Die Bedeutung von Daten ist unbestritten, aber wie wird man zum datengetriebenen Unternehmen? Eine Datenstrategie klärt die (künftige) Rolle von Daten und legt Eckpunkte für die Datensammlung, -speicherung und -nutzung fest. Doch wo stehen europäische Unternehmen bei Formulierung und Umsetzung von Datenstrategien? Dieser Vortrag fasst den aktuellen Stand zusammen und zeigt anhand von Fallbeispielen Ausprägungen offensiver und defensiver Datenstrategien. Außerdem gibt er Tipps zur Formulierung einer Datenstrategie mit dem Data Strategy Canvas.

Um sich vom Wettbewerb abzuheben, strebt das Business heute nach anspruchsvollen BI- und Analytics-Lösungen. Gleichzeitig muss die IT immer größere Datenmengen aus zunehmend heterogenen Quellen verarbeiten. Ohne eine gute Strategie für eine performante Datenintegration und -bereitstellung drohen Engpässe, die vielversprechende Analytics-Initiativen stoppen können.

Eine Lösung verspricht die Big Data Fabric: Diese Architektur steht für verlässliche Insights, höchste End-to-End Sicherheitsstandards und eine konsistente Datenintegration in Echtzeit – während den Business-Anwendern agile Self-Service zum selbstgesteuerten Datenkonsum bereitgestellt werden.

Erfahren Sie in dem Vortrag, wie die Big Data Fabric Architektur…:
… den Business-Anwendern einen schnellen und agilen Datenzugriff via Self-Services ermöglicht
… Data Governance und Security Richtlinien zentral und verlässlich managebar macht
… relevante Insights aus aktuellen und konsistenten Daten liefert

Auch, wenn immer wieder formuliert wird, dass Daten nun zur wertvollen bis hin zur wertvollsten Ressource geworden sind, so ist deren aktive Steuerung längst noch nicht in allen Unternehmen angekommen. Für ein zielgerichtetes Management der Daten ist es hierbei beispielsweise notwendig, einen Rahmen in Form einer Data Governance zu definieren und diesen auch zu leben. Gemäß der BiMa-Studie von 2017/2018 haben allerdings nur circa 9% eine Data-Governance-Strategie, die auch definiert und gelebt wird, so dass sich ein entsprechenden Nutzen entfaltet. Nur circa 3% der Unternehmen haben ein Metadaten-Repositorium.
Technik ist für ein entsprechendes Management dabei stets nur eine Enabler, aber dennoch im Rahmen der täglichen Arbeit das spürbare Element der Governance, jedoch ohne entsprechende Strategie nur wenig zielgerichtet einzusetzen, so dass viele Vorgaben einfach nur verpuffen. In diesem Vortrag führen wir eine praxisorientierte Fachdiskussion anhand eines Data Governance Konzeptes, um anhand zweier prominenter BI-Werkzeuge (aus den Häusern Microsoft und MicroStrategy) die existierenden auf einer Governance beruhenden Umsetzungsmöglichkeiten auch unter Beachtung der Limitierungen oder notwendigen Workarounds kennenzulernen, so dass die Lücke zwischen Data Governance und operative Umsetzung in Ihrer täglichen Arbeit kleiner wird.

Die Apleona GmbH zählt zu den führenden Unternehmen im Bereich Facilitymanagement in Deutschland. In den letzten Jahren stand man vor der Herausforderung der immer größer werdenden Datenmengen und der zunehmenden Anzahl an digitalen Gebäuden. Mithilfe von Wherescape DWH Automation lassen sich komplexe Transformationen automatisieren und Ladeprozesse standardisieren.

Der stetig wachsende Datenbestand kann nur mithilfe einer semantischen Grundlage im Blick behalten werden, um die Wertschöpfung aus Unternehmensdaten zu optimieren und so auch in unsicheren Zeiten wettbewerbsfähig zu bleiben.
Self-Service bei gleichzeitiger Einhaltung von Security Guidelines? Der MicroStrategy Enterprise Semantic Graph bringt Agiliät und Sicherheit unter einen Hut – mit Federated Analytics als vertrauenswürdigem Hub für Ihr gesamtes Technology Ecosystem und Konnektoren, die die Konsistenz und Governance Ihrer vertrauten Analytics Tools sicherstellen!
Der Enterprise Semantic Graph
• spricht „Ihre“ Business-Sprache und bietet genau den Datenzugriff, den Ihre Anwender am verstehen
• bietet einen 360-Grad-Blick mit unternehmensweitem Datanzugriff statt einzelner Silos
• ermöglicht die Wiederverwendbarkeit von Objekten für schnelle Anwendungsentwicklung, Skalierbarkeit und eine niedrigere TCO
• bietet Vertrauenswürdigkeit und Governance
• bietet Nutzungs-Telemetrie für kontextbezogenen Empfehlungen und individuelle Daten-Einsichten
• ermöglicht durch die offene Architektur die Nutzung bereits bestehender Tools
Erleben Sie in der Präsentation mit Live Demo den Weg zu einer völlig neuen Art KI-gesteuerter Anwendungen und Best Practices!

Apache Kafka has taken the world of streams by storm, but there is still sometimes confusing what Apache Kafka actually is and how it works under the covers.
In this presentation, Sven will give a simple but thorough overview of Apache Kafka based on his experience working for Confluent, the company founded by the original creators of Apache Kafka.
Come along and join the talk if you never used Apache Kafka but want to learn about this technology.
If you are using Apache Kafka already but are not sure how it actually works under the covers, come along well to learn some details and ask questions.
If you are an expert already, come along anyway and enjoy the presentation – or laugh at the presenter.

Unternehmen nutzen immer schneller immer vielfältigere Daten. Klassisches Data Governance und Data Quality Management stößt an Grenzen, da sie organisatorisch nicht ausreichend skalierbar sind. Wir stellen vor, wie mit den „5 Ts of Trustable Data“ die Vision von vertrauenswürdigen Daten beschrieben und mit dem Talend Trust Score sowohl formalisiertes Wissen, als auch Schwarmintelligenz industrialisiert wird, um Data Governance skalierbar zu machen.

Mit dem neuen Boomi aXis for SAP können SAP Daten deutlich schneller und wesentlich effizienter über die AtomShpere Plattform in andere Systeme verteilt werden. Anstelle von Individueller Programmierung steht nun die Definition der SAP Anbindung mit Grafischer Benutzeroberfläche. So entstehen für SAP Kunden entscheidende Vorteile, da SAP hier nicht nur erschlossen wird, sondern wirklich optimal „Connected“ ist. Erfahren Sie von Dirk Masuch Hintergründe und Möglichkeiten des Einsatzes von Boomi aXis for SAP.

The use of Artificial Intelligence by enterprises is more and more common. Most medium- and large-sized enterprises use AI in one way or the other to optimize their business results. But, generating quality results from AI is not straight-forward. It requires having confidence in the sources of the data, the data quality and the quality of the AI applications. Therefore, it is of importance that an AI governance framework and Strategy are installed to optimize the level of confidence in AI application and AI-based decisions.

o Der Erfolg einer Organisation hängt immer mehr von der der Fähigkeit ab Daten in Echtzeit zu nutzen, eine solide Datenstrategie umzusetzen, das Vertrauen in die Daten zu sichern und auf Basis einer vollständig integrierten Planung, Simulation und Vorhersage Entscheidungen zu treffen. Daten sind der neue Rohstoff, aus dem die Zukunft gemacht wird. Das Gold aber ist ihre intelligente Verwendung. Was machen wir mit den Daten? Wie verknüpfen, verbinden und verwandeln wir diese, statt sie bestenfalls nur zu verwalten? Eines ist klar: Intelligent eingesetzt werden aus Daten Erkenntnisse – und aus Erkenntnissen neue Chancen. In diesem Vortrag erfahren Sie, wie Sie den Wert Ihrer Daten ermitteln und die Informationen Ihres Unternehmens als wertvolles Kapital für die Zukunft umwandeln können.

