Datenethik wird mehr und mehr zu einem zentralen Kernbereich der Digitalstrategie. Wir beobachten immer mehr gesetzliche Vorschriften und immer genauere Anweisungen, wie dieses Thema organisatorisch zu handhaben ist – Datenschutzbeauftragte, DSGVO, Veröffentlichungen aus der EU zu „Responsible AI“ und die Datenethik-Kommission der Bundesregierung.

Wer erfolgreich in diese Richtung gehen will, muss „Datenethik“ als ein Kernelement des Geschäftsmodells etablieren. Wir diskutieren, wie das mit drei entscheidenden Elemente geschehen kann:

• Fairness: Wissen Kunden, woran sie sind und was sie erwarten können – ist also ihre Unternehmenskommunikation und Werbung funktional gestaltet?
• Führung: Wo ist Datenethik für Mitarbeiter eine Werte-Orientierung in Transformationsprozessen und eine Hilfestellung in Grauzonen – sind intern die Freiräume definiert und verstanden?
• Transparenz: Sind die Produkte und Dienstleistungen verständlich und nachvollziehbar? Passen unsere Ziele, unsere Aktivitäten und unsere Produkte zusammen?

Machine Learning kann in jeder Branche einen Mehrwert schaffen. Denn Kunden erwartet Informationen nicht nur in Echtzeit, sondern immer öfter auch proaktiv. Zudem ist es eine der größten Herausforderungen für Unternehmen, auf kritische Momente zu reagieren, bevor es zu spät ist – zum Beispiel bei Betrugerkennung von Finanztransaktionen oder vorausschauender Wartung im industriellen Umfeld.

Apache Kafka wird in immer mehr Unternehmen bereits als zentrales Nervensystem genutzt. Machine Learning ist eine hervorragende Ergänzung! Kafka wird sowohl für die Datenintegration als auch für das Trainieren, Anwenden und Überwachen analytischer Modelle verwendet.

Welche Mehrwerte wollen wir in diesem Vortrag vorstellen?

• Vereinfachung von hochverfügbaren Echtzeit-Datenströmen
• Entkopplung von Training und Wartung von analytischen Modellen
• Nutzung von Echtzeit oder Batch je nach Bedarf in Kombination mit verschiedenen Technologien

Dieser Vortrag zeigt, wie Sie eine hochskalierbare und zuverlässige Machine Learning Infrastruktur ohne ein Data Lake aufbauen können. Streaming-Daten werden direkt über Apache Kafka von verschiedenen Quellsystemen integriert, verarbeitet und für Machine Learning eingesetzt.
Der Vortrag vergleicht diese moderne Streaming-Architektur mit traditionellen Batch- und Big-Data-Alternativen und erklärt die Vor- und Nachteile der Ansätze.

Als führender Lieferant von Industriekomponenten und Anbieter umfangreicher Lösungen für eine Vielzahl von Industriebranchen, gewährleistet Angst+Pfister Geschäftskontinuität und betreut führende Hersteller seit über 100 Jahren. Geführt durch das Gruppencontrolling wurde im Jahr 2019 eine neue Business Intelligence Plattform entwickelt, welche die zentrale Anlaufstelle für analytische Fragestellungen im Unternehmen werden soll. Erfahren Sie aus erster Hand die Hintergründe und Zielsetzungen dieses Vorhabens. Gleichzeitig geben wir Ihnen einen Einblick in das laufende Projekt: Zuerst erläutern wir das agile Projektvorgehen und geben einen Überblick über die gewählte Architektur. Danach sehen Sie, wie wir das System mittels WhereScape RED und Power BI entwickeln.

Zu viele Datensilos, zeitaufwändige und fehleranfällige Integrationen von Big Data- und Analytics-Komponenten, verteiltes Wissen bei einzelnen Leuten statt übergreifende Teamarbeit – dies sind (immer noch) gängige erfolgsverhindernde Aspekte für eine unternehmensweite Datennutzung im Arbeitsalltag.

In diesem Talk betrachten wir rund um Snowflake’s Cloud Data Platform verschiedene Szenarien. Zum einen, wie sich im Sinne der drei Big Data ‚Vs‘ Volume Variety, Velocity (Sie erinnern sich noch?) zentrale Data Repositories aufbauen lassen, die bis in den Petabyte-Bereich skalieren können, Performance On-demand bieten, einfach zu bedienen und nur nach dem „Pay-as-you-use“ Modell zu bezahlen sind. Geplante Beispiele sind:

1) Fast Data im Data Warehouse: Serverless Data Ingestion mit Snowflake’s Kafka Connector und Snowpipe – Beispiel-Architektur

2) Fenster zum Data Lake: Externe Parquet-Dateien in Snowflake direkt via SQL analysieren bzw. schnell für BI Anwender bereitstellen

Zum anderen hilft es bei Data Science-Projekten, wenn fachliches, technisches, methodisches, mathematisches und anderes Spezialwissen mittels einer integrierten Plattform kooperativ und „end-to-end“ zum Einsatz kommt und nicht in „Wissenssilos“ schlummert. In diesem Kontext ist Dataiku DSS als gemeinsame Data Science Plattform für „Coder“ und „Mausschieber“ interessant. Sie ermöglicht allen Beteiligten die enge Kollaboration in einem Data Science Projekt und bietet umfangreiche Möglichkeiten für Data Engineering, Statistik und Machine Learning (inkl. Auto ML) sowie Reporting, Data Governance und Projektmanagement. Technisch gesehen ist Dataiku DSS eine technologie-agnostische Plattform, die es erlaubt, State-of-the-Art Technologien wie Kubernetes, Spark als auch aktuelle Machine Learning Frameworks einzusetzen. Snowflake bringt im Zusammenspiel mit Dataiku nicht nur den zentralen Datenpool mit, sondern auch die notwendige Rechenleistung, die es Dataiku erlaubt, mehrere Data Science-Teams mit zugesicherten Compute Ressourcen gleichzeitig agieren zu lassen. Geplantes (Live-) Beispiel für diesen Talk:

3) Snowflake für Data Science Workloads: Anhand eines Dataiku Beispielprojekts werden Integrationspunkte zu Snowflake gezeigt, die insbes. bei der Datenbeschaffung, -exploration, -transformation und Feature Engineering interessant sind, z.B. wenn bei der Analyse kleine Sample Datasets nicht ausreichen oder größere Datenmengen zu verarbeiten sind.

Überall wird über Einsparpotenziale diskutiert und in vielen Unternehmen wird eine Hebung dieser Potenziale über Budgetkürzungen oder über die Reduktion der Mitarbeiter angestrebt.
Mittels Process Mining können Potenziale deutlich zielorientierter ermittelt und die größten Bottlenecks analysiert werden. Durch ein enges Zusammenspiel mit Robotic Process Automation (RPA) können diese Prozesse automatisiert und große Kostenreduktionen ermöglicht werden.
Wir zeigen nach einer kurzen Einführung in das Thema Process Mining und die Möglichkeiten des Zusammenspiels mit RPA am Beispiel eines Kundenprojektes, wie das Zusammenspiel beider Themen funktionieren kann und wie bei unserem Kunden bereits im 1. Jahr ein Potenzial von 1,4 Mio. € gehoben werden konnte.

Ob Modernisierung oder Neuaufbau, ob Data Lake oder Warehouse, Multicloud oder Hybrid, Realtime oder Batch – Datenmanagement mit Informatica Intelligent Cloud Services kennt keine Grenzen.

As we become a more digital society, the amount of data being created and collected is growing and accelerating significantly. Analysis of this ever-growingdata becomes a challenge with traditional analytical tools. We require innovation to bridge the gap between data being generated and data that can be analyzed effectively. Big data tools and technologies offer opportunities and challenges in being able to analyze data efficiently to better understand customer preferences, gain a competitive advantage in the marketplace, and grow your business. Data management architectures have evolved from the traditional data warehousing model to more complex architectures that address more requirements, such as real-time and batch processing; structured and unstructured data; high-velocity transactions; and so on. Amazon Web Services (AWS) provides a broad platform of managed services to help you build, secure, and seamlessly scale end-to-end big data applications quickly and with ease. In this talk we give an overview about the AWS analtics platform with focus on the business intelligence tools.