Roundtable

Spezielle Aufgaben benötigen spezielle Werkzeuge. Da in der Anwendung von KI immer mehr die Passgenauigkeit der eingesetzten Werkzeuge in den Vordergrund rückt, stellen wir in diesem Vortrag einen Ansatz zum lösungsorientierten Design dieser Werkzeuge vor - Compound AI Systeme.

In diesem Vortrag klären wir
•    welche Vorteile mit diesem Ansatz entstehen
•    wie ein Compound AI System technisch aufgebaut ist und
•    welche Herausforderungen es aus unserer Erfahrung gibt

Diese und viele andere Fragen beantworten wir anhand aktueller Trends und Einblicken aus unseren Projekterfahrungen.

Power BI ermöglicht eine schnelle Berichtsentwicklung. In der Eile kann es jedoch zu Fehlern kommen, die bei umfangreichen Berichten und Dashboards nicht sofort auffallen. Diese sind nicht nur unschön, sondern beeinträchtigen auch das Vertrauen der Anwender:innen. Wir zeigen, wie automatisierte Tests helfen, verschiedene Fehlersituationen frühzeitig zu erkennen und so zu vermeiden.

Seit ChatGPT sind LLMs allgegenwärtig und werden stetig in weitere Produkte integriert. Was bedeutet das für die Datenmodellierung? Werden manche Modellierungstechniken von LLMs besser verstanden als andere? Anhand praktischer Beispiele und Erfahrungen werden diese Fragestellungen beleuchtet und Empfehlungen für eine effektive Datenmodellierung im Zeitalter von LLMs gegeben.

Vielleicht kennt ihr das auch: die typischen Datenplattformen in der Cloud sind vollgepackt mit Funktionalität, aber als Data Engineer ist trotzdem noch viel technische Detailarbeit bei der Entwicklung notwendig, obwohl der Fokus eigentlich auf den Daten liegen sollte. Wir zeigen Dir in diesem Vortrag ein Data Management Automation Framework, das mit Metadaten alles umsetzt, was sonst mühsam per Hand entwickelt werden muss. Mit unserem Framework auf Basis eines modernen Cloud-Stacks (Matillion, Google BigQuery) konnte die ERP Migration inkl. Berichtswesen in kurzer Zeit realisiert werden. Wir wagen einen Blick unter die Motorhaube und geben Einblick in unsere Fails und Lessons Learned.

Foundation Models (z.B. Large Language Models) sind die Basis für zahlreiche generative AI Anwendungen der letzten Monate und Jahre. In diesem Impulsvortrag klären wir ein paar Grundlagen und die besonderen Stärken von Foundation Models. Unsere aktuellen Praxisprojekte geben Ausblicke zur Nutzung und zeigen Wege zur schnellen Validierung neuer Ideen für Unternehmen oder in Kundenprojekten. Im Anschluss gehen wir zusammen in ein kleines Interaktionsformat! 

Die Bereitstellung offener Daten durch Behörden, wissenschaftliche Institute, Organisationen und Unternehmen nimmt immer mehr zu. Ob Bevölkerungsstatistiken, Umweltinformationen, Wirtschaftskennzahlen ... diese unternehmensexternen Daten können ein wertvoller zusätzlicher Input für Analysen sein. In diesem Vortrag wird nach einer kurzen Einführung gezeigt, wie Open Data funktioniert, wo man welche offenen Daten beziehen kann und wie die Daten z.B. in Projekten beim #MSHack zur Anwendung kommen.

Federated Learning ist ein innovativer Ansatz, um durch Künstliche Intelligenz (KI) das wirtschaftliche Potenzial sensibler oder dezentraler Datenschätze zu erschließen. In unserem Vortrag erläutern wir reale Anwendungsfälle, zentrale Grundlagen und verschiedene Vorteile dieses Ansatzes. Außerdem demonstrieren wir auf Basis der Lösung von Strategion die technische Funktionsweise und implementierte Anwendungsbeispiele aus der Wohnungswirtschaft, der Energieversorgung sowie der Banken- und Versicherungsbranche. Dadurch erhalten Sie einen fundierten Überblick und inspirierende Anregungen, wie Ihr Unternehmen mithilfe von Federated Learning eine zusätzliche Wertschöpfung erzielen kann.
 
Philipp Fukas ist Manager bei der Strategion GmbH und hat mehr als 10 Jahre Erfahrung in der Softwareentwicklung, Beratung und Projektleitung. Aufbauend auf seine Ausbildung zum Fachinformatiker und seinen Studienabschlüssen in Wirtschaftsinformatik und Kognitionswissenschaft schließt er aktuell seine Promotion zur Entwicklung und Anwendung KI-basierter Informationssysteme ab. Derzeit koordiniert er Innovations-, Strategie-, KI- und Data-Science-Projekte für Unternehmen verschiedener Branchen.

