Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Herausforderungen im Data Warehousing und "Fabelhafte" Ideen

806 views

Published on

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

Published in: Automotive
  • Be the first to comment

  • Be the first to like this

Herausforderungen im Data Warehousing und "Fabelhafte" Ideen

  1. 1. HERAUSFORDERUNGEN IM DATA WAREHOUSING & „FABELHAFTE“ IDEEN Thilo Stadelmann, xx.xx.201x
  2. 2. Wieso sind wir hier?
  3. 3. Agenda Beispiel 1: DWH und unstrukturierte Daten Data Warehousing: Trends und Herausforderungen Beispiel 2: DWH und neue Nutzergruppen
  4. 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. 5. Herausforderungen  Big data  Unstrukturierte Daten  Neue Anwenderbedürfnisse  … Geschwindigkeit, Aplliances anstatt BtO, DWH as a Service / in der Cloud Cloud
  6. 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. 7. Herausforderungen  Big data  Unstrukturierte Daten  Neue Anwenderbedürfnisse  … Geschwindigkeit, Aplliances anstatt BtO, DWH as a Service / in der Cloud Cloud
  8. 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. 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. 10. Beispiel 1: FABELHAFT (contd.)  2-fache Geschwindigkeit, 7.5% mehr Leistung
  11. 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. 12. Beispiel 2: Das EngineeringDWH  Setting: Neue Nutzergruppen im Engineeringumfeld  Herausforderung: neue Daten, neue Anwendungs-fälle, Misstrauen, Halbwissen  Lösung: „Ingenieurassistenzsystem“ anstatt „KI“
  13. 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. 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

×