Roundtables

60 % der CEOs weltweit halten Künstliche Intelligenz für wichtiger als das Internet, aktuell schaffen es jedoch 90 % der KI-Projekte trotz eines positiven Proof-of-Concept nicht bis zum produktiven Einsatz.  
Die Gründe dafür sind vielfältig und liegen nicht zuletzt auch an der unübersichtlichen Tool-Vielfalt verschiedener Hersteller. SAP stellt mit der Business Technology Platform unternehmenstaugliche, zuverlässige und benutzerfreundliche KI-Funktionen zur Verfügung, die umfassend in SAP-BTP-Services eingebettet sind.
Wir geben einige Einblicke in einzelne heute verfügbaren KI-Funktionen für Unternehmen und bieten einen Ausblick, was von der SAP in naher Zukunft im Bereich KI zu erwarten ist.   

Thomas Bula ist Geschäftsfeldleiter Business Intelligence beim SAP-Implementierungspartner NOVO Business Consultants AG in Bern. 
Seit 2001 arbeitet er im SAP BI Umfeld und ist als externer PL für die Implementierung von diversen Analytics- und Planungs-Applikationen bei diversen grösseren Kunden verantwortlich. Neben einem Lehrdiplom  verfügt er über ein eidgenössisches Diplom in Wirtschaftsinformatik und hat ein EMBA in General Management bei der Berner Fachhochschule absolviert.

Tobias Meister ist Business Unit Leiter im Bereich Applicactions & Development beim SAP-Implementierungspartner NOVO Business Consultants AG in Bern.
Seit 2019 arbeitet er im SAP CM / BTP Umfeld und ist als externer TPL / PL für die Implementierung von SAP CM sowie Custom Fiori Applikationen bei diversen Kunden verantwortlich. Er verfügt über einen Masterabschluss in Business Innovation der Universität St. Gallen.

Mit Pflegerobotik können Komplikationen bei Patienten präventiv vermieden werden, indem Roboter zur automatisierten Abgabe- und Rücknahme von Getränken und Speisen sowie zur automatischen Erfassung der Nährwerte und Trinkmengen eingesetzt werden. Dies wurde mit dem Universitätsklinikum Bonn (UKB) im Rahmen des Innovative Secure Medical Campus Projektes zusammen mit emineo, Conet und den Frauenhofer Instituten ITWM und IPA untersucht. Basierend auf den Daten können im Zusammenspiel mit der elektronischen Patientenakte der Kalorienbedarf und die Kalorienzufuhr sowie Trinkbedarf und Flüssigkeitszufuhr erfasst und mit KI eine zusätzliche Datengrundlage für Behandlungsentscheidungen bereitgestellt werden. Im Rahmen des Referats wird das Methoden- und Technologiekonzept für die KI-basierte Pflegerobotik vorgestellt.

Dr. Karin Fischer ist Head of Corporate Development und Mitglied der Geschäftsleitung der emineo AG. Ihre Promotion im Bereich KI hat sie an der Universität Bern bereits im Jahr 2000 abgeschlossen. Sie ist seit mehr als 20 Jahren in der IT-Beratung tätig und führte erfolgreich viele anspruchsvolle Projekte und Programme. Innerhalb der emineo leitet sie das interdisziplinäre KI Team und begleitet Kunden in ihrer KI Transformation.

In diesem Beitrag zeigen wir auf, wie eine Planungsapplikation basierend auf den Technologien Microsoft BI, Azure SQL Server und der Komponente InfoRiver mit der bezahlpflichtigen Version Enterprise Matrix erstellt werden kann. InfoRiver ermöglicht es, Planzahlen direkt in Power BI Service einzutragen und von dort über InfoRiver in eine beliebige Quelle, wie z.B. SQL Server auf Azure, zurückzuschreiben. 

Wir zeigen die notwendige Architektur mit allen benötigten Komponenten. 
Aber auch die Kosten der zu lizenzierenden Produkte. 

In einer Demo zeigen wir sämtliche Schritte eines simplen zu beplanenden Szenarios in From einer Tabelle von deren Integration bis zum Writeback in den SQL-Server, sodass Du einen praktischen Einblick erhältst, wie so etwas in den Grundzügen aufzubauen ist. 

Der letzte Teil des Beitrags widmet sich den Limitationen von InfoRiver und unseren Umgehungslösungen. Wir berichten auch über Schwierigkeiten, die während der Umsetzung aufgetreten sind und den Eigenheiten von InfoRiver, welche sich deutlich von herkömmlichen Power BI Visuals unterscheiden.

Severin Leuenberger bringt als langjähriger Entwickler und IT-Projektleiter & Agile Coach viel Erfahrung in der Umsetzung von BI-Projekten mit. Er arbeitet seit 16 Jahren bei der IT Logix AG ausschliesslich für Business Intelligence Projekte mit Schwerpunkt Microsoft Technologie. In seinen vorhergehenden 13 Jahren hat er bereits in diversen grossen IT-Projekte Erfahrungen im Bereich Data & Analytics gesammelt. 