Techniken und Anwendungen aus dem Bereich Data Science haben in den letzten Jahren stark an Bedeutung gewonnen. Ein Grund für dieses Phänomen ist die Tatsache, dass die Datenmengen in verschiedenen Domänen dramatisch angestiegen sind. Dies ist beispielsweise in der Fernerkundung der Fall, wo aktuelle Satellitenmissionen jährlich bereits mehrere Petabyte an Daten produzieren. Kommende Projekte werden solche Datenmengen pro Monat, pro Woche oder sogar pro Tag produzieren. Techniken des maschinellen Lernens zielen darauf ab, Wissen automatisch zu extrahieren und wurden als einer der wichtigsten Treiber für zukünftige Entdeckungen und Innovationen in diesem Bereich identifiziert. Die Verarbeitung und Analyse der riesigen Datenmengen können jedoch aus technischer Sicht sehr herausfordernd werden. Die Präsentation wird einige unserer aktuellen Forschungsaktivitäten in diesem Bereich skizzieren. Insbesondere wird das Potenzial moderner Deep-Learning-Modelle und effizienter Methoden zur Erkennung von
Veränderungen im Kontext näher erläutert werden.

Eine schnelle Datenwertschöpfung, das Vertrauen in Entscheidungen und eine hohe Datenqualität sind wichtige Bestandteile der Strategie datengetriebener Unternehmen. Klassische Data Warehouse Lösungen verfehlen dieses Ziel häufig, weil ihr Fokus eher auf effizienter Datenintegration und Bereitstellung liegt. Wir zeigen mit dem Schritt zum Data Shop, wie Daten als Produkte gesehen und gezielt vermarktet werden können. Hierdurch ergeben sich Anreize zur Kundenorientierung und technische wie organisatorische Konsequenzen.

Data Mesh ist ein „Buzz Word“, das zurzeit Hochkonjunktur hat. Es ist definiert als sozio-technischer Ansatz, um Datenverantwortung (data ownership) an die Fachdomänen (zurück) zu geben. Dabei geht Data Mesh einen ähnlichen Weg, den bereits die klassische Anwendungsentwicklung beschritten hat: zergliedere deine Fachdomäne in handhabbare und in sich unabhängige Sub-Domänen (Domain-Driven-Design) und bilde kleine, ausbringbare Einheiten, die möglichst weit autark sind.
Es werden die 4 Grundprinzipien des Data Mesh Ansatzes dargestellt und gezeigt, wie eine Umsetzung in der Praxis erfolgen kann. Atruvia hat begonnen, von einer monolithischen Data Warehouse / Enterprise Data Lake Architektur in eine verteilte Datenarchitektur nach Data Mesh Prinzipien zu migrieren. Die ersten Erfahrungen, Architekturen und Umsetzungen werden gezeigt und auf Erfolge und  Herausforderungen eingegangen.

Ob Donald Trumps permanentes Wüten gegen „Fake News“ durch traditionelle Medien, die Verbreitung von Falschnachrichten im Netz oder das verschwörungstheoretische Raunen in sozialen Netzwerken: Sie sind Aspekte einer aktuellen gesellschaftlichen Debatte, die sich mit der Manipulation von Gesellschaft und Öffentlichkeit auseinandersetzt. Doch gibt es tatsächlich solche Manipulationen? Wenn ja, wie schwerwiegend sind diese? Welche Akteure stecken dahinter? Und: Welche Ziele verfolgen sie?
Jenseits des akuten Alarmismus bringen aktuelle Studien unter Beteiligung von Informatikern, Sozialforschern und Psychologen mehr Licht ins Dunkel von Propaganda und Populismus im Netz. Mit Hilfe von Big Data Analysen, groß angelegten Befragungen und experimenteller Forschung zeigen Sie, welche Beeinflussungsversuche aktuell schon stattfinden und wie elaboriert diese sind, welche Effekte sie erzeugen können – und was uns in Zukunft erwarten könnte.

Prof. Dr. Thorsten Quandt ist Sprecher des Zentrums zur Erforschung digitalisierter Öffentlichkeiten am Institut für Kommunikationswissenschaft. In mehreren interdisziplinären Projekten, u.a. finanziert durch das Bundesministerium für Bildung und Forschung (BMBF), untersucht er Desinformations-Kampagnen im Internet.

Auch in der Politik geht es um Social Bots. Der Bundesrat hat eine Kennzeichnungspflicht für diese Automaten ins Gespräch gebracht und Juristen und Politiker arbeiten bereits an gesetzlichen Regelungen. Der Vortrag beleuchtet in diesem Kontext das Thema des Einsatzes von Social Bots zur Manipulation, Desinformation und Verbreitung von Propaganda über soziale Netzwerke. Dies beinhaltet einerseits eine Untersuchung der allgemeinen Funktionsweise; andererseits wird die konkrete technische Realisierung und der damit einhergehende Aufwand – unterstützt durch eigene Experimente und Erfahrungen - dargestellt. Schließlich werden aktuelle Methoden zur automatischen Erkennung von Social Bots erläutert und kritisch diskutiert. Basierend auf dieser Grundlage muss die Fragestellung der Notwendigkeit einer Kennzeichnungspflicht von Social Bots neu diskutiert werden.