Inzwischen sieht praktisch jedes Unternehmen Daten als essentiellen strategischen Asset um Wert für die Lines of Business zu generieren. Dabei gibt es meist ambitionierte Ideen, die aber zu oft daran scheitern, dass die Daten nicht da verfügbar sind wo sie benötigt werden, dass mit den bestehenden Systemen die Data Governance nicht sichergestellt werden kann oder dass sie schlicht nicht skalieren. Snowflake kann als strategische Cloud Data Platform hier Abhilfe schaffen. Snowflake skaliert praktisch unbegrenzt, Datensilos können aufgebrochen werden und auch Daten aus externe Quellen stehen in der Plattform bereit und lassen sich ohne Verzug nutzen. So ist es möglich auch ambitionierte Anforderungen der Fachbereiche schnell umzusetzen.

Weitere Informationen folgen in Kürze.

Lawyers and engineers do not think alike. Their neural networks have not been built up according to the same mental structures. Hence collaboration around evolving privacy legislation considering increased data uses can result in frustrating if not time consuming exercises.
While arguing that not everybody should read the law, this presentation shares the changes brought about by privacy legislation, ideally arming attendees to engage into more fruitful conversations to limit risk with respect to their data endeavors.

Join this session to see a thrilling race against the clock! Can Senior Solutions Architect Terry Mooney get a fully-functional Data Vault up and running in 30 minutes armed with just a Data Automation tool?! This will be his first attempt, so don’t miss it!

In this session you will learn how to:

o Prototype data models before building commences
o Automate SQL code generation to build complex Data Vault architectures
o Fully document your entire Data Vault architecture with just one click
Terry will be using WhereScape Data Vault Express, which dramatically cuts the time taken to develop Data Vault-based analysis solutions. It shortens the Data Vault 2.0 learning curve through built-in automation, wizards, patterns, and templates. Data Automation enables IT teams to delivery Data Vault solutions in hours and days rather than months and years.

In wirtschaftlich fordernden Zeiten gewinnen verlässliche Informationen als Entscheidungsbasis mit jedem Tag mehr an Bedeutung. Das gilt besonders für ein hoch flexibles Controlling. Nur wer einen laufenden Überblick über die wichtigsten KPIs und Kennzahlen besitzt, kann Risiken frühzeitig erkennen und zeitnah darauf reagieren. Auf Basis unserer it.booster analyticsr2r Lösungssuite, lässt sich nicht nur das operative, sondern auch ein strategisches Controlling IT-seitig rasch umsetzen. Entlang verschiedener Perspektiven werden vorgedachte betriebswirtschaftliche sowie prozessbezogene Wertgrößen gruppiert und bereitgestellt. Diese, durch die SAP qualifizierte Lösung (bisher für den Vertriebsbereich, weitere it.booster folgen), führen Daten aus SAP-Systemen zusammen und wenden darauf vorkonfigurierte und dennoch flexibel anpassbare Datenmodelle (im BW on HANA sowie BW/4 HANA) mit vollständigen Datenflüssen an. So werden präzise die benötigten Steuerungsgrößen ermittelt, die sich gemäß den Anforderungen verschiedener Nutzergruppen in der SAP Analytics Cloud (SAC) visualisieren lassen – von der operativen Ebene bis hin zum Controlling und Management.

Am Anfang stand der Aufbau einer strategischen, hybriden Integrationsplattform zur Unterstützung der Anwendungsmodernisierung für die digitale Transformation.
Ziel war die Ablösung der Legacy-Integration, basierend auf BizTalk und selbst entwickelten Integrationslösungen.
Thorsten Herrmann beschreibt, wie er und sein Team mit Modern Middleware von Boomi Integrationen bestehender und neuer Applikationen realisieren, und so die Cloud First-Strategie des Unternehmens mit einer heterogenen IT Landschaft vereinen.
Der Vortrag enthält interessante Anregungen aus erster Hand für jeden Application Integration Lead, Entwickler und Enterprise Architect.

