Beim Aufbau moderner DWHs kann man sich dem Thema 'Cloud' nur noch schwer entziehen. Echte Cloud-Datenbank wie z.B. Snowflake weisen den Weg konsequent in Richtung einer skalierbaren Datenplattform. Aufseiten der ETL-Werkzeuge kristallisiert sich mit Matillion ein herausragendes Werkzeug für Cloud DWH heraus. Mithilfe eines intelligenten Frameworks und einer agilen Vorgehensweise zeigt dieser Vortrag, wie Unternehmen die Data Vault-Modellierung mit der Skalierbarkeit der Cloud verbinden können.

Zielpublikum: DWH & BI-Experten, BI-Manager, Data Engineer
Voraussetzungen: DWH Grundwissen
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Moderne DWHs basieren in der Regel auf einer Data Vault-Modellierung. Data Vault zeichnet sich durch eine extreme Flexibilität und Erweiterbarkeit aus, die aber u.a. durch eine Vielzahl an Datenbankobjekten mit entsprechend vielen Referenzen erkauft wird. Eine manuelle Erstellung eines Data Vault-Modells inkl. der Ladroutinen verbietet sich schon vor dem Hintergrund des zu erwartenden Arbeitsaufwandes. Vielmehr noch schreit ein Data Vault-Modell aufgrund der hohen Standardisierung geradezu nach einer Automatisierung oder zumindest automatisierten Generierung.  

Matillion bietet auf den ersten Blick keine Möglichkeit, komplexe Datenmodelle zu erzeugen oder gar ELT-Prozesse zu automatisieren. Matillion bietet aber sehr wohl das technische Grundgerüst, um eine Automatisierung zu entwerfen und auszuführen. Dieser Herausforderung hat sich areto angenommen und einen DV-Generator-Framework entwickelt, das den Aufbau eines Data Vault-basierten DWHs automatisiert und sowohl die Datenmodellierung als auch die Datenbewirtschaftung anhand weniger Metadaten realisiert.  

Der areto DV-Generator basiert auf Matillion Standardoperator und der Fähigkeit Matillions, alle Operatoren mittels Variablen zu dynamisieren. Der Anwender muss lediglich ein paar Metadaten pflegen und die Fragen beantworten, die im Zuge jeder Data Vault-Modellierung gestellt werden. Auf Basis dieser Daten wird dann ein komplettes Data Vault 2.0-Modell generiert und beladen. Dem Entwickler steht somit eine Ergänzung zu Matillion zur Verfügung, die es ermöglicht, innerhalb sehr kurzer Zeit ein komplett standardisiertes und auf Best Practices basierendes DWH zu generieren und sukzessive zu erweitern.

Petrol is Slovenian company that operates in 8 countries in SEE with 5BEUR annual revenue. As traditional publicly-owned company, Petrol has faced necessity for transformation to stay ahead in highly competitive market. Use of BIA was mainly reactive, but in recent years it has transformed into competitive advantage by using cloud technologies and industry specific analytical models and focusing on the content and creating business value. This value is now being leveraged as competitive advantage through proactive use of data and analytics. 

Target Audience: Decision Makers, Data Architects, Project Managers 
Prerequisites: None 
Level: Basic 

Extended Abstract: 
Petrol is Slovenian company that operates in 8 countries in SEE with 5BEUR annual revenue. Main business activity is trading in oil derivatives, gas and other energy products in which Petrol generates more than 80 percent of all sales revenue and it also has a leading market share in the Slovenian market. Petrol also trades with consumer goods and services, with which it generates just under 20 percent of the revenue. Use of BIA was mainly reactive, but in recent years it has transformed into competitive advantage by using cloud technologies and industry specific analytical models and focusing on the content and creating business value. This value is now being leveraged as competitive advantage through proactive use of data and analytics. Presentation will cover main business challenges, explain technology architecture and approach and discuss results after three years of system development and use. 

Zum Management einer Bonus Club Karten Lösung mit mehreren Geschäftspartnern musste binnen kürzester Zeit eine BIA Lösung aufgebaut werden.
Im Vortrag wird gezeigt wie die Anbindung der Geschäftspartner über Cloud und OnPrem Komponenten erfolgt und mittlerweile seit Beginn dieses Projektes 16 individuelle Partner DWH Lösungen inkl. einer Unified DWH Lösung aufgebaut wurden.
Die DWH Lösungen selbst wurden On Prem implementiert. Die Reporting Anbindung der Geschäftspartner inkl. der Data Mart Schicht liegt dann wieder in einer Cloud Umgebung. Im Vortrag wird auf die Herausforderungen und Lösungsansätze im Zuge der Umsetzung dieser komplexen hybriden Architektur eingegangen. 

Data Mesh ist heute DER Trend im Datenmanagement. Es wendet Microservice-Architekturansätze auf jede Art von Datenverarbeitung an und betrifft so auch Data Warehouses oder Data Lakes. 

Publikationen erschöpfen sich heute oft noch in der Betrachtung der - sicherlich wichtigen - kulturellen und organisatorischen Auswirkungen. 

Wir zeigen zudem auch live anhand eines konkreten Beispiels, wie Data Engineering, Data Governance, Data Warehousing etc. davon beeinflusst wird, wie eine konkrete Lösung aussehen kann und welche Hürden dabei zu nehmen sind. 

Zielpublikum: Digitalization Specialists, Enterprise and Solution Architects, Data Engineers, Data Scientists, Project Leaders, Decision Makers 
Voraussetzungen: Basic knowledge  in: Data Management, Data Warehousing, Lösungsarchitekturen 
Schwierigkeitsgrad: Einsteiger 

Extended Abstract: 
Data Mesh ist ein relativ neues Konzept, das sich seit 2020 zu einem der am schnellsten wachsenden Trends entwickelt hat. Es erweitert den Paradigmenwechsel, der durch die Microservices-Architekturen eingeleitet wurde, und wendet ihn auf Datenarchitekturen an, die agile und skalierbare Analysen und maschinelles Lernen oder Künstliche Intelligenz ermöglichen - und beeinflusst somit auch das DWH.  

Data Mesh ist keine Technologie, sondern eine Praxis ... eine recht komplexe Praxis. Es ist eine neue Art, Daten, Data Engineering und alle damit verbundenen Prozesse zu betrachten, d. h. Data Governance, Datenqualität, Auditing, Data Warehousing und maschinelles Lernen. Es verändert die Perspektive, wie wir Daten in einem Unternehmen betrachten, völlig: Wir sind es gewohnt, sie von einem technischen Standpunkt aus zu betrachten, also wie man sie verwaltet, speichert, verarbeitet, welches ETL-Tool eingesetzt wird usw. Data Mesh dreht das auf die Geschäftsperspektive und hält dazu an, mit ihnen umzugehen, als wären sie echte Vermögenswerte, oder schlicht: als wären sie ein Produkt.  

Spannend, aber was bedeutet das? Wie genau setze ich einen Data Mesh um und wie unterscheidet es sich von bekannten Ansätzen wie DWH, Data Mart, Data Lake und Data Hub in der Praxis? Ist Data Mesh etwas für mich und mein Unternehmen und wenn ja, warum sollte ich es tun? Wie steht Data Mesh zu operativen Systemen? Lassen sich moderne, streaming- bzw. event-basierte Architekturen mit Data Mesh kombinieren? Wie gehe ich vor, wenn ich Data Mesh im Unternehmen einführen will?   

In unserem Vortrag gehen wir auf diese und weitere Fragen ein.  

Vor allem aber zeigen wir in einer Live-Demo ein End-2-End-Beispiel, welches die konkrete Umsetzung eines Data Mesh in der Praxis zeigt. Die Technologien und Services, auf welchen die Dataprodukte basieren, sind dabei ebenfalls ein Thema. 

