Marvin, Data Science & Spark – haben wir ohne Mathematik und Technik noch eine Chance?

•

1 gefällt mir•391 views

Stephan Reimann

Folien meiner Keynote auf der Data2Day 2016.

© 2016 IBM Corporation
Marvin, Data Science &
Spark – haben wir ohne
Mathematik und Technik
noch eine Chance?

© 2016 IBM Corporation
(Kennen)-Lernen
stephan.reimann@de.ibm.com
@stereimann
Marvin

© 2016 IBM Corporation
Machine Learning
---
Maschinen lernen
Process 3
Process
2
Process
1
Explizites Programmieren
vs.
Komplexität
Vernetzung / Verzahnung + Vielzahl der Einflussfaktoren
= Komplexität
Wissen formalisieren
Menschlicher Erfahrungsschatz &
Auffassungsvermögen

© 2016 IBM Corporation
Storage Kosten
senken
• Data lake
• Data offload
• ETL offload
• Queryable
archive and
staging
Data-Informed
Decision Making
• Analyse aller
Daten
• Nutzen neuer
Datentypen/-
quellen
• 360o
Sicht auf
alle Daten
• Explorative
Analyse
Business
Transformation
•Neue Ge-
schäftsmodelle
•Aktive
Bekämpfung von
Gefahren
•Optimierung
Betrieb
•Attraktiv für
Kunden
Operations
Cost Reduction
BI & Data
Warehousing
Modernization
Self-Service
Analytics
Insight-Driven
New Business
Models
Transformation
Value
Maturity
Most are here

© 2016 IBM Corporation
P() erfekt≠
Auch kleine Verbesserungen können
einen großen Einfluss haben

© 2016 IBM Corporation
BigData
Komplexe Prozesse = Viele Daten Skalierbarkeit
Hadoop
Spark
Shared
Nothing

© 2016 IBM Corporation
“lernen
as a
Service” http://investment-advisor.mybluemix.net/
Cloud Service
App
www.bluemix.net

© 2016 IBM Corporation
Quelle: DER SPIEGEL 36/2016

© 2016 IBM Corporation
Quelle: A.T. Kearney

© 2016 IBM Corporation
“Wenn ein Autofahrer einen Fehler mache, lerne nur er daraus, wenn
dagegen Roboter einen Fehler machten, teilten sie die Erfahrung und
wiederholten diesen Fehler nie wieder.”
„Künstliche Intelligenz lernt also viel schneller als der Mensch.“
„Wenn wir als Menschen nicht schneller werden, gewinnen die
Maschinen.“
Sebastian Thrun, Udacity
Die Technik macht bislang Unvorstellbares möglich, allerdings
stö̈ßt sie zuweilen auch an Grenzen. Es gilt das alte Gesetz der
Robotik: Was Maschinen mühelos erledigen, bereitet Menschen
Probleme. Was aber Menschen leichtfä̈llt, stellt wiederum
Maschinen vor Schwierigkeiten. Bis selbst der intelligenteste
Roboter ein Handtuch gefaltet hat, vergeht eine kleine Ewigkeit.
(Der SPIEGEL 36/2016)
“Menschen sind zu Dirigenten der
Wertschöpfung herangewachsen”
Andreas Kohl, Logistik-Werkleiter bei SEW Eurodrive
(Der SPIEGEL 36/2016)

© 2016 IBM Corporation
Aus Fehlern lernen
Daten
nutzen

Weitere ähnliche Inhalte

Was ist angesagt?

Mag. Franz Waldhofer (Raiffeisen Software)

Mag. Franz Waldhofer (Raiffeisen Software)

Mag. Franz Waldhofer (Raiffeisen Software)

http://www.opitz-consulting.com/go/3-2-11 Auch die Logistik ist vom Trendthema „Big Data“ nicht ausgenommen. Der enorme Wachstum der Datenmengen durch Sensoren, Prozesse und weitere Quellen sowie die stetig steigende Anzahl von non-human Usern stellen die traditionellen Ansätze des Datenmanagements wie auch der etablierten Methoden zur Analyse in Frage. Ferner erfahren die Prozesse in der Logistik eine erhöhte Komplexität durch den steigenden Grad der Vernetzung innerhalb des Netzwerks der Logistikpartner. In ihrem Vortrag bei der DOAG Logistik + IT Konferenz der Deutschen Oracle Anwendergruppe am 7. Mai 2014 beschrieb OPITZ CONSULTING Solution Managerin Nannette Biedermann grundlegende Fragestellungen und Architekturkonzepte zur Durchführung von Big Data Analysen sowie Lösungsansätze durch Nutzung von Oracle Produkten in Kombination mit verbreiteten Open-Source Big Data Frameworks. Dabei ging sie auch auf die folgenden konkreten Herausforderungen der Logistik ein, welche durch die Skalierbarkeit und Auswertungsmöglichkeiten der Big Data Werkzeuge bewältigt werden können: • Internet of Things mit Predictive Maintenance • Routenoptimierung und Predicitive Delivery • Value-at-Risk Echtzeitauswertungen • Brand Monitoring • Customer Intelligence im Sinne des Zulieferer- aber auch Käufer-Profilings • Next-Best-Offer Analysen -- Über uns: Als führender Projektspezialist für ganzheitliche IT-Lösungen tragen wir zur Wertsteigerung der Organisationen unserer Kunden bei und bringen IT und Business in Einklang. Mit OPITZ CONSULTING als zuverlässigem Partner können sich unsere Kunden auf ihr Kerngeschäft konzentrieren und ihre Wettbewerbsvorteile nachhaltig absichern und ausbauen. Über unsere IT-Beratung: http://www.opitz-consulting.com/go/3-8-10 Unser Leistungsangebot: http://www.opitz-consulting.com/go/3-8-874 Karriere bei OPITZ CONSULTING: http://www.opitz-consulting.com/go/3-8-5

Big Data und Oracle bringen die Logistik in Bewegung

Big Data und Oracle bringen die Logistik in Bewegung

Big Data und Oracle bringen die Logistik in Bewegung

OPITZ CONSULTING Deutschland

Data Quadrant - Daten Management Methode

Data Quadrant - Daten Management Methode

Data Quadrant - Daten Management Methode

NetApp HCI. Deutlich anders. Von Engpässen … Von aufwändigen Upgrades … Durch optimale Nutzung von Daten in eine neue Startposition Von Datensilos … Datacenter der Enterprise-IT nächsten Generation Public Cloud Cloud-übergreifend NetApp Data Fabric ODER > 300 Schritte Gestresste und überlastete IT-Abteilung IT-Abteilung hat mehr Zeit für wirklich wichtige Dinge Kleiner Bruchteil der Schritte Vorbei sind die Einschränkungen der bisherigen Hyper-Converged-Infrastrukturlösungen (HCI)

NetApp Infopgraphic HCI

NetApp Infopgraphic HCI

NetApp Infopgraphic HCI

Webinar big data für unternehmen

Webinar big data für unternehmen

Webinar big data für unternehmen

Eduvision Ausbildungen

Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...

Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...

Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...

OpenDMA - Daten Management Solution

OpenDMA - Daten Management Solution

OpenDMA - Daten Management Solution

Dlr v1.2

Vortrag vor dem Markting Club Dortmund am 31.3.2014 Keine Streuverluste mehr dank zielgenauer, bedarfsgerechter Kundeninformation: Big Data scheint möglich zu machen, wovon Marketer träumen. Ob das wirklich so ist, was die schnelle Analyse massenhafter Daten tatsächlich kann und welchen Stellenwert die Kreativität künftiger Kampagnen noch einnehmen wird, nimmt Meinert Jacobson unter die Lupe. Meinert Jacobson ist Geschäftsführer der Gesellschaft für Marketing, Analysen und Consulting (MarAnCon).

Big Data: Kunden auf der Spur

Big Data: Kunden auf der Spur

Big Data: Kunden auf der Spur

B2B Smartdata GmbH

Das Ergebnis agiler Softwareentwicklung begegnet uns täglich bei der Nutzung von Amazon, Spotify aber auch SAP Cloud-Lösungen wie der SAP Analytics Cloud. Die kurze Dauer bis neue Features verfügbar sind prägen die Erwartung von Anwendern auch an andere Softwarelösungen. Weniger stark verbreitet sind agile Methoden der Softwareentwicklung bei der Entwicklung von SAP Data-Warehouse-Lösungen. Es wird argumentiert, dass es im Data Management Bereich nicht möglich sei, kleine nutzbare Produktinkrements zu entwickeln, und agile Entwicklungsmethoden daher grundsätzlich nicht in Frage kommen. Wir möchten darlegen, warum Methoden der agilen Softwareentwicklung auch im Data Warehouse sinnvoll und möglich sind.

Agile Data Warehousing mit SAP BW/4HANA

Agile Data Warehousing mit SAP BW/4HANA

Agile Data Warehousing mit SAP BW/4HANA

ISR Information Products AG

Wirksames Stammdatenmanagement

Wirksames Stammdatenmanagement

Wirksames Stammdatenmanagement

CDQ - Sharing Data Excellence

Data Warehouse (DWH) with MySQL

Data Warehouse (DWH) with MySQL

Data Warehouse (DWH) with MySQL

Portfolio 2016

SAP BW/4HANA ist seit 2016 auf dem Markt. SAP BW/4HANA bringt viele Veränderungen und Vorteile in den Bereichen Architektur, Agilität, Performance und Modellierung. Sollen die Potentiale von SAP BW/4HANA ausgeschöpft werden, ist es wichtig eine moderne und flexible Architektur implementiert zu haben. Die Einführung von SAP BW/4HANA sollte sich nach unserer Einschätzung daher nicht auf die technische Migration bestehender historisch gewachsener SAP BW Systeme beschränken. Wir skizzieren unsere Idee einer modernen und flexiblen SAP-BW/4HANA-Architektur.

