Claudia Pohlink beschäftigt sich seit vielen Jahren mit Daten und KI. Dabei beobachtet sie die Trends und Entwicklungen auch außerhalb Europas und hat schon den einen oder anderen Hype überlebt.
Sie stellt konkret die Datenjourney der Deutschen Bahn vor. 2020 beschließt der Vorstand den Grundsatz des freien Datenzugangs und der freien Datennutzung innerhalb der Bahn, Ausnahmen sind zu begründen. Ein revolutionärer Beschluss, der zudem zu konzernweiter Datentransparenz verpflichtet. Wie sehen die Learnings und Erfahrungen der letzten 3 Jahre aus? Funktioniert so ein Datenkatalog und sind Data Owner wirklich so leicht zu finden? In 2023 startet die DB die AI Factory und zündet das Next Level. Gehen Sie mit auf diese Reise und lassen Sie sich überraschen, ob Sie pünktlich sind oder wo Sie landen?

Mehr Inhalte dieses Speakers? Kein Problem, schaut doch mal bei sigs.de vorbei: https://www.sigs.de/autor/janine.ellner

Die Schlagworte 'Data Driven Company' und 'Data Driven Culture' sind mittlerweile in aller Munde. Die Firma congstar hat sich das Ziel gesteckt, diese Schlagworte mit Leben zu füllen. Unsere Vision: Wir wollen analytisches Arbeiten bzw. die Nutzung von Analysen nicht als elitäre Kunst von wenigen etablieren, sondern als etwas 'für jeden'. Wie wir diese Herausforderung angehen, welche Erfahrungen wir auf unserem Weg gemacht haben und was Data Driven Culture mit Tango zu tun hat, möchten wir euch in diesem Vortrag näherbringen.

Zielpublikum: Projektleiter:innen, Entscheider:innen
Voraussetzungen: Basiswissen
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Die Notwendigkeit, Daten für Entscheidungszwecke zu nutzen, ist heutzutage bei den meisten Business-Leadern akzeptierte Realität. Die Schlagworte 'Data Driven Company' und 'Data Driven Culture' werden gern bemüht. Die Firma congstar hat sich das Ziel gesteckt, diese Schlagworte mit Leben zu füllen. Der Analytics-Bereich hat den Lead, um die Transformation hin zur Data Driven Culture und Data Driven Company aktiv zu gestalten. 
Dieser Auftrag hat es in sich, denn ein so umfassender Change ist nicht das typische Business eines Analytics-Bereiches. Unsere Aufgaben haben sich dadurch deutlich erweitert: statt der schwerpunktmäßigen Entwicklung von Artefakten stehen jetzt noch zusätzlich die Entwicklung von Menschen und Kultur auf unserem Plan. Warum? Keine Data Driven Company ohne Data Driven Culture, keine Kultur ohne Menschen. Um die Tragweite der Veränderungen und Herausforderungen zu verstehen, muss Folgendes gesagt werden: Unsere erste zentrale Rahmenbedingung ist es bei allem Change, die kleine, agile Organisation von congstar nicht zu überlasten. Unsere zweite, fast schon widersprüchlich wirkende Rahmenbedingung: Wir wollen prinzipiell alle Mitarbeiter so entwickeln, dass sie sich zutrauen, mit den für ihre Fragestellungen relevanten Daten zu arbeiten und sich selbst Antworten zu geben. Wir glauben nämlich fest daran, dass eine lebendige Data Driven Culture nur dann entsteht, wenn die Arbeit mit Daten kein 'Ding der anderen' ist, sondern sich jeder Mitarbeiter als berechtigt und befähigt fühlt.
Unsere Vision: Wir wollen analytisches Arbeiten bzw. die Nutzung von Analysen nicht als elitäre Kunst von wenigen etablieren, sondern als etwas 'für jeden'.
Wir haben daher beschlossen, die Mitarbeiter der Fachbereiche in den Fokus aller Aktivitäten zu stellen. In Konsequenz haben wir als einen ersten Schritt die Bedürfnisse, das Verhalten und die Wünsche der aktuellen und potenziellen Analytics-Anwender im Kontext Daten-Nutzung auf Basis einer Befragung modelliert und im Ergebnis Personas erstellt. Diese Personas leiten nun uns und die Anwender durch den Change und die Analytics-Welt. 
Als zentralen Erfolgsfaktor haben wir den Spaß an der Arbeit mit Daten identifiziert - als zentrales Hemmnis die Einschätzung der eigenen Fähigkeiten. Hier setzen wir aktiv an: Die Vermittlung von Spielerischer Leichtigkeit, Erfolgserlebnissen und Einfachheit ist ein wichtiges Ziel unserer Aktivitäten. Wir wollen Vertrauen in die eigenen Kompetenzen aufbauen, indem wir die Einstiegshürden so niedrig wie möglich gestalten. Nur wer den Weg in die Datenwelt betritt, kann auch weiter kommen. Dafür setzen wir am Toolset, am Dataset und selbstverständlich auch am Skillset an. 
Kann die Transformation so gelingen? Wir haben keine abschließenden Antworten, denn wir sind mittendrin. Wir haben aber erste klare Erfolge. Wichtige Erfahrungen möchten wir teilen. Und die Frage erläutern, was Data Driven Culture mit Tango zu tun hat.
Für dich: Akutes Beispiel wäre der Auswahlprozess Pyramid, das Modellieren der neuen Datenmodelle mit den Fachbereichen, der Communityaufbau. Die Idee des Teilens und zusammen Machens werden sich als roter Faden durchziehen.

Data Lakehouse, Data Fabric, Data Warehouse, Data Lake, Data Mesh, Data Estate, Data Virtualisation, Data Vault ... was sind die Kriterien für eine anwendungsfallabhängige Auswahl einer Datenarchitektur? Was sind technische und was eher organisatorische Konzepte? Wie lässt sich das mit den Anforderungen an moderne analytische Datenplattformen von Governance über data quality bis responsibility übereinbringen? Begriffsbestimmung und Einordnung der Konzepte. Erfahrungen aus dem Projektgeschäft (herstellerunabhängig) -> Best-Practice-Ansätze

Zielpublikum: CIO, IT-Leiter:innen, IT-Architekt:innen, Data-Analyst:innen
Voraussetzungen: Interesse und ggf. offene Fragen
Schwierigkeitsgrad: Fortgeschritten
 

In der Vergangenheit wurden Daten häufig in einem monolithischen Data Warehouse gespeichert. Heute, mit dem Aufkommen von Big Data und dem Ruf nach Advanced Analytics, müssen bestehende Datensilos aufgebrochen werden. Eine besondere Herausforderung obliegt dabei der Öffnung des SAP-Universums und dem Zugriff auf die Datenschätze der unterschiedlichen SAP-Quellsysteme. 
Der Dozent präsentiert, wie SAP und Databricks Lakehouse auf direktem Wege kommunizieren können, ohne dass es Third-Party-Werkzeuge bedarf.

Zielpublikum: Fachleute, die SAP-Daten in eine Datenplattform (hier Databricks Lakehouse) integrieren möchten
Voraussetzungen: Grundlegendes Verständnis des SAP-Integrationsframeworks ODP und der Cloud-Infrastruktur (z. B. Azure Datalake Storage) sowie Databricks Lakehouse
Schwierigkeitsgrad: Fortgeschritten
 

Python erfreut sich immer größerer Beliebtheit im Datenmanagement. Der Einstieg in Python mit Paketen wie dbt, pyspark, keras, pytorch ist einfach. Rapid Prototyping mit Notebooks und die ersten Codezeilen sind schnell entwickelt. Doch sobald der Code produktiv geht ... (und manche wären schon froh, wenn der Code überhaupt produktiv geht).

Die Session geht auf Pakete und Techniken rund um Code-Formatierung, Linting, Testing, Security, Dokumentation, Versionskontrolle ein, um das Datenmanagement mit Python auf ein neues Level zu bringen.

Zielpublikum: Data Engineers, Data Architects, Projektleiter:innen
Voraussetzungen: Grundkenntnisse in Python
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Python erfreut sich immer größerer Beliebtheit im Datenmanagement. Data Scientists, Data Engineers, ML Developer u. a. nutzen Python für eine Vielzahl von Funktionalitäten: von Datenimport über Datenintegration bis hin zu Machine Learning und Datenvisualisierung. Der Einstieg in Python ist einfach. Die ersten Codezeilen sind schnell entwickelt, doch sobald der Code produktiv geht (und manche wären schon froh, wenn der Code überhaupt produktiv geht) ...

Man spricht viel über die zahlreichen, coolen Pakete rund um das Datenmanagement: pyspark, dbt, pytorch, keras, GreatExpectations sind ein paar Beispiele. Doch was ist mit Software-Engineering und Code-Qualität? Und wie sieht es mit Notebooks aus? Schnelles Prototyping und dann ab in die Produktion damit?

Aber keine Sorge, mit den richtigen Paketen und Techniken gibt es Lösungen in Python. Die Session geht auf Pakete und Techniken rund um Code-Formatierung, Linting, Testing, Security, Dokumentation, Versionskontrolle ein, um das Datenmanagement mit Python auf ein neues Level zu bringen.

It's no secret that in today's data-driven world, companies that effectively use data to make decisions have a competitive advantage. Our talk is not about why you should become a data-driven company, but how you should do it. The focus will be on guiding the change of the organizational mindset through a holistic approach including people, infrastructure and use cases for unlocking the full potential of data! The talk will also touch on the challenges that companies face in their data-driven journey and how to overcome them.

