Im ersten Teil zum Thema „Modellierung und Agilität in der Praxis“ haben wir das Praxisbeispiel vorgestellt und die Phasen der Vorinitialisierung und den initialen Aufbau des Product Backlogs behandelt.

In diesem Beitrag beschreiben wir die Einsatzmöglichkeiten von Modellen für das Refinement, die Modellierung im Sprint während der Umsetzung und den Einsatz von Modellen als Unterstützung der Vorbereitung des Sprintreviews.

„Modellieren in agilen Projekten“, „agile Modellierung“, „Agilität und Modellierung – passt das zusammen?“ – zu diesen Themen sind in den vergangenen Jahren bereits viele Beiträge in unterschiedlichen Formaten von Blog-Beiträgen über Vorträge bis hin zu Publikationen in Form von Büchern etc. erschienen. Mit diesem und einem folgenden Blogbeitrag werden wir uns daher nicht mit der grundsätzlichen Frage über die sinnvolle Nutzung der Modellierung in agilen Projekten beschäftigen, sondern an einem Fallbeispiel zeigen, wann eine Modellierung sinnvoll eingesetzt werden kann, was in den beschriebenen Szenarien mit einem Modell bezweckt werden soll und welches Modell jeweils konkret geeignet ist, um das mit dem Modell verbundene Ziel zu erreichen.

Wir möchten darstellen, dass Modelle nicht nur während der Umsetzungsphase eines Projekts sinnvoll eingesetzt werden können, sondern alle Phasen, beginnend mit Planungsaktivitäten bis hin zum Review eines agilen Sprints, unterstützen und Mehrwert generieren. Dieses Vorgehen wird bereits in erfolgreich abgeschlossenen und laufenden Projekten eingesetzt.

In diesem Blogbeitrag wird ein Fallbeispiel in vereinfachter Form dargestellt. Außerdem behandeln wir die frühen Phasen mit Projektinitialisierung, Product-Backlog-Verwaltung und -Pflege.

Der zweite Beitrag behandelt das Refinement, die Modellierung im Sprint während der Umsetzung und den Einsatz von Modellen als Unterstützung der Vorbereitung des Sprintreviews.

Im abschließenden Fazit treffen wir eine generelle Einschätzung darüber, in welchen Fällen Modelle effizient eingesetzt werden können.

In einem vorangegangenen Blogbeitrag beschäftigten wir uns mit  der Digitalisierung und dem daraus folgenden Change-Management  bzw.  der erklärten  „Verpflichtung zum Wandel“ durch die Geschäftsführung.  

Auch in der Digitalisierung steht  das Wachstum des Unternehmens im Mittelpunkt, um schnell Skalen- und Netzwerkeffekte zu nutzen.  Um dies  in der  Digitalisierung  weiter zu gewährleisten, steht  das Lernen  und die Anwendung des Gelernten  durch die Mitarbeiter im Mittelpunkt  –  vorgelebt durch die Geschäftsführung.  

Bereits seit vielen Jahren hat die MID GmbH Kooperationen mit verschiedenen Hochschulen und unterstützt dadurch die Studenten und Professoren mit kostenfreien Software-Versionen, Workshops und Vorträgen.

Auch die Hochschule Pforzheim konnte wieder durch das Wissen und die Erfahrung profitieren, in dem MID-Geschäftsführer Andreas Ditze den Studenten die UML-Modellierung mit aller Leidenschaft näher brachte.

Anwendungsfälle wurden mit Hilfe des Innovators durchgespielt, analysiert und verbessert.

Veränderungen sind heutzutage ein ständiger Begleiter eines jeden Unternehmens. Hervorgerufen durch die Digitalisierung und Automatisierung müssen sie immer häufiger und schneller bewältigt werden. Gab es 2012 durchschnittlich noch weniger als zwei große Veränderungen pro Jahr in Unternehmen, so sind es mittlerweile drei, Tendenz steigend. Durch diese Wandlung ist die Transformationsfähigkeit, und damit das Change-Management, sowie das Erkennen von neuen Trends ein essenzieller Bestandteil bei der Bewältigung der Digitalisierung. Ziel sollte eine permanente Transformation des Unternehmens sein, welche oft eine agile Vorgehensweise voraussetzt. Diese muss von der Unternehmensleitung vorgelebt und etabliert werden. Im folgenden Beitrag wollen wir nun aufzeigen, wie dies aus Sicht der Geschäftsführung geschehen kann . Im nächsten Blogbeitrag befassen wir uns mit Maßnahmen zur Entwicklung des Unternehmens und der Mitarbeiter.

Das Global Scrum Gathering ist die führende Konferenz für alle „Scrummies“ weltweit. Und so habe nicht nur ich und einige weitere MID Kollegen Ende Oktober den Weg nach Wien gefunden, sondern auch über 900 andere Teilenehmer aus der ganzen Welt. Damit ist dieses Gathering das bisher größte in Europa. Beeindruckend!
Die Konferenzsäle der Messe Wien waren drei Tage lang das Zentrum der „agilen Bewegung“ und das konnte man wirklich an der Begeisterung, Offenheit und der Einstellung der Teilnehmer spüren.
Eine solch große Veranstaltung kann man natürlich selbst auch nur in Ausschnitten erfahren, da vieles parallel stattfindet und man sich für eigene Interessenschwerpunkte entscheiden muss. In diesem Blogbeitrag deswegen auch nur ein Blick auf ein paar ausgewählte Vorträge bzw. Workshops.
Darüber hinaus gab es zahlreiche „Tracks“ mit unterschiedlichen Themenschwerpunkten, einige davon zu den Themen:

• Enterprise Agility
• Environmental Safety
• Radical Innovation
• Technical Excellence

So, genug der Vorrede, hier jetzt also die Themen aus denen ich am meisten an Wissen ziehen konnte.

Daten über Daten über Daten

“The value of an idea lies in the using of it.”

Thomas A. Edison

Große Mengen Daten werden übereifrig gesammelt, aber wertschöpfend eingesetzt wird oftmals nur ein kleiner Anteil aller verfügbaren Daten. So viel Potenzial bleibt bisher ungenutzt, obwohl es sich kaum einer erlauben kann, vor Themen wie Big Data, Machine Learning, Data Science, KI und weiteren neuen Technologien die Augen zu verschließen. Ursachen dieses Phänomens sind die fehlenden Fähigkeiten, Daten zu verstehen und diese als Kapitalanlage systematisch zu nutzen.

US-Studien zeigen einerseits, dass Unternehmen unzureichend auf Herausforderungen im Umgang mit Daten vorbereitet sind, andererseits wird mangelnde Datenkompetenz („Data Literacy“) mit als größte Hürde einer erfolgreichen Data Management Strategie eingestuft.

von Branimir Karacic

Der Unternehmer und Autor Frank Martin Püschel erzählt in seinem Buch „Radical Change“ von seinem neu entwickelten Wirtschaftskonzept TRI-MONY, welches zum Ziel hat, die scheinbare Kluft zwischen Profitmaximierung und Nachhaltigkeit zu überwinden.

Künstliche Intelligenz oder irgendwas mit neuronalen Netzen

Künstliche Intelligenz hat es als Gesprächsstoff inzwischen sogar in die Politik und in die Feuilletons der Zeitungen geschafft, wo insb. die gesellschaftlichen Auswirkungen dieser neuen Technologien diskutiert werden. Da häufig neuronale Netze eine beliebte Technologie sind, mit denen künstliche Intelligenz erklärt wird, bleibt bei den Lesern das Bild eines nachprogrammierten Gehirns haften, was entsprechende Emotionen wie Angst oder Ungewissheit weckt.

Dabei sind neuronale Netze nur ein Ansatz für das sogenannte maschinelle Lernen (Englisch: Machine Learning). Hierbei lernt ein Algorithmus aus Beispielen, also historischen Daten, und kann diese nach Beendigung der Lernphase verallgemeinern, und damit auf neue, unbekannte Daten wieder anwenden. Dabei werden oft auch schon seit Jahrhunderten bekannt statistische Verfahren wie z.B. die lineare Regression angewendet.

Neben der eigentlichen Extraktion, Aufbereitung und Analyse der Daten bietet maschinelles Lernen die Möglichkeit, Zusammenhänge zwischen den Daten in Algorithmen auszudrücken und zu nutzen. Die Vorteile maschinellen Lernens gegenüber von Menschen programmierten Algorithmen werden mit der derzeitigen Entwicklung der Datenquellen in den Unternehmen begünstigt. Im Big-Data-Zeitalter stehen Unternehmen in Qualität und Quantität ausreichend Daten zur Verfügung, um diese zu analysieren und algorithmische Zusammenhänge sicher zu erkennen.

Data Warehouse und Big Data –
Grundpfeiler eines modernen Data Hubs - Teil 3

Unter dem Motto – „Data Warehouse und Big Data – Grundpfeiler eines modernen Data Hubs“ – stellen wir Ihnen hier diese beiden Lösungen vor. Neben einer Gegenüberstellung der Unterschiede beider Welten, erhalten Sie auch eine Nutzendarstellung. Ziel ist es, das „Warum“ und „Wofür brauche ich welche Ansätze“, zu liefern.

Dies ist der dritte Teil der Serie. In diesem Artikel geht es um den Nutzen und die Zielrichtung von Data Warehouse und Big Data.

Die Entscheidung zur Nutzung einer klassischen DWH-Welt oder einer modernen Big Data-Welt hängt maßgeblich von der Zielrichtung ab (vgl. Abbildung 4). Im Folgenden werden unterschiedliche Zielrichtungen von beiden Welten aus dem praktischen Erfahrungsschatz vieler Kundenprojekte der Autoren diskutiert.