PD Dr.-Ing. Christian Grimme ist akademischer Leiter des ERCIS-Competence Centers for Social Media Analytics und forscht u.a. gemeinsam mit Thorsten Quandt – allerdings aus der Perspektive von Wirtschaftsinformatik und Statistik – in interdisziplinären Projekten zum Thema der Desinformation und zu Wegen der Erkennung von technisch gestützter Manipulation im Internet.

Wenn von Blockchains die Rede ist, denken viele vermutlich spontan an den Bitcoin-Hype und seinen Absturz im vorigen Jahr. Doch Krypto-Währungen sind nur einer von vielen Anwendungsfällen für die Blockchain-Technologie. Ihr Novum: Sie ermöglicht den Besitz und die Veräußerung beliebiger digitaler Güter ohne externe Prüfinstanz - wie z.B. Notare, Banken, Internetunternehmen, etc.

Bedroht die Blockchain also die Banken? Nein, denn manches, was zunächst bedrohlich erscheint, entpuppt sich vielleicht als Chance für ein neues Geschäftsmodell. Welche Rolle können und sollten Banken also in dieser globalen Bewegung spielen?

In the beginning there was … data. And it was collected and grew in size. To slaughter the data zombies lying in their graves some brave knights of the mighty cloud created a lab to transform lead into the pure gold of knowledge. That was a good start but having only limited tools in their own sandbox wasn’t enough for the noble kings in the realm of data science. They wanted their models to be observed and the streams of data to run into the remotest valley of their kingdom. So they asked the good lady of mythical Devopsia to create a machine being able to automatically create knowledge from data only inspired by the ideas out of the brains of these modelmakers. After some thoughtful times the lady rose from her vault and the data science factory was born.
So let us gather to hear the story how this wonderful machine works which creates knowledge from data by overcoming old data graves and supports those kings in doing Data Science.

Daten werden heute als wichtigstes Asset im Unternehmen gesehen - nur wissen viele nicht, was wirklich in den Daten steckt. Die Fiducia & GAD hat in Kooperation mit den Volks- und Raiffeisenbanken sowie den weiteren Unternehmen der genossenschaftlichen Finanzgruppe (UGFG) ein Labor eröffnet, das helfen soll, in den Daten Wissen zu entdecken. Der Vortrag beleuchtet die Motivation für das Smart Data Lab, den strukturellen Aufbau und Eindrücke über die Arbeit im Lab. Es werden verschiedene Use Cases gezeigt und beschrieben, wie hieraus in Kooperation zwischen Technikern, Bankmitarbeitern und Data Scientists Analysemodelle entstehen. Die Darstellung der Einbettung des Smart Data Lab in die weiteren Aktivitäten rund um das Thema Analytics und künstlicher Intelligenz runden den Vortrag ab.

Die Digitalisierung ist in aller Munde. Teil einer jeden Digitalisierungsinitiative ist auch der Umgang mit Big Data, da komplexen und großen Datenmengen und darauf aufsetzenden - in die "Zukunft sehenden" - Algorithmen eine große Bedeutung zugeschrieben wird. Deshalb hat die DZ BANK AG in den letzten Jahren das Thema Big Data und Data Analytics aufgegriffen, erste Initiativen erfolgreich bearbeitet und dabei Erfahrungen mit Data Lakes auf Hadoop und darauf aufsetzenden Data Labs gesammelt. Der Vortrag beleuchtet die "Lessons Learned" und lädt zur offenen Diskussion über alternative Vorgehensweisen ein.

Das Gesamtsystem einer Business Analytics Lösung umfasst unlängst neben klassischen Data Warehouse Komponenten neue Technologien zur Datenspeicherung (z.B. Hadoop, NoSQL) und Analyse bzw. Vorhersage (z.B. Machine Learning). Die Herausforderung dieser wachsenden Komplexität liegt nicht nur in der technischen Implementierung und Verbindung der einzelnen Komponenten, sondern in der inhaltlichen Abstimmung und Transparenz einer sich kontinuierlich ändernden Analytics-Wertschöpfungskette. Der Vortrag diskutiert die wesentlichen Spannungsfelder zwischen Technologiefokus und Marketinghype der Big Data Ära und zeigt die wichtigsten Herausforderungen und Erfolgsfaktoren einer nachhaltigen Business Analytics Architektur. Das skizzierte Lösungsbild schafft Orientierung im Technologiedschungel und erdet die Zielarchitektur anhand von Basisprinzipien aus der Praxis.

