Vielfach wird als Vorgehensmodell in Data-Science-Projekten CRISP-DM herangezogen. Dabei handelt es sich um ein Modell, das über 20 Jahre alt ist, nicht mehr weiterentwickelt wird und aus einer Zeit stammt, die weit vor Big Data lag.

Im Beitrag werden einige der in der Data Science eingesetzten Vorgehensmodelle ausgehend von CRISP-DM vorgestellt. Dabei werden generelle Anforderungen an solche Modelle formuliert und mit dem DASC-PM ein neuer Ansatz vorgestellt, der die aktuellen Herausforderungen datengetriebener Projekte zu adressieren versucht.

Zielpublikum: Sämtliche Personengruppen, die an Data-Science-Projekten beteiligt sind oder den Einsatz von Data Science im Unternehmen planen
Voraussetzungen: Teilnehmer:innen sollten idealerweise erste Erfahrungen mit Data-Science-Projekten gesammelt haben
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Der Siegeszug von Data Science in den Unternehmen hält weiterhin an und ein Ende ist derzeit noch nicht absehbar. Immer mehr Unternehmen bauen Data-Science-Teams auf und integrieren Data Science in ihre Wertschöpfungskette. Dabei gilt es, verschiedene organisatorische Fragen zu klären, soll die Nutzung der entwickelten Modelle in der Produktion effizient gelingen. Eine wichtige Frage stellt dabei das Vorgehensmodell dar, an dem sich das Data-Science-Team orientiert. Vielfach wird hier ein Modell herangezogen, das über 20 Jahre alt ist, nicht mehr weiterentwickelt wird und aus einer Zeit stammt, die weit vor Big Data lag: der Cross Industry Standard Process for Data Mining (CRISP-DM). In den 1990er-Jahren für Data Mining-Projekte entwickelt, dominiert CRISP-DM noch heute den Bereich der in der Data Science Community eingesetzten Vorgehensmodelle (vgl. u.a. www.datascience-pm.com/crisp-dm-still-most-popular).  

In dem Beitrag soll zunächst die historische Entwicklung der in der Data Science eingesetzten Vorgehensmodelle nachvollzogen werden. Neben dem KDD-Prozess (Knowledge Discovery in Databases) und natürlich CRISP-DM werden auch die Foundational Methodology for Data Science (FMDS) von IBM und der Team Data Science Process (TDSP) von Microsoft kurz vorgestellt. Als Beispiel für eine Anpassung von CRISP-DM an die Welt des Machine Learning und der Data Science wird darüber hinaus das CRISP-ML(Q) diskutiert.

Anschließend werden generelle Anforderungen an ein Data-Science-Vorgehensmodell formuliert. Auf welche Besonderheiten sollte hier geachtet werden und wo muss und sollte ein solches Modell über den Klassiker CRISP-DM hinausgehen? Angesichts der rasanten Entwicklung und Verbreitung von Data Science haben sich in der Praxis weitere Anforderungen ergeben, die nun Eingang in neue Konzepte finden sollten.

Seit 2019 arbeitet eine Gruppe von Wissenschaftler:innen und Mitarbeiter:innen verschiedener Unternehmen an einem neuen Konzept. Mit DASC-PM (DAta SCience - Process Modell) wird ein noch junger Ansatz für ein Vorgehensmodell vorgestellt, in dem CRISP-DM zu einem vollwertigen Vorgehensmodell für Data Science ausgebaut wird. Neben dem Prozessmodell umfasst DASC-PM eine Zuordnung der Aufgaben im Rahmen der verschiedenen Arbeitsschritte, ein Rollenkonzept, eine Bestimmung der jeweils notwendigen Skills sowie eine Betrachtung der Schnittstellen. Daraus ergibt sich ein ganzheitliches Modell, das es Data-Science-Teams ermöglicht, ein effektives und effizientes Vorgehen zu etablieren. Dabei ist DASC-PM so generisch angelegt, dass es sowohl im Bereich Scientific Data Science, also im Forschungsumfeld, als auch im Bereich Applied Data Science, beispielsweise im unternehmerischen Umfeld, eingesetzt werden kann.  

Der Vortrag zeigt den aktuellen Stand von DASC-PM und gibt einen Ausblick, wie das Vorgehensmodell in den nächsten Schritten weiter ausgebaut werden soll.  

Im letzten Teil des Beitrags werden anhand kurzer Case Studies Einsatzmöglichkeiten von DASC-PM präsentiert. Dabei soll die Nutzung von DASC-PM in unterschiedlichen Unternehmenstypen betrachtet werden.

Verschiedene Branchen werden ebenso herangezogen wie der Einsatz in unterschiedlichen Unternehmensgrößen. 

This session introduces AI-driven automation and looks at the building blocks needed to automate operational tasks and decisions.

It discusses ground-breaking innovation that opens up the next stage in data and analytics for the data driven enterprise. It provides key information on how to use data, analytics and AI to automate decisions to significantly shorten time to reduce costs, reduce risks and seize opportunities to grow revenue.

Target Audience: Chief Analytics Officer, Chief Data Officer, Data Architects, Data Scientists, Business Analysts
Prerequisites: Basic knowledge of analytics and machine learning
Level: Advanced

Extended Abstract:
According to some analysts, the hyper-automation software market opportunity in 2025 will be as much as $850Bn. There is no doubt that if you can scale automation it will help companies significantly reduce costs and outperform their competitors in revenue growth. There are many things that can be automated including tasks, processes, IT and DevOps operations. However, there are so many things needed to make this happen. Given this opportunity, this session introduces AI-driven automation, looks at the building blocks needed to make it happen.  

• What is AI-driven automation and what can it do?  
• Size of the AI marketplace
• Use case opportunities
• Automating human tasks using AI-driven robotic process automation
• Intelligent document processing
• The power of human and AI-driven orchestration
• Automation building blocks
• Business goals
• Process mining  
• Data Events, business conditions and event detection
• Data integration
• Machine learning model services to predict outcomes
• Decision services
• Action services (skills that can be automated)
• Intelligent Orchestration - goal driven closed loop automation  
• The AI-driven automation process - capture, prepare, analyse, decide, act, optimise
• Human and AI-driven decision and action automation
• Getting started - what needs to be considered?

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. 

Das Verfahren der Sequenzanalyse ist in der Molekularbiologie State of the Art bei der Entschlüsselung der menschlichen DNA. Wir entwickeln ein Verfahren für den effizienten Einsatz der Sequenzanalyse für verschiedene Bedürfnisse unserer Kunden. Durch das Verfahren lässt sich nahezu jede Form von Verhaltens- und Ereignismustern klassifizieren, interpretieren und optimieren. Die Bandbreite der Einsatzmöglichkeiten reicht vom 'klassischen' Kundenverhalten im Online-Shop über das Churn & Fraud bis zur Analyse von personalisierten Kaufentscheidungen. 

Zielpublikum: Data Scientist, Data Engineer, Project Leader, Decision Makers, Project Owner, Stakeholder, Project Manager, Big Data Analysten, eCommerce, Business-Analysten 
Voraussetzungen: Erfahrung im Bereich Data Science, Big Data Analytics, AI, Geschäftsprozessoptimierung, Business Consulting, Untersuchungsdesign. 
Schwierigkeitsgrad: Fortgeschritten

USE CASE: DKV Mobility 

Das Tagesgeschäft der DKV Treasury-Abteilung ist von sehr hohen Ein- und Auszahlungen geprägt. Damit das Unternehmen weiterhin erfolgreich agieren und zahlungsfähig bleiben kann, ist eine gute operative Planung essenziell. In Zusammenarbeit mit avantum wurde diese Planung auf das nächste Level gehoben. Mithilfe von intelligenten Machine-Learning-Methoden wird täglich eine Prognose der Liquidität für die kommenden Wochen auf Tagesbasis erstellt. Wir stellen Ihnen die Ausgangslage, die Herausforderungen und die Lösungen vor. 

Zielpublikum: Data Scientist, Controller, Planner, Finance, DWH Architects, Project Manager, CFO 
Voraussetzungen: Basiswissen 
Schwierigkeitsgrad: Einsteiger 

Extended Abstract: 
Fortführung des obigen Abstracts: [...] Die Planungslösung wurde mit einer Software auf Basis von IBM Planning Analytics with Watson und dem IBM SPSS Modeler implementiert. Zur Erhöhung der Prognosegüte wurden externe Variablen eingefügt und Muster in den Zahlungen der einzelnen Cashflow-Kategorien untersucht. In diesem Vortrag stellen wir Ihnen die Ausgangslage, die Herausforderungen und die Lösungen vor. 

Die KI hält Einzug in vielen Bereichen der Autoindustrie, insbesondere autonomes Fahren oder intelligente Fertigungssysteme stehen im Fokus. Aber auch abseits dieser Hot Topics schreitet die datenbasierte Revolution voran. In diesem Vortrag legen wir den Fokus auf die Vertriebssteuerung. 
Die Möglichkeiten eines datenbasierten Vertriebs aber auch die Herausforderungen auf dem Weg dorthin werden anhand einer konkreten Initiative bei unserem Mutterkonzern beleuchtet.

Hierbei beleuchten wir vor allem die Etablierung einer konzernweiten digitalen Plattform, die sowohl die Zentrale als auch die Märkte bei Reporting und Steuerung ihres Vertriebsgeschäfts unterstützt. Dabei ermöglicht die Plattform auf sämtliche vertriebsrelevante Daten (Sales, Finance, Wettbewerb) in einem Tool zuzugreifen und diese verknüpft auswerten zu können. Die Lösung wird zudem Schritt-für-Schritt interaktiver und intelligenter gestaltet, um KI-basierte Prognosen und Empfehlungen zu ermöglichen. 

Als Fazit wollen wir aufzeigen, wie ein lernendes und flexibles Ökosystem aussehen könnte und welcher Weg für die Industrie ein sinnvoller sein könnte, um eine flexible, KI-basierte und maßgeschneiderte Vertriebssteuerung zu etablieren.

Zielpublikum: alle Interessierte
Voraussetzungen: keine
Schwierigkeitsgrad: Einsteiger

Ein live Use-Case aus der Immobilienwirtschaft: 

Durch die gewachsenen, vielfältigen, teils proprietären Systemlandschaften bestehend aus diversen Applikationen und Lösungen, stehen Unternehmen branchenübergreifend vor den großen Herausforderungen einer effizienten Systemarchitektur, Schnittstellenkonfiguration, sowie eines qualitätsgesicherten, homogenen Datenaustauschs. Wir haben uns diesen Herausforderungen angenommen. 

Der Trend geht von einem monolithischen Aufbau der Systemlandschaft in Richtung Micro-Services für mehr Autonomie, Skalierbarkeit und einer gesteigerten Datenqualität durch Automatisierung.  

Gemeinsam mit unserem Kunden BMO Real Estate Partners Germany freuen wir uns Ihnen live einen intelligenten Lösungsansatz – eine Cloud-Basierte Plattform für Datenintegration und Datenaustausch – vorzustellen. Dank der agil entwickelten Anwendung namens IP:X konnten wir fehleranfällige, manuelle Prozesse zur Datenvalidierung von Mietvertragsdaten und Finanzinformationen der Immobilienportfolios durch vielfältige Automatisierungen ablösen. Neben der ausgezeichneten Datenqualität profitieren die Teams der Property-, Fonds- und Asset-Manager ebenso, wie das Datenmanagement nun von einer Reduktion der prozessualen Durchlaufzeiten und einer erheblichen Effizienzsteigerung. 

In unserem Anwendungsfall verwenden wir eine effizient verzahnte Kombination aus gegenwärtig modernsten und solidesten Technologien: MEAN Stack (IBM Cloudant, Express, Angular, Node.js) im IBM Cloud Umfeld (Continuous Integration / Continuous Delivery, git, IBM Cloud Functions, Cloudant (NoSQL), REST API, Auth0). 

Als ein Early-Adopter beleuchten wir das Zusammenspiel der jeweiligen Technologien, sowie die insgesamt erreichte Effizienzsteigerung und teilen hilfreiche Erfahrungswerte – auch zur agilen Entwicklungsmethode per CI/CD (Continuous Integration/Continuous Delivery). 

Zielpublikum: Project leader, decision makers, Cloud Experts
Voraussetzungen: Basic knowledge in Cloud, Continuous Integration / Continuous Delivery. Experience in integration and exchange platforms 
Schwierigkeitsgrad: Advanced