In order to succeed in creating a data driven enterprise it is clear that choosing the right data architecture is now critical. This session explores the evolution of data and analytics architecture and looks at what is needed to shorten time to value and create a data driven enterprise. It looks at the pros and cons of data lake, lakehouse and data mesh architectures and asks: Is there a best approach? Is a lot more than this needed to succeed?

Target Audience: Data architects, CDOs, CAOs, enterprise architects, data scientists, business analysts
Prerequisites: Basic understanding of data architectures used in supporting analytical workloads
Level: Advanced

Extended Abstract:
In many companies today the desire to become data driven goes all the way to the boardroom. The expectation is that as more and more data enters the enterprise, it should be possible to understand and use it to quickly and easily drive business value. In order to succeed in creating a data driven enterprise it is clear that choosing the right data architecture is now critical. However, data and analytics architecture has been evolving over recent years to a point where now there are multiple options. Is it a data lake that is needed? Is it a lakehouse? Or is it a data mesh? Should this be the focus or is it just vendor hype to fuel their own interests?  What are the pros and cons of these options? Is there a best approach? Is a lot more than this needed to succeed? This session explores the evolution of data and analytics architecture and looks at what is needed to shorten time to value and create a data driven enterprise.

• Data and analytics - where are we?
• Data and analytics architecture evolution
• Architecture options and their pros and cons - data lake Vs lakehouse Vs data mesh
• The shift to data fabric, DataOps, and MLOps to industrialise pipeline development and model deployment
• Using a data and analytics marketplace to putting analytics to work across the enterprise

The data lakehouse is the new popular data architecture. In a nutshell, the data lakehouse is a combination of a data warehouse and a data lake. It makes a lot of sense to combine them, because they are sharing the same data and similar logic. This session discusses all aspects of data warehouses and data lakes, including data quality, data governance, auditability, performance, historic data, and data integration, to determine if the data lakehouse is a marketing hype or whether this is really a valuable and realistic new data architecture.

Target Audience: Data architects, enterprise architects, solutions architects, IT architects, data warehouse designers, analysts, chief data officers, technology planners, IT consultants, IT strategists
Prerequisites: General knowledge of databases, data warehousing and BI
Level: Basic

Extended Abstract:
The data lakehouse is the new kid on the block in the world of data architectures. In a nutshell, the data lakehouse is a combination of a data warehouse and a data lake. In other words, this architecture is developed to support a typical data warehouse workload plus a data lake workload. It holds structured, semi-structured and unstructured data. Technically, in a data lake house the data is stored in files that can be accessed by any type of tool and database server. The data is not kept hostage by a specific database server. SQL engines are also able to access that data efficiently for more traditional business intelligence workloads. And data scientists can create their descriptive and prescriptive models directly on the data.  

It makes a lot of sense to combine these two worlds, because they are sharing the same data and they are sharing logic. But is this really possible? Or is this all too good to be true? This session discusses all aspects of data warehouses and data lakes, including data quality, data governance, auditability, performance, immutability, historic data, and data integration, to determine if the data lakehouse is a marketing hype or whether this is really a valuable and realistic new data architecture.

A popular new architecture for offering frictionless access to data is the data fabric. With a data fabric, existing transactional and data delivery systems are wrapped (encapsulated) to make all of them look like one integrated system. A data fabric enables all data consumers to access and manipulate data. Technically, data is accessed and used through services. But data fabrics cannot be bought, they need to be designed and developed. This session discusses key guidelines for designing data fabrics.

Target Audience: Data architects, enterprise architects, solutions architects, IT architects, data warehouse designers, analysts, chief data officers, technology planners, IT consultants, IT strategists
Prerequisites: General knowledge of databases, data warehousing and BI
Level: Advanced

Extended Abstract:
Companies are becoming increasingly dependent on data. Having access to the right data at the right time is essential. This implies that users need frictionless access to all the data, wherever it is stored, in a transactional database, a data warehouse, or a data lake. It does not matter to users where data comes from as long as it meets all their requirements. Users do not want to be hindered by all the data delivery silos. They want one system that gives them access to all the data they need.

The solution to provide frictionless access cannot be data warehouse-like, wherein all the data is copied (again) to one big central database. In this second era of data integration, integration must be achieved without copying. A new solution must be based on a single universal entry point to access all data. Where and how the data is stored, whether it is stored in various databases, must be completely hidden from data users.

A popular new architecture that supports this approach is data fabric. With a data fabric, existing transactional and data delivery systems are wrapped (encapsulated) to make all the independent systems look like one integrated system.  

A data fabric is formed by a software layer that resides on top of all the existing transactional silos and data delivery silos, enabling all data consumers to access and manipulate data. Technically, data is accessed and used through services.  