Das Internet der Dinge oder kurz IoT (Internet of Things) ist heutzutage schon Realität. Verschiedenen Studien zufolge gibt es heute über 7 Milliarden vernetzte Dinge weltweit und es wird angenommen, dass diese Zahl bis zum Jahr 2020 auf über 20 Milliarden steigen wird. Damit einhergehend wächst das Datenvolumen, das durch die Geräte generiert und übertragen wird. Getrieben wird diese Entwicklung durch eine ständig größer werdende Anzahl von Ideen zur Nutzung des IoT, sei es im privaten aber auch im industriellen Bereich. Allerdings können hier sehr unterschiedliche Trends in Bezug auf die Anwendungsmöglichkeiten und auch den Durchdringungsgrad der Technologie in verschiedenen Industrien beobachtet werden. Generell kann konstatiert werden, dass der Einsatz vernetzter Objekte erst am Anfang steht. Das massive Wachstum verlangt aber auch nach technologischen Lösungen und Standards, die die breite Umsetzung erst möglich machen. Unterschiedliche Kommunikationstechnologien als auch Integrationsplattformen stehen hier zur Verfügung und werden genutzt, wobei eine Konsolidierung noch aussteht. Konnektivität ist aber kein Selbstzweck. Die wirtschaftliche Relevanz des IoT entsteht in vielen Bereichen erst durch die Verwendung der generierten Daten, sei es durch Big Data Analytics oder Artificial Intelligence. In diesem Vortrag soll der aktuelle Stand des IoT aus technischer sowie Anwendungssicht skizziert werden. Anhand von Beispielen aus den Bereichen Produktion und Logistik soll der durch die Verbindung des IoT mit den Methoden des Big Data Analytics als auch der Künstlichen Intelligenz in der Zukunft erzielbare Mehrwert aufgezeigt werden.

Digitalisierung ist heute ist nicht mehr mit Email und Webseite abgehandelt. Im Zentrum von Cognitive Computing steht die Integration von smarten Anwendungen in bestehende Prozesse, die einerseits dazu beitragen, komplexe Vorgänge zu automatisieren und andererseits neue Erkenntnisse aus bestehenden Geschäftsvorgängen und Prozessen heben. Es ergeben sich: individualisierte Kundenerlebnisse sowie operative Effizienz wie Exzellenz im Unternehmen. In der Demo-Session wird deutlich wie dieser ursprüngliche "Spagat"  schon heute Realität werden kann.

Immer mehr Unternehmen steuern und überwachen ihre Kerngeschäftsprozesse mithilfe von Prozesssteuerungsplattformen. Hierbei werden über sog. „Process Engines“ Geschäftsprozesse, die mit der Sprachnotation BPMN2.0 modelliert wurden, direkt zur Ausführung gebracht. Aus BI-Perspektive stellt eine Process Engine eine wichtige neue Datenquelle dar, die Auswertungen zulässt, anhand derer die Geschäftsprozesse durchgängig analysiert und laufend optimiert werden können. Beispielsweise wird leicht erkennbar, welche Prozessschritte wie häufig, mit welcher Dauer und von wem ausgeführt wurden. Darüber hinaus wird deutlich, welche Fachdaten sich in welchen Prozessen verändern. Der Fokus der Analyse verschiebt sich somit von einer Fachobjekt-orientierten Auswertung hin zu prozessorientierten Kennzahlen. Nutzt man für solche Auswertungen „klassische“ BI-Techniken wie etwa OLAP-Berichte, so lassen diese jedoch den dahinter liegenden Prozess nicht mehr erkennen. Umgekehrt können in prozessorientierten Auswertungen diverse Daten aus einem bereits vorhandenen Data Warehouse sehr hilfreich sein. So lassen sich prozessorientierte Kennzahlen, wie etwa Ausführungszeiten, direkt am entsprechenden Prozessteil anzeigen und zusätzlich an gleicher Stelle nach prozessunabhängigen Variablen (Dimensionen) aus dem DWH, wie etwa Produkthierarchien, weiter filtern bzw. unterteilen.
Um diese prozessorientierten Auswertungen zur ermöglichen und in bestehende DWH-Architekturen zu integrieren, wurde bei der viadee IT-Unternehmensberatung ein „Process Warehouse“ konzipiert und umgesetzt, dessen Einsatz aktuell in einem Pilotprojekt mit der Westfälischen Provinzial Versicherung AG evaluiert wird. Das Process Warehouse enthält eine Auswertungskomponente, die Prozess-Kennzahlen direkt am Prozessmodell visualisiert und in der Lage ist, Daten aus dem DWH für zusätzliche Filter- und Drill-Down-Möglichkeiten zu nutzen. Ziel ist es, die kontinuierliche Analyse und Weiterentwicklung der automatisierten Geschäftsprozesse der Provinzial ohne Verlust des Prozessmodellbezugs zu ermöglichen. Der Vortrag stellt Prozessdaten als weitere Datenquelle für ein DWH, die Nutzung in einem Process Warehouse und dessen Integration mit traditionellen BI-Architekturen auf Daten- sowie Visualisierungsebene vor.

