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.

Der TDWI StackTalk ist ein Format, bei dem wir anhand von echten Analytics-Lösungen aus der Praxis folgende Fragen beantworten möchten:

• Was sind aktuelle Herausforderungen im Bereich Data & Analytics?
• Wie sehen technische Lösungen aus?
• Welche Komponenten und Produkte kommen zum Einsatz?
• Was sind Best Practices?
• Wo liegen Fallstricke und was ist bei einer Umsetzung zu beachten?
• Wie sieht die Zukunft von Analytics aus?

Im Rahmen der TDWI München digital wird der Weg von der Einzel- zur Serienfertigung in der Datenanalyse bei Daimler Trucks betrachtet und gemeinsam mit Marco Sturm (Data Engineer und Data Scientist bei Daimler Trucks) besprochen.

Zielpublikum: Data Architects, Entscheider
Voraussetzungen: Keine
Level: Basic

Die Beantwortung geschäftsrelevanter Fragestellungen auf Basis von Daten und intelligenten Analysen wird im digitalen Zeitalter zunehmend zum 'Game Changer'. Dies trifft insbesondere auf komplexe mehrstufige Vertriebsorganisationen wie in der Automobilindustrie zu. Hierzu ist es erforderlich einerseits datenbasierte Entscheidungssysteme zur erfolgreichen Vertriebs- und Ergebnissteuerung aufzubauen und anderseits eine Performance-Kultur über die gesamte Organisation bis zum Handel zu etablieren.

Zielpublikum: Analytics Manager, Data Scientist, BI & Big Data Experten, Automotive Interessierte, Verantwortliche für Digitalisierung, etc.
Voraussetzungen: Keine
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:

Die Beantwortung geschäftsrelevanter Fragestellungen auf Basis von Daten und intelligenten Analysen wird im digitalen Zeitalter zunehmend zum 'Game Changer'. Dies trifft insbesondere auf komplexe mehrstufige Vertriebsorganisationen wie in der Automobilindustrie zu.
Hierzu ist es erforderlich einerseits datenbasierte Entscheidungssysteme zur erfolgreichen Vertriebs- und Ergebnissteuerung aufzubauen und anderseits eine Performance-Kultur über die gesamte Organisation bis zum Handel zu etablieren.
Eingebettet in das konsequent implementierte Performance Management System stellt BMW Deutschland mit C1 Advanced Analytics in der Breite und Tiefe über alle Vertriebsstufen passgenaue Lösungen bereit, um den Entscheidern bis hin zum Point of Sales einerseits maximale Transparenz über die aktuelle und künftig zu erwartende Geschäftsentwicklung zu geben. Andererseits werden auf Basis von Daten systematisch Entscheidungen getroffen und Maßnahmen zur Performance-Steigerung implementiert und stringent nachverfolgt. Die Beherrschbarkeit und Kosteneffizienz im Betrieb werden über automatisierte Abläufe wie z.B. die Konsolidierung und Harmonisierung von Händler-Reports professionalisiert. Dies führt hat über neue Berufsbilder in Kombination mit einer zielgerichteten Befähigung der Mitarbeiter in der Organisation gesamthaft zu einem 'New Way of Working' sowie zu gesteigerten Nutzung von Marktpotenzialen geführt. Gleichermaßen konnten über die Konsolidierung von Data Assets sowie eine strikte Data Governance erhebliche Effizienzsteigerungen realisiert werden. Letzteres hat sich insbesondere auch in der Corona-Krise bewährt.

Die technische Lösung basiert auf einer Cloud Data Plattform, in der alle relevanten Daten (strukturiert und unstrukturiert) so zusammengeführt werden, dass mit Hilfe von modernen Frontendlösungen alle relevanten Informationen zeitgerecht bereitgestellt. Teilweise werden bereits KI-Funktionalitäten genutzt, um beispielsweise die Allokation von Vertriebsförderungsmaßnahmen zu optimieren. Dafür werden sehr große Datenmengen mit komplexen Machine-Learning-Methoden verarbeitet, die Ergebnisse jedoch für die Anwender in benutzerfreundlicher Form im Frontend aufbereitet.

Seit 2018 wurde die Transformation zu einer datenbasierten Vertriebs- und Ergebnissteuerung im Markt systematisch vorangetrieben und seitdem mit über 80 umgesetzten Use Cases stetig ausgebaut. Die Geschäftsbereiche Finanzen/ Strategie (Weiterentwicklung zur Rolle als 'Performance Manager'), Vertrieb, Customer Support sowie und Marketing werden datenbasiert über das Performance Management System eng miteinander verzahnt und in die Lage versetzt, noch zielgerichteter zu steuern, um identifizierte Marktopportunitäten für die Vertriebsregion BMW Deutschland konsequent zu heben.

Im Vortrag werden der erfolgreiche Weg hin zu einem datenbasierten Arbeiten skizziert sowie die technische Architektur und beispielhaft ein Advanced Analytics Use Case aufgezeigt.

Mit der Agenda 2030 hat sich die Weltgemeinschaft die Sustainable Development Goals für eine nachhaltige sozial, wirtschaftlich und ökologisch Entwicklung gesetzt. Die Ziele dienen den Kommunen als Stoßrichtung für langfristige Politikplanung und dem kommunalen Monitoring.
Das Dilemma an den SDGs ist, dass sie mehrdimensional, universell gültig und heterogen in den Steuerungsgrößen sind.

Die Zusammenführung der Datengrundlage und Herstellung einer Vergleichbarkeit von Kennzahlen in einem gemeinsamen Zielsystem ist eine zentrale Herausforderung.

Zielpublikum: Entscheider, Leiter Controlling, Leiter Data & Analytics
Voraussetzungen: Grundkenntnisse Data & Analytics
Schwierigkeitsgrad: Anfänger

Like many companies, the 3 banks face the challenge of implementing data governance. With an end-to-end approach for metadata – from the business definition to the DWH implementation – a basis was created for this. The use cases 'IT requirements', 'data quality' and 'data definitions' were the focus of the resource-saving project. The target groups for the metadata are primarily the LoB, especially risk management, but also IT.

Target Audience: Data Governance Manager, Risk Manager, Data Quality Manager, Data Warehouse Architects, Data Modeler
Prerequisites: Basic knowledge
Level: Basic

Die Digitale Transformation befeuert im industriellen Bereich projektbezogene Kooperationen mit verschiedenen Partnern in offenen Netzwerken – mit erheblichen Auswirkungen auf leistungsfähige BIA-Infrastrukturen. Der einführende Vortrag ist diesem Gebiet gewidmet und thematisiert Einsatzfelder, Architekturen, Governancestrukturen und Betreibermodelle für BIA-Konzepte auf der Basis gemeinsam genutzter Datenräume. 

Diese Session ordnet die Themenfelder und stellt den organisatorischen Rahmen dar, in den die Nutzung von Analytics in Unternehmen eingebettet sein sollte. Dazu werden zunächst statistische Grundlagen aufgefrischt. Darauf aufbauend werden Algorithmen und deren potenzielle Eignung für Anwendungen vorgestellt und diese anhand kleiner Beispiele durchgerechnet.

Maximale Teilnehmerzahl: 20

Bitte halten Sie einen Taschenrechner (die Taschenrechner-App Ihres Smartphones ist ausreichend) für diese Session bereit.

Zielpublikum: Grundsätzlich ist das Data-Science-Boot Camp für alle Vertreter aus fachlichen, analytischen und technischen Unternehmensbereichen offen. Allerdings spricht es eher Interessierte an, die mit diesem Thema noch wenig Berührung hatten.
Voraussetzungen: Grundlegende Kenntnisse zu Business Intelligence.
Schwierigkeitsgrad: Anfänger

Machine Learning ist auf dem Vormarsch und hochgradig von Daten abhängig. Das Thema ist omnipräsent und wird aber meist entweder sehr abstrakt oder aber sehr algorithmisch, daten-zentriert, auch code-nah beleuchtet. Der Blick auf die Gesamtarchitektur von Systemen, die ML enthalten, fehlt dabei oft. Unser Vortrag unterstützt Softwarearchitekten und Data Scientists dabei, den Überblick zu behalten, die wesentlichen Fragen zu stellen, besser zusammenzuarbeiten und somit bessere Architekturen für Systeme basierend auf Machine Learning zu designen.

Zielpublikum: Software Architect, Project Leader, Data Scientist
Voraussetzungen: Grundlegendes Verständnis zu Softwarearchitektur
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:

• KI ist ein absolut populäres Thema. Durch die einfache Verfügbarkeit von on-demand Rechenkapazität in der Cloud und die große Verfügbarkeit von Daten kann mittlerweile KI/Machine Learning einfach eingesetzt werden. Das wird zunehmend für unterschiedliche Domänen und Anwendungsfälle relevant

• Aktuelle Betrachtungen fokussieren häufig auf detaillierte technische Aspekte mit dem Fokus wie bestimmte Algorithmen für unterschiedliche Anwendungsfälle verwendet werden können

• Technische Publikationen sind oft sehr algorithmisch und codenah und für Architekten nicht ausreichend

• Als Architekten müssen wir uns daher künftig zunehmend damit auseinandersetzen, wie wir KI als Werkzeug und Funktionalität in 'normalen' Systemen einsetzen

• Dadurch ergeben sich neue Herausforderungen und Fragestellungen. Insbesondere der Betrachtung von Daten und der strukturierten Unterscheidung von

• Wie integriert sich die KI als Baustein im Gesamtsystem?

• Was wird wann woraus gelernt und welche Daten werden dazu einbezogen

• Zu welchen Zeitpunkten wird ein Modell gelernt und wann wird nachgelernt?

• Wie werden Modelle verteilt und deployed?

ETL ist Batch: Effizienz, Datenkonsistenz, Nachvollziehbarkeit, Einfachheit, etablierte Methoden und ausgereifte Werkzeuge machen den Bau eines DWH zu einem Standard-Job.
Dabei ist Streamprocessing technisch kein Problem. Nur: Wie baut man komplexe fachliche Transformationen 'im Stream'? Wie sichert man Datenkonsistenz? Wohin mit der Datenhistorie? Wie geht das ressourceneffizient?

Der Vortrag zeigt an einem konkreten Projekt Verfahren, Werkzeuge, Vor- und Nachteile und die konkrete Umsetzung eines rein Event-getriebenen Data Warehouses.

Zielpublikum: Data Engineers, BI Project Manager
Voraussetzungen: Gutes DWH und ETL Knowhow
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:

ETL ist heute (noch?) immer eine reine Batch-Veranstaltung – und das aus gutem Grund: Effizienz und geringer Overhead, hohe Datenkonsistenz, Nachvollziehbarkeit, niedrigere Komplexität, etablierte Methoden und ein Fundus ausgereifter Werkzeuge machen den Auf- und Weiterbau eines Data Warehouses oder eines Data Lakes (fast schon) zu einem Standard-Job. Selbst die meisten 'Near-Real-Time' Prozesse (stündlich, viertelstündlich oder 5-minütlich) werden heute durch – kürzere, kleinere und häufiger ausgeführte – Batch-Jobs erledigt, nicht selten exotische 'Außenseiter' in der Riege der täglichen DWH Workflows.
Dabei ist doch zumindest eine zeitnahe Datenextraktion im Stream technisch kein großes Problem: Ob 'Log-based CDC', Json-Streaming via http oder das Abgreifen von Events aus Kafka ist weit verbreitet. Und auch das permanente Runterschreiben dieser Datenströme in Datenbanken ist kein Hexenwerk.
Wie aber implementiert man darauf komplexe, technische und fachliche Transformationen 'im Stream'? Wie sichert man Datenkonsistenz, wenn die Ankunft der Daten nahezu unvorhersagbar ist? Wie speichert man diese Datenströme – mit Datenhistorie für spätere Auswertungen – und wie kann man solche Prozesse noch ressourceneffizient umsetzen?
In diesem Vortrag zeigen wir anhand konkreter Projekte, welche Verfahren und Werkzeuge sich eignen, wo deren Vor- und Nachteile gegenüber klassischen Batch-Prozessen liegen und wie eine konkrete Umsetzung eines rein Event-getriebenen Data Warehouses aussehen kann.

Das Competence Center für Künstliche Intelligenz für die Sparkassen-Finanzgruppe ('KIXpertS') wurde Anfang 2019 gegründet und befindet sich im dritten und letzten Jahr seines Bestehens. Andreas Totok wird über die Erfahrungen berichten, die in Aufbau und Betrieb des als Programm organisierten Competence Centers gemacht wurden. Weiterhin wird er ausgewählte Use Cases vorstellen, die anhand ihres Potentials für die fachliche Evaluierung und folgende technische Implementierung ausgewählt wurden.

Zielpublikum: Fachanwender, IT-Architekten mit
Voraussetzungen: Grundlegendes Verständnis der Methoden Künstlicher Intelligenz wie beispielsweise das maschinelle Lernen.
Schwierigkeitsgrad: Anfänger

Extended Abstract:
Das Competence Center für Künstliche Intelligenz der FI-Gruppe unterstützt die Sparkassen-Finanzgruppe dabei, die Chancen der Künstliche Intelligenz frühzeitig zu nutzen. Die Initiative wurde 2019 von der Finanz Informatik ins Leben gerufen und bietet eine Plattform für den Wissensaustausch zum Thema. Übergreifende Ziele sind, es mit Hilfe von KI für den Kunden einfach zu machen sowie ungeliebte Prozesse innerhalb der S-Finanzgruppe besser zu unterstützen bzw. überflüssig zu machen.

Das KIXpertS-Team besteht aus einem übergreifenden Team von Experten für Künstliche Intelligenz und Softwareentwicklung mit bankfachlichem Knowhow sowie Kenntnissen und Erfahrungen der Integration in bankfachliche Prozesse.

Eine Genossenschaft ist eine bewährte und beliebte Rechtsform für Kooperationen im Mittelstand. Genossenschaften haben in Deutschland eine lange Tradition für die gemeinsame Beschaffung von Gütern, für die Produktion, den Vertrieb und auch die gemeinsame Erbringung von Dienstleistungen. Der Vortrag lotet aus, inwiefern eine Genossenschaft auch einen Rahmen für das Teilen und Analysieren von Daten in Unternehmensnetzwerken bieten kann: Eine Genossenschaft verankert den Anspruch auf Kooperation, kann als eigene Rechtsform die gemeinsame Vorhaltung von Daten- und Analyse-Ressourcen institutionalisieren, erlaubt die neutrale Verortung der Verantwortung für diese und ist hinreichend offen, leichtgewichtig und flexibel für eine einfache Veränderung und Skalierung des Unternehmensnetzwerkes. Es wird argumentiert, dass und wieso solche Datengenossenschaften eine sinnvolle Antwort des Mittelstands auf die aggressiven Analytics-Strategien internationaler Konzerne sein kann. 

Anhand eines konkreten Beispiels wird in diesem Vortrag darauf eingegangen, wie das etablierte Konzept der Genossenschaft im produzierenden Kontext eingesetzt werden kann, um das Teilen von Daten über Unternehmensgrenzen hinweg zu ermöglichen. Am Beispiel eines Konsortiums aus einem Fertigungsbetrieb, einem Hersteller von Reinigungsanlagen und einem Kühlschmierstoff-Händler wird auf das Wertschöpfungsszenario “Kühlschmierstoff as a Service” eingegangen. Es wird dargestellt, welche Daten geteilt und welche Analysen auf dem genossenschaftlich geteilten Datenpool generiert werden können. Aus der Sicht eines Herstellers von Kühlschmierstoff-Aufbereitungsanlagen wird Herr Dr. Wiltz darstellen, welcher Nutzen durch geteilte Daten für alle Beteiligten entsteht. 

Diese Session erarbeitet Auswahlkriterien von Algorithmen und überträgt die Umsetzung in das Werkzeug RapidMiner. Natürlich ist dies nur ein Werkzeug unter vielen, jedoch soll es den Teilnehmern einen Eindruck vermitteln, wie in Projekten mit großen Datenbeständen und entsprechenden Analyseanforderungen werkzeugunterstützt gearbeitet wird.

Maximale Teilnehmerzahl: 20

Bitte installieren Sie vorab für die Session das nachstehende Open-Source-Werkzeug, so dass wir direkt mit den Inhalten starten können: 

Rapidminer rapidminer.com (falls Sie kein Rapidminer Account anlegen möchten, suchen Sie bitte im Web nach der Version 5 und installieren Sie diese nach Download auf Ihrem Rechner)

Zielpublikum: Grundsätzlich ist das Data-Science-Boot Camp für alle Vertreter aus fachlichen, analytischen und technischen Unternehmensbereichen offen. Allerdings spricht es eher Interessierte an, die mit diesem Thema wenig Berührung hatten.
Voraussetzungen: Grundlegende Kenntnisse zu Business Intelligence.
Schwierigkeitsgrad: Anfänger

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.

Mit Data Lakehouse und Data Mesh verbreiten sich im Moment neue Paradigmen und Architekturmuster für analytische Fragestellungen in Unternehmen unterschiedlichster Branchen. Die beiden Ansätze verfolgen hierbei sehr konträre Zielsetzungen und verheißen gleichzeitig die nächste Evolutionsstufe analytischer Architekturen zu sein.

Im Rahmen des Vortrags werden die beiden Architekturmuster und deren Intensionen gegenübergestellt und anhand praktischer Projekterfahrung eingeordnet.

Zielpublikum: Enterprise Architects, Data Architects, DACC / BICC Manager, Data Engineers, Data Scientists, Data Consumers

Voraussetzungen: Grundverständnis über heutige Architekturen im Data & Analytics-Umfeld und den daraus resultieren Herausforderungen für die involvierten Stakeholder.

Schwierigkeitsgrad: Fortgeschritten

Wohin geht der Trend? Wie entwickelt sich der Markt? Welche neuen Möglichkeiten bieten sich? Produktmanager müssen von Natur aus zukunftsorientiert arbeiten und mitunter in die Glaskugel blicken. Je höher die Anzahl und je diversifizierter die Waren, umso komplexer die Portfolioplanung. Das Produktmanagement bei ratioform steht täglich vor genau dieser Herausforderung – und hat mit Hilfe innovativer Technik eine zukunftsorientierte Lösung gefunden!

