Der Aufbau eines Data Warehouse ist erfahrungsgemäß sehr aufwendig und langwierig. Gerade in Zeiten von Fachkräftemangel stellt es v. a. mittelständische Unternehmen vor die Herausforderung: Ausbau datengetriebener Entscheidungen, Automatisierung von Prozessen, Integration von IoT-Systemen. Die Goldhofer Aktiengesellschaft hat deshalb den Schritt zu Data Warehouse Automation mit dem Datavault Builder gewagt und innerhalb eines Jahres ein neues DWH aufgebaut.

Zielpublikum: Manager:innen, BI- und DWH-Entwickler:innen
Voraussetzungen: Grundverständnis zum Data Warehouse
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Wie gelingt der Weg zum datengetriebenen Unternehmen im Mittelstand? Datenbasierte Entscheidungen, Prognosesysteme, Verknüpfung von operativen Daten mit IoT-Daten, Automatisierung - Hierfür wird eine integrierte Datenbasis benötigt! Die Anbindung neue Systeme dauert meist mehrere Wochen. Anpassungen an bestehenden Systemen können durch die zunehmende Komplexität zu Seiteneffekten führen, was den Aufwand für die Wartung kontinuierlich steigen lässt. 
Um die Entwicklungszeit im Data Warehouse zu beschleunigen, mehr Flexibilität in der Modellierung zu ermöglichen und den Wartungsaufwand zu minimieren, hat sich die Goldhofer Aktiengesellschaft für die Einführung von Data Vault 2.0 mit Automatisierung durch den Datavault Builder entschieden. Nach über einem Jahr Nutzung der neuen Architektur hat sich bestätigt, dass die Nachteile der höheren Komplexität von Data Vault 2.0 durch die Automatisierung in den Hintergrund rücken. Das Unternehmen profitiert neben der gestiegenen Entwicklungsgeschwindigkeit von der gestiegenen Agilität und Transparenz aller Zusammenhänge und Automatisierung des Deployments. Durch die Metadaten-basierte Entwicklung sind die Wege für Migration auf eine analytische Datenbank bereitet.

Auf dem Gesamtweg in die Cloud hat Hapag-Lloyd seine analytischen Fähigkeiten gestärkt, indem es eine zentrale Datenspeicherung ('Data LAKE') eingeführt hat und so Herausforderungen im Zusammenhang mit On-Premise-Lösungen überwunden und weitere Anwendungsfälle und Analysen ermöglicht hat. Die Präsentation wird auf die gemeisterten Herausforderungen und die direkten Vorteile aus dem Übergang in die Cloud eingehen.

Zielpublikum: Entscheider:innen, Product Specialists, Data Analysts, Data Scientists
Voraussetzungen: Grundlegendes analytisches Wissen, Grundlagen von Cloud-Umgebungen
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Als eine der führenden Reedereien hat Hapag-Lloyd schon immer einen starken Fokus auf eine starke IT-Infrastruktur für den Betrieb und die Analyse gelegt - insbesondere die Nutzung von Daten, um Erkenntnisse, Dashboards und konkrete Maßnahmen zu generieren.

Mit immer mehr verfügbaren und zugänglichen Daten wird es immer deutlicher, dass die Fähigkeit, diese handlungsorientiert, sichtbar und in Produkte umzusetzen, ein entscheidender Erfolgsfaktor in der Schifffahrtsindustrie ist.
Angesichts der bevorstehenden neuen Herausforderungen hat Hapag-Lloyd beschlossen, die IT-Landschaft in die Cloud zu verlagern und ein enormes Projekt zur Migration, Überprüfung, Neubewertung und Innovation der gesamten IT-Landschaft in Richtung einer vollständig Cloud-basierten Infrastruktur zu starten.
Als eine der ersten Erfolgsgeschichten hat Hapag-Lloyd das Cloud-basierte Produkt 'Data Lake' aufgebaut. Das Produkt selbst ist zum zentralen Speicher für Analytics geworden und stellt alle relevanten Daten aus verschiedenen Datenquellen für die Analyse bereit.

Mit der Cloud-basierten Infrastruktur verschwanden die früheren Speicherlimitationen, was von einem Use-Case-getriebenen Ansatz zu einer Plattform führte. Daten werden also nicht mehr erhoben, sobald sie für eine Analyse gebraucht werden, sondern generell gesammelt, um für Analysen bereitzustehen.
Zunächst war der Fokus auf den Datenimport von den vorhandenen Kern-IT-Systemen in die Cloud gerichtet. Sobald die Daten in die Cloud geladen waren, ermöglichte dies eine dezentralisierte Analyse, mit der sich auch der Zugang zu den Daten signifikant veränderte und nun eine spezialisierte Benutzergruppe eingeführt wurde, die den Zugang zu allen verfügbaren Daten im Data Lake ermöglichte. Für diese Benutzergruppe wurde eine sichere Umgebung geschaffen, die den GDPR-Richtlinien entspricht. Alle personenbezogenen Informationen sind im Data Lake maskiert, wobei ein besonderer Schwerpunkt auf den Mitarbeiterdaten liegt, um die Möglichkeit zur Erstellung von Performance-Analysen auf Mitarbeiterbasis zu deaktivieren.
Darüber hinaus wurde das verfügbare Datenformat auch auf 'Change Data Capture' (CDC) geändert, was weitere Analysen ermöglichte (z. B. Verfolgung jeder Änderung an einem Versand, Schiff oder Container).

Die Einführung der spezialisierten Benutzergruppe im gesamten Unternehmen reduzierte die Abhängigkeit von verschiedenen IT-Teams und ermöglichte es den Benutzern, noch schneller von den Daten Erkenntnisse und Vorteile zu ziehen.
Die wichtigsten unterstützenden Technologien in der AWS-Cloud sind S3 als Speicher, Athena als Abfrage-Engine auf den S3-Daten, Glue als unterstützendes Tool zur Verbindung der S3-Daten mit Athena und Step-Functions zur Orchestrierung der Verarbeitung.
Neben der Einführung des Data Lakes war es essenziell, auch unterstützende Tools wie das Meta Data Management Tool einzuführen, um den Anwender zu führen und um Datenrelation und -zusammenhänge darzustellen.

Die Novellierung des IT-Sicherheitsgesetzes umfasst neue Wirtschaftszweige, die zukünftig die hohen KRITIS-Sicherheitsanforderungen erfüllen müssen. Um späteren Mehraufwand zu vermeiden, sollte Sicherheit daher von Anfang an mitbedacht werden (Secure by Design). Auch cloud-native Data Warehouses, Data Fabrics und Data Meshes müssen auf verschiedenen Ebenen abgesichert und Kommunikation muss verschlüsselt werden. infologistix zeigt einen Verschlüsselungsansatz einer Data Platform, der die BSI-Sicherheitsanforderungen erfüllt.

Zielpublikum: Platform Engineer, Data Engineer, Projektleiter:innen, IT-Verantwortliche
Voraussetzungen: BSI-Grundschutzkatalog, DWH-Konzepte in der Cloud, Container-Plattformen
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:
Der KRITIS-Katalog umfasst nach der Novellierung der NIS 2-Richtlinie der EU nahezu alle Bereiche der digitalen Infrastruktur. In diesem Zusammenhang werden sämtliche großen Data Warehouse-Systeme die neuen Sicherheitsanforderungen erfüllen müssen. Für Cloud-native Daten-Plattformen muss dabei die gesamte Infrastruktur betrachtet werden. Hier muss sämtliche Kommunikation (ETL-Strecken, Datenbankanbindung, Batch Processing) TLS-verschlüsselt werden. Zu diesem Zweck wird der Ansatz des Service Mesh gewählt, um einen einfachen Zertifikatstausch zu ermöglichen und die Verschlüsselung der Kommunikation zu übernehmen.

Im Vortrag von infologistix wird hierzu ein Ansatz mit Istio präsentiert. Istio bietet neben der reinen Verschlüsselung der Kommunikation über mTLS auch viele weitere optionale Features für Authentifikation, Autorisierung und Ausfallsicherheit. Der Zuhörer erfährt anhand der praxiserprobten Lösung, wie die komplette Absicherung einer Plattform umgesetzt werden kann. Im Fazit erfolgt ein Abgleich der Lösung mit den hohen Sicherheitsanforderungen.

SQL ist nicht wegzudenken aus der Datenanalyse. In der Realität findet man dann häufig das Pattern: Python Glue Code in Notebooks, der SQL Statements ausführt. dbt (data build tool) hilft dabei, SQL-Datenpipelines strukturiert aufzubauen, inkl. Validierung der Daten, Dokumentation & Abhängigkeitsgraphen. Die Automatisierung von Datenaufbereitungen und Analysen gelingt so ganz einfach.

Zielpublikum: Data Engineer, Data Architect
Voraussetzungen: Grundlagen SQL/Python sind hilfereich
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:
SQL ist weiterhin nicht wegzudenken aus der Datenanalyse - es ist vergleichsweise einfach zu lernen und kann ohne zusätzliche Werkzeuge auf einer Datenbank ausgeführt werden. Entsprechend ist es bei vielen Datenanalysten sehr beliebt. Es hat aber auch Schwächen, die besonders im Vergleich zu Python auffallen. Neben den bekannten ML-Frameworks gibt es in Python auch für Datenpipelines eine Reihe von Werkzeugen, sowohl zur Datenvalidierung als auch Orchestrierung. Dinge, die mit SQL allein gar nicht oder nur mühselig abzubilden sind. 

SQL für Transformationen möchte man nicht aufgeben. Allerdings befindet man sich heute auch als Data Analyst immer mehr in der Python-Welt wieder. Bei Datenplattformen ist Python oft der Standard für jegliche Verarbeitung von Daten. Und auch die Data Engineers wollen lieber Python als SQL schreiben. Da mit SQL aber vergleichsweise gut Transformationen auf Daten ausgedrückt werden können, findet man dann häufig folgendes Pattern: Python Glue Code wird geschrieben, der dann SQL Statements ausführt. Und das Ganze im Extremfall auch noch verteilt über Notebooks.

dbt (data build tool) ist ein Kommandozeilentool, um mit SQL solche Datenpipelines strukturiert aufzubauen. Ebenso ermöglicht es, die Validierung der Daten direkt mit zu erledigen. Auch bei der Historisierung von Stammdaten, die regelmäßig aus operativen Systemen abgezogen werden, hilft es. Als Ergebnis gibt es nicht nur saubere & gefüllte Tabellen in einer Datenbank, sondern auch noch Dokumentation und Abhängigkeitsgraphen. Das Ganze hilft nicht nur beim Aufbereiten von Daten. Auch die darauf folgenden, regelmäßigen Analysen und Auswertungen lassen sich so bequem automatisieren. Inklusive Rückverfolgbarkeit, welche Analyse welche Daten benutzt. Und wenn die Basisdaten inhaltliche Fehler aufweisen, werden die Auswertungen, die darauf basieren, gar nicht erst aktualisiert.

Wir geben einen Überblick über den Modern Data Stack bei SENEC. SENEC ist der größte Solarstromspeicheranbieter in Deutschland mit einer starken Wachstumsstory. Innerhalb dieses Umfelds kam die Idee, einen Modern Data Stack als Single Point of Truth für sämtliche Datenprodukte aufzusetzen. Von der Idee bis zum PoC war und ist es ein sehr spannender Weg, auf den wir euch gerne mitnehmen wollen. Wir geben euch einen Überblick über die Architektur und zeigen euch aus verschiedenen Perspektiven Highlights & Lowlights.

Zielpublikum: Data Engineers, Analyst:innen, Entscheider:innen, Projektmanager:innen
Voraussetzungen: Erfahrung in der Arbeit mit DWHs, wünschenswert auch Erfahrung im Cloud-Umfeld
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Ein Modern Data Stack besteht aus einer Vielzahl von Technologien und Tools, die für die Erfassung, Speicherung, Verarbeitung und Analyse von Daten unerlässlich sind. In diesem Vortrag erhaltet ihr einen Überblick über den Data Stack bei SENEC. In dem Vortrag wird der Hintergrund des Projektes dargelegt, die Komponenten des Stacks sowie der Weg zur finalen Plattform.
Hintergrund: Durch das starke Wachstum der Firma SENEC haben wir uns als BI-Team entschlossen, einen Modern Data Stack auf Basis von Azure einzuführen, um mit den wachsenden Reporting- und Analyseanforderungen Schritt halten zu können. 
 

Das Fashion-Retail Unternehmen C&A führt aktuell eine SAP Retail-Landschaft ein. Der Aufbau eines Greenfield Data Warehouse als Basis für Analytics, BI und Reporting ist dabei grundlegender Bestandteil. Anders als in traditionellen SAP-Umgebungen hat sich C&A für die Einführung einer best-of-breed DWH-Architektur auf Grundlage von Data Vault, Data Warehouse Automation und einer Data Lakehouse-Architektur entschieden, die erst auf Basis einer Cloud-basierten DWH-Plattform eines Hyperscaling-Anbieters möglich wurde.

Zielpublikum: Data Architect, Data Engineer, BI Expert:in, Data Analyst
Voraussetzungen: Grundkenntnisse in Datenarchitektur und Datenmanagement
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:
Das Fashion-Retail Unternehmen C&A führt aktuell eine SAP Retail-Landschaft ein. Ziel ist es, die zahlreichen Geschäftsprozesse zu digitalisieren und zu optimieren. Der Bedarf für Analytics ist im Unternehmen hoch, sodass der Aufbau eines Greenfield Data Warehouse als Basis für Analytics, BI und Reporting von Anfang an Bestandteil des SAP-Programms wurde. Anders als in traditionellen SAP-Umgebungen hat sich C&A für die Einführung einer best-of-breed DWH-Architektur auf Grundlage von Data Vault, Data Warehouse Automation und einer Data Lakehouse-Architektur entschieden, die erst auf Basis einer Cloud-basierten DWH-Plattform eines Hyperscaling-Anbieters möglich wurde.

Übergreifendes Ziel des Greenfield DWHs ist die Bereitstellung einer Data Platform für sämtliche Dateninhalte der C&A, d.h. sowohl aus der SAP Retail-Landschaft als auch aus sämtlichen Non-SAP-Systemen. Hierdurch sollen flexible und performante Möglichkeiten für Analytics und Reporting geschaffen werden. Eine einfache Datenintegration mit Non-SAP-Daten ist ein wichtiges, langfristiges Ziel, ebenso wie die direkte Verknüpfbarkeit von SAP-Daten mit Rohdaten (z. B. Kassendaten, Sensordaten, Customer Counting, RFID) für Analytics.

Der Vortrag zeigt den Weg, wie das BI Competence Center der Volkswagen Marke Nutzfahrzeuge es geschafft hat, in kurzer Zeit eine On Premises DWH-Plattform für die die gesamte Volkswagen Gruppe auf modernste Cloudtechnologie zu migrieren und zu skalieren. Hierbei wird speziell auf Herausforderungen der Skalierbarkeit klassischer BI-Architekturen und die Grenzen der Nutzung von Automation im Kontext von Cloudservices eingegangen. Der Bericht stammt aus der aktuellen Praxis und macht klar wie flexibel und erweiterbar heutige Teams und Architekturen sein müssen, um den heutigen Business-Anforderungen gerecht zu werden.

Zielpublikum: (Cloud-) Data Engineers, BI-Projektmanager:innen, Cloud-Architekt:innen, Entscheider:innen...
Voraussetzungen: Grundverständnis von Daten- und BI-Themen, Cloud-Architektur und BI-Strategie
Schwierigkeitsgrad: Fortgeschritten

In all data architectures, be it a data mesh, data fabric, data warehouse, or data lakehouse architecture, metadata is indispensable. This is especially true for business users who develop their own dashboards and reports and create data science models. To offer frictionless access to metadata, it is important that, when designing a data architecture, time is reserved for designing a full-fledged metadata architecture. Metadata should not be an afterthought or treated like a neglected stepchild. It is the key to a successful 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: Some understanding of data architectures
Level: Advanced

Extended Abstract:
In the past, metadata was mainly kept for IT specialists. They needed detailed descriptions of what all the files, tables, and columns meant. That need still exists, but new users are interested in metadata.

Today, business users, especially those who develop their own dashboards and create data science models, need access to metadata. They need to be able to see descriptions, categorizations, lineage, and so on. They need to know exactly what they are looking at. They must be able to search metadata to find the right data to develop a report or data science model. They also need metadata to clarify how to interpret the data. So, we need to analyze in detail what types of metadata business users need.

It is also important to study how they want to access the metadata. For example, for a business user working with a dashboard full of financial data, descriptions of what all those values mean should be readily available. And they may want to see that metadata automatically when they hover their mouses over a specific value for two seconds. They may not want to start a separate system to get those descriptions, because it would be inconvenient and time consuming. It is important to understand how users want to use metadata. Business users may want to add their own metadata descriptions in the form of annotations. Again, to design the right metadata architecture, this would be an important requirement.

Currently, metadata must be properly managed for reasons of data privacy, security, auditability, and governability, which may require robust forms of version control. 

Metadata must also be entered and extracted from other systems. With respect to extraction, an ETL-like solution may be required to extract metadata from source systems and schedule these extraction processes periodically, as metadata can change. Keep in mind that ETL for metadata does not simply extract metadata from some structured data source. It can mean extracting metadata descriptions from ETL programs, database stored procedures, and the semantic layers of reporting tools. The source for metadata-ETL is not always a database, but sometimes also code and specifications.

All of these requirements do not magically appear; they must be analyzed, designed, and developed. In all data architectures, be it a data mesh, data fabric, data warehouse, or data lakehouse architecture, metadata is indispensable, especially for modern business users who develop their own dashboards and reports. To offer frictionless access to metadata, it is important that, when designing a data architecture, time is reserved for designing a full-fledged metadata architecture. Metadata should not be an afterthought or treated like a neglected stepchild. Metadata is the key to a successful data architecture.

In einer quantitativen Umfrage hat Adastra festgestellt, dass viele Unternehmen ihre Nachhaltigkeitspotenziale noch nicht voll ausschöpfen. Neue Gesetze erhöhen den Druck. Unternehmen sollten sich jedoch nicht nur daran halten, weil sie müssen - sondern die Gelegenheit nutzen, um innovativ und wertschöpfend zu sein.
Die Herausforderung dabei: auf relevante Daten zuzugreifen und sie auszuwerten. In diesem Vortrag sprechen wir darüber, wie Sie moderne Datenarchitekturen nutzen können, um Ihre Unternehmens- und Nachhaltigkeitsziele zu erreichen.

Zielpublikum: Entscheider:innen, ESG Officers, Data Architects/Engineers
Voraussetzungen: Interesse an Nachhaltigkeit und/oder modernen Datenlösungen
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
In einer quantitativen Umfrage hat Adastra festgestellt, dass viele Unternehmen ihre Nachhaltigkeitspotenziale noch nicht voll ausschöpfen. Dies gilt insbesondere auch für Nachhaltigkeit im Datenmanagement. Neue Gesetze erhöhen den Druck. Unternehmen sollten sich jedoch nicht nur daran halten, weil sie müssen - sondern die Gelegenheit nutzen, um innovativ und wertschöpfend zu sein.
Die Herausforderung dabei: auf relevante Daten zuzugreifen und sie auszuwerten. In diesem Vortrag sprechen wir darüber, wie Sie moderne Datenarchitekturen nutzen können, um Ihre Unternehmens- und Nachhaltigkeitsziele zu erreichen. Darüber hinaus zeigen wir verschiedene Lösungen und Best Practices aus Kundenprojekten auf, wie Sie Ihre Daten nutzen können, um Nachhaltigkeitsinitiativen in Ihrem Unternehmen zum Erfolg zu führen. Im Fokus dabei sind unter anderem die Optimierung von Query-Performance und Data Storage, Cloudification sowie die Optimierung von Logistikprozessen.