Roundtable

Erfahrungen aus dem Einsatz von Apache Superset

Zur Visualisierung von Web Analytics Daten nutzt BurdaForward Apache Superset in einer Installation mit mehr als 550 Nutzern. Ich stelle vor, warum wir uns für eine Open Source Lösung entschieden haben und welche Herausforderungen sich hieraus ergeben.

Blickkontakt ist ein wesentlicher Bestandteil sozialer Interaktionen zwischen Menschen: Er signalisiert Aufmerksamkeit, wirkt vertrauensbildend und kann sogar die menschliche Entscheidungsfindung beeinflussen. Aber gilt das auch für Interaktionen zwischen Menschen und Maschinen? Am Beispiel der Finanzbranche gehen wir der Frage nach, ob Roboter und andere Agenten der künstlichen Intelligenz in der Lage sind, durch Blickkontakt menschliches Vertrauen zu gewinnen und Investitionsentscheidungen zu prägen.

Viele Anwender von analytischen Systemen stellen fest, dass zwar viele Daten grundsätzlich verfügbar wären, aber aus den unterschiedlichen Gründen nicht wirklich genutzt werden können. Diese Gründe sind vielfältig: Daten können nicht so schnell zur Verfügung gestellt werden, wie sie benötigt werden, da zuerst aufwendige ETL Prozesse entwickelt werden müssen oder die Daten nur in größeren Zeitintervallen aus den operativen in die analytischen Systeme übertragen werden. Daten liegen in den falschen Formaten vor. Es gibt keine Metadaten zu den Daten und die Interpretation der Daten ist daher schwierig. 
Der Data Fabric Ansatz versucht nun die Komplexität bei der Verwendung der Daten für Analysen zu reduzieren und den Anwendern mehr Agilität zu erlauben. Daten jeder Art sollen an jeder Stelle, an der sie benötigt werden zu jeder Zeit zur Verfügung stehen.
Die Grundidee des Data Fabric Ansatzes ist es schnellen, dezentralen Zugriff auf Daten zu bieten, die so durch Metadaten in einem übergreifenden und integrierten Katalog angereichert sind, so dass sie für die Geschäftsanwender direkt nutzbar sind, aber gleichzeitig durch einheitliche Zugriffsmechanismen die Einhaltung der Unternehmensrichtlinien gewährleistet ist.
Dadurch wird es Anwendern möglich neue Fragestellungen anzugehen und damit neue Erkenntnisse zu gewinnen.
Dieser Vortrag beschreibt, was ein Data Fabric Ansatz ist, welche Herausforderungen er adressiert, wie er implementiert werden kann, welche Probleme dabei auftreten können, welche Vor- und Nachteile er gegenüber traditionellen analytischen Ansätzen hat und gibt Beispiele für Anwendungsszenarien, für die dieser Ansatz besonders gut geeignet ist.
 

Dr. Andreas Weininger beschäftigt sich seit mehr als 20 Jahren mit der Analyse von Daten. Das umfasst Themen von relationalen Datenbanken und Data Warehousing bis zu NoSQL-Systemen, Multi-Model Databases und Big-Data-Technologien. Er ist bei IBM im technischen Vertrieb für Information Architecture tätig.

Data Mesh ist heute DER Trend im Datenmanagement. Es wendet Microservice-Architekturansätze auf jede Art von Datenverarbeitung an und betrifft so auch Data Warehouses oder Data Lakes.

Publikationen erschöpfen sich heute oft noch in der Betrachtung der - sicherlich wichtigen - kulturellen und organisatorischen Auswirkungen.

Wir zeigen zudem auch live anhand eines konkreten Beispiels, wie Data Engineering, Data Governance, Data Warehousing etc. davon beeinflusst wird, wie eine konkrete Lösung aussehen kann und welche Hürden dabei zu nehmen sind.

Peter Welker verfügt über 30 Jahre IT-Projekterfahrung als Entwickler und Lösungsarchitekt. Bei Trivadis - Part of Accenture ist er heute Partner und Plattform-Architekt für Big Data und Data Warehousing. Als Autor verschiedener Fachbücher, regelmäßiger Referent und Keynote Speaker auf Data Warehouse- und Datenbankkonferenzen ist er mit diesen Themen seit Jahren bestens vertraut.

Matze Brink ist technischer Kundenbetreuer bei Exasol. Neben dem 1. FC Nürnberg berät und betreut er Kunden beim Aufbau und der Pflege von analytischen Umgebungen. Seine berufliche Leidenschaft ist seine Erfahrung - bei der Integration von verschiedensten Systemen und Mehrwertgenerierung aus Daten - zu teilen und seinen internationalen Kunden mit Rat und Tat bei der Implementierung zu unterstützen.
Er ist seit 2010 Teil der Exasol Familie und hat dabei mehrere Stationen durchlaufen. Von der Entwicklung der Datenbank selbst über Schulung und Sales Engineering ist er in seine aktuelle Rolle als technischer Kundenbetreuer gekommen.
In seiner Freizeit ist er gerne in der Nordkurve des Max-Morlock Stadions anzutreffen und tritt auch selbst noch gerne gegen den Ball.

