. Da es in den meisten Fällen keinen proaktiven Kundenkontakt bezüglich des Service- oder Reparaturbedarfs gibt und zudem die Kunden oft erst dann zum Händler kommen, wenn sie Probleme mit ihren Fahrzeugen haben, schöpft der OEM nur einen geringen Prozentsatz des Marktpotenzials aus. Durch ein Pilotprojekt mit rpc konnte auf Basis eines neu entwickelten prädiktiven Datenmodells ein erhebliches Konvertierungspotenzial aufgezeigt werden. Das Projekt fokussierte beispielhaft die Prognose der Lebensdauer der Starterbatterie. Deren Ausfall ist für den Kunden besonders kritisch und die Komponente bietet ein hohes Geschäftspotenzial für den Handel. Das Ergebnis der Pilotanwendung mit mehreren Handelsbetrieben bei Fahrzeugen außerhalb der Gewährleistung war eine deutlich gesteigerte Kundenzufriedenheit und -loyalität, sowie eine Optimierung der Werkstattabläufe durch bessere Planbarkeit der Kundentermine. Der Ansatz lässt sich dabei auch auf andere Fahrzeugkomponenten übertragen und wird vom OEM entsprechend weiter ausgebaut.

In Anknüpfung an einen vor drei Jahren bei der TDWI München gehaltenen Vortrag zu Datenqualität bei der Raiffeisen Bank International AG blickt Christian Trapichler, Senior Data Quality Governance Manager, nun mit einem Erfahrungsbericht aus Anwendersicht auf den Projektabschluss und Produktionsstart zurück und zieht eine vorläufige Bilanz. Beantwortet werden unter anderem folgende Fragen:

•    Wurden die Ziele erreicht und Erwartungen erfüllt? (Über Grenzen des Expectation Managements und unerwartete positive Nebeneffekte)

•    Ist Datenqualität messbar und auch besser geworden? (Über Ambition Levels, Trends und Anomalien in Ergebnissen und Statistiken)

•    Welche begleitenden Maßnahmen waren erforderlich? (Organisatorische Maßnahmen und warum komplexe Workflow-Systeme kontraproduktiv sind)

•    Was waren die Stolpersteine und Lessons Learned? („Weniger ist Mehr“ in jeder Hinsicht und warum „Data Quality as a Service“ immer wichtiger wird)

Zum Abschluss wird noch ein Ausblick gewagt: Wie geht es weiter? Mit diesem Erfahrungsbericht der Raiffeisen Bank International AG, die als „Beste Bank in Zentral- und Osteuropa“ und als „Beste Bank in Österreich“ ausgezeichnet wurde, erhalten Sie einen Einblick in erlebtes Datenqualitäts-Management aus der Praxis.

Künstliche Intelligenz verspricht enorme Wertschöpfungspotenziale – doch auf dem Weg dahin begegnen Organisationen immer wieder ähnlichen Herausforderungen. Fehlende Akzeptanz und Erklärbarkeit der Technologie, hoher Ressourcenbedarf oder mangelnde Datenverfügbarkeit erschweren eine schnelle Umsetzung. Erfahren Sie anhand von erfolgreich durchgeführten Projektbeispielen aus der Automobilindustrie und dem Healthcare-Bereich, welche Erfolgsfaktoren bei der agilen KI-Entwicklung zu berücksichtigen sind.

Heutzutage sind Daten allgegenwärtig. Sie werden in Datenbanken, Applikationen, On-Premise und in der Cloud gespeichert und ständig von Systemen, Maschinen, Websites und anderen Feeds erstellt. Wie können Data Scientists auf all diese Daten zugreifen und Nutzen daraus ziehen? Die Herausforderung besteht darin, relevante Daten für die Analyse, das Prototyping und Modelltraining zu finden, zu verstehen, darauf zuzugreifen und zu verwenden. Sobald sich ein neues Modell als erfolgreich erwiesen hat, kann es problemlos in eine automatisierte Datenpipeline integriert werden. Dies hilft Unternehmen, neue Wege zu finden, um mit Kunden in Kontakt zu treten, neue Produkt- und Servicemöglichkeiten zu finden und Geschäftsmodelle zu verbessern.
 
