Data-Science-Beratung

Wir beraten unsere Kunden in allen Bereichen von Data Science, um diese vielschichtige Technologie für sie nutzbar zu machen. In langjähriger Erfahrung haben wir mit verschiedenen Data-Science-Techniken Erfahrung gesammelt und sie in den unterschiedlichsten Anwendungsbereichen erprobt.

Unsere Dienstleistungen

Wir stehen bei Ihren konkreten Anwendungsfällen mit unseren Beratungsdienstleistungen an Ihrer Seite. Unsere erfahrenen Experten können Sie dabei unterstützen, für Ihr Unternehmen konkrete datengetriebene Lösungen zu entwickeln. Dabei unterscheiden wir zwischen Projekten, bei denen wir für Sie eine maßgeschneiderte Lösung entwickeln und Projekten, bei denen in Ihrer Organisation eigenes Fachwissen aufgebaut werden soll. In beiden Fällen unterstützen unsere Berater Sie gerne: Wir liefern Ihnen Lösungen, die bereit zur Übergabe sind, und führen Knowledge-Transfer-Projekte durch, in denen wir zusätzlich Ihre Mitarbeiter fortbilden.

 

Custom Business Solutions

Wir entwerfen maßgeschneiderte Lösungen für Ihre Data-Science-Projekte.

Custom Business Solutions

Wir entwerfen maßgeschneiderte Lösungen für Ihre Data-Science-Projekte. Nach der Identifikation des Anwendungsfalls setzen wir Ihre Ideen um und sind dabei im stetigen Kontakt mit Endanwendern, Fachexperten und Entscheidungsträgern. So garantieren wir eine gelingende Integration der Data-Science-Lösung in Ihre Geschäftsabläufe. Wir erledigen für Sie alle notwendigen Schritte: Von der Datenaufbereitung über die Modellbildung und Evaluation, bis hin zum Deployment und der Wartung.
Je nach Problemstellung kann es sein, dass ein größerer Nutzen mit einer Anwendung erzielt wird, wenn diese auf einen größeren Datenpool zugreift. Deswegen nehmen wir bei dem Entwerfen Ihrer Komplettlösung besondere Rücksicht auf die zukünftige Skalier- und Wartbarkeit von Infrastruktur und Software. Bei Big Data Projekten können wir die Server für Sie während des PoC Phase hosten und unterstützen Sie bei der Überführung in lokale Instanzen für das Deployment.

Um auch bei speziellen Herausforderungen elegante Lösungen zu schaffen und um einen Bruch der Toolkette zu vermeiden, unterstützt uns unser Development mit projektspezifischen Entwicklungen.

Knowledge-Transfer-Projekte

Unsere Berater sind erfahrene Trainer und können Sie dabei unterstützen, Inhouse-Expertise in dem Bereich Data Science aufzubauen.

Knowledge-Transfer-Projekte

Unsere Berater sind erfahrene Trainer und können Sie dabei unterstützen, Inhouse-Expertise in dem Bereich Data Science aufzubauen. Mit den von uns betreuten Knowledge-Transfer-Projekten bauen Sie die notwendigen Kompetenzen auf, damit Ihre Experten zukünftig selbst Data-Science-Lösungen entwerfen können.
Die Knowledge-Transfer-Projekte können dabei in unserem Programm zur Etablierung von Data Science in Unternehmen eingebettet sein: Sie bauen auf unseren Schulungen auf und vertiefen dieses Wissen am praktischen Beispiel im Kontext Ihres Unternehmens. Durch das erfolgreiche Implementieren erster Projekte werden Erfahrungen an echten Herausforderungen gesammelt und Ihre Mitarbeiter ideal auf komplexe Probleme vorbereitet.
Der Berater lernt während des Knowledge-Transfer-Projektes die firmeninternen Abläufe kennen und steht für Sie mit spezifischen Hilfestellungen und weiterführenden Vorschlägen über den Data Science Expertensupport zur Verfügung.

Bewährte Strategien

Verschaffen Sie sich einen Überblick über unsere bewährte Strategien. Mit Best Practices und etablierten Standards unterstützen wir Sie bei Ihrem Data-Science-Projekt.