Zielpublikum: product managers, data management experts, ML specialists, decision makers
Voraussetzungen: experience
Schwierigkeitsgrad: Fortgeschritten

Ein 360° Blick auf die Geschäftskunden ist ein wichtiger Faktor in der unternehmerischen Entscheidungsfindung. Auf Konzernebene sind Kundendaten jedoch häufig auf verschiedene Systeme sowie weitere Applikationen verteilt, mit variierender Datenqualität, Aussagekraft und Möglichkeiten der Anbindung. Bei Bilfinger SE, einem internationalen Konzern mit Einheiten auf der ganzen Welt, suchte man daher nach einer Lösung, die alle Kundenstammdaten zusammenbringt und sie anschließend auf Konzernebene mit relevanten Finanzkennzahlen auswertbar macht.

Zielpublikum: Project Leader, Data Stuarts, Decision Makers, Data Architects, BI Specialists
Voraussetzungen: Basic Knowledge
Schwierigkeitsgrad: Anfänger

Extended Abstract:

Ein datenbasierter 360° Blick auf die Geschäftskunden ist ein wichtiger Faktor in der unternehmerischen Entscheidungsfindung. Auf Konzernebene sind Kundendaten jedoch häufig auf verschiedene ERP- und CRM Systeme sowie weitere Applikationen verteilt, mit variierender Datenqualität, Aussagekraft und Möglichkeiten der Anbindung.

Bei Bilfinger SE, einem internationalen Konzern mit Einheiten auf der ganzen Welt, suchte man daher nach einer Lösung, die alle Kundenstammdaten zusammenbringt und sie anschließend auf Konzernebene mit relevanten Finanzkennzahlen auswertbar macht.

Die Erstellung von Golden Records mit Hilfe von Algorithmen, das Analysieren von Dubletten, die Anreicherung von Kundendaten mit digitalen Wirtschaftsinformationen und ein Workflow-Tool, welches den Datenprozess automatisiert steuert, sind dabei die wichtigsten Bausteine für ein erfolgreiches Master Data Management.

Die Absatzprognose ist in der klassischen Industrie das A&O der Ressourcen- und Wirtschaftsplanung. Ereignisse wie die Pandemie machen jedoch eine Planung mit klassischen Verfahren fast unmöglich. KI basierte Modelle können hier helfen. Können diese Methoden auch auf Banken bzw. die Finanzindustrie übertragen werden? In dem Vortrag werden anhand eines konkreten Beispiels die Möglichkeiten und Herausforderungen von KI basierter Prognose von Verkaufszahlen im Banking vorgestellt.

Zielpublikum: Vertriebsmanager, Controlling, Business Development
Voraussetzungen: Kenntnisse über Planungs- und Prognoseprozess in Banken / Finanzindustrie
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:
Für einen validen Prognoseprozess im Banking sind ausreichend historische und qualitativ hochwertige Daten notwendig. Welche Daten für den Prognoseprozess in der Praxis vorliegen und wie diese aufbereitet und veredelt werden, zeigen wir im ersten Teil des Vortrages. Im zweiten Teil gehen wir auf die KI-basierten Prognosemodelle ein und stellen anhand eines Praxisfalls die Ergebnisse und die daraus resultierenden Möglichkeiten und Herausforderungen vor. Hierbei wird auf die Komplexität der Prognose durch die Kombination von Produkten, Kanälen und Mitarbeitern besonders eingegangen.

Diese Session beschäftigt sich mit dem Werkzeugunterstützungsgedanken mittels der Sprache R. Die in diesem Umfeld prominent genannte Sprache ist für statistische Berechnungen und Grafiken geschaffen worden. In der Session werden ausgewählte kleine Beispiele im Werkzeug umgesetzt.

Maximale Teilnehmerzahl: 20

Bitte installieren Sie vorab für die Session das nachstehende Open-Source-Werkzeug, so dass wir direkt mit den Inhalten starten können:

RStudio DESKTOP www.rstudio.com/products/rstudio/ (berücksichtigen Sie bitte, dass RStudio die zusätzliche Installation der R-Bibliotheken während der Schulung verlangt, z. B. von cran.r-project.org/mirrors.html)

Zielpublikum: Grundsätzlich ist das Data-Science-Boot Camp für alle Vertreter aus fachlichen, analytischen und technischen Unternehmensbereichen offen. Allerdings spricht es eher Interessierte an, die mit diesem Thema noch wenig Berührung hatten.
Voraussetzungen: Grundlegende Kenntnisse zu Business Intelligence.
Schwierigkeitsgrad: Anfänger

Kafka and Kafka Streams have emerged as the de facto standard for scalable, high volume and low-latency real time data processing in the industry. Complex event processing is concerned with the detection of patterns in raw events and their transformation to higher level events that are more business relevant. This talk shows how to implement scalable, fault tolerant and declarative complex event processing based on Kafka Streams.

Target Audience:Data Engineer, Data Scientist, Data Architect
Prerequisites: Basic understanding of real time data processing and Apache Kafka.
Level: Advanced

Extended Abstract:

Kafka and Kafka Streams have emerged as the de facto open source standard for real time, low latency and high throughput data integration in a large variety of industries. Besides providing traditional operations such as grouping, aggregations and table-table joins, Kafka Streams treats streams of data as first class citizens and offers some unique features geared at real time data wrangling such as aggregation of data across different types of time windows, real time data enrichment, and joins between streams of data. While both types of operations have emerged from the ambit of relational databases, the complex event processing community has focused their attention on declarative, pattern based recognition of business relevant events from lower level, raw events. Examples for operations supported by complex event processing are sequences, negation, conjunction, disjunction and repetition. This talk shows how sequences, negation and regular expressions on event streams can be implemented in a scalable and fault tolerant manner based upon the Kafka Streams DSL and the Kafka Streams Processor API. The provided examples are relevant to use cases such as detection of shoplifting, security systems, operations of production lines, and online shopping.

I will show the journey that Tires took from its first attempts to extend their BI services for analytics to operate a mission critical industrialization environment which runs several AI projects. Beneath the problems and obstacles that were taken I will also explain the decisions that were taken and show the industrialization environment which was created. I also will explain why it was necessary to have such an environment instead of making use of classical BI tools.

Target Audience: Project leader, decision makers, CIO, Software engineers
Prerequisites: None
Level: Basic

Extended Abstract:

When Continental Tires started to establish Data Science as a function it decided to grow this out of BI but with an external employee. The journey was a long one but due to the given experience Continental was able to leave out some of the painful experiences that were made in other companies. So they decided to build up an infrastructure for industrialization of Use Cases from the first minute. The example of Tires is a good one to understand the roadmap from BI to Data Science industrialization. While in the beginning there was the hope that a simple extension of BI and BI tools would deliver an answer today the organization is a complete different one. Also Tires created an own landscape for industrialization of AI. Why this is done so and why this might be useful will be shown in the talk.

In the past, data was often stored in a monolithic data warehouse. Recently, with the advent of big data, there has been a shift to work directly with files. The challenge therefore arises in data management and storing metadata information. In this presentation, I will show how SAP (ERP or BW) data can be extracted using SAP Data Intelligence (ODP framework) and stored along with their metadata information. These data are stored in a Common Data Model (CDM) format and can be easily integrated and consumed with various products.

Target Audience: Professionals who would like to integrate SAP data into a Data Platform (e.g. Datalake) and include metadata information.
Prerequisites: Basic understanding of the SAP integration framework ODP, and cloud infrastructure (e.g. Azure Datalake Storage)
Level: Advanced

Durch die Digitalisierung und die zunehmende Regulierung sind Unternehmen einem steigenden Veränderungsdruck ausgesetzt. Um darauf reagieren zu können, ist eine hohe Transparenz über die operativen und dispositiven Datenbestände notwendig. Zusätzlich bringen die zunehmende Automatisierung der Datenverarbeitung und der Einsatz Künstlicher Intelligenz für die Entscheidungsfindung eine gesteigerte Anforderung an die Datenqualität mit sich. Synabi und der Raiffeisenverband Salzburg haben sich dieser Herausforderung erfolgreich gestellt – aber wie?

Zielpublikum: CIO, CDO, BI/DWH Entscheider, BI/DWH (Competence Center) Manager, BI/DWH Programm- und Projektleiter, BI/DWH Architekten, interessierte IT- und Fachbereichsverantwortliche und Anwender
Voraussetzungen: Voraussetzung sind grundlegende Kenntnisse in den Bereichen Daten- und Informationsmanagement. Architektur, Modellierung, Betrieb, Organisation und Prozesse ist vorteilhaft
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:
Beim Raiffeisenverband Salzburg wurde 2016 eine Data Governance Initiative gestartet, um die bestehenden und zukünftigen Herausforderungen, die unter anderem durch die zunehmenden Regulierungen, wie zum Beispiel BCBS239, DSGVO etc., entstehen, zu meistern. Dabei wurden neben den Daten auch die Prozesse und die Unternehmensarchitektur mit eingebunden. 2019 wurde D-QUANTUM als Softwarelösung ausgewählt und im Unternehmen eingeführt, um die hierfür erforderlichen technischen und fachlichen Informationen zusammenzuführen und allen Mitarbeitern des Unternehmens zur Verfügung zu stellen

Diese Session fokussiert die Programmiersprache Python anhand vorgefertigter Code-Beispiele, um den Teilnehmern eine Grundlage zu schaffen, die Einsatzpotenziale und Aufwände der Sprache im Bereich Advanced Analytics besser abschätzen zu können.

Maximale Teilnehmerzahl: 20

Bitte installieren Sie vorab für die Session das nachstehende Open-Source-Werkzeug, so dass wir direkt mit den Inhalten starten können: Anaconda https://www.anaconda.com/products/individualum Python nutzen zu können.

Zielpublikum: Grundsätzlich ist das Data-Science-Boot Camp für alle Vertreter aus fachlichen, analytischen und technischen Unternehmensbereichen offen. Allerdings spricht es eher Interessierte an, die mit diesem Thema noch wenig Berührung hatten.
Voraussetzungen: Grundlegende Kenntnisse zu Business Intelligence.
Schwierigkeitsgrad: Anfänger

Das Modern Data Warehouse (MDWH) gilt als DAS Zukunftskonzept für die digitale Transformation. Denn: Dank Cloud-Technologien kann das MDWH auf ganz unterschiedliche Anforderungen vom Reporting bis zur KI angepasst werden. Aber wie sieht eine Basisarchitektur aus? Welche Anpassungen sind bei verschiedenen Use Cases notwendig? Jens Kröhnert liefert die Antworten. Vor den Augen des Publikums baut er ein MDWH in der Cloud auf und spielt konkrete Einsatzszenarien durch. Die Teilnehmer werden als Lieferant für Streaming-Daten unmittelbar involviert.

Zielpublikum: Alle Personengruppen im Unternehmen, die mit Daten arbeiten
Voraussetzungen: Basiskenntnisse
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:

GLIEDERUNG:

Einführung in das MDWH

• BI und Big Data auf einer Plattform

• Von Open Source zu PaaS und SaaS

• Gründe für Cloud-Migration/Anwendungsszenarien

• Basisarchitektur 'Modern Data Warehouse'

Kunden-Case 'Aluminium-Fertigung'

• Ausgangssituation: Klassisches DWH OnPrem

• Ziele: Echtzeit & Machine Learning in der Cloud

Step by Step: Aufbau eines MDWH

• Nutzung von PaaS- und SaaS-Diensten

• Entwicklung in kurzen Sprint-Lösungen

• Umsetzung von Streaming

Quantifying the impact of customer experience (CX) improvements on the financials is crucial for prioritizing and justifying investments. In telecommunication as well as other subscription-based industries, churn is one of or the most important financial aspects to take into account. The presented approach shows how the churn impact of CX improvements – measured via Net Promoter Score (NPS) – can be estimated based on structural causal models. It makes use of algorithms for causal discovery and counterfactual simulation.

Target Audience: Data Scientist, Decision Maker
Prerequisites: basic understanding of statistical modeling
Level: Advanced

Der fachliche Wettbewerbs- und Kostendrucks sowie steigende Anforderungen erhöhen den Bedarf an Industrie- und Standardlösungen. Allerdings werden Standardlösungen den Anforderungen, z.B. BCBS 239, oftmals nicht gerecht. Es entsteht eine Diskrepanz, dem nur mit einer modernen, dispositiven Infrastruktur begegnet werden kann. Neue Ansätze und Methoden in der Umsetzung sind daher gefragt: Eine moderne Referenzarchitektur, die bei der Lösung zukünftiger Herausforderungen unterstützt und Grundlage für eine moderne Analyseplattform liefert.

Zielpublikum: Entscheider, Data Engineer, Architekten, Controlling, Projektleiter
Voraussetzungen: Grundkenntnisse Data & Analytics
Schwierigkeitsgrad: Anfänger

Wie jede Bank will auch die Volksbank Wien in allen Geschäfts- und Steuerungsprozessen maximale Informations-Integrität und Datenqualität auf allen Ebenen erreichen. Auf Basis fachlicher Metadaten werden die Datenqualitätsanforderungen definiert, der Life-Cycle und Anforderungsprozess umgesetzt sowie die Verantwortlichkeiten vergeben. Die Trennung in 'Datenqualität allgemein' und in 'Qualität der Datenproduktion' half bei der Strukturierung der Maßnahmen, die auf Governance-Aspekte, RUN the Bank und CHANGE the Bank abzielen.

Zielpublikum: Data Governance Manager, Datenqualitätsmanager, Riskmanager, Metadatenmanager
Voraussetzungen: Basic knowledge
Schwierigkeitsgrad: Anfänger

Diese Session vermittelt die Unterschiede zwischen Data Mining und Text Mining, so dass auch hier die Teilnehmer in der Lage sind, diese zu erkennen und in eigenen Projekten zu berücksichtigen. Während der Session zeigen wir ein kleines Code-Beispiel, so dass der Eindruck für den Aufwand vermittelt wird.

Maximale Teilnehmerzahl: 20

Bitte installieren Sie vorab für die Session das nachstehende Open-Source-Werkzeug, so dass wir direkt mit den Inhalten starten können:

Rapidminer rapidminer.com (falls Sie kein Rapidminer Account anlegen möchten, suchen Sie bitte im Web nach der Version 5 und installieren Sie diese nach Download auf Ihrem Rechner. Bedenken Sie dann aber bitte, dass in der Software teilweise alternative Abläufe zu beachten sind.)

Zielpublikum: Grundsätzlich ist das Data-Science-Boot Camp für alle Vertreter aus fachlichen, analytischen und technischen Unternehmensbereichen offen. Allerdings spricht es eher Interessierte an, die mit diesem Thema noch wenig Berührung hatten.
Voraussetzungen: Grundlegende Kenntnisse zu Business Intelligence.
Schwierigkeitsgrad: Anfänger

Transforming an organization to become more data driven usually presents a set of technological challenges. In this session you will learn how to integrate existing applications data in real time to achieve a useful critical mass of explorable data.

Target Audience: CTOs, CIOs, CDOs, data engineers, data modelers, data analysts, data scientists
Prerequisites: General understanding of data in the context of the enterprise
Level: Basic

Extended Abstract:
'Data is the new oil' – these days many organizations are in the midst of a digital transformation. In order to enable data driven processes, it is imperative to leverage the treasure trove of data hidden away in already existing applications. Extracting data from those applications (the E in ETL) is commonly the biggest pain point of data engineering. Many systems were not built to be extracted, so therefore data engineering needs to carefully balance performance versus load. At the same time customers demand more: nightly batch processing is not good enough anymore, the need for real time information is growing.

How to align all of this? Enter Change Data Capture (CDC). Based on a real live use case, you will learn how to integrate data from an existing mission critical SAP application into a modern cloud-based analytics warehouse. We will tell the story of our journey from the initial use cases, constraints that we faced, discoveries along the way to the final design and our appetite for more.

Künstliche Intelligenz analysiert natürlichsprachliche Texte, um präzise, robusteSyntaxbäume abzuleiten. Die syntaktische Struktur einer Aussage ist aber oft weniger wesentlich als ihre semantische Struktur. Sprich:Was besagt sie? Welcher Sinn steckt in ihr? Ein Fokus auf die Bedeutung führt dazu, dass eine kleine Anzahl an Referenzsätzen ausreicht, um eine große Anzahl semantisch entsprechender aber unterschiedlich strukturierter Ausdrücke entdecken zu können. Die Technik lässt sich in verschiedenen Bereichen anwenden: Conversational Interfaces, themenbasiertes Matching und die Dokumentenklassifizierung.

Zielpublikum: spezialisierte Analysten, Entwickler, Architekten
Voraussetzungen: Ein grundlegendes Verständnis der gesprochenen Sprache
Schwierigkeitsgrad: Anfänger

Die zunehmende Urbanisierung zwingt Städte zum Handeln. Technologie soll helfen die Infrastruktur einer Stadt effizienter und sicher nutzbar zu machen. Daten aus Sensoren in Kombination mit modernen Analysen sollen Städte smart machen. Smarte Städte wollen:

o            Besseren Umweltschutz

o            Höhere Sicherheit

o            Effizienterer Infrastrukturen

Im Vortrag wird eine Softwarearchitektur vorgestellt, die ihre Bewährungsprobe in der Praxis bestanden hat. Die Kombination dieser Tools gewährleistet eine maximal flexible und hoch skalierbare IoT Plattform.

Zielpublikum: Decision Makers, Data Engineers, Project Leaders
Voraussetzungen: Basic knowledge
Schwierigkeitsgrad: Anfänger

The past year or two has seen major changes in vendor support for the extended Hadoop ecosystem, with withdrawals, collapses, and mergers, as well as de-emphasis of Hadoop in marketing. Some analysts have even declared Hadoop dead. The reality is more subtle, as this session shows, through an exploration of Hadoop's strengths and weaknesses, history, current status and prospects. Discussion topics include plans for initiating new Hadoop projects and what to do if you have already invested, successfully or otherwise, in data lakes.

Target Audience:
Enterprise-, systems-, solutions- and data architects

Systems-, strategy- and business intelligence managers

Data warehouse and data lake systems designers and developers

Data and database administrators

Prerequisites:
Basic knowledge of data management principles

Experience of designing data warehouses or lakes would be useful

Level: Basic

Extended Abstract:
Hadoop and its extended menagerie of related projects have been responsible for a decade of reinvention in the data management world. On the positive side, projects that would have been impossible with traditional technology have become not only possible but commonplace in today's environment. Hadoop has been at the heart of the explosion of digital business.