In unserem Workshop werden wir Lösungen und Beispiele zeigen, wie Daten aus verschiedenen Quellen katalogisiert werden können, wie Governance angewendet werden kann, um mit Daten auf richtlinienkonforme Weise zu arbeiten, und wie Data Scientists in ihren Kernkompetenzen unterstützt werden können - mit Hilfe von zuverlässigen und qualitativ hochwertigen Daten in ihrer eigenen bevorzugten Sandbox und mit Verarbeitungsfunktionen für die Datenintegration, Datenqualität und Einbindung komplexer ML-basierter Algorithmen.

Banken und Versicherungen beschäftigen sich seit Jahren aktiv mit dem Thema Data Analytics. Cloud und Big Data Architekturen sind hier keine Seltenheit. Was sind aber aktuelle Trends in dieser Branche? Im Panel werden die Themen Cloud und KI in der Finanzindustrie beleuchtet und kritisch hinterfragt.

In diesem Austausch zwischenzwischen einem Moderator des TDWI und Marian Plum von MicroStrategy betrachten wir
•    Aktuelle Trends im Hinblick auf Cloud und BI
•    MicroStrategy`s Cloud Positionierung als größter unabhängiger BI Anbieter
•    Einblicke in Kunden, die den Weg in die MicroStrategy Cloud erfolgreich realisiert haben

Der Schaden für Unternehmen durch Online Betrug wird weltweit auf über 200Mrd USD bis 2024 geschätzt. Banken und andere Finanzinstitute haben eine starke Waffe im Kampf gegen diesen Betrug: Graph Analytics. Komplexe Analysen in Graph Datenbanken können in Echtzeit verdächtige Muster in Zahlungsströmen identifizieren - und so den Betrug stoppen bevor er Schaden anrichtet.

Die Daten das Unternehmens wirklich als Asset zu verstehen erfordert, dass wir ihren Wert ermitteln, verstehen und für einen breiten Kreis sichtbar machen. Für die B2C-Geschäfte der EOS-Gesellschaften in Deutschland wurde diesen Schritt gemacht, um mit dieser neuen Perspektive das Datenmanagement neu zu erfinden. Ein Bericht über eine Datenstrategie als Ausgangspunkt, erste Erfahrungen mit der Wertbestimmung von Daten und den Impact auf unser Datenmanagement mit D-QUANTUM als zentraler Plattform für die Umsetzung dieser Strategie.

! Um den Workshop so interaktiv wie möglich zu gestalten füllen Sie bitte die kurze & anonyme Umfrage der Referenten aus:https://forms.gle/dTCbFW3FttksxzSM6

Die Erwartung digitaler Kundenerlebnisse und vollständig integrierter Echtzeit-Operations passt nicht zu Daten- und Infrastruktursilos. Daten müssen kontinuierlich gesammelt, verarbeitet und reaktiv in Anwendungen im gesamten Unternehmen genutzt werden.

Mit anderen Worten: Wenn ein Unternehmen zunehmend software-definiert wird, braucht es eine Datenplattform, die in erster Linie für ""Data in Motion"" und nicht für ""Data at Rest"" ausgelegt ist.

Indem isolierte Datensilos aufgebrochen werden, können Daten besser analysiert und unternehmensübergreifend für Vertrieb, Marketing, Service, Produktion und Logistik nutzbar gemacht werden.

In unserem Data Value Workshop ermitteln wir gemeinsam, welche Herausforderungen in Ihrer aktuellen Umgebung bestehen. Unsere Experten analysieren die aktuelle Situation, um die nächsten Schritte zu bestimmen, die zur Erreichung der Unternehmensziele notwendig sind.

Daten sind ein essenzielles Element in jedem Unternehmen. Diese werden jedoch von verschiedenen Parteien bearbeitet und sind in verschiedenen Systemen und Datenbanken gespeichert, die durch betriebliche Aktivitäten -  z.B. M&A oder Einführung neuer Tools – vereint werden müssen. Es ist oft unmöglich, eine ganzheitliche Sicht auf die Daten zu erhalten, was zu Schwierigkeiten sowohl bei operativen Prozessen als auch im Reporting führt.

Wir geben Ihnen Best Practices an die Hand, wie Sie Daten systemübergreifend managen und diskutieren die Möglichkeiten der technischen Unterstützung. Im Anschluss stellen wir Ihnen einige wichtige Funktionen des Datenmanagements im Rahmen einer kurzen Demonstration vor.

