Have you ever ordered a product on Amazon websites and, when the box arrived, wondered how you got it so fast, how much it would have cost Amazon, how much carbon it emitted and what kinds of systems & processes must be running behind the scenes to power the whole operation?

Let’s take a look behind the scenes and open the doors of Amazon Data and Analytics teams to explore how the combination of our people and our advanced algorithms are working together to deliver to our customers millions of diverse products every day all across the globe. 

From the moment we order products from our vendor partners, until we deliver to our customer doorsteps, we use dozens of systems, pieces of software, Machine Learning algorithms and Petabytes of data to optimize our operations. Together, they orchestrate what we call our fulfillment network and optimize the reliability, delivery speed, cost and carbon emissions of our products, packages and trucks. 

Together, we will follow the journey of a customer order, and dive into the different steps of our fulfillment operations:

1. Forecasting how much volume will flow on our network
2. Buying the right quantities and placing our inventory at the right location
3. Designing an efficient outbound network
4. Executing operational excellence to delight customers

We strive to be the earth’s most customer centric company, today let’s take a look into what it means! 

KI hat einen disruptiven Einfluss auf die Wertkette der Versicherung. Data-driven Insurance steht für eine KI-Einführung zu Mehrwert mit Strategie. Neue Portfolios, Prinzipien, Standards, Jobs und Prozesse sind die Folge. Diese werden vorgestellt.

Zielpublikum: Führungskräfte, Trainer, Erklärer und Förderer
Voraussetzungen: KI-Agilität, Einführungs- und Projektmanagement
Schwierigkeitsgrad: Experte

Extended Abstract:
Damit die Einführung der Data-driven Insurance sich beschleunigt, sind die relevanten Themen zu gruppieren, zu priorisieren und die Verantwortungen hierüber zu klären. Dafür bedarf es einer schlagkräftigen Führungskoalition, welche eine Vision über die Einführung der Data-driven Insurance und der Künstlichen Intelligenz entwickelt und im Gesamtunternehmen propagiert. Promotoren werden eingesetzt, um die Vision umzusetzen und nach geeigneten KI-Business-Cases zu suchen. Die Business-Cases werden so bewertet, priorisiert und geplant, dass sich Ergebnisse schnell einstellen. Die mit diesen Erfolgen erzielte Glaubwürdigkeit belebt die Transformation neu. Dadurch können neue Mitarbeiter gewonnen werden, um die Verbesserungen zu konsolidieren und die neuen Ansätze zu institutionalisieren. Der Vortrag geht auf Best Practices und Fallstricke ein.

Das Thema KI ist in aller Munde. Fragt man in Unternehmen aber, wie bestehende Datenschutzanforderungen, Richtlinien der EU und die Mitbestimmung des Betriebsrates sichergestellt werden, so gibt es hier selten Antworten. Gerade die Einbeziehung dieser Stakeholder ist aber keine 'lästige' Pflicht, sondern ein kritischer Erfolgsfaktor.
Im Vortrag wird das Vorgehen der Zurich Deutschland vorgestellt und aufgezeigt, wie wir gemeinsam an einer für Mitarbeiter und Kunden fairen KI arbeiten.

Zielpublikum: Data & Analytics Entscheider
Voraussetzungen: Keine
Schwierigkeitsgrad: Einsteiger

Wir erleben zurzeit, wie die Digitalisierung unsere Realität dramatisch verändert. So verwundert es nicht, dass in diesem Zusammenhang Fragen zur Ethik, nach einem verlässlichen Koordinatensystem von Werten, immer häufiger gestellt werden. Im Fokus des Vortrags steht der 'richtige' Umgang mit Daten im analytischen Ökosystem des Unternehmens und beleuchtet u.a. folgende Aspekte:

• Aufbau von Vertrauen und Akzeptanz als Schlüssel in der Kundenbeziehung
• DSGVO und Datenethik 
• Rollenspezifische Aspekte der Datenethik (Entwickler, Designer, Nutzer)

Zielpublikum: für alle, die sich professionell mit Daten beschäftigen
Voraussetzungen: Keine
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Inhalt in der Struktur wie der Vortrag beim RT in Hamburg. Natürlich mit aktualisierten Insights aus Praxis und Wissenschaft.
Wir erleben zurzeit, wie die Digitalisierung unsere Realität dramatisch verändert. Gesetze und Prinzipien, die über lange Zeit ihre Gültigkeit hatten, müssen auf den Prüfstand gestellt werden, weil die Veränderungen nie dagewesene Handlungsoptionen bieten - im Guten wie im Schlechten. So verwundert es nicht, dass gerade im Zusammenhang mit der Digitalisierung und Big Data Fragen zur Ethik und Moral, nach einem verlässlichen Koordinatensystem von Werten, immer häufiger gestellt werden.
Die Auswirkungen der Datenverarbeitung und Datenanalyse auf den Einzelnen und auf die Gesellschaft werden immer gravierender, daher wird der Ruf nach verbindlichen Richtlinien für die Berufsgruppen, die sich professionell mit dem Sammeln, Verarbeiten und Analysieren von Daten beschäftigen, immer dringlicher. Brauchen wir eine Berufsethik für den Data Scientist?
Die aktuell geführten Debatten zur Datenethik sind geprägt durch Auswirkungen von KI und algorithmischen Entscheidungsverfahren auf unseren Alltag, wie beim autonomen Fahren oder in der Pflege (Pflegeroboter). Ein weiterer oft diskutierter Aspekt ist das hemmungslose Sammeln von Daten der IT-Giganten wie Google oder Facebook, was zu den Begriffen Daten- bzw. Überwachungskapitalismus geführt hat.
Im Fokus des Vortrags steht der 'richtige' Umgang mit Daten im analytischen Ökosystem eines Unternehmens. Dabei werden u.a. folgende Aspekte und Fragestellungen betrachtet:
Was versteht man unter Datenethik?
Wie kann Vertrauen und Akzeptanz bei den Kunden durch den richtigen Umgang mit den Daten auf- bzw. ausgebaut werden?
Wem gehören die Daten?
Was heißt Corporate Digital Responsibility?
Was hat die DSGVO mit Datenethik zu tun?
Analytisches Ökosystem und Datenethik (Perspektive auf die Daten, Perspektive auf die Algorithmen)
Rollenspezifische Aspekte der Datenethik im analytischen Ökosystem (Entwickler, Designer, Nutzer)

Viele Unternehmen haben in den letzten Jahren erfolgreich prototypische Big-Data- und Machine-Learning-Use-Cases auf On-Premises-Umgebungen umgesetzt. Eine wesentliche und oft unterschätzte Herausforderung ist dabei die Operationalisierung und die Integration von Big-Data-/ML-Anwendungen in die Anwendungslandschaft eines Unternehmens. Der Vortrag stellt Methoden und Konzepte vor, die für den Aufbau und die Operationalisierung einer standardisierten, zentralen Big-Data-/ML-Serviceplattform bei einem Versicherungsunternehmen eingesetzt wurden.

Zielpublikum: Data Engineer, Project Leader
Voraussetzungen: Basic knowledge, Erfahrungen mit Big-Data-Architekturen
Schwierigkeitsgrad: Fortgeschritten

[Vanilla] steht für einfach, grundlegend, konventionell - und langweilig? Auf keinen Fall! Aber eine Datenplattform - ideal auf die individuellen Anforderungen angepasst und trotzdem einfach - ist der Wunsch vieler BI-Leiter. Aber geht das, 'einfach'? Jein. Damit Du wirklich etwas von Deiner Plattform hast, sind ein paar grundlegende Dinge wichtig. Welche das sind und welche Stolpersteine Du auf dem Weg zur VDP (Vanilla Data Platform) besser vermeiden solltest, zeigen Dir Meik und Thomas (b.telligent) gemeinsam mit Margarethe von Seven.One Media.

Zielpublikum: BI-Teamleiter, BI-Architekten
Voraussetzungen: Grundlegendes Verständnis von BI und der Nutzung von Daten in Unternehmen
Schwierigkeitsgrad: Fortgeschritten

Leider muss dieser Vortrag kurzfristig entfallen. Wir bitten um Verständnis

Eine erfolgreiche Weiterentwicklung bzw. Erweiterung der Unternehmenskultur in Richtung einer optimalen Datenkultur gelingt aktuell nur sehr wenigen Unternehmen. Im Vortrag möchten wir mit Ihnen ein gemeinsames Verständnis von Datenkultur schaffen - abseits etwaiger Buzzwords, die im Markt kursieren. Darauf aufbauend vermitteln wir Lösungsansätze erfolgreicher Veränderungen einer Datenkultur, aber auch typische Hindernisse aus unserer umfangreichen Kundenerfahrung. Und zum Mitnehmen erhält jeder einen Werkzeugkoffer für die eigene Anwendung.

Zielpublikum: CDO, CIO, Entscheider im Kontext Data & Analytics, Programmleiter, Projektleiter
Voraussetzungen: Verständnis der Funktionsweise von Organisationsstrukturen, Führungserfahrung, Grundverständnis Data & Analytics
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:
Der Begriff Datenkultur wird doch allzu häufig aktuell genutzt, um beliebige Themen zu positionieren. Wir vermitteln Ihnen deshalb ein Datenkulturverständnis aus der Praxis, welches sich deutlich näher an der klassischen Unternehmenskultur und einem damit verbunden Kulturverständnis orientiert. Hierzu grenzen wir auch weitere „Beschleuniger” ab, die sich zwar positiv auf die Entwicklung zu einem datengetriebenen Unternehmen auswirken, aber im engeren Sinne keine Kulturinhalte sind.
Datenkulturen sind im Verhältnis relativ neu, Kulturentwicklung von Unternehmen hingegen im Verhältnis ein alter Hut, aber die Wirkweisen, Lösungsansätze für Veränderungen und die dabei auftretenden Hindernisse sind doch auch auf Datenkulturen übertragbar.
Damit jeder Teilnehmer direkt etwas für sich mitnehmen kann, bringen wir einen Werkzeugkoffer mit, der aufzeigt, welche möglichen Werkzeuge in den verschiedenen Bereichen der Datenkultur genutzt werden können.

What does it take to operationalize machine learning and AI in an enterprise setting? This seems easy but it is difficult. Vendors say that you only need smart people, some tools, and some data. The reality is that to go from the environment needed to build ML applications to a stable production environment in an enterprise is a long journey. This session describes the nature of ML and AI applications, explains important operations concepts, and offers advice for anyone trying to build and deploy such systems.

Target Audience: analytics manager, data scientist, data engineer, architect, IT operations
Prerequisites: Basic knowledge of data and analytics work
Level: Basic

Extended Abstract:
What does it take to operationalize machine learning and AI in an enterprise setting?
Machine learning in an enterprise setting is difficult, but it seems easy. You are told that all you need is some smart people, some tools, and some data. To travel from the environment needed to build ML applications to an environment for running them 24 hours a day in an enterprise is a long journey.
Most of what we know about production ML and AI come from the world of web and digital startups and consumer services, where ML is a core part of the services they provide. These companies have fewer constraints than most enterprises do.
This session describes the nature of ML and AI applications and the overall environment they operate in, explains some important concepts about production operations, and offers some observations and advice for anyone trying to build and deploy such systems.

Der hohe Grad der Standardisierung, die einfache und einheitliche Importlogik und die klare Trennung der Schichten ermöglicht eine weitgehend automatische Erzeugung der Importlogik für ein Data Vault-Modell.

Dabei muss nicht unbedingt ein Generator gekauft werden. Man kann auch das bereits im Projekt verwendete ETL-Werkzeug, wie den Oracle Data Integrator (ODI), erweitern, um die Logik zur Beladung zu erzeugen. 

Wir zeigen die Vorteile dieser Lösung für die DWH-Projekte der Norma Lebensmittelfilialbetrieb Stiftung & Co. KG.

Zielpublikum: Data Engineers, BI Project Managers, an Data Vault Interessierte
Voraussetzungen: Grundkenntnisse in Datenmodellierung und Data Warehousing sind vorteilhaft
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Nach einer kurzen Einführung in die Data Vault-Grundstrukturen (Hubs, Links, Satellites, Point-In-Time Tables, Bridges) konzentriert sich der Vortrag auf die automatisierte Generierung der Beladungslogik für die elementaren DV-Strukturen (Hubs, Links, Satellites).

Code-Generierung lohnt sich nicht nur, sie ist bei Data Vault notwendig. Die hohe Anzahl der Datenstrukturen und der damit verbundenen Ladeprozesse sind mit manueller Modellierung nur schwer zu bewältigen. 

Code-Generierung dient primär der Entlastung der Entwickler von repetitiven Tätigkeiten und schafft die Voraussetzung für schnelle und agile Projekte. Darüber hinaus ist generierter Code standardisiert und hat eine einheitliche Qualität. 
Am Beispiel des Oracle Data Integrators (ODI) wird gezeigt, dass mit einem eigenen Generator nicht nur SQL-Statements erzeugt werden, sondern direkt Mappings im ETL-Werkzeug, so dass kein 'Medienbruch' zur manuellen Modellierung entsteht.

Die hohe Flexibilität dieses Ansatzes ermöglicht es, dass der Generator projekt- und kundenspezifische Anforderungen realisieren kann. So wurde bei Norma ein neues Data Warehouse für den Online-Handel (Norma 24) mit einer reinen Data Vault 2.0-Ladelogik aufgebaut. Gleichzeitig wurde das bestehende dimensionale Data Warehouse für den stationären Handel um eine Data Vault-Schicht ergänzt, die sowohl Data Vault 1.0- als auch 2.0-Schlüssel generiert, um eine fließende Migration ohne Downtimes zu ermöglichen.

Machine Learning-Projekte scheitern aus vielfältigsten Gründen: unzureichende Daten, fehlende Zusammenhänge oder überbordende Systemintegrationen. 

Doch die Data Science-Zunft schlägt zurück: Unter dem Slogan MLOps, Machine Learning Operations, versammelt sie Lösungsansätze, um Machine Learning zu produktionalisieren. Dieser Workshop erklärt den Bedarf an MLOps aus der unsicheren Natur von Machine Learning-Projekten, skizziert Blaupausen für End-To-End ML Pipelines und illustriert Best Practices anhand einer Open-Source-Implementierung.

Zielpublikum: ML-Engineers, Head of Analytics, Data Scientists
Voraussetzungen: Erfahrungen in Machine Learning, Python und DevOps
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:
Warum MLOps? Mit dieser Auftaktfrage widmet sich der Workshop der inhärenten Herausforderungen von Machine Learning-Projekten. Diese umfassen insbesondere den Spagat zwischen Experiment und Software-Engineering, der dynamischen Natur des Prädiktionskontexts (Data - und Concept Drift) oder Vertrauensanforderungen der beteiligten Stakeholder. Die Referenten lassen in diese Diskussion sowohl konzeptionelle Überlegungen als auch praktische Projekterfahrungen einfließen.  

Als Antwort auf diese Herausforderungen wird ein Katalog von Anforderungen abgeleitet, die ML-Systeme erfüllen sollten, um eine erfolgreiche Produktionalisierung zu gewährleisten. Dieser Anforderungskatalog umfasst unter anderem Model Registries, Feature Stores, Monitoring, Encapsulation von Systemkomponenten oder Separierung und Provisionierung von Train- und Test-Umgebungen.  

Der entwickelte Anforderungskatalog dient im nächsten Seminarteil als Grundlage für die Beschreibung und den Vergleich von gängigen Software-Lösungen und -Architekturen. Die Präsentation umfasst hierbei zumindest ML-SageMaker, Azure-ML und Open-Source-Plattformen wie Kubeflow und Mlflow.  

In dem folgenden interaktiven Teil des Seminars entwickeln die Teilnehmer gemeinsam eine Open-Source-MVP-Lösung auf Basis eines zur Verfügung gestellten Code-Repositories. Die vorgestellte Lösung dient primär der Vertiefung der Seminarinhalte und kann zudem als Ausgangspunkt für eigene MLOps-Initiativen dienen.  

Im letzten Seminarteil wird aus Anforderungskatalog, Architekturskizzen und Code-Experimenten eine Umsetzungsunterstützung für MLOps destilliert, die mögliche Produktionalisierungs-Vorhaben anleiten kann.

What is Data Mesh? Join Starburst for an introduction into this modern approach to managing analytics at scale. Data Mesh embraces decentralisation over-centralisation, meaning it allows companies to become more efficient in accessing and exploiting data as a core architectural approach.

Seit Jahren setzen unsere Kunden auf die Ab Initio Plattform zur Datenintegration, Datenbewirtschaftung und für Data Governance.
Der Fokus liegt dabei auf komplexen Systemlandschaften, und schon jetzt nutzen viele Kunden ihre Metadaten für die Governance.
Der nächste Schritt ist es nun, diese Metadaten auch viel mehr für die Steuerung der Produktionsprozesse und somit Automatisation und Self-Service zu verwenden.
Ein solches System stellen wir Ihnen in diesem Vortrag live vor.
Voilà: Active Metadata!

Beim Arbeiten mit Daten liegt der Fokus oftmals auf Technologien, Prozessen und Funktionen. Das Wichtigste wird jedoch vergessen - der Mensch! Dabei ist der Mensch und sein Verhalten im Umgang mit Daten ein wesentlicher Erfolgsfaktor für die (Weiter-)Entwicklung aller Datenplattformen. Entdecken Sie, wie der Alation Data Catalog den Menschen und sein Verhalten in den Mittelpunkt stellt, um einen Mehrwert zu schaffen, der weit über einfache Automatisierung hinausgeht und so die Datenkultur in Unternehmen entscheidend voranbringt.

Bereits heute tolerieren viele Organisationen keine monolithischen und zentralisierten Datenarchitekturen mehr. Vielmehr orientieren sie sich an neuen Architektur-Paradigmen wie der Data Fabric oder Data Mesh und setzen auf Flexibilität, Modularität und verteilte Datenarchitekturen.

Diese neuartigen Konzepte beruhen auf der Annahme, dass monolithische Datenarchitekturen mit einigen inhärenten Problemen verbunden sind, wie etwa einer unzureichenden Business-Orientierung, mangelnder Flexibilität oder einer zu langsamem Datenbereitstellung. Während die Data Fabric dieser Problemstellung primär aus technologischer Perspektive Rechnung trägt, adressiert Data Mesh vor allem organisatorische Aspekte.

Im Vortrag erfahren Sie mehr über die Prinzipien neuartiger architektonischer Konzepte und wie Sie diese mit Datenvirtualisierung umsetzen und auf Ihre Bedürfnisse, Ihre Daten und Ihre Prozesse zuschneiden können.

Die Getränke Hoffmann Gruppe, als Teil der Radeberger Gruppe und der Dr. Oetker Gruppe, ist der führende Getränkefacheinzelhändler in Deutschland.

Für Getränke Hoffmann ist die Entwicklung zur data-driven-company ein strategisches Ziel. So werden viele neue Use Cases identifiziert und innovative Lösungen im Analytics- und Data Science-Umfeld entwickelt. Ohne eine moderne Datenplattform ist das Ziel einer data-driven Company unerreichbar. Getränke Hoffmann setzt dabei auf einen äußerst modernen, agilen, innovativen und modular aufgebauten Data Stack (MAIN-Data Stack). Die Datenplattform ist das Fundament der IT-Strategie für den Aufbau bereichsübergreifender Apps, um schnell Insights für fundierte Entscheidungen und Prozesse zu generieren und dabei einen schnellen ROI zu erzeugen. Das Team um den CIO/CTO Oliver Mießner ist mit viel Elan und Spaß dabei, die Möglichkeiten der entwickelten Datenplattform auszuloten. Alle Teilprojekte basieren auf Prinzipien, wie der Produktifizierung von Teillösungen und der Sicherstellung der Governance. Snowflake bietet dafür die benötigte agile und elastische Infrastruktur, um alle Daten performant und in gesicherter Qualität für die analytischen Applikationen zur Verfügung zu stellen.

Der Einsatz von Hybrid- oder Multi-Cloud Lösungen.

Der Weg in die Cloud ist für viele Unternehmen essenzieller Bestandteil der Datenstrategie. Allerdings ist in vielen Fällen die Umstellung von einer alten Data Warehouse-Lösung auf die Cloud weder praktikabel noch sinnvoll: gesetzliche Regelungen sowie die Sensibilität von Daten verhindern es oft, Datenbestände vollständig in der Cloud verfügbar zu machen. Zusätzlich ist für die Wahl der richtigen Cloud-Datenplattform die Betriebsart entscheidend: soll es eine selbstbetriebene Plattform (self-tenant) oder doch ein vollgemanagter Service (SaaS) sein? Soll die Plattform auf Komponenten basieren, die bei allen Cloud Providern verfügbar sind oder Cloud-spezifische Dienste nutzen?

Unabhängig davon, wie die jeweilige Datenstrategie lautet und wo Ihre Daten liegen, mit Exasol können Sie diese schnell und kosteneffizient analysieren! Wir zeigen Ihnen, wie Sie die schnellste analytische Datenbank der Welt für komplexe Analysen effizient einsetzen und so Datenbestände aus allen Welten ohne Vendor Lock-In gewinnbringend nutzen können. Dank der vielseitigen Deployment-Optionen kann Exasol sowohl On-Premises als auch in der Public Cloud im eigenen Account eingesetzt werden. Zudem bietet das Exasol SaaS Angebot eine flexible Nutzung als Service an. Hiermit wird die IT entlastet und Fachabteilungen können sich direkt der Arbeit mit den Daten widmen. Verschiedenste Plattformen lassen sich via Virtual Schema Konzept zu übergreifenden Multi- oder Hybrid-Cloud Lösungen ausbauen.

Kurze Einführung und Begrüßung durch Matthias Stemmler, 
Head of Customer Advisory Platform & Data Management bei SAP Deutschland SE & Co KG.

Im Vortrag werden verschiedene Einsatzszenarien für das Maschinenlernen im Marketing und Vertrieb einer Regionalbank vorgestellt. Beispiele sind die Vertriebsunterstützung von Kundenberatern, die personalisierte Kundenansprache im Onlinebereich sowie die Preisoptimierung. Neben der Umsetzung wird das Ertragspotenzial skizziert. Im zweiten Schritt werden verschiedene Herausforderungen diskutiert: aufsichtsrechtliche, datenschutzrechtliche, informationssicherheitsbezogene und organisationsbezogene Herausforderungen.

Zielpublikum: Sowohl Nutzer als auch Entwickler von ML, insbesondere Data Scientisten, Manager von ML/Advanced Analytics und Manager im datengetriebenen Marketing/Vertrieb
Voraussetzungen: Keine (Ich werde auf die eingesetzten Technologien eingehen, jedoch steht der betriebswirtschaftliche / transformatorische Aspekt im Vordergrund)
Schwierigkeitsgrad: Einsteiger

Die Digitalisierung der Schadenprozesse schreitet in der Versicherungsbranche immer weiter voran, vor allem die Automatisierung durch Workflow-Management-Systeme ist mittlerweile ein etabliertes Standardwerkzeug in den Unternehmen.

In diesem Vortrag werden wir am Beispiel eines Schadenregulierungsprozesses unterschiedliche Optimierungsmöglichkeiten der Automatisierungen, deren Vorteile und Voraussetzungen diskutieren und konkrete Praxisbeispiele präsentieren.

Zielpublikum: Data Scientist, decision makers, Project Leader, Process Owners
Voraussetzungen: Basic knowledge, claims experience recommended
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Die Digitalisierung der Schadenprozesse schreitet in der Versicherungsbranche immer weiter voran. Die Automatisierung solcher Verarbeitungsschritte durch Workflow-Management-Systeme ist mittlerweile ein etabliertes Standardwerkzeug in den Unternehmen. Diese technischen Fortschritte ermöglichen es, die Prozesse datengetrieben exponentiell weiter zu optimieren.

Hier ermöglichen der intelligente Einsatz von Daten und der Einsatz Künstlicher Intelligenz verschiedene Varianten der Unterstützung der Prozessbearbeitung: Augmented Intelligence, Assisted Intelligence, Autonome Systeme oder (regelbasierte) Automatisierung. Die Methoden zahlen entsprechend ihrer Fokusse auf die Zielgrößen Standardisierung und Komplexitätsreduktion ein. Dabei ist die richtige Auswahl der zu nutzenden Methode abhängig von der Fragestellung selbst und den vorhandenen technischen Infrastrukturen und Datenverfügbarkeiten.

In diesem Vortrag werden wir am Beispiel eines Schadenregulierungsprozesses die unterschiedlichen Anwendungsmöglichkeiten der obigen Methoden (Datenabgleich mit Materialpreisdatenbanken, Ermittlung von Referenzpreisen, KI-Vorhersage von OK-Belegen bzw. Freigaben, ...), deren Vorteile und Voraussetzungen diskutieren und konkrete Praxisbeispiele präsentieren.

Fast jeder Beitrag zu moderner BIA fängt mit dem Satz an 'Noch nie wurden so viele Daten wie heute gesammelt'. Es gilt als Daumenregel: Willst du Machine Learning machen, musst du viele Daten sammeln. Da wird man schon fast zum Spielverderber, wenn man das Thema Datenlöschungen anspricht. Erfahren Sie, warum es trotzdem wichtig ist, dieses eher unliebsame Thema als Spezialfall einer Data Governance auf die Tagesordnung zu setzen.

Zielpublikum: CDOs, CISOs, IT-Leiter, Datenschutzverantwortliche
Voraussetzungen: Grundlegendes Verständnis von Datenintegrationen und Datenschutz
Schwierigkeitsgrad: Einsteiger

The setup of a decentral function-based data governance requires time, shapes a continuous learning organisation and grows data capabilities and competence in the functions. Through these means a sustainable data culture is established and anchored, which plays a particular role in realising the strategic corporate goals, such as the digital transformation of processes.

Target Audience: Data Governance Manager, Data Passionist, CDO, CIO, Data Analytics Specialist
Prerequisites: Basic knowledge of the Data Governance
Level: Basic

Was verbirgt sich hinter dem Trend 'Modern Data Stack' und wie gut eignet er sich für den Aufbau von Analytics-Plattformen? Wir berichten über erste Erfahrungen im Aufbau und der Nutzung des Modern Data Stacks, stellen eine Architektur mit allen Komponenten vor und demonstrieren sie praktisch. Wir gehen auf die Trennung von Ingestion (EL) und Transformation (T) ein, sowie weitere Ideen, wie 'Metrics Store' und 'Reverse ETL'. Abschließend berichten wir von Problemen und Einstiegshürden bei Deployment, Einsatz und der Integration der Komponenten.

Zielpublikum: Data Engineer, Architect, Project Leader
Voraussetzungen: Basic knowledge
Schwierigkeitsgrad: Einsteiger

Missing data leadership, lack of vision, data-unliterate business units, data in silos, no data- and analytics-governance - The symptoms of a missing data strategy are unmistakable. Whilst organizations strive to exploit the benefits promised from data & analytics, corporate well thought data strategies are rather an exception than rule. We would like to exchange best practices and experiences for designing & implementing sustainable yet pragmatic data strategies for organizations.

Target Audience: Practitioners for data strategy consulting, (Data-) decision makers in organizations, Data leaders, BI & AI team leaders
Prerequisites: Experience and knowledge in the area of analytics, BI or AI; data use cases
Level: Basic

Extended Abstract:
TOC draft

• Overview elements of a data strategy
• Typical initial situations in organizations
• Toolkits and methodologies when designing data strategies
• Exchange of experiences & best practices 

Künstliche Intelligenz ist schon längst dem Pionierzeitalter entwachsen. Doch um mit dem Einsatz von KI einen echten Mehrwert für das Unternehmen zu schaffen, kommt es auf die qualitativ hochwertige Bereitstellung von Daten an. Hier kommt ML Engineering ins Spiel - ein Konzept zur Bewältigung der hohen Komplexität von Daten bei der Entwicklung von KI-Systemen. Im Vortrag wird eine ML Engineering Roadmap vorgestellt, mit der dieses häufig unterschätzte und doch so kritische Konzept erfolgreich eingesetzt werden kann.

Zielpublikum: Data Engineer, Data Scientist, Unternehmer mit praktischem KI-Interesse
Voraussetzungen: Interesse an KI- und ML-Themen, Grundlagen- bis fortgeschrittene Kenntnisse in den Bereichen Data Science und/oder Data Engineering
Schwierigkeitsgrad: Fortgeschritten

As the data mesh paradigm takes the industry by storm, the conversation deep dives into the architecture, neglecting the socio-organizational element. Data driven organizations must invest not only in infrastructure but also data organization and culture. 

Target Audience: Executive, senior business managers
Prerequisites: None
Level: Basic

Die EDEKA Gruppe ist der größte Lebensmitteleinzelhändler in Deutschland. Täglich fallen Millionen Daten zu Kassiervorgängen, Artikeln und Händlern an. Damit diese auch zukunftssicher verarbeitet werden können, wird auf die zukunftsorientierte Technologie von SAP HANA gesetzt und sich von der bisherigen Datenbank getrennt. SAP bietet mit der InMemory-Technologie und der spaltenbasierten Speicherung einen Vorteil, was Performance und Speicherkapazität angeht. Wir zeigen, wie solch eine Migration im Livebetrieb erfolgreich durchgeführt wurde.

Zielpublikum: Product Managers, DWH-Engineer
Voraussetzungen: Knowledge in ETL and Datawarehouse Environments
Schwierigkeitsgrad: Einsteiger

Machine Learning-Projekte scheitern aus vielfältigsten Gründen: unzureichende Daten, fehlende Zusammenhänge oder überbordende Systemintegrationen. 

Doch die Data Science-Zunft schlägt zurück: Unter dem Slogan MLOps, Machine Learning Operations, versammelt sie Lösungsansätze, um Machine Learning zu produktionalisieren. Dieser Workshop erklärt den Bedarf an MLOps aus der unsicheren Natur von Machine Learning-Projekten, skizziert Blaupausen für End-To-End ML Pipelines und illustriert Best Practices anhand einer Open-Source-Implementierung.

Zielpublikum: ML-Engineers, Head of Analytics, Data Scientists
Voraussetzungen: Erfahrungen in Machine Learning, Python und DevOps
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:
Warum MLOps? Mit dieser Auftaktfrage widmet sich der Workshop der inhärenten Herausforderungen von Machine Learning-Projekten. Diese umfassen insbesondere den Spagat zwischen Experiment und Software-Engineering, der dynamischen Natur des Prädiktionskontexts (Data - und Concept Drift) oder Vertrauensanforderungen der beteiligten Stakeholder. Die Referenten lassen in diese Diskussion sowohl konzeptionelle Überlegungen als auch praktische Projekterfahrungen einfließen.  

Als Antwort auf diese Herausforderungen wird ein Katalog von Anforderungen abgeleitet, die ML-Systeme erfüllen sollten, um eine erfolgreiche Produktionalisierung zu gewährleisten. Dieser Anforderungskatalog umfasst unter anderem Model Registries, Feature Stores, Monitoring, Encapsulation von Systemkomponenten oder Separierung und Provisionierung von Train- und Test-Umgebungen.  

Der entwickelte Anforderungskatalog dient im nächsten Seminarteil als Grundlage für die Beschreibung und den Vergleich von gängigen Software-Lösungen und -Architekturen. Die Präsentation umfasst hierbei zumindest ML-SageMaker, Azure-ML und Open-Source-Plattformen wie Kubeflow und Mlflow.  

In dem folgenden interaktiven Teil des Seminars entwickeln die Teilnehmer gemeinsam eine Open-Source-MVP-Lösung auf Basis eines zur Verfügung gestellten Code-Repositories. Die vorgestellte Lösung dient primär der Vertiefung der Seminarinhalte und kann zudem als Ausgangspunkt für eigene MLOps-Initiativen dienen.  

Im letzten Seminarteil wird aus Anforderungskatalog, Architekturskizzen und Code-Experimenten eine Umsetzungsunterstützung für MLOps destilliert, die mögliche Produktionalisierungs-Vorhaben anleiten kann.

In dieser Session erfahren Sie, wie Data Warehousing im Bereich HR Reporting und Analytics beim Versicherungsexperten HDI gewinnbringend eingesetzt wird. Frank Indorf berichtet gemeinsam mit Volker Wietzorek vom Lösungsanbieter Detect Value AG über die Inhalte, die spezifischen Vorteile, den Entwicklungsstand und weitere Ausbaustufen.

There’s so much Data Mesh theory, but most organisations need more strategic guidance on how to implement it. Join this session to guide you learn how to cultivate a Data Mesh mindset when transforming from a data & analytics strategy towards a data-driven organisation.

This activity is suitable for data warehouse developers, BI managers, and data architects who want to take the fastest, safest, most secure path to create, manage and adapt Data Warehouses, Data Marts, Data Vaults, and Data Lakes. 

Attendees will enjoy a  fast-paced, interactive workshop using WhereScape's automated code generator and best-practice templates to build a fully functional and documented data warehouse. 

You will be set up with your own instance of WhereScape and a target database via a virtual machine and then guided through real-world development scenarios as if you were part of a professional data engineering team. This is an excellent opportunity to learn about the latest data automation technologies and how they can help you streamline your data architecture.

Lernen Sie die Marktforschung der Enterprise Management Associates (EMA) näher kennen, die den erhöhten Bedarf an schnellem und sicherem Datenzugriff zusammen mit einem Schritt hin zu einer dezentralen Datenarchitektur aufzeigt. Diese Studie ist gemeinsam von Red Hat und Starburst in Auftrag gegeben und deckt neue Trends und wertvolle Erkenntnisse auf, die jedem Leiter für Daten und Analytik wichtig sein sollten.

Die Studie fasst die aktuelle Datenlandschaft von der großen Datenstreuung bis zu den Auswirkungen der Pandemie und vom Dilemma der Datenpipeline bis zum Umzug in die Cloud zusammen. Es werden auch Vorhersagen über die Zukunft gemacht.

Get closer to the market research conducted by Enterprise Management Associates (EMA) that highlights the increased need for fast and secure data access along with a move towards decentralized data architecture. Jointly commissioned by Red Hat and Starburst, this study uncovers emerging trends and valuable insights that every data and analytics leader should care about.

From the great data dispersion to the impact of the pandemic and from the data pipeline dilemma to the move to the cloud, the study encapsulates the current data landscape. It also makes predictions about the future.

Geberit implementiert HANA Cloud basiertes Reporting zur Ablösung einer existierenden Lösung: Dazu gehört, disruptiver technologischer Change vom individuellen Reporting zum gruppenweiten Standard, Reduktion von Support Aufwänden und Zukunftssicherheit durch Verwendung von State-of-the-Art Cloud-Technologien.

Die HUK-COBURG agiert seit über 8 Jahren nach einer BI-Strategie. Die BI-Strategie und die zugrunde liegenden Datenarchitekturen wurden und werden fortlaufend angepasst. In diesem Track werden Weiterentwicklungen und Trends der Datenarchitekturen bei der HUK-COBURG vorgestellt.

Zielpublikum: Data Architects, Data Engineer, Data Scientist, Project Leader
Voraussetzungen: Grundkenntnisse Business Intelligence und Datenarchitekturen
Schwierigkeitsgrad: Einsteiger

Im Zuge einer Neuausrichtung der Analytics-Infrastruktur plant die GVV die Einführung eines neuen DWHs, das eine Gesamtsicht für Reporting und Analyse ermöglicht. Ziel des Projektes war die Anwendung innovativer Methoden, welche das Data Analytics-Zielbild zukunftsfähig macht, die Anforderungen in hohem Maße flexibel umsetzt und von geringer Fehleranfälligkeit gekennzeichnet ist. Diese Ziele werden durch den Einsatz einer Cloud-DB unter Nutzung einer Generierungs-SW für DataVault-Modellierung und moderner BI-Tools in hohem Maße erfüllt.

Zielpublikum: BI-Manager, Data-Analysten, Cloud-Architekten
Voraussetzungen: Versicherungs- und BI-Architektur-Grundverständnis
Schwierigkeitsgrad: Fortgeschritten

Einen exzellenten Umgang mit Daten zu kultivieren und damit nachhaltige Datenkompetenz im Unternehmen zu verankern, sind entscheidende Enabler, um den digitalen Wandel zum modernen Fintech-Unternehmen zu meistern. Mit der Ausbildungsoffensive „Informations- und Datenmanagement” hat die RLB OÖ 2019 einen Trainings-Piloten gestartet, der sich zu einem etablierten Schulungsprogramm für die gesamte Organisation entwickelt hat. Wie man ein solches Programm samt praxisnahem Lehrplan aufbaut, erzählt die Data Governance Spezialistin Iris Thallinger.

Zielpublikum: Project Manager, Data Governance Manager, Data Passionist, CDO, CIO
Voraussetzungen: Basic knowledge
Schwierigkeitsgrad: Einsteiger

Auch für die SIGNA, einen der weltweit größten Immobilienentwickler, ist datengetriebene Unternehmenssteuerung ein entscheidender Erfolgsfaktor. Zur Implementierung des DWH wurde ein fachlicher Ansatz gewählt: Geschäftsfunktionen und -objekte werden im Fachdatenmodell abgebildet und direkt als Data Vault-Modell realisiert. So kann die Time-to-market deutlich reduziert, sowie Wartbarkeit und Transparenz markant gesteigert werden. Vor allem: Die Datennutzer verstehen die Daten und können deren fachliche und technische Lineage nachvollziehen.

Zielpublikum: Data Governance-Verantwortliche, Data Scientists, CDO
Voraussetzungen: Experience, Senior Level
Schwierigkeitsgrad: Fortgeschritten

Viele Unternehmen investierten in der Vergangenheit in klassische DWH-Architekturen. Seit einigen Jahren geraten diese durch stark geänderte Anforderung wie Analyseunterstützung durch künstliche Intelligenz oder echtzeitnahe Reports immer stärker unter Druck. 

In diesem Vortrag zeigen wir anhand eines Praxisbeispiels zwei Lösungswege (Managed Cloud Services und OSS-Plattformen) und wie durch eine Kombination von beiden den immer weiter steigenden Anforderungen optimal begegnet werden kann.

Zielpublikum: Geschäftsführer, BI-Analysten, IT-Verantwortliche
Voraussetzungen: Basic knowledge
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Zahlreiche Unternehmen haben seit über 30 Jahren in eigene Data Warehouse und ETL-Infrastrukturen investiert und geraten in den letzten Jahren immer stärker unter Druck, diese Lösungen an die sich schnell ändernden Anforderungen des Marktes und der Anwender anzupassen. Steigende Kosten für Hardware, Infrastruktur, Administration und Entwicklung sind die Folge. Dennoch kann häufig keine zufriedenstellende Lösung erreicht werden.   

Analyse durch Künstliche Intelligenz, automatisierte Self-Services und echtzeitnahe Reports sind immer gängiger werdende Anforderungen, die damit nicht erfüllt werden können. Zudem sprengen die Anforderungen selbstlernender KI-Systeme oft die Grenzen vorhandener Infrastruktur im eigenen Rechenzentrum. 

Wir zeigen in diesem Vortrag anhand eines Praxisbeispiels zwei Lösungswege für die oben genannten Herausforderungen: Die Nutzung der Managed Cloud Services von Microsoft Azure und einer Kubernetes-basierten Anwendungs- und Datenplattform. Beide Konzepte haben individuelle Stärken und Schwächen, auf die wir näher eingehen werden. Dabei betrachten wir auch die Möglichkeiten einer schrittweisen Migration und gehen kurz auf Aspekte der Data Governance und der IT-Sicherheit ein. Abschließend zeigen wir, wie eine Kombination der beiden Ansätze zu einer individuell optimierten Lösung für unterschiedlichste Anforderungen führen kann.  

Die vorgestellte Lösung bietet: 

• Flexibilität 
• Kosteneffizienz 
• Zukunftssicherheit 
• Optimale Nutzererfahrung für Kunden und Mitarbeiter

Höher, schneller, weiter scheint immer noch das Grundprinzip der Data & Analytics Community zu sein.

In Zeiten von Informations- und Kommunikationsüberfluss stellt sich die Frage, ob mit mehr Daten der Mehrwert in gleichem Maß steigt. 

Der Vortrag möchte aufzeigen, warum wir umdenken sollten. Relevanz steht vor Menge - es geht nicht um die Menge der verarbeiteten Daten, sondern um die Menge der sinnvoll genutzten Daten.

Es wird aufgezeigt, wie Anwender gezielter unterstützt und Prozesse automatisiert werden können.

Zielpublikum: Business Users, Head of BICC, CIO
Voraussetzungen: None
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:
Höher, schneller, weiter scheint immer noch das Grundprinzip der Data & Analytics Community zu sein. Mit immer besseren Technologien, die auf der Grundlage von Cloud-Services immer einfacher zugreifbar werden, werden immer mehr Daten, immer schneller und immer intelligenter verarbeitet.

In Zeiten von Informations- und Kommunikationsüberfluss stellt sich die Frage, ob mit mehr Daten der Mehrwert in gleichem Maß steigt. Werden wirklich mehr Use-Cases zu Business-Cases oder an welcher Stelle wird getrieben durch Daten das Geschäftsmodell verbessert.

Der Vortrag möchte aufzeigen, warum wir umdenken sollten. Relevanz steht vor Menge - es geht nicht um die Menge der verarbeiteten Daten, sondern um die Menge der sinnvoll genutzten Daten.
Zunächst wird aufgezeigt, warum das Problem nicht erst mit Big Data aufgekommen ist, sondern vielmehr schon ein Dauerbrenner bei der Analyse von Daten ist.
Im Weiteren wird dargestellt, wie Anwender besser dabei unterstützt werden können, Informationen einfacher und gezielter zu verarbeiten. Dabei wird die Bedeutung von Data Governance oder auch aktuellen Trendthemen wie Data Democracy oder Data Literacy näher beleuchtet.

Weil es sich um einen zentralen Punkt bei vielen Digitalisierungsprojekten handelt, geht es abschließend darum, sich mit dem Potenzial der Automatisierung von Entscheidungen und damit von Prozessen auf der Grundlage von Daten auseinanderzusetzen. 

In diesem Vortrag werden die Teilnehmer 

• die drei wesentlichen Säulen einer guten Geschäftsentscheidung kennenlernen
• erfahren, wie sie diese am Beispiel kundenzentrierter Prozesse anwenden können
• ein Framework zur nachhaltigen Etablierung auf Basis des SAP-Lösungsportfolios kennenlernen.

Zielpublikum: Entscheidungsträger, an Customer Experience interessierte Teilnehmer
Voraussetzungen: keine
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Intelligente Unternehmen zeichnen sich durch gute Geschäftsentscheidungen aus. Diese Entscheidungen basieren auf Daten, entstehen in konkreten Prozessen und haben Auswirkungen auf die Geschäftsentwicklung. 
Am Beispiel der kundenzentrierten Prozesse (Vertrieb, Service, Marketing, eCommerce) und deren Abbildung im SAP Customer Experience Portfolio werden diese Komponenten insbesondere im Hinblick auf das Zusammenspiel mit den beteiligten Personas dargestellt.

Wir geben einen Überblick über die beteiligten Produkte und zeigen, wie die konsequente Einbeziehung von Personas Geschäftsentscheidungen optimiert.

The real magic of AI lays in well managed data to build and train the underlying models. Accordingly, streamlined data management process are essential for success in AI. In this session we are going to discuss data management for AI and ask questions like 'What is data management for AI?', 'Are there difference to well-known approaches from BI & Analytics' and 'Do we need special AI data engineers?'.
TDWI Community Talk is an open format to discuss current topics in the area of data analytics within the TDWI community.

Target Audience: All data entheusiasts
Prerequisites: No prerequisites
Level: Basic

Extended Abstract:
The area of artificial intelligence is currently trending and transforms BIA landscapes in many organizations. There are many new initiatives and promises, however, to build all these fancy applications a well-thought data management is necessary. Nevertheless, the discussion of AI often focuses various models and cool programming languages and the underlying data engineering is often neglected. This is why this session focuses data management for AI and discusses approaches and best practices with the TDWI community.

The goal of this session is:

1. Give the audience an overview what 'Data Management for AI' means and what basic terms are.
2. Discuss current best practices and challenges with experts and the audience.
3. Reflect different views on differences between processes in AI and BI, the role of a data engineer, software tools and many more.

The 'TDWI Data Schnack' is an interactive format that wants to engange the discussion in the TDWI community. It provides a plattform that highlights different aspects of a current topic and inspires discussions between experts and other community members. Therefore, the course of a Data Schnack session contains a short introduction talk that introduces a basic understanding of the topic. Followed by a panel discussion with experts from different fields. Lastly, an open discussion integrates the audience to share knowledge between all participants.

• Welche Organisationsstruktur und welche Prozesse machen Sinn?
• Was kann man abseits der (alt-)bekannten Strukturen und Prozesse ansetzen, um nachhaltig fruchtbaren Boden für Datenqualität und Integrationsstrukturen zu schaffen?
• Was funktioniert aus Sicht von MediFox im „wahren“ Leben, und was nicht?
• Welche Verantwortlichkeiten und Prozesse organisiert man besser zentral und welche besser dezentral?

Schwierigkeitsgrad: Einsteiger

Das IoT erzeugt eine unermessliche Flut an Daten. Einzelne Datenpunkte sind einfach zu handhaben. Doch die Menge und Vielfalt der Daten sowie die Geschwindigkeit der Entstehung sorgen für eine hohe Komplexität. 
In der Session werden verschiedene Aspekte des Datenmanagements von Sensordaten vorgestellt wie Speicherung, Verarbeitung, Architektur, u.a.

Zielpublikum: Data Engineer, Data Architect
Voraussetzungen: Basic Knowledge
Schwierigkeitsgrad: Einsteiger

Forecasting events using time series analysis is used in a variety of fields, from stock prices and sales forecasts to weather forecasts and patient disease progression. However, time series analysis is fundamentally different from other machine learning (ML) methods. In this hands-on workshop, we will use freely available data to look at the entire life cycle of such an ML project, from data, to model training, to use of the trained model, to MLOps and model drift.

Maximum Number of Participants: 16
A laptop with the latest version of Google Chrome is required for participation.

Target Audience: Data Engineer, Data Scientist, Citizen Data Scientist, Business Analysts, Data Analysts, business users, curious people
Prerequisites: Basic knowledge of time series problems (demand forecast etc.) as well as machine learning (training and scoring), 
Level: Basic

Erfahren Sie alles über moderne Datenarchitekturen von Peter Baumann. Peter Baumann ist Principal Consultant im Bereich Data & Analytics bei INFOMOTION und unterstützt seine Kunden, Konzepte und Vorgehensweisen zu entwickeln, um Technologien zur Nutzung von Daten wertschöpfend einzusetzen.

In diesem praktischen und interaktiven Workshop erfahren Sie, wie Starburst als zentraler Zugriffspunkt fungiert, der eine Verbindung zu jeder Datenquelle herstellt – egal ob On-Premise, in der Cloud oder in einer hybriden Cloud. Starburst ermöglicht es Ihrem Team, die Analyse-Tools zu nutzen, die es bereits kennt und liebt, und gleichzeitig auf alle Daten überall zuzugreifen.

In this hands-on and interactive workshop you’ll see how Starburst acts as a single point of access connecting to any source of data – whether it’s located on-premise, in the cloud, or across a hybrid cloud environment – Starburst lets your team use the analytics tools they already know & love while accessing data that lives anywhere.

Attendees from Part 1 will continue their data automation experience. By the end of this session, you will have built a Data Warehouse and understand the wider value of this approach to Data Vaults, Data Marts, and Data Lakes. 

The secrets to accelerating data projects and delivering in hours, not weeks or months, will have been revealed! You will know how to eliminate technology lock-in and future-proof your data architecture.

SAP stellt die SAP Data Warehouse Cloud, SAP BW Bridge vor und erläutert Anwendungsmöglichkeiten und Einsatzszenarien. Weiterhin zeigen wir auf, welche Optionen für SAP BW Kunden bestehen, in die Cloud (public und private) zu wechseln und welche Möglichkeiten die SAP anbietet, bestehende BW basierte Datenflüsse in die public Cloud nach SAP Data Warehouse Cloud zu überführen.

Are you considering Data Vault but are not sure if it is a match for your needs? Are you about to embark on your first project? Do you want to discuss real-world applications? Are you keen to understand how to maximize your investment and see results fast?

This is an “ask the expert” session where you can question Data Vault practitioners, specialists, and automation technologists as we cover all of the above topics and more!

Ziel dieses Projektes war es, die Frühwarn-Indikatoren im Bereich Risikomanagement zu erweitern. Es wurden öffentlich zugängliche Daten (Genisis, Gerda, Eurostat etc.) innerhalb einer Cloud-Infrastruktur bereitgestellt. Für die Identifikation und Extraktion relevanter Zeitreihen wurde ein, über eine API zugänglicher, kognitiver Service zur multivariaten Anomalie-Erkennung verwendet. Die Ergebnisse wurden zur Anreicherung der Datengrundlage von 'Point-in-Time'-Berechnungen für die Ausfallrate von Krediten und weitere Analysen eingesetzt.

Zielpublikum: Project Leads, Decision Maker, Fachangestellte im Risikomanagement, Riskmanager, Risiko-Manager, Risk Controller, Data Analyst, Data Scientist, Data Engineer, Cloud Specialists, IT-Architekten, Kredit-Ausfall-Spezialist, PD/LGD
Voraussetzungen: Basic Knowledge in Risikomanagement
Schwierigkeitsgrad: Einsteiger

Die Vision der Wiener Linien ist der datengetriebene Ansatz, um mit qualitativ-hochwertigen Daten die richtigen Lösungen zu finden und Entscheidungen gewinnbringend zu nutzen. Das Wissen über und das Vertrauen in die Daten ist der Schlüssel zum Erfolg. Das Instrument eines durchgängigen Metadatenmanagements - von der fachlichen Definition bis hin zu Datennutzungen - ermöglicht eine datenzentrierte Sichtweise, beschleunigt die Digitale Transformation und die gesamte Wertschöpfungskette profitiert nachhaltig.

Zielpublikum: Data Governance-Verantwortliche, Data Scientists, CDO
Voraussetzungen: Experience, Senior Level
Schwierigkeitsgrad: Fortgeschritten

2016 startete die Stadt Wien das Thema Data Excellence - wie sehen nun im Jahr 2022 die Use-Cases im täglichen Leben dieser komplexen Organisation aus? Die Stadt Wien hat nicht nur fachliche Metadaten als Basis für ihr Wissensmanagement und Data Warehouse etabliert, sondern bringt durch den Einsatz von fachlichen und technischen Metadaten ihre gesamte Geodaten-Landschaft und auch alle Open Data unter Governance. Dadurch werden die wertvollen Daten der Stadt Wien sowohl für alle internen als auch für die externen Datenkonsument:innen nutzbar.

Zielpublikum: Data Governance-Verantwortliche, Data Scientists, CDO
Voraussetzungen: Experience, Senior Level
Schwierigkeitsgrad: Fortgeschritten

Analytics-Lösungen wie Maschinelles Lernen, Künstliche Intelligenz und Hochleistungs-Computing bieten neue Ansätze für Sports Analytics und somit für Innovationen im Sport, Sport-Management sowie der Sportvermarktung. Nationalmannschaften, Ligen, Sendeanstalten und Vermarktungsagenturen nutzen diese Technologien schon heute. Sports Analytics hilft, Spieler effektiver zu trainieren, den Fans individuelle Statistiken und Bildinhalte zur Verfügung zu stellen, vorhandene Fan-Kontakte zu monetarisieren und vieles mehr.

Zielpublikum: BI Manager, Data Scientist, Sport Marketing,
Voraussetzungen: Interesse an cloudbasierten Analytics-Referenzarchitekturen
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Im Vortrag wird am Beispiel eines Fußballinformationssystems vorgestellt, wie die areto as a Service Architektur (areto Platform) Unternehmen eine 'Out of the box Architektur' als Service anbietet, die auf die branchen- und unternehmensspezifischen Anforderungen ausgerichtet ist (Architecture as a Service). Die Architektur besteht aus Infrastrukturmodulen, die technologische Anforderungen im Unternehmen bedienen, wie z.B. das Aufsetzen von Data Warehouses und Integration mit Data Lakes und Data Pipelines (Datenverarbeitungsstrecken). Die Plattform bietet eine stabile und skalierbare zentrale Infrastruktur, die alle Abteilungen eines Unternehmens an zentraler Stelle bedienen kann. In der Architektur etabliert areto ausschließlich marktführende Cloud-Technologien von Vorreitern, wie AWS und Microsoft. Die areto Platform vereint Daten aus Branchen-relevanten Datenquellen und stellt diese für unternehmensspezifische Analyse den Fachabteilungen zur Verfügung (Data as a Service). Das optimale BI Tool wird hierfür bereits auf Wunsch bereitgestellt. Darüber hinaus bietet areto eine Vielzahl an vorkonfigurierten Dashboards und Reports, die auf fachliche Fragestellungen einzelner Branchen Antwort geben (Information as a Service). Der Data Platform Service von areto versetzt Unternehmen in die Lage, schnell und flexibel auf Marktanforderungen zu reagieren und ihren Konkurrenten immer einen Schritt voraus zu sein.

Machine learning and AI have changed the world of data processing and automation at a breathtaking pace, at the cost of turning algorithms into hard-to-control and monitor black boxes.
We present methods and concepts of explainable AI that aim to open the black box and tame these algorithms.

Target Audience: Decision-Makers/Stake Holders in AI & model development, Data Scientists
Prerequisites: general awareness of modeling pipeline and challenges, no coding/math skill required
Level: Basic

Natural Language Processing (NLP) allows us to deeply understand and derive insights from language, ultimately leading to more automated processes, lower costs, and data-driven business decisions. 
Google is recognized as a market leader in AI and has built a range of solutions incorporating NLP to address a myriad of business challenges. This talk will introduce a few possible solutions, as well as some business use cases on how to incorporate them in a variety of industries.

Target Audience: Middle and upper-level management, Business users with AI/machine learning challenges, BI/Data professionals
Prerequisites: Basic knowledge of machine learning and cloud technology, interest in NLP
Level: Intermediate

Porsche hat in den vergangenen Jahren ein DWH mit konsolidierten Fertigungsdaten on premises aufgebaut. Entsprechend der Cloud-Strategie werden nun sukzessive Lösungen in die Cloud migriert. Dieser Cloud-Move der DWH-Lösung ist aber nicht nur ein trivialer Wechsel von on prem in die Cloud. Neben der Datenplattform betrifft dieser Wechsel natürlich auch die Datenflüsse. Dank des eingesetzten Metadata-Driven Ansatzes ist die Migration aber kein Hexenwerk. Im Vortrag werden die Migrationsschritte aufgezeigt und erläutert.

Zielpublikum: Data Engineer, Project leader, decision makers, ...
Voraussetzungen: Basic knowledge, experience in data warehousing and cloud technologies
Schwierigkeitsgrad: Einsteiger

Drinks, nibbles, competitions

Im Leben des Unterwasserfotografen und Terra X Moderators Uli Kunz bedeutet ein Büro-Tag, dass er von winzigen Booten ins bodenlose Blau des Meeres springt, von Haien umringt oder von Robben angeknabbert wird, mit 150 Kilogramm Ausrüstung durch wassergefüllte Höhlen schwimmt, gefährliche Geisternetze aus dem Wasser zieht oder singenden Walen in der Arktis lauscht.
Der Meeresbiologe nimmt regelmäßig an abenteuerlichen Forschungsexpeditionen teil, von denen er faszinierende Unterwasserfotos mit nach Hause bringt. Für die aufwendigen Arbeiten in der Tiefe gelten die gleichen Prinzipien wie an Land: Projekte müssen genau geplant und effizient durchgeführt werden, die Mitglieder des Teams müssen motiviert miteinander kommunizieren und der Umgang mit riskanten Situationen muss mehrfach trainiert werden. Selbstüberschätzung führt bei der Bedienung einer Kaffeemaschine meist nur zu unschönen Flecken und schlechtem Geschmack. Beim Tauchen stellt sie ein tödliches Risiko dar.
In seiner Show berichtet Uli Kunz von denkwürdigen Begegnungen mit den faszinierenden Lebewesen der Ozeane, von gewaltigen Unterwasserwäldern, neugierigen Robben und riesigen Buckelwalen, von denen er fast verschluckt wurde. Da er die Begegnung heil überstanden hat, kann er nun auch davon erzählen...
Uli möchte mit seinen Erzählungen und Bildern den Schutz der Ozeane vorantreiben, den größten Lebensraum auf der Erde, dessen Geheimnisse wir gerade erst zu verstehen beginnen.