However, Hadoop has also been beset by a long list of complaints and problems, particularly relating to data management and systems management. Some of Hadoop's early strengths have been eroded as relational database vendors have upped their game. Furthermore, the rapid growth of Cloud solutions to many massive data delivery and processing projects has impacted Hadoop's commercial viability.

All these factors have led to a questioning of the future of the extended Hadoop ecosystem. This session answers these questions, not just from a technological viewpoint, but in the broader context of existing investments in skills and infrastructure, the direction of digital transformation, and the changing socio-political environment in which business operates.

Das „Projekt GAIA-X“ wird in den Veröffentlichungen des Bundesministeriums für Bildung und Forschung als Wiege eines offenen digitalen Ökosystems gesehen, in dem Daten sicher und vertrauensvoll verfügbar gemacht, zusammengeführt und geteilt werden können. Ziel ist es, gemeinsam mit weiteren europäischen Ländern für Europa, seine Staaten, seine Unternehmen und seine Bürgerinnen und Bürger die nächste Generation einer vernetzten Dateninfrastruktur zu schaffen, die den höchsten Ansprüchen an digitale Souveränität genügt und Innovationen fördert. Der Vortrag bezieht sich auf das (politische) Zielbild, den Prozess der Entstehung, auf die Beteiligten sowie die europäische Integration, um eine öffentliche Diskussion zu begleiten und Interessierte in das Thema einzuführen.

Die Group IT verantwortet innerhalb der Porsche Holding Salzburg das Neuwagen-Reporting für interne Fachbereiche. Sie befindet sich auf dem Weg zu einer modernen, cloudbasierten, analytischen Plattform. Dabei wird auf die Zusammenarbeit mit den Fachanwendern gesetzt, um früh Ergebnisse zeigen und flexibel auf Änderungen reagieren zu können. Der Vortrag behandelt die bisherigen Erfahrungen und geht auf die eingesetzten Techniken und Methodiken rund um Data Vault, DWH Automatisierung, Scrum und der Nutzung moderner Cloud-Komponenten ein.

Zielpublikum: Projektleiter, Teamleiter, Entwickler, Product Owner
Voraussetzungen: Grundlagenwissen DWH und Agile BI
Schwierigkeitsgrad: Basic

Extended Abstract:
Die Porsche Holding Salzburg (PHS) ist das größte Automobilhandelsunternehmen in Europa, tätig in 22 europäischen Ländern, sowie Kolumbien, Chile, China, Malaysia, Singapur, Brunei und Japan. Innerhalb der PHS verantwortet die Abteilung Group IT (PGIT) das Neuwagen-Berichtswesen für angeschlossene Fachbereiche. Bis vor kurzem mit einem kleinen Team und ohne ein DWH als analytische Zwischenschicht, direkt auf den Quellsystemen. Wir begleiten die PGIT aktuell auf dem Weg zu einer modernen, Azure-basierten analytischen Plattform. Von Anfang an wird ein besonderes Augenmerk auf enge Zusammenarbeit mit den Fachanwendern, frühe Ergebnispräsentation und flexible Reaktion auf Änderungen gelegt. Wer hierbei Agile BI vermutet, liegt genau richtig. Ein wichtiges Ziel ist es auch das Analyseteam zukünftig zu entlasten. Hierfür wird angestrebt in den Fachbereichen datengetriebenes Arbeiten und Self-Service BI zu etablieren. Unser Vortrag behandelt die bisher gemachten Erfahrungen und geht auf die eingesetzten Techniken und Methodiken rund um Data Vault, DWH Automatisierung, agiler Vorgehensweise und der Nutzung moderner Azure Cloud-Komponenten ein.

ZF plant Saarbrücken, Germany, manufactures around 11,000 transmissions per day. With 17 basic transmission types in 700 variants, the plant manages a large number of variants. Every transmission consists of up to 600 parts. An AI project was started to get reliable + fast results on root cause discovery. Speed is important because production runs 24 hours/7 days a week. The target is to reduce waste in certain manufacturing domains by 20%. The key success factor is the fast detection mechanism within the production chain delivered by AI.

Target Audience: Production manager, quality manager, CDO, CIO
Prerequisites: none
Level: Basic

Extended Abstract:
The ZF plant Saarbrücken, Germany, manufactures around 11,000 transmissions per day. With 17 basic transmission types in 700 variants, the plant manages a large number of variants. Every transmission consists of up to 600 parts. Each transmission is 100% tested in every technical detail before shipment. The plant Saarbrücken is a forerunner and lead plant in innovative Industry 4.0 technologies. Therefore, activities were started to tackle one significant challenge, which is caused by the enormous variant diversity: Finding root-causes for unsuccessful end of line testing. The management of the complexity is a big challenge because transmission parts can be produced in a huge number of variant processes. Process experts from each domain, like quality and testing, assembly departments and manufacturing units, had to spend significant time in analyzing influencing factors for malfunctioning and deciding on best action to prevent end of line test failures.

Therefore, an AI project was started with the objective to get reliable and fast results on root cause discovery. Speed is important because production runs 24 hours / 7 days a week. The sooner the real reasons for malfunctions are discovered, the sooner activities can be implemented to avoid bad quality. This saves a lot of time and reduces significant waste. The Target is to reduce waste in certain manufacturing domains by 20%. The key success factor is the fast detection mechanism within the production chain delivered by AI.

Complex root-cause findings can be reduced from several days to hours.

ZF's intention with the digitalization approach is to deliver fast information to the people who are responsible for decision processes to keep a plant in an optimal output with high quality products. A self-learning AI solution Predictive Intelligence from IS Predict was used to analyze complex data masses from production, assembly, and quality to find reliable data patterns, giving transparency on disturbing factors/factor combinations. For training algorithms, end to end tracing data was used, made available in a data lake.

Das Wasserkraftwerk der Zukunft wird ein 'transparentes Kraftwerk' sein. Das bedeutet, dass umfassende, detaillierte Informationen über den aktuellen und zu erwartenden Zustand der Anlage kontinuierlich verfügbar sind, im Idealfall sekundengenau. Die VERBUND Hydro Power GmbH (VHP) – eines der großen europäischen Wasserkraftunternehmen – will dieses Ziel mit digitalen Zwillingen und virtuellen Sensoren erreichen. Der Einsatz von digitalen Zwillingen wird anhand der Turbine eines Wasserkraftwerks am Beispiel von Verbund Hydro Power gezeigt.

Zielpublikum: Project Manager Digital Transformation, Data Engineer, CDO, Data Scientist, IoT Manager, Industrie 4.0 Manager, Decision Makers
Voraussetzungen: Keine Voraussetzung notwendig
Schwierigkeitsgrad: Anfänger

Extended Abstract:
Das Wasserkraftwerk der Zukunft wird ein 'transparentes Kraftwerk' sein.

Das bedeutet, dass umfassende, detaillierte Informationen über den aktuellen und zu erwartenden Zustand der Anlage kontinuierlich und idealerweise sekundengenau zur Verfügung stehen.

Die VERBUND Hydro Power GmbH (VHP) – eines der großen europäischen Wasserkraftunternehmen – will dieses Ziel mit Digitalen Zwillingen und virtuellen Sensoren erreichen. Der Einsatz von digitalen Zwillingen wird anhand der Turbine eines Wasserkraftwerks am Beispiel der Verbund Hydro Power gezeigt.

Der digitale Zwilling ist das virtuelle Abbild eines bestimmten Assets, das sein physisches Gegenstück über dessen gesamte Lebensdauer begleitet. Seine virtuellen Sensoren liefern Informationen insbesondere in Situationen in denen die reinen Sensordaten nicht ausreichend sind. Verschiedene Arten der Degradation wie Kavitation, Abrasion, Korrosion, Verschmutzung oder Ermüdung können erkannt und in die Zukunft projiziert werden.

Für den Betreiber dient der digitale Zwilling zur Sicherstellung der Verfügbarkeit, zur Durchführung von vorausschauender Wartung und optimiert den Betrieb in Bezug auf Leistung, Betriebszeit oder Betriebskosten.

Dimensionale Datenstrukturen sind besonders für die Anfertigung von Ad-hoc-Analysen geeignet, da diese der natürlichen Sicht entsprechen, die die Fachanwender auf ihren Geschäftsbereich haben. Der Aufbau dieser Strukturen ist allerdings aufwändig, wodurch diese nur für stabile Datenstrukturen geeignet sind. Diese sind allerdings gerade im Kontext von Self-Service-Analysen meist nicht gegeben. In diesem Beitrag wird ein Konzept beschrieben, durch das eine flache Tabelle (semi-)automatisch in ein Sternschema transformiert werden kann.

Zielpublikum: Data Engineer, Data Analyst
Voraussetzungen: Grundkenntnisse in der dimensionalen Datenmodellierung
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:
Self-Service-Business-Intelligence-Anwendungen erlauben es Fachanwendern, eigenständig Berichte und Analysen zu erstellen, ohne selbst über ausgeprägte technische Kenntnisse zu verfügen. Eine der am häufigsten verwendeten Datenquellen sind hierbei Flat Files. Dies liegt darin begründet, dass flache Strukturen häufig für den Austausch und die Bereitstellung von Daten genutzt werden. Außerdem sind flache Strukturen leicht und ohne den Einsatz komplexer Softwareprodukte zu erzeugen, selbst wenn die Ursprungsdaten aus verschiedenen Quellen stammen. Als Grundlage für das Ad-hoc-Reporting sind flache Strukturen jedoch weniger geeignet, da sie aufgrund der hohen Anzahl an Attributen schnell unübersichtlich und komplex wirken können. Wesentlich geeigneter für das Erstellen von Analysen sind stattdessen dimensionale Datenstrukturen. Diese sehen die Aufteilung zusammengehöriger Daten in Dimensionen vor und werden in traditionellen BI-Umgebungen dazu verwendet, Ad-hoc- oder OLAP-Analysen durzuführen. Die Ausweitung des Anwendungsbereichs von Business-Intelligence-Systemen auf operative Fragestellungen in den letzten beiden Jahrzehnten hat zu heterogenen Anwendergruppen mit neuen, sich häufig ändernden Anforderungen geführt. Der Aufbau und die Betreuung einer großen Anzahl dimensionaler Strukturen ist durch Business-Intelligence-Experten jedoch in der Regel nicht zu leisten, wodurch diese Form der Modellierung, trotz ihrer offenkundigen Vorteile, in den letzten Jahren an Bedeutung verloren hat. Durch das, in diesem Beitrag vorgestellte Konzept, wird es Self-Service-Anwendern möglich, eigenständig dimensionale Modelle zu erstellen, ohne auf die Expertise von Fachleuten zurückgreifen zu müssen. Der Ablauf der Ad-hoc-Sternschema-Generierung kann dabei in drei Phasen unterteilt werden. In der ersten Phase erfolgt nach Identifizierung der Datentypen einer jeden Tabellenspalte die Transformation der flachen Tabelle in das Sternschema. Für die Identifizierung und Zusammensetzung der Dimensionstabellen wird ein Verfahren, basierend auf der Ermittlung funktionaler Abhängigkeiten, verwendet. In der zweiten Phase sind die generierten Ergebnisse manuell zu evaluieren und falls nötig zu korrigieren. In der dritten Phase werden die identifizierten Dimensions- und Faktentabellen mit Werten gefüllt und als separate Dateien ausgegeben.

Der agile Antrieb von Scrum – Das Backlog Refinement

Flughäfen sind eine komplexe Echtzeit-Umgebung, für die es in vielen Fällen keine passende Standardsoftware gibt. Um in Zeiten von hoher Auslastung das Risiko von Verspätungen zu reduzieren, welche schnell den europäischen Luftraum durch Kettenreaktionen beeinflussen können, muss die Software auf die speziellen Herausforderungen der Infrastruktur des jeweiligen Flughafens angepasst werden. Doch, wie plant und koordiniert man nachhaltig Lösungen in solch einer hochkomplexen Umgebung?

Zielpublikum: Project leader, decision makers, Scrum Master, Devloper, Product Owner
Voraussetzungen: SCRUM Basics
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:
Für Jeff Sutherland, Mitbegründer von SCRUM, ist das Backlog Refinement das Rückgrat eines funktionierenden Scrum Teams. Doch wie kann dieses wichtige Event erfolgreich etabliert werden? Der Scrum Guide widmet dem Event lediglich einen kurzen und knappen Absatz.

Bei der Entwicklung einer disruptiven Lösung, einer automatisierten Dispositionssoftware für Bodenverkehrsdiensten an einem großen Flughafen, bestätigte sich Sutherlands Theorie zum Backlog Refinement. Das Event wurde eines der wesentlichen Erfolgsfaktoren für die Umsetzung des agilen Projekts. Und das, obwohl oder geradeweil die Voraussetzungen für das Projekt sehr herausfordernd waren:

o ein komplexes Produktportfolio mit vielen Abhängigkeiten zwischen den unterschiedlichen Lösungen
o einem Geschäftsführer als Product Owner, der dem Team nur Teilzeit zur Verfügung stand
o keine Möglichkeit Business Analysten einzubinden
o Expertenwissen, welches nur in den jeweiligen Silos vorhanden war
o einer knappen Vision und keine ausformulierten Anforderungen an das Produkt
o die Gefahr am Flughafen durch Kettenreaktionen bei Verspätungen den Transport von Passagieren am gleichen Tag zu gefährden oder wichtige Slotzeiten für den Luftraum zu verlieren
o eine große Anzahl von kritischen Stakeholdern

Nils Hyoma wird in seinen Vortrag zeigen, wie sein Team dank des Refinements mit den komplexen Aufgaben zurechtgekommen ist. Hierbei wurden etwa nach und nach kritische Stakeholder gezielt integriert, die Software-Entwickler in die Verantwortung für Anforderungsermittlung genommen sowie durch Kollaboration mit anderen Teams Abhängigkeiten aufgelöst und Releases koordiniert.

Das geplante und strukturierte Event wurde neben der Entwicklung der Software auch zum Antrieb des Change-Managements sowie der agilen und digitalen Transformation genutzt.

Der Vortrag basiert auf Erfahrungen, welche in einem agilen Projekt in einer sehr komplexen Umgebung gewonnen worden sind und lebt von diesen. Nils Hyoma wird einige Ansätze zeigen und dann erläutern, was der Nutzen dieser ist. Er wird eine von vielen Möglichkeiten aufzeigen das unterschätze Event zielführend zu nutzen.

KI ist in der Fachwelt gerade in aller Munde. Ab was ist Chance, was ist Hype? Wir setzen Natural Language Processing seit vielen Jahren in der Qualitätssicherung von Anforderungen und Tests ein. Beispiele sind die automatische Prüfung von Anforderungen und Testgenerierung aus User Stories. In diesem Vortrag zeigen wir an konkreten Beispielen auf, was möglich ist und wo die Grenzen sind. Damit wollen wir die großen Chancen der Textanalyse aufzeigen, ohne in Buzzwords zu verfallen.

Zielpublikum: Decision Makers, Business Analysts, Data Engineers
Voraussetzungen: Keine
Schwierigkeitsgrad: Anfänger

Extended Abstract:
In Wissenschaft und Praxis herrscht Revolutionsstimmung. Sprachassistenten simulieren natürliche Gespräche, Wetter- und Sportberichte werden automatisch generiert ohne, dass ein Mensch beteiligt ist, Systemüberwachung funktioniert automatisch per Anomalie-Erkennung oder man schiebt gleich das ganze Word-Dokument in einen automatischen Übersetzer. Der Eindruck von unendlichen Möglichkeiten drängt sich auf – auch in der Qualitätssicherung. Aber wie viel von diesen Ansätzen funktionieren in der Praxis wirklich – oder ist die Revolutionsstimmung tatsächlich nur eine Goldgräberstimmung?

Wir setzen Natural Language Processing (NLP) Techniken seit vielen Jahren bei mittlerweile über 60 Projekten in Automotive und Versicherungsbereich täglich zur Qualitätssicherung von Software ein. Täglich werden Millionen von Worten Text durch unsere Analysen gejagt. Beispiele sind die automatische Prüfung von Anforderungen, Testgenerierung aus User Stories oder automatisierte Traceability Analysen. Weiterhin machen wir immer wieder Studien mit unterschiedlichsten Machine-Learning- bzw. Artificial-Intelligence Ansätzen (ML/AI) um herauszufinden, ob der Stand der Technik reicht, um in der Qualitätssicherung produktiv eingesetzt zu werden.

Dabei ergibt sich ein etwas differenzierteres Bild davon, was mit NLP, ML und AI möglich ist. In diesem Vortrag zeigen wir drei Dinge auf:

Erstens, was ist der Stand der Technik? Welche Fähigkeiten bieten moderne Ansätze und welche Rollen in der Qualitätssicherung können wie profitieren.

Zweitens, wo sind dabei die Herausforderungen? Bei der Anwendung der Methoden zeigen sich schnell technische Herausforderungen (z.B. Echtzeitfähigkeit), Herausforderungen mit Daten (z.B. Grammatikanalysen auf englische Texte von Nicht-Muttersprachlern) und Herausforderungen auf der menschlichen Ebene (z.B. Akzeptanz).

Drittens, wo sind die Grenzen? In einer wissenschaftlichen Studie haben wir ganz konkret an Unternehmensguidelines analysiert, welche Aspekte von Qualität automatisiert prüfbar sind und welche nicht. Aus dem, was nicht möglich ist, lässt sich eine einfach anwendbare Checkliste erstellen, die mir sagt, welche Themen ich sinnvoll angehen kann und wovon ich die Finger lassen muss.

Dieser Vortrag zeigt Entscheidern und Anwendern also die großen Chancen der Textanalyse auf, ohne in unrealistische Erwartungen oder gar Buzzwords zu verfallen.

Der Vortrag präsentiert aktuelle Entwicklungen in der Anwendung von KI insbesondere im Kontext von Digital Twins im Automobilbereich. Konkrete Einsatzszenarien und Erfahrungen aus der Praxis zeigen, wie durch Analyse von Daten aus heterogenen Quellen neue Produkte und Services entwickelt, sowie Prozesse und Planungen optimiert werden können und zeigen die Potenziale für den Einsatz von KI im Automobilbereich. Aktuelle Chancen und Herausforderungen des Einsatzes von KI in Unternehmen werden diskutiert.