Die Prognose von Umsatzzahlen im Handel stellt besondere Anforderungen an die Vorgehensweise in entsprechenden Projekten. Durch die große Anzahl unterschiedlicher Artikelgruppen in den einzelnen Filialen müssen häufig tausende Umsatz-Zeitreihen in jedem Intervall vorhergesagt werden, die durch unregelmäßige Abverkäufe oder Sortimentswechsel teilweise dünn besetzt und im Extremfall sehr kurz sein können. Zusätzlich zu den Umsatzdaten selbst existieren weitere, unternehmensexterne oder -interne Datenquellen, deren potentieller Nutzen für die Prognose ungewiss ist. Neben der eigentlichen Evaluation verschiedener Prognosemodelle ist die anschließende Integration verbundener Prozesse und Kennzahlen in den Unternehmenskontext ebenfalls von hoher Relevanz. So muss den Nutzern der Prognosen eine Möglichkeit gegeben werden, diese im Rahmen der Planungsaktivitäten zu verwenden. Da die eigentliche Berechnung für den Nutzer häufig intransparent ist, müssen Lösungen geschaffen werden, die eine Einschätzung der Prognosequalität erlauben.
Am Beispiel eines bei der Gerry Weber International AG durchgeführten Prognose-Projekts wird gezeigt, wie diese Aspekte entlang eines strukturierten und ganzheitlichen Data Mining Vorgehensmodells adressiert werden können. Dabei wird zum einen auf kritische Phasen während der Datenanalyse eingegangen. Hohe Relevanz besitzt dabei die Datenvorverarbeitung, bei der die verwendeten Daten in eine für die Algorithmen passende Darstellungsform transformiert werden. Je nach Beschaffenheit sind jedoch nicht zwangsläufig alle Datenquellen gewinnbringend verwendbar, was sich am Beispiel von Event-Daten zeigte.
Zum anderen werden organisationsbezogene Fragestellungen wie die Nutzung der Prognosen und die Erzeugung von Akzeptanz und Vertrauen in die Prognosen diskutiert. Hierbei wird auf ein nachgelagert entwickeltes Korrektur-Cockpit eingegangen, mit dem Prognosewerte mit Plan- und Vorjahreswerten vermischt und so im Planungsprozess verwendet werden können.

.

Daten entstehen in immer größerer Vielfalt (Variety) in immer größerer Menge (Volume) und in immer größerer Geschwindigkeit (Velocity). Doch Daten oder Big

Data alleine stellen noch keinen Mehrwert dar, sondern erst die intelligente Analyse und Nutzung dieser Daten. Predictive Big Data Analytics ermöglicht die automatische Analyse kleiner ebenso wie größter Datenmengen, wahlweise offline (z.B. via Hadoop, HDFS, Hive, Mahout, SPARK, ML Lib) oder online (z.B. Sensor-Datenstrom-Auswertung in Echtzeit in Storm), Modellierung und Modellanwendung zur Ableitung von Erkenntnissen, Prognosen und Handlungsempfehlungen, um den maximalen Mehrwert aus den Daten aller Art zu generieren.

Der Vortrag stellt neben Systemarchitekturen und Softwarelösungen für Predictive Big Data Analytics zahlreiche Anwendungen und Success Stories vor:

• Real-Time-Datenstromanalyse des Klickverhaltens von Millionen von Fernsehzuschauern für personalisierte Programmempfehlungen und zielgruppen-orientierte Werbung
• Umsatz- und Gewinnsteigerung durch Optimierung von Direkt-Marketing-Kampagnen
• Kunden-Feedback- und Stimmungsanalyse (Voice of the Customer Analytics) für Service- und Produkt-Verbesserungen, Steigerung der Kundenzufriedenheit und -bindung und Kündigerprävention (Churn Prevention)
• Social Media Monitoring und Brand Monitoring
• Predictive Maintenance: automatische Vorhersage und Vermeidung von Maschinenausfällen und maschinen-individuelle Wartungsoptimierung
• Industrie 4.0 und Internet of Things (IoT): Online-Auswertung von Maschinendaten für die Optimierung von Design-, Planung-, Produktions-, Montage- und Wartungs-prozessen.

.

Ist Ihr Unternehmen datengetrieben?
Sind Daten für Sie ein Wettbewerbsvorteil?
Oder sind Daten gar das neue Öl?

Fast alle Verantwortlichen in Unternehmen wollen Daten besser nutzen und monetarisieren. Es mangelt nicht an Zielen und Visionen. Schwierig ist der nächste Schritt: Die Entwicklung konkreter, nutzenstiftender Anwendungsfälle!
Im Rahmen des Vortrags wird Design Thinking sowie ein datenorientierter Ansatz vorgestellt und aufgezeigt, wann welche Methode genutzt werden sollte.