Target Audience: Middle Management und CIOs, die Heads of ... Innovation / Digital / Risk, all levels of curious minds who are keen on driving a data-driving decision making in their organization
Prerequisites: Motivation to understand how to become a data-driven company, not why. Whether you are just starting on your data-driven journey or looking to take your efforts to the next level, this talk is suitable for you. Join us to learn how to become a data-driven
Level: Basic

Nach einem erfolgreichen PoC werden viele ML-Vorhaben aus Gründen des zeitlichen Aufwandes nicht produktiv umgesetzt. Im Bereich der Prozesssteuerung von Großanlagen können jedoch Optimierungen durch Machine Learning immense Kosteneinsparungen und Produkteffizienz bedeuten. Wir beschreiben den Prozess der Einführung von MLOps in der Azure Cloud zur Steuerungsoptimierung Hunderter Luftzerlegungsanlagen. Wir gehen auf Herausforderungen und Lösungsansätze ein, um MLOps in der Cloud parametrisierbar, skalierbar und überschaubar einzuführen.

Zielpublikum: Data Scientists, DevOps Engineers, Software Engineers, Cloud-Architekt:innen, Entscheider:innen, Project Information Manager
Voraussetzungen: Grundwissen Software Engineering, Machine Learning und DevOps
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:
Die Optimierung von Großanlagen wie Luftzerlegungsanlagen ist von zentraler Bedeutung, um langfristig und lieferkettenübergreifend Kosten zu reduzieren und die Produkteffizienz zu erhöhen. Die Implementierung von anlagenspezifischen Advanced Process Controls ist jedoch teuer, aufwendig und sehr zeitintensiv. Mittels Machine-Learning-Verfahren, insbesondere dem Reinforcement Learning, kann dieser Zeitaufwand auf gerade einmal einen Monat reduziert werden. Das resultierende Machine-Learning-Modell gleicht einem digitalen Zwilling der Anlage, welcher für die Simulation und Optimierung diverser Einstellungen für die Anlage nützlich ist. Ziel nach einem erfolgreichen PoC ist die vollautomatisierte und skalierbare Operationalisierung der gesamten Infrastruktur und Daten-Pipeline. Die Umsetzung dieses Projektes erfolgte aus Gründen von verfügbarer Hardware, Firewall-Richtlinien, Verfügbarkeit und Wartung der Systeme in der Cloud und nicht on-premise.

Dieser Vortrag betrachtet die Migration des Machine-Learning-Projektes von on-premise in die Microsoft Cloud. Wir zeigen, welche Herausforderungen bei der Umsetzung eines skalierbaren MLOps-Prozesses auftreten können und wie diese in diesem Projekt gelöst wurden.
 

High-quality analyses are only useful if they are available in time. By analysing data near-real time, highly up-to-date evaluations can be produced. Based on the technological foundation of Splunk, the workshop will offer practical insights into stream data analysis. Evaluating data streams directly offers considerable added value, especially for time-critical or alarm-based systems. The analysis already takes place during data transmission, as the data stream is potentially infinite.

Maximum number of participants: 40. Laptop is required. 
There must be an installation permission on your laptop.

Target Audience: Data Engineer, Data Scientist, IT Engineer, Developer, IT Operations, Security Analyst
Prerequisites: Please bring your own laptop with permissions to install software and internet access. Both Linux and Windows are supported.
Level: Basic

In diesem Vortrag stellen die beiden Referenten die DOAG als Verein und ihre aktuelle Ausrichtung vor und nehmen Position ein zu den relevanten Themen aus dem Umfeld DATA Analytics und KI. Im Anschluss an die Vorstellung des Vereins und seiner Struktur und Zielsetzung werden im Gespräch die Schwerpunkte der Data Analytics Community in der DOAG vorgestellt, betrachtet und eingeschätzt. Dabei nehmen wir insbesondere Bezug auf die Inhalte der nachfolgenden Vorträge und Diskussionen. Die rasant gestiegene Bedeutung von KI seit Beginn des Jahres, die Nutzung von Daten im Rahmen von Data Mesh und die damit verbundene Sichtweise als data as a product sowie verstärkte Wahrnehmung von Data Analytics über die gestiegene, promiente Nutzung im Sport vom Fußball bis zur Formel 1 werden angesprochen. 

Die Umsetzung einer erfolgreichen Datenstrategie ist nicht einfach, aber die Einschränkungen, die durch zentralisierte Punkt-zu-Punkt-Batch-Architekturen entstehen, machen es noch schwieriger. Daten-Streaming-Plattformen heben diese Beschränkungen auf, indem sie Echtzeit-Konnektivität zwischen SaaS-, Analyse- und Datenbanksystemen ermöglicht, die es mehr Nutzern erlaubt, mehr Daten mit weniger Redundanz und weniger Abhängigkeit von zentralisierten Teams zu nutzen. Was wollen wir an diesem Special Day vorstellen und diskutieren?

• Herausforderungen bei der Entwicklung einer modernen und zukunftssicheren Daten- und Analytics-Strategie
• Wie gehen wir mit dem “Erbe der Zentralisierung” um? Datenqualität, Governance, Integration und Self-Service im Praxiseinsatz
• Geschäftsvorteile, die sich aus der Erfassung von Echtzeit-Dateneinblicken, der Erstellung von Datenprodukten und der Befähigung von Teams in der gesamten Organisation mit Daten ergeben
• Wie die Daten-Streaming-Plattform die Grundlage für einen modernen Ansatz bildet, sowohl on-premise als auch in der Cloud und in hybriden Umgebungen
• Anwendungsbeispiele aus der Praxis von Versicherungen, Banken, eCommerce und vielen weiteren

Discover the power of combining Amazon Web Services (AWS) and Confluent for real-time analytics and data streaming. This talk explores the synergistic capabilities of both platforms in building scalable, reliable, and high-performance streaming architectures.Learn how AWS data services and Confluent's Apache Kafka-based platform for managing event-driven architectures combine to deliver a solution for your business. Gain practical insights into integration strategies, data transformation, stream processing, and data integration patterns. Join us to unlock the full potential of real-time analytics and data streaming in today's data-driven landscape.

Prerequisites: Basic knowledge of what Kafka and Data Streaming are
Level: Advanced

Reports play a crucial role in both business operations and meeting regulatory requirements but managing a complex IT system with data flowing through various technologies can make it challenging to identify potential issues and create reliability.

Unternehmen stellen sich die Frage: Wie stehen wir zu Daten? Wie prägen sie unsere Entscheidungen und Prozesse? Die Data Culture eines Unternehmens umfasst datenbezogene Werte und Verhaltensweisen. Um eine erfolgreiche Transformation der Data Culture zu erreichen, muss zunächst die aktuelle Kultur des Unternehmens erfasst und die unternehmensspezifische Zielkultur bestimmt werden. Wir berichten über unser Best-Practice-Framework und welche Blueprints Unternehmen nutzen können, um ihre spezifische Datenkultur zu transformieren und zu stärken.

Zielpublikum: CDO, CIO, Verantwortliche Data & Analytics 
Voraussetzungen: Data Culture, Data Strategy, Unternehmenskultur, OE
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Jedes Unternehmen hat eine Data Culture, auch wenn es sich bisher nicht bewusst damit beschäftigt hat. Unser Framework spiegelt unsere Erfahrungswerte und Kundenerfahrungen wider, wie die Data Culture eines Unternehmens systematisch aufgearbeitet und transformiert werden kann.
Die grundlegende Ausrichtung der Data Culture basiert auf den Leitplanken von Unternehmensstrategie und -kultur und muss die Frage beantworten: Was bedeutet für das eigene Unternehmen 'Data-Driven'? Unsere Blueprints helfen zu identifizieren, welche Data Culture passt zur eigenen Organisation, welche nicht.
Faktoren wie Data Leadership, Data Democracy, Data Governance oder Data Literacy können als Beschleuniger fungieren, wenn sie richtig etabliert werden. Unternehmen, die ihre eigenen Lücken identifizieren und die Abhängigkeiten der Faktoren untereinander in ihrer spezifischen Organisation adressieren, können schnelle Fortschritte erzielen. Maßnahmen müssen auf Menschen und Organisation maßgeschneidert sein, wie jedes erfolgreiche Transformationsunterfangen. Wir berichten von unseren Praxiserfahrungen mit Stolpersteinen und Success Stories bei der Transformation zur Data Driven Company.

Der Modern Data Stack hat die letzten Jahre deutlich an Popularität gewonnen. Wie schlagen sich etablierte Best-of-Suite-Anbieter im Vergleich? Die Vielfalt an Ansätzen für Data & Analytics Cloud-Architekturen wächst und gewinnt an Dynamik. Nach dem Fail-Fast-Ansatz müssen Komponenten ihren Wert beweisen oder werden ausgetauscht. 
In dem Vortrag wird der Frage nachgegangen, was die Stärken einer 'Best of Breed'-Architektur im Sinne des Modern Data Stack sind und wann integrierte Lösungsanbieter wie z. B. SAP die Nase vorn haben.

