Roundtable

Im Zuge der Bank und Finanzkrise 2008 wurden in den 2010er Jahren die Anforderungen an die Berichterstattungspflichten für Finanzinstitute stetig angehoben.
Selbstverständlich ist es mittlerweile in der Berichterstattungspflicht, die detaillierte Historisierung von Anlagetätigkeiten vorzuhalten.
 
Aber auch in fachlicher Hinsicht ist es notwendig eine durchgehende Historisierung über zeitliche Dimensionen vorzuhalten.
Z.B. in der Performance Attribution von Anlagedaten ist eine druchgängige Historisierung von Datenzuständen mit Data Vault unerlässlich.
 
Eine granulare Historisierung der Daten unterstützt des Weiteren die Modellierung von Zukunftsszenarien.
Je detailreicher die zeitlichen Datenscheiben, desto besser kann der Forecast getätigt werden.
 

• Introducing wefox
• Presenting data products and platforms - Solution design and architecture at wefox
• How data products and platforms provide a competitive advantage to fintech insurance industry - Applied use case at wefox

Robin Jose
As a Technology Executive, Robin focuses on building innovative platforms and products that provide Actionable Insights using Big Data, IoT, Machine Learning and related technologies. He is a strong evangelist of the competitive advantage AI and Machine Learning bring to organizations in the digital age. Currently Robin is working as Chief Data & Analytics Officer at wefox, the largest Insurtech in Europe. He has held many senior leadership roles in both Fortune 100 companies like Cisco and agile FinTech startups.

Data Mesh ist heute der Trend im Datenmanagement.
Es werde Microservice-Architekturansätze auf jeder Art von Datenverarbeitung an und betrifft so auch Data Warehouses oder Date Lakes.
Die dezentralisierte Datenarchitektur organisiert die Daten nach einem bestimmten Unternehmensbereich, z. B. Vertrieb, Finanzen, Claims usw., so dass die Produzenten eines bestimmten Datensatzes mehr Eigenverantwortung erhalten.
Diese verteilte Architektur ist besonders hilfreich bei der Skalierung von Datenanforderungen in einem Unternehmen.

Oliver Gehlert arbeitet seit über 20 Jahren im Bereich Datenbanken, Datawarehouse und Data Lake. Er ist regelmäßiger Referent auf Fachkonferenzen und Autor von Artikeln.
Bei Google Cloud unterstützt er Kunden aus allen Branchen auf ihrem Weg in die Cloud.

Christine Schulze ist seit 20 Jahren im Bereich Data Warehouse und Data Lake unterwegs. Im Google Cloud Team arbeitet sie als Data Analytics Spezialistin und hilft Kunden auf dem Weg zu einer “Data-driven Company”. Sie lehrte als Gast Dozentin an der Hochschule Rosenheim für Wirtschaftsinformatik.

Ein Data Lake House kombiniert die Elemente eines Data Warehouse und eines Data Lake zu einer neuen Datenmanagement-Plattform, um eine flexiblere und kostengünstigere Architektur für die Speicherung und Analyse unterschiedlicher Daten bereitzustellen. Beispielsweise können Social-Media- oder Sensor-Daten zur Analyse in einen kostengünstigen Data Lake gestreamt und dann mit den Kundendaten aus dem Data Warehouse kombiniert und analysiert werden. Auf einer umfassenden Datenbasis helfen Machine-Learning-Modelle dabei Verhaltensmuster und Trends schnell zu entdecken und Prognosen und Handlungsempfehlungen für die Geschäftssteuerung zu entwickeln. Anhand von Referenzarchitekturen diskutieren wir verschiedene Anwendungsbeispiele.

Christian Hübner ist Enterprise Architekt bei Oracle Deutschland. In einem EMEA-übergreifenden Industry Advisory Team berät und unterstützt er Banken und Versicherungen bei strategischen IT-Architekturentscheidungen und auf dem Weg in die Cloud.

Björn Ständer ist Director für Business Analytics & Data Innovation bei Oracle Deutschland. Nach dem Motto „Do more with Data“ berät er seit 25 Jahren Kunden und Partner aus unterschiedlichen Branchen wie sie ihr Datenmanagement optimieren und mit Hilfe moderner Analyse-Werkzeuge die Wertschöpfung erhöhen können.