Niels Rossow ist seit 1. Oktober 2018 Kaufmännischer Vorstand des 1. FC Nürnberg. Sein Hauptaugenmerk liegt auf den Bereichen Verwaltung und Finanzen, Sicherheit, Marketing sowie Presse- und Öffentlichkeitsarbeit. Der Nürnberger war von 2002 bis 2018 bei adidas und nahm verschiedene Führungspositionen wahr, u. a. in der Schweiz, in Russland und den USA. Er sammelte auf seinen internationalen Stationen insgesamt zehn Jahre Erfahrungen im Ausland. Zuletzt war er als General Manager Key Cities NYC und Los Angeles für die Marken- & Geschäftsstrategie mit internen und externen Partnern und Digitalstrategie zuständig. Vor seiner Zeit bei adidas war der studierte Diplom-Kaufmann (BWL) bei der Leonhard Kurz GmbH & Co. und der Grundig AG tätig und für Marken- und Vertriebsthemen verantwortlich.
 

Wie erfolgreich ein Unternehmen seine Produkte und Dienstleistungen am Markt positioniert, wie reibungslos Kontakte zu Kunden, Dienstleistern und Lieferanten funktionieren, hängt maßgeblich von der Datenqualität der Stammdaten ab. Die Kategorisierung der Stammdaten und deren Relevanz kann sich im Laufe der Zeit verändern. Zu besonders großen Anpassungen kommt es, wenn sich Unternehmensstrukturen ändern, v.a. durch Zukäufe anderer Unternehmen oder bei Neuausrichtung von Dienstleistungen und Angeboten. Dann müssen die Stammdaten konsolidiert und neu kategorisiert werden. Welchen Mehrwert Machine-Learning-Verfahren für eine automatisierte Zusammenführung und Kategorisierung der Artikel-Stammdaten leisten können, diskutieren wir im Rahmen dieses Vortrags.

Dr.-Ing. Michael Daum promovierte an der Friedrich-Alexander-Universität Erlangen-Nürnberg in Informatik (Datenmanagement). Seit 2011 ist er in den Bereichen Open-Source BI, Datenintegration und Complex Event Processing tätig und leitet seit 2014 den Bereich Analytics bei der PRODATO Integration Technology GmbH. Aktuell beschäftigt er sich mit neuen Datenbanktechnologien, Cloud Strategien, Machine Learning und Low-Code-App-Entwicklung als interaktiven Datenintegrationsansatz.

Dr. Matthias Faerber promovierte an der Universität Bayreuth im Fach Angewandte Informatik (Datenbanken und Informationssysteme). Seit 2011 ist er in den Bereichen Prozessmanagement und IT-Beratung tätig und leitet seit 2013 die Firma bei der PRODATO Retail Solutions GmbH. Aktuell beschäftigt er sich mit dem Thema Stammdatenmanagement und der prozessorientierten Softwareentwicklung mit dem Fokus auf Low-Code-Architekturen.

Die Themen Data Science und Data Engineering haben für Banken eine hohe strategische Bedeutung. Nach einer kurzen Einführung in die Grundkonzepte von maschinellem Lernen stellen wir einige typische Anwendungsfälle aus diesem Bereich bei der TeamBank AG vor. Zudem erläutern wir die zugrundeliegende Datenarchitektur und die angewandten Technologien.

Die Bundesagentur für Arbeit befindet sich inmitten einer digitalen Transformation, welche die Zusammenarbeit mit den Bürgerinnen und Bürgern als auch zwischen den Kolleginnen und Kollegen verändert. Die Einrichtung der Einheit Advanced Analytics ist eine Initiative, um dem Wandel datenbasiert mit innovativen, leistungsstarken Methoden zu begegnen. Der Vortrag gibt einen Einblick, wie das Data Analytics Lab durch Kooperationen mit verschiedenen Fachbereichen Mehrwert für Mitarbeiter und Kunden schafft. Konkrete Beispiele und Demos zeigen praktische Anwendungen.