Zielpublikum: Softwareentwickler, Architekten, Projektleiter
Voraussetzungen: Grundsätzliche Kenntnisse über die Methoden der Künstlichen Intelligenz
Schwierigkeitsgrad: Anfänger

Extended Abstract:
1) Smart Data Analytics im Automobilbereich: aktuelle Entwicklungen in der datenbasierten Digitalisierung

2) Konkreten Einsatzszenarien für Data Science und Methoden der Künstlichen Intelligenz in datengetriebenen Geschäftsprozessen

3) Neue Produkte und Services mittels unternehmensübergreifender Analyse von Daten aus heterogenen Quellen

4) Optimierung von Prozessen und Planungen

5) Relevante technische Ansätze und Erfahrungen aus der Praxis.

This session looks at how data science workbenches and machine learning automation tools can help business analysts to become data scientists and so meet the demand of business.

Target Audience: CDO, Head of Analytics, Data Scientist, Business Analysts, CIO
Prerequisites: Basic understanding of Data Science
Level: Advanced

Extended Abstract:
The demand for analytics is now almost everywhere in the business. Analytics are needed in sales, marketing and self-service, finance, risk, operations, supply chain and even HR. However, the current shortage of data scientists and the reliance on detailed skills such as programming, has led many corporate executives to question current approaches to development of high value analytical models and ask if they can be accelerated in any way to improve agility and reduce time to value. This session looks at this problem in detail and at how emerging data science workbenches and machine learning automation tools can help reduce the reliance on highly skilled data scientists and allow business analysts to become data scientists and so meet the demand of business.

o            The explosion in demand for analytics

o            Data science and the modern analytical ecosystem

o            Challenges with current approaches to analytics

o            Requirements to reduce time to value and accelerate development of analytical models

o            Improving productivity by integrating Information catalogs and data science workbenches, e.g. Amazon SageMaker, Cloudera CDP Machine Learning, IBM Watson Studio Microsoft, Azure ML Service,

o            Accelerating model development, monitoring and model refresh using ML automation tools, e.g. DataRobot, SAS, Dataiku Data Science Studio, Big Squid

o            Facilitating rapid analytics deployment via analytics as a service to maximise effectiveness and competitive edge

Das vorliegende Forschungsvorhaben fokussiert die Unterstützung von Business-Anwendern bei der Identifikation, Modellierung und Umsetzung von KI-Projekten. Hierfür wurde ein Vorgehensmodell entwickelt, welches Business-Anwender vom Scouting für geeignete Anwendungsfälle, über das high-level Design und die Konfiguration der KI-basierten Applikation bis zur Umsetzung des Projektes begleiten. Das Modell besteht aus dem KI-Periodensystem, Der KI-Applikations-Taxonomie sowie einem Artefakt zur Umsetzung von KI-Projekten, welches sich derzeit in der Validierungsphase befindet. Das KI-Periodensystem erlaubt im ersten Schritt des Modells die Auswahl von KI-Funktionalitäten entlang eines Agenten-basierten Ansatzes und ermöglicht dem Anwender somit die Erstellung eines high-level Design. Da die Funktionalitäten jeweils mit den menschlichen Intelligenzformen hinterlegt sind, ermöglicht das Artefakt zusätzlich die Diskussion zu den organisatorischen Auswirkungen im unmittelbaren Umfeld der potenziellen KI-Applikation. Im zweiten Schritt des Vorgehensmodells wird das KI-basierte System ebenfalls entlang der Agenten-basierten Perspektive konfiguriert. Die Komponenten und Charakteristika der KI-Applikations-Taxonomie ermöglichen dem Anwender eine gezielte Konfiguration der Anwendung, welche anschliessend als Grundlage für die Spezifikation der Anforderungen an das jeweilige System genutzt werden können. Die Taxonomie eignet sich ausserdem zur strategischen Analyse von Konkurrenz-Applikationen oder zur Auswahl beim Einkauf KI-basierter Applikationen. Im dritten und letzten Schritt des Vorgehensmodells wird die Umsetzung des KI-Projektes entlang des Data Science-/CRISP-Prozesses inkl. in den jeweiligen Projektabschnitten beteiligten Rollen und Risiken dargestellt. Hierbei sollen Business-Anwender nicht nur bei der Orientierung innerhalb des Projektes unterstützt werden, sondern vor allem zur Kommunikation befähigt werden. Aufgrund dessen enthält das dritte Artefakt einen reichhaltigen Fundus an KI-Algorithmen, welche den jeweiligen Projektphasen zugeordnet und definiert sind. Somit erhält der Business-Anwender nicht nur einen Überblick über das gesamthafte Vorgehen zur Umsetzung des KI-Projektes, sondern wird befähigt, die KI-spezifische Terminologie zu verstehen und anzuwenden. Die zuvor genannten Artefakte wurden bzw. werden basierend auf dem Design Science Research-Ansatz in einem Konsortialforschungsprojekt sowie mittels Literaturanalysen, Umfragen und Fokusgruppen-Interviews entwickelt. Das Vorgehensmodell soll in seiner Gesamtheit einen Beitrag zur Umsetzbarkeit von KI-Projekten und zum KI-Verständnis für Business-Anwender leisten. Andererseits bieten die enthaltenen Artefakte Unterstützung bei der Analyse und Auswahl von KI-Systemen, Konfigurationen und Algorithmen und halten gemäss der Rückmeldungen von Experten grossen Mehrwert für die Praxis bereit, bei einigen Unternehmen befinden sich die Artefakte bereits im Einsatz. Ziel der Präsentation ist die kritische Diskussion der Zusammenhänge zwischen den einzelnen Artefakten sowie die Auseinandersetzung mit dem Modell zur Auswahl von KI-Algorithmen im vierten und letzten Schritt des Vorgehensmodells.

70% aller deutschen Unternehmen und Institutionen sind von Cyberkriminalität betroffen und die Bedrohungslage sowie die Schäden durch Cyberkriminalität steigen stetig weiter an (BSI, 2018, S. 15; BKA, 2017). Um sich dieser Bedrohung zu stellen, kommen immer häufiger auch Intrusion-Detection-Systeme zum Einsatz. Künstliche Neuronale Netzwerke der Adaptiven Resonanztheorie sind dabei in der Lage eine grundlegende Frage zu lösen: Wie kann ein solches System automatisch neuartige Angriffe erkennen und in seine Wissensrepräsentation integrieren?

Um die wachsende Anzahl Nutzer und damit steigende Anforderungen an einem System bewältigen zu können, sowie die Effizienz und Qualität des Entwicklungsprozesses zu steigern, haben sich in der klassischen Softwareentwicklung Prinzipien, wie Continuous Integration (CI) und Test Driven Development (TDD) durchgesetzt. Dieses Seminar möchte beantworten, was hinter CI und TDD steckt und wie diese Prinzipien in den Lifecycle von DWH-Systemen eingebunden werden.

Zielpublikum: BI/DWH Entscheider, BI/DWH Programm- und Projektleiter, BI/DWH Architekten und Entwickler, interessierte IT- und Fachbereichsverantwortliche und Anwender Voraussetzungen: Voraussetzung sind grundlegende Kenntnisse in den Bereichen Daten- und Informationsmanagement. Fortgeschrittene Expertise in den Bereichen Data Warehouse Konzeption, Architektur, Entwicklung und Betrieb ist vorteilhaft. Schwierigkeitsgrad: Fortgeschritten

Data Science hat sich mittlerweile als wichtiges Instrument im Rahmen der Wertschöpfung in vielen Unternehmen etabliert. Nun gilt es einerseits Rückschau zu halten, wie Data Science einbettet und genutzt wird. Andererseits ermöglichen neue Methoden, Techniken und Konzepte, dass Data Science noch effektiver in den Unternehmen eingesetzt werden kann. Anhand eines Use Case aus der Versicherungsbranche wird aufgezeigt, wie sich Data Science verankern lässt, welche Herausforderungen dabei zu meistern sind und wo sich Benefits realisieren lassen.

Zielpublikum: Data Scientist, Projektmanager, Entscheidungsträger, KI-Verantwortliche
Voraussetzungen: Grundlegende Kenntnisse der Data Science sind für den Talk von Vorteil, stellen aber keine Muss-Anforderung dar.
Schwierigkeitsgrad: Anfänger

Extended Abstract:
Nachdem sich Data Science mittlerweile als wichtiges Instrument im Rahmen der Wertschöpfung in vielen Unternehmen etabliert hat, gilt es nun einerseits Rückschau zu halten, wie Data Science einbettet und genutzt wird. Andererseits ermöglichen neue Methoden, Techniken und Konzepte, dass Data Science noch effektiver in den Unternehmen eingesetzt werden kann.

Der Beitrag gibt einen Überblick zum Status quo der Data Science Nutzung in Unternehmen und stellt aktuelle Trends vor. Im Anschluss wird anhand eines Use Case aus der Versicherungsbranche konkret aufgezeigt, wie sich Data Science im Wertschöpfungsprozess verankern lässt, welche Herausforderungen dabei zu meistern sind und wo sich Benefits realisieren lassen.

In einem pragmatischen Erfahrungsbericht erklärt Siemens Mobility wie sie mit der Railigent Plattform die Digitalisierung in einem sehr traditionellen Umfeld etablieren. Dabei ist immer der erzielte Nutzen im Fokus des Projektes. Betreiber von Zügen profitieren von einem daten-getriebenen Ansatz durch reduzierte Wartungskosten und optimierten Nutzungsgrad. Visuelle Analytik ist nur der Anfang, wenn Predictive Analytics Zusammenhänge aufzeigt und Echtzeit-Informationen Entscheidungen beim operationalen Betrieb der Züge verbessern.

