Agenda

KI-Governance wird oft als notwendige Compliance-Übung gesehen – dabei ist sie der Schlüssel, um KI rechtssicher, transparent und skalierbar in die Organisation zu bringen. In dieser Session zeigen wir, wie Governance vom gefühlten Bremsklotz zum praktischen Wettbewerbsvorteil wird: Die rechtlichen und technischen Herausforderungen sind real, aber mit einem systematischen Vorgehen gut beherrschbar.Nach einer kurzen Einordnung der wichtigsten Governance-Dimensionen (u. a. EU AI Act, Datenschutz, Arbeitsrecht/Betriebsrat, IT-Sicherheit, Verträge, Dokumentation) gehen wir bewusst weg von der Theorie und in einen konkreten Deep Dive: anhand eines HR-Use-Cases (z. B. KI-gestützte Bewerberauswahl), der schnell in den Bereich „Hochrisiko“ fallen kann. Sie erfahren, wie Risikoklassifizierung und Betreiberpflichten aussehen – und vor allem, wie sich Anforderungen wie Human Oversight, Transparenz, Dokumentation sowie Datenschutz- und Security-Maßnahmen technisch sauber vorbereiten und umsetzen lassen.Im Anschluss ist Zeit für Diskussion und konkrete Fragen aus dem Publikum. Sie nehmen eine klare, anwendbare Logik mit: Use Case bewerten → Risiken einordnen → Pflichten ableiten → technisch und organisatorisch umsetzen – damit Governance nicht nur erfüllt wird, sondern Vertrauen schafft und KI verantwortbar skaliert.

Daten & AI sind heute mehr als Technologie, vielmehr haben sie sich zu einem strategischen Wachstumstreiber entwickelt. Dieser Vortrag zeigt, wie die intelligente Nutzung von Daten Unternehmen schneller, effizienter und erfolgreicher macht. Er beleuchtet, warum moderne Datenarchitekturen und leistungsfähige Data Products oft die unsichtbaren Helden von Data-&-AI-Strategien sind, wie eine aktiv gelebte Data Culture datengetriebenes Handeln im gesamten Unternehmen verankert und wie Data & AI konkret in messbaren Business Value übersetzt werden, mit direkter Wirkung auf Ergebnis, Wachstum und Wettbewerbsfähigkeit.

Daten entscheiden. Aber wer darf sie sehen? In vielen Unternehmen lautet die ehrliche Antwort: die IT – und sonst kaum jemand. Dieser Vortrag ist für alle, die das ändern wollen. Ich erzähle, warum Self-Service Analytics bei uns zunächst gescheitert ist, was wir intern überwinden mussten – und wie es am Ende doch funktioniert hat. Kein technischer Deep-Dive, sondern eine ehrliche Geschichte über Daten, Verantwortung und die Frage: Wem gehören eigentlich die Erkenntnisse in deinem Unternehmen?

Der Vortrag „Schatzkarte statt Datendschungel – Organisation & Data Catalog als Erfolgsfaktor“ beginnt mit einer Reise in die Vergangenheit und die Evolution der Data und Analytics Plattform bei Weidmüller wird umrissen. Anschließend wird die gegenwärtige Organisation dargestellt und Erfolgsfaktoren bei der Realisierung benannt. Zudem wird der mit Microsoft Tools eigenständig entwickelte Data Catalog – der an den Bedarfen im Unternehmen ausgerichtet ist – vorgestellt.

This talk looks back at the fast-track implementation and activation of Amplitude Analytics at Tonies across web and app in a strong e-commerce context. Starting from the challenges of the previous analytics setup, including low trust in numbers and limited stakeholder adoption. The session shows how Tonies rolled out Amplitude in just two weeks with the right team and setup.The second half of the talk follows what happened one year since implementation, we reflect on the initial learnings, getting company buy-in before a company-wide rollout, concrete product analytics use cases and the role of integrations such as Braze. The talk shows how the Analytics platform evolved from selected use cases into a trusted analytics capability, supporting trend validation, issue identification, experimentation, and better product and customer decisions.