Die passende Problemformulierung und die Auswahl des Algorithmus bilden das Fundament für die Bewältigung von Maschine-Learning-Problemen. Darüberhinaus muss die beste formale Darstellung der Daten gewählt werden, so dass der Algorithmus eine Lösung für das Problem finden kann. Ziel ist es, ausschließlich Sachverhalte und Zusammenhänge einzubeziehen, die entscheidend für die Problemstellung sind. Den Datenspezialisten hilft ihr domänenspezifisches Wissen über das Anwendungsgebiet. Dadurch können sie repräsentative Merkmale auswählen, die beispielsweise eine Klassifikation möglich machen. Diesen Vorgang bezeichnet man als Feature-Engineering.

Am Beispiel eines Klassifikationsproblems in der Betrugserkennung im (Sozial-)Versicherungsbereich wird die Bedeutung bzw. Herausforderung der unterschiedlichen Techniken und Methoden bei der Feature Generierung verdeutlicht. Insbesondere verhaltensbasierte Features (Behavioral Features) eignen sich sehr gut, um trennscharfe Klassifikationen vornehmen zu können.

In diesem Vortrag wird das Konzept von Knowledge Graphen (KGs) vorgestellt und diskutiert, wie sie uns dabei unterstützen, isolierte Datensilos für Datenanalysen miteinander zu vernetzen. Knowledge Graphs ermöglichen es, neue Verknüpfungen zwischen beliebigen Datenelementen abzuleiten, den Informationsgehalt von Daten besser zu verstehen und unterstützen dabei, große Mengen an unstrukturierten, semi-strukturierten und strukturierten Daten zu analysieren.

Vielversprechende Anwendungen finden sich zum Beispiel in der Medikamentenforschung, wo eine wesentliche Herausforderung in der intelligenten Verknüpfung von mehreren unabhängigen und oftmals nicht verknüpften Datenquellen besteht.

Vorgänger, Zubehör, ähnliche Produkte – früher wurden diese Beziehungen in aufwändigen Excel-Dateien mit zigtausend Zeilen und über hundert Spalten gepflegt. Für Produktfamilien mit 15.000 Bestellnummern darf man das wohl als Sträflingsarbeit mit hohem Fehlerpotenzial einstufen. Semantische Netze ermöglichen auf Basis von Ontologien und Regeln das Beziehungswissen zwischen Produkten abzubilden, zu persistieren, Pflegeaufwände und Freigaben dramatisch zu reduzieren und das Produktportfolio kundengerechter zu präsentieren.

Der Vortrag beschreibt ein BIK-Praxisprojekt mit der Siemens AG und gibt Einblick in den nutzenstiftenden Einsatz semantischer Netze.

Der Fokus dieses Vortrages liegt auf den aktuellen Möglichkeiten aber auch Herausforderungen, die heutige Cloud-Lösungen für eine Nutzung im Rahmen der BI-/DWH-Servicelandschaft mit sich bringen. Dabei soll technologieunabhängig ein Marktüberblick über die aktuelle Cloud-Anwendungslandschaft gegeben werden, um verschiedene Architekturen vorzustellen, die für BI-/DWH-Anwendungsszenarien in Frage kommen. Hierbei sollen insbesondere auch die praktischen Vor- und Nachteile beleuchtet werden um aufzuzeigen, welche Art von Anwendungsszenarien für den Einsatz einer Cloud sprechen und welche man mit dem heutigen Serviceangebot der einzelnen Anbieter sinnvoll umsetzen kann.

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?

#MakeoverMonday features a weekly chart or graph and a dataset that community members reimagine in order to make it more effective. The results have been astounding; hundreds of people have contributed thousands of makeovers, perfectly illustrating the highly variable nature of data visualization. Different takes on the same data showed a wide variation of theme, focus, content, and design, with side-by-side comparisons throwing more- and less-effective techniques into sharp relief.
In this presentation I will show you how regular practice with unfamiliar data and a supportive community have helped countless participants to improve their analysis skills, learn new techniques and even find new job opportunities.
I will share a number of visualization examples and how we guide participants on best practices for data visualizations.
I’ll also take you through an example makeover to show how quickly and with very little effort an existing chart can be improved.

Let computers and humans do what they can do best
(hint: humans are not good in computing & statistics)

Inhaltlich wird es um verschiedene Themen des Machine Learning gehen, deren Anwendung in der Praxis und Erfahrungen aus Projekten anhand von Beispielen.

Titel und Folien des Vortrags sind auf Englisch. Falls keine englischsprachigen Teilnehmer anwesend sind, kann der Vortrag spontan auf Deutsch gehalten werden.