Collaborative CRISP-DM

Wir führen unsere Projekte mit der im Bereich Data Science notwendigen agilen Art und Weise durch und folgen dabei weitestgehend dem allgemein üblichen CRISP-DM Standard (Cross Industry Standard Process for Data Mining). Da CRISP-DM sich aber ausschließlich auf die Rolle des Data Scientists konzentriert und der Projekterfolg maßgeblich von der Integration der Ergebnisse in Unternehmensprozesse und -kultur abhängt, haben wir den Standard zum Collaborative CRISP-DM erweitert. Dieser bildet den gesamten Prozess der Einführung von Data Science in Organisationen ab, bezieht Endanwender sowie Domänenexperten besser ein und stellt so sicher, dass Data-Science-Lösungen in bestehende Unternehmensprozesse integriert werden.

Klicken Sie auf die einzelnen Phasen, um detaillierte Informationen zum jeweiligen Begriff zu bekommen. Der Bereich im blauen Kreis umschließt den regulären CRISP-DM, die Phasen außerhalb zeigen unsere Erweiterungen.

image/svg+xmlUse CaseIdentification DataProviding InfrastructureIdentification BusinessUnderstanding DataUnderstanding DataPreparation Modeling Deployment Evaluation Gain Acceptance MonitorAcceptance

Collaborative CRISP-DM: Unsere Erweiterung des bewährten Standards für Data Science-Projekte.

  Haben Sie weitere Fragen?

    Nehmen Sie Kontakt mit uns auf!

 

Verschaffen Sie Sich einen Überblick über unser Schulungsangebot.

Unsere Berater begleiten Sie noch über das Ende der Projektlaufzeit hinaus.

Sie fragen sich,wie Sie Data Science in Ihrem Unternehmen nutzen können?

Project Management – Use Case Identification

Die Identifikation und Bewertung von Use Cases im Unternehmen stellen eine Schlüsselrolle für den Erfolg der Etablierung von Data Science im Unternehmen dar. Hier ist die Herausforderung zunächst, dass Predictive Mindset im Unternehmen weit genug zu verbreiten, damit die mit der Einführung von Data Science einhergehenden neuen Möglichkeiten überhaupt erkannt werden. Dann gilt es, die vielversprechendsten Projekte auszuwählen, also Projekte mit hohem Nutzen bei geringst möglichem Aufwand, einfacher Infrastruktur und höchster Erfolgswahrscheinlichkeit.

Bei der Etablierung sollten mehrere Use Cases behandelt werden, denn aus einem Beispiel kann man nicht lernen und keine Entscheidung über den weiteren Einsatz der Technik treffen. Mit mehreren Use Cases kann eine Lernkuve entstehen, bei der man aus Misserfolgen lernt und Erfolge als positive Verstärkung erfährt.

Project Management – Data Providing

Sobald ein Use Case ausgewählt wurde, erfolgt ein kollaborativer Prozess zwischen Data Scientists und Fachexperten, um Datensätze auszuwählen, die für die Lösung hilfreich sein können. Daraus entsteht das Gesamtbild, welche Informationen zur Verfügung stehen, die für die Probleme des Use Cases relevant sein könnten. Die Datensätze werden nach vermuteter Relevanz, Zugänglichkeit und Analysekomplexität bewertet. Es ist Aufgabe des Managements, dafür zu sorgen, dass andere Abteilungen beim Herstellen des praktischen und technischen Zugangs zu den Daten behilflich sein können und sind.

Project Management – Infrastructure Identification

Je nach Größe und Art des Problems sowie der identifizierten Datenbestände wird die Infrastruktur identifiziert, die eine effiziente Analyse mit minimalem Aufwand ermöglicht. Dies betrifft sowohl die Infrastruktur für die Datenhaltung als auch für die Berechnung der Analyse.

Bei komplexen Problemen mit unabsehbarer Analysequalität kann die Analyse in mehrere Phasen unterteilt werden, in denen jeweils unterschiedliche Infrastrukturen verwendet werden. Die Phasen sind so unterteilt, dass zunächst mit minimalem Aufwand der maximale Nutzen erzeugt werden kann und die Ergebnisse beim Umzug auf die nächst aufwändigere Infrastruktur weiter verwendet werden können.

Data Science Loop – Business Understanding

Während dieser ersten Phase des Data Science Loops lernt der Data Scientist in einem kollaborativen Prozess, die Projektziele und -anforderungen aus wirtschaftlicher Sicht zu verