Roundtable

Wie lassen sich Self-Service und eine stabile Datenarchitektur miteinander vereinbaren?
Die Anforderungen an die Unterstützung durch Experten sind im Self-Service-Umfeld andere als in der klassischen Entwicklung und IT. Statt langer Entwicklungszyklen stehen die schnelle Umsetzung sowie das permanente Testen und Verbessern im Vordergrund.
Um das Datenmodell sauber und konsistent zu halten, sind aber auch Leistungen wichtig, die für die Endanwender nicht direkt sichtbar sind. Diese sollten bei der Ressourcenzuteilung nicht vernachlässigt werden. Hier lohnt es sich, auf Agilität zu verzichten, um Stabilität zu gewinnen

Artur König ist Informatiker mit dem Schwerpunkt im Bereich Datenanalyse und Gründer sowie Geschäftsführer der platformimpulse GmbH, einer Firma der BI or DIE Gruppe. Er verantwortet er die ganzheitliche Umsetzung von Datenprodukten von der Datenquelle bis zum fertigen Dashboard im Microsoft-Umfeld. Artur ist aktiv in der Daten-Community als Podcaster, YouTuber, Betreuer von Meetups und dem TDWI-Themenzirkel Self-Service & Analytics, Sprecher bei Events und Buchautor.

Der Aufbau einer Data Analytics Plattform ist eine Aufgabe höchster Komplexität. Die schiere Anzahl an Tools, Technologien und Methoden machen eine objektive Bewertung zu einer großen Herausforderung. Um eine Grundlage für eine validierte Entscheidung zu erhalten, ist eine Einordnung des tatsächlichen Bedarfs unumgänglich. 
Das Demand Canvas for Analytics betrachtet eine Data Analytics Plattform aus einer praktischen und strategischen Ebene entlang des Lebenszyklus der Analytics Lösung. Entlang dieser Ebenen und weitere Schlüsselfaktoren lassen sich Einordnungen vornehmen, die eine Transparenz über den Bedarf und die Herausforderungen herstellen und somit in einer visualisierten Darstellung eine Orientierungshilfe für weitere Entscheidungen und Maßnahmen bilden. 
Dieser Vortrag stellt das Konzept dieses Canvas vor und gibt ein Beispiel aus der Praxis.

Die Notwendigkeit, Daten für Entscheidungszwecke zu nutzen, ist heutzutage bei den meisten Business Leadern akzeptierte Realität. Die Schlagworte „Data Driven Company“ und „Data Driven Culture“ werden gern bemüht. Der Telekommunikationsanbieter congstar hat sich das Ziel gesteckt, diese Schlagworte mit Leben zu füllen. Der Analytics-Bereich hat den Lead, um die Transformation hin zur Data Driven Culture und Data Driven Company aktiv zu gestalten. 

Dieser Auftrag hat es in sich, denn ein so umfassender Change ist nicht das typische Business eines Analytics-Bereiches. Unsere Aufgaben haben sich dadurch deutlich erweitert: statt der schwerpunktmäßigen Entwicklung von Artefakten stehen jetzt noch zusätzlich die Entwicklung von Menschen und Kultur auf unserem Plan. Warum? Keine Data Driven Company ohne Data Driven Culture, keine Kultur ohne Menschen. 
Um die Tragweite der Veränderungen und Herausforderungen zu verstehen, muss folgendes gesagt werden: Unsere erste, zentrale Rahmenbedingung ist es bei allem Change, die mittelständische, agile Organisation von congstar nicht zu überlasten. Unsere zweite, fast schon widersprüchlich wirkende Rahmenbedingung: Wir wollen prinzipiell alle Mitarbeiter so entwickeln, dass Sie sich zutrauen, mit den für ihre Fragestellungen relevanten Daten zu arbeiten und sich selbst Antworten zu geben. Wir glauben nämlich fest daran, dass eine lebendige Data Driven Culture nur dann entsteht, wenn die Arbeit mit Daten kein „Ding der anderen“ ist, sondern sich jeder Mitarbeiter als berechtigt und befähigt fühlt.

Unsere Vision: wir wollen analytisches Arbeiten bzw. die Nutzung von Analysen nicht als elitäre Kunst von wenigen etablieren, sondern als etwas „für jeden“ – so einfach wie telefonieren.

