Vorträge nach Sprecher.

Diese Vortragsreihe hatte 2019 auf den SQLdays Premiere. Mittlerweile hat Torsten Ahlemeyer den ursprünglichen Vortrag um unzählige Knobeleien rund um das Thema T-SQL ergänzt und das Format zu vielen Gelegenheiten präsentiert. Stets geht es um bekannte Herausforderungen, die einfach erklärt und ohne Rechner problemlos zu erfassen sind - aber extrem schwierig zu lösen sind. Schon bei der Ansatzsuche geben selbst erfahrene Programmierer schnell auf, denn selbst bei kleinsten Datenmengen (bspw. eine einspaltige Tabelle mit nur 12 Datensätzen) kann die "richtige" Fragestellung zu sehr herausfordernden Abfragen führen.
Sieht man dann die Eleganz und Einfachheit der Lösung, fragt man sich oft, wieso man auf diesen Ansatz nicht selber gekommen ist. Auf diese Art sind wir in der Vorjahren Achterbahn gefahren und haben Sudoku, Poker, Schafkopf sowie Lotto gespielt.

Es hat sich herumgesprochen, dass relationale Datenbanken geeigneter als Papierstapel sind, um Daten strukturiert aufzubewahren. Doch für moderne Reportinglösungen müssen neue Konzepte her, um die Anforderungen an Geschwindigkeit und den Komfort bei Filterung und Gruppierung erfüllen zu können. Dabei gilt es ein paar Grundlagen zu beachten und Fallen zu vermeiden. Aus meinen SQL-Sessions kennt man die kleinen Knobeleien, mit denen ich mein Wissen gerne weitergebe. Das geht mit PowerBI & Co genauso spannend... mitraten erwünscht!
Warum sollte ich dieses "Sternschema" nutzen, wo ich doch erst mühsam die 5. Normalform in meiner relationalen Datenbank erreicht habe? Oder sollte es gleich das "Snowflakeschema" sein? Was ist das überhaupt und wo liegen die Unterschiede? Was genau sind die Anforderungen eines ("Self Service-") Reportingsystems an die Datenbereitstellung? Und dann gibt es doch auch noch diesen "Cube"... Ist das identisch? Fragen über Fragen... und von der "richtigen" Antwort hängt der Erfolg des Projektes ab. In dieser Thematik lässt sich viel Geld sparen oder noch mehr Geld sinnfrei versenken. Tausende Entwickler in Firmen unterschiedlicher Branche haben immer wieder dieselben Fehler gemacht... Vermeiden kann man diese, wenn man sich schon im Vorfeld Gedanken macht und sauber plant. Die Kelleretage plant man ja auch nicht erst nach dem Richtfest...

In dieser Session bekommt man einen klaren Überblick, wie moderne Datenplattformen mit SQL Server, Power BI und Microsoft Fabric aufgebaut und erweitert werden können. Es wird aufgezeigt, wie bestehende SQL-Umgebungen sinnvoll in hybride oder cloudbasierte Analytics-Architekturen integriert werden, welche Rolle Microsoft Fabric und OneLake dabei spielen und wie Daten für Reporting und Self-Service BI mit Power BI nutzbar gemacht werden. Zusätzlich werden erste Fabric-Pipelines, Datenmodelle, Governance, Security und Monitoring praxisnah eingeordnet. Ergänzend wird die Rolle von Microsoft Foundry sowie moderner Schnittstellen und MCP-Server im Kontext moderner Datenplattformen vorgestellt. Teilnehmende erhalten ein strukturiertes Bild, wie sich klassische Datenplattformen schrittweise zu modernen Analytics- und AI-Plattformen weiterentwickeln lassen.