Zielpublikum: CDO, CIO, Verantwortliche Data & Analytics, Datenarchitekt:innen
Voraussetzungen: Grundwissen Data & Analytics in der Cloud von Vorteil
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:
Der Modern Data Stack ist kein klar abgegrenzter Begriff. Jedoch kann dieser als ein Gegenentwurf zu den großen etablierten Anbietern verstanden werden, welche alles aus einer Hand anbieten.
Neue Entwicklungen in der Cloud, ein agiles Mindset und der hohe Bedarf von zunehmend datengetriebenen Unternehmen an neuen analytischen Fähigkeiten treiben den Markt zu neuen Funktionen und dem optimalen Fit auf die Unternehmensstrategie. Die großen Anbieter wie SAP, Microsoft oder AWS jedoch bieten ein weitgehendes Komplettangebot für Data & Analytics, ermöglichen eine hohe Interoperabilität ihrer Komponenten und sind oft in den Unternehmen schon etabliert.
Die hohe Dynamik bei aktuellen Cloudangeboten erschwert ein klares Bild der Vor- und Nachteile der unterschiedlichen Ansätze. Der Vortrag wirft den Blick auf die wesentlichen Punkte und gibt Orientierung zu typischen Fragestellungen.
 

Mit Blick auf die zunehmende Durchdringung von AI in den Geschäftsmodellen, regulatorischen Anforderungen wie dem EU-AI-Act und fehlendem Vertrauen der Kunden in AI stellt sich die Frage, wie Unternehmen dem gerecht werden. Welche Herausforderungen stellen sich bei der Umsetzung? Was heißt das für Modelle, Datenerhebung und Datenvorbereitung? Wir geben einen Einblick in das Thema Responsible AI, erläutern Herausforderungen und geben konkrete Ansätze für die Umsetzung anhand praktischer (Daten-)Beispiele.

Zielpublikum: Data Science und AI Praktizierende und Verantwortliche, Complianceverantwortliche, C-Level, Management, Datenmanagement, Data Governance Verantwortliche, Innovationsfördernde
Voraussetzungen: Basisverständnis von Künstlicher Intelligenz bzw. Machine Learning
Schwierigkeitsgrad: Einsteiger
 

Mehr Inhalte dieses Speakers? Kein Problem, schaut doch mal bei sigs.de vorbei: https://www.sigs.de/autor/dirk.lerner

Wie können immer wiederkehrende Aufgaben vereinfacht werden? Die Frage nach der Automatisierung von Datenlogistikprozessen in einem Data Warehouse beschäftigt heute die Projektteams. Der Wunsch nach einem umfassenden Automatisierungsprodukt ist dann meist sehr schnell da. Die Erwartungen sind hoch, die Enttäuschung (nach der Produktauswahl) nicht selten.

In dieser Session gibt Dirk Lerner einen Einblick in die Erwartungen der Projektteams, die Abläufe der Produktauswahl und die Realität.

Zielpublikum: Projektleiter:innen, Data Management Expert:innen, Data Engineers, Entscheider:innen, Produktauswahl-Teams
Voraussetzungen: keine
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Nicht wenige Data Warehouse (Data Solution)-Projektteams denken heute über die Automatisierung ihrer Datenlogistikprozesse nach. Wie kann man die immer gleichen Aufgaben vereinfachen, diese Prozesse einem Automatismus überlassen und dabei möglichst wenig wiederkehrenden Aufwand in die Entwicklung stecken? Der Wunsch nach einem umfassenden Automatisierungsprodukt für die Datenlösung kommt dann meist sehr schnell auf.

Mittlerweile gibt es viele solcher Produkte auf dem Markt: Etablierte, Newcomer und Eigenentwicklungen. Die Projektteams haben die Qual der Wahl. Und erleben nicht selten (nach der Produktauswahl) eine Enttäuschung.

In dieser Session gibt Dirk Lerner einen Einblick in die Erwartungen der Projektteams, die Abläufe der Produktauswahl und die Realität.

Dieser Vortrag enthält weder eine Empfehlung für ein bestimmtes Produkt noch wird es vom Referenten erwähnt oder bewertet!

Um datenorientiert agieren zu können, hat die Volksbank Wien vor, die komplexe Datenlandschaft zu vereinfachen und verständlich zu machen. Die organisatorische Struktur wird an die aktuellen Herausforderungen angepasst. Dazu werden 2 miteinander agierende Metadatenwelten erstellt, um das Fachdaten- und Datenqualitätsmanagement bestmöglich abwickeln zu können. Für die Bank ist es notwendig, eine Data Governance-Policy, Data Governance-Richtlinien, eine Datenstrategie und ein neues Fachdatenmodell zu erstellen sowie die kritischen Daten zu erheben.

Zielpublikum: Data Manager, Projektleiter:innen
Voraussetzungen: Grundkenntnisse Data Governance und Datenmanagement
Schwierigkeitsgrad: Einsteiger

Der Aufbau einer fachlich individuellen und durchgängig integrierten Systemlandschaft ermöglicht den fachbereichsübergreifenden Nutzern die volle Ausschöpfung des mehrstufigen Prognosepotenzials - alles in einer zukunftssicheren Umgebung.

Zielpublikum: Dateningenieur:innen, Datenwissenschaftler:innen, Projektleiter:innen, Entscheidungsträger:innen
Voraussetzungen: Grundkenntnisse in Maschinellem Lernen, Erfahrung in der Nebenkostenabwicklung
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Die vollintegrierte State of the Art-Prognosesystemlandschaft setzt sich aus drei Komponenten zusammen. IBM Planning Analytics auf der Basis von TM1 bildet dabei den Kern des Microservices orientierten Eco-Systems. Die Machine-Learning-Umgebung wird durch den Einsatz zeitgemäßer Containerisierung ermöglicht, sodass dem Team zu jedem Zeitpunkt im Projekt der Zugang zu allen benötigten Data-Science-Werkzeugen, Python-Bibliotheken, Jupyter-Notebooks und Daten bereitsteht. Abschließend fungiert der IBM Planning Analytics-Workspace als webbasierter Zugang zur maßgeschneiderten Lösungen.
 

Die Verantwortung und das Wissen über Daten und deren Analyse liegt im Fachbereich. Diese fachlichen Mitarbeiter benötigen mehr Möglichkeiten, um erweiterte Analyse-Techniken, inklusive Machine Learning, mit einfach zu bedienenden Tools nutzen zu können. Wie Oracle mit der Autonomen Datenbank, als Self-Service Datenquelle und mit der Analytics Cloud, als Self-Service BI, dies verwirklichen kann wird im Vortrag anhand einer anschaulichen Live-Demo gezeigt. 

Have you ever wondered how a modern event analytics pipeline is different from a classical ETL setup? In this talk you will learn how to design and set up an analytics pipeline in just a few minutes, using Kafka for delivery, ksqlDB for preprocessing, and Apache Druid for real time OLAP.

Voraussetzungen: Basic knowledge of what Kafka and Data Streaming are

As companies undertake their digital transformation journey's, they are generating more data than ever before. Data and AI have become essential for companies to stay competitive in today's digital age. AI-powered technologies such as machine learning, natural language processing, and computer vision are helping companies to gain insights from data and make better business decisions. With the help of increasing computer power, AI algorithms can now be used to analyze vast amounts of data that businesses collect, and to identify patterns and trends that can be used to help companies achieve their business goals. Ultimately, data and AI can help businesses become more productive and efficient, while also creating better customer experience, and improved profits.

Come and join this session to learn more on how your organizations can Turn Data into Actionable Insights.

Anhand ausgewählter Use Cases soll die Entwicklung von Self-Service Data Analytics innerhalb von Siemens Energy dargestellt werden. Schwerpunkt ist die Umsetzung von datengetriebenen Projekten durch verschiedene Fachbereiche. Weiterhin wird auf die erfolgreiche Einführung neuer Projekte mit Hilfe von Hackathons eingegangen, sowie den Nutzen von internen Communities bei der Problemlösung.

Met Éireann, der nationale meteorologische Dienst Irlands, hatte eine anspruchsvolle Aufgabe: genaue Wettervorhersagen für die irische Öffentlichkeit bereitzustellen und mehrere Branchen wie Luftfahrt, Landwirtschaft, Transport und Notdienste zu unterstützen. Um dies zu erreichen, mussten sie große Datenmengen in Echtzeit verarbeiten und analysieren. In dieser Präsentation wird Actian's Datenexperte, Robert Gorsuch, zeigen, wie Met Éireann dies mit Hilfe von Actian Avalanche, der leistungsstarken Cloud-Datenplattform, erreicht hat. Durch die Nutzung von Avalanche's Geschwindigkeit und Leistungsfähigkeit konnte Met Éireann ihre Fähigkeiten zur Wettervorhersage revolutionieren und genaue und zuverlässige Informationen an die Öffentlichkeit liefern. Seien Sie dabei, um mehr über den innovativen Anwendungsfall von Met Éireann und wie Actian Ihrem Unternehmen dabei helfen kann, komplexe Datenverarbeitungsherausforderungen zu lösen und Innovationen voranzutreiben, zu erfahren.

Datenanalyse und datengesteuerte Entscheidungen nehmen in Unternehmen und Organisationen aller Art einen immer größeren Stellenwert ein. Gleichzeitig werden über Regulatorik und Kundenerwartungen immer höhere Anforderungen an Transparenz, Data Governance und Robustheit von Datenanalysen und automatisierten Entscheidungsprozessen gestellt. Metadaten sind ein Schlüssel, solche Anwendungen vertrauenswürdig und effizient aufzubauen. Aktive Metadaten machen den gesamten Fluss der Daten durch alle Systeme sichtbar. Dadurch wird der Kontext von datenbasierten Entscheidungen nicht nur im Nachhinein nachvollziehbar gemacht sondern die Entwicklung von Datenapplikationen deutlich beschleunigt. Die LBBW (Landesbank Baden-Württemberg) ist ein Beispiel dafür, wie Fachbereiche und IT in enger Kooperation eine zentrale Datenplattform und ein umfangreiches Metadatenmanagement aufbauen können. Die Bank hat ihre Datenplattform als Grundlage und zur Unterstützung einer effektiven Gesamtbanksteuerung implementiert. Dabei haben Fachbereiche und IT eng zusammengearbeitet, um die vielfältigen fachlichen Anforderungen der abhängigen Fachbereiche zu verstehen und in technische Datenflüsse zu übersetzen. Alle relevanten Datenpunkte aber auch die Abhängigkeiten und Beziehungen zwischen den verschiedenen Datenquellen und Zielsysteme wurden gemeinsam identifiziert, modelliert und dokumentiert. Eine umfassende Data Governance in Verbindung mit einem zentralen Datenqualitäts-Framework gewährleisten dabei jederzeit regulatorische Compliance und eine hohe Datenqualität.