A real data fabric supports any type of service, whether this is a more transactional or analytical service. And especially the second group of services is complex to develop. Maybe analytical services based on predefined queries are not that complex to develop, but how are such services developed that need to deal with ad-hoc queries?

This session explains the need for data fabrics that support all types of services and discusses key guidelines for designing data fabrics. Technologies are discussed that help with developing such services.

•  What a data fabric is, and why you need one
• How you can architect a service-centric fabric to gain flexibility and agility
• The data management and integration capabilities that are most relevant
•  Where to start your journey to data fabric success
•  What is logical data fabric?

SWICA historically runs a data warehouse built by a centralized team and in parallel, multiple isolated solutions for domain specific analyses, which afford high maintenance and an extensive effort to stay compliant.

Modernizing our analytical environment, we are building a collaborative platform on MS Azure, utilizing the Data Mesh paradigms of data domain and data product.

We aim to deliver a managed data marketplace for all data domains to provide their data products on a modern platform with low maintenance and built-in security & compliance.

Target Audience: Data Analysts, Data Engineers, Project Leaders, Decision Makers
Prerequisites: Basic understanding of the data mesh concept, data warehouse architectures and the challenges of diverse analytical use cases from multiple lines of business
Level: Advanced
 

Durch die steigende Datenmenge und zunehmende technologische Möglichkeiten sind Begriffe wie Data Literacy (Datenkompetenz) in aller Munde. Unternehmen erhoffen sich, aus Daten einen Mehrwert zu generieren, schneller bessere Entscheidungen zu treffen, Prozesse zu optimieren und den Markt besser zu verstehen. Schnell stellt man fest, dass Technologie allein nicht ausreicht. Der richtige Nutzen und das richtige Verständnis der Daten sind heute entscheiden für jede Initiative im Bereich Data & Analytics.

Zielpublikum: Product Owner, Entscheider, CIO, CDO, Human Resource
Voraussetzungen: Grundlegendes Verständnis vom Nutzen von Business Intelligence und analytischem Datenmanagement
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:
Data Literacy kann als die Fähigkeit des Einzelnen verstanden werden, Daten im richtigen Kontext zu interpretieren und für sich nutzbar zu machen. Als Teil einer gelebten Datenkultur erzeugt Data Literacy nicht nur einen Mehrwert der Daten im Unternehmen sondern wird zunehmend zum Erfolgsfaktor für Dateninitiativen und Projekte im Bereich Business Intelligence und Analytics. Der Vortrag vermittelt ein Verständnis über wichtige Punkte, Rollenbilder und eine ganzheitliche Vorgehensweise zur Etablierung von Data Literacy-Initiativen im Unternehmen. Den Teilnehmern werden konkrete Bausteine und Vorgehensweisen an die Hand gegeben, wie Data Literacy im Unternehmen etabliert werden kann um das Wertversprechen von Dateninitiativen zu optimieren.

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. 

Wir beschreiben einen Weg der Digitalisierung und Automatisierung von manuellen Aufgaben in Fachabteilungen zu technisch ausgereiften Lösungen - mit Fokus auf die Zwischenstation Low-Code-Applikation und deren Vorteile für die Anwendungsentwicklung. Wie kann die Nutzung von Low-Code-Entwicklungsmöglichkeiten schnell die Datenqualität in Großprojekten erhöhen, ohne dabei gleichzeitig eine langfristige, stabile Lösung zu vernachlässigen, und welche Voraussetzungen braucht es dafür? 

Zielpublikum: Data Engineers, Projektmanager, Decision Makers, Data Specialists, Project Information Manager 
Voraussetzungen: Erfahrung in Datentransformation 
Schwierigkeitsgrad: Einsteiger 

Extended Abstract: 
Typischerweise führen verschiedene Fachabteilungen in großen Unternehmen regelmäßig die gleichen, wiederkehrenden, datengetriebenen Aufgaben für verschiedene Projekte aus. Oft behelfen sich Nutzer hierbei mit Mehrzweck-Desktop-Applikationen wie z.B. Tabellenkalkulationen. 

In diesem Vortrag zeigen wir eine Möglichkeit, entsprechende Vorgänge zu digitalisieren und Teile zu automatisieren, ohne zu Beginn dieses Weges bereits alle einzelnen Facetten und Anforderungen in den verschiedenen Projekten eines Unternehmens zu kennen. Hierbei spielen Low-Code-Applikationen eine entscheidende Rolle - als Zwischenstationen auf dem Weg zu einer ausgereiften, aber auch aufwendigen Lösung. So können schnell Erfolge erzielt und die Datenqualität erhöht werden, während eine langfristige, stabile Lösung nicht aus den Augen verloren wird.