The goal of data science is to improve decision making, be it managerial decisions that are in the end made by humans or automated decisions made directly by an algorithm. Causal reasoning is the foundation of human decision making and in recent years Artificial Intelligence researchers and the machine learning community have taken up aspects of causality to improve the quality of algorithmic decisions. Causal methods (e.g. Structural Causal Models or Uplift Modeling) are the suited ones for many data science applications. Big tech and consulting companies have started to use causal methods and open sourced their implementations via Python packages. Yet, there is still a large application gap regarding causal methods in the broader data science practice. To explain and partly bridge this gap the talk introduces the key concepts and challenges of causal inference, gives an overview of the most important methods, and demonstrates their application in two examples.

Die strategische Bedeutung von Daten für digitale Geschäftsmodelle und den Einsatz künstlicher Intelligenz ist unbestritten. Dennoch bewirtschaften nur wenige Unternehmen Daten so systematisch und professionell wie andere Unternehmensressourcen. Führende europäische Konzerne haben sich zusammengeschlossen, um gemeinschaftlich innovative Lösungen für das Datenmanagement zu entwickeln.

Für Führungskräfte stellen sich die immer gleichen Fragen:
• Was ist eine Datenstrategie und welche Elemente umfasst sie?
• Wie kann ich eine Datenstrategie für mein Unternehmen entwickeln?
• Welche Erfahrungen haben andere Unternehmen mit der Entwicklung und Umsetzung von Datenstrategien gemacht? Was kann man von ihnen lernen?
• Wie kann die Notwendigkeit, eine Datenstrategie zu entwickeln, begründet werden?
• Und mit welchen Argumenten finden sich im Unternehmen Verbündete und Sponsoren für die Entwicklung einer Datenstrategie?

Erfahren Sie mehr zu diesen Themen im Vortrag.

Nutzung von domänenspezifischen Sprachen (DSL) in einem Enterprise Data Warehouse, um die Entwicklung zu beschleunigen und Inhalte fachlich zu abstrahieren.

Traditionelle Data Warehouse Ansätze und Produkte haben es immer schwerer, ihren ursprünglichen Zweck zu erfüllen. Hinzu kommt, dass sie sich neuen Herausforderung stellen müssen. Wie kann man das Speichern verschiedenster Datenformate einfach und effizient gestalten? Wie kann man den Nutzern schnelle Analysen ermöglichen, und Ihnen gleichzeitig die Flexibilität geben, die Ausführungsgeschwindigkeit beliebig anzupassen? Wie kann man beliebig viele nebenläufige Datenverarbeitungs- und Analyseprozesse mit einer Data Warehouse Instanz unterstützen?
Um sich diesen Herausforderungen zu stellen, hat Snowflake ein von Grund auf für die Cloud entworfenes, relationales, SQL kompatibles Data Warehouse Produkt entwickelt.

Laut Gartner werden im Jahr 2020 Unternehmen ohne eine Cloud-Strategie so selten sein wie es heute Unternehmen ohne eine Online-Strategie sind. Während die Cloud Unternehmen flexibler und agiler macht, bringt die Einführung auch Herausforderungen wie bspw. Hybrid-Cloud-Szenarien, Infrastrukturmodernisierung oder Cloud-basierte Analysen mit sich.
In dieser Session besprechen wir reale Anwendungsfälle und zeigen auf wie Datenvirtualisierung die Herausforderungen der Cloud-Adoption löst und gleichzeitig:

• die Data Governance und Sicherheitsmechanismen zentralisiert,
• einen Zugriff auf unterschiedlichste Daten für sofortige Analysen ermöglicht,
• die Nutzung aller verfügbaren Daten erlaubt, um Entscheidungen in Echtzeit zu treffen und
• bestehende Data Warehouses ohne Auswirkung auf ihre Nutzer in die Cloud migrieren lässt

Die meisten großen Kunden evaluieren derzeit die Transformationsmöglichkeiten ihrer Warehousesysteme in eine Cloudarchitektur. Dabei ist ein einfaches „lift and shift“ meist nur bedingt geeignet, die Vorteile der Cloud in Bezug auf Schnelligkeit, Agilität und Kostenersparnis optimal zu nutzen. Oftmals stellt sich schnell Ernüchterung nach den ersten Projekten ein. Oracle bietet verschiedene Ansätze, die individuellen Anforderungen der Kunden abzubilden und die jeweils besten Services optimal zu kombinieren. So gelingt eine erfolgreiche Transformation in eine cloudbasierte DWH Architektur.

•    Übersicht über mögliche Bedrohungen der Cluster-Sicherheit
•    Aufbau einer Kerberos-gesicherten Infrastruktur für die Authentifizierung
•    Autorisierung auf verschiedenen Ebenen
      (Applikation, Datenbank/Tabelle/Spalte, Verzeichnis/Datei)
•    Absicherung externer Schnittstellen, insbesondere JDBC-Schnittstellen für
      den externen Zugriff durch BI-Tools

•    Bericht über typische Herausforderungen / besondere Erfahrungen
•    Q/A für die Teilnehmer des Roundtables

Given the diversity of analytical database technologies, it is difficult to decide which one is the best fitting for the given use case. In this work we considered databases based on MPP cloud technologies, MPP on premise and GPU technologies. In our test we evaluated how easy was to set up these technologies, how practical was to ingest large amounts of data and what was the tuning effort. The data set used in our test was around 2 TB and consisted of 10 tables. The technologies we looked at are:
•    Redshift
•    Presto, Hive, S3
•    MapD
•    Kinetica
•    Kudu and HDFS
•    Impala and HDFS
•    Ignite

„Die Härte des Aufpralls hängt von der Fallhöhe ab.“
Stichtag: 25. Mai 2018 - Die EU-Datenschutz-Grundverordnung kommt!
Was ändert sich wirklich?
Was ist zu tun?

Kurze Beschreibung: Im BI Umfeld wird tagtäglichen mit sensiblen Daten gearbeitet. Damit einhergehend muss man sich der Verantwortung bezüglich der korrekten Verarbeitung und Weitergabe dieser Informationen stellen. Um sowohl den gesetzlichen Pflichten, als auch dem eigenen Anspruch gerecht zu werden, wurde ein praxisbezogenes Konzept entwickelt, das eine unternehmensbezogene Adaption des allgemeingültigen Gesetztes für Datenschutz- und Datensicherheit darstellt. Das Konzept dient als Leitfaden für Entwickler, die Anforderungen hinsichtlich personenbezogenen Daten erhalten. Anhand eines prozessualen Ablaufs werden unterschiedliche Anwendungsfälle, wie bspw. die Weitergabe von interne/externe Mitarbeiter-/Kundendaten, der Zeitraum der Datenvorhaltung und der Aktualisierungszyklus von pseudonymisierten Daten,  zuzüglich der beteiligten Instanzen und deren Verantwortungen visualisiert. Durch die Einbeziehung von zusätzlichen Unternehmenseinheiten, außerhalb des BI Sektors (Legal &HR Department) stehen dem Entwickler Ansprechpartner zur Verfügung, die im Bedarfsfall konsultiert werden können und dazu beitragen, dass gemäß der Gesetzesgrundlage gehandelt wird.

Erfahrungsaustausch und offene Diskussion

M.E. kann naturgemäß kein Werkzeug aus der Data Warehouse Automation (DWA) alle Wünsche erfüllen.
Jedes Werkzeug hat seine Stärken und Schwächen und manche Ideen sind noch gar nicht verwirklicht.
Der Vortrag ist ein Streifzug durch die Erstellung eines Schichten Data Warehouse (DWH) mit Hilfe von DWA-Werkzeugen.
Angerissen wird die Beantwortung folgender Fragen:

• Was sind die Voraussetzungen für DWA?
• Was sind "Separation of Concerns"?
• Was ist mit Integration, Historisierung und Latenz?
• Welche Rolle spielen Architektur, Modellierungsmuster, Speicherstrukturen und die Trennung von Form und Funktion?
• Wie sollte eine Modularität (auch Baustein- oder Baukastenprinzip) bei DWA aussehen?
• Sind selbstähnliche Strukturen der vielversprechenste Weg?
• Lässt sich ein Data Warehouse mit Hilfe von DWA auch vollständig virtualisieren?
• Bei welchen Schritten hinsichtlich der Erstellung eines Schichten-DWH können einzelne DWA-Werkzeuge ihr Stärken ausspielen?

Und zu guter Letzt :

• Gibt es eigentlich noch Geheimnisse bei der Erstellung eines DWH?

Anhand von einer Reihe von Projektbeispielen wird aufgezeigt, welche Data Warehouse Automatisierungs-Ansätze in der Praxis angewendet werden, wie weit diese reichen und welche Nutzenpotentiale und Spannungsfelder daraus entstehen.
Die Bandbreite der Automatisierungsansätze reicht dabei von „Self-Made Automation“ bis hin zum Einsatz von verschiedenen spezialisierten Tools und Softwareprodukten.
Der Einsatz von DW Automation beschränkt sich aber nicht nur auf die automatisierte Generierung von Data Warehouse Objekten, sondern beeinflusst auch die Prozesse vom Requirements Engineering bis hin zum Releasemanagement. Im Vortag werden daher auch die Auswirkungen auf Organisation und Abläufe erläutert und mögliche Schritte aufgezeigt, wie eine DWH-Bestandslösung in eine automatisierte DWH Lösung übergeführt werden kann und welche Aspekte und Entscheidungsgrundlagen dabei zu berücksichtigen sind.

