1.HERAUSFORDERUNGEN IM DATA WAREHOUSING & FABELHAFTE IDEEN Thilo Stadelmann, xx.xx.201x

2. Wieso sind wir hier? 3. AgendaBeispiel 1: DWH und unstrukturierte Daten Data Warehousing: Trends und HerausforderungenBeispiel 2: DWH und neue Nutzergruppen 4. Data Warehouse themenorientierte, integrierte, chronologisierte, persistente Datensammlung zur Unterscheidungsuntersttzung des Managements Kopie transaktionsorientierter Daten, aufbereitet fr Abfragen und Berichte physische Datenbank, integrierte Sicht auf beliebige Daten zu Analysezwecken BWL-Analyseorientierte Datenbanksysteme 98% der Entscheider halten Datenanalyse im Data Warehouse fr essentiell.Aber: nur 40% haben ein explizites Datawarehouse. 5. Herausforderungen Big dataUnstrukturierte DatenNeue Anwenderbedrfnisse Geschwindigkeit, Aplliances anstatt BtO, DWH as a Service / in der Cloud Cloud 6. Unstrukturierte Daten Traditionell: Text z.B. Medizin: Multimedia z.B. Content-Industrie: Musik & Ton Beispiel: MehrdeutigkeitInhaltziehenauflsenexplizierenzufriedenheit = lowIhr habt sie doch nicht alle!StrukturSchlsseIntelligenz 7. Herausforderungen Big dataUnstrukturierte DatenNeue Anwenderbedrfnisse Geschwindigkeit, Aplliances anstatt BtO, DWH as a Service / in der Cloud Cloud 8. Anwenderbedrfnisse Vertrauen In Daten, Verfahren und ErgebnisseWeitreichendere Analysefunktionen Komplexere Zusammenhnge erfassenSelbst-Bedienung Intuitive Oberflchen, versteckte Komplexitt Bessere Skalierbarkeit, Zugriff mobil & in Echtzeit 9. BeispielFahrerablenkung Entwicklung 1: FABELHAFTe Ideen eines MetaFahrerassistenzsystems durch Echtzeit-AudioklassifikationSetting: FAS zur Unfallvermeidung durch AblenkungserkennungHerausforderung: Schlieen der semantic gap trotz mangelnder Daten(qualitt)Lsung: Introspektion via Visualisierung fr Modelltuning + SVMSupervektoransatz 10. Beispiel 1: FABELHAFT (contd.) 2-fache Geschwindigkeit, 7.5% mehr Leistung 11. Beispiel 1: Lessons Learned Introspektion (z.B. Visualisierung) hilft bei der Erstellung komplexer AnalysealgorithmenAusgefeilte Algorithmen und empirische Erfolgsbelege berzeugen konservative Kunden trotzdem nicht unbedingt 12. Beispiel 2: Das EngineeringDWH Setting: Neue Nutzergruppen im EngineeringumfeldHerausforderung: neue Daten, neue Anwendungs-flle, Misstrauen, HalbwissenLsung: Ingenieurassistenzsystem anstatt KI 13. Beispiel 2: Lessons Learned Statistik, Maschinelles Lernen etc. befremden (Falscher) Eindruck: Maschine ersetzt den Menschen Stattdessen: Untersttzung anbieten, aber Mensch entscheidet Z.B.: hnlichkeitsbasierte Visualisierung anstatt vollautomatisches Clustering 14. Fazit Herausforderung 1: unstrukturierte Daten Introspektion zur Findung geeigneter ModelleHerausforderung 2: neue Anwender(wnsche) Untersttzung statt BevormundungAusblick: Datawarehousesverlassen den Kernanwenderbereich werden unter der Haube intelligenter und an der Oberflche verstndlicher