Schneller verändernde Marktverhältnisse erfordern für Ersteller und Zielgruppen von Business Intelligence Lösungen neben spezifischem Fachwissen mehr denn je auch betriebswirtschaftliche Kompetenzen, um handlungsfähig zu bleiben. Management-Tools im Sinne von betriebswirtschaftlichen Instrumenten können in diesem Zusammenhang eine hilfreiche Orientierung und Unterstützung für Entscheider bieten. Dabei können sie die Intellektualität und das vernünftige Urteilsvermögen nicht ersetzen, sondern liefern strukturierte Denkanstöße und Leitlinien, die eine ganzheitliche und zielführende Betrachtung betriebswirtschaftlicher Fragestellungen gewährleisten.

Im Fokus des Vortrags steht die Erkenntnis, dass BI-Prozesse regelmäßig in einem mehrdimensionalen Kontext aus Geschäftsprozessen, involvierten Instanzen bzw. Mitarbeitern sowie Management-Tools eingebunden sind. Als größte Herausforderung in der Zukunft wird dabei die Befähigung der Mitarbeiter gesehen, diese Tools zielgerichtet und systematisch in ihren Geschäftsprozessen einzusetzen. Mit dem Workplace Support Ansatz auf der Basis von Web 2.0 Technologien wird aufgezeigt, wie fachliche Kompetenzen vernetzt und "Intelligence" im Unternehmen nachhaltig etabliert werden können.

Mit dem Einsatz der verteilten Plattform Hadoop geht die Fiducia & GAD IT AG im Rahmen des Projektes zur Fraud Detection im Online-Banking den nächsten Schritt in Richtung Zukunft.
Nachdem Schlagworte wie "Big Data" oder "Data Science" momentan in aller Munde sind, stellt sich die Frage in welcher Form auch die Fiducia & GAD IT AG von diesen Entwicklungen profitieren kann.
Im Rahmen des Projektes zur Fraud Detection im Online-Banking wird derzeit eine der Kerntechnologien hinter diesen Schlagworten in der Fiducia & GAD eingeführt: die Plattform zur verteilten Datenverarbeitung Hadoop.
Dieser Vortrag soll einen Eindruck vermitteln, was sich hinter dem Hadoop Ökosystem verbirgt, wie der Einsatz  dieser neuen zukunftsträchtigen Technologie ermöglicht wurde und welche Potentiale man sich in Zukunft davon verspricht.

Die Auswertung und Analyse von Daten für die Unterstützung betriebswirtschaftlicher Entscheidungsprozesse ist für viele Unternehmen nicht erst seit Big Data ein aktuelles Thema, das unter dem Stichwort Data Science in die Praxis umgesetzt werden soll.
Der Einstieg in Data Science bringt für das Unternehmen jedoch eine Reihe von Herausforderungen mit, da neben dem Aufbau des erforderlichen Know-hows innerhalb des Teams, auch der richtige Projektrahmen gefunden und geeignete Werkzeuge evaluiert und ausgewählt werden müssen. Natürlich ist auch schon die richtige Formulierung der betriebswirtschaftlichen Fragestellung in Hinsicht auf das zur Verfügung stehende Methodenspektrum eine entscheidende Voraussetzung für jedes Projekt.
Öffentlich zugängliche Wettbewerbsplattformen wie Kaggle geben hier viele praxisgerechte Hilfestellungen. Kaggle bietet jedem — vom Quereinsteiger bis zum erfahrenen Data Scientist — die Möglichkeit an konkreten Data Science Wettbewerben teilzunehmen. Aufbauend auf mehreren erfolgreichen Wettbewerbsteilnahmen (Top 10% aller Teilnehmer) gehen wir in dem Vortrag auf unsere Erfahrungen und die von uns gewählte Methodik ein und stellen Elemente der daraus abgeleiteten Data Science Strategie vor. Dafür ist neben der direkten Teilnahme an einem Wettbewerb auch die in dem zweiten Teil des Vortrags vorgestellte Analyse der generell eingesetzten Methoden und fachlichen Fragestellungen besonders interessant.  

Daten und deren Auswertung werden im Geschäftsleben immer wichtiger. Mehr und mehr Informationen müssen in kürzester Zeit verarbeitet werden. Damit steigen auch die Anforderungen an Business-Intelligence-Lösungen. Sie werden mächtiger aber auch träger in der Umsetzung. Um in diesem dynamischen Umfeld zu bestehen, behelfen sich Fachabteilungen daher häufig selbst, denn sie können oder wollen nicht auf die Umsetzung ihrer Anforderungen durch die IT warten.

Mit Self-Service Business Intelligence (SSBI) wird Fachanwendern die Nutzung des BI-Softwarewerkzeugs erleichtert und ihnen mehr Freiheit bei der Erzeugung und Auswertung von Geschäftsinformationen gewährt. Das wiederum macht der IT-Abteilung Sorgen, die nicht ganz zu Unrecht fürchtet der Schatten-BI nicht mehr Herr werden zu können.

