@@rich-snippet

Das Speichern von Daten reicht nicht aus - Daten alleine sind keine Informationen.

Verstehen Sie Ihre Daten und nutzen Sie sie optimal.

Alle reden von neuem Öl - wir helfen Ihnen, danach zu bohren.

In vielen unserer Beratungsprojekte haben wir ein typisches Missverständnis festgestellt. Unternehmen speichern Petabytes an Daten. Aber wenn die Daten für die Schaffung neuer Erkenntnisse benötigt werden, sind sie nicht nutzbar.
In den Zeitreihendaten gibt es strukturelle Brüche - wie das Zusammenführen verschiedener Produktcodes über Jahre hinweg. In Protokolldaten fehlen Werte. Produktdaten sind nicht eindeutig und das gleiche Produkt ist mit drei verschiedenen IDs benannt, und Projektmanager versuchen, in Excel ein Fuzzy-Matching zu entwickeln. Ein verhängnisvolles Unterfangen.

Die meisten unserer Datascience Projekte bestehen aus allen oder den meisten der folgenden Module:

1. Identifikation möglicher Datenquellen

Gemeinsam finden und bewerten wir mögliche Datenquellen in Ihrer Business Unit oder Ihrem Unternehmen. Häufig fokussieren sich unsere Kunden auf Quellen wie SAP und vernachlässigen ungewöhnliche interne und externe Quellen.


2. Use Case Definition und Datenbeschaffung

Nachdem wir eine klare Zielsetzung gefunden haben, was wir aufbauend auf den Daten erreichen wollen, machen wir einen Vorschlag wie die gewünschten Daten gesammelt und aufbereitet werden können. Hierbei werden Themen wie Governance, Datenschutz, technische Machbarkeit und mehr in Betracht gezogen.


3. Datenaufbreteitung

Obwohl es niemand wahrhaben möchte bestehen 80% heutiger Datenprojekte aus dem Sammeln und Aufbereiten der nötigen Rohdaten. Wir helfen Ihnen hierbei und stellen sicher, dass Sie Ihre Analytics und Machine Learning Anstrengungen auf einem guten Fundament aufbauen


4. Datenexploration

Mit Blick auf unsere zuvor definierten Use Cases stellen wir sicher, dass die Quantität und Qualität unserer Daten ausreicht um diese Use Cases zu ermöglichen. Falls es Probleme mit den aufbereiteten Daten gibt, können wir an diesem Punkt immer noch zu Akquise und Aufbereitung zurückgehen ohne viel Geld im weiteren Prozess aufgrund schlechter Daten zu verlieren.


5. Skript Prototypen

Für jeden der gewünschten use cases erstellen wir einen funktionellen Prototypen als Beweis für den angestrebten Mehrwert. Zusammen mit allen Stakeholdern iterieren wir solange bis wir sicher sind, dass die Prototypen ihren Zweck erfüllen. Nur dann gehen wir den letzten Schritt - die Erstellung des finalen Datenprodukts


6. Analytics und Machine Learning Produkt

Nachdem wir ausreichende Datenqualität sichergestellt haben und die Anforderungen der Stakeholder im Prototyp erfüllt wurden erstellen wir gemeinsam mit dem Kunden ein finales Produkt