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.

In den letzten Jahren sind die Trends Agilität und Microservices sowie DevOps und Containerisierung im Bereich der Softwareentwicklung zu erkennen. Diese Trends unterstützen und fördern einander mit dem Ziel, Aufwände und damit Kosten zu senken oder neue Wege zu eröffnen. Daher wollen wir heute ein Buch vorstellen, welches einen Einblick in die derzeit populärste Containertechnologie bietet: Docker.

Docker bietet im Großen und Ganzen 4 Vorteile:
1. Heterogene Technologie-Stacks lassen sich auf einheitliche Weise installieren und betreiben.
2. Dadurch lassen sich die Arten verschiedener Hosts reduzieren (von nodeJs-Host, JavaEE-Host, Ruby-Host etc. auf Docker-Host)

3. Diese Einheitlichkeit ermöglicht es, mit Tools wie Kubernetes oder Docker-Swarm relative kostengünstig ausfallsicherere und skalierbare Cluster aufzubauen
4. Das Setup der Container-Images lässt sich über die Docker-Files sehr gut nach dem Infrastructure-as-Code-Ansatz in eine Versionsverwaltung aufnehmen

Tradeoff dieser Vorteile ist vor allem das Updatemanagement der Docker-Images und -Container.

Data Warehouse und Big Data –
Grundpfeiler eines modernen Data Hubs - Teil 2

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 zweite Teil der Serie. In diesem Artikel geht es um die Unterschiede zwischen Data Warehouse und Big Data-Lösungen.

Beide Lösungen haben durchaus Gemeinsamkeiten wie z.B. die Verwaltung großer Datenmengen und deren Verwendung im Reporting. Dennoch gibt es einige wichtige Unterschiede, die in dieser Tabelle übersichtlich dargestellt werden.