Fast jedes Datenmodell enthält zeitbezogene Daten – ja, sogar die ohne romantische Verwicklungen. Deshalb ist der Aufbau einer sauberen Datumstabelle eine der wichtigsten (und am häufigsten übersehenen) Grundlagen eines soliden Power-BI-Modells. Während Power BI Desktop standardmäßig automatisch versteckte Datumstabellen erstellt, kann es zu Leistungsproblemen, eingeschränkter Flexibilität und unerwartetem Verhalten kommen, wenn man sich darauf verlässt. Selbst Microsoft empfiehlt, diese Funktion zu deaktivieren, sofern die Anforderungen an Zeitlogik nicht extrem einfach sind – und ehrlich gesagt sind sie das nur selten. In dieser Session führt Markus Ehrenmueller-Jensen dich durch alles, was du wissen musst, um die perfekte Datumstabelle für dein Datenmodell zu erstellen und zu pflegen. Du lernst die Nachteile automatisch erzeugter Tabellen kennen, erfährst, wann und warum man eine Tabelle als „Datumstabelle" markieren sollte, und entdeckst Best Practices für den Umgang mit mehreren Datumsfeldern in deinem Modell. Und noch besser: Du nimmst fertige, sofort einsetzbare Skripte mit, um robuste und anpassbare Datumstabellen in DAX, Power Query und SQL zu erstellen – damit du den Ansatz wählen kannst, der am besten zu deinem Workflow und deiner Umgebung passt – und alles immer auf dem neuesten Stand ist.

Power BI Desktop ist Microsofts kostenloses Tool für Self-Service-BI. Es wird jeden Monat mit spannenden neuen Funktionen aktualisiert, und Gartner hat es seit 2019 als das führende BI-Tool eingestuft (wodurch Tableau und Qlik dahinter zurückgefallen sind). In diesem ganztägigen Workshop werfen wir einen Blick auf die Möglichkeiten von Power BI Desktop im Bereich Künstliche Intelligenz. Die Funktionen reichen von einfachen Kontextmenüs bis hin dazu, sich z. B. eine Erklärung für einen Ausschlag in einem Zeitreihenwert geben zu lassen oder einen selbst bereitgestellten Azure Machine Learning Web Service einzubinden. Wir behandeln einige der folgenden intelligenten Features: • Q & A • Smart Narrative • Quick Insights • What-if-Parameter • Analytic Line • Anomalieerkennung • Datenprofiling • R- & Python-Integration • Smarte Custom Visuals • Key Influencer Visual • „Column by Example" • Decision Tree • Cognitive Services • Azure Machine Learning Die Demos zeigen sowohl No-Code-Lösungen als auch komplexe Skripte in DAX, R, Python und M. Kenntnisse in diesen Sprachen sind hilfreich, aber nicht notwendig.

In der Industrie 4.0 fallen kontinuierlich große Mengen an Ereignis- und Prozessdaten aus Robotern und SPS-Steuerungen an. Aber wie mache ich diese Daten nutzbar? Wie löse ich mit Hilfe der Daten fachliche Problemstellungen? Funktioniert mein Roboter noch wie geplant oder muss er gewartet werden? In dieser Session zeigen wir anhand eines Praxisbeispiels bei Volkswagen, wie Roboter- und SPS-Events erfasst, in Datenbanken gespeichert und für Analysen aufbereitet werden. Wir beantworten die Frage: "Wie können Daten für Optimierungen sowie Instandhaltungsprozesse genutzt werden?" Wir steigen in das fachliche Thema Störungen, TPM, technische Verfügbarkeit und Takte ein. Dann geht es um die Technik: Datenspeicherung, das schnelle Lesen und Kombinieren der Roboter-Events. Visualisiert werden die Daten mit beispielhaften Dashboards. So ermöglichen wir eine zielgerichtete Instandhaltung. Freut Euch auf einen praxisnahen Einblick in die Nutzung von Industrie-4.0-Daten und darauf, wie aus Produktionsdaten echte Verbesserungen im Shopfloor entstehen.

In dieser Session erwarten euch die Highlights und Aha-Momente aus zehn Jahren Performancetuning an einer einzigen im Unternehmen entwickelten Java-App – aus der Perspektive eines Datenbank- und Performance-Spezialisten. Entsprechend geht es hier nicht um Java-Code, jedoch um viel SQL und reale Herausforderungen, die mir und meinen Entwicklerkollegen im Betrieb begegnet sind und wie wir sie lösen konnten. Die Anwendung arbeitet mit der Hibernate Criteria API, einem populären ORM-Framework in der Java-Welt. Dieses generiert automatisch SQL – oft praktisch, aber mit wachsender Komplexität zunehmend schwer zu kontrollieren. Viele klassische Tuning-Ansätze griffen nicht mehr, und Anpassungen im Java-Code waren häufig nicht kurzfristig möglich. Ich zeige anhand echter Beispiele aus unserer Produktivumgebung, • welche Abfragen mir und meinen Entwicklerkollegen massive Probleme bereitet haben, • wie wir diese Engpässe analysiert haben, • und welche SQL-seitigen Maßnahmen – von Index-Strategien über Query-Rewrites bis hin zu pragmatischen Workarounds – am Ende wirklich geholfen haben. Statt vieler Folien gibt es vor allem Live-Demos, echte Fallstricke und konkrete Lösungswege. Der Vortrag richtet sich an alle, die DB-Performancetuning betreiben und mehr über Tuning von ORM-Applikationen lernen möchten.

Souveräne IT-Umgebungen, lokale Datenhaltung und hybride Cloud-Betriebsmodelle gewinnen zunehmend an Bedeutung. Azure Local bietet eine Plattform, um virtualisierte Workloads lokal zu betreiben und gleichzeitig ausgewählte Azure-Managementfunktionen zu nutzen.
Diese Session gibt eine praxisnahe Einführung in Azure Local: Architektur, typische Einsatzszenarien, zentrale Komponenten, Betriebsmodell und Abgrenzung zu klassischem Hyper-V, Azure VMs und Public-Cloud-Ansätzen. Dabei betrachten wir insbesondere Anforderungen rund um Datenhoheit, lokale Betriebsfähigkeit, Compliance und Integration in Azure.

Azure bietet eine stetig wachsende Plattform für relationale und nicht-relationale Datenbanken – von Azure SQL über PostgreSQL und MySQL bis hin zu Cosmos DB und Managed Instances. In dieser Session geben wir einen kompakten Überblick über aktuelle Neuerungen, wichtige Trends und praktische Einsatzszenarien rund um Datenbanken auf Azure.
Der Fokus liegt auf verständlicher Einordnung: Welche Dienste gibt es? Welche Neuerungen sind für Architektur, Betrieb, Sicherheit, Skalierung und Kosten relevant? Und welche Optionen eignen sich für typische Modernisierungs- und Migrationsszenarien?

Jeder, der mehr als einen SQL Server überwachen oder Administrieren muss, stellt sich die Frage. Hier werden einige Strategien vorgestellt um diese Frage zu beantworten. Tatsächlich wurden diese Strategien unter Anderen bei einem Kunden mit mehr als 4000 SQL Servern erfolgreich eingesetzt. Aber auch bei der Administration von (nur) 2 SQL Server können diese Strategien dem Administrator schon viel Zeit einsparen

Kurze Release-Zyklen und CI/CD sind im Analytics-Umfeld angekommen – doch mit der steigenden Liefergeschwindigkeit wächst ein bekanntes Risiko: Regressionsfehler in Power-BI-Reports werden zu spät oder gar nicht erkannt. Manuelles End-to-End-Testen aller Reportseiten ist realistisch nur alle paar Wochen möglich – aber nicht mehr bei täglichen Releases.
Genau hier setzt unser Ansatz an: Wir haben eine Lösung entwickelt, die Power-BI-Reports automatisiert in Test- und Produktionsumgebungen scannt, rendert und mithilfe von KI analysiert und vergleicht. Dabei werden nicht nur technische oder visuelle Fehler erkannt, sondern auch inhaltliche Abweichungen in Kennzahlen, inklusive Tests unter unterschiedlichen RLS-Rollen und Report-Konfigurationen.
Der Vortrag zeigt, wie sich ein solcher Ansatz sinnvoll in moderne Release-Pipelines integrieren lässt und welche Erfahrungen wir beim Einsatz von KI im Analytics-Testing gemacht haben. Neben der Vorstellung von Best Practices aus der Praxis beleuchten wir auch die Grenzen automatisierter Tests in BI-Szenarien. Abschließend stellen wir Kosten und Nutzen gegenüber: Wie stark verbessert sich die Qualität? Wo wird Entwicklerzeit eingespart? Und ab welchem Punkt lohnt sich ein automatisiertes, KI-gestütztes Testing von Power-BI-Reports tatsächlich?

Microsoft Fabric vereint Datenintegration, Transformation und Reporting in einer Plattform, stellt Teams jedoch insbesondere im Bereich Automatisierung, CI/CD und reproduzierbarer Deployments noch vor Herausforderungen, da diese Aspekte derzeit nur eingeschränkt unterstützt werden.
In diesem Vortrag präsentiere ich einen praxisnahen Ansatz zur automatisierten Bereitstellung mehrerer zusammenhängender Fabric Workspaces samt ihrer Inhalte, wie es in typischen Analytics-Szenarien üblich ist.
Anhand dieses Szenarios zeige ich, welche Teile von Microsoft Fabric heute automatisierbar sind und wo weiterhin manuelle Schritte erforderlich sind. Ein besonderer Fokus liegt auf der Frage, mit welchen Werkzeugen sich Infrastruktur und Konfiguration am robustesten, wartbarsten und skalierbarsten bereitstellen lassen. Dabei vergleiche ich die unterschiedlichen Automatisierungs- und Deployment-Ansätze – über die Fabric REST API, das Fabric CI/CD Python Package und Terraform – und diskutiere deren Stärken, Grenzen und typische Einsatzszenarien.
Da Microsoft Fabric aktuell keine Möglichkeit bietet, Lösungen lokal zu bauen oder zu validieren, zeige ich außerdem, wie sich dieses Defizit durch gezielte Deployments in isolierte Staging-Workspaces umgehen lässt, etwa zur Validierung von Pull Requests.

SQL Server unterstützt JSON schon seit 2016 – doch erst mit SQL Server 2025 wird daraus eine wirklich leistungsfähige Plattform für semi-strukturierte Daten. Neue Funktionen wie JSON_CONTAINS sowie Aggregationsfunktionen für JSON vereinfachen die Arbeit erheblich, während der native JSON-Datentyp und JSON-Indizes für bessere Performance sorgen.
In diesem praxisorientierten Vortrag zeige ich, wie diese Features zusammenspielen und welche konkreten Vorteile sich daraus ergeben. Anhand typischer Szenarien wie API-Responses, flexible Datenmodelle oder Event-Daten betrachten wir, wie sich JSON im SQL Server sinnvoll einsetzen lässt.
Der Fokus liegt auf echten Use Cases, Best Practices und der Frage: Wann ist JSON die bessere Wahl – und wann nicht?

Data Governance scheitert in der Praxis oft nicht an fehlenden Konzepten, sondern an fehlender Umsetzung im Alltag. Metadaten fehlen, Modelle sind schwer verständlich und Dokumentation wird vernachlässigt, weil zwischen all den Anfragen im Business dafür oft keine Zeit bleibt.
In dieser Session zeige ich, wie AI diesen Engpass endlich auflöst. Mit Copilot, Microsoft 365 und dem Power BI MCP Server wird es möglich, direkt im Entwicklungsprozess Governance umzusetzen statt sie nachträglich zu erzwingen.
Anhand konkreter Beispiele siehst du, wie du mit natürlicher Sprache auf dein semantisches Modell zugreifen kannst, um Modelle zu analysieren, Best Practices umzusetzen und Metadaten automatisch zu ergänzen. Der MCP Server verbindet dabei LLMs mit Power BI und ermöglicht es, Aktionen direkt im Modell auszuführen.
Zusätzlich zeige ich, wie Copilot genutzt werden kann, um Datenkataloge zu erstellen, Measure-Beschreibungen zu generieren und die Wartbarkeit von Reports nachhaltig zu verbessern.
Du lernst:
• wo Copilot direkt in Power BI unterstützt
• wo Copilot in M365 sinnvoll eingesetzt wird
• wie MCP Server als Brücke zwischen AI und deinem Datenmodell funktioniert
Das Ziel: Data Governance wird nicht mehr als Pflicht gesehen, sondern passiert automatisch, mit überschaubarem Aufwand als Teil deines Workflows.

