Agenda

Jahrhundert-Chance: KI„Jahrhundert-Chance: KI“ ist eine interaktive Keynote, die einen kompakten Überblick über den aktuellen Stand der Künstlichen Intelligenz weltweit gibt – mit frischen Einblicken aus dem Silicon Valley, China und Europa. Anhand konkreter Beispiele werden Anwendungsmöglichkeiten von KI in Unternehmen, im Alltag sowie ihre sozialen Auswirkungen beleuchtet. Zudem zeigt die Keynote, wie KI Medizin und Gesundheit verändert und bietet persönliche Einblicke in die zugrunde liegenden Technologien – verständlich, inspirierend und praxisnah.

Fußballfans sind heute vielfältiger denn je darin, wie sie dem Sport folgen und Medien konsumieren. Für die Bundesliga, die nicht nur mit anderen Ligen, sondern mit der gesamten digitalen Medienlandschaft konkurriert, ist es längst kein Nice-to-have mehr, den Fan in den Mittelpunkt zu stellen. In diesem Breaktalk gewährt Uwe Vocks Einblicke in den MarTech-Stack, der die Fan-Engagement-Strategie der Bundesliga antreibt. Er zeigt, wie Zero- und First-Party-Daten für personalisierte Fanansprache kombiniert werden und wie dabei der Fan Data Lake der Bundesliga sowie Tealium als Customer Data Platform eingesetzt werden. Die Session beleuchtet außerdem, wie Predictive Attribute Modeling und Audience Segmentation eine präzisere und skalierbare Personalisierung ermöglichen und wie sich Datensignale in Erlebnisse übersetzen lassen, die wirklich relevant sind. Sie liefert eine praxisnahe Blaupause, um Fan- bzw. Customer Centricity erfolgreich umzusetzen.

Was wäre, wenn die größte Hürde für Enterprise AI nicht Deine Daten, Dein Budget oder Dein Team wäre – sondern die Plattform selbst? Die Unternehmen, die heute mit AI erfolgreich sind, haben nicht die meisten Engineers. Es sind die, die die Reibung zwischen ihren Daten und ihrer Intelligenz beseitigt haben. In dieser Session durchbrechen wir den Lärm rund um den AI-Hype und zeigen Dir, wie Enterprise AI aussieht, wenn sie wirklich funktioniert. Wir demonstrieren, wie jedes Team – von Business Analysten bis zu Data Engineers – AI-Anwendungen direkt auf ihren Daten entwickeln, deployen und steuern kann, ohne Daten zu bewegen, ohne unnötige Komplexität und ohne Kompromisse. Was Du erleben wirst: 1) Von der Frage zur Aktion: Wie natürliche Sprache komplexe Abfragen ersetzt – und wie AI nicht nur Antworten liefert, sondern proaktiv die wirklich relevanten Insights aufzeigt. 2) Entwicklung in AI-Geschwindigkeit: Wie moderne Datenteams in Minuten statt Monaten von der Idee zur funktionierenden AI-Anwendung gelangen. 3) Governance ohne Overhead: Warum Enterprise AI nur dann skalierbar ist, wenn Sicherheit, Vertrauen und Kostenkontrolle von Anfang an integriert sind – und nicht erst nachträglich ergänzt werden. Für wen ist die Session geeignet? Egal, ob Du als Data Leader Deine AI-Strategie gestaltest, als Engineer schneller vorankommen möchtest oder als Business Stakeholder es leid bist, Tage auf Insights zu warten – diese Session zeigt Dir, dass Enterprise AI nicht kompliziert sein muss.

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.

In diesem Vortrag geben wir Einblicke in die Datenreise bei SPAR und zeigen, wie wir datengetriebenes Arbeiten im Unternehmen neu denken. Dabei beleuchten wir, wie aus isolierten Datenquellen eine vernetzte Datenlandschaft entsteht, welche organisatorischen und technologischen Veränderungen dafür notwendig waren. Anhand konkreter Beispiele zeigen wir, wie aus Daten echter Mehrwert entsteht, und welche Learnings wir auf diesem Weg mitgenommen haben.

Unternehmen investieren in Daten, KI und digitale Tools – doch die Wirkung hängt von einer tatsächlichen Verhaltensänderung bei den Mitarbeitenden ab. In diesem Beitrag erläutert Julia Pogorzelski, User Adoption Expert bei WACKER, was Benutzerakzeptanz wirklich bedeutet – nicht nur die Einführung von Tools, sondern eine menschenzentrierte Förderung von Bewusstsein, Fähigkeiten und nachhaltiger Nutzung. Sie erfahren, wie Sie den Erfolg messen, KPIs an den Akzeptanzergebnissen ausrichten und Ängste und psychologische Biases angehen können, die die digitale Akzeptanz behindern. Anhand realer Fälle, wie der Einführung von MS Copilot, erleben Sie, wie die Prinzipien von User Adoption zielgerichtet eingesetzt werden und dadurch Kompetenz, Transformation und Kultur gefördert werden.

Fokus auf den echten ROI der KI-Transformation und strategische Priorisierung anhand von simplen Case Studies oder Expertenrunden.

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.

Podiumsdiskussion und Publikums-Q&A. Diskussion über die Entscheidung zwischen Eigenentwicklung, Kauf und Kooperation mit Fokus auf Datensouveränität und DSGVO.

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.