Was wünschen sich Kunden von Cloud-BI Lösungsanbietern

Geschichte der InMemory Verarbeitung, was ist das Besondere, worauf ist zu achten, welche Unterschiede gibt es

jeweils 15 Minuten kompakte Vorstellung der Vorteile der jeweiligen eigenen Lösungen durch Referenten der folgenden Firmen
• IBM
• Oracle
• QlikTech
• SAP
• SAS       

Gemeinsam wollen wir die Ansätze abgrenzen und die entsprechenden Vor-/Nachteile für die Anwender diskutieren.
Jeder Teilnehmer ist aufgefordert, sich aktiv an der Diskussion zu beteiligen

Die Teradata Aster Plattform vereinigt die bekannten Vorteile einer massiv-parallelen relationalen Datenbank mit dem MapReduce-Paradigma. Mit „SQL-MapReduce" können komplexe Big Data Analysen auf semi-strukturierten Daten aus SQL heraus auf großen Datenbeständen durchgeführt werden. Insbesondere die Anbindung von Big Data Analysen an ein Data Warehouse und an Hadoop werden im Kontext der „Unified Big Data Architecture" beleuchtet. Kundenprojekte und zu konkrete Anwendungsfälle bilden den zweiten Schwerpunkt dieses Vortrages.

Erik Lenhard übernahm 2006 bei Kabel Deutschland die

Verantwortung für den Bereich Business Intelligence / Data Warehouse im

Bereich Vertriebsreporting. Seit 2008 leitet er den Bereich Management

Information.

Der Siegeszug der Smartphones und Tablets ist in

vollem Gange. Die vielfältigen Einsatzmöglichkeiten dieser Geräte legen

es nahe, sie auch für Datenanalysen und Visualisierungen in BI-Projekten

einzusetzen. Dabei gibt es Besonderheiten dieser Geräteklasse, die sie

für den Einsatz als BI Frontend prädestinieren (z. B. Multitouch) und

solche, die den Einsatz stark erschweren (z. B. Bildschirmgröße).

Im TDWI Roundtable stellen die beiden Hersteller

MicroStrategy und Oracle ihre Lösungen für Mobile BI vor und legen dar,

wo die Vorteile für den Anwender liegen.

Insbesondere werden folgende Aspekte thematisiert:

• Mobile BI: Lösung für den breiten Markt oder Nischenprodukt
• Features der mobilen BI-Lösungen und Abgrenzung zu den Desktop-Produkten
• Zusammenspiel zwischen mobilem Endgerät und konventioneller BI Suite
• Mobile Security & BI
• Entwicklungstrends

Der Vortrag unterstreicht, das in Organisationen,

die Risikomanagement betreiben, die Anzahl der erfolgreichen Projekte

deutlich ansteigen. So motiviert, gibt der Vortrag Anleitung zum Aufbau

eines eigenen (einfachen) Riskmanagements. Für diejenigen, die bereits

eigene Erfahrung beim Aufbau eines Risikomanagements haben, bietet der

Vortrag den Ansatz für einen offenen Erfahrungsaustausch, gestützt durch

Praxisbeispiele aus den verschiedenen Phasen des Risikomanagements.

Weiterhin erhalten Interessierte einen Einstieg für eine weitere

Auseinandersetzung mit dem Thema Risikomanagement.

Der o2 Vortrag zeigt auf, wie in einem EDWH-Umfeld innerhalb eines BICC mit
fast 200 Mitarbeitern und Nearshoring Integration erfolgreich mit Scrum
entwickelt wird und ergänzt so den Vortrag "Extreme Rapid Prototyping:
DeutschlandCard Data Warehouse in 3 Monaten" von Dr. Clemens Schäffner,
Director Business Intelligence, Mitglied der Geschäftsleitung,
DeutschlandCard vom 3. TDWI Roundtable in München.

* Motivation
> Einfluss der Datenqualität auf den Unternehmenserfolg

* Betroffene und Beteiligte
> Organisation von Datenqualitätsmanagement im Unternehmen
> Datenqualitätsmanagement vs. BI Competency Center

* Umsetzung
> Strategischer Ansatz für Datenqualitätsmanagement

Vorstellung der Organisatoren des TDWI Roundtable München

Vorstellung der Organisatoren des TDWI Roundtable München