Lukas Naab Co-Founder und Geschäftsführer des Frankfurter Startups MINDS medical, berichtet von seinen Erfahrungen, unstrukturierte Daten im Gesundheitswesen mit Hilfe von NLP und Machine Learning Methoden nutzbar zu machen und warum das Datenmanagement keine technologische, sondern eine Menschliche Herausforderung ist.

Um Vorteile im Wettbewerb zu generieren, strebt das Business heute nach anspruchsvollen BI- und Analytics-Lösungen. Neben der Fähigkeit, die steigende Menge an Daten und zunehmende Heterogenität der Quellen zu meistern, wird eine flexible und schnelle Datenbereitstellung zum zentralen Erfolgskriterium einer Daten-Infrastruktur in Zeiten von KI. Hier bietet die Data Fabric einen schlagkräftigen und zukunftssicheren Ansatz zur konsistenten Datenintegration auf Enterprise-Niveau mit höchsten End-to-End Sicherheitsstandards und Datenbereitstellung in Echtzeit. Erfahren Sie im Vortrag von Jörg Meiners, was eine Data Fabric basierend auf Datenvirtualisierung hier leisten kann: - Integration & Bereitstellung: Heterogene Quellen nahtlos integrieren, Datenlogik zentral verwalten und den Datenkonsumenten in Echtzeit zur Verfügung stellen - Data Governance: Security und Datenzugriffe zentral und sicher managen - Zukunftssicher: Neue Komponenten der Datenlandschaft einfach und flexibel adaptieren.

Automatisierung ist ein gesetztes Thema in der IT und alles andere als neu. Neu hingegen sind die modernen Möglichkeiten der digitalen Datenverarbeitung sowie des „kognitiven“ Machine Learning / Deep Learning, welche weit über Stapelverarbeitung von gestern hinaus gehen. Dieser Vortrag beleuchtet die Chancen, die sich daraus ergeben.

OTTO ist eines der erfolgreichsten E-Commerce-Unternehmen Europas und wir, die OTTO BI, haben die Datenplattform dafür aufgebaut: Für das High-Performance Warehousing etablierten wir eine Infrastruktur auf der Basis der Analytics-Datenbank von Exasol. Für das Big Data Processing setzten wir auf Hadoop. Doch kaum ist die neue Infrastruktur fertig, heben wir das Ganze in die Cloud. Da drängen sich ein paar Fragen auf: • Wozu dieser enorme Kraftakt? • Was gewinnt OTTO dadurch? • Wie migriert man eine Plattform im laufenden Betrieb? Dieser Vortrag stellt die OTTO BI Plattform kurz dar, erläutert das Vorgehen bei der Migration, berichtet von unseren Erfahrungen in der Google Cloud und beantwortet vor allem die obigen Fragen.

In this session, we learn how and why Allianz (Benelux) moved from their bespoke Data Warehouse Automation tool to an enterprise-grade solution, and the improvements this enabled them to make to their data infrastructure. Topics covered include: • Automating an Oracle to Snowflake migration project. • Managing a Data Vault architecture that is scaling in size and complexity. • How WhereScape Data Warehouse Automation performs in comparison to Allianz’s homegrown solution.

Was wir präsentieren In ihrem Vortrag beleuchten Dirk Schober (TIBCO) und Philip Moston (QuinScape) die wichtigsten Herausforderungen auf dem Weg zu einem datengetriebenen Unternehmen. Dabei vertiefen sie im Speziellen die Konzepte des Logical Data Warehouses und der Datenvirtualisierung (DV). Was Sie mitnehmen • Was sind die wichtigsten Herausforderungen auf dem Weg zum datengetriebenen Unternehmen • Welche Kriterien und Quick-Wins sollten Sie kennen • Wie Datenvirtualisierung Ihnen helfen kann • Einblicke in die Entscheidungskriterien aus realen Kundenprojekten • Datenvirtualisierung im "Big Picture"

Knapp 18 Mio. Treffer bei der Web-Suche nach „Künstlicher Intelligenz“ machen klar: KI ist ein führendes Buzz-Word! Doch wer mitreden möchte, sollte informiert sein. Denn was sich hinter diesem und anderen häufig genannten Buzz-Words wirklich verbirgt, ist nicht immer klar. Anschaulich und mit überraschenden Beispielen, die im Gedächtnis bleiben, leistet der Vortrag Aufklärungsarbeit. Der zweite Teil des Vortrags beantwortet die Frage, wie Unternehmen für sich das Thema KI sinnvoll erschließen können und dabei möglichst schnell ins Handeln kommen. Wir setzen hier auf Design Thinking und möchten diesen Ansatz vorstellen. Schließlich gibt’s auch die Antwort auf die im Titel gestellte Frage.

Erfolgreichen Organisationen gelingt die Transformation zu einem Intelligent Enterprise, dem ultimativen datengesteuerten Unternehmen. Dies erfordert die richtige Kombination aus Technologie und Technik, um allen Interessengruppen Erkenntnisse aus Daten zu ermöglichen – und zwar über jedes Gerät. Grundlage für ein erfolgreiches Zusammenspiel der beiden Komponenten ist eine moderne, offene und Enterprise fähige Plattform: 1. MicroStrategy‘s moderne Plattform vereint einfach zu bedienende, ansprechende und agile Analysen für verschiedene Interessengruppen und Endgeräte. Mit HyperIntelligence bieten wir eine in der Branche einzigartige Lösung, die bestehende Applikationen mit datenbasierten Erkenntnissen erweitert. Unsere moderne Self-Service-Lösung Dossiers ermöglicht es Analysten ansprechende und aussagekräftige Dashboards zu erstellen, ohne zwingend auf IT zurückzugreifen. 2. MicroStrategy‘s offene Plattform bietet eine umfassende Auswahl von APIs zur Integration, Einbettung und Erweiterung der MicroStrategy-Funktionalitäten mit bestehenden Investitionen. Durch den offenen Charakter liegt es in der Entscheidung des Unternehmens, die Plattform on-Premise zu betreiben oder von den Vorteilen einer Cloud Lösung zu profitieren. 3. Mit der Enterprise fähigen MicroStrategy Plattform können Unternehmen ihre bestehenden Datenquellen ohne Einschränkungen nutzen und den Anwendern eine Single Version of the truth zu Verfügung stellen. Mit einer hoch skalierbaren Architektur können Analysen Tausenden von Anwendern im Unternehmen bereitgestellt werden. Gleichzeitig bietet das umfangreiche Rechte- und Rollenkonzept jederzeit die notwendige Sicherheit.

Dass die Migration vom von ETL Jobs bestimmter Tools (bspw. Oracle Warehouse Billder auf ODI) weitgehend automatisiert werden kann, ist bekannt. Dass eine solche Migration aber auch generell zwischen ETL Werkzeugen möglich ist, zeigen wir anhand realer Anwendungsfälle rund um Oracle Datawarehouses. Während der Präsentation migrieren wir dabei live mehrere tausend ETL Jobs (nicht zu ODI), erläutern anhand von Stichproben Problemstellungen und mögliche Lösungen im Detail, besprechen passende Teststrategien, erklären, wie eine solche Migration gleichzeitig für Refactoring und zur Prozesskonsolidierung genutzt werden kann und zeigen, wie und warum dadurch auch ein Wechsel der Datenbank einfacher wird.

Unternehmen kämpfen heute mit der Komplexität der Pflege von Data Lakes und Data Warehouses. Sie kämpfen mit Datensilos, mit den Kosten für die Pflege komplizierter Datenpipelines und mit einer geringen Entscheidungsgeschwindigkeit. Die Antwort auf diese Komplexität ist das Lakehouse, eine Plattformarchitektur, die ähnliche Datenstrukturen und Datenverwaltungsfunktionen wie in einem Data Warehouse direkt auf dem kostengünstigen, flexiblen Speicher implementiert, der für Cloud Data Lakes verwendet wird. Diese neue, vereinfachte Architektur ermöglicht die Koexistenz von traditioneller Analytik und Data Science im selben System. Um dies mit Leben zu füllen, hat Databricks vor kurzem den neuen SQL Analytics Service angekündigt, um Kunden eine erstklassige Erfahrung für die Durchführung von BI- und SQL-Workloads direkt auf dem Data Lake zu bieten und die umfangreichen Data Science- und Data Engineering-Funktionen, die bereits in der Databricks-Plattform verfügbar sind, zu ergänzen. Mit dieser Markteinführung ist Databricks das erste Unternehmen, das die komplette Vision der Lakehouse-Architektur umsetzt.

Data Quality issues cost businesses millions of dollars each year in both lost revenue and direct or indirect costs associated with data quality processes. Optimizing and improving efficiency of your overall data quality process makes organizations not only more competitive but allows them to comply with regulations, reduce risk of losing customer reputation and reduce but especially do more with existing data quality budgets. In this session, we are focusing on how data lineage helps you save money on manual labor by automating data lineage discovery; how to keep your data pipeline healthy by preventing data incidents; and how to migrate painlessly to the cloud.

In diesem Vortrag werden allgemeine Strategien, Herausforderungen, Lösungen und Projekt-Erfahrungen zum Data Management in Cloud Data Warehouse Architekturen am Beispiel von Snowflake vorgestellt. Während der Präsentation werden unter anderem Themen wie Migrationsstrategien, Data Governance, Data Quality Management, Datenschutz und das Data Lifecycle Management besprochen und Möglichkeiten aufgezeigt, wie die damit einhergehenden Herausforderungen mit den Mitteln einer modernen Cloud-Umgebung bewältigt werden können.

We are bombarded with stories of the newest products to arrive on the market – products that will change everything we do. This causes us to focus on the latest technology, building IT for the sake of building IT. Meanwhile, the world still seems to run on Excel. The “big innovators” who have and use unimaginably large amounts of data are not the norm. Aspiring to use the same complex technologies and patterns they do leads to poor investments and tradeoffs. This is an age-old problem rooted in the over-emphasis of technology as the agent of change. Technology isn’t the answer – it’s the platform on which people build answers. To emphasize technology is to ignore the way tools change people and practices. The design focus in our market was on storing and making data accessible. If we want to make progress then we need to step back from the details and look at data from the perspective of the organization. Our design focus shifts to people learning and applying new insights, asking questions about how an organization can be more resilient, more efficient, or faster to sense and respond to changing conditions. In this talk you will learn how to put your data architecture into a human frame of reference. Drawing inspiration from the history of technology and urban planning, we will see that the services provided by the things we build are what drive success, not the latest shiny distraction.

In den letzten Jahren hat sich die Datenmanagement-Landschaft gravierend verändert. Immer mehr Nutzer wollen oder müssen mit Daten arbeiten, aber die Data Engineering Teams arbeiten bereits am Anschlag. Die Folge: Stress auf der einen Seite - Frust über lange Realisationszeiten auf der anderen Seite. Weil die zentralen IT Abteilungen aus der Sicht der Nutznießer nicht agil genug sind, suchen Sie sich ihre eignen Lösungen. Der Data Citizen ist geboren. Ohne Reaktion entsteht eine Schatten-IT aus vielen Punktlösungen, die kein CIO oder CDO akzeptieren kann. Was kann man also tun, um Data Citizen und Data Engineering erfolgreich Hand-in-Hand arbeiten zu lassen? Wie können Data Citizen Ihre Daten in moderne Batch- und Streaming-Prozessen verarbeiten? Und wie kann dies sogar helfen, das leider vielerorts vorherrschende Chaos im Datenmanagement zu reduzieren?

Der Fokus des Vortrags liegt auf dem Potential von automatisierter Datenintegration und wie dieses zur Umsatzsteigerung beitragen kann. In der heutigen Zeit haben wir mehr Applikationen, mehr Daten, mehr Komplexität. Sie erfahren wie Sie diese Datensilos im Marketing, Vertrieb und Finance-Bereich auflösen können und somit im gesamten Unternehmen bessere Insights gewinnen.