Die Freenet AG betreibt seit vielen Jahren erfolgreich ein Data Warehouse im eigenen Rechenzentrum. Architektur und Technologien wurden sorgfältig ausgewählt und erfüllten die damaligen Anforderungen vollkommen. Doch was soll man tun, wenn die Quellsysteme nach und nach in die Cloud migriert werden? Allein die Kosten der regelmäßigen Datenübertragung aus der Cloud in das On-Prem-DWH lassen diese Lösung nicht mehr wirtschaftlich erscheinen.
Die Freenet AG stellt sich nun dieser Herausforderung und plant den Umzug in die Cloud. Hierbei sind nicht nur technische Herausforderungen und aktueller Vendor Lock-ins zu lösen. Es gilt auch, die Organisation von Analytics bei der Freenet AG zu überdenken.
Der Vortrag beschreibt die Strategie und das geplante Vorgehen, diesen Herausforderungen zu begegnen.

Am Beispiel der Deutschen Pfandbriefbank AG zeigen wir Ihnen, wie Sie durch das Zusammenspiel von D-QUANTUM und der Metadata API von bluetelligence einen substanziellen Mehrwert erzeugen:

• Anbindung der SAP-Systeme BW/4HANA & S/4HANA: So erhalten Sie ein präzises Bild der technischen Implementierung
• Technische Lineage innerhalb der SAP-Systeme und Verknüpfung der zugrundeliegenden Datenhaltung
• So kombinieren Sie die SAP-Objekte im Kontext der Data Management Journey für die unterschiedlichsten Use Cases wie z. B. die Abbildung von Verantwortlichkeiten, Source- und Impact-Analysen, Datenqualitätsmanagement und Anforderungsmanagement
• Die systemübergreifende Lineage

Getrieben durch den enormen internationalen Wettbewerbsdruck im Online-Handel muss sich das E-Commerce-Unternehmen Otto ständig weiterentwickeln, um mit der Konkurrenz Schritt zu halten oder ihr sogar voraus zu sein.

Dies stellt große Herausforderungen an Architektur und Organisation. Data Mesh als neues Architekturparadigma adressiert diese Anforderungen und liefert hier wichtige Impulse.

In dieser Case Study gehen wir von der Pain Point Analyse des internen Think Tanks aus und betrachten ausgehend von der logischen Architektur, als Treiber der Kernkompetenzen des Data Mesh, die Probleme und Optimierungsansätze.

Inhaltlich werden wir uns auf folgende Aspekte und Praxisprobleme konzentrieren:

- Domänen-orientierte Daten und die damit verbundenen Herausforderungen

- Metadaten + Zentralisierung vs. dezentrale Orchestrierung,

- Data as a Product: Auffindbarkeit und Integration,

- auf dem Weg zur Self-serve Datenplattform

83 % of CEOs want their organisation to be more data driven. Sharing clear corporate goals and objectives is a start, but you will not succeed without a deeply understood, and widely shared context of the critical data that underpins these goals and objectives.
Unfortunately getting them off the ground, making them sustainable, and proving ongoing value requires targeted, strategic approaches depending on where you are in your journey.
90 % of businesses fail miserably to identify, track, and widely share the above context around their critical data.
In this session we will share leading practices for successful data governance programs from our customer and answer among other these questions:

• What Value is Data Governance Providing Your Organisation Today?
• What is the critical data, where is it, who is responsible for it and how accurate is it?
• What critical processes depend on it?

At the end, we show you how to use Precisely Strategic Services to conduct a health check of your current data governance program that includes a gap analysis with the leading practices of the most successful data-driven organisations.

How we designed a model driven implementation approach to improve development effectiveness at BNP Paribas Cardif

Analytics spielt eine wichtige Rolle bei der digitalen Transformation der Steuer- und Zollfunktion von Siemens. Es hilft dabei, Steuer- und Zollprozesse zu optimieren, Compliance zu verbessern und Risiken zu managen. Die erfolgreiche Nutzung erfordert jedoch nicht nur technische, sondern auch kulturelle und organisatorische Anpassungen, wie die Etablierung einer datengetriebenen Kultur und die Schulung der Mitarbeiter. Der Vortrag zeigt die Analytics-Strategie von Siemens in diesem Bereich und geht auf die einzelnen Herausforderungen ein.

Zielpublikum: Data Analysts, Project Owner, Data Engineers, Mitarbeitende aus Steuer- und Zollabteilungen, Controller
Voraussetzungen: Basisverständnis von ERP-Systemen, Datenlandschaften, ETL-Prozessen, BI-Tools, Datenaffinität, Grundverständnis von Steuerprozessen von Vorteil
Schwierigkeitsgrad: Einsteiger

Rolls-Royce Power Systems has been for decades at the forefront of innovation and customer experience. The company is taking a holistic approach to data exploitation as it sets itself up for the future and transforms from a traditional engine manufacturer to a provider of integrated & sustainable solutions. Join this session with Aleksander Giece to learn how Rolls-Royce Power Systems is modernizing its data architecture to meet evolving business needs and drive new levels of performance.

Target Audience: Data Engineers, Data Scientist, Data Architects, Data and Analytics Manager, Chief Data Officer (CDOs), Chief Information Officer (CIOs), Data Analysts, Heads of Data Integration etc.
Prerequisites: Basic knowledge of data governance, analytics, especially data architecture, data warehousing and data transformation processes and understanding of these in the larger organizational context to achieve the business goals.
Level: Advanced

Die EU-Kommission schafft mit der KI-Verordnung und der KI-Haftungsrichtlinie einen Regelungsrahmen für den KI-Einsatz. Je nach Risikokategorie sind verschiedene Pflichten zu erfüllen; bestimmte Nutzungen werden verboten. Bei der Haftung wird teils eine Kausalität zwischen KI-Einsatz und Schaden unterstellt. Die Regulierung gilt auch für KI-Systeme, die bei Inkrafttreten bereits produktiv sind. Lernen Sie die zentralen Regelungen kennen. Welche konkreten Anforderungen an die IT ergeben sich? Welche Vorbereitungen können bereits erfolgen?

Zielpublikum: Projektleiter:innen, CDO, ML/AI Engineer, Data Scientist
Voraussetzungen: keine
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Die EU-Kommission reagiert auf die wachsende Bedeutung von KI mit einem eigenen Regelungsrahmen. Im April 2021 legte sie den Entwurf der sogenannten 'KI-Verordnung' vor. KI-Systeme werden in vier Risikokategorien mit verschiedenen Pflichten unterteilt; bestimmte Nutzungen werden verboten. Ergänzend stellte die EU-Kommission im September 2022 den Entwurf der 'KI-Haftungsrichtlinie' vor. Diese beinhaltet u. a. eine Kausalitätsvermutung zwischen KI-Nutzung und Schaden und weitreichende Offenlegungspflichten.
Beide Entwürfe befinden sich aktuell in Beratung. Nach Verabschiedung erfolgt die Umsetzung in nationales Recht in maximal 24 Monaten. Unternehmen, die KI nutzen, bleibt wenig Zeit zum Handeln. Insbesondere, da die Regelungen auch für bereits produktive KI-Anwendungen gelten sollen.
Lernen Sie die zentralen Inhalte der KI-Regulierung kennen. Welche konkreten Anforderungen resultieren für den KI-Einsatz? Welche Vorbereitungen sind notwendig?
 

Data Mesh ist eine dezentrale Datenarchitektur, die viele Herausforderungen zu lösen verspricht. Im World Cafè „Data Mesh“ werden provokante Thesen und Fragestellungen zu diesem Ansatz in Kleingruppen diskutiert und anschließend die Ergebnisse allen vorgestellt. Ziel ist, dass sich die Teilnehmer selbst einbringen können und gleichzeitig ein differenziertes Bild auf ausgewählte Aspekte des Data Mesh-Ansatzes erhalten.

Durch die Umstellung auf ein Event-Driven-System vor ca. 1,5 Jahren ist die Datenmenge um das Zweihundertfache gestiegen. Von ursprünglich zwanzig bis fünfunddreißig GB auf 6-7 TB pro Monat. Das bringt weitreichende Herausforderungen hinsichtlich Technologie, Organisation, aber auch in Bezug auf die Unternehmenskultur mit sich. Kommt mit auf die Daten-Reise der flaschenpost und erfahrt, warum am Ende eine Lakehouse-Lösung in Kombination mit einem Mesh-Ansatz genau die Bedürfnisse der Fachabteilungen trifft.

Zielpublikum: Entscheidungsträger:innen von Data-Projekten
Voraussetzungen: keine
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Von null auf 200: Welche Herausforderungen birgt eine Big Data Transformation?

