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: Einsteiger

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

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: Einsteiger

Extended Abstract:
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.

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)

Got great ML, analytics, and engineering talent, but need to increase the adoption of the ML and analytics solutions your team produces? Wondering how to design decision support applications and data products that actually get used and generate business value?  If you're tired of making 'technically right, effectively wrong' data products that don't get used, this session will help! 

Before you can generate business value, your data product first has to be used and adopted. That success boils down in part to the UX you afford users. After all, the UX is the perceived reality of your data product. However, the skills for designing a great UI/UX are different than those required to do the technical side of analytics, AI/ML, and engineering. Users don't want your data outputs; they want clear answers and actionable decision support—and that’s what we’ll learn how to do together. 

The workshop is a reduction of my full 8 week training seminar. In the ½ day workshop, we will focus on learning 3 main skills via a mixture of lecture, peer discussion, and active exercises/participation. You will learn:

• How to measure your data product’s utility and usability so that everyone on the team has a shared understanding of what a “good UX” is and how it will lead to business value 
• How to use 1x1 interview research to uncover hidden stakeholder and user needs before it’s too late (and your solution can’t be easily changed)
• How to use low-fidelity prototyping and sketching as a means to get aligned with your users and stakeholders and avoid building an incorrect “requirements-driven” solution 

MAXIMUM ATTENDEES: 48

MATERIALS YOU WILL NEED:

• A laptop is required for participation
• Willingness to participate in activities that require pair learning
• Willingness to be open and share with your table and the room when called upon to contribute
• For best results, you should have some sort of strategic decision support application, data tool, or data product in mind to which you hope this training can be applied when you return to work. Design is best learned through doing, and having a real project to apply it to will accelerate that learning. 

Target Audience: Directors, VPs, and principal data product leaders building custom enterprise data products and decision support applications for which adoption is critical to success and the generation of business value. Participants often come from ML and software engineering, analytics, and data science domains, yet also have a responsibility to ensure solutions are useful, usable, and valuable to the business. The training will not help you if you're interested in only working alone on implementation, coding, statistics, modeling and making outputs without any regard for whether they serve the audience they are intended to help.

Prerequisites: You're ready to approach your data work differently, with a human-first, data-second approach. You don't think that the reason that data tools/apps/dashboards go unused is because the users aren't 'smart enough' to understand them. You believe it's more interesting, fun, and valuable to produce data products that actually get used, produce value, and change people's lives. You're curious and open to non-analytical approaches to problem solving.

Level: Expert (you can be a design novice but should be a leader in your core field)

Extended Abstract:

Want to increase the adoption of your enterprise data products? 

It's simple: your team's AI/ML applications, dashboards, and other data products will be meaningless if the humans in the loop cannot or will not use them.

Yes, they may have asked your team for those ML models or dashboards.  

Unfortunately, giving stakeholders what they asked for doesn't always result in meaningful engagement with AI and analytics -- and data products cannot produce value until the first hurdle is crossed: engagement.  

Until users actually use, trust, and believe your ML and analytics solutions, they won't produce value.  

'Just give me the CSV/excel export.' How many times have you heard that -- even after you thought your team gave them the exact ML model, dashboard, or application they asked for?
No customers want a technically right, effectively wrong data product from your team, but this is what many data science and analytics teams are routinely producing -- because the focus is on producing outputs instead of outcomes. The thing is, the technical outputs are often only about 30% of the solution; the other 70% of the work is what is incorrectly framed as 'change management' or 'operationalization' -- and it all presumes that the real end-user needs have actually been surfaced up front.  

If you want to move your team from 'cost center' to 'innovation partner,' your team will need to adopt a mindset that is relentlessly customer-centered and measures its success based on delivering outcomes. However, this is a different game: it's a human game where ML/AI and analytics is behind the scenes and customers' pains, problems, jobs to be done, and tasks are at the forefront. Enter human-centered design and data product management: the other skills that modern data science and analytics teams will need if they want to become indispensable technology partners to their business counterparts.  

This talk is for data product leaders who have talented technical teams, but struggle to regularly deliver innovative, usable, useful data products that their customers find indispensable.  
You've heard for 20 years how Gartner and other research studies continue to predict limited value creation from enterprise data science and analytics engagements, with 80% of projects on average failing to deliver value.  

MIT Sloan/BCG's 2020 AI research shows that companies who are designing human-centered ML/AI experiences that enable co-learning between technology and people are realizing significant financial benefits. 
 
Leaders aren't repeating yesterday.  

If your data science and analytics requires human interaction before it can deliver any business value, you won't want to miss this session with Brian T. O'Neill -- the host of the Experiencing Data podcast and founder of Designing for Analytics. 

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

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: Einsteiger

Extended Abstract:
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.