As data moves into the cloud, are the cloud data management platforms providing native capabilities that help organisations and their wider stakeholders achieve economies of scale and agility? Let's take a deeper look at the following and see how Snowflake is uniquely positioned to help achieve this: -One platform,one copy of data, multiple workloads -Secure and governed access to data -Near Zero Maintenance -Unlimited performance and scale

Der Erfolg eines Unternehmens ist mehr und mehr an die Umsetzung der Digitalisierung gekettet: Unternehmen definieren und differenzieren sich über Software und wie mit dieser Daten produziert und verarbeitet werden. Die Datenmenge und -Nutzung hat sich dabei massiv geändert - bei der Infrastruktur sieht das oft noch anders aus. In diesem Talk wollen wir die Evolution der Datennutzung betrachten: Von "Data-at-Rest" über "Data Movement" hin zu "Data-in-Motion" diskutieren wir die Vor- und Nachteile sowie Möglichkeiten, wie diese Welten miteinander verbinden werden können. Wir entwickeln dabei einen Architektur-Blueprint, der sich während des Vortrags weiterentwickelt.

Sind Sie auf der Suche nach einer einfach integrierbaren Lösung, mit der Sie Ihre SAP-Daten optimal nutzen können? SAP-Daten sind für Unternehmen äußerst wertvoll und ihre Echtzeit-Verfügbarkeit auf Cloud-Analytics-Plattformen wie Microsoft Azure, AWS oder Snowflake kann die Flexibilität erhöhen und die Wertschöpfung beschleunigen. Die Integration von SAP-Daten in Analysen kann aufgrund der Komplexität und des proprietären Charakters der SAP-Daten und -Anwendungen jedoch sehr schwierig, zeitaufwändig und kostspielig sein. Nicht mit Qlik! Mit Qlik Analytics für SAP sind Sie in der Lage, in Echtzeit neue Erkenntnisse aus Ihren SAP-Daten zu gewinnen. Sie können analysebereite Real-Time-Daten schnell erkennen und verfügbar machen, indem Sie Daten automatisch streamen, aufbereiten, katalogisieren und veröffentlichen. Anhand eines konkreten Fallbeispiels zeigen wir Ihnen, wie Sie z.B. aus dem Supply-Chain-Prozess operationale Rohdaten in analytische Modelle überführen, die Daten katalogisieren und als Self-Service für weitere Analysezwecke bereitstellen können. Behalten Sie die Kontrolle über alle Ihre SAP-Daten, ob On Premise oder in der Cloud.

SAP Data Warehouse Cloud ist ein neues Produkt im Bereich Data Warehousing, welches Ihnen einen schnellen, intuitiven Zugriff auf verlässliche Daten in Echtzeit bietet. Die Lösung ermöglicht die Modellierung der Daten durch die Fachbereiche, unabhängig von der IT. Wir geben Ihnen einen schnellen und verständlichen Einblick in die Lösung und ordnen diese in das bisherige Produktportfolio der SAP ein.

Im Zeitalter von Big Data ist ein Datenkatalog für Organisationen unerlässlich, um den Benutzern den Zugriff auf die benötigten Daten zu ermöglichen. Datenkataloge ermöglichen es Daten zu identifizieren („was liegt wo vor?“), sie schneller verfügbar zu machen und zukünftige neue Datenbestände besser zu kontrollieren. In unserem Vortrag zeigen wir Ihnen zunächst den Nutzen eines Data Catalogs auf. Anschließend stellen wir am Beispiel der Technologie des Lumada Data Catalog vor, was ein Data Catalog alles leisten sollte. Es folgt eine Use Case Demonstration in der wir Ihnen konkret zeigen wie Sie • Datenquellen in einen Datenkatalog überführen • Datensätze mit Metadaten anreichern • mit Pentaho die Datenintegration durchführen Verbringen Sie durch den Einsatz eines Data Catalogs mehr Zeit mit Analysen der Daten, als mit deren Suche.

Branchenexperte und zweimaliger Organisator der Data Modelling Zone Europe, Oliver Cramer, nimmt Stellung zum Thema Data Warehousing Design und Delivery. In seiner 30-minütigen Session geht es um Fragen wie: - Was sind die Vorteile von modellgetriebenem Design und was sind die Voraussetzungen, um erfolgreich zu sein? - Wann ist es am besten, stattdessen datengetriebenes Design zu verwenden? - Wie beschleunigt das Prototyping die Projektabwicklung und vermeidet menschliche Fehler? - Wie unterstützt Daten Automation das Wachstum Ihres Data Warehouses? - Wie hilft ELT beim Aufbau und der Verwaltung eines Data Warehouses?

Cloud Data Warehouses erfreuen sich einer stetig wachsenden Nachfrage. Die letzten Jahre verzeichnen einen deutlichen Trend zur Migration von on-premises Data Warehouses in die Cloud. Gründe hierfür sind unter anderen die Elastizität, die es dem Cloud Data Warehouse erlaubt, mit den Businessanforderungen zu wachsen und die einfache Handhabung und Administration. Snowflake gilt als neuer Stern unter den analytischen Datenbanken in der Cloud. Snowflake unterscheidet sich dabei architektonisch deutlich von den etablierten DWH-Datenbanken durch skalierbaren, hoch verfügbaren Cloud-Datenspeicher und Serverless Compute Ressourcen. Bei einer Migration von on-premises Data Warehouses kann es also eine Herausforderung sein, die Stärken der Snowflake optimal zu nutzen und die Schwächen zu mitigieren. Dieser Vortrag gibt einen Überblick über Snowflakes Stärken und Schwächen, sowie über Best Practices und Lessons Learned im Zusammenhang mit komplexen Data Warehouse Migrationen nach Snowflake, um Interessierten den Weg zu erfolgreichen Cloud Data Warehouse Projekten zu ebnen. Der Einsatz von ETL/ELT-Tools im Zusammenhang mit Snowflake wird ebenso diskutiert. Auch wird aufgezeigt, wie Snowflake neben der Data Warehouse Workload gleichzeitig auch als Plattform für einen Data Lake und für die Entwicklung analytischer Modelle genutzt werden kann.

"Data Liquidity" ist das wonach Unternehmen im Zeitalter der Digitalisierung streben. Das heißt allen interessierten Geschäftsbereichen Informationen in den gewünschten Formaten, qualitativ hochwertig und so aktuell wie möglich zur Verfügung zu stellen. Das ist anspruchsvoll, da Daten unterschiedliche Währungen haben, wie z.B. JSON, Spatial, Key-Value, Parquet File Formate. Wir stellen zusammen mit Sony Music einen innovativen Ansatz vor, unterschiedliche Daten einfach und effizient zu integrieren und so den sich schnell wandelnden Anforderungen des Unternehmens gewachsen zu sein.

Die digitale Transformation und der damit rasante Anstieg von Daten verändern Arbeitsweisen, Geschäftsbereiche und Unternehmen. Die riesigen Datenmengen aus diversen Quellen, müssen gesammelt, analysiert und letztlich ausgewertet werden. Traditionelle DWHs sind jedoch zunehmend von dem wachsenden Volumen überfordert. Moderne DWH und Analytics Lösungen für die Cloud verknüpfen den klassischen DWH-Gedanken mit den Vorteilen zeitgemäßer IT-Konzepte und Architekturen und erfüllen die Anforderungen an Flexibilität, Skalierbarkeit und Performance. Wir erläutern: • Warum Datenintegrität im Zeitalter von Digitalisierung nicht vernachlässigt werden darf. • Wie Unternehmen sicherstellen, dass ausschließlich vollständige, korrekte, aktuelle und kontextualisierte Daten die Grundlage für MDWH ist. • Wie sich daraus analytische Erkenntnisse und unternehmerische Entscheidungen bilden.