Durch die Umstellung auf ein Event-Driven-System vor ca. eineinhalb Jahren ist die Datenmenge um das 200-Fache gestiegen. Von ursprünglich 20 bis 35 GB auf sechs - sieben TB pro Monat. Das bringt weitreichende Herausforderungen hinsichtlich Technologie, Organisation, aber auch in Bezug auf die Unternehmenskultur mit sich. Kommt mit auf die Daten-Reise der flaschenpost und erfahrt, warum am Ende eine Lakehouse-Lösung in Kombination mit einem Mesh-Ansatz genau die Bedürfnisse der Fachabteilungen trifft. Zentrale Fragen im Rahmen des Vortrags: Wie sind wir als flaschenpost vorgegangen? Welche Data-Rollen sind für eine Domäne erforderlich und was hätten wir retrospektiv anders gemacht? Außerdem klären wir, warum die Antworten in der Organisation und nicht in der Technologie zu finden sind.

In dem Vortrag geben wir am Beispiel eines Print-Mailings einen vollumfänglichen Einblick in unseren MLOps- und Kampagnenprozess: Von der Erstellung eines Scoring-Modells zur Auswahl der Zielgruppe, über das Deployment und die automatisierte Verwendung dieses Modells auf einer Kubernetes-Plattform, bis zur Ausspielung des Print-Mailings an die Teilnehmer und die Erfolgskontrolle zeigen wir, wie wir Marketingbudgets zielgerichtet verwenden, um Teilnehmergruppen entsprechend der Zielvorgabe zu selektieren und somit Streuverluste zu minimieren.

Zielpublikum: Data Engineer, Data Scientist
Voraussetzungen: Basiswissen
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:
Die DeutschlandCard hat sich im Laufe der letzten 15 Jahre von einem Bonusprogramm mit dem eindeutigen Fokus auf das Punktesammeln am stationären POS unserer Partnerunternehmen zu einer Multichannel-Marketing-Plattform weiterentwickelt. Heute sind viele Vorteile der DeutschlandCard denjenigen Teilnehmern vorbehalten, die unsere digitalen Kanäle (App, Web, Newsletter) nutzen. Exklusive Online-Coupons, unser Prämienshop, vielfältige Angebote von weit über 1.000 Online-Partnern und viele weitere Benefits für die Teilnehmer sind ausschließlich digital nutzbar. Für unsere Partnerunternehmen eröffnen sich außerdem durch die Digitalisierung neue Möglichkeiten, ihre Kunden kosteneffizient, zielgerichtet und mit kurzer Vorlaufzeit zu erreichen. Aus diesen Vorteilen für unsere Teilnehmer und Partnerunternehmen resultiert das Ziel, möglichst viele 'Offline-Teilnehmer' in die digitalen Kanäle, insbesondere in die DeutschlandCard-App, zu bringen. 
In unserem Vortrag wollen wir am Beispiel eines Print-Mailings mit dem Ziel Digital-Shift einen vollumfänglichen Einblick in unseren MLOps- und Kampagnenprozess geben: Von der Erstellung eines Scoring-Modells zur Auswahl der Zielgruppe, über das Deployment und die automatisierte Verwendung dieses Modells auf einer State of the Art Plattform, bis zur Ausspielung eines Print-Mailings an die Teilnehmer und die Erfolgskontrolle zeigen wir, wie wir Marketingbudgets zielgerichtet verwenden, um Teilnehmergruppen entsprechend der Zielvorgabe zu selektieren und somit Streuverluste zu minimieren. 
Ein besonderes Augenmerk gilt in der Präsentation dabei einerseits der Erstellung und kontinuierlichen Optimierung des Scoring-Modells zur Identifikation der Teilnehmer mit der höchsten Wahrscheinlichkeit in die App zu konvertieren. Andererseits zeigen wir, wie wir dieses Modell deployen und auf einer hochmodernen Kubernetes-Architektur automatisiert anwenden. 
 

Ethische KI, aber wie?
Spätestens seit ChatGPT ist Künstliche Intelligenz (KI) massentauglich geworden. Sehr schnell wurden Rufe nach der Regulierung von solchen Anwendungen laut und die EU arbeitet an einem AI Act. Italien hat als erstes Land ChatGPT temporär verboten, unter anderem aufgrund ethischer Bedenken. Wie bei zahlreichen Technologien zuvor, folgt auf die erste euphorische Welle ein vorsichtigerer Ansatz mit Fokus auf potenzielle Gefahren und gesetzlicher Regulierung.
Die interaktive Session zeigt Risiken durch maschinelle Entscheidungen auf und bietet einen Überblick zu verschiedenen Frameworks. Im Anschluss werden Perspektiven auf Best Practices für den ethischen Einsatz von Anwendungen im KI-Umfeld geboten.

Zielpublikum: Entscheider:innen, Projektleiter:innen, Data Scientists, Entwickler:innen
Voraussetzungen: Basiswissen zu KI-Technologien
Schwierigkeitsgrad: Einsteiger
 

Integration architectures are the key to modern architectures in every case. It is valid for green-field project, but especially in evolving existing architectures to modern architectures. To bring legacy systems in the cloud highly decoupled systems are necessary. To do so, event-driven architectures are necessary, because decoupling can easily be achieved via events. The talk shows how an event-driven architecture can help to evolve an existing architecture to the state of the art.

Der Weg vom Legacy ERP-System in ein SAP S/4HANA ERP-System ist gepflastert mit Herausforderungen:
Wie migriert man Archivdateien? Kann man die Daten reorganisieren? Was tun, wenn viele Legacy Systeme gemerged in ein neues System fließen sollen? Wie bekomme ich einen Post-Load-Report? Und können wir bei der Migration nicht gleich unsere Datenqualitätsprobleme lösen?
In diesem Vortrag zeigen wir Ihnen die "cimt S/4HANA Migration Factory". Unsere Lösung, um bestehende Legacy Systeme in ein zentrales S/4HANA System zusammenzuführen und zu konsolidieren. Powered by cimt, Talend & AWS

Data & Analytics-Architekturen und BIA-Systeme liefern die Basis für Entscheidungen, treffen sie aber meist nicht. Insofern ist die Entscheidungsfindung selbst von hoher Bedeutung: Auch auf Basis guter Daten können unbeabsichtigt und unnötig schlechte Entscheidungen getroffen werden. Im Vortrag werden die Grundzüge der normativen Entscheidungstheorie vermittelt. Auf dieser Basis wird dargelegt, welche Fehler vielfach begangen werden und wie sich diese verhindern oder begrenzen lassen.

Zielpublikum: Entscheider:innen
Voraussetzungen: Neugier, Offenheit und grundlegende Datenkompetenz
Schwierigkeitsgrad: Einsteiger
 

Der Modern Data Stack ist in aller Munde. Aber nicht nur der Modern Data Stack, sondern auch für die Zusammenarbeit im Analytics Engineering-Team ergeben sich dadurch neue Möglichkeiten, und darüber hinaus kann die Zusammenarbeit mit dem Fachbereich auf neue Beine gestellt werden. Aber welche Tools haben sich bewährt und was sind die Einsatzzwecke? Konzentriert wird sich in dieser Session auf Visual Studio Code und sinnvolle Erweiterungen für eine optimierte Entwicklerumgebung.

Zielpublikum: Data Engineers, Analytics Engineers und DWH-Entwickler:innen
Voraussetzungen: Basiswissen dbt/Analytics Engineering
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:
In diesem Vortrag werden Sie einen Einblick in die Welt des Analytics Engineering bekommen und erfahren, wie Sie Ihren Workflow optimieren und effektiver zusammenarbeiten können. Ein wichtiger Bestandteil dabei ist die Zusammenarbeit im Team. Um einen reibungslosen Workflow zu gewährleisten, ist es entscheidend, die richtigen Tools und Arbeitsumgebungen zu nutzen. Visual Studio Code bietet hierfür eine Vielzahl an Möglichkeiten. Durch die Verwendung von empfohlenen Erweiterungen kann das Analytics Engineering-Team noch effizienter zusammenarbeiten.

Unter anderem SqlDBM, dbt, Snowflake, Jira, Confluence und ChatGPT sind nun die Stars auf dem Spielfeld.
Welche Vorteile ergeben sich aus der Nutzung und Einbindung moderner Werkzeuge in die VS Code-Entwicklungsumgebung?
Können diese Werkzeuge die Produktivität steigern und den Entwicklungsprozess effizienter machen?

Darauf möchten wir in dieser Session eingehen und Antworten unter anderem anhand eines Praxisbeispiels liefern.
Neben dem unschätzbaren Methodenwissen, welches beim Analytics Engineering nicht an Bedeutung verloren hat, kommen jetzt echte Innovationen.
Wir laden alle Interessierten ein, sich unsere Ansicht und Erfahrungen anzuhören und mitzudiskutieren, wie man das Potenzial des Analytics Engineering-Teams am besten ausschöpfen kann.
 

This session looks at closing the loop between analytics and operations. It looks at embedding BI and machine learning models into operational business processes to guide and drive decisions and actions in everyday business operations. It looks at how to create intelligent applications, and at using AI driven automation for right-time business process optimisation and decision management.