Der Einsatz hochauflösender Bildsensoren sowie deren konstante Vernetzung über das Internet der Dinge bildet die Grundlage für viele neue Anwendungsszenarien im Spannungsfeld von Computer Vision Systemen. Beispiele lassen sich unter anderem in der Landwirtschaft, der Fertigung, dem Bereich des autonomen Fahrens oder im Gesundheitswesen finden. Doch wie wirkt sich der Einsatz solcher Systeme auf das Wertangebot von Unternehmen aus? Wann ist die aufwendige und teils kostspielige Implementierung in die Unternehmensprozesse ökonomisch sinnvoll? Diese Fragestellung wurde mittels eines Qualitativen Forschungsansatzes betrachtet und analysiert. Dabei stellte sich die Erhöhung der Qualität, die Reduzierung der Kosten sowie die Effizienzsteigerung, als die meist priorisierten Ziele der befragten Experten heraus.

Die zunehmende Verfügbarkeit orts- und raumbezogener Daten durch mobile und stationäre telemetrische Sensorik, durch Fernerkundung, IoT, Citizen Science u.a.m. führt zum Übergang von Big Data zu Spatial Big Data. Damit einhergehende Nachfrage nach immer echtzeitnäheren und endanwendertauglicheren Auswertungen in Verwaltung und Privatwirtschaft transzendiert die Business Intelligence zur Business & Location Intelligence. Entsprechende Werkzeuge verbinden klassische BI-Funktionalitäten mit Funktionen aus GIS/GDI, Geostatistik, Augmented Analytics und Spatial Data Mining. Dies führt zu neuen Herausforderungen und zu erschwerten Varianten bekannter Fragestellungen für BI-Tools in den Bereichen Nutzerführung und Gebrauchstauglichkeit, Datenmanagement & Data Engineering wie auch Anwendungsfälle zur räumlichen Entscheidungsunterstützung. Im vorgeschlagenen Vortrag möchten wir die Entwicklungsgeschichte der Datenanalyseplattform Disy Cadenza in Richtung eine vollwertigen BI- und LI-Plattform skizzieren und aktuelle wie auch mögliche zukünftige Ideen und Fragestellungen für Weiterentwicklungen und Forschungsvorhaben in den o.g. Themenfeldern diskutieren.

Torsten Ahlemeyer sammelt und löst unzählige Knobeleien rund um das Thema T-SQL. Immer geht es um Aufgaben, die extrem schnell zu erfassen, aber umso schwieriger zu lösen sind. Selbst erfahrene Developer scheitern oft bei der Ansatzsuche. Kennt man die Einfachheit der Lösung und blickt über den Tellerrand hinaus, sind plötzlich viele Herausforderungen des Entwickleralltags keine Hürde mehr. Diese Session ist eine unterhaltsame Lerneinheit in der kreativen Interpretation von Algorithmen - ohne dabei in die mathematische Theorie abzudriften. 

Zielpublikum: Entwickler, Analysten 
Voraussetzungen: Grundkenntnisse in SQL sind nicht zwingend notwendig, helfen aber beim Verständnis der zahleichen praktischen Anwendungen 
Schwierigkeitsgrad: Fortgeschritten 

Extended Abstract: 
Letztes Jahr haben wir hier Sudoku gespielt, sind Achterbahn gefahren, usw. Dieses Jahr wird es noch herausfordernder. Wir lösen u.a. den Zauberwürfel mit reinem T-SQL, bringen dem SQL-Server das Stottern bei und vieles mehr. Alle Aufgaben und Lösungen sind ohne Laptop zu verfolgen. Es geht um die kreative Anwendung von JOINs, Tipps & Tricks mit Rekursionen, die Wahl des 'richtigen' Datenmodells, außergewöhnliche Optimierungsansätze, den Wechsel des Blickwinkels ...