Data Science, Artificial Intelligence und Machine Learning

Die Königsdisziplin bei der Erkennung wertvoller Informationen

Abgrenzung der Data Science

Data Science wird seit einiger Zeit als die Königsdisziplin bei der Erkennung von wertvollen Informationen in größeren Datenmengen gehandelt. Als Synonyme von Data Science werden dabei gerne Begriffe wie „KI“ oder „Machine Learning“ verwendet, auch wenn diese Begriffe nur einen Teilaspekt von Data Science betrachten.

Glühbirne

Data Science verspricht, aus Daten beliebiger Struktur – also nicht nur numerischen Werten wie beispielsweise Messwerten und Kennzahlen, die oft als „strukturiert“ bezeichnet werden, sondern auch Texten, Bildern, Videos und sogar Geräuschen („unstrukturierte Daten“) – versteckte, wertvolle Informationen zu extrahieren. 

  • Versteckt, da sich diese Informationen nur sehr schwer/langwierig bzw. aufgrund der beschränkten Fähigkeit des menschlichen Gehirns nicht durch bloßes Betrachten zeigen.
  • Wertvoll, da  sich möglicherweise Informationen  verstecken, deren  Kenntnis  aber  auch einen  Mehrwert  stiften bzw. sich daraus ein Handeln ableiten ließe, um einen gewünschten Effekt zu erreichen.

Dabei spielen mehrere Faktoren eine Rolle, denn die Vorgehensweise und Mathematik, auf der Data Science fußt, hat sich schon vor Jahrzehnten entwickelt: 

  • Vorrat an Daten: Die zur Verfügung stehende Datenmenge ist enorm gewachsen. In der Produktion senden Sensoren tausende Messwerte pro Sekunde, in der Logistik lassen sich Güter per GPS verfolgen, beim Surfen im Netz hinterlassen potentielle Käufer bewusst oder unbewusst Spuren, die auf ihr Einkaufsverhalten schließen lassen. 

  • Verfügbarkeit leistungsfähiger Rechenkapazität: Nie war es einfacher und günstiger, den Datenvorrat mit mathematischen Methoden zu verarbeiten. Durch Leistung nach Bedarf (u. a. in der Cloud) lassen sich Kapazitäten auch kurzfristig steigern, sodass in Summe viele Anwendungsfälle schneller wirtschaftlich werden. Dazu kommen neue, parallel arbeitende Rechnerarchitekturen (u.a. GPUs), welche durch eine native Verarbeitung mathematischer Modelle ungeahnte Kombinationen und Muster erkennen können. 

  • Neue mathematische Methoden: Durch neue Versionen bekannter Methoden (siehe parallele Verarbeitung und GPU), neue Methoden, die durch die vorherrschende „Sharing-Economy“ schnell weltweit geteilt werden, oder durch Methoden der Künstlichen Intelligenz oder des Machine Learning, lassen sich heute Lösungen sehr viel einfacher modellieren und lösen. 

Qualität und Nachvollziehbarkeit der Daten

Und trotz bzw. wegen der überragenden Möglichkeiten, gilt auch für Data Science, dass die Vorbereitung der Daten aus unterschiedlichen Quellen zeitaufwändig und fehleranfällig ist. Gleichzeitig steigen die Anforderungen an Qualität und Nachvollziehbarkeit der Daten, um Erkenntnisse zu untermauern, bzw. auch nachträglich begründen zu können. 

Entscheidungsmix für spezifischen Einsatz

Aus der Kombination von Anforderungen und Herausforderungen ergibt sich eine Entscheidungsmatrix für den Einsatz von Data Science / KI oder ML im Unternehmen: sei es für die Bestimmung des richtigen Produktes, der richtigen Zeit für den richtigen Kunden im eCommerce, die Bestimmung eines optimalen Zeitpunktes für die Wartung einer Produktionsanlage oder die Ermittlung von Einflußgrößen auf die Produktqualität. 