Viele konnten bereits die Erfahrung machen, das es sich bei Datenprodukten im Bereich der künstlichen Intelligenz bzw. dem Machine Learning zumeist um Softwareprodukte handelt.
Durch gezielte Wiederverwendung bestimmter Teile einer Adv. Analytics Pipeline kann die generelle Effizienz in der Entwicklung von Pipelines erhöht werden. Die dadurch gewonnene Zeit können für entsprechende Weiterentwicklungen und die Bearbeitung neuer Experimente genutzt werden.

People Analytics befindet sich in den letzten Jahren immer wieder unter den Top HR Trends. Aber, ist dies wirklich ein heißes Eisen oder nur ein weiteres Buzzword für Personalcontrolling? Welche Chancen und Risiken bieten technologische Innovationen im Bereich People Analytics? Fest steht, in vielen Unternehmen wird das Thema diskutiert. Daten getriebene Entscheidungsprozesse haben bereits in HR-Bereichen Einzug gehalten. Einflussfaktoren aus der Unternehmensstrategie, neue Anforderungen von Führungskräften und zusätzliche Datenquellen sorgen dafür, dass People Analytics über die Grenzen der Personalabteilungen hinaus relevant ist. Wir blicken in diesem Vortrag aus verschiedenen Unternehmensperspektiven auf diverse Fragen und zeigen Ihnen anhand konkreter Use Cases praxisnahe Beispiele.

Data Governance taucht selten in der Liste der Themen auf, die von den Unternehmen priorisiert werden. Zu Unrecht, wie der Vortrag in anschaulichen Beispielen zeigt! Ähnlich wie ein Superheld, der aus dem Verborgenen für Recht und Ordnung sorgt, verhält es sich mit Data Governance: Oberflächlich als Overhead missachtet, sorgt diese im Hintergrund für Recht und Ordnung in Unternehmensdaten. Im Kampf gegen Covid-19 bspw. setzt Data Governance Ihre „Superkräfte“ in Form eines zentralen datenqualitätsgesicherten Abrechnungsprozesses in der Forschung ein.

Die IT unterliegt derzeit einem beschleunigten Modernisierungsdruck.
Zunehmende Integrationsaufwände und diversifizierende IT-Landschaften erschweren den Blick auf unsere Daten und den Fokus unseres Geschäftes.
Moderne Integrationsansätze wie iPaaS (integration Platform as a Service) können hier Abhilfe schaffen. In diesem Vortrag werden wir Vorteile dieser Lösungen für das Data and Analytics-Umfeld unter Nutzung des Frameworks PLATIN by PPI in Verbindung mit der BOOMI Platform aufzeigen.

The impacts of data incidents that break data pipelines are felt across and often beyond your organization, throwing a wrench into your risk mitigation practices.
While there’s no silver bullet, data lineage can provide the context and the pipeline visibility you need to tackle issues early and speed up your incident resolution.
Join Jan Suchanek Technical Account Manager at MANTA, to learn the strategic approach and best practices for using context and historical lineage to proactively identify and understand issues in a data pipeline in the context of that pipeline.

Dr. Schmitz wird die Situation erläutern, die Zapp Systems dazu veranlasste, nach einem Automatisierungstool zu suchen. Hierbei geht er auf die Herausforderung ein, mehrere inkonsistente Quellsysteme - darunter auch Produktionsdaten aus SAP - zusammenzuführen. Anschließend beschreibt er den Prozess des Vergleichs von Automatisierungstools wie WhereScape und Time Xtender in der Proof-of-Concept-Phase. Darauf aufbauend erklärt er wie und warum Zapp sich für einen Neuaufbau der Data-Warehouse Methodik mit WhereScape entschieden hat.

Im Weiteren wird er von der Reise berichten, die sein Team unternommen hat, als es auf eine automatisierte Denkweise umstieg und das Automatisierungstool mit dem Ziel genaue Analysen zu erstellen, erfolgreich mit SAP verknüpfte.  Anschließend erläutert Rainer, wie der tägliche Einsatz von Automatisierungssoftware die Geschäftsstrategie von Zapp beeinflusst und die Fähigkeiten des Datenteams verbessert hat.
 
Dann gibt Moritz einen technischen Deep Dive in die Architektur. Zunächst zeigt er uns die aktuelle Architektur und beschreibt die einzelnen Schichten und deren Funktion. Er wird zeigen, wie:
 
- Das Hinzufügen einer Spalte zum DWH in 15 Minuten möglich ist.
- Eine neue Tabelle aus SAP in einem Tag geladen, und in einer Stunde modelliert ist.
- Mithilfe von Modellkonvertierungen automatisiert Datentypen geändert werden.
- Das Automatisierungstool übersichtlich Abhängigkeiten im DWH visualisiert.
- Metadaten es dem Team ermöglichen, sofort eine vollständige Dokumentation zu erstellen.

Die zunehmende Verbreitung von Cloud Services hat einen immensen Innovationsschub bei Analyse Methoden und Tools ausgelöst. Big Data Analytics, Deep Learning und Artificial Intelligence sind aber nicht nur für Cloud Anbieter interessant, sondern stellen auch für Unternehmen wichtige Hebel in der Überwachung und Optimierung von Geschäftsprozessen dar. Logistik und Fertigung sind davon besonders betroffen. In unserem Vortrag stellen wie vor, wie Unternehmen moderne Infrastrukturangebote nutzen, um damit verbundene Potentiale zu erschließen.

Wer von Ihnen schon einmal campen war, der kennt Sie vielleicht auch. Sogenannte Pop-Up Zelte, auch bekannt als Wurfzelte. Sie versprechen bezugsfertiges Camping-Glück binnen Sekunden.

Viele unserer Kunden haben noch immer das gleiche Bild im Kopf, wenn Sie mit uns über DWH-Automatisierung sprechen: Kostengünstig, schnell realisiert, überzeugendes Ergebnis.

Wie auch beim Wurfzelt, das im Gegensatz zu anderen Zeltvarianten zwar deutlich weniger aufwendig im Aufbau und einfacher in der Handhabung, sicher aber kein selbstaufbauendes Wunder ist, so verhält es sich auch mit der DWH-Automatisierung.

Doch wie können wir den Erwartungen unserer Stakeholdern in der Wurfzelt-Diskussion begegnen und was gibt es für Möglichkeiten, entsprechende Zeit- und Kosteneffekte sowie eine optimale Ergebnisqualität in DWH-Projekten zu realisieren?

Unsere Antwort heisst: Metadaten.

Was beim Wurfzelt ausgeklügelte Produktentwicklung ist, ist bei der DWH-Automatisierung die Vorarbeit im Rahmen der Analysephase. Als Projektleiter wissen wir, wie wichtig die Aufnahme der fachlichen Anforderungen an das Data Warehouse ist. Wird diese darüber hinaus in Form eines Fachdatenmodells abgebildet, dokumentiert und zudem noch Data Governance aufgebaut, ist die richtige Vorarbeit geleistet und die anschliessende Entwicklungsphase (fast) ein Klacks.

In unserem 90-minütigen Workshop stellen Barbara Kainz und Roger Unholz Ihnen unser End-2-End-Vorgehensmodell für metadatengetriebene DWH-Entwicklung vor, bei dem anhand der Metadatenmanagement-Software dataspot. ein Fachdatenmodell als Grundlage für die Data Governance und DWH-Entwicklung erstellt wird, das über den Data-Platform-Generator der BSgroup Data Analytics als Core-Modell im DWH umgesetzt wird.

Wer schon lange auf der Suche nach überzeugenden Werkzeugen und Methoden sowie einem Best-Practise-Vorgehen für die DWH-Entwicklung ist und ausserdem Lust hat mit uns die Ärmel hochzukrempeln und gemeinsam ein automatisiertes DWH auf der Grundlage von Metadaten zu entwickeln, der ist bei uns richtig!

Ausserdem werden wir bei unserem Workshop auch einen besonderen Schwerpunkt auf das Thema Data Governance legen, denn dataspot. ist DER Experte wenn es um den exzellenten Umgang mit Ihren Unternehmensdaten und die Umsetzung von Metadatenmanagement- und Data Excellence-Projekten geht.

Ergänzend zu diesem Workshop empfehlen wir Ihnen auch den Vortrag End-to-End-Use Case: Metadata Management & DWH mit Clemens Bousquet von der Oberbank und Lisa Müller von dataspot.

Voraussetzungen
Fortgeschrittene Kenntnisse in Datenmodellierung und DWH-Entwicklung

Zielgruppe
DWH-Architekten/ Solution Architects, BI Consultants, Data Engineers, Data Governance Manager

Level
advanced

Analytische Plattformen für PoCs und Evaluation baut man in der Cloud in einer Stunde - mit vorgefertigten Setup-Scripts. Stellt man sich die Services aber frei zusammen, wird’s schon schwieriger. Dass es für Test- und PoC Umgebungen einfacher geht, zeigen wir mit der Open-Source Plattform-In-a-Box „Platys“ (https://github.com/TrivadisPF/platys). Neben Einsatzmöglichkeiten und Beispielen erklären wir Services und ziehen „eben mal kurz“ einen Data Lake mit DB, Event-Hub, Stream-Processing, Blobstore, SQL-Zugriff und Data Science Notebook hoch.

