Hamburg, im August 2016
|
|
- Lilli Dresdner
- vor 6 Jahren
- Abrufe
Transkript
1 Hamburg, im August 2016
2 AGILE DATA-VAULT- ENTWICKLUNG IM ONLINE- VERSANDHANDEL. Eine Fallstudie bei Otto
3 INHALT 1. Zahlen & Fakten: Vorhang auf für OTTO 2. Architektur: Das BRAIN 3. Data Vault I: Der Weg rein 4. Data Vault II: Der Weg raus 3
4 1. ZAHLEN UND FAKTEN Vorhang auf für OTTO 4
5 Zahlen & Fakten Firmensitz: Hamburg (Hauptsitz) Mitarbeiter: (standortunabhängig) Umsatz 2015/2016: 2,561 Milliarden Euro Der OTTO-Campus in Hamburg 5
6 Über 65 Jahre OTTO: Vom Schuhversand zum Pionier im E-Commerce 1949: Gründung 1950: Der erste, handgebundene OTTO-Katalog wird verschickt: Er präsentiert auf 14 Seiten 28 Paar Schuhe Ab 1960: Aufbau zum führenden Versandhändler für Mode und Einrichten Der Hauptkatalog wird zum Markenzeichen Ab 1995: Verstärkter Ausbau zum Multichannel-Händler otto.de geht online Heute: OTTO ist Treiber im Onlinehandel, das Unternehmen nutzt neueste Technologien und gestaltet den Markt aktiv mit 6
7 20 Jahre Erfahrung im E-Commerce 2000: Bestellung per Handy wird erstmals möglich über mobil.otto.de 1995: OTTO präsentiert sein Angebot erstmals im Internet unter Heute: Über 2,1 Millionen Artikelpositionen und rund Marken auf otto.de. Komfortables Shopping über alle Endgeräte. 7
8 Vom Katalogversender zum E-Commerce-Profi Schuhe Multimedia Bademoden Haushalt Herrenmode Küche Möbel Damenmode Heimtextilien Baumarkt Sport Spielzeug Wäsche Große Bandbreite an Produkten und Marken 8
9 Großer und treuer Kundenbestand 20 Millionen Bestellungen pro Jahr rund 6 Millionen aktive Kunden über 1 Million Visits pro Tag 9
10 Rund 90% Onlineanteil am Gesamtumsatz Unternehmenspräsentation
11 International erfolgreich Die Otto Group ist eine weltweit agierende Handels- und Dienstleistungsgruppe mit 123 wesentlichen Unternehmen in mehr als 20 Ländern. 11
12 Geschäftsfeld Multichannel-Einzelhandel der Otto Group Nordamerika Deutschland Russland Südamerika Europa Asien Mehrheitsbeteiligungen der Otto Group Minderheitsbeteiligungen der Otto Group 12
13 2. ARCHITEKTUR Das BRAIN 13
14 Positionierung der BI-Plattform in die Gesamt-IT Customer Touchpoints Closed Loop Onlineshop Real-time BI BI Middleware / EAI Interne Systeme NOA Mercado SEO Tool Externe Quellen Google Adwords Load Once BRIN (BI Plattform) 14
15 COMMON Zusammensetzung von BRAIN aus vertikalen Stacks und horizontalen Layern REAL-TIME STACK SPEED ANALYTIC STACK SERVING REPORTING STACK STANDARD PREPARATION MODEL SCORING BIG DATA STACK INFORM. STACK LOAD BASE HUB 1 CLASSIC STACK HUB LOAD BASE HUB n OLAP DASH- BOARDS AD HOC 15
16 Strukturierung über Daten Domänen 16
17 QUELLEN STAGING ( LOAD ) DATA VAULT ( BASE ) INFORMATION MARTS ( BUSINESS ) Strukturierung über Daten Domänen 17
18 Zentrales DM Tool
19 Zentrales DI Tool
20 3. DATA VAULT I Der Weg rein 20
21 Data Vault 2.0 Modell Das (relationale) Datenmodell steht im Vordergrund MD5 Hashes Hashing auf dem Weg nach Staging CSV 1 : 1 Staging Hard Rules Data Vault XML 21
22 Abweichungen vom Standard Keine explizite RecordSource Kein expliziter LDTS Abgedeckt über techn. Felder die auch den Talend Job identifizieren 22
23 Bewirtschaftung Data Vault CLASSIC STACK CSV XML Generisches Job parsen CSV Code Generator für Load Statements SQL Code Generator für DV spezifische Load Statements LOAD Layer (Staging Area) BASE Layer (Core Warehouse)
24 Metadaten Model enthält Struktur und Beladelogik der Modelle Data Definition Data Logistics Model Relationship Entity Entity Mapping Entity Key Relationship Attribute Entity Key Attribute Attribute Entity Attribute Mapping
25 Quelle nach Staging XML Preload Job CSV Load Job Xpath parsing SK erzeugen Staging CSV Load Job 25
26 Quelle nach Staging Im 2 Wochen Sprint bei neuer Quelle machbar Automatisierung recht einfach SKs auf den Weg in die Staging sehr vorteilhaft Generik auf den Weg in den DV nicht immer deterministisch / abbildbar Von Anfang an Geschäftsanforderung betrachten Datenbeschaffung ist essentiell XML ohne XSD schwer zu modellieren Großes Testdatenset ist wertvoll Schnittstelle selber definieren, wenn möglich Daten direkt von RDMS abziehen Früh auf den Weg bringen 26
27 Staging nach Base optional Staging gen. Job Mappings aus PD Data Vault 27
28 Physikalische Modellierung und Datenfluss 28
29 PowerDesigner als fundamentales Tool für die Modellierung SAP PowerDesigner DDL Metadaten Bewirtschaftung (ETL) 29
30 Daten Domäne BaseDelivery 30
31 Lessons Learned Im 2 Wochen Sprint bei neuem Modell machbar Scope gut definieren (agil) Klein anfangen, man kommt iterativ zur allumfänglichen Lösung Nicht zu viel (allein) vorausdenken, es ist kein Reengineering nötig Kenne deinen Fachbereich und das Geschäft Konkret nachfragen nicht versuchen selber zu interpretieren Timestamps: an fachliches Datum gehalten (letzte Änderung in Quelle) Probleme durch Nachläufer-Problematik KISS (vor allem die Beladelogik) 31
32 4. DATA VAULT II Der Weg raus 32
33 Base nach Business (End-) User greifen nur auf die Marts zu (über ded. Access-Schicht) Analytic User dürfen auf alle Ebenen Data Vault Soft Rules Common Mart Soft Rules Trafo Mart n Mart Bus. Rules Mart 1 33
34 Pains Nichts generisches / automatisiertes Kein BusinessVault Common Mart soll kompletter DV in 3NF persistiert sein Marts sollen auf Exasol, aber Architektur soll so bleiben 34
35 Lessons Learned Geschäftslogik bleibt trotzdem bestehen und komplex View-Schicht ohne BusinessVault (Stern aus DV direkt ) kann inperformant werden Kenne Dein DMBS Investitionen sind zu schützen, keine Grüne Wiese 35
36 VIELEN DANK FRAGEN? 36
37 Jan Sandte Information Architect IT-BI-CA Otto (GmbH & Co. KG) 37
Otto Group als data driven company Clickstream als Herzstück der neuen BI Plattform
Otto Group als data driven company Clickstream als Herzstück der neuen BI Plattform Thomas Schlüter, Leiter Business Intelligence IT Unisys Client Exchange 2014 Agenda 1 Kurzvorstellung Otto Group 2 Was
Mehr25.06.2014 TDWI Konferenz DWH Architektur Agilität durch Data Vault Modeling. Twitter: #TDWI #DataVault @DV_Modeling @BLUEFORTE @TDWI_EU
BLUEFORTE GmbH Dirk Lerner 25.06.2014 TDWI Konferenz DWH Architektur Agilität durch Data Vault Modeling Twitter: #TDWI #DataVault @DV_Modeling @BLUEFORTE @TDWI_EU 1 Elemente des Data Vault (Basic) HUB
MehrTechnologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle
Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle 40. Congress der Controller, Themenzentrum C, München Steffen Vierkorn, Geschäftsführer Qunis GmbH, Neubeuern Die
MehrModellierung agiler Data Warehouses mit Data Vault Dani Schnider, Trivadis AG DOAG Konferenz 2015
Modellierung agiler Data Warehouses mit Data Vault Dani Schnider, Trivadis AG DOAG Konferenz 2015 BASEL BERN BRUGG DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR. GENEVA HAMBURG COPENHAGEN LAUSANNE MUNICH STUTTGART
MehrVom Single Point of Truth zur Single Version of the Facts. Data Warehousing zu Beginn des BigData-Zeitalters. inspire IT - Frankfurt 11. 12.05.
Vom Single Point of Truth zur Single Version of the Facts Data Warehousing zu Beginn des BigData-Zeitalters inspire IT - Frankfurt 11. 12.05.2015 Fahmi Ouled-Ali Kabel Deutschland Marian Strüby OPITZ CONSULTING
MehrData Vault. Modellierungsmethode für agile Data Warehouse Systeme. Dr. Bodo Hüsemann Informationsfabrik GmbH. DOAG BI, München, 17.04.
Data Vault Modellierungsmethode für agile Data Warehouse Systeme Dr. Bodo Hüsemann Informationsfabrik GmbH DOAG BI, München, 17.04.2013 Die Informationsfabrik Die Informationsfabrik macht erfolgreiche
MehrBIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004
BIW - Überblick Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 Annegret Warnecke Senior Sales Consultant Oracle Deutschland GmbH Berlin Agenda Überblick
MehrAgile Analytics Neue Anforderungen an die Systemarchitektur
www.immobilienscout24.de Agile Analytics Neue Anforderungen an die Systemarchitektur Kassel 20.03.2013 Thorsten Becker & Bianca Stolz ImmobilienScout24 Teil einer starken Gruppe Scout24 ist der führende
MehrIn-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI
In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI Hanau, 25.02.2015 1 Titel der Präsentation, Name, Abteilung, Ort, xx. Monat 2014 Der Aufbau der Group BI Plattform
MehrDatawarehouse Architekturen. Einheitliche Unternehmenssicht
Datawarehouse Architekturen Einheitliche Unternehmenssicht Was ist Datawarehousing? Welches sind die Key Words? Was bedeuten sie? DATA PROFILING STAGING AREA OWB ETL OMB*PLUS SAS DI DATA WAREHOUSE DATA
MehrBIG DATA STRATEGIE FÜR DEN ONLINE-HANDEL
BIG DATA STRATEGIE FÜR DEN ONLINE-HANDEL Am Beispiel der OTTO GmbH & Co KG Dortmund, 09. September 2015 Conny Dethloff (OTTO GmbH & CO. KG) 1 Anliegen des heutigen Dialogs Über mich Inhalt des Dialogs
MehrLars Priebe Senior Systemberater. ORACLE Deutschland GmbH
Lars Priebe Senior Systemberater ORACLE Deutschland GmbH Data Mining als Anwendung des Data Warehouse Konzepte und Beispiele Agenda Data Warehouse Konzept und Data Mining Data Mining Prozesse Anwendungs-Beispiele
MehrData Warehouse schnell gemacht Performanceaspekte im Oracle DWH
Data Warehouse schnell gemacht Performanceaspekte im Oracle DWH Dani Schnider Principal Consultant Business Intelligence BI Trilogie, Zürich/Basel 25./26. November 2009 Basel Baden Bern Lausanne Zürich
MehrIntelligence (BI): Von der. Nürnberg, 29. November 2011
Modelle für Business Intelligence (BI): Von der Anforderung zum Würfel Nürnberg, 29. November 2011 Warum Modelle für Business Intelligence (BI)? Warum Modelle für Business Intelligence (BI)? Bis zur Auswertung
MehrData-Vault-Automation aus dem Datenmodellierungstool. 1. Tagung der DDVUG am 24.Juni2014
Data-Vault-Automation aus dem Datenmodellierungstool 1. Tagung der DDVUG am 24.Juni2014 A G E N D A 1. MID & Innovator 2. Modell & Methode 3. Architektur & Automatisierung 4. Nutzen & Veränderung MID GmbH
MehrWas ist Analyse? Hannover, CeBIT 2014 Patrick Keller
Was ist? Hannover, CeBIT 2014 Patrick Keller Business Application Research Center Historie 1994: Beginn der Untersuchung von Business-Intelligence-Software am Lehrstuhl Wirtschaftsinformatik der Universität
MehrTRACK II Datenmanagement Strategien & Big Data Speicherkonzepte. TRACK I Big Data Analytics & Self Service BI
9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics
MehrDeutsch, Englisch (gut) Fachinformatiker für Anwendungsentwicklung
Profil Andy Sydow Persönliche Daten Nationalität Sprachen Abschluss deutsch Deutsch, Englisch (gut) Fachinformatiker für Anwendungsentwicklung Profil Herr Sydow verfügt über mehrjährige Erfahrung als DWH/BI
MehrRaus aus der Bl-Falle
Ronald Bachmann, Dr. Guido Kemper Raus aus der Bl-Falle Wie Business Intelligencezum Erfolg wird mitp Die Autoren 13 Vorwort 15 1 Einleitung 21 1.1 Was ist Business Intelligence (BI)? 21 1.2 Motive zur
MehrVorteile einer standardisierten DV-orientierten BI-Architektur hinsichtlich Modellierung, Bewirtschaftung und Betrieb. Thomas Mattick, BBF GmbH
Vorteile einer standardisierten DV-orientierten BI-Architektur hinsichtlich Modellierung, Bewirtschaftung und Betrieb Thomas Mattick, BBF GmbH Vorstellung Thomas Mattick Projektauszug (BI) Auftragsabwicklung/Leistungsbewertung
MehrBI Organisation und Governance. Patrick Keller, Senior Analyst und Prokurist CeBIT 2016
BI Organisation und Governance Patrick Keller, Senior Analyst und Prokurist CeBIT 2016 15.03.2016 BARC 2016 2 Warum eine Organisation für BI? Menschen verursachen mehr Probleme als Technik! 15.03.2016
MehrRE.one. Self Service Information Management für die Fachabteilung
RE.one Self Service Information Management für die Fachabteilung Das Ziel Verwertbare Informationen aus Daten gewinnen Unsere Vision Daten Info Data Warehousing radikal vereinfachen in einem Tool Die Aufgabe
MehrStudierenden-Kennzahlen im Griff dank flexiblem Reporting und Ad-hoc-Analysen
Praxistag für die öffentliche Verwaltung 2012 Titel Präsentation Studierenden-Kennzahlen im Griff dank flexiblem Reporting und Ad-hoc-Analysen Referenten-Info Gerhard Tschantré, Leiter Controllerdienste
MehrMARKETING TRANSFORMATION UND MULTI-CHANNEL MANAGEMENT. Alexander Voges Düsseldorf, 24. Februar 2016