KI in Unternehmen ist mehr als ein neues Toolset – sie verändert Rollen, Zusammenarbeit und das Gefühl von Wertbeitrag. Diese Session rückt deshalb bewusst die Organisationsperspektive in den Mittelpunkt: Wie gelingt es, KI nicht nur technisch auszurollen, sondern kulturell und organisatorisch wirksam zu verankern?Zum Einstieg beleuchten wir den „Psychological Impact of AI": Mit zunehmender Automatisierung und KI-gestützten Entscheidungen entstehen neue Fragen nach Orientierung, Kompetenz, Sicherheit und Zusammenarbeit. Daraus leiten wir ab, was das für Führung und Organisation konkret bedeutet – von psychologischer Sicherheit und Experimentierfreude bis hin zu klaren Rollen, Kommunikation und struktureller Verankerung.Anschließend wird es konkret: Aus der Praxis eines laufenden AI Enablement Programms zeigen wir, wie organisationaler Wandel durch KI tatsächlich aussieht – nicht als Erfolgsgeschichte, sondern als ehrlicher Einblick in Entscheidungen, Widersprüche und das, was wirklich wirkt. Im Mittelpunkt stehen dabei nicht nur Rollen, Strukturen und Formate, sondern auch die zentralen Entscheidungen und Herausforderungen auf dem Weg: Wie schafft man Orientierung in einer sich schnell verändernden Technologielandschaft? Wie fördert man Experimentierfreude, ohne Steuerung und Fokus zu verlieren? Und wie gelingt es, KI-Kompetenz und neue Arbeitsweisen nachhaltig im Unternehmen zu verankern?In einem gemeinsamen Gespräch verbinden wir Organisationstheorie und Transformationspraxis als zwei gleichwertige Perspektiven: Was funktioniert in der Praxis wirklich? Welche Widerstände und Dynamiken werden häufig unterschätzt? Und welche Veränderungen zeigen sich oft erst mit zeitlicher Verzögerung – bei Teams, Führungskräften und der Organisation als Ganzes?Ideal für Führungskräfte, HR/People-Teams, Transformationstreiber:innen und alle, die KI nicht nur einführen, sondern Menschen und Organisation erfolgreich durch den Wandel führen wollen.

For over a decade, organizations have pursued data democratization with varying degrees of success. While traditional BI tools laid the groundwork, the rapid emergence of Agentic AI is now reshaping what is possible, moving us from static reporting to active, intelligent conversation.
In this session, Veezoo and BMW Group explore what this shift looks like in practice, drawing on BMW Group's real-world experience moving beyond dashboards toward an agentic analytics approach. We will look at what drives genuine adoption, how governance and trust scale alongside broader access, and what changes when every team in the organization can finally talk to their data without waiting for a report.

Daten sind die Grundlage für fundierte Entscheidungen – gleichzeitig steigen die Anforderungen an Performance, Skalierbarkeit und Datensouveränität. Unternehmen bewegen sich im Spannungsfeld zwischen leistungsfähiger Analytics, steigenden Cloud-Kosten und wachsenden Compliance-Vorgaben.Wie lassen sich schnelle Insights gewinnen, ohne die Kontrolle über sensible Daten zu verlieren? Und welche Rolle spielen dabei europäische Cloud- und Datenplattformen?Anhand von Beispielen zeigen wir auf, wie sich moderne Analytics-Anforderungen mit Datensouveränität verbinden lassen – von Echtzeitanalysen bis hin zu regulatorisch sensiblen Szenarien. Dabei stehen konkrete Ansätze im Fokus, um Daten effizient zu nutzen und gleichzeitig die Hoheit darüber zu behalten.