Damit Self-Service-BI in der Praxis funktioniert, muss es auf einer agilen Architektur, Methodik und Organisation beruhen. Hierfür müssen neben Werkzeugen auch Zuständigkeiten, Rollen, Pflichten, Methoden und Prozesse für SSBI – im Rahmen einer Gesamt-BI-Strategie – definiert werden.

Der Vortrag nähert sich dem Phänomen Self-Service Business Intelligence und klärt Fragen nach der Bedeutung von SSBI, nach der Organisation und Struktur von SSBI-Lösungen, den Vor- und Nachteilen sowie deren Gefahren.

“Big Data” ist seit 2012 DAS Buzzword in der IT. Es bezeichnet die Situation, dass alles, was wir heutzutage tun, eine digitale Spur (bzw. Daten) hinterlässt, die wir (und andere) sammeln, analysieren und (hoffentlich) nutzen können. Technisch spricht man von Big Data bei hochvolumigem, dauerhaft schnellem Datenaufkommen in unterschiedlichsten Formaten, aber mit möglicher Unschärfe; gleichzeitig verspricht Big Data einen neuen Durchbruch im Hinblick auf Analysemöglichkeiten und Erkenntnisgewinn etwa von bzw. über Kundenverhalten, Käuferwünsche, Marktentwicklungen und viele andere Fragestellungen, aus deren Beantwortung letztlich neues Geschäft generiert werden kann. Was bedeutet dies für die Zukunft von Data Warehouses, in die Unternehmen im Laufe der letzten 20 Jahre hohe Investitionen gesteckt haben? Wie beeinflussen die verschiedenen Big Data-Dimensionen zukünftige Warehouse-Architekturen? Im Vortrag wird versucht, auf diese Fragen eine erste Antwort zu geben.

In der DWH-Praxis wird ein Core DWH häufig konzipiert, um eine Single-Source-of-Truth für die Datenversorgung von Analyse- und Reportingumgebungen aufzubauen. Selbstverständlich gibt es auch DWH-Lösungen ohne Core DWH, also Data Mart-zentrische Architekturen. Oder den Data-Vault-Ansatz mit seiner Single-Version-of-Facts. Wenn aber eine Single-Source-of-Truth aufgebaut werden soll, ist der Aufbau eines Core DWH der erste Schritt, bei dem sich relativ schnell die Frage stellt, nach welchem Ansatz dieses Core DWH denn zu modellieren ist.    
Mit dem Aufbau und dem Betreiben eines Core DWH werden unterschiedliche z.T. auch konfliktäre Zielsetzungen wie Load- und Query-Performance, Gewährleistung einer hohen Datenqualität, Konsolidierung und Integration, Zeitbezogenheit und Persistenz sowie Einhaltung eines bestimmten Budgets verfolgt.
Ein Ansatz zur Gewährleistung eines stabilen Datenmodells mit der Möglichkeit zur Integration und Konsolidierung der Daten bietet die Ankermodellierung.

Ab 16:30 Uhr Führung durch den Neubau der LVM Versicherung "Kristall" (Dauer ca. 40 Minuten), Treffpunkt Empfang von Bauteil 5 (dem Neubau)

Der Versicherungsmarkt ist ein hart umkämpfter Markt. Unternehmensziele wie Ertragswachstum und Serviceversicherer sind u.a. in Einklang zu bringen.
Im Mittelpunkt jedes Handelns eines Versicherers sollte der Kunde stehen. Die Zufriedenheit und Loyalität sind wichtige Erfolgsfaktoren einer Versicherungsunternehmung.
Dabei ist die Bewertung von Kunden eine elementare Voraussetzung für die Steuerung eines produktiven Kundenbeziehungsmanagements.
Die Ermittlung und Verankerung des Kundenwerts sind wichtige Voraussetzung für ein erfolgreiches Kundenbeziehungsmanagement.
Im Vortrag wird skizziert, wie eine mögliche Implementierung eines Kundenwerts umgesetzt werden kann und welche (IT-) Voraussetzungen dazu erforderlich sind.

Bei der Firma Berker, einem renommierten Hersteller von intelligenter Gebäudetechnik, werden Business Intelligence Lösungen seit über 10 Jahren aufgebaut und kontinuierlich weiterentwickelt, um Organisationänderungen und Prozessoptimierungen zu unterstützen. In dem Vortrag werden die Organisationsentwicklung bei Berker (Entwicklung  zur kundenorientierten Fabrik, Einführung Multiprojektmanagement, Aufbau eines prozessorientierten Controllings, etc.) auf der einen Seite, die unterstützenden BI Lösungen auf der anderen Seite dargestellt.

Das Trendthema Datenvisualisierung gehört zu den wesentlichen Entwicklungsfeldern im Business-Intelligence-Umfeld. Dazu hat Andreas Wiener zusammen mit Dr. Jörn Kohlhammer und Dirk U. Proff das Buch „Visual Business Analytics – Effektiver Zugang zu Daten und Informationen“ verfasst.

