Herausforderungen im Data Warehousing und "Fabelhafte" Ideen
Als PPTX, PDF herunterladen0 gefällt mir1,135 aufrufe
Das Dokument behandelt die Herausforderungen und Trends im Data Warehousing, insbesondere im Umgang mit unstrukturierten Daten und neuen Nutzerbedürfnissen. Es betont die Notwendigkeit intelligenterer Systeme, die sowohl die Datenqualität als auch die Benutzerfreundlichkeit verbessern sollen, um den Anforderungen neuer Anwendergruppen gerecht zu werden. Die vorgestellten Lösungen, wie Unterstützungs- anstatt Ersetzungstechnologien, zeigen Ansätze auf, um das Data Warehouse an die aktuellen Gegebenheiten anzupassen.
Herausforderungen im Data Warehousing und "Fabelhafte" Ideen
- 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