Zielpublikum: Entscheider, CDO, CIO, Leiter CC, Architekten
Voraussetzungen: Basic understanding of buisiness value in analytics
Schwierigkeitsgrad: Anfänger

Extended Abstract:
Business Challenge:

To prevent delays due to equipment failures, Siemens Mobility needed to provide fast, accurate insights to customers through its app. The company needed real-time analytics for both IoT and legacy data.

Solution:

With the Railigent platform, Siemens customers get insights via Railigent, the Siemens Mobility app. The app allows for automated corrective action and quick decision-making.

Predicting failures before they occur is possible with data analysis at the edge. Siemens collects every piece of data it can – most of which is collected via sensors at the edge – then cleans and prepares it for analysis. Some trains have nearly 2,000 components that must be monitored while they are traveling; for example, to detect vibration patterns of train bearings. Older trains pose difficult data challenges, but the company still needs to be able to monitor and measure their performance and make improvements.

Analytics team are struggling to create, publish, and maintain analytics to meet demand. Many analytics projects fail to meet expectations and deliver value. DataOps is the new approach combining tools and approaches to simplify the development of analytics and ensuring high quality data. DataOps shortens the life cycles, reduces technical debit and increases analytics success. This session covers the best practices for the analytics team to deliver DataOps.

Target Audience: Data scientists, project leaders, analyst, data engineers, project sponsors, business leaders
Prerequisites: None
Level: Professional

Extended Abstract:
DataOps is the next generation of analytics delivery that addresses the major issues of analytics technical debt, reuse of code, data quality, and incorporates the flexibility of agile. This session defines what DataOps is (it is not DevOps) and highlights the best practices to address some of the largest challenges preventing analytics teams from delivering analytics value. The session outlines how DataOps is used to inspire teamwork, improve data quality, incorporate agile delivery, and establish an environment for reuse and innovation.

Durch die Integration digitaler Zahlungsströme in ein IoT-System werden Interaktion zwischen Objekten um eine wirtschaftliche Komponente erweitert. Dies schafft die Grundlage für ein digitales und offenes Wirtschaftssystem – die Economy of Things (EoT). Hierbei soll untersucht werden, welche Voraussetzungen eine EoT erfüllen muss, um einen Mehrwert in der Praxis zu stiften. Ziel der Arbeit ist es, ein Modell für die Gestaltung einer solchen EoT zu erstellen und zu evaluieren.

Für jede Transformation gilt: Sie ist der Übergang vom Bewährten zum Neuen! Es versteht sich, dass es dabei Befürworter und Skeptiker gibt. Beide Parteien wollen dabei nur das Beste für ihre Organisation und folgen einer in sich schlüssigen Logik. Mit der Zeit entstehen Gräben und es bilden sich Fronten. Dies mündet in einen Teufelskreis, der die Zusammenarbeit erschwert und in Kompromisse, die am Ende beiden Lagern recht geben. Der Referent zeigt anhand von Kundenbeispielen wie Führungsteams in vier Schritten gemeinsam die Zukunft gestalten.

Zielpublikum: Project leader, decision makers, Transformation Leads
Vorraussetzungen: Transformationserfahrung oder Erfahrung mit komplexen Projekten und Veränderungen
Schwierigkeitsgrad: Fortgeschritten

Die Wertschöpfung durch Daten ist heute ein zentrales Thema. CDOs werden installiert, BICCs als zentrale Einheiten für die Schöpfung von Potenzialen der Daten geschaffen. In der Operationalisierung stellt sich dann schnell heraus, dass es eines Fundamentes bedarf. Data Governance gibt Antworten auf diese Fragen. Das Data Governance Starterkit DB ermöglicht einen strukturierten Einstieg ins Thema, gibt Orientierung, macht den Standort transparent und weist den Weg.

Zielpublikum: CDO, CIO, Data Office, Data Council, Verantwortliche für datengetriebene Initiativen und Programme
Voraussetzungen: Ambitionen im Kontext datengetriebener Initiativen
Schwierigkeitsgrad: Fortgeschritten

How is machine learning used in the real world? How did our customer Liebherr mitigate the problem of unreliable suppliers, therefore making their manufacturing process more efficient? How can our customers work their way through thousands of documents, quickly identifying the relevant ones? In this talk, Data Scientist Björn Heinen will elaborate on his past and current projects in the manufacturing industry by explaining how tangible customer problems have been solved using classical machine learning algorithms, computer vision and more.

Target Audience: The session is intended to reach those interested who are working in the machine and system engineering industry or those in other sectors who would like to optimize their processes with the help of AI and use business data successfully in the long term.
Prerequisites: No prerequisites needed.
Level: Basic

Kubeflow ist ein mächtiges Framework für die Entwicklung, Überwachung und Operationalisierung von KI. Die Ressourcen für das Trainieren, Optimieren oder das Serving der Modelle stellt Kubeflow 'As a Service' bereit. Einzelne Schritte werden in einer Pipeline mit Kubernetes in einem Cluster ausgeführt – On Premise, in der Cloud oder Hybrid in verschiedenen Umgebungen. Dabei werden notwendige Ressourcen dynamisch allokiert. In einer Live Demonstration wird Kubeflow zusammen mit Tensorflow und Tensorflow Extended (TFX) vorgestellt.

Zielpublikum: Data Scientists, project leader,
Voraussetzungen: Grundkenntnisse KI
Schwierigkeitsgrad: Advanced

Extended Abstract:
Kubeflow ist eine auf Kubernetes aufsetzende Applikation, die aus mehr als 80 einzelnen Microservices zusammengestellt ist. Kubeflow ist von Google entwickelt worden und als Open Source Projekt veröffentlicht worden. Kubeflow läuft auf Kubernetes und damit wahlweise in der Cloud oder On Premise. Alle großen Cloudprovider bieten Kubeflow 'as a Service' an, was das Provisioning sehr einfach macht. Kubeflow setzt auf Argo als Workflow Engine auf. Einzelne Schritte wie die Datenvalidierung, die Modellerstellung, das eigentliche Trainieren oder das Serving, also die Verwendung von KI in den operativen Prozessen eines Unternehmens, werden von Argo orchestriert. Kubeflow kann als Multi-Tenant Solution aufgesetzt werden, um unterschiedliche Projekte und Kunden gleichzeitig zu unterstützen. Selbstverständlich ist Kubeflow Multi-User fähig und bringt eine eigene Benutzerverwaltung mit. Die Entwicklung geschieht über Notebook-Server, die Jupyter Notebooks dem Entwickler zur Verfügung stellen.

Kubeflow kann mit anderen KI-Frameworks, beispielsweise Tensorflow und Tensorflow Extended (TFX) kombiniert werden. Alle Prozesse werden als Pipeline designed und ausgeführt. Die Überwachung der Pipelines geschieht über einen Metadata Store. Dies beinhaltet vom Data Scientist definierte Metriken zur Überwachung ebenso wie einen direkten Zugriff auf Tensorboard für eine weiterführende Analyse. Die dafür notwendigen Artefakte werden in Minio persistiert, einem Open Source Object Store.

Stellen Sie sich das mal vor: Sie stehen vor einem Spiegel, sehen aber nicht mehr in Ihr eigenes Gesicht, sondern in das von Barack Obama oder Angela Merkel. In Echtzeit wird Ihre eigene Mimik auf das fremde Gesicht übertragen. Dem TNG Innovation-Hacking-Team ist es gelungen, einen solchen Prototypen zu erstellen und in Echtzeit das Gesicht einer Person auf beliebige andere Gesichter zu übertragen. Die Grundlage hierfür ist der sogenannte 'Deep Fake'-Ansatz.

Zielpublikum: Data Engineer, Data Scientist, Project Leader, Decision Makers
Voraussetzungen: Basic AI Knowledge
Schwierigkeitsgrad: Anfänger

Extended Abstract:
Stellen Sie sich das mal vor: Sie stehen vor einem Spiegel, sehen aber nicht mehr in Ihr eigenes Gesicht, sondern in das von Barack Obama oder Angela Merkel. In Echtzeit wird Ihre eigene Mimik auf das fremde Gesicht übertragen.Dem TNG Innovation-Hacking-Team ist es gelungen, einen solchen Prototypen zu erstellen und in Echtzeit das Gesicht einer Person auf beliebige andere Gesichter zu übertragen. Die Grundlage hierfür ist der sogenannte 'Deep Fake'-Ansatz. Durch die Anwendung neuronaler Netze werden hier Gesichter in der Videoeingabe erkannt, übersetzt und zurück in die Videoausgabe integriert. Durch diese Technik ist es möglich, täuschend echte Imitationen auf andere Personen zu projizieren. Zum Einsatz kamen dabei in Keras trainierte Autoencoder-Netze, sowie verschiedene Algorithmen zur Gesichtserkennung.

In diesem Vortrag geben Thomas Endres und Martin Förtsch eine unterhaltsame und sehr anschauliche Einführung in die Welt der Deepfakes in Echtzeit. Dabei gehen sie insbesondere auf die Techniken im Bereich des Deep Learning ein, die bei dieser Anwendung zum Einsatz kommen. Mehrere Live-Demonstrationen runden das Erlebnis ab.