Wir haben daher beschlossen, die Mitarbeiter der Fachbereiche in den Fokus aller Aktivitäten zu stellen. In Konsequenz daraus haben wir als einen ersten Schritt die Bedürfnisse, das Verhalten und die Wünsche der aktuellen und potenziellen Analytics-Anwender im Kontext Daten-Nutzung auf Basis einer Befragung modelliert. Als Ergebnis haben wir Personas erstellt. Diese Personas leiten nun uns und die Anwender durch den Change der Analytics-Welt. 

Als zentralen Erfolgsfaktor haben wir den Spaß an der Arbeit mit Daten identifiziert – als zentrales Hemmnis die Einschätzung der eigenen Fähigkeiten. Hier setzen wir aktiv an: 
Die Vermittlung von spielerischer Leichtigkeit, Erfolgserlebnissen und Einfachheit ist ein wichtiges Ziel unserer Aktivitäten. Wir wollen Vertrauen in die eigenen Kompetenzen aufbauen, indem wir die Einstiegshürden so niedrig wie möglich gestalten. Nur wer den Weg in die Datenwelt betritt, kann auch weiterkommen. Dafür setzen wir am Toolset, am Dataset und selbstverständlich auch am Skillset an. 

Kann die Transformation so gelingen? Wir haben keine abschließende Antworten, denn wir sind mittendrin. Wir haben aber erste klare Erfolge. Wichtige Erfahrungen möchten wir teilen. Und die Frage erläutern, was Data Driven Culture mit Tango zu tun hat.

Susanne Weßel-Therhorn hat nach vielen Jahren auf der Analytics-Anwender-Seite den Seitenschritt in den Analytics-Bereich von congstar getan, um dort die Transformation zu einer Data Driven Company voranzutreiben. Die BWLerin und Wirtschaftsinformatikerin to be bringt langjährige Erfahrung als Führungskraft und ein breites Fachwissen in Themen wie Pricing, Billing, Fraud Prevention & Revenue Assurance mit. Sie kennt aus dieser Erfahrung heraus das enorme Potenzial der berühmten Seitenblicke und  des Aufbrechens von Datensilos. Ebenso kennt sie die Herausforderungen von Changemanagement. Ihr Blick auf die dominierenden Schlagworte des Data-Driven-Kosmos, wie Data Culture und Data Democracy ist unverbaut und sie verfolgt konsequent eine ganzheitliche Betrachtung, die vor wenig Halt macht. Erfolgreicher Change hin zu einer Data Driven Culture ist aus ihrer Sicht nur möglich, wenn die kulturellen Veränderungsprozesse ausreichend berücksichtigt und begleitet werden. In ihrem Vortrag berichtet sie von diesem neuen Tanzboden, auf dem sich die Mitarbeiter*nnen von Analytics-Organisationen traditioneller Weise nicht bewegen. Und sie erzählt, wie erfolgreich und bereichernd dieser Schritt aus der „Entwicklungs-Ecke“ und mitten unter die „Tänzer“ sein kann. 

Schritt für Schritt bringen wir dem Computer die notwendigen Routinen für das "Spiel der Könige" bei. Wir starten mit der Auswahl einer geeigneten Datenstruktur, um uns die Spielfiguren, die Brettstellung und die Zugfolge zu merken. Dann zeichnen wir ein zweidimensionales Schachbrett mit echten Figuren und hinterlegen die Schachregeln: Welche Figur zieht/schlägt wie? Was ist eine Bauernumwandlung? Wie funktioniert "en passant" und welche Nebenbedingungen muss man bei der "Rochade" berücksichtigen? Unser Computergegner kennt mehrere Level: vom rein zufälligen Zug über Taktikfragen wie Figurenaktivität, Mattdrohung, Fesselung und Materialwerte Auch "Matt in X-Zügen"-Aufagben werden gelöst. Als Zugabe zeigt Emil Vinčazović dann noch einen Ausblick, wie man eine Azure KI als Mitspieler erstellt. Wir animieren das Schachprogramm zum Spiel gegen sich selbst und generieren so Testdaten, mit der wir die künstliche Intelligenz trainieren. So erhalten wir einen immer perfekter spielenden Computergegner…

Emil Vinčazović ist Data Engineer bei der arelium GmbH. Während seines Masterstudiums an der Heinrich-Heine-Universität in Düsseldorf, befasste er sich hauptsächlich mit Statistik und dem Bereich der künstlichen Intelligenz. Er betreut Kunden bei Themen wie der Implementierung von künstlichen Intelligenzen oder der Migration in die Cloud. Hauptsächlich befasst er sich mit der Erkennung von Mustern im Big Data Bereich. So hielt er bspw. schon Vorträge auf IT-Konferenzen über diese Themen und schrieb zusätzlich Fachartikel für IT-Magazine.