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)

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 www.anaconda.com/products/individual, um 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: Einsteiger

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

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: Einsteiger

Extended Abstract:
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.

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.)

Agile ist doch gleichbedeutend mit Chaos und Planlosigkeit - wie soll mir das bitte bei meinem Business Intelligence-Vorhaben weiterhelfen?' Es ist ein gängiger Irrglaube, dass Agile gleichbedeutend ist mit schlechter oder keiner Planung. Wir laden dich deshalb ein zu einem interaktiven Stadtrundgang durch „Agile BI City”: Du erfährst, was du für dein agil durchgeführtes BI-Projekt beachten musst. Du lernst mittels praktischer Aufgaben, wie du frühzeitig und kontinuierlich Mehrwerte für deine Auftraggeber lieferst. Abwechslung ist garantiert! 

Maximale Teilnehmerzahl: 45

Zielpublikum: Projektleiter, Product Owner, Scrum Master, BICC-Leiter 
Voraussetzungen: Grundverständnis der Begriffe BI und DWH 
Schwierigkeitsgrad: Einsteiger 

Extended Abstract: 
Du stehst vor deinem ersten Business Intelligence (BI)- oder Data Warehousing (DWH)-Projekt, welches du agil abwickeln möchtest? Oder aber du steckst bereits mitten drin und irgendwie will das mit der Agilität im BI-Kontext nicht so richtig klappen? Dann ist diese Stadtführung durch Agile BI City genau richtig für dich.  

Agilität kann man nicht „machen”. Gesteigerte Agilität - z.B. im Kontext von BI und DWH-Systementwicklung - ist viel mehr das abstrakte Fernziel einer Reise, sowohl für dich als auch deine Organisation. Als Reiseleiter nehmen wir dich in diesem interaktiven Workshop mit und führen dich einmal quer durch „Agile BI City”. Dabei spielt unser GPS für Agile BI, kurz GABI, eine zentrale Rolle: In Form von mehr als 30 Stationen, aufgeteilt in acht Stadtteile, bekommst du eine praktische Orientierungshilfe an die Hand, damit du dich - wieder zurück in deiner eigenen Organisation - auf deiner eigenen Agile-BI-Reise orientieren kannst. 

Wir starten unseren Rundgang in Inception-Beach. Hier schauen wir uns an, welches konkrete Ziel erreicht werden soll. In einer praktischen Übung wählst du dir deine Favoriten unter den agilen Prinzipien aus. Das agile „Mindset” mag ein guter Leitstern sein, bleibt in der Regel aber zu wenig konkret. Deswegen machen wir einen kurzen Abstecher in die Vision-Hills, wo wir uns über die Rolle einer BI-Strategie unterhalten. Anschließend geht's weiter nach Westside-Requirements, wo das Erheben von Anforderungen im agilen Kontext und zeitgemäße Planungsaktivitäten aufeinandertreffen. In Kleingruppen erarbeitet ihr dabei einen Scopebreakdown für ein fiktives BI-Projekt und schreibt erste User-Storys. 

Nach einer kurzen Verschnaufpause fahren wir mit unserem Stadtrundgang weiter in Central-Technology. Dabei stehen die technologischen Grundlagen für Agile BI wie z.B. DWH- und Testautomation im Mittelpunkt. Gemeinsam besuchen wir ausgewählte Anbieter in der Messehalle. 

Es folgt ein kurzer Abstecher nach South-Contracting, wo wir die Frage erörtern, wie sich ein agiles Vorgehen und Verträge sinnvoll zusammenbringen lassen. In Downtown-Patterns erfahren wir mehr über die Wichtigkeit von Design Patterns und Standards als Grundlage für ein agiles Vorgehen. Weiter geht's in Uptown-Process, wo wir verschiedene agile Prozesse wie z.B. Scrum besichtigen und uns in Gruppen überlegen, wie sich diese im Kontext von Agile BI bewähren.

Als Abschluss unserer dreistündigen Entdeckungstour hast du die Möglichkeit, dir Gedanken zu deiner eigenen Reise in Richtung Agile BI zu machen. Wenn du den Agile BI City-Stadtplan auf deine eigene Organisation anwendest: Wo steht ihr gerade? Welche Stadtteile kennt ihr schon gut, welche sind noch erkundungswürdig? Wo hast du konkrete Fragen? Deine Reiseleiter stehen dir dabei für Rückfragen und Auskünfte gerne zur Verfügung. 

Am Ende des Workshops hast du nicht nur eine Landkarte in der Hand, welche dir einen Überblick der möglichen Wegpunkte auf deiner Reise zu mehr Agilität in BI und DWH-Projekten gibt. Du hast auch bereits erste praktische Erfahrungen gesammelt und dir konkrete Schritte für deine weitere Reise überlegt.