„Prognosen sind immer schwierig, besonders wenn sie die Zukunft betreffen“ (Niels Bohr, dänischer Physiker)

Dennoch sind wir als Anbieter einer Middleware zur Datenintegration in der privilegierten Position, an der Umsetzung zukunftsweisender Datenstrategien globaler Unternehmen eine zentrale Rolle zu spielen. Also wagen wir den Ausblick in eine spannende digitale Zukunft, geprägt von Big Data, KI und Cloud Computing! Erfahren Sie, welche Technologien und Konzepte aus unserer Sicht die Datenstrategien der Zukunft prägen werden, um die datenbasierte Wertschöpfung voranzutreiben.

We will discuss how the wider Kafka ecosystem such as Kafka Connect, Kafka Streams, and ksqlDB to easily link new data sources and analytical systems to the integration layer while ensuring that data is transformed into the respective formats in an auditable and scalable way. Moreover, we will highlight how Kafka itself could be used for long-term storage and how materialized views in ksqlDB can be used as a data-serving layer for micro-service based architectures.

Mit der zunehmenden Nutzung von Daten, sowohl in analytischen bzw. datengetriebenen Use Cases als auch für schnellere und automatisierte Geschäftsprozesse, gewinnt eine zuverlässige Sicherstellung der Datenqualität kontinuierlich an Bedeutung.
Im Zuge der Anbindung und Konsolidierung unterschiedlicher Datenquellen sind insbesondere harmonisierte Stammdaten aus verschiedenen Quellsystemen sowie einheitliche Referenzdaten ein wichtiger Qualitätsfaktor.
Datengetriebene Unternehmen mit verteilten Data Governance Prozessen profitieren daher von einem flexiblen, cloud-basierten Master Data Management (MDM) und setzen so einen wesentlichen Baustein für ihr erfolgreiches Datenmanagement. Im Rahmen dieses Vortrags stellen wir Ihnen mit Profisee die aktuelle PaaS-basierte MDM-Lösung in Microsofts Azure-Plattform anhand eines interessanten Use Cases vor.

Vielleicht geht es Ihrem Unternehmen wie vielen unserer Kunden: Die Art, zu leben und zu arbeiten hat sich verändert. Gewohnte Abläufe funktionieren nicht mehr so wie vorher, Kunden können nicht mehr wie bisher erreicht werden. Geschäftsmodelle ändern sich, nie war Digitalisierung wichtiger als jetzt. Welchen Beitrag kann BI hier leisten und wie kann BI zum Enabeler für kurz und langfristige Digitalisierungserfolge werden … ?

In diesem Vortrag besprechen wir Folgendes:
– Was ist eine Data driven Business-App und wie kann Sie für Effizienzsteigerung und Innovation eingesetzt werden?
– Welche Architekturparadigmen und Designpattern kommen zum Einsatz
– Wie lassen sich „Data driven Business-Apps“ in die Unternehmensarchitektur einbinden
– Welche Architekturvarianten sind möglich.
– Praxisbeispiele

People are at the heart of every culture, and one of the biggest challenges to creating a data culture is ensuring that more people can make data-driven decisions. Doing so requires not only putting data into their hands but also ensuring that the data is being used properly and compliantly. Learn how Alation’s data catalog can make data governance an integral part the day-to-day activities of data consumers with intelligence curation and an active approach to data governance.

Unternehmen verzeichnen weiterhin eine dynamische Verlagerung beim Wachstum ihrer Datenbestände. Eine Welle neuer Start-ups, innovative Technologien und eine verschärfte Wettbewerbssituation haben die Möglichkeiten zur Beschleunigung der Entscheidungsfindung explosionsartig vermehrt. Gleichzeitig gibt es viele neue Fragen darüber, wie die Architektur moderner cloudfähiger Data Warehouses eine analysebereite BI am besten unterstützen kann. Der Vortrag fokussiert folgende Kernthemen:
• Sind Data Warehouses und Data Lakes heute noch sinnvoll?
• Welche Rolle spielen Streaming-Architekturen und was sind bewährte Daten-Praktiken?
• Wie lassen sich aus den wachsenden Datenmengen strategische Vorteile gewinnen?
• Welche Synergien bieten Data Warehouses und Kataloge?
• Wie lässt sich durch Datenintegration in Kombination mit Azure Synapse eine automatisierte End-to-End-Pipeline für Streaming-Daten aufbauen?

Unternehmen stehen aktuell vor neuen Herausforderungen bei der Datenintegration. Sie müssen
– Daten verschiedenster Quellen & Typen zusammenführen
– personenbezogene Daten rechtsicher speichern & analysieren können
– Daten in ihrem Data Lake schneller auffindbar und für Data Stewards nutzbar machen
– Data Warehouse Daten mit Externen in der Cloud teilen
Wie Sie dies vollautomatisch und rechtssicher erreichen, zeigen wir Ihnen mit unseren hochskalierbaren Data Management und Integrations-Lösungen.

Im Vortrag werden die verschieden SAP Komponenten zu einer hybriden Data Management Architektur zusammengefügt. Hierbei kommen sowohl klassische Komponenten sie SAP ECC, SAP HANA oder SAP BW zum Einsatz als auch neuere Cloud basierte wie SAP HANA Cloud, SAP Data Intelligence, SAP Data Warehouse Cloud zum Einsatz. Ein besonderer Fokus liegt auch in der Interaktion mit einer S4/HANA Strategie aber auch in die Integration zu Hyperscalern wie Microsoft, Goolge und AWS.

Bei der Modernisierung von bestehenden DWH/Data Analytics Solutions kommt immer öfter die Frage auf, wie man die vielen bestehenden Mappings des bisherigen ETL-Tools auf eine neue Plattform migrieren kann. Da bei der Modernisierung oft gänzlich andere Datenplattformen und neue Werkzeuge zum Einsatz kommen, ist eine Migration der bestehenden Mapping-Logik oft eine große Herausforderung. Im Vortrag wird aufgezeigt, wie man durch systematische Metadaten-Konvertierung Tausende von Mappings hoch automatisiert migrieren kann.

The primary source of bias in machine learning is not in the algorithms deployed, but rather the data used as input to build the predictive models. In this talk we will discuss why this is a huge problem and what to do about it. Different sources of bias will be identified along with possible solutions for remedying the situation when deploying machine learning. We will also speak about the importance of transparency when using machine learning to predict outcomes that impact critical decisions.
• Learn why most predictive models are biased.
• Learn about the sources of bias in predictive models.
• Learn how to reduce the negative impact of potential bias in predictive models.

In dieser Livedemo zeigt Lars Schubert wie Sie die neuen graphomate Visualisierungskomponenten in Power BI, Tableau und der SAP Analytics Cloud (SAC) auf identische Art und Weise nutzen können.
Erleben Sie wie ein in Power BI erstelltes graphomate chart in wenigen Schritten auch in Tableau und SAP Analytics Cloud genutzt werden kann.
Überzeugen Sie sich gern selbst und testen Sie unsere Visualisierungserweiterungen. Demoversionen für alle BI-Frontends erhalten Sie hier. (https://www.graphomate.com/kontakt-trial/)

Der Data Science kommt gerade in unsicheren und dynamischen Zeiten eine entscheidende Bedeutung zu! Dennoch setzen immer noch viele Unternehmen auf traditionelle Wege zur Datenintegration. Bei diesen herkömmlichen Stilen ist die Integration neuer Datenquellen zumeist aufwändig und langsam. Mit der Folge, dass Data Scientists einen Großteil der Zeit mit dem Suchen und Aufbereiten von Daten verbringen – Kreativität und wertvolle Potentiale können nicht ausgeschöpft werden.

Um einen maximalen Beitrag zum Unternehmenserfolg zu leisten, benötigen Data Scientists eine adaptive Daten-Infrastruktur. Diese ermöglicht es den Datenkonsumenten, schnell und einfach neue Quellen zu integrieren, zu testen und in Echtzeit zu analysieren – und zwar ohne den Umweg über die IT. Insbesondere in volatilen Zeiten kann die Data Science so schnell valide Erkenntnisse für das Business generieren, um den aktuellen Herausforderungen sowie disruptiven Veränderungen gerecht zu werden.