Torsten Ahlemeyer
Als IT-Consultant hilft Torsten Ahlemeyer den Kunden der arelium GmbH hauptsächlich in der Rolle des Projektleiters, SCRUM-Masters oder als Architekt, DB-Berater und T-SQL-Spezialist bei der Umsetzung komplexer Datenbankprojekte. Mit dem SQL Server beschäftigt er sich beruflich seit dem Jahr 2003. Sein Steckenpferd sind aber DB-Optimierungsaufgaben sowie ungewöhnliche und komplizierte Abfragen mit T-SQL sowie die Datenbankprogrammierung. Auch Bereiche wie SSAS, SSIS oder das Reporting per SSRS und jetzt natürlich auch PowerBI sind in seinem Fokus. Daneben gibt der Wirtschaftsinformatiker sein Wissen als Referent in Schulungen, Workshops und auf IT-Konferenzen weiter oder schreibt als Autor Fachbeiträge für IT-Magazine.

Über die gesamte Customer Journey hinweg lauern Gefahren für die Qualität der Kundendaten. Tippfehler, Lücken, Vertauschungen, veraltete Daten & komplexe Duplikate entstehen fortlaufend.

Marketing & Vertrieb leiden unmittelbar darunter, doch der Erfolg des gesamten Unternehmens hängt davon ab.

Welche Maßnahmen kann man präventiv & nachträglich treffen?

Markus Beck berichtet von den überraschenden Auswirkungen hoher Datenqualität auf die Personalisierung & Lead Generierung, anhand der Erfolgsstories von Volvo Car Switzerland & Emmi.


Zum Aufbau des Vortrags:

Teil 1: “Wo kommen diese Fehler her?"

Ich analysiere die verschiedenen menschen- & prozessgeschuldeten Einfallstore für Fehler in den Kundendaten, über die gesamte Customer Journey hinweg. Als Basis dienen uns die Erfahrungen der über drei Dutzend Kunden und mehr als 10 Millionen Kundeneinträge, welche wir bereinigt haben. Ich gehe hier ins Detail und unterscheide auch zwischen unterschiedlichen Phasen (Lead, Opportunity, Kunde) & welche Akteure mit welchen Touchpoints Fehler produzieren (z.B. Inbound Lead auf Kontaktformular; Vertriebsmitarbeiter, der Leads im CRM eingibt; der Kunde, der nach dem Kauf sich für extra Services registriert).

Ich zeige Beispiele wie man diese Touchpoints optimiert, um diese Fehler präventiv zu reduzieren. (An diesem Punkt will ich TDWI vergewissern, dass dies nichts mit unserer Dienstleistung zu tun hat und einen reinen informativen Charakter hat.)

Teil 2: “Welche Probleme entstehen durch diese Fehler?”

Hier spreche ich über welche Probleme entstehen und wie diese Fehler den eigentlichen Zielen im Wege stehen.

Im E-Mail-Marketing & Direktmarketing (postalisch) ist die Personalisierung der Schlüssel zu 3x höheren Erfolgsraten. (Segmentierung & personalisierte Anreden.) Bei gleichen Inhalten und Automatisierungen, aber mit Personalisierung, erreicht man viel höhere KPIs. Jedoch bleibt dies den meisten Marketern verwehrt, da die schieren Datenmengen & Fehlertypen sie davon abhalten.

Im Vertrieb führen veraltete Einträge zu verlorener Zeit & verlorenen Kundenbeziehungen. Formatfehler führen dazu, dass Auto-Dialer nicht funktioneren. Der operative Vertrieb wird frustriert. Hier gilt es für verlässliche Datenqualität zu sorgen. Ebenfalls sollen Beziehungen zu Ansprechpartnern nicht enden, nur weil jemand die Firma verließ.

Teil 3: “Wie haben wir diese Probleme gelöst?"

Erfolgsstory Emmi: Personalisierung in der Kundenkommunikation verdreifacht. Gewinnspiel-geschuldete komplexe Duplikate entfernt (bis zu 9er Duplikatsgruppen).
Genutzte Software: SAP Marketing Cloud.

