Current challenges in data warehousing especially for (automotive) engineering departments through unstructured data and new users requests - and how to cope with them.

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

2. Wieso sind wir hier?

3. Agenda
Beispiel 1:
DWH und unstrukturierte Daten
Data
Warehousing:
Trends und
Herausforderungen
Beispiel 2:
DWH und neue
Nutzergruppen

4. Data Warehouse



„themenorientierte, integrierte, chronologisierte, persistente
Datensammlung zur Unterscheidungsunterstützung
des Managements“
„Kopie transaktionsorientierter Daten, aufbereitet für
Abfragen und Berichte“
„physische Datenbank, integrierte Sicht auf beliebige Daten zu
Analysezwecken“
 „BWL-Analyseorientierte Datenbanksysteme“
98% der Entscheider halten
Datenanalyse im Data Warehouse
für essentiell.
Aber: nur 40% haben
ein explizites Datawarehouse.

5. Herausforderungen

Big data

Unstrukturierte Daten

Neue Anwenderbedürfnisse

…
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:
Mehrdeutigkeit
Inhalt
ziehen
auflösen
explizieren
zufriedenheit
=
low
„Ihr habt sie
doch nicht
alle!“
Struktur
Schlüsse
„Intelligenz“

7. Herausforderungen

Big data

Unstrukturierte Daten

Neue Anwenderbedürfnisse

…
Geschwindigkeit, Aplliances anstatt BtO, DWH as a Service / in der Cloud
Cloud

8. Anwenderbedürfnisse

Vertrauen
In Daten, Verfahren und Ergebnisse

Weitreichendere Analysefunktionen
Komplexere Zusammenhänge erfassen

Selbst-Bedienung
Intuitive Oberflächen, versteckte Komplexität

…
Bessere Skalierbarkeit, Zugriff mobil & in Echtzeit

9. Beispiel„Fahrerablenkung – Entwicklung
1: FABELHAFTe Ideen
eines MetaFahrerassistenzsystems durch
Echtzeit-Audioklassifikation“

Setting: FAS zur Unfallvermeidung
durch Ablenkungserkennung

Herausforderung: Schließen der
„semantic gap“ trotz mangelnder
Daten(qualität)

Lösung: Introspektion via Visualisierung
für 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 Analysealgorithmen

Ausgefeilte Algorithmen und empirische
Erfolgsbelege überzeugen konservative
Kunden trotzdem nicht unbedingt

12. Beispiel 2: Das EngineeringDWH

Setting: Neue Nutzergruppen im
Engineeringumfeld

Herausforderung: neue Daten, neue
Anwendungs-fälle, Misstrauen, Halbwissen

Lösung: „Ingenieurassistenzsystem“
anstatt „KI“

13. Beispiel 2: Lessons Learned




Statistik, Maschinelles Lernen etc. befremden
(Falscher) Eindruck: Maschine ersetzt den
Menschen
Stattdessen: Unterstützung anbieten, aber
Mensch entscheidet
Z.B.: Ähnlichkeitsbasierte Visualisierung anstatt vollautomatisches Clustering

14. Fazit

Herausforderung 1: unstrukturierte Daten
 Introspektion zur Findung geeigneter Modelle

Herausforderung 2: neue Anwender(wünsche)
 Unterstützung statt Bevormundung
Ausblick:
 Datawarehouses
verlassen den
Kernanwenderbereich
 …werden „unter der Haube“ intelligenter
 …und an der Oberfläche verständlicher