Data Products as the Foundation for AI-Driven Value Creation

Im Dialog mit Ihnen und Controlware Service-Entwickler*innen. Die Integration von Künstlicher Intelligenz in Organisationen ist kein rein technisches Projekt – sie ist ein tiefgreifender Veränderungsprozess, der Menschen, Strukturen und Kulturen gleichermaßen berührt. Welche Hürden begegnen uns? In der Praxis zeigen sich vielfältige Hindernisse: fehlende souveräne digitale Infrastruktur, unklare Datenschutzvorgaben, mangelndes Vertrauen in KI-gestützte Entscheidungen sowie Unsicherheiten bei Mitarbeitenden über Rollenveränderungen und Jobsicherheit. Häufig fehlt auch eine klare Strategie, die technische Möglichkeiten mit konkreten Mehrwerten verbindet. Welche Perspektiven müssen wir einbeziehen? Eine erfolgreiche Einführung erfordert den Blick aus verschiedenen Richtungen: die Führungsperspektive mit strategischer Verantwortung, die Mitarbeitendenperspektive mit Fokus auf Akzeptanz und Qualifizierung, die ethische Perspektive hinsichtlich Fairness und Transparenz sowie die Kundenperspektive, die Vertrauen und Nutzen in den Mittelpunkt stellt. Dieser Erfahrungsaustausch bietet Raum, offen über Herausforderungen zu sprechen, voneinander zu lernen und gemeinsam realistische Wege zu entwickeln – jenseits von Hype und Skepsis. Denn gelungene KI-Nutzung entsteht nicht durch Technologie allein, sondern durch Menschen, die sie bewusst und verantwortungsvoll gestalten.

Teams haben in Lakehouses, Pipelines und Dashboards investiert. Dennoch bleibt das Vertrauen in Daten gering. Analyst:innen duplizieren weiterhin Logik. AI-Systeme haben Schwierigkeiten, auf unvollständigem Kontext zu agieren. Die Ursache ist einfach: Der Semantic Layer hat nicht Schritt gehalten. Diese Session zeigt, wie fragmentierte Definitionen und isolierte Logik sowohl Analytics als auch AI ausbremsen. Anschließend wird ein einheitlicher Semantic Layer vorgestellt, der alle Datenquellen ohne Duplikation verbindet. Basierend auf einer offenen Architektur bringt dieser Layer konsistente Bedeutung in jede Abfrage, jedes Modell und jede Anwendung. Wenn Semantik geteilt wird, werden Daten vom Engpass zur verlässlichen Grundlage für Entscheidungen. Takeaways: 1) Warum Semantic Drift versteckte Data Debt erzeugt. 2) Wie mangelnder Kontext AI-Ergebnisse schwächt. 3) Wo der Semantic Layer in einer modernen Architektur verankert sein sollte. 4) Wie sich wiederverwendbare, governance-konforme Geschäftslogik skalierbar aufbauen lässt.

Datenmodellierung ist oft abhängig von Erfahrung, Kontextwissen und vielen manuellen Schritten. KI kann diesen Prozess sinnvoll unterstützen. In diesem Talk zeige ich in einer Live-Demo von Anfang bis Ende, wie KI-Agenten den Weg von der fachlichen Anforderung bis zur Datenabfrage im DWH-Prozess unterstützen. Sie sehen: 1) ... wie aus einer fachlichen Beschreibung und bestehenden Quelldatenmodellen direkt ein Data Vault Modell entsteht. 2) ... wie das Modell per MCP Server regelkonform, konsistent und nachvollziehbar auf der Datenbank umgesetzt wird. 3) ... wie Daten per natürlicher Sprache abgefragt werden können – ohne SQL-Kenntnisse. Das Model Context Protocol (MCP) verbindet KI-Agenten direkt mit Modellierungswerkzeugen und Datenbanken. So wird aus einem Chatbot ein echter Arbeitsassistent. Eines vorweg: KI übernimmt das Handwerk. Die Architekturentscheidungen bleiben (noch) beim Menschen. Erleben Sie eine Live-Demo auf Basis von Datavault Builder und Database MCP Servern.

KI rennt uns allen davon, doch wir frickeln noch an den Daten rum. Claudia Pohlink gibt Antworten aus dem Maschinenraum: dort, wo Datenqualität, Governance und operative Realität darüber entscheiden, ob KI-Projekte skalieren oder scheitern. Sie zeigt, wie ein klassisches Logistikunternehmen den Weg von der Datenstrategie zur messbaren KI-Wertschöpfung geht – mit all seinen Umwegen, Rückschlägen und echten Erfolgen. Kein Hochglanz, kein Buzzword-Bingo. Sondern Klartext und der Anti-Hype.