Erfolgsstory Volvo Car Switzerland: 7 von 8 Kundeneinträgen verbessert. Gänzlich durcheinander gebrachte Einträge identifiziert & gelöst, welche durch eine fehlerhafte Importdatei vor 8 Jahren entstanden sind. Die Daten für direkte Kundenkommunikation vorbereitet. Den ersten Schritt zur konsolidierten Kundenansicht gesetzt. Leads aus ehemaligen Ansprechpartnern von Bestandskunden generiert.
Genutze Software: Salesforce, angebunden an Volvos selbstgebaute weltweite Datenbank.

Zudem angefragte Sprecher:

Raphael Amacker - CRM Manager, Volvo Car Switzerland
Janine Posselt - Global Digital Marketing Manager, Emmi Gruppe

In einer Vielzahl von Systemen aus der IT und OT fallen heutzutage Unmengen von Daten an. Oft werden diese Daten nur wenig im Unternehmen genutzt. Für einen Datenschutzbeauftragten sind umfassende Analysen oft ein Alptraum, aber bieten sie gerade für den CISO und Security Operating nicht enorme Möglichkeiten? Dieser Vortrag zeigt an Beispielen wie Risikomanagement, Data Analytics in SOCs und Produktionsdatenanalyse umfassende Möglichkeiten aus NTT DATA Projekten wie Mehrwerte für den CISO aus Data Analytics auch datenschutzkonform geschaffen und zur Erhöhung des Security Niveaus genutzt werden können.

Die ganze Welt redet über Künstliche Intelligenz und die daraus resultierenden Möglichkeiten für das Business. Bevor man allerdings sich diesem Thema zuwendet sollte man unbedingt seine Hausaufgaben machen. Eine belastbare Organisation aufbauen, seine Datenqualität auf einem hohen Niveau haben, Projekte wie Produkte denken und vor allem Standards schaffen, die agiles und dynamische Arbeiten in KI-Initiativen ermöglichen. Erfahrungen, Best Practice und Ideen werden von den beiden Referenten präsentiert und gern diskutiert.

Neue Analysemöglichkeiten benötigen einen flexiblen Entwicklungsprozess, der eine explorative Vorgehensweise fördert. Neue Technologien, fordern neue Rollenprofile. Wir erleben in der Praxis oft die Notwendigkeit einer Anpassung bestehender Aufbauorganisation, um der hohen Dynamik im Big-Data-Universum gerecht zu werden. Die Wahl der passenden Aufbauorganisation richtet sich individuell nach der Unternehmensgröße, der strategischen Bedeutung des Big-Data-Vorhabens sowie den geplanten Anwendungsfällen.

Dimitri Gross arbeitet als Senior Consultant bei OPITZ CONSULTIG Deutschland GmbH. Als Kernteammitglied im Competence Center Big Data leitet er den Bereich Big Data Architektur, außerdem beschäftigt er sich mit Werkzeugauswahl, Lösungsdesign und Aufbauorganisation in Big-Data-Projekten und unterstützt seine Kunden darüber hinaus in analytischen Fragestellungen.

Der Pulverdampf der Big-Data-Marketingschlacht verzieht sich langsam und

zurück bleiben unterschiedlichste Positionen und Meinungen. Der Begriff

Big Data umfasst sehr viele Facetten und wird daher im Markt sehr

kontrovers diskutiert. Die Positionierung reicht dabei von

traditionellem Reporting auf großen Datenmengen bis hin zu Advanced

Analytics auf unstrukturierten und Realtime-Datenströmen. Der TDWI e.V.

hat es sich zum Ziel gesetzt, eine Orientierung aus BI-Sicht in diesem

Begriffsdschungel zu bieten. Hierfür wurde eine Arbeitsgruppe gegründet,

die sich die Erarbeitung einer TDWI-Big-Data-Positionierung in den

Bereichen, Use Case-Identifizierung, über analytische Verfahren,

Technologie und Architektur bis zu Vorgehensmodellen und

organisatorischer Einbindung zum Ziel gesetzt hat. Hierauf aufbauend

werden in diesem TDWI-Meinungsforum unterschiedliche Extrempositionen

dargestellt und interaktiv diskutiert - Wie sich Business Intelligence

in Big Data wiederfindet, oder neu erfinden muss? Ziel ist es, den

Diskurs über das Thema in der TDWI-Community voran zu treiben.