Bei der Entwicklung der Sopra Steria Softwarelösung Tributum zur Berechnung der Abgeltungssteuer funktioniert jeder Test auf Knopfdruck. In diesem praxisorientierten Vortrag erfahren Sie, was bei diesem Knopfdruck passiert und wie viele Drähte „unter dem Armaturenbrett“ gezogen werden mussten, damit vom ersten Testdurchlauf bis zum Regressionstest alles automatisiert läuft.

Lastspitzen treten in vielen vernetzten Systemen auf, wie z.B. Rechenzentren, Logistik und Warenlieferungen, Verkehrssystemen oder Stromnetzen. Sie sorgen für überproportional hohe Kosten, da entweder Überkapazitäten vorgehalten oder Leistungen extern eingekauft werden müssen. Ein Lastspitzenmanagement kann hier Kosten sparen und Ressourcen effizienter auslasten. In diesem Vortrag zeigen wir, wie unsere Forecast Engine den Verbrauch innerbetrieblicher Stromnetze optimiert und damit Kosten reduziert.Innerbetriebliche Stromnetze sind hoch-komplexe Systeme mit vielen individuellen Verbrauchern, deren Energiebedarf sich nur schwer prognostizieren lässt. Künstliche Intelligenz ist in solchen Anwendungsfällen eine effiziente Lösung für ein energetisches Lastspitzenmanagement. Ausgangspunkt ist ein Verfahren, mögliche (teure) Lastspitzen automatisiert zu prognostizieren und damit eine Reduzierung der Energiekosten zu erwirken.

Mittels maschinellen Lernens wurde eine datenbasierte Mustererkennung trainiert, deren Ergebnis eine Betrachtung der maximalen täglichen Lastentnahme ist. Diese automatisierte Betrachtung bietet Unternehmen die Möglichkeit, eine verbesserte Laststromplanung zu entwerfen und umzusetzen, indem ausschlaggebende Energieverbraucher innerhalb eines Unternehmens trotz komplexen Stromnetzen ermittelt und aufgezeigt werden.

Time-to-Market von Auswertungen hat sich massiv verkürzt, Berichte sind katalogisiert und werden nicht mehr redundant erstellt, Fachabteilungen erhalten Self-Service-Angebote und das Top-Management vertraut den Zahlen. Und außerdem ist alles auf Knopfdruck verfügbar. Aber wie erreicht man diese Ziele eines exzellenten Reportings und damit auch exzellenter datengetriebener Entscheidungsgrundlagen? dataspot. zeigt den machbaren Weg zur Vision mit Data Governance & Metadatenmanagement auf.

Computer vision, one of the hottest areas in Artificial Intelligence, is taking over the 'visual world'. In this talk we discuss about how does the computer interpret and understand the digital images to identify and classify objects. Further, we'll take a look into a very small aspect, i.e. distance measurement, and how impactful it can be in different usecases. We also talk about the current developments and future prospects of Computer Vision.

The engagement of IT staff in organizations has been done for decades via a single function or department. Whatever title it bears, the single counter IT takes care of everything under the digital sun. This model generates unhealthy behaviors in the IT ranks that are detrimental to the enterprises that need digital to operate, evolve, transform —or survive. 

Wenn Unternehmen aus der Pandemie herauskommen, beschleunigen sie die digitale Transformation und modernisieren ihre Cloud-Analytics-Strategie, um datengesteuerte Entscheidungen für wichtige Geschäftsinitiativen zu ermöglichen. Der Druck wächst, vertrauenswürdige Daten für Self-Service-Analytics und AI in einer Multi-Cloud- und Hybridumgebung verfügbar zu machen. Um erfolgreich zu sein, müssen Unternehmen das Bedürfnis nach geschäftlicher Agilität mit Vertrauen, Konsistenz und Transparenz für Data Intelligence in Einklang bringen. In dieser Session werden die Herausforderungen und Anforderungen erläutert, die erforderlich sind, damit eine agile Governance-Strategie für Cloud-Daten und -Analysen vertrauenswürdige Erkenntnisse liefern kann.