Themen des Vortrags:

• Reporting effektiv und erfolgreich gestalten
• Best-Practice-Visualisierungen aus den Unternehmen von Excel bis zu BI-Lösungen
• Auszüge aus dem Buch "Visual Business Analytics - Effektiver Zugang zu Daten und Informationen"

Gutes Business Intelligence braucht neue, integre und datendichtere Formate als die üblichen Diagramme. Diese sind zu mager für unsere informationshungrigen Augen, theoretisch überholt und zu oft schlecht gemacht. 

Themen des Vortrags:

• Kann man Unternehmen wie Autos steuern? Über die Unkultur von Tachos und Ampeln.
• Grafische Tabellen: die Vorteile von Tabellen und Grafiken ohne deren Nachteile.
• Emotionale Managementinformation: der letzte Meter im Business Intelligence.

Die GAD als IT-Dienstleister für die Volks- und Raiffeisenbanken in Deutschland ist seit nunmehr 50 Jahren am Markt tätig. Die Softwareentwicklung in der GAD - insbesondere die Entwicklung des operativen Bankenverfahrens - erfolgt mit einem ausgefeilten Vorgehensmodell. Dieses Modell basiert auf Phasen, die wasserfallähnlich angeordnet sind. In der Praxis hat sich herausgestellt, dass dieses Vorgehensmodell für die Entwicklung von Business Intelligence Anwendungen nicht optimal ist.
Es gibt daher Bemühungen, ein agiles Vorgehen für BI Projekte in der GAD zu etablieren und gleichzeitig die bestehenden Dokumentationsanforderungen zu erfüllen.
Der Vortrag beschreibt kritisch Aktivitäten zur Überführung der BI-Entwicklungsprozesse zu einer agilen Vorgehensweise. Dabei wird ein Schwerpunkt auf die besonderen Herausforderungen im Umfeld der GAD gelegt.

Big Data ist DAS Schlagwort der letzten beiden Jahre. Man verspricht sich von einer Nutzung von Big Data u.a. neue operative Möglichkeiten in den unterschiedlichsten Anwendungsbereichen.
Dennoch wird Big Data bisher von vielen als ein Thema für Spezialisten angesehen; insbesondere KMUs, deren Kernkompetenz nicht im IT-Bereich liegt, tun sich mit dem Thema schwer.
Für diese Zielgruppe, aber auch für weitere Interessenten hat die DBIS Group unter Leitung von Prof. Vossen eine Laborumgebung entwickelt, innerhalb derer Big Data-Fallstudien erarbeitet, Big Data-Technologien erprobt und Big Data-Adoptionsstrategien entwickelt werden können. Im Rahmen dieser Präsentation werden das Lab vorgestellt und Kooperationsmöglichkeiten aufgezeigt.

Nach einer kurzen Einführung in SAP HANA und der zugrundeliegenden Technologien (in-memory, column store, multi-core etc.) wird der Vortrag den speziellen Anwendungsfall eines Data Warehouses auf Basis von SAP HANA betrachten

Projekte Die Verantwortlichen für Business Intelligence und Data Warehouse Systeme werden immer schneller mit neuen Anforderungen konfrontiert. Diese Situation ist für viele BI-Teams zur Normalität geworden und es ist hilfreich, ein BI Umfeld zu schaffen, in dem schnell und effizient auf Veränderungen reagiert werden kann (Time-to-Marktet). Im Rahmen dieses Vortrages erfahren Sie, wie mit SCRUM agile Vorgehensweisen in Data Warehouse und BI-Projekten erfolgreich angewendet werden und wie Sie den Start eines agilen BI-Projektes vorbereiten.

Wie bei allen größeren international agierenden Unternehmen befinden sich auch bei der Deutschen Telekom AG eine Vielzahl von BI Systemen von unterschiedlichen Herstellern im Einsatz. Die meisten DWH Systeme basieren derzeit auf relationalen Systemen von Oracle oder IBM. Im Jahr 2011 wurde von einer unabhängigen Unternehmensberatung ein Benchmark zwischen den führenden europäischen Telekommunikationsunternehmen bzgl. der IT Kosten durchgeführt. Die DT AG liegt dabei im Vergleich zu anderen deutlich über dem Durchschnitt. Gleichzeitig sind die Fachseiten mit der schnellen Bereitstellung von IT Services in Form von Reports oder Analysen unzufrieden, weil die Releasezyklen einfach zu lang und zu unflexibel sind. Aus diesem Grund wurde 2011 das Programm "Next Level Business Intelligence" aufgesetzt, mit dem Ziel die BI Landschaft zu vereinfachen, zu harmonisieren, die Kosten zu senken und gleichzeitig die Flexibilität zu erhöhen.
In dem Vortrag wird anhand von drei Beispielen aus verschiedenen Landesgesellschaften vorgestellt, wie man mit Hilfe von DWH Appliances die Ziele erreicht hat.