Es kommt immer wieder vor, dass bei der Implementierung neuer Systeme nicht rechtzeitig an die Integration in eine bestehende Landschaft gedacht wird. Im vorliegenden Fall handelt es sich um ein neues, auf Big Data Technologien basierendes, System, welches in eine gewachsene relationale BI-Landschaft integriert werden soll. Das Schnittstellensystem soll möglichst schnell und flexibel einen reibungslosen Austausch der Daten des neuen mit den bestehenden Systemen ermöglichen. Aus diesem Grund wurde ein System konzipiert, welches wegen der hohen Automatisierungsmöglichkeiten und Flexibilität per Data Vault den Anforderungen am besten zu genügen schien.
Der Vortrag handelt von der Vorgehensweise bei Konzeption und Implementierung des Data Vaults. Neben den „Lessons learned“ wird auch auf das Konzept der Automatisierung zur Beladung des Data Vaults ohne ETL-Tool eingegangen.

Frank Stoll ist Datenbankspezialist mit großer Datenmodellierungserfahrung hauptsächlich im Oracle Umfeld. Er kam das erste Mal auf der Data Modeling Zone in Hannover mit Data Vault in Kontakt und ist seitdem von der Methode überzeugt.

Wenn man Neuland betritt und neue Methoden umsetzt, gibt es immer Punkte, bei denen es schön wäre, wenn darüber jemand vorher gesprochen hätte. Themen, die kurioserweise auch in den Schulungen nicht vorkommen. In diesem Vortrag widmen wir uns einigen dieser Themen.

Michael Müller hat beide Data Vault Zertifikate und ist im Vorstand der deutschsprachigen Data Vault User Group (DDVUG). Nach langjähriger Tätigkeit im Bereich DWH, Data Vault und Automation befindet er sich aktuell im Sabbatical und erforscht Datenarchitekturen.

• What do your digital consumers expect?
• Do traditional processes and technologies match to the needs of the customers?
• Essential success factors of change

Im Rahmen des diesjährigen TDWI Kongresses in München hat sich gezeigt, dass sowohl der Bedarf als auch das Angebot im Bereich BI in der Cloud gestiegen sind.

Warum sollte man das machen, welche Vor- & Nachteile ergeben sich und worauf ist dabei zu achten ?

In dieser kurzen Einführung wird der TDWI grundsätzlich in das Thema einführen, bevor die Hersteller dann ihr spezielles Angebot vorstellen. Wir freuen uns, drei der ganz großen gewonnen zu haben, die ihr Angebot vorstellen werden.

Teilnehmen werden die Firmen IBM, Microsoft & Oracle. Jede Firma hat 20 Minuten Zeit, die besonderen Vorteile ihres Angebotes darzustellen.

Folgende Fragen sollten beim Vortrag möglichst beantwortet werden:

- Vorstellen des Cloud-Angebotes
   - Was kann man damit machen (Business Cases)?
   - Welche Bereich sind abgedeckt (DI, DQ, Storage (Formate),
      Reporting, Analyse, Data Mining, etc.)?
   - Welche Connectoren zu externen Daten werden zur Verfügung
     gestellt (Social Media, andere Cloud-Systeme, Einbindung ERP,
     on premise)?
   - Welche GUIs gibt es?
- Security
   - Wo liegen die Daten (Land)?
   - Wie sind die Daten geschützt?
   - Benutzerberechtigungen  
- Welche Bandbreite ist für die sinnvolle Nutzung nötig?
- Wie kommen die Daten in die Cloud?
- Welches Datenmodell / wie erstellt man ein eigenes Datenmodell?
- Welche DQ Funktionen werden geboten?
- Lizenzmodell?
- Architekturmodell (SaaS, PaaS, Hybrid, etc.)?
- Referenzen

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

Wie gewohnt kann am Ende das Diskutierte in kleinen Gruppen weiter vertieft sowie Networking betrieben werden.

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. Zudem haben die Redner zusammen mit dem Fraunhofer IGD eine Visual Business Analytics Studie veröffentlicht.

Inhalte des Vortrags:

• 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"
• Auszüge aus der Visual Business Analytics Studie 2013

Zum Sprecher:

Andreas Wiener ist Management Consultant und verantwortlich für das Geschäftsfeld „Information Design & Visual Business Intelligence“. Als Hichert Certified Consultant berät er Unternehmen und schult deren Mitarbeiter in den Themen Reporting und Dashboarding. Er ist Autor des in 2013 erscheinenden Buches „Visual Business Analytics“ und hält regelmäßig Vorträge bei Kongressen und an Hochschulen.

Marcus Pilz ist mit mehr als zwanzig Jahren BI-Erfahrung, als ehemaliger Leiter eines der größten Business Intelligence Competence Center, als Vorstandsmitglied des Data Warehouse-Instituts (TDWI), Herausgeber einer BI-Buchserie, als Gutachter und Fachbeirat für BI-Fachzeitschriften und als renommierter Sprecher bei internationalen Symposien ganz nah am Puls der BI-Entwicklung und kann unabhängig bewerten, was wirklich relevant für Unternehmen ist.