Target Audience: Solution Architects, Business Analysts, CDOs, CDAOs, Process Specialists, Data Scientists, COOs
Prerequisites: Good understanding of BI and machine learning
Level: Advanced

Extended Abstract:
Although analytics in many organisations is well established, it is still the case that perhaps no more than 25% of employees make use of reports and dashboards from BI tools with even fewer using machine learning models or AI. There is still a long way to go if companies are to realise the promise of using ML and AI to automatically prevent problems, seize opportunities and continually optimise business processes in everyday business operations.
This session looks at how to make data-driven business work by closing the loop between analytics and operations. It looks at embedding BI and machine learning models into operational business processes to guide and drive decisions and actions in everyday business operations. It looks at how to create intelligent applications, and at using AI driven automation for right-time business process optimisation and decision management. The objective is to move towards automated, self-learning, AI-driven business operations.
•    An introduction to data-driven business optimisation
•    Technologies and tools for the data-driven intelligent enterprise
•    Architectures and methodologies for creating the smart enterprise
•    Embedding analytics and AI into operational applications and processes
•    Active dynamic planning and management for continuous optimisation
 

Die Modellierung von CRM-Daten mithilfe von Data Vault 2.0 ist eine typische Aufgabe in Enterprise Data Warehousing-Projekten. In diesem Beitrag stellen wir verschiedene Design Patterns aus unserer praktischen Erfahrung in diesen Projekten vor. Weiterhin gehen wir auf typische Herausforderungen mit CRM-Installationen ein und stellen unsere Best Practices in diesem Bereich vor. Der Beitrag basiert auf unseren internen Modellierungs-Empfehlungen für CRM-Systeme.

Zielpublikum: Data Vault 2.0-Anwender:innen, Data Warehouse-Entwickler:innen mit Interesse an Data Vault 2.0
Voraussetzungen: Diese Präsentation zielt auf Teilnehmer:innen mit Data Vault 2.0-Kenntnissen ab. Grundlegende CRM-Kenntnisse, insbesondere zu deren Datenmodellen, sind vorteilhaft.
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:
Die Entitäten der Data Vault 2.0-Modellierung (Hubs, Links, Satelliten) sind klar definiert - zumindest in der Theorie. In der Praxis steckt der Teufel jedoch manchmal im Detail. Daher wollen wir mit diesem Beitrag auf die Modellierung eines typischen Quellsystems, hier CRM, eingehen und verschiedene Standard-Muster vorstellen, die auf unseren Modellierungsempfehlungen basieren. Einfache Fälle wie Stammdaten (Kontakte, Organisationen, Produkte etc.) sollten schnell abgehakt sein, jedoch werden wir genau hinschauen, was auch hier die Fallstricke sind, und entsprechend diskutieren.

Als Nächstes dran sind die nicht veränderlichen (Bewegungsdaten) Daten. Hier wird es etwas komplizierter, denn nicht veränderliche CRM-Daten existieren vermutlich nicht mal in der Theorie. In der Realität können die meisten Daten verändert werden. Die daraus resultierenden Modellierungs-Entscheidungen werden durch die Vortragenden diskutiert, auch gerne in Interaktion mit dem Publikum.

Eine weitere Art von Daten, die häufig zu finden sind, sind die Belegpositionen. Auch hier ist eigentlich alles definiert, aber was passiert, wenn in den Daten keine Positionsnummer vorhanden ist? Oder Belege und deren Positionen mit der Zeit verändert werden? Auch hier gibt es einiges zu diskutieren.

Auswahllisten werden als Referenztabellen modelliert - soweit, so einfach. Doch was ist, wenn sich die Einträge in den Auswahllisten ändern, einige gelöscht oder neue hinzugefügt werden? In einer auditfähigen Umgebung? Was, wenn die Sortierreihenfolgen, die Standardfarben und Beschreibungen für die analytische Applikation unabhängig vom Quellsystem definiert werden sollen?

Mehrere Mandanten? Check.

Hoch-performante Umrechnung von Fremdwährungen in die Eigenwährung oder jede beliebige Währung? Check. Anwendung mehrerer fachlicher Zeitlinien? Check.

Value für das Publikum? Check.

Je nach verfügbarer Zeit beenden wir den Beitrag mit einer offenen Fragerunde ('Bring your own questions').

Vom Anforderungsmanagement zum fertigen Bericht. In diesem Vortrag werde ich anhand eines Use Case aus unserer betrieblichen Praxis erläutern, wie die Business Needs des Fachbereichs ermittelt, gesteuert und schließlich in einem fertigen Reporting zur Verfügung gestellt werden. In einem praxisorientierten Ansatz, den wir stetig weiterentwickeln, wird aus einer Anforderung moderne Wirklichkeit.

Zielpublikum: PowerBI-Entwickler:innen, Projektleiter:innen, Entscheider:innen, Controller:innen, Product Owner
Voraussetzungen: keine
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
In diesem Vortrag wird aufgezeigt, wie insbesondere

• -Anforderungsmanagement
• -Business translation
• -Projektmanagement

bei der Entwicklung eines neuen Reports gelingen kann.

Der Vortrag beschäftigt sich mit Good Practices für die Entwicklung von Machine Learning-Pipelines und einer praxiserprobten Architektur in der Google Cloud. Es zeigt, wie man Data-Engineering-Herausforderungen, die Erstellung von Machine Learning-Modellen und MLOps-Betriebskonzepte miteinander verbinden kann, um effiziente und skalierbare Workflows zu erstellen. Durch die Auswahl der passenden Services schafft man eine zukunftsorientierte Architekturlösung.

Zielpublikum: Data Engineer, Data Scientist, Projektleiter:innen, Cloud Engineer, Cloud Architecture
Voraussetzungen: Erfahrung in Datenmanagement und Cloud Engineering
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:
Der Vortrag befasst sich mit den Good Practices bei der Entwicklung von Machine Learning-Pipelines in der Google Cloud. Hierbei wird eine praxiserprobte Architektur vorgestellt, die verschiedene Services aus der Google Cloud-Landschaft nutzt. Die Schwerpunkte sind Data Engineering-Herausforderungen, die Entwicklung von Machine Learning-Modellen und die effiziente Umsetzung von MLOps-Betriebskonzepten. Prozesse, wie das Management unterschiedlicher Quelldatenformate und mögliche Datenstrukturänderungen, werden in der Architektur aufgegriffen. Der Schwerpunkt liegt auf wichtigen Pipeline-Schritten, wie Feature Engineering, Modellentwicklung und Modellbewertung, sowie dem effektiven Betrieb innerhalb der Google Cloud. Durch die Auswahl passender Services schafft man eine zukunftssichere Architekturlösung.
 

Wir programmieren gemeinsam von der grünen Wiese aus einen vollumfänglichen Schachcomputer: Spielbrett und Figuren zeichnen, alle Regeln (inkl. Bauernumwandlung, en passant, Rochade, Fesselung, ...), lange Notation, unterschiedliche Computergegner, Taktikstufen, Zugvorausberechnung usw. Das alles mit reinem T-SQL! Dank modularem Aufbau für Anfänger und Profis gleichermaßen geeignet. Alle relevanten Programmiertechniken: Rekursion, Pivotierung, Prozeduren, Funktionen, Laufzeitoptimierungen, Indizes, Constraints, Security, Architektur, ...

Benötigt wird ein Laptop, sofern Teilnehmer aktiv mitmachen wollen.

Zielpublikum: (DB-)Entwickler:innen, Data Scientists, Data Analysts, DB Admins
Voraussetzungen: erste Kenntnisse in einem beliebigen SQL-Dialekt (wir nutzen T-SQL) sinnvoll, Schachwissen nicht notwendig. Zum Mitmachen wir folgendes benötigt: SQL-Server (ab Version 2016), Management Studio als Programmierumgebung, 500 MB Plattenspeicher, 8 GB RAM
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:
Modularer Aufbau mit vielen Praxisübungen. Beliebige Schwierigkeitsgrade auch parallel bedienbar. Alle Aufgaben mit Lösungen. Idealer Trainingsgrundstoff, um die Datenbankabfragesprache SQL in ihrer ganzen Tiefe zu verstehen und anzuwenden.

Eingeleitet mit einem Impulsvortrag über Data Mesh diskutieren Andreas Buckenhofer und Armin Wildenberg mit weiteren eingeladenen sowie spontanen Teilnehmern im Rahmen einer offenen und interaktiven Runde im FishBowl Format über das notwendige Mindset bei der Verfolgung der Datennutzung nach dem Ansatz Data Mesh.  

Wo unterscheidet sich Data Mesh von Data Ware House und Data Lake? Wie verändert sich die Sichtweise auf die Daten? Welche Veränderungen ergeben sich in der Zusammenarbeit? Sind wir bei Data Mesh bereits bei BizDevOps? Folgt auf Data as a product demnächst Data as a service? Nach den einleitenden Fragestellungen ergibt sich im Rahmen des Formats durch die dynamische Veränderung der Runde die Möglichkeit die Diskussion, um neue Aspekte und Sichtweisen zu ergänzen. 

Data in motion itself requires a rethinking of how to handle data and what an IT architecture should look like. This opens new ways of analyzing data in near real-time. We’ll have a look at the possibilities of data analytics in motion.

• Which use cases can be covered?
• What technologies can be used for real-time analytics?
• What differences are there to batch analytics?

Prerequisites: none
Level: Basic

In nur 20 Minuten können Sie eine hochmoderne Datenplattform einrichten, die Business Intelligence und Datenmanagement vereinfacht. Verwenden Sie eine attraktive Drag & Drop-Schnittstelle, um Ihre Analysen effizienter und einfacher zu gestalten, ohne dass Programmierkenntnisse erforderlich sind! Die Erstellung aller notwendigen Tabellen, Felder, Strukturen und Pipelines wird automatisiert, während Governance, Orchestrierung und Dokumentation im Hintergrund sichergestellt werden, wobei optimierter Code generiert wird. Lassen Sie TimeXtender – den Vorreiter für automatisierte Datenplattformen – Ihnen zeigen, wie Sie sich von hochspezialisierten Aufgaben bei der Informationsverwaltung befreien können, damit Ihre Arbeit einfacher und schneller wird!