MARKETING TRANSFORMATION UND MULTI-CHANNEL MANAGEMENT Alexander Voges Düsseldorf, 24. Februar 2016 AGENDA 1. Die Otto Group: Weltweit #1 in Fashion & Lifestyle E-Commerce 2. OTTO: Das Flaggschiff der Otto
MehrHerausforderungen der Digitalisierung
, Vice President E-Commerce Hamburg, 16. September 2015 1 Titel der Präsentation, Name, Abteilung, Ort, xx. Monat 2014 Was 1949 mit einem 14 seitigen handgemachten Schuhkatalog begann Am 17. August 1949
MehrOracle SQL Developer Data Modeling
Oracle SQL Developer Data Modeling DOAG Regio Rhein-Neckar Oracle Deutschland GmbH The following is intended to outline our general product direction. It is intended for information
MehrBusiness Intelligence Architektur im Umfeld von Big Data (IDAREF) [D2] Bernd Meister Uetliberg, 16.09.2014 www.boak.ch
Business Intelligence Architektur im Umfeld von Big Data (IDAREF) [D2] Bernd Meister Uetliberg, 16.09.2014 www.boak.ch In dieser Session wird IDAREF, ein Framework, dass auf logischer Ebene eine analytische
MehrSeminar C02 - Praxisvergleich OLAP Tools
C02: Praxisvergleich OLAP Tools Ein Seminar der DWH academy Seminar C02 - Praxisvergleich OLAP Tools Das Seminar "Praxisvergleich OLAP-Tools" bietet den Teilnehmern eine neutrale Einführung in die Technologien
Mehrgood. better. outperform.
good. better. outperform. Quo Vadis Oracle BI Relational oder besser multidimensional? DOAG 2013 Business Intelligence, 17.04.2013 Dirk Fleischmann Director Business Intelligence & DWH Business Intelligence
Mehr1Ralph Schock RM NEO REPORTING
1Ralph Schock RM NEO REPORTING Bereit für den Erfolg Business Intelligence Lösungen Bessere Entscheidungen Wir wollen alle Mitarbeiter in die Lage versetzen, bessere Entscheidungen schneller zu treffen
MehrOracle OLAP 11g: Performance für das Oracle Data Warehouse
Oracle OLAP 11g: Performance für das Oracle Data Warehouse Marc Bastien Oracle BI Presales Agenda Performanceprobleme in Oracle DWH: gibt s das überhaupt? Mögliche Gründe und Lösungen
MehrNear Realtime ETL mit Oracle Golden Gate und ODI. Lutz Bauer 09.12.2015
Near Realtime ETL mit Oracle Golden Gate und ODI Lutz Bauer 09.12.2015 Facts & Figures Technologie-orientiert Branchen-unabhängig Hauptsitz Ratingen 240 Beschäftigte Inhabergeführt 24 Mio. Euro Umsatz
MehrPROZESSCONTROLLING MIT MICROSOFT TOOLS
PROZESSCONTROLLING MIT MICROSOFT TOOLS AGENDA In eigener Sache Processcontrolling mit Office Demo Excel Maps Processcontrolling mit SQL Server Rolle von SharePoint 2013 Demo Praxisbeispiel Einkaufsprozess
MehrAKWI-Fachtagung 2014. SAP HANA Live als Basis für operatives Reporting in Echtzeit. Customizing und Anwendung
AKWI-Fachtagung 2014 Darius Nowak Prof. Dr. Harald Ritz Jörg Wolf SAP HANA Live als Basis für operatives Reporting in Echtzeit Customizing und Anwendung 1 Agenda 1. Einleitung 2. Motivation 3. SAP HANA
MehrHohe Anpassungsfähigkeit der Entscheidungsunterstützung in Versicherungen trotz regulatorischer Anforderungen
Hohe Anpassungsfähigkeit der Entscheidungsunterstützung in Versicherungen trotz regulatorischer Anforderungen Dr. Sebastian Olbrich Markus Weber Oliver Schwenteck Einleitung / Motivation Spannungsfeld
MehrData Vault. Data Warehouse Agilität nicht nur durch Vorgehensweisen, sondern mit Methode. Dr. Bodo Hüsemann Informationsfabrik GmbH
Data Vault Data Warehouse Agilität nicht nur durch Vorgehensweisen, sondern mit Methode Dr. Bodo Hüsemann Informationsfabrik GmbH Konzeption und Architektur Implementierung [ETL, Reporting, OLAP, Planung]
MehrZukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO
innovation@work Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO thinkbetter AG Florian Moosmann 8. Mai 2013 1 Agenda Prädiktive Analyse Begriffsdefinition Herausforderungen Schwerpunktbereiche
MehrDie perfekte Kombination im Agilen Data Warehouse Oracle Engineered Systems mit Data Vault
Die perfekte Kombination im Agilen Data Warehouse Oracle Engineered Systems mit Data Vault Herbert Rossgoderer Geschäftsführer Matthias Fuchs DWH Architekt ISE Information Systems Engineering GmbH ISE
MehrData Vault Ein Leben zwischen 3NF und Star. Michael Klose, CGI Deutschland Oracle DWH Community, 18.03.2014
Data Vault Ein Leben zwischen 3NF und Star Michael Klose, CGI Deutschland Oracle DWH Community, 18.03.2014 CGI Group Inc. 2013 Referent: Michael Klose Manager BI Architektur & Strategie, CGI Deutschland
MehrVollständig generisches DWH für kleine und mittelständische Unternehmen
Vollständig generisches DWH für kleine und mittelständische Unternehmen Marc Werner Freiberufler Berlin Schlüsselworte: Wirtschaftlichkeit, Kostenreduzierung, Metadaten, Core Data Warehouse, Slowly Changing
MehrBusiness Intelligence Center of Excellence
Center of Excellence Eine Businessinitiative von Systematika und Kybeidos Werner Bundschuh Was ist das? In der Praxis versteht man in den meisten Fällen unter die Automatisierung des Berichtswesens (Reporting).
MehrAndreas Emhart Geschäftsführer Alegri International Group
Andreas Emhart Geschäftsführer Alegri International Group Agenda Vorstellung Alegri International Überblick Microsoft Business Intelligence Sharepoint Standard Business Intelligence Tool Excel Service
MehrOracle BI&W Referenz Architektur Big Data und High Performance Analytics
DATA WAREHOUSE Oracle BI&W Referenz Architektur Big Data und High Performance Analytics Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen
MehrModellbasierte Business Intelligence in der Praxis. Nürnberg, 10.11.2009
Modellbasierte Business Intelligence in der Praxis Nürnberg, 10.11.2009 I N H A L T 1. Warum Modelle für Business Intelligence (BI)? 2. Inhalte von Datenmodellen für BI 3. Inhalte von Prozessmodellen 4.
MehrBICC, Organisation und Kompetenz Das Raiffeisen Solution SAS Competence Center
BICC, Organisation und Kompetenz Das Raiffeisen Solution SAS Competence Center Ing. Polzer Markus öffentlich Inhaltsverzeichnis 1 2 3 4 5 6 7 Kurzvorstellung Raiffeisen Solution Business Intelligence Strategie
MehrSimProgno Studie 2011. Ergebnisse einer empirischen Studie zur Thematik der Entscheidungsunterstützung im Online-Shop-Management Juli 2011
SimProgno Studie 2011 Ergebnisse einer empirischen Studie zur Thematik der Entscheidungsunterstützung im Online-Shop-Management Juli 2011 Management Summary über 75% der Entscheider sind zufrieden mit
MehrEXASolution als Bestandteil einer BI / DWH- und Kampagnenmanagementlandschaft Ein Erfahrungsbericht aus der Praxis
EXASolution als Bestandteil einer BI / DWH- und Kampagnenmanagementlandschaft Ein Erfahrungsbericht aus der Praxis Business Apéro Exasol / SHS VIVEON, Zürich Zürich, 15. November 2011 Dr. Jörg Westermayer
MehrSeminar in der Seminarreihe Business Intelligence 1. OLAP und Datawarehousing
Seminar in der Seminarreihe Business Intelligence 1 OLAP und Datawarehousing OLAP & Warehousing Die wichtigsten Produkte Die Gliederung Produkt Bewertung & Vergleiche Die Marktentwicklung Der aktuelle
MehrHerzlich willkommen. zum Vortrag: Die otto group in Österreich. E-Commerce als Arbeitsplatz der Zukunft. 22. Januar 2014
Herzlich willkommen zum Vortrag: Die otto group in Österreich. E-Commerce als Arbeitsplatz der Zukunft 22. Januar 2014 Vortragende Mag. Harald Gutschi Sprecher der Geschäftsführung der UNITO-Gruppe Mag.
MehrDie Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link
Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link Konrad Linner, solvistas GmbH Nürnberg, 20.November 2012 Inhaltsverzeichnis Vorstellung solvistas
MehrSmart Customer MDM im Verlagswesen. Springer Science + Business Media & Uniserv GmbH Martin Faber, Christian Holtz
Smart Customer MDM im Verlagswesen Springer Science + Business Media & Uniserv GmbH Martin Faber, Christian Holtz Innovative 2014, Frankfurt Juni 2014 2 Vorstellung Springer Fakten: Umsatz 2013: ca. 943
MehrSolution for Business Intelligence. MID Insight 2013
Solution for Business Intelligence MID Insight 2013 A G E N D A 1. Solution für Business Intelligence (BI) 2. Die Gründe und Hintergründe 3. Die Methode 4. Vorteile MID GmbH 2013 2 Solution für Business
MehrBehandlungsunterstützung mittels App. Lars Erdmann, Partner, Q_PERIOR AG SAP Mobile Forum, 17. April 2013
Behandlungsunterstützung mittels App Lars Erdmann, Partner, Q_PERIOR AG SAP Mobile Forum, 17. April 2013 Agenda Hintergrund Warum eine mobile Lösung? Lösungsansatz Was sind die Vorteile? Technische Umsetzung
MehrBusiness Intelligence Praktikum 1
Hochschule Darmstadt Business Intelligence WS 2013-14 Fachbereich Informatik Praktikumsversuch 1 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 14.10.2013 Business Intelligence Praktikum
MehrDIE DATEN IM ZENTRUM: SAS DATA MANAGEMENT
DIE DATEN IM ZENTRUM: SAS DATA RAINER STERNECKER SOLUTIONS ARCHITECT SAS INSTITUTE SOFTWARE GMBH Copyr i g ht 2013, SAS Ins titut e Inc. All rights res er ve d. NEUE WEGE GEHEN SAS DATA GOVERNANCE & QUALITY
MehrBI WIKI START-UP YOUR DWH PARTIZIPATIVE BI IM ZEITALTER VON BIG DATA
BI WIKI START-UP YOUR DWH PARTIZIPATIVE BI IM ZEITALTER VON BIG DATA Agenda VORSTELLUNG B.TELLIGENT WIE ENTSTEHT EINE KENNZAHL? WAS SIND METADATEN? AUFBAU UND FUNKTIONSWEISE DES BI WIKI LIVE DEMO ZUSAMMENFASSUNG
MehrDie Realtime Big Data Architektur @ OTTO im Kontext von Process Excellence
Die Realtime Big Data Architektur @ OTTO im Kontext von Process Excellence Conny Dethloff Bonn, 28. Januar 2015 Process Excellence im Kontext Big Data bedeutet, Komplexität in internen Prozessen nicht
MehrWindows Azure für Java Architekten. Holger Sirtl Microsoft Deutschland GmbH
Windows Azure für Java Architekten Holger Sirtl Microsoft Deutschland GmbH Agenda Schichten des Cloud Computings Überblick über die Windows Azure Platform Einsatzmöglichkeiten für Java-Architekten Ausführung
MehrProfil Andy Sydow. Persönliche Daten. Profil. Profil Andy Sydow. Deutsch, Englisch (gut) Fachinformatiker für Anwendungsentwicklung
Profil Andy Sydow Persönliche Daten Nationalität Sprachen Abschluss deutsch Deutsch, Englisch (gut) Fachinformatiker für Anwendungsentwicklung Profil Herr Sydow verfügt über mehrjährige Erfahrung als DWH/BI
MehrAgile DWH Modellierung mit Data Vault. Alexander Blech Matthias Wendt 2015-04-15
Agile DWH Modellierung mit Data Vault Alexander Blech Matthias Wendt 2015-04-15 Agile DWH Modellierung mit Data Vault Agenda OSP Dresden und die Ottogroup Data Vault Theorie DV im Einsatz für die Hermes
MehrErfahrungsbericht Agile Entwicklung einer BI Anwendung für das Meldewesen
Erfahrungsbericht Agile Entwicklung einer BI Anwendung für das Meldewesen Thomas Löchte Geschäftsführer Informationsfabrik GmbH Wir produzieren INFORMATION. Konzeption und Architektur Implementierung [ETL,
MehrProjekt Weblog :: Integration
Projekt Weblog :: Integration Die Implementation des Formhandling Frameworks wird nun im Projekt Weblog integriert. Dafür stehen 2 Möglichkeiten zur Auswahl. Sie haben Ihre eigene Implementation der Actions,
MehrModel Driven SOA Modellgetriebene Entwicklung von SOA Anwendungen. OOP München, 26.01.2011
Model Driven SOA Modellgetriebene Entwicklung von SOA Anwendungen OOP München, 26.01.2011 I N H A L T 1. SOA das erste Projekt 2. Prozesse Ergebnisse aus dem Fachbereich 3. Der Business Analyst und BPMN
MehrInspiration und Bedarfsweckung: Die Rolle von Papier in der E-Commerce- Welt bei Otto. Alexander Voges
Inspiration und Bedarfsweckung: Die Rolle von Papier in der E-Commerce- Welt bei Otto Alexander Voges München, 20. November 2014 Agenda A. B. C. Die Otto Group: Weltweit #1 in Fashion & Lifestyle E-Commerce
MehrVon Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15
9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics
MehrBusiness Intelligence Praktikum 1
Hochschule Darmstadt Business Intelligence SS 2014 Fachbereich Informatik Praktikumsversuch 1 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 07.05.2014 Business Intelligence Praktikum
MehrETL in den Zeiten von Big Data
ETL in den Zeiten von Big Data Dr Oliver Adamczak, IBM Analytics 1 1 Review ETL im Datawarehouse 2 Aktuelle Herausforderungen 3 Future of ETL 4 Zusammenfassung 2 2015 IBM Corporation ETL im Datawarehouse
MehrStrategie und Self Service BI im Unternehmen. Gegensätze miteinander kombinieren
Strategie und Self Service BI im Unternehmen Gegensätze miteinander kombinieren Claas Planitzer Düsseldorf Juni 2015 Agenda 5. Herausforderungen 1. Idealbild 2. Realität 3. Self Service 4. BI. Was ist
MehrDATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle
DATA WAREHOUSE Big Data Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen aus Unternehmens- Daten ziehen! Datenmengen, Performance und Kosten Daten als Geschäftsmodell
MehrTRACK II Datenmanagement Strategien & Big Data Speicherkonzepte BI Operations Erfolgsfaktoren für einen effizienten Data Warehouse Betrieb
9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics
MehrÜber uns Everywhere commerce everywhere delivery
Über uns Everywhere commerce everywhere delivery Ein nahtloses, kanalübergreifendes Einkaufserlebnis das ist die Herausforderung für vorausschauende Omnichannelretailer. Dazu brauchen Händler einen Partner,
MehrPräsentation der Bachelorarbeit
Präsentation der Bachelorarbeit Einrichtung einer BI-Referenzumgebung mit Oracle 11gR1 Jörg Bellan Hochschule Ulm Fakultät Informatik Institut für Betriebliche Informationssysteme 15. Oktober 2009 Agenda
MehrDer sd&m-ansatz für serviceorientierte Architektur Quasar Enterprise
Der sd&m-ansatz für serviceorientierte Architektur Quasar Enterprise A Company of Prof. Dr. Bernhard Humm OOP 2006 sd&m Developer Day München, 18. Januar 2006 sd&m AG, 18.1.2006, Seite 1 Anwendungslandschaften
MehrData Mining Standards am Beispiel von PMML. Data Mining Standards am Beispiel von PMML
Data Mining Standards am Beispiel von PMML Allgemeine Definitionen im Data Mining Data Mining (DM) Ein Prozess, um interessante neue Muster, Korrelationen und Trends in großen Datenbeständen zu entdecken,
MehrAdlerblick So gewinnen Sie einen Überblick über ein DWH Dr. Andrea Kennel InfoPunkt Kennel GmbH CH-8600 Dübendorf Schlüsselworte Einleitung
Adlerblick So gewinnen Sie einen Überblick über ein DWH Dr. Andrea Kennel InfoPunkt Kennel GmbH CH-8600 Dübendorf Schlüsselworte DWH Projekt, Methodik, Stärken und Schwächen, Übersicht, Weg der Daten,
MehrDie Rolle von Print im OTTO Media-Mix
Die Rolle von Print im OTTO Media-Mix Alexander Voges Friedrichshafen, 13. Juni 2015 Agenda A. Die Otto Group: Weltweit #1 in Fashion & Lifestyle E-Commerce B. OTTO: Das Flaggschiff der Otto Group C. Die
MehrData Integration and ETL with Oracle Warehouse Builder
Oracle University Kontakt: +43 (0)1 33 777 401 Data Integration and ETL with Oracle Warehouse Builder Dauer: 5 Tage Lerninhalte Die Teilnehmer lernen, wie sie Mappings oder Prozessflüsse zum Laden von
MehrMarketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch
Marketing Intelligence Architektur und Konzepte Josef Kolbitsch Manuela Reinisch Übersicht Mehrstufiges BI-System Architektur eines Data Warehouses Architektur eines Reporting-Systems Benutzerrollen in
MehrStrategisches Informationsmanagement auf Basis von Data Warehouse-Systemen
Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen SAS PharmaHealth & Academia Gabriele Smith KIS-Tagung 2005 in Hamburg: 3. März 2005 Copyright 2003, SAS Institute Inc. All rights
MehrDas generierte Data Warehouse
Das generierte Data Warehouse DOAG BI Konferenz 2012 Gregor Zeiler BASEL BERN LAUSANNE ZÜRICH DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR. HAMBURG MÜNCHEN STUTTGART WIEN 1 Erwartungshaltungen und Hoffnungen
MehrUnsere LEistungen auf einen Blick
Everywhere COMMERCE Unsere LEistungen auf einen Blick STAR COOPERATION Seit der Gründung im Jahr 1997 bündelt die STAR COOPERATION mit ihren Geschäftsfeldern Consulting & Business IT, Engineering & EE-Solutions
MehrMaximieren Sie Ihr Informations-Kapital
Maximieren Sie Ihr Informations-Kapital Zürich, Mai 2014 Dr. Wolfgang Martin Analyst, Mitglied im Boulder BI Brain Trust Maximieren des Informations-Kapitals Die Digitalisierung der Welt: Wandel durch
Mehrgood. better. outperform.
good. better. outperform. Analytic mit Oracle BI relational oder besser multidimensional? 8. Oracle BI & DWH Konferenz, 20.03.2013 Dirk Fleischmann Director Business Intelligence & DWH Business Intelligence
MehrLeistungssteuerung beim BASPO
Leistungssteuerung beim BASPO Organisationsstruktur Advellence die Gruppe. Advellence Consulting Advellence Solutions Advellence Products Advellence Services HR-Migrator & albislex powered byadvellence
MehrAutomatisierungsarchitekturen für das Smart Grid Am Beispiel der OPC UA und der IEC 61970. Dr.-Ing. Mathias Uslar, Sebastian Rohjans
Automatisierungsarchitekturen für das Smart Grid Am Beispiel der OPC UA und der IEC 61970 Dr.-Ing. Mathias Uslar, Sebastian Rohjans 2 OPC Foundation Vision: OPC-Technologien sollen überall dort zur Interoperabilitäts-Basis
MehrArchivieren im heterogenen Umfeld
Das SER-Archiv als Informationsbasis der täglichen Arbeit Hamburg, 14.11.2014 1 Agenda 1 Das Umfeld Otto Group und Archivierung 2 Das perfekte Archiv Anwender, Archivierung, System 3 Ausblick DOXiS4 2
MehrSkills. Inhalt: 1. Toolübersicht S.1 2. Technologien und Sprachen S.1 3. Projekte S.2 4. Diplom, Zertifikate und Teilnahmebestätigungen S.
Sebastian Donath www.sento-it.de Email: sebastian.donath@sento-it.de Skills Sebastian Donath Genossenschaftsstr. 29 12489 Berlin Nationalität: Deutsch Berufe: Diplom Ingenieur (BA) Informatik, Energieelektroniker
MehrAgile BI mit Agile BI Modeler & Agile Scorecard
Agile BI mit Agile BI Modeler & Agile Scorecard Business Intelligence - so einfach wie möglich - so komplex wie nö7g Jon Nedelmann Darmstadt, 26.10.2012 Agile BI Tools Agile BI Modeler Ist eine Web- Anwendung
MehrBig-Data-Technologien - Überblick - Prof. Dr. Jens Albrecht
Big-Data-Technologien - Überblick - Quelle: http://www.ingenieur.de/panorama/fussball-wm-in-brasilien/elektronischer-fussball-smartphone-app-helfen-training Big-Data-Anwendungen im Unternehmen Logistik
MehrDie Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com
Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen
MehrOpen Source BI 2009 Flexibilität und volle Excel-Integration von Palo machen OLAP für Endanwender beherrschbar. 24. September 2009
Open Source BI 2009 Flexibilität und volle Excel-Integration von Palo machen OLAP für Endanwender beherrschbar 24. September 2009 Unternehmensdarstellung Burda Digital Systems ist eine eigenständige und
MehrO-BIEE Einführung mit Beispielen aus der Praxis
O-BIEE Einführung mit Beispielen aus der Praxis Stefan Hess Business Intelligence Trivadis GmbH, Stuttgart 2. Dezember 2008 Basel Baden Bern Lausanne Zürich Düsseldorf Frankfurt/M. Freiburg i. Br. Hamburg
MehrProzessunterstützung durch BPR-, BPM- und Workflow-Systeme
Prozessunterstützung durch BPR-, BPM- und Workflow-Systeme 27. April 2004 München Brigitte Stuckenberger Business Process Management verbindet technische und fachliche Sicht auf Geschäftsprozesse Unternehmensberatungen,
MehrStrategische Begleitung komplexer Multi-Channel Projekte in der Praxis
Strategische Begleitung komplexer Multi-Channel Projekte in der Praxis DI Helmut Mader Country Manager AT/DE Netconomy GmbH Graz Wien Zürich NETCONOMY Software & Consulting GmbH Hilmgasse 4, A-8010 Graz
MehrDie Realtime Big Data Architektur @ OTTO
Die Realtime Big Data Architektur @ OTTO Conny Dethloff Hamburg, 22. Mai 2014 Weg vom»denken in BI-Anwendungen«hin zum»denken in fachlichen Use Cases«. Anliegen des heutigen Dialogs Über mich Inhalt des
MehrMobile Backend in der
Mobile Backend in der Cloud Azure Mobile Services / Websites / Active Directory / Kontext Auth Back-Office Mobile Users Push Data Website DevOps Social Networks Logic Others TFS online Windows Azure Mobile
Mehr2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung
2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung Reporting, Analyse und Data Mining André Henkel, initions AG 22. und 23. Oktober 2013 in Hamburg
MehrBI around the world - Globale Reporting Lösungen bei Continental Automotive
BI around the world - Globale Reporting Lösungen bei Continental Automotive Stefan Hess Trivadis GmbH Stuttgart Herbert Muckenfuss Continental Nürnberg Schlüsselworte: Oracle BI EE, Business Intelligence,
MehrBI vision 2015 Customer Experience Management Reporting mit SAP BusinessObjects. 23.04.2015 / Rainer Dewes / Vodafone GmbH
BI vision 2015 Customer Experience Management Reporting mit SAP BusinessObjects 23.04.2015 / Rainer Dewes / Vodafone GmbH Inhalt Vodafone GmbH CEM Reporting CEM in der Praxis CEM in der Zukunft Vodafone
MehrUnsere LEistungen auf einen Blick
Everywhere COMMERCE Unsere LEistungen auf einen Blick Werte schaffen und Werte leben Von der ersten Idee über die Planung und Realisierung bis hin zu Betreuung und Optimierung bieten wir einen ganzheitlichen
Mehr