Qualifikationen und Expertise

Mit unseren Experten decken wir alle notwendigen Qualifikationen für erfolgreiche Data Science Projekte ab. Sei es die Anbindung von Datenquellen (z. B. Produktionsanlagen, Webseiten, internen und externen Daten), die Aufbereitung, Beurteilung, Modellierung und Quantifizierung oder schließlich die Operationalisierung.

Individuell abgestimmte Vorgehensweise

Lassen Sie uns zusammen anhand Ihres Geschäftes Anwendungsfälle für Data Science identifizieren und in einem vordefinierten strukturierten Workshop Ihre Potentiale erkennen. Zusammen mit unseren Experten diskutieren Sie die für Ihr Unternehmen wertvollen Ansätze und deren Machbarkeit. In einem zweiten Schritt bestimmen wir die Technologie und erreichen in einem pragmatischen Ansatz erste Ergebnisse, die Ihre Anwendungsfälle bestätigen. Im dritten Schritt nutzen wir die gewonnenen Erkenntnisse, um eine operative Nutzung der Informationen durch die Einbindung in Ihre Geschäftsprozesse zu ermöglichen. 
 

Unsere Experten setzen bei der Umsetzung von Data Science Projekten auf unterschiedliche OpenSource Werkzeuge wie beispielsweise R, Python, Jupyter, aber auch auf kommerzielle Werkzeuge und Lösungen aus dem Hause IBM und Microsoft. Mehr Informationen zu den Lösungen, den Herstellern und unseren Kompetenzen finden Sie auf den Produktseiten.


Für jedes Projekt den richtigen Hersteller

Sie suchen technische Unterstützung in den Themen rund um Analytics: Datenintegration, Big Data / Datawarehouse, Business Intelligence, Data Science oder Corporate Performance Management? Wir arbeiten mit Technologien der folgenden Hersteller:

IBM Platinum Business Partner
Microsoft Logo

Unsere Referenzen:

Pernod Ricard profitiert von Business Intelligence Lösung
Referenz
Referenz

Pernod Ricard profitiert von Business Intelligence Lösung

Ein gutes Gesamtkonzept ist die Grundlage für eine leistungsfähige Business Intelligence (BI) Plattform. TIMETOACT konzipierte und implementierte bei der Pernod...

BI-Lösung begeistert Führungskräfte im Bodenseekreis
Referenz
Referenz

BI-Lösung begeistert Führungskräfte im Bodenseekreis

Der Bodenseekreis setzt seit Mitte 2013 auf das „KommunalCockpit“, die Business Intelligence Lösung der TIMETOACT. Die steuerungsrelevanten Daten sind nun fläch...

Redesign der Profitcenterplanung bei Fiege
Referenz
Referenz

Redesign der Profitcenterplanung bei Fiege

Der weltweit tätige Dienstleister für Kontraktlogistik Fiege setzt bereits seit 1999 eine Business Intelligence Applikation ein. Mit einem Re-Design der Plattfo...

Controllingsystem verbessert Steuerung im Kreis Soest
Referenz
Referenz

Controllingsystem verbessert Steuerung im Kreis Soest

Controllingsystem verbessert Steuerung der dezentralen Einheiten im Kreis Soest

Steuerungsrelevante Daten auf Knopfdruck
Referenz
Referenz

Steuerungsrelevante Daten auf Knopfdruck

Aussagekräftigere Finanzplanung im dynamischen Marktumfeld. Mit der Business Intelligence Lösung der TIMETOACT plant die August Storm GmbH & Co. KG standortüber...

Effizientes Qualitäts- und Vertragscontrolling
Referenz
Referenz

Effizientes Qualitäts- und Vertragscontrolling

Mit dem Cubeware Cockpit hat NordWest Bahn ein branchenspezifisches Berichtssystem realisiert, das alle Anforderungen an Reporting, Planung und Analyse in einem...

Single Point of Truth im Reporting
Referenz
Referenz

Single Point of Truth im Reporting

Bei Romaco haben selbsterstellte Excel-Sheets für das Berichtwesen ausgedient. Nicht mehr jede Abteilung kocht ihr eigenes Berichts-Süppchen, sondern alle haben...