Achieving a precise understanding of marketing impact often means moving beyond the limitations of standardized platforms. In this session, I will share how we designed and deployed a full-scale internal attribution framework at Mytheresa. I’ll walk through our approach to connecting scattered data sources, the engineering behind our unified tracking layer, and why we prioritized full ownership of our data and processes. We’ll look at the technical architecture and the practical steps we took to build a centralized system for a complete view of the customer journey.

Wie bei vielen Unternehmen im kleineren Mittelstand war die Datenwelt bei Rameder bis Herbst 2024 eine heterogene Insellandschaft. SAP im Zentrum, mehrere Cloud-Services wie Google Analytics rund herum und einzelne - von verschiedenen Bereichen aufgebaute - Datenbanken dazwischen. Um systemübergreifende Analysen in hoher Qualität zu ermöglichen, wurde Ende 2024 die Entscheidung für eine Greenfield-Datenplattform in der Google Cloud getroffen. Der Vortrag zeigt die Plattformarchitektur und den Ansatz, wie alle Datenquellen an die neue Datenplattform angebunden werden konnten. Die größte Herausforderung war dabei die Integration von SAP BW. Zusätzlich enthielt es die meiste zu migrierende Geschäftslogik. Daher schauen wir uns dort die Details an, inkl. erstem fehlgeschlagenen Pilotprojekt und der erfolgreichen zweiten Lösung.

Self Service Analytics verspricht Geschwindigkeit und Freiheit, doch führt bei wachsendem Erfolg schnell zu Unübersichtlichkeit. Auch bei Karl Storz sorgen viele Tools und immer mehr Dashboards dafür, dass Orientierung und Vertrauen leiden. Wir zeigen unseren aktuellen Lösungsansatz: den Schritt von einzelnen Dashboards hin zu klar definierten und zertifizierten Analytics Products.

KI-Souveränität bedeutet nicht, alles selbst zu entwickeln – sondern die richtigen Entscheidungen an den richtigen Stellen zu treffen. In dieser Session zeigen wir, wie Unternehmen pragmatisch zwischen Eigenentwicklung, Zukauf und Kooperation abwägen können, um handlungsfähig zu bleiben, Abhängigkeiten bewusst zu steuern und gleichzeitig Geschwindigkeit aufzunehmen.Gemeinsam ordnen wir ein, was Unternehmen zwingend selbst beherrschen müssen (Strategie, Datenverständnis, internes Know-how und Governance), welche KI-Bausteine sich sinnvoll einkaufen lassen – und welche Risiken dabei typischerweise unterschätzt werden (Lock-in, Kosten, operative Komplexität). Abschließend beleuchten wir, wann Kooperationen (Partner-Ökosysteme, Open Source, Co-Development) der klügere Weg sind und woran man Partner erkennt, die Souveränität stärken statt neue Abhängigkeiten zu schaffen.Am Ende nehmen Sie eine klare Orientierung mit: Welche Fähigkeiten intern aufgebaut werden sollten, welche Abhängigkeiten akzeptabel sind – und wie KI-Souveränität als bewusstes „Build–Buy–Cooperate“-Modell in der Praxis funktioniert. Ideal für Entscheider:innen, Daten- und Plattformverantwortliche sowie alle, die KI strategisch sicher und zugleich umsetzungsnah verankern wollen.

KI-Systeme sind nur so gut wie die Informationen, auf deren Basis sie Entscheidungen treffen. Mit dpa-iq bauen wir eine Retrieval-Infrastruktur auf AWS und Databricks, die verifizierte Informationen & Content in Echtzeit an LLM-basierte Agenten liefert - für interne Produktteams und externe Kunden gleichermaßen. Ein Blick hinter die Kulissen: Herausforderungen, Architektur und Umsetzung einer Plattform, die als Grounding-Backbone für agentische Workflows & Produkte dient.

What happens when you combine a massive Google Cloud transformation with a simultaneous S/4 HANA migration? You get a masterclass in complexity—and a lot of lessons learned the hard way. We’re pulling back the curtain on our journey, moving beyond the slides to discuss the pitfalls of dual transformations and the "scars" we earned along the way. We focus specifically on the technical integration and strategic data usage that bridge these two worlds. From the failures that stalled us to the high-impact use cases that saved us, this is a story of heartbreak, hard work, and—eventually—a data-driven transformation that actually works.