Stephen Reindl von unserem Geschäftspartner Cegeka Deutschland GmbH beschreibt den Einsatz von Modern Middleware bzw. iPaaS zur schnellen und effizienten Datenbereitstellung für Advanced Analytics. Modern Middleware steht für eine agile, leichte, cloud-basierte Plattform zur Datenintegration. In diesem Vortrag erklärt Stephen Reindl, wie Boomi ihre Architektur bei der Einführung von Advanced Analytics unterstützt und zeigt auf, wie Daten schnell unter Einsatz von Integrationsabläufen und Low-Code sicher bereitgestellt werden können.

Im Rahmen der Präsentation werfen wir einen Blick auf die Potentiale von automatisierter Datenintegration. Wir sehen uns an welche Entwicklung von einer klassischen Architektur hin zum Modern Data Stack stattgefunden hat und welche Rolle der Faktor Automatisierung in der heutigen Datenanalyse spielt.

Die Verschmelzung von mächtigen Cloudinfrastrukturen und spezialisierten Edge-Geräten erfährt im industriellen Kontext eine immer größere Bedeutung.
Die Möglichkeit, große Mengen an Sensordaten nicht permanent in die Cloud laden zu müssen um Prädiktionen durchzuführen, überzeugt viele Anwender gerade im produzierdenden Gewerbe.
Die großen Cloudanbieter sind darauf vorbereitet. Vorne dabei ist Microsoft Azure mit einem kompletten Stack an Edge-Lösungen in Kombination mit ausgereiften Machine Learning Workflows.
In diesem Vortrag werden wir anhand eines konkreten Computer Vision Beispiels diesen Stack kennenlernen: Von der Datenaufnahme, über das Labeln und Trainieren eines Modells, bis hin zum Deployment als Container auf einem Edge-Gerät.

Die beinahe wartungsfreie Snowflake Cloud Data Platform ist für Reporting und Self-service BI schon produktiv im Einsatz, … die selbstgebaute AI-Infrastruktur bindet mit Blick auf Konfiguration und Betrieb aber noch zu viel Zeit, die im Analytics-Projekt dann fehlt. Wie lässt sich technische Komplexität rund um Data Scienc reduzieren und trotzdem Machine Learning at Scale ermöglichen? Dieser Talk beleuchtet einen interessanten Ansatz für Data Engineers, Data Scientists und Datenanalysten, die aus Flexibilitätsgründen in ihren Projekten lieber mit SQL, Python, Spark, R etc. codieren und dabei den Komfort einer DSaaS-Plattform (Data Science as a Service) für Datenexploration, Machine Learning, Storytelling, Team-Kollaboration usw. zu schätzen wissen. In einem Prototyping-Beispiel wird dazu gezeigt, wie SQL (und Snowflake im Backend) vornehmlich für Datenexploration/Feature Engineering und Python für ML Model Training/Evaluation kombiniert einsetzbar sind. Im Zuge dieses Beispiel-Workflows kommen auch Möglichkeiten zur Visualisierung von Datenzusammenhängen, Annotation gewonnener Erkenntnisse und Team-Kollaboration zur Sprache.

Künstliche Intelligenz ist eine der stärksten Kräfte in der Technologie, die wir in unserem Leben sehen werden, aber 75% aller Advanced Analytics-Projekte scheitern.
Erfahren Sie in dieser Session, wie Qlik eine neue Generation von KI liefert, die eine starke Synergie zwischen menschlicher Intuition und maschineller Intelligenz schafft. Dieser Ansatz, Augmented Intelligence genannt, ist die leistungsstärkste KI für die Datenanalyse. Dies kann die Datenkompetenz Ihres gesamten Unternehmens verbessern und zu erfolgreicheren Advanced Analytics-Projekten führen.

Maschinelles Lernen (ML) unterteilt sich in Modelltraining und Modell-Inferenz. ML-Frameworks verwenden in der Regel einen Data Lake wie HDFS oder S3, um historische Daten zu verarbeiten und analytische Modelle zu trainieren. Mit einer modernen Streaming-Architektur kann ein solcher Datenspeicher allerdings komplett umgangen werden.
Dieser Vortrag vergleicht eine moderne Streaming-Architektur mit traditionellen Batch- und Big-Data-Alternativen. Die vereinfachte Architektur und die Möglichkeit, Events in der gleichen Reihenfolge für das Training mehrerer Modelle zu nutzen, sind nur zwei der vielen Vorteile, die wir genauer betrachten werden. Gemeinsam erstellen wir einen Blueprint für eine skalierbare und belastbare ML-Architektur, die Vorhersagen in Echtzeit ermöglicht und dabei einfach umzusetzen ist.
Wir nutzen hierfür Apache Kafka, Tiered Storage und TensorFlow. Erste Vorkenntnisse in Apache Kafka sind empfohlen.

Durch eine stark steigende Anzahl von Anwendungen und Komponenten werden in vielen Unternehmen die Systemlandschaften immer komplexer und eine einfache, zentrale Überwachung aller Softwaresysteme zunehmend schwieriger. Durch die Komplexität der Umgebungen kommen klassische Monitoring Ansätze häufig schnell an ihre Grenzen. Es gibt zwar eine Vielzahl von sehr mächtigen Tools, die z.T. auch ein Real-time Monitoring ermöglichen und so die Reaktionszeiten zur Beseitigung von Anwendungsausfällen verkürzen. Eine proaktive Vermeidung von anwendungsübergreifenden Systemausfällen ist hierdurch in der Regel jedoch nicht möglich, da erst der auftretende Fehler zu einer Reaktion bzw. Identifikation des Problems führt. Wie sieht es aber mit kleinen Störungen oder Warnungen aus, die noch nicht direkt zu einem Ausfall geführt haben? Können und sollten diese Anomalien nicht mit Unterstützung von AI ausgewertet und interpretiert werden, um vor einem Ausfall rechtzeitig Gegenmaßnahmen ergreifen zu können? Wir zeigen in diesem Vortrag einen methodischen Ansatz, wie eine solche ganzheitliche, AI-gestützte Lösung in einem heterogenen Umfeld aussehen kann, um genau diesem Anspruch gerecht zu werden.

Die Anwendung von Machine Learning-Algorithmen war lange Zeit mit großen Hürden verbunden. Programmierkenntnisse und mathematisches Verständnis waren Grundvoraussetzung dieser. Neuste Technologien ermöglichen heutzutage die Anwendung solcher Methoden in einem geführten Prozess, sodass diese Einstiegshürden wegfallen. In diesem Vortrag wird die Möglichkeit betrachtet, den Fachbereich mit Hilfe von Advanced Analytics in die Lage zu versetzen, seine analytischen Berichte zukunftsorientiert zu gestalten.

In diesem Vortrag von Herrn Dr. Boris Michel, erfahren Sie, wie Sie mit Advanced Analytics von reaktiven Nachhaltigkeits-Reporting zu proaktiven und ressourcenschonenden Managemententscheidungen gelangen. Dabei wird auch das Thema „Cultural Change Management“ nicht außen vorgelassen. Der Datenspezialist zeigt anhand von Praxisbeispielen, wie Sie bspw. durch Machine Learning Lösungen Korrelationen zwischen Nachhaltigkeits-KPIs und Management- oder Produktions-KPIs aufdecken können. Durch den Einsatz von Artificial Intelligence können Sie so Vorhersagemodelle erstellen, um Verbrauche und Ressourcen im Sinne des „Green Deals“ zu prognostizieren.

With data becoming the main asset of a business, one of the biggest challenges is how to successfully leverage data to gain a business advantage.
In the modern Data Eco System people with different skills set need to collaborate and work together to achieve their data objectives.
How does a modern analytics team with data scientists, business analysts and data engineers work together? How are technologies such as Machine Learning, Big data and Cloud come together in a productive way.