Ich muss ehrlich sagen: Ich bin Data Engineer (DE) aus Leidenschaft, und SQL war und ist meine erste Programmiersprache!
Während meiner beruflichen Jahre im Data Wrangling habe ich verschiedene Wellen von Data-Engineering-Technologien und Hypes erlebt.
Seit Mai 2023 gibt es ein neues Analytics-Toolset auf dem Markt: Microsoft Fabric – und damit auch eine neue Art des „Data Massaging" (oder sollten wir eher Data Wrangling sagen?).
In dieser Session zeige ich dir die Möglichkeiten, Daten in Fabric zu laden, wie du deine Daten-Entitäten aufbereitest und welche Optionen sich in der Praxis als sinnvoll erwiesen haben – und welche eher nicht.
Du brauchst keine Vorkenntnisse in Microsoft Fabric; die grundlegenden Bausteine werden ebenfalls erklärt.
Nach dieser Session sollten wir ein besseres Verständnis der verschiedenen Data-Engineering-Optionen in Microsoft Fabric haben und wissen, wann welche davon sinnvoll eingesetzt wird.

SQL Server 2025 erweitert die Datenplattform um native Vektorsuche und ermöglicht damit KI-gestützte Similarity Queries direkt in der Datenbank. Neue Vektordatentypen und integrierte Indexstrukturen erlauben eine effiziente Speicherung und Abfrage hochdimensionaler Embeddings (z. B. aus NLP- oder Bildmodellen).
Mit optimierten Approximate-Nearest-Neighbor-(ANN)-Algorithmen und Vektorindizes erreichen Abfragen Antwortzeiten im Millisekundenbereich – selbst bei Millionen von Vektoren.
Wir betrachten, wie Vektorindizes die Performance optimieren, indem sie Similarity Searches beschleunigen und den Ressourcenverbrauch reduzieren. Gleichzeitig beleuchten wir auch ihre Grenzen – etwa Index-Build-Zeiten, Speicher-Overhead und Szenarien, in denen approximative Ergebnisse von exakten Matches abweichen können.
Über die Datenbank-Engine hinaus siehst du, wie SQL Server 2025 mit Azure Foundry und dem Azure OpenAI Service integriert ist, sodass Embeddings aus Text- und Bildmodellen direkt über API-Aufrufe in SQL aufgenommen werden können. Dadurch lassen sich End-to-End-Pipelines aufbauen, bei denen Modellausgaben gespeichert, indexiert und in Echtzeit abgefragt werden – ohne externe Suchinfrastruktur.
Use Cases sind unter anderem Echtzeit-Personalisierung, semantische Analysen und Anomalieerkennung für Security-Szenarien – alles auf deiner bewährten SQL-Plattform. Durch nahtlose Integration in hybride Azure-Szenarien kann die Vektorsuche über On-Premises- und Cloud-Umgebungen skaliert werden, während Enterprise-Features wie rollenbasierte Zugriffskontrolle und Always Encrypted den sicheren Umgang mit sensiblen Embeddings gewährleisten.
Am Ende dieser Session verstehst du, wie du die native Vektorsuche, Vektorindizes und KI-Integration in SQL Server 2025 nutzt, um skalierbare, sichere und intelligente Anwendungen zu bauen – inklusive der Trade-offs und Best Practices für den produktiven Einsatz.