Wie unterstützen Verfahren aus dem Themenbereich „Predictive Analytics“ Prozesse der Wirtschaft?
Die Auswirkungen von Falschgeldherstellung und –verbreitung sind wirtschaftlich und sozioökonomisch messbar. Allein im 1. Halbjahr 2014 waren weltweit 331.000 falsche Geldscheine im Umlauf. Dadurch sind Unternehmen zum einen mit Verlusten konfrontiert und zum anderen drohen strafrechtliche Folgen, wenn Falschgeld in Umlauf gebracht wird. Dies gilt auch, wenn nicht mutwillig geschehen. Predictive Analytics bietet Möglichkeiten, Banknoten auf Basis ihrer Attribute zu validieren. Mittels des Algorithmus „Random Forest“ kann auf Basis vorhandener Informationen sowohl Falschgeld mit großer Präzision charakterisiert als auch Schlüsse in die Zukunft gezogen werden.
Der Grundbestandteil eines „Random Forest“ ist der Entscheidungsbaum. Ein Entscheidungsbaum ist ein statistisches Verfahren, das die Daten in zwei Gruppen iterativ solange hinsichtlich Fehlerminimierung optimal aufteilt, bis die entstandenen Untergruppen sehr homogen sind oder eine bestimmte Abbruchbedingung erfüllen. „Random Forest“ gelingt es, durch statistische Techniken die Daten aus verschiedenen Blickwinkeln zu betrachten und eine Vielzahl von unabhängigen Bäumen (mit eindeutiger Entscheidung pro Baum) zu bilden. „Random Forest“ bildet den Mittelwert aller Einzelentscheidungen – es herrscht Demokratie im Wald. Dadurch werden erheblich genauere Ergebnisse erzielt.
Dieser Artikel führt in das Thema Predictive Analytics ein und grenzt Data Mining von Predictive Analytics Verfahren ab. Im Ausblick werden Möglichkeiten zu selbst lernenden Verfahren am Beispiel der Falschgelderkennung erläutert.

Vortrag zu Artikel 'Text Mining im Kontext von Big Data' aus der BI-SPEKTRUM, Ausgabe 04/2014

Vollständige Migration der SAP BW Applikationen auf SAP HANA bei einem internationalen Markenartikel-Konzern der Lebensmittelindustrie (ca. 25.000 Mitarbeiter, 8 Mrd Umsatz)
30 komplexe Anwendungen unterschiedlicher Geschäftsprozesse (Einkauf, Produktion, Finanzen und Vetrieb) mit umfangreichen Datenvolumen wurden in einem Zug auf die HANA Plattform gehoben.
Der Vortrag berichtet über die Vorgehensweise, Erfahrungen und gibt praktische Handlungsempfehlungen.  Er richtet sich an CIO’s, IT-Leiter sowie Fachbereichsverantwortliche gleichermaßen.

In Zeiten mannigfaltiger Anforderungen hinsichtlich großer Datenmengen, komplexer Analysen und Echtzeitintegration von Daten unterschiedlichster Struktur und Herkunft, stellt sich die Frage nach Fixpunkten, welche einen Single Point of Truth bieten. Dieses Konzept des Data Warehousing wird zusehends in Frage gestellt. Traditionelle Paradigmen verlieren ihre Bedeutung und Herausforderungen verdüstern den Horizont anstatt als Chancen begriffen zu werden. Anhand der Ergebnisse unserer internationalen biMA Studie 2013 werden in diesem Vortrag der Status Quo sowie die wichtigsten BI-Trends und Herausforderungen von Business Intelligence in den europäischen Unternehmen vorgestellt. Auf dieser Basis erfolgt anschließend ein Blick in die Zukunft und das Analytical Ecosystem of the Future wird anhand der charakterisierenden Eigenschaften skizziert. Ziel ist es Impulse für Ihre Roadmap zu geben, welche den Wert sowohl der zukünftigen als auch der bereits getätigten BI-Investitionen sicherstellen.

Der Vortrag soll den ETL-Prozess bei "uns" (SSI Schäfer Shop) vorstellen, insbesondere die Automatisierung.

Diskussion in lockerer Runde 

Im zweiten Vortrag präsentierte Herr Deselaers von

der RWTH Aachen kurz seinen Lehrstuhl und berichtete dann in einem

fesselnden Beitrag über die Erfahrungen und bemerkenswerten Erfolge

seiner Studenten beim Data Mining Cup, einem bundesweiten,

studentischen Leistungswettbewerb mit praktischen

Klassifikationsaufgaben.

Gespräche in lockerer Atmosphäre