Moderne & flexible Architektur mit BW/4HANA

Moderne & flexible Architektur mit BW/4HANA

Moderne & flexible Architektur mit BW/4HANA

ISR Information Products AG

Hif 3 d information center 0.7

Hif 3 d information center 0.7

Hif 3 d information center 0.7

Daten ohne Grenzen – Big Data

Daten ohne Grenzen – Big Data

Daten ohne Grenzen – Big Data

The cloud 2011

Data lake vs Data Warehouse: Hybrid Architectures

Data lake vs Data Warehouse: Hybrid Architectures

Data lake vs Data Warehouse: Hybrid Architectures

Comsysto Reply GmbH

Transform the Infrastructure

Transform the Infrastructure

Transform the Infrastructure

Geänderte Anforderungen an eine Data-Warehouse-Landschaft

Geänderte Anforderungen an eine Data-Warehouse-Landschaft

Geänderte Anforderungen an eine Data-Warehouse-Landschaft

ISR Information Products AG

Was ist angesagt? (20)

Mag. Franz Waldhofer (Raiffeisen Software)

Mag. Franz Waldhofer (Raiffeisen Software)

Mag. Franz Waldhofer (Raiffeisen Software)

Big Data und Oracle bringen die Logistik in Bewegung

Big Data und Oracle bringen die Logistik in Bewegung

Big Data und Oracle bringen die Logistik in Bewegung

Data Quadrant - Daten Management Methode

Data Quadrant - Daten Management Methode

Data Quadrant - Daten Management Methode

NetApp Infopgraphic HCI

NetApp Infopgraphic HCI

NetApp Infopgraphic HCI

Webinar big data für unternehmen

Webinar big data für unternehmen

Webinar big data für unternehmen

Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...

Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...

Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...

OpenDMA - Daten Management Solution

OpenDMA - Daten Management Solution

OpenDMA - Daten Management Solution

Dlr v1.2

Big Data: Kunden auf der Spur

Big Data: Kunden auf der Spur

Big Data: Kunden auf der Spur

Agile Data Warehousing mit SAP BW/4HANA

Agile Data Warehousing mit SAP BW/4HANA

Agile Data Warehousing mit SAP BW/4HANA

Wirksames Stammdatenmanagement

Wirksames Stammdatenmanagement

Wirksames Stammdatenmanagement

Data Warehouse (DWH) with MySQL

Data Warehouse (DWH) with MySQL

Data Warehouse (DWH) with MySQL

Portfolio 2016

Moderne & flexible Architektur mit BW/4HANA

Moderne & flexible Architektur mit BW/4HANA

Moderne & flexible Architektur mit BW/4HANA

Hif 3 d information center 0.7

Hif 3 d information center 0.7

Hif 3 d information center 0.7

Daten ohne Grenzen – Big Data

Daten ohne Grenzen – Big Data

Daten ohne Grenzen – Big Data

The cloud 2011

Data lake vs Data Warehouse: Hybrid Architectures

Data lake vs Data Warehouse: Hybrid Architectures

Data lake vs Data Warehouse: Hybrid Architectures

Transform the Infrastructure

Transform the Infrastructure

Transform the Infrastructure

Geänderte Anforderungen an eine Data-Warehouse-Landschaft

Geänderte Anforderungen an eine Data-Warehouse-Landschaft

Geänderte Anforderungen an eine Data-Warehouse-Landschaft

Andere mochten auch

The sensor data challenge - Innovations (not only) for the Internet of Things

The sensor data challenge - Innovations (not only) for the Internet of Things

The sensor data challenge - Innovations (not only) for the Internet of Things

Stephan Reimann

Unstructured data are a fast growing area and a source for many innovative Big Data & Analytics solutions. Often the first idea of unstructured data seems to be that it's probably text data, even though that is just a small part. A lot of that "new data" is sensor data and especially multimedia (audio, video). Even though this part is growing extremly fast, it is very rarely used in analytics today. And even less in a real time context. In order to experience what does it mean and how does it feel (and if it is possible to make sense of it) to work with this new data in real time, Wilfried Hoge and I have created a demo that shows our own experience and explains important concepts & implementation. approaches. The demo we created shows a drill equipment as it is used to build tunnels and how to analyze the output on the conveyor belt visually with machine learning approaches.

Real time video analytics with InfoSphere Streams, OpenCV and R

Real time video analytics with InfoSphere Streams, OpenCV and R

Real time video analytics with InfoSphere Streams, OpenCV and R

Stephan Reimann

Moderne Industrieanlagen entwickeln sich immer mehr zur Quelle großer Sensordatenströme. Diese Daten enthalten wertvolle Informationen, die zur Optimierung von Produktionsprozessen genutzt werden können, z.B. um Kosten zu sparen oder Erträge zu maximieren. Dabei entsteht immer mehr die Anforderung, dies auch in Echtzeit zu tun, um Analytik als festen Teil des Produktionsprozesses zu etablieren. Motivation dafür ist häufig die Komplexität der Anlagen, die immer komplexere Entscheidungen erfordert, sowie sich gegenüberstehende Ziele wie z.B. hohe Fertigungsgeschwindigkeit bei gleichzeitig niedrigem Verschleiss. Technisch liegen die Herausforderungen vor allem in der Echtzeitverarbeitung großer Datenmengen sowie der Einbeziehung unstrukturierter Daten, wie z.B. Video sowie der Trennung zwischen relevanten und weniger relevanten Daten. Diese Live-Demo zeigt anhand eines Tunnelbohrers, wie sich Video- und Sensorströme in Echtzeit mit Hilfe von InfoSphere Streams und Data Mining Methoden analysieren lassen, um Erkenntnisse zu gewinnen, die direkt in die Produktionsprozesse einfließen. (Folien zu meiner Live-Demo auf der IBM Get Insight 2015)

Wie ein einziges Byte im großen Datenstrom Millionen sparen kann

Wie ein einziges Byte im großen Datenstrom Millionen sparen kann

Wie ein einziges Byte im großen Datenstrom Millionen sparen kann

Stephan Reimann

Opportunities in Sensor Networks and Big Data in 2014 (for NIKKEI Big Data Co...

Opportunities in Sensor Networks and Big Data in 2014 (for NIKKEI Big Data Co...

Opportunities in Sensor Networks and Big Data in 2014 (for NIKKEI Big Data Co...

Rainer Sternfeld

In-Time Sensor Data Analysis and Pattern Detection

In-Time Sensor Data Analysis and Pattern Detection

In-Time Sensor Data Analysis and Pattern Detection

Jordan Barrette

Sensor Data in Business

Sensor Data in Business

Sensor Data in Business

Metrics @ App Academy

Metrics @ App Academy

Metrics @ App Academy

InfoSphere BigInsights - Analytics power for Hadoop - field experience

InfoSphere BigInsights - Analytics power for Hadoop - field experience

InfoSphere BigInsights - Analytics power for Hadoop - field experience

IoT ( M2M) - Big Data - Analytics: Emulation and Demonstration

IoT ( M2M) - Big Data - Analytics: Emulation and Demonstration

IoT ( M2M) - Big Data - Analytics: Emulation and Demonstration

Independent of the source of data, the integration of event streams into an Enterprise Architecture gets more and more important in the world of sensors, social media streams and Internet of Things. Events have to be accepted quickly and reliably, they have to be distributed and analysed, often with many consumers or systems interested in all or part of the events. Storing such huge event streams into HDFS or a NoSQL datastore is feasible and not such a challenge anymore. But if you want to be able to react fast, with minimal latency, you can not afford to first store the data and doing the analysis/analytics later. You have to be able to include part of your analytics right after you consume the event streams. Products for doing event processing, such as Oracle Event Processing or Esper, are avaialble for quite a long time and also used to be called Complex Event Processing (CEP). In the last 3 years, another family of products appeared, mostly out of the Big Data Technology space, called Stream Processing or Streaming Analytics. These are mostly open source products/frameworks such as Apache Storm, Spark Streaming, Apache Samza as well as supporting infrastructures such as Apache Kafka. In this talk I will present the theoretical foundations for Event and Stream Processing and present what differences you might find between the more traditional CEP and the more modern Stream Processing solutions and show that a combination of both will bring the most value.

Introduction to Streaming Analytics

Introduction to Streaming Analytics

Introduction to Streaming Analytics

Speaker: Hari Shreedharan Data Day Texas 2015 Apache Spark has emerged over the past year as the imminent successor to Hadoop MapReduce. Spark can process data in memory at very high speed, while still be able to spill to disk if required. Spark’s powerful, yet flexible API allows users to write complex applications very easily without worrying about the internal workings and how the data gets processed on the cluster. Spark comes with an extremely powerful Streaming API to process data as it is ingested. Spark Streaming integrates with popular data ingest systems like Apache Flume, Apache Kafka, Amazon Kinesis etc. allowing users to process data as it comes in. In this talk, Hari will discuss the basics of Spark Streaming, its API and its integration with Flume, Kafka and Kinesis. Hari will also discuss a real-world example of a Spark Streaming application, and how code can be shared between a Spark application and a Spark Streaming application. Each stage of the application execution will be presented, which can help understand practices while writing such an application. Hari will finally discuss how to write a custom application and a custom receiver to receive data from other systems.

Real Time Data Processing using Spark Streaming | Data Day Texas 2015

Real Time Data Processing using Spark Streaming | Data Day Texas 2015

Real Time Data Processing using Spark Streaming | Data Day Texas 2015

Spark+flume seattle

Spark+flume seattle

Spark+flume seattle

Hari Shreedharan

Tiny Sensors, Big Data

Tiny Sensors, Big Data

Tiny Sensors, Big Data

What are big data in the contacts of energy & utilities, and how/where can the utilities find value in the data. In this C-level presentation we discussed the three prime areas: grid operations, smart metering and asset & workforce management. A section on cognitive computing for utilities have been omitted from the presentation due to confidentiality - but I tell you - it is mind-blowing perspectives on how IBM Watson will help utilities plan and optimize their operations in the near future! See more on http://www.ibmbigdatahub.com/industry/energy-utilities

Big Data Analytics in Energy & Utilities

Big Data Analytics in Energy & Utilities

Big Data Analytics in Energy & Utilities

Andere mochten auch (14)

The sensor data challenge - Innovations (not only) for the Internet of Things

The sensor data challenge - Innovations (not only) for the Internet of Things

The sensor data challenge - Innovations (not only) for the Internet of Things

Real time video analytics with InfoSphere Streams, OpenCV and R

Real time video analytics with InfoSphere Streams, OpenCV and R

Real time video analytics with InfoSphere Streams, OpenCV and R

Wie ein einziges Byte im großen Datenstrom Millionen sparen kann

Wie ein einziges Byte im großen Datenstrom Millionen sparen kann

Wie ein einziges Byte im großen Datenstrom Millionen sparen kann

Opportunities in Sensor Networks and Big Data in 2014 (for NIKKEI Big Data Co...

Opportunities in Sensor Networks and Big Data in 2014 (for NIKKEI Big Data Co...

Opportunities in Sensor Networks and Big Data in 2014 (for NIKKEI Big Data Co...

In-Time Sensor Data Analysis and Pattern Detection

In-Time Sensor Data Analysis and Pattern Detection

In-Time Sensor Data Analysis and Pattern Detection

Sensor Data in Business

Sensor Data in Business

Sensor Data in Business

Metrics @ App Academy

Metrics @ App Academy

Metrics @ App Academy

InfoSphere BigInsights - Analytics power for Hadoop - field experience

InfoSphere BigInsights - Analytics power for Hadoop - field experience

InfoSphere BigInsights - Analytics power for Hadoop - field experience

IoT ( M2M) - Big Data - Analytics: Emulation and Demonstration

IoT ( M2M) - Big Data - Analytics: Emulation and Demonstration

IoT ( M2M) - Big Data - Analytics: Emulation and Demonstration

Introduction to Streaming Analytics

Introduction to Streaming Analytics

Introduction to Streaming Analytics

Real Time Data Processing using Spark Streaming | Data Day Texas 2015

Real Time Data Processing using Spark Streaming | Data Day Texas 2015

Real Time Data Processing using Spark Streaming | Data Day Texas 2015

Spark+flume seattle

Spark+flume seattle

Spark+flume seattle

Tiny Sensors, Big Data

Tiny Sensors, Big Data

Tiny Sensors, Big Data

Big Data Analytics in Energy & Utilities

Big Data Analytics in Energy & Utilities

Big Data Analytics in Energy & Utilities

Ähnlich wie Marvin, Data Science & Spark – haben wir ohne Mathematik und Technik noch eine Chance?

http://www.opitz-consulting.com/go/3-6-11 Oracle Enterprise Manager 12c Cloud Control sammelt zahlreiche Daten auf fast allen Ebenen der IT-Infrastruktur. Gerade durch die Engineered Systems wird die Rolle des Cloud Control immer wichtiger. Somit fallen nicht nur Datenbank-Metriken an, sondern auch Middleware- und Infrastruktur-Daten, wie z. B. von Loadbalancern. Oft steht in der Praxis der Einsatz des OEM als Monitoring-Werkzeug im Vordergrund: Die Rohdaten („Current Metrics") der überwachten Ziele werden zeitnah, innerhalb weniger Tage nach Sammlung aggregiert und verlieren durch diese Verdichtung für spätere Datenanalysen an Informationsgehalt. Detaillierte Analysen der Infrastrukturdaten über längere Zeiträume sind deshalb nicht möglich. Andererseits sprechen wirtschaftliche Gründe und die Performance gegen eine langfristige Speicherung von großen Datenmengen in der OEM Repository Datenbank oder in anderen, dedizierten RDBMS. In der Praxis beobachtet man zusätzliche Metrikdaten in der Größenordnung von 50-100 GB/ Monat, was eine Realtime-Auswertung schwer macht. Damit bleiben aufgrund von Budgetrestriktionen Potenziale in den historischen Daten ungenutzt oder die Abfragegeschwindigkeit von Auswertungen geht in den zweistelligen Minutenbereich. Unser Datenbankspezialist Ingo Reisky stellte in einem Vortrag bei der DOAG Konferenz 2014 gemeinsam mit Matthias Fuchs von der Firma ISE Information Systems Engineering vor, wie Metrikdaten von z. B. Oracle Datenbanken und Oracle Fusion Middleware in einem Hadoop Cluster gespeichert und mit Standard-Mitteln aus der Hadoop-Welt analysiert und visualisiert werden können. -- Über uns: Als führender Projektspezialist für ganzheitliche IT-Lösungen tragen wir zur Wertsteigerung der Organisationen unserer Kunden bei und bringen IT und Business in Einklang. Mit OPITZ CONSULTING als zuverlässigem Partner können sich unsere Kunden auf ihr Kerngeschäft konzentrieren und ihre Wettbewerbsvorteile nachhaltig absichern und ausbauen. Über unsere IT-Beratung: http://www.opitz-consulting.com/go/3-8-10 Unser Leistungsangebot: http://www.opitz-consulting.com/go/3-8-874 Karriere bei OPITZ CONSULTING: http://www.opitz-consulting.com/go/3-8-5

Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...

Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...

Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...

OPITZ CONSULTING Deutschland

Sind Sie es leid, ständig zwischen verschiedenen Analyseprodukten hin- und herwechseln zu müssen, um Antworten zu erhalten? SAP Cloud for Analytics kombiniert alle Analysefunktionen – einschließlich Planung, vorausschauender Analyse und Business Intelligence (BI) – in einer einzigen SaaS-Lösung. Nutzen Sie die Vorteile einer modernen und intuitiven Benutzungsoberfläche und sparen Sie Zeit durch Planung, Analysen, Prognosen und Kollaboration aus einer Hand.

SAP Cloud for Analytics Überblick

SAP Cloud for Analytics Überblick

SAP Cloud for Analytics Überblick

Mohamed Abdel Hadi

Inhalt: Die Menge an Daten, die durch BIG Data-, IoT- und Data Warehouse Anwendungen erzeugt werden, bringen große Herausforderungen mit sich. Das Ziel ist es, EINE Datenplattform aufzubauen, um eine gesamtheitliche Sicht auf ALLE Unternehmensdaten zu bekommen und einen zentralen Zugriff unabhängig von den Technologien, die in der Plattform darunter laufen. Ob nun On-Premise oder Cloud. Ob nun SAP oder non-SAP. Mit der Business Analytics Plattform (BAP) bringen Sie diese Daten zusammen: operative Daten aus dem S/4 oder ERP, betriebswirtschaftliche Daten aus Ihrem SAP BW oder SAP BW/4 sowie Daten aus Ihrem Datalake wie IoT, strukturierte Daten, unstrukturierte Daten usw. Die Kombination dieser Daten bringt den wirklichen Mehrwert dieses „Datenschatzes“. Zielgruppe: - Analytics-Verantwortliche in allen Unternehmensbereichen (IT und Non-IT) Agenda: - Herausforderungen mit Daten - Beschreibung der Problemfelder - Lösungsarchitektur-Ansatz - Business Analytics Plattform Mehr über uns: Website: https://www.ibsolution.com/ Karriereportal: https://ibsolution.de/karriere/ Webinare: https://www.ibsolution.com/academy/webinare YouTube: https://www.youtube.com/user/IBSolution LinkedIn: https://de.linkedin.com/company/ibsolution-gmbh Xing: https://www.xing.com/companies/ibsolutiongmbh Facebook: https://de-de.facebook.com/IBsolutionGmbH/ Instagram: https://www.instagram.com/ibsolution/?hl=de Das könnte Sie auch interessieren: https://www.ibsolution.com/academy/webinar-aufzeichnungen/business-intelligence-sap-datasphere-sap-bw-bride-ein-ueberblick

Business Analytics Plattform - Die Lösung für Ihre Herausforderungen mit Daten

Business Analytics Plattform - Die Lösung für Ihre Herausforderungen mit Daten

Business Analytics Plattform - Die Lösung für Ihre Herausforderungen mit Daten

IBsolution GmbH

Jochen Schafberger (evidanza)

Jochen Schafberger (evidanza)

Jochen Schafberger (evidanza)

Big Data Governance

Big Data Governance

Big Data Governance

Big/Smart/Fast Data – a very compact overview

Big/Smart/Fast Data – a very compact overview

Big/Smart/Fast Data – a very compact overview

OMM Solutions GmbH

Digitales Talent Management ist weit mehr als nur Software – es geht dabei auch um den Umgang mit Big Data, Datenschutz, Ethik, digitale Führung, Kultur und Strategie. Der Vortrag umreißt das Thema aus unterschiedlichen Perspektiven und schildert die Erfahrungen eines MOOCS (Massive open online course). 29 Experten aus Wirtschaft, Wissenschaft und Verbänden moderierten dabei einen Lernprozesse von fünf Wochen mit über 2000 Teilnehmern.

Digitales Talentmanagement: Überblick und Erfahrungen aus einem MOOC mit über...

Digitales Talentmanagement: Überblick und Erfahrungen aus einem MOOC mit über...

Digitales Talentmanagement: Überblick und Erfahrungen aus einem MOOC mit über...

Thomas Jenewein

SAP Trends 2014 - die Entscheider kennen sollten

SAP Trends 2014 - die Entscheider kennen sollten

SAP Trends 2014 - die Entscheider kennen sollten

IT-Onlinemagazin

Fujitsu Storage Days 2018 - Erfahrungsbericht crisp research

Fujitsu Storage Days 2018 - Erfahrungsbericht crisp research

Fujitsu Storage Days 2018 - Erfahrungsbericht crisp research

Fujitsu Central Europe

Analytics für Einsteiger

Analytics für Einsteiger

Analytics für Einsteiger

SAS in Deutschland, Österreich und der Schweiz

Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013

Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013

Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013

Unternehmen sind heutzutage in der Lage ihre Daten mit relativer Leichtigkeit aufzunehmen und zu verwalten. Die Herausforderung besteht nun darin, die verborgenen Muster in den Daten zu erkennen und diese zu verstehen, um einen Mehrwert zu generieren. Aufgrund der großen Datenmengen gelingt dies mit traditionelle Ansätzen zumeist nicht. Das Ergebnis: Organisationen kämpfen, um wirklich zu innovieren und sich zu differenzieren.

Webinar - Sehr empfehlenswert: wie man aus Daten durch maschinelles Lernen We...

Webinar - Sehr empfehlenswert: wie man aus Daten durch maschinelles Lernen We...

Webinar - Sehr empfehlenswert: wie man aus Daten durch maschinelles Lernen We...

Die Macht der Daten - CeBIT 2017

Die Macht der Daten - CeBIT 2017

Die Macht der Daten - CeBIT 2017

http://www.opitz-consulting.com/go/3-4-1401 Big Data kommt zusehends im Enterprise Bereich in den Praxiseinsatz. Hierbei werden ähnliche Anforderungen an Stabilität, kurze Entwicklungszyklen und Standardisierung gestellt wie an andere Enterprise IT-Systeme. Insbesondere das Testmanagement ist für PAYBACK ein wichtiger Fokus im Lifecycle, den sich - in Big-Data-Projekten typisch - die beiden eher unterschiedlichen Disziplinen der Software- und DWH-Entwickler teilen. Wesentliche Anforderung war es, eine Big Data Lösungen in gewachsene BI-lastige IT-Umgebungen einzupassen und effizientes Testmanagement disziplinübergreifend sicherzustellen. Im Vortrag werden die Herausforderungen und Lösungsansätze bei der Planung einer Big Data Teststrategie und deren Rolle im Big Data Application LifeCycle beleuchtet. Zusammen mit Big-Data-Fachmann Tobias Bürger stellte unser Experte Jochen Wilms das Thema am 23.06.2015 bei der TDWI Konferenz in München vor. Die Referenten gingen dabei vertiefend auf das Testing von mit Pig Latin entwickelten ETL-Prozessen, die Integration in die existierende Continuous-Integration-Topologie sowie die Validierung des Hadoop Cluster Setups ein. -- Über uns: Als führender Projektspezialist für ganzheitliche IT-Lösungen tragen wir zur Wertsteigerung der Organisationen unserer Kunden bei und bringen IT und Business in Einklang. Mit OPITZ CONSULTING als zuverlässigem Partner können sich unsere Kunden auf ihr Kerngeschäft konzentrieren und ihre Wettbewerbsvorteile nachhaltig absichern und ausbauen. Über unsere IT-Beratung: http://www.opitz-consulting.com/go/3-8-10 Unser Leistungsangebot: http://www.opitz-consulting.com/go/3-8-874 Karriere bei OPITZ CONSULTING: http://www.opitz-consulting.com/go/3-8-5

Agiles Enterprise Big Data Testmanagement

Agiles Enterprise Big Data Testmanagement

Agiles Enterprise Big Data Testmanagement

OPITZ CONSULTING Deutschland

Digital führen bei der SAP - LEARNTEC 2016

Digital führen bei der SAP - LEARNTEC 2016

Digital führen bei der SAP - LEARNTEC 2016

Thomas Jenewein

IT Trends 2011 - und welchen Einfluss Business Analytics darauf hat

IT Trends 2011 - und welchen Einfluss Business Analytics darauf hat

IT Trends 2011 - und welchen Einfluss Business Analytics darauf hat

SAS in Deutschland, Österreich und der Schweiz

Das IT-Onlinemagazin hat in Kooperation mit dem „Forum für SAP“, mit fast 30.000 Mitgliedern die größte SAP Community in XING, sieben wichtige Trends ermittelt: Betriebswirtschaftliche Vorteile und Impulse scheinen derzeit besonders durch Cloud-basierte Zahlungsprozesse, Mobilisierung von Geschäftsprozessen, Automatisierung von Routinetätigkeiten und Performanceoptimierung für Analysen möglich. Aber auch die Wiederverwertung von Add-ons, der Fachkräftemangel und die Nutzung agiler Projektmanagement-Methoden beschäftigt aktuell die SAP Community.

SAP Trends 2013 - die Entscheider kennen sollten ...

SAP Trends 2013 - die Entscheider kennen sollten ...

SAP Trends 2013 - die Entscheider kennen sollten ...

IT-Onlinemagazin

Die Cloud – Veränderungen und Chancen für Softwarehersteller

Die Cloud – Veränderungen und Chancen für Softwarehersteller

Die Cloud – Veränderungen und Chancen für Softwarehersteller

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. Sie lernen: - 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.

Datenintegrität für moderne Cloud Data Warehouse (MDWH) und Analytics Archite...

Datenintegrität für moderne Cloud Data Warehouse (MDWH) und Analytics Archite...

Datenintegrität für moderne Cloud Data Warehouse (MDWH) und Analytics Archite...

SBS14: Die Digitale Transformation meistern, Hans-Peter Legler, cablex AG

SBS14: Die Digitale Transformation meistern, Hans-Peter Legler, cablex AG

SBS14: Die Digitale Transformation meistern, Hans-Peter Legler, cablex AG

Ähnlich wie Marvin, Data Science & Spark – haben wir ohne Mathematik und Technik noch eine Chance? (20)

Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...

Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...

Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...

SAP Cloud for Analytics Überblick

SAP Cloud for Analytics Überblick

SAP Cloud for Analytics Überblick

Business Analytics Plattform - Die Lösung für Ihre Herausforderungen mit Daten

Business Analytics Plattform - Die Lösung für Ihre Herausforderungen mit Daten

Business Analytics Plattform - Die Lösung für Ihre Herausforderungen mit Daten

Jochen Schafberger (evidanza)

Jochen Schafberger (evidanza)

Jochen Schafberger (evidanza)

Big Data Governance

Big Data Governance

Big Data Governance

Big/Smart/Fast Data – a very compact overview

Big/Smart/Fast Data – a very compact overview

Big/Smart/Fast Data – a very compact overview

Digitales Talentmanagement: Überblick und Erfahrungen aus einem MOOC mit über...

Digitales Talentmanagement: Überblick und Erfahrungen aus einem MOOC mit über...

Digitales Talentmanagement: Überblick und Erfahrungen aus einem MOOC mit über...

SAP Trends 2014 - die Entscheider kennen sollten

SAP Trends 2014 - die Entscheider kennen sollten

SAP Trends 2014 - die Entscheider kennen sollten

Fujitsu Storage Days 2018 - Erfahrungsbericht crisp research

Fujitsu Storage Days 2018 - Erfahrungsbericht crisp research

Fujitsu Storage Days 2018 - Erfahrungsbericht crisp research

Analytics für Einsteiger

Analytics für Einsteiger

Analytics für Einsteiger

Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013

Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013

Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013

Webinar - Sehr empfehlenswert: wie man aus Daten durch maschinelles Lernen We...

Webinar - Sehr empfehlenswert: wie man aus Daten durch maschinelles Lernen We...

Webinar - Sehr empfehlenswert: wie man aus Daten durch maschinelles Lernen We...

Die Macht der Daten - CeBIT 2017

Die Macht der Daten - CeBIT 2017

Die Macht der Daten - CeBIT 2017

Agiles Enterprise Big Data Testmanagement

Agiles Enterprise Big Data Testmanagement

Agiles Enterprise Big Data Testmanagement

Digital führen bei der SAP - LEARNTEC 2016

Digital führen bei der SAP - LEARNTEC 2016

Digital führen bei der SAP - LEARNTEC 2016

IT Trends 2011 - und welchen Einfluss Business Analytics darauf hat

IT Trends 2011 - und welchen Einfluss Business Analytics darauf hat

IT Trends 2011 - und welchen Einfluss Business Analytics darauf hat

SAP Trends 2013 - die Entscheider kennen sollten ...

SAP Trends 2013 - die Entscheider kennen sollten ...

SAP Trends 2013 - die Entscheider kennen sollten ...

Die Cloud – Veränderungen und Chancen für Softwarehersteller

Die Cloud – Veränderungen und Chancen für Softwarehersteller

Die Cloud – Veränderungen und Chancen für Softwarehersteller

Datenintegrität für moderne Cloud Data Warehouse (MDWH) und Analytics Archite...

Datenintegrität für moderne Cloud Data Warehouse (MDWH) und Analytics Archite...

Datenintegrität für moderne Cloud Data Warehouse (MDWH) und Analytics Archite...

SBS14: Die Digitale Transformation meistern, Hans-Peter Legler, cablex AG

SBS14: Die Digitale Transformation meistern, Hans-Peter Legler, cablex AG

SBS14: Die Digitale Transformation meistern, Hans-Peter Legler, cablex AG

Marvin, Data Science & Spark – haben wir ohne Mathematik und Technik noch eine Chance?

1. © 2016 IBM Corporation Marvin, Data Science & Spark – haben wir ohne Mathematik und Technik noch eine Chance?

2. © 2016 IBM Corporation (Kennen)-Lernen stephan.reimann@de.ibm.com @stereimann Marvin

3. © 2016 IBM Corporation Machine Learning --- Maschinen lernen Process 3 Process 2 Process 1 Explizites Programmieren vs. Komplexität Vernetzung / Verzahnung + Vielzahl der Einflussfaktoren = Komplexität Wissen formalisieren Menschlicher Erfahrungsschatz & Auffassungsvermögen

4. © 2016 IBM Corporation Storage Kosten senken • Data lake • Data offload • ETL offload • Queryable archive and staging Data-Informed Decision Making • Analyse aller Daten • Nutzen neuer Datentypen/- quellen • 360o Sicht auf alle Daten • Explorative Analyse Business Transformation •Neue Ge- schäftsmodelle •Aktive Bekämpfung von Gefahren •Optimierung Betrieb •Attraktiv für Kunden Operations Cost Reduction BI & Data Warehousing Modernization Self-Service Analytics Insight-Driven New Business Models Transformation Value Maturity Most are here

5. © 2016 IBM Corporation P() erfekt≠ Auch kleine Verbesserungen können einen großen Einfluss haben

6. © 2016 IBM Corporation BigData Komplexe Prozesse = Viele Daten Skalierbarkeit Hadoop Spark Shared Nothing

7. © 2016 IBM Corporation “lernen as a Service” http://investment-advisor.mybluemix.net/ Cloud Service App www.bluemix.net

8. © 2016 IBM Corporation Quelle: DER SPIEGEL 36/2016

9. © 2016 IBM Corporation Quelle: A.T. Kearney

10. © 2016 IBM Corporation “Wenn ein Autofahrer einen Fehler mache, lerne nur er daraus, wenn dagegen Roboter einen Fehler machten, teilten sie die Erfahrung und wiederholten diesen Fehler nie wieder.” „Künstliche Intelligenz lernt also viel schneller als der Mensch.“ „Wenn wir als Menschen nicht schneller werden, gewinnen die Maschinen.“ Sebastian Thrun, Udacity Die Technik macht bislang Unvorstellbares möglich, allerdings stö̈ßt sie zuweilen auch an Grenzen. Es gilt das alte Gesetz der Robotik: Was Maschinen mühelos erledigen, bereitet Menschen Probleme. Was aber Menschen leichtfä̈llt, stellt wiederum Maschinen vor Schwierigkeiten. Bis selbst der intelligenteste Roboter ein Handtuch gefaltet hat, vergeht eine kleine Ewigkeit. (Der SPIEGEL 36/2016) “Menschen sind zu Dirigenten der Wertschöpfung herangewachsen” Andreas Kohl, Logistik-Werkleiter bei SEW Eurodrive (Der SPIEGEL 36/2016)

11. © 2016 IBM Corporation Aus Fehlern lernen Daten nutzen