Die Reise hin zum datengesteuerten Unternehmen geht über die reine Analyse von Daten hinaus. Viele Datenprojekte bringen nicht den geplanten Erfolg und Nutzen. Auch wenn das Projekt erfolgreich abgeschlossen wurde, die Ergebnisse den ursprünglichen Business Case bestätigen, haben Unternehmen Schwierigkeiten, die Ergebnisse zu nutzen. Die Befähigung der Mitarbeiter und Change Management in Datenprojekten werden oft vernachlässigt. In diesem Vortrag beleuchten wir, wie Data Storytelling helfen kann, Datenprojekte nachhaltig erfolgreich zu machen.

Zielpublikum: Data Analysts, Data Scientists, Projektmanager:innen, CDOs
Voraussetzungen: keine
Schwierigkeitsgrad: Einsteiger
 

Dbt hat sich als das ELT-Tool der Wahl des Modern Data Stack etabliert und erfreut sich immer größerer Beliebtheit. Das Tool ist Code-basiert und kann für SQL basierte ELT-Prozesse zur Transformation von Daten genutzt werden. Da es sich häufig noch nicht im produktiven Einsatz befindet, aber von vielen als mögliches Tool geprüft wird, wollen wir unsere Erfahrungen teilen, um den Einstieg zu erleichtern. Wir stellen dbt in diesem Vortrag praktisch vor, zeigen, wie es sich in der Nutzung anfühlt, und berichten über unsere Projekterfahrungen.

Zielpublikum: Data Engineers, Architekt:innen
Voraussetzungen: Grundkenntnisse in SQL und ELT-Prozessen
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Dbt hat sich als das ELT-Tool der Wahl des Modern Data Stack etabliert und erfreut sich immer größerer Beliebtheit. Das Tool ist Code-basiert und kann für SQL basierte ELT-Prozesse zur Transformation von Daten genutzt werden. Da es sich häufig noch nicht im produktiven Einsatz befindet, aber von vielen als mögliches Tool geprüft wird, wollen wir Erfahrungen aus unseren Projekten teilen, um den Einstieg zu erleichtern. Wir stellen dbt in diesem Vortrag praktisch vor, zeigen, wie es sich in der Nutzung anfühlt, und berichten über unsere praktischen Erfahrungen aus verschiedenen Projekten. 

Dabei gehen wir im Laufe des Vortrages u. a. auf die folgenden Themen ein: 
- Dbt - Was ist das überhaupt? Installation und Einbettung in den Modern Data Stack. 
- Dbt - Projektaufbau und erste Schritte. Was darf man von Anfang an beachten? 
- Dbt - Automatisierung und Templating. Wie kann dbt das Coden erleichtern? 
- Dbt - Packages. Wie können die Erweiterungen helfen? 
- Dbt - Data Vault mit dbt. 
- Dbt - run. Wie können dbt jobs ausgeführt werden und wie helfen einem Tags dabei? 
- Dbt - Tests. Wie können ELT-Prozesse mit dbt getestet werden? 
- Dbt - Einbindung in CI/CD. Deployment und Orchestrierung in Pipelines. 
- Dbt - Was geht noch? Python zur Transformation und Definition von Metriken. 

Am Ende des Vortrags freuen wir uns auf eine rege Diskussion und einen Austausch: Was sind Ihre Erfahrungen mit dbt?
 

Governance im Data Mesh ist föderal und soll möglichst automatisiert sein. Eine Gruppe mit Expert:innen und Repräsentanten der Teams entscheidet über die Spielregeln im Data Mesh, bspw. zu Interoperabilität oder Security, mittels globaler Policies, die von der Plattform automatisiert werden. Aber wie genau soll das funktionieren? Wir stellen ein Governance-Betriebsmodell vor, basierend auf dem Ansatz von Architecture Decision Records. Wir diskutieren Beispiele globaler Policies, und wie diese automatisiert werden können.

Zielpublikum: Data Architects, Entscheider:innen, Data Mesh Adopters, Data Governance Expert:innen
Voraussetzungen: Grundkenntnisse in Data Mesh. Kenntnisse in Data Governance sind hilfreich, aber nicht erforderlich.
Schwierigkeitsgrad: Einsteiger

Natürlich ist Künstliche Intelligenz nicht das Allheilmittel, um aus den aktuellen Problemen zu führen. Aber je besser die Produktion, desto besser die Wirtschaftlichkeit und die Standortsicherheit. 

In diesem Vortrag werden Praxisbeispiele im Kontext Industrie 4.0 aufgezeigt, wie Energie mittels KI gespart wird, wie Ausschuss reduziert wird und wie Maschineneffizienz gesteigert wird.

Zielpublikum: Verantwortliche in der Produktion, bspw. Qualitätsmanager:innen, Energiemanager:innen, Instandhaltungsleiter:innen
Voraussetzungen: keine
Schwierigkeitsgrad: Einsteiger
 

Welche KI benötige ich, und wenn ja, wie viele? Die Erfolge von Chat GPT und ähnliche Machine Learning Modelle lassen anderes vermuten, aber erfolgreiche digitale Assistenten beruhen nicht allein nur auf der Wahl der richtigen Künstlichen Intelligenz (KI). Die Entwicklung digitaler Assistenten ist ein Strategiespiel, besonders wenn das Entwickler Team den Umgang mit Sprache als Medium innerhalb der Anwendung nicht gewohnt ist. Gerade am Anfang eines Projektes gibt es eine Menge von Fragen zu klären die über den Rahmen der KI hinausgehen. Zu diesen Fragen gehört unter anderem die Anbindung der KI an Backend-Systeme wie Datenbanken, sowie die Definition von Erfolgsfaktoren. Und das ist dann auch nur die Spitze des Eisberges. Basierend auf die mehrjährige Erfahrung eines ganzen Teams bei Oracle, betrachtet dieser Vortrag die Entwicklung von digitalen Assistenten ganzheitlich; für jeden verständlich und ohne mathematische Formeln. Das Ziel ist es einen Wissens-Vorsprung zu vermitteln, der zukünftige Projekte schneller (und) erfolgreich macht. Sämtliche Beispiele basieren auf den Oracle Digital Assistant, können aber problemlos auf andere Technologien übersetzt werden. 

We will learn about the latest MLOPs strategies and how to approach application deployment for production using various cloud-native technologies.
We will illustrate how the infrastructure, model and pipeline templates built by Data Reply reduce the time needed to get a QA application into production, allowing manufacturers to reap the significant benefits these machine learning applications can offer.

Digital transformation forces companies to consider data an asset, making new business models or processes possible. Fast-changing markets lead to fast-changing business requirements. What delivers value today will not necessarily have value tomorrow.
That is why data transformation is so significant: it should transform data into a desired format with business value today and tomorrow.

Organizations lost control over data delivery:

• DWH projects go over time and budget
• Lack of trust in data projects
• Data is not readily available across the organization, prohibiting cross-divisional collaboration
• Lack of transparency in data results in suboptimal answers to cross-divisional questions
• Maintenance costs are soaring

Some progress has been made in recent years, but it is not nearly enough. We need to raise the bar for data transformation seriously.
Learn how automated data transformation and abstract ETL will become the next industry standard in data transformation.

Obwohl Unternehmen viel in Tools, Technologien, Prozesse und Ausbildung ihrer Mitarbeitenden investieren, wird der volle Wert von Daten & Analytics oft nicht ausgereizt. 
In meinen 20 Jahren Erfahrung im Bereich 'Reporting, BI und Analytics' bin ich zum Schluss gekommen, dass der weiche Faktor 'Mensch' dabei eine entscheidende Rolle spielt.
Anhand von einigen 'typischen' Themen möchte ich, mit einem Augenzwinkern, einen Realität-Check vornehmen und mögliche Auswege aus der bestehenden Diskrepanz aufzeigen.

Zielpublikum: Alle Interessierten
Voraussetzungen: keine
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Es werden verschiedene Topics (u. a. anhand von Personas) dem Realitäts-Check unterzogen:
- Analytics-Architektur / Datenarchitektur
- Data Scientist / Data Engineer
- Analytics Manager
- Self-Service / Datenmodellierung
- Consultants / Mitarbeitende bei einem Tool-Hersteller
und last but not least: der Nutzer/die Nutzerin von Analytics im Unternehmen

Stell Dir vor, Du könntest Deine Datenplattform ohne Widerstand beladen, Rohdaten aus heterogenen Quellen einfach sicher persistieren, Schema Drift wäre auch kein Problem und eine automatische Historisierung inclusive. All das ohne eine Zeile Code, rein durch Konfiguration. Als ob das nicht genug wäre, erstellst Du auf Knopfdruck eine vollständige Sandbox mit allen Daten für die weitere Entwicklung. Geht nicht? Geht doch! Wir zeigen Dir, wie die Kombination von Loading Framework, Snowflake und Datavault Builder genau das ermöglicht.

Zielpublikum: Data Engineers, Data Architects, Entscheider:innen, Solution Engineers
Voraussetzungen: Grundverständnis von Infrastruktur, Cloud Computing und Data Vault
Schwierigkeitsgrad: Fortgeschritten
 

Was kann Künstliche Intelligenz heute leisten? In diesem Vortrag zeigen wir anhand einer Vielzahl von Live-Beispielen, ob der Begriff ein überhyptes Buzzword oder die Schlüsseltechnologie der digitalen Zukunft ist. Das TNG Innovation Hacking Team arbeitet seit Jahren an zahlreichen KI-Projekten im Bereich Computer Vision und Natural Language Processing. Kommen Sie auf eine Reise durch die Welt der Künstlichen Intelligenz und deren Architektur, vorgestellt am Beispiel verschiedener Innovations-Projekte.

Zielpublikum: Entscheider:innen, Manager:innen, Entwickler:innen, IT-affine Menschen
Voraussetzungen: keine
Schwierigkeitsgrad: Einsteiger
 

Datenmanagement und Business Intelligence sind eng verwobene Bereiche, werden allerdings in vielen Unternehmen in separaten Teams und Abteilungen strukturiert. In diesem Vortrag wollen wir vorstellen, wie Pixum Data Warehouse Automation nutzt, um damit eine zentrale Anlaufstelle für Daten und Dashboards im Unternehmen bereitzustellen.

Zielpublikum: Entscheider:innen, IT-Architekt:innen, Data Engineers
Voraussetzungen: Basiswissen
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Datenmanagement und Business Intelligence sind eng verwobene Bereiche, werden allerdings in vielen Unternehmen in separaten Teams und Abteilungen strukturiert. Pixum wählt hier seit Jahren einen anderen Ansatz und verwaltet sowohl das Data Warehouse als auch die Business Intelligence in einem Team - dem Team 42. Um die große Komplexität einer solchen Umgebung in einem kleinen Team abbilden zu können, müssen die genutzten Tools die Mitarbeiter bestmöglich unterstützen. In diesem Vortrag wollen wir daher vorstellen, wie Pixum Data Warehouse Automation nutzt, um alle Daten-Ladeprozesse effizient zu steuern und eine zentrale Anlaufstelle für Daten und Dashboards im Unternehmen bereitzustellen. Dies unterstützt die datengetriebene Unternehmenskultur.

Die Entwicklung und Einführung eines Data Governance-Programms und eines Datenkatalogs ist für jedes Unternehmen eine Umstellung. Zuständigkeiten und Verantwortung für Daten wollen explizit definiert, Prozesse eingeführt und Wert und Bedeutung von Daten sichtbar gemacht werden.

Der Vortrag beleuchtet anhand einiger Fallbeispiele, wie die verschiedenen Herausforderungen eines solchen Vorhabens gemeistert werden und sich der Fortschritt messen lässt, damit ein langfristig erfolgreiches Programm entsteht.

Zielpublikum: Projektleiter:innen, Architekt:innen, Data Management, Senior Data Engineers
Voraussetzungen: Grundkenntnisse im Datenmanagement
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Jedes Jahr wachsen die Datenbestände eines Unternehmens weiter: Die existierenden Prozesse und Arbeitsabläufe generieren Unmengen an Daten, welche aufgrund günstiger Speicherpreise immer länger und feingranularer aufbewahrt werden können, Daten aus frei zugänglichen Quellen wie Social Media oder hinzugekaufte oder mit Partnerunternehmen ausgetauschte Daten werden in immer größerem Umfang gesammelt und genutzt.

Gesammelte Daten sind aber noch keine Informationen und erst recht keine Erkenntnisse, auf deren Basis man als Unternehmen handeln könnte. Die gesammelten Daten zu managen und für verschiedenste Zwecke auffindbar und nutzbar zu machen, ist also eine zunehmend komplexere Aufgabe. Data Governance als organisatorischer Rahmen und ein Datenkatalog als technisches Tool können hier Eckpfeiler für eine effiziente Datennutzung im Unternehmen liefern.

Dieser Vortrag zeigt anhand von Best Practices und einigen Fallbeispielen aus verschiedenen Branchen, wie die verschiedenen Herausforderungen bei der Einführung sowohl von Data Governance als auch eines Datenkatalogs gemeistert werden können, damit ein langfristig erfolgreiches Programm entsteht. Außerdem betrachten wir, wie sich Erfolg von Data Governance messen lässt, um damit nicht zuletzt Investitionen in diesem Bereich zu begründen.

Eine Möglichkeit, die Nachvollziehbarkeit der Entscheidungen von KI-Modellen zu erhöhen, ist Explainable AI (XAI). In unserem Vortrag geben wir eine Einführung in dieses sehr relevante und spannende Feld. Anhand eines Use-Cases zeigen wir die Wichtigkeit von XAI auf und gehen tiefer auf einige Methoden ein, die helfen können, die gestellten Anforderungen zu erfüllen. Zusätzlichen diskutieren wir den konkreten Nutzen, den XAI bringen kann, anhand einer Reihe von Beispielen aus der Praxis und geben einen Einblick, welche Bereiche besonders profitieren können.

Zielpublikum: Entscheider:innen, Data Scientists
Voraussetzungen: Grundsätzliche Kenntnis über Machine Learning-Anwendungen
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Moderne KI-Algorithmen werden zunehmend komplexer und die getroffenen Vorhersagen können immer schwer nachvollzogen werden. Dies erschwert den Einsatz von KI im Allgemeinen und besonders in hochregulierten Bereichen, in denen Nachvollziehbarkeit eine große Rolle spielt (z. B. Finance und Insurance). Aktuelle Gesetzesvorhaben wie der European AI-Act verstärken dieses Problem zusätzlich, da Nachvollziehbarkeit mehr und mehr zu einer verpflichtenden Eigenschaft von KI-Modellen in vielen Bereichen wird. Eine Möglichkeit, die Nachvollziehbarkeit der Entscheidungen von KI-Modellen zu erhöhen, ist Explainable AI (XAI). In unserem Vortrag geben wir eine Einführung in dieses sehr relevante und spannende Feld. Anhand eines Use-Cases zeigen wir die Wichtigkeit von XAI auf und gehen tiefer auf einige Methoden ein, die helfen können, die gestellten Anforderungen zu erfüllen. Zusätzlichen diskutieren wir den konkreten Nutzen, den XAI bringen kann, anhand einer Reihe von Beispielen aus der Praxis und geben einen Einblick, welche Bereiche besonders profitieren können.
 

Wie gelingen und wieso scheitern Projekte? In der Regel hören wir mehr von gescheiterten als gelungenen Projekten. Welche Faktoren machen erfolgreiche Projekte aus? Im Rahmen dieses interaktiven Vortrages werden insbesondere die Rahmenbedingungen von Projekten (z.B. Termindruck) und die Beweggründe von Projektmitgliedern in einer Erzählung aus einem "alltäglichen" Projekt beleuchtet. Über eine Retrospektive zu drei Meilensteinen des Projektes werden Parallelen zu anderen Projekten gezogen und gemeinsam mit den Teilnehmern (u.a. über mentimeter) vertieft und erweitert 

Des Weiteren werden Bezüge zum Kapazitäten Management in Projektplanungen und der Problematik der Projektplanung generell hergestellt und gemeinsam mit den Teilnehmern betrachtet und erörtert. Diskutiert wird zum einen die Fragestellung: "Was alltägliche Projekte von Projekten in unseren Unternehmen unterscheidet?" sowie über das Pro und Conta von festen Terminvorgaben debattiert. 

Willkommen in der Ära der Demokratisierung von Unternehmensdaten! Erfahren Sie, wie „Data Democratization“ Ihre Organisation agiler, datengetriebener und innovativer macht. Bessere Entscheidungen, intensive Zusammenarbeit und eine offene, datengesteuerte Kultur – lieber heute als morgen! 

Erfahren Sie in unserem Vortrag wie Ihre Daten einen Mehrwert für Ihr Unternehmen schaffen können, wenn Sie Unternehmensdaten „demokratisieren“. Doch was ist Data Democratization überhaupt? Welche Voraussetzungen sind dafür notwendig? Und welche Herausforderungen sind vorab zu lösen? 

Wenn Sie sich für Data Democratization entscheiden, entscheiden Sie sich nicht nur für eine gesteigerte Mitarbeiterperformance auf allen Unternehmensebenen, sondern auch dafür sich auf den Weg zu einer einfachen und breiten Datennutzung zu begeben – jenseits von Silos! 

2017 machte Jonas sich auf, auf der Kontinentaldurchquerung durch Europa und Asien seinen ersten Weltrekord auf dem Fahrrad aufzustellen. 
Danach kündigte er seinen Job im Software-Vertrieb in München, wo er seit seinem International Business Studium arbeitete, und stellte in den Folgejahren weitere Weltrekorde auf den grossen Ultradistanzen Alaska-Feuerland und Nordkap-Kapstadt auf. 
Im September 2020 dann, brach Jonas zu seinem bislang grössten Abenteuer auf, dem Triathlon um die Welt.“ 
Einmal um die Erde, in den Triathlon-Disziplinen Schwimmen, Laufen und Radfahren. Ganz auf sich allein gestellt hat Jonas Deichmann das Unmögliche möglich gemacht: Während die Welt im Lockdown verharrt, umrundet er sie, in 14 Monaten voller Grenzerfahrungen und Momenten größten Glücks. Jonas schwimmt durch die Adria, gegen tückische Strömungen und teils in der Dunkelheit, fährt mit dem Fahrrad 20.000 Kilometer von Dubrovnik bis nach Wladiwostok bei klirrender Kälte, und durchläuft Mexiko in 120 Marathons. Begleitet von Menschen, jung und alt, die sich ihm spontan anschließen, um für ein paar Kilometer Teil seines Abenteuers zu werden, und beflügelt von Millionen Fans im Netz. Am Ende steht eine unglaubliche Geschichte von Mut und Motivation.

Genieße kühle Drinks und kleine Snacks, während du wertvolle Kontakte knüpfst und den ersten Messetag revue passieren lässt!