Mit SAP’s Mitteilung den Support für ECC 6.0 per 2027/2030 auslaufen zu lassen, stehen viele Unternehmen bzgl. ihres Core (Finanz) Systems vor wichtigen Entschiedungen.
Die Frage stellt sich, wie man ein solches System aufsetzt, damit maximale Flexibilität gewährleistet ist aber auch die Kosten beherrschbar bleiben oder sogar reduziert werden können.
Generell wird in Finanz & Controlling versucht, die Finanzprozesse zu harmonizieren und standardizieren, was grundsätzlich auch richtig ist. 
Der Fokus liegt dabei allerdings oft auf den individuellen Aktivitäten und wie man diese so kosteneffizient wie möglich gestalten kann (z.B. Automatisierung).
Aber eigentlich sollte der Fokus idealerweise auf den End-to-End Finanzdatenflüssen liegen, da sich damit automatisch effiziente standardisierte & harmonizierte Finanzprozesse ergeben
In diesem Beitrag wird eine neue, Daten-getriebene Methode vorgestellt, um die Finanzdatenflüsse End-to-End zu optimieren.

Cornelis de Roo ist Senior Principal Consultant im Bereich CFO & EV Platform Transformation & Process Excellence in Bern. 
Seit 2017 arbeitet er bei Accenture im Technology Consulting.
Er hat über 30 Jahre Erfahrung im Bereich Finance & Accounting in unterschiedlichen Industrien und Positionen, wie beispielsweise als CFO, Leiter Rechnungs- und Berichtswesen in einem Shared Service Center, etc.

Unter dem Begriff MLOps lassen sich die Praktiken und Werkzeuge zusammenfassen, die es ermöglichen, Machine Learning-Modelle langfristig in produktiven IT-Applikationen zu nutzen. MLOps-Pipelines sind aufwändig zu bauen, da ihr Aufbau neben Fachkenntnissen in DevOps ebensolche aus den Bereichen Data Science und Data Engineering bedarf. Nicht zuletzt darum sind sie heute häufig als massgeschneiderte Individuallösungen in Unternehmen anzutreffen. Um dieses Problem zu lösen hat die SBB ihre für Data Mesh konzipierte Datenplattform mit MLOps-Werkzeugen ergänzt. Die so entstandene MLOps-Plattform baut auf die bestehenden DevOps-Technologien und -Prozesse auf und ist so in die IT-Landschaft der SBB integriert. Wir präsentieren die MLOps-Datenplattform am Beispiel der Belegungsprognose für den Personenverkehr, welche unter anderem auf der SBB Website, der SBB Mobile App und den Perronanzeigern die erwartete Auslastung der Züge darstellt.

Ferdinand Niedermann ist Machine Learning Engineer und Data Scientist bei der SBB. Er kommt ursprünglich aus der Full-Stack-Webentwicklung (Ruby on Rails) und dem Platform Engineering (Kubernetes) und arbeitet seit 3 Jahren in verschiedenen Rollen bei der SBB.

Carl Balmer ist seit einem Jahr als Machine Learning Engineer bei der SBB. Vorher hat er als technischer Consultant für CI/CD Automation und Kubernetes App-Entwicklung unterschiedliche Firmen betreut. In seinem Master an der Uni Bern hat er sich auf Data Science spezialisiert.

Die SAP und die Schweizerische Post verfolgen seit einiger Zeit die "Cloud First Strategy".
Die SAP Analytics Cloud war das erste SAP BI Cloud Produkt, dass seit 2018 im produktiven Einsatz bei der Schweizerischen Post ist. Ende 2019 ist die SAP Datasphere vorgestellt worden und in der Folge hat die Post bereits 2020 erste Schritte in dieser Richtung unternommen. 
 
Der Ansatz der SAP Datasphere ist mehr als ein traditionelles Data Warehouse in der Cloud. Neue und innovative Funktionen sind integrativer Bestandteil der Lösung, wie die vielfältigen Anbindungsmöglichkeiten, die virtuellen Zugriffe und Nutzung als "Federation Tool", die einfache Handhabung für Self-Service, sowie der Einsatz als klassisches Datawarehouse mit Planungslösung. 
 
Der Vortrag konzentriert sich auf den Mehrwert und die Herausforderungen, die sich aus der neuen Technologie ergeben und beschreibt die Einführung der SAP Datasphere bei der Schweizerischen Post, von der ursprünglichen Idee bis zum fertigen Produkt. 
 
Diese Aspekte werden anhand von zwei konkreten Projekten aus den Bereichen HR und Finanzen dargestellt. Die Themen Self-Service-BI, Sicherheit, Betrieb, die nahtlose Integration in der bestehenden BI-Architektur, Leistungsoptimierung und die Entwicklung von individuellen Lösungen werden beleuchtet. 
 
Zum Abschluss wird ein Blick auf den zukünftigen Einsatz und die geplanten Weiterentwicklungen der SAP Datasphere bei der Schweizerischen Post geworfen. 

Florian Muthoni ist Senior Developer im BI Team der Schweizerischen Post. Er ist seit zwei Jahrzenten in der Informatik in unterschiedlichen Rollen, als Entwickler, Berater, Projektmanager und in Leitungsfunktionen tätig. Seit 2009 hat er sich auf die SAP BI und Business Objecst Produkte spezialisiert. Vor drei Jahren hat dann seine Reise in der SAP Cloud Welt begonnen. Als Applikationsverantwortlicher hat er die Einführung der SAP Datasphere bei der Schweizerischen Post geleitet und in den produktiven Betrieb überführt.
 
Mathieu Gard ist BI-Developer bei der Schweizerischen Post und begleitet seit 3 Jahren das Datawarehouse der logistischen Abteilung, wobei seine Verantwortlichkeiten von der Business-Analyse bis zur BI-Entwicklung reichen. Aktuell liegt sein Schwerpunkt auf der Ausarbeitung von Best-Practices zur Optimierung der Leistung der BI-Architektur.

Mit Generativer KI (Künstliche Intelligenz) erleben KI Anwendungen gerade einen iPhone-Moment. Auch wenn es bereits vorher Smartphones gab, so stellte das iPhone einen Quantensprung in der intuitiven Nutzbarkeit dieser Technologie dar. In gleicher Weise eröffnen Anwendungen wie ChatGPT einen neuen, intuitiven Benutzerzugang zu KI.  Generative KI bezieht sich dabei auf KI-Modelle und Algorithmen, die in der Lage sind, neue Inhalte oder Daten auf kreative Weise zu erzeugen oder vorherzusagen. (Definition von OpenAI, der Firma hinter ChatGPT). Dieser Vortrag konzentriert sich auf Generative KI, die auf sogenannten Large Language Models (LLM) aufbaut. Wir fassen den Hype der letzten Monate zusammen und erläutern, was unter der Haube steckt. Wir gehen auf die möglichen Anwendungsfelder LLM-basierter Generativer KI im  öffentlichen Sektor ein und betrachten sowohl ihre Chancen als auch Risiken. Des weiteren stellen wir erste Erfahrungen und Pilot-Anwendungen mit Generativer KI vor.

Dr. Monika Grothe
Associate Director im Daten & AI (DAIN) Netzwerk der Accenture AG
Als promovierte Physikerin hat sie mehr als 15 Jahre an Experimenten der Hochenergiephysik in den USA und am CERN in Genf als Forscherin gearbeitet. In Accenture ist Monika Grothe Expertin im Bereich technische Architektur, Big Data und Data Science und unterstützt Unternehmen und Organisationen darin, die beträchtlichen Chancen Generative KI wertschöpfend für sich nutzbar zu machen.

KI ist langsam, aber sicher aus im Alltag angekommen. Je mehr Modelle produktiv eingesetzt werden, desto wichtiger wird es zu verstehen, wie diese Modelle gestohlen oder manipuliert werden können. Auf Basis des MLOps Cycles werden wir verschiedene Angriffspunkte während der Lebenszeit eines operationellen Models besprechen und mögliche Massnahmen darlegen.

Luca Furrer ist Berater bei Accenture und hat sich seit seinem Studienabschluss vor über 10 Jahren in angewandter Mathematik in der Schnittmenge von Mathematik, Daten und Softwareentwicklung betätigt. 
Zurzeit liegt sein Fokus bei Data Engineering (Cloud und Big Data) und Data Science.

Unerwartete Verspätungen von Güterzügen führen zu Problemen bei der Disposition von Zugspersonal sowie zu ineffizienten Abläufen beim Abladen der Güter in den Terminals. Um diese Prozesse besser zu steuern, benötigen alle an einem Güterzugtransport beteiligten Parteien möglichst früh eine zuverlässige Prognose der Ankunftszeit. Anhand des Soll-Fahrplans und den aktuellen «Ist»- Meldungen von Güterzügen entlang relevanter Knotenpunkte, berechnen wir in Echtzeit mit einem Machine-Learning Modell die erwartete Ankunftszeit. Für die technische Implementierung dieses und weiteren Use-Cases wurde eine Azure Data & Analytics Plattform mit Infrastructure-as-Code,  Azure Machine Learning, MLOps Pipelines sowie ein Data Lake aufgebaut. Für die Vereinfachung der Bereitstellung und des Betriebs wurden diverse Automatisierungen mit Azure DevOps umgesetzt. 

Marcel Graf arbeitet seit 4 Jahren bei der BLS AG, wo er als Lead Data Scientist diverse Projekte im Bereich Machine Learning in unterschiedlichen Geschäftsbereichen umsetzt. Zuvor promovierte er an der Universität Zürich in Psychologie mit einem Fokus auf die mathematische Modellierung von Kurzzeitgedächtnisprozessen.
 
Tim Giger hat über acht Jahre Erfahrung im Bereich Data & Analytics als Entwickler, Architekt und Projektmanager in Projekten mit einer Vielzahl von Technologien (SAP, Microsoft, Open Source, Cloudera) und in einer Vielzahl von Branchen. 
Zusätzlich ist er ausgewiesener Experte und Referent auf Big Data-Konferenzen und doziert an der HLSU und der HWZ.

Viele Unternehmen stehen aktuell vor der Frage, ob sie ihr bestehendes SAP BW System migrieren, […,] redesignen oder gar ganz neu auf der grünen Wiese auf Basis einer Non-SAP Analytics Lösung aufbauen sollen. In dieser Ausgabe des TDWI Roundtables stellt Sven Möhler eines seiner aktuellen Projekte vor, in welchem sich für die Ablösung eines bestehenden SAP BW Systems durch eine Microsoft basierte Analytics Lösung (Azure Synapse, PowerBI, und weitere) entschieden wurde. Neben der Ausgangssituation, den Beweggründen und den Herausforderungen (technisch und fachlich) werden die Erfolgsfaktoren für die erfolgreiche Umsetzung eines derartigen Projektes näher beleuchtet.

Sven Möhler ist ein Senior Manager und Thought Leader bei Accenture Schweiz mit tiefer Expertise im Bereich SAP Analytics und Non-SAP Analytics (speziell Microsoft und Snowflake). Er ist für verschiedene internationale Kunden als Berater für Strategie, Architektur, Datenmodellierung, Performance und Governance tätig. Sven ist zudem Trainer im Bereich SAP BW und Publisher zahlreicher interner PoVs. 

Data Mesh ist ein relativ neues Konzept, das sich in den letzten Jahren zu einem der am schnellsten wachsenden Trends entwickelt hat. Es erweitert den Paradigmenwechsel, der durch die Microservices-Architekturen eingeleitet wurde, und wendet ihn auf Datenarchitekturen an, die agile und skalierbare Analysen und maschinelles Lernen oder künstliche Intelligenz ermöglichen.
Data Mesh ist keine Technologie, sondern eine Praxis... eine sehr komplexe Praxis. Es ist eine neue Art, Daten, Data Engineering und alle damit verbundenen Prozesse zu betrachten, d. h. Data Governance, Datenqualität, Auditing, Data Warehousing und maschinelles Lernen. Es verändert die Perspektive, wie wir Daten in einem Unternehmen betrachten, völlig: Wir sind es gewohnt, Daten von einem technischen Standpunkt aus zu betrachten, also wie man sie verwaltet, wie man sie verarbeitet, welches das ETL-Tool ist, welches der Speicher ist usw., während es an der Zeit ist, sie aus einer Geschäftsperspektive zu betrachten und dann mit ihnen umzugehen, als wären sie echte Vermögenswerte, sagen wir, als wären sie ein Produkt.
Was genau ist aber ein Data Mesh und wie unterscheidet es sich von bekannten Ansätzen wie DWH, Data Mart, Data Lake und Data Hub? Ist Data Mesh was für mich und wenn ja, warum sollte ich es tun? Wie steht Data Mesh zu operativen Systemen? Wie lassen sich moderne, streaming- bzw. event-basierte Architekturen mit Data Mesh kombinieren? Wie gehe ich vor, wenn ich Data Mesh im Unternehmen einführen will? Auf diese und weitere Fragen, gehen wir in diesem Referat ein.
Vor allem aber zeigen wir in einer Live-Demo ein End-2-End-Beispiel, welches die konkrete Umsetzung eines Data Mesh in der Praxis zeigt. Die Technologien und Services der Datenplattform, auf welchen die Datenprodukte basieren, sind dabei ebenfalls ein Thema. Wir setzen dabei vorwiegend Open Source Software ein.

Guido Schmutz ist seit über 30 Jahren als Software-Entwickler, Berater, Architekt, Trainer und Coach tätig. Heute arbeitet er als Platform Architect für das IT-Dienstleistungsunternehmen Accenture. Sein Interesse liegt in der Architektur, dem Design und der Umsetzung von modernen Software-Lösungen. Seit einigen Jahren beschäftigt er sich hauptsächlich mit Big Data & Fast Data und der Frage, wie sich diese neuen Technologien optimal in eine moderne Datenplattform integrieren lassen. Er ist regelmässiger Sprecher auf internationalen Konferenzen und ist bekannt als Autor von Fachartikeln und diversen Fachbüchern.

Data Mesh hat sich zu einem der führenden Architektur- und Governance-Frameworks für moderne Datenplattformen und die darauf arbeitenden Teams entwickelt. Während dieses runden Tisches werden wir das Buzzword näher beleuchten und mit Ihnen teilen, wie das tägliche Arbeiten in einer Organisation nach Data Mesh Prinzipien aussieht und wie es sich unterscheidet von der Art und Weise wie wir bisher mit Daten gearbeitet haben.

Paul Rankin ist Senior Data Architect, BI- und Analytics-Lösungsspezialist mit Schwerpunkt auf Cloud-Architektur und dem Datenmanagement-Echo-System. Paul hat fünfzehn Jahre Erfahrung in der Entwicklung und Bereitstellung von Datenintegrations- und BI-Lösungen für eine große Anzahl nationaler und internationaler Organisationen. Paul lebt und arbeitet derzeit in der Schweiz, wo ihn seine neueste Herausforderung zu einer aufregenden Rolle und fantastischen Gelegenheit als Leiter der Datenmanagementplattformen bei einem grossen Schweizer Pharmakonzern geführt hat.

Claude Zwicker ist Senior Data Architect bei Accenture Schweiz mit Fokus auf modernen Self-Service Datenplattformen. Er ist regelmässiger Redner auf Veranstaltungen, wo er Themen rund um modernen Datenarchitekturen präsentiert und ist Teil des DACH Leadership Teams rund um das Thema Data Mesh bei Accenture.

Die industrielle Digitalisierung bringt grosse Versprechen, aber auch Vorbehalte mit sich. Insbesondere, seitdem Künstliche Intelligenz und Machine Learning zu «must haves» eines jeden CTOs geworden sind. In dieser Ausgabe des TDWI Roundtables Bern zeigt Chris Bolesch Beispiele seiner Arbeit als AI Coach und Lead Developer. Der Fokus wird dabei auf den Bereich der automatisierten Dokumentverarbeitung, die als solchens ein universelles, branchenübergreifendes Problem darstellt, dass bis heute auch mithilfe von Künstlicher Intelligenz und Maschinellem Lernen nicht zufriedenstellend gelöst ist, gelegt.

Chris Bolesch ist Data Engineering Manager in der gleichnamigen Division von Accenture Schweiz  in Zürich. Seine Erfahrungen reichen von BigData Plattformen über AI Skalierung, Software Entwicklung bis zur Team- und Projektleitung in den Branchen Financial Services, Versicherungen und der Eidgenössischen Verwaltung. Er übernahm bisher Rollen als Software Entwickler, AI Berater, Agile Coach, Technischer Leiter und Projektmanager in kleinen lokalen und gossen Offshore-Projekten. Chris studierte Physik und Kernenergie an der ETHZ, EPFL und der University of Michigan, und hält einen Doktortitel in Nuclear Engineering der ETH Zürich.

Daten Virtualisierung ist heute ein wichtiger Bestandteil einer modernen Datenarchitektur. Es ergeben sich dabei wesentliche Vorteile wie ein z.B. Single Point of Access, verbesserter Self-Service, schnellere Anbindung von Quellen, Skalierbarkeit oder auch zentralisiertes Berechtigungs-Management. Der Vortrag beleuchtet die wesentlichen Erfolgsfaktoren in einem Daten Virtualisierungs- Projekt mit Denodo bei einer Schweizer Bank.

Die vielfältigen Lösungsmöglichkeiten und Software Angebote im Analytics / BI Umfeld sind auch bei der schweizerischen Post sehr stark ausgeprägt.
Unter dieser Gegebenheit gilt es vor allem für die Architektur dessen Einsatz strategisch und effizient zu koordinieren.
Im Rahmen der durch die Fachbereiche verstärkt nachgefragten Anforderungen nach Selfservice BI & Datapreparation haben wir im Rahmen eines Proof-of-Concepts versucht Logistik Daten aus AWS Athena bereitzustellen und Modellierungsmöglichkeiten für die Bereiche zu bieten.
Durch die Verwendung von SAP DWC in Verbindung mit SAP SAC konnten wir diese Anforderungen realisieren.

Franciscus van Dortmont arbeitet seit 2017 bei Die Schweizerische Post AG für den Bereich Business Intelligence
und ist dort seit seinem Beginn mit den unterschiedlichsten Tools und Lösungen für Frontend und Integrationslösungen zuständig.
Davor sammelte er Erfahrung als Berater im Big Data Umfeld.
Inzwischen ist er als Senior Business Intelligence Consultant vor allem für Lösungen im Bereich Tableau sowie SAP DWC verantwortlich.

Johannes Jagst arbeitet seit zwei ein halb Jahren bei Die Schweizerische Post AG.
Bereits in der Vergangenheit sammelte er im Fokus Bereich von Analytics und BI mit den technischen Neuerungen durch SAP HANA
sowohl in der Gesundheit als auch in der Energie Branche Erfahrungen.
In seiner aktuellen Rolle arbeitet ist er als Solution Architekt für den Bereich SAP mit dem Fokus auf Cloud und BI Lösungen.

In den letzten 5 Jahren hat Helvetia das Thema Analytics strategisch und operativ konsequent gefördert. Heute entstehen innerhalb weniger Monate aus "Ideen" neue wertschöpfende Datenprodukte im Bereich der künstlichen Intelligenz. Wie sieht so eine Journey aus und was waren die Lessons Learned? Welche Anwendungsbereiche gibt es tatsächlich und wie geht man sinnvoll mit Legacy Systemen um?
 
Benjamin Theunissen ist Leiter des Teams Analytics & Insights der Helvetia Versicherungen und implementiert bereichsübergreifend Datenprodukte. Neben einer modernen Cloud Infrastruktur verantwortet er Best Practice und Standards für die analytische Wertschöpfungskette.

Ist Wissen ein Gut welches aktiv bewirtschaftet werden kann und muss? – Und wenn ja, wie wird aus Daten und Information Wissen, welches für das Unternehmen langfristig Nutzen generiert? Um diese Frage zu beantworten, suchen wir in der Gegenwart das uns fehlende Wissen, Reisen in die Vergangenheit, um die Gründe für den Wissensschwund zu finden, und enden in der Zukunft mit einem Lösungsansatz, welcher dem einzelnen Mitarbeitenden die zentrale Frage genauso beantwortet, wie er dem Unternehmen die langfristige Bewirtschaftung des Assets Wissen sichert. Ach genau, … und was hat Wissen bewirtschaften mit Storytelling und Graphendatenbanken zu tun?

Simon Berger is a leader in developing and directing organizations in asset management, education, intelligence, and international affairs. After living, working, and studying in Latin America, Africa, the Middle East as well as Europe for almost two decades, he returned to native Switzerland. Simon holds university degrees in Climate Sciences, Earth Sciences, Engineering, and International Business Law. With more than 20 years of international experience in transforming organizations, he currently works as a leader in the strategic management of intangible assets for a railway company. Since 2018, Simon has led the knowledge management program of the Swiss Federal Railways SBB.

Der zunehmende Einsatz von KI Komponenten in der Automatisierung von Geschäftsprozessen führt nicht nur zu einer schnelleren und damit effizienteren Bearbeitung, sondern er verändert in erste Linie auch die Arbeit der betroffenen Mitarbeiter. Mit einem Erfahrungsbericht aus dem Contact Center der Post wird aufgezeigt, wie die Mitarbeiter befähigt wurden, die Performance von maschinell trainierten Modellen selbstständig zu beurteilen, sie zu verbessern und direkt in Produktion einzuführen. Dadurch wurden ihre Aufgaben nicht nur vielfältiger, sondern sie eigneten sich gleichzeitig auch wichtiges Know-how im KI Bereich an, welches sie auch in anderen Feldern einsetzen können. Das stellt letztlich eine Schlüssel-Komponente für die erfolgreiche Einführung und Akzeptanz von KI in allen Geschäftsbereichen dar.

Christian Kaiser arbeitet seit mehr als 7 Jahren bei Die Schweizerische Post AG. Über verschiedene Stationen vom IT Consulting zum Requirements Engineering wurde er Teil eines kleinen Teams, dass IoT Lösungen entworfen hat. Bei der Arbeit mit viel Sensorik wurde seine Neugier und Leidenschaft für Daten geweckt, was dazu führte, dass er seit 2018 als Enterprise Architect für den technischen Ausbau der Analytics & AI Fähigkeiten im Konzern verantwortlich ist.

DWH-Verantwortliche stehen vor der Herausforderung, ihr klassisches Data Warehouse um Stream Processing zu erweitern. Wir skizzieren kurz die Herausforderungen der Umstellung/Erweiterung einer batch-orientierten Datenverarbeitung auf eine streaming-basierte Lösung und zeigen zwei Use Cases und Beispielarchitekturen, eine mit ETL-Boardmitteln und eine etwas komplexere mit Confluent Kafka. Zum Schluss geben wir noch einen Ausblick auf das Thema Streaming Analytics.

Dieser Vortrag wird remote dazugeschaltet.

Michael Deuchert ist seit 6 Jahren bei der it-novum GmbH beschäftigt und dort aktuell als Data Scientist angestellt. Im Rahmen des Beratungsgeschäfts konnte er Erfahrungen in verschiedensten Branchen und mit zahlreichen Technologien aus dem Open-Source Umfeld sammeln. Seit den letzten 3 Jahren liegt sein Fokus insbesondere auf dem Bereich IoT Analytics. Im Zuge von Kundenprojekten hat er viel Erfahrung mit Apache/Confluent Kafka gesammelt, um Daten in Echtzeit Streaming zu verarbeiten und analysieren zu können.

In der Entwicklung von Data-Warehouse-Systemen gilt Data Vault als einer der modernsten Ansätze, der insbesondere auch als gut geeignet für agile Entwicklungsmethoden angesehen wird. In diesem Vortrag wird der Einsatz von Data Vault in einem Großprojekt bei der ERGO Versicherung beschrieben, welches eine vollständige Konsolidierung und Neuentwicklung der Vertriebssteuerungssysteme zum Inhalt hatte. Die Einführung der Data-Vault-Methodik ermöglichte eine schrittweise Umsetzung der Systemkomponenten und einen kontinuierlichen Übergang in die neue Systemwelt. Anhand von Fallbeispielen wird gezeigt, wie der standardisierte und modulare Modellierungsansatz den Entwicklungsprozess sowohl methodisch als auch in der konkreten Programmierung beschleunigen kann. Auf dem Weg dahin mussten aber diverse konzeptionelle und technische Hürden überwunden werden. Hieraus lassen sich wesentliche Erfolgsfaktoren für eine Data-Vault-Implementierung ableiten.

Thomas Rauscher arbeitet als Technical Lead Sales Controlling für die ITERGO, den IT-Dienstleister der ERGO-Versicherung. In seiner Funktion ist er verantwortlich für die Konzeption und kontinuierliche Weiterentwicklung der Vertriebsinformationssysteme und hierbei erster Ansprechpartner für Projekte und die IT-Architektur. Herr Rauscher arbeitet seit 1998 für die ERGO und hat in dieser Zeit diverse Data-Warehouse-Projekte als Systemarchitekt begleitet.

Ist Event-Streaming, also die Nutzung von “Data in Motion”, die eierlegende Wollmilchsau, um endlich die Smart City zu ermöglichen?
Die Antwort auf diese Frage ist leider: Nein. Aber der öffentliche Sektor und viele Smart-City-Architekturen nutzen “Data in Motion” für verschiedenste Anwendungsfälle als Teil der gesamten Smart-City-Infrastruktur. Die Gründe dafür sind die gleichen wie in allen anderen Branchen: Kafka bietet eine offene, skalierbare und elastische Infrastruktur für die Datenintegration und -Verarbeitung in Echtzeit. Außerdem läuft es in jeder Infrastruktur (Edge, Rechenzentrum, Cloud, Bare Metal, Container, Kubernetes, Multi-Cloud, wie Confluent Cloud). Viele Städte investieren in Technologien, um ihre Städte in Smart-City-Umgebungen zu verwandeln, in denen die Datenerfassung und -analyse genutzt wird, um Anlagen und Ressourcen effizient zu verwalten.Wir wollen anhand einiger Beispiele beleuchten, wie Apache Kafka genutzt wird, um verschiedenen Datenquellen und Technologien miteinander zu integrieren, wie skalierbare Datenverarbeitung in Echtzeit aussehen kann und warum gerade die Skalierbarkeit für den öffentlichen Sektor ein immer wichtigerer Faktor wird. Daten können dabei aus eigenen Anwendungen und/oder aus Drittquellen wie z.B. von Automobilherstellern oder Mobility Services stammen.

Kai Wähner ist als Field CTO und Global Technology Advisor bei Confluent tätig. Seine Schwerpunkte liegen in den Bereichen Big Data Analytics, Machine Learning, Messaging, Integration, Microservices, Internet of Things, Stream Processing und Blockchain. Ausserdem ist er Autor von Fachartikeln, hält Vorträge auf internationalen Konferenzen und berichtet in seinem Blog über Erfahrungen mit neuen Technologien.

Datengetriebene Entscheidungen sind das Ziel im Unternehmen. Um Erkenntnisse aus Daten zu gewinnen, braucht es Werkzeuge. Doch welches Tool wird im konkreten Anwendungsfall eingesetzt und welche Erkenntnisse liefert es? In diesem Vortrag vergleichen wir verschiedene Tools der Datenanalyse. An zwei Projektbeispielen aus der Schweizer und Deutschen Versicherungsbranche diskutieren wir konkret die Ausgangslage, die Anforderungen und die gesammelten Erfahrungen der Implementierung. Wir stellen gegenüber R vs. Python, On-Premise vs. Cloud, Microsoft vs. SAP, deskriptive Statistik vs. fortgeschrittene Statistik.

Dr. Désirée Bäder hat an der ETH Zürich in den Themengebieten Datenmodellierung und Pharmakologie promiviert. Heute ist sie Analystin in der Business- und IT-Beratung Q_PERIOR und entwickelt Data Journeys für Kunden in der Versicherungs- und Mobilfunkbranche. Ihr Fokus liegt dabei auf Datenmodellierung, Datenvisualisierung und Data Governance.
 
Dr. Annika Bergbauer ist Consultant bei der Business- und IT-Beratung Q_PERIOR. In ihrer Beratungspraxis ermöglicht sie tiefgreifende Erkenntnisse aus Daten. Sie hostet den Podcast Datenaffaire, entwickelt Datenstrategien für Ihre Kunden und realisiert für Versicherungen Controlling Projekte mit korrelativen Analyse und Vorhersagen von KPIs.

Immer mehr Unternehmen bauen Ökosysteme, um Ihre Dienstleistungen externen Partnern zur Verfügung zu stellen. Sei es, um die tiefere Integration Ihrer Dienstleistungen in die Prozesse Ihrer Kunden zu erreichen oder um neue Geschäftsmodelle zu entwickeln. Dabei spielt natürlich der Zugriff auf die Unternehmensdaten eine zentrale Rolle. API Gateways erlauben diesen Zugriff sicher, transparent und skalierbar. Anhand von einigen Beispielen mit «OpenData» wird aufgezeigt wie man heute eine Daten-Plattform aufsetzt.

Sven Walther, Principal Solutions Engineer EMEA @ Kong Inc., ist für alle technischen Fragen, Präsentation und Installationen im Bereich API Management bei den EMEA Prospects und Kunden von Kong zuständig. Er bringt mehr als 15 Jahre Erfahrung aus der Unternehmens-IT mit, besonders wenn es um den Bereich von Schnittstellen/APIs geht. Aktuell fokussiert er auf die besten API-Management-Lösungen und den Austausch mit Entwicklern. Sven setzt auf «Hands-On» Präsentation gesetzt, gemäss seinem Motto «Seeing is believing». Nach seinem Ökonomie-Studium hat Ihn seine Karriere zu führenden Enterprise-IT-Software-Firmen geführt, wo er zuständig für den DACH-Raum sowie dem Mittleren Osten und Afrika ist. Wenn er nicht gerade unter einem der vielen Unix-Derivate unterwegs ist, entwickelt Sven in .NET.

Wie sieht ein reales Projekt im Machine Learning im Vorfeld aus? Wenn Sie noch nie eines durchgeführt haben, wird es sehr schwierig sein, sich vorzustellen, wie eines aussieht. Welche Fähigkeiten werden benötigt? Wie schwierig oder einfach ist es? Was sind die Schwierigkeiten oder Herausforderungen solcher Projekte?
Ich möchte all diese Aspekte beleuchten, indem ich Ihnen die Geschichte eines komplexen Projekts erzähle, an dem wir arbeiten und das einen Datensatz mit 300 Millionen Beobachtungen, 1,5 Tb an Daten und Neural Networks (autoencoders) umfasst.
Was könnte schief gehen?

Umberto Michelucci hat theoretische Physik, Mathematik und Higher Education studiert. Er arbeitete viele Jahre als Forscher in den USA und Deutschland an verschiedenen Themen (besonders an computational Physics). Er war viele Jahre als Berater im Datawarehouse Umfeld tätig, bevor er seine Karriere in der Versicherung begann. Er ist seit fast 10 Jahren bei Helsana Versicherung AG in verschiedenen Bereichen tätig (Innovation, Data Science, DWH und Solution Design).

Das Team von Severin Stoll ist verantwortlich für Daten-Architektur, Entwicklung, Unterhalt, Visualisierung und Governance. Severin hat an der Fachhochschule Graubünden in Chur Betriebswirtschaft und Tourismus studiert. Er ist seit mehr als 15 Jahren im Bereich Business Intelligence und Analytics unterwegs. Bevor er vor 7 Jahren in die IT Organisation gewechselt hat, war er bei der Logitec in verschiedenen Managementrollen im Sales und Marketing tätig.

DevOps ist ein gut etablierter Trend in der Softwareentwicklung, der aber nicht die spezifischen Bedürfnisse von BI & Analytics adressiert. Nichtsdestotrotz sind die Vorteile von DevOps für uns interessant. Kann aber unser kleines Team alle Aufgaben übernehmen? Haben wir aber die notwendigen Skills dafür? Oder gibt es vielleicht Software, die uns unterstützen kann? Wir sind schlussendlich ja IT!
SBB managed seit 2017 ihre ETL-Landschaft mit Ansible. Wir teilen gerne unsere Erfahrungen und erklären, wie wir die Technologie aktuell und in der Zukunft einsetzen möchten. Ein Live Demo darf selbstverständlich auch nicht fehlen.

Piotr Kowol bewegt sich beruflich seit 15 Jahren in der Datenwelt. Ein iSAQB® Certified Professional for Software Architecture mit Leidenschaft für Daten und deren Analyse. Seit 2012 bei der SBB im Bereich ETL, DWH und BigData als System / Solution Architekt, Platform Delivery Manager und Lead Data Engineer tätig. Fan von Automatisierung und KISS-Prinzip.

Christoph Kreutzer ist Master of Science der Informatik und kann auf mehrjährige Erfahrung mit relationalen Datenbanken und Datenintegrationswerkzeugen zurückblicken. Seit 2015 ist er bei der SBB in verschiedenen Rollen im Bereich DWH und ETL tätig. Für den Lifecycle der konzernweiten ETL-Plattform in 2017 hat er seine Kenntnisse von Entwicklungswerkzeugen um Ansible erweitert und Standardprozesse automatisiert.

Der digitale Wandel ist ein erfolgs- und existenzkritischer Moment in der Geschichte vieler Unternehmen. Dies ist breit erkannt. So ist die Bedeutung des Rohstoffs Daten bei den meisten Entscheidungsträgern angekommen. Unternehmen beginnen Datenstrategien auszudenken und «Data Lakes» anzulegen. Es werden «Hadoop Cluster» installiert, «Data & Analytics Labs» eingerichtet und «Data Scientists» eingestellt. Eine erfolgreiche Datenstrategie erfordert aber mehr als Investitionen in Daten, Personal und Technologien. Sie erfordert ein neues Mindset, das sich tief in die Organisation eingräbt. Data Science ist nicht etwas, was man auch noch tun muss. Es ist eine Disziplin, die das Denken und Handeln von Organisationen grundlegend verändert. Dies wird gerne vergessen, wenn man das Datenthema wieder einmal «in die IT» gibt oder wenn sich IT und Business Units darüber streiten, wem «das Thema gehört».

Andreas Brandenberg befasst sich als Dozent, Berater und Forscher mit den Chancen und Herausforderungen der datenzentrierten Entwicklung von Organisationen. Er ist Gründer und Leiter des interdisziplinären Masterprogramms «Applied Information and Data Science» an der Hochschule Luzern und berät Organisationen, Bildungsinstitutionen und Gemeinwesen bei der Entwicklung und Umsetzung von Datenstrategien. Vorher hat er Forschungsinstitute an der Hochschule Luzern und an der Universität St.Gallen geleitet und war an der Gründung von Unternehmen im Bereich der Datenanalytik beteiligt. Andreas Brandenberg hat an der Universität St.Gallen studiert und war mehrere Jahre als Gastwissenschaftler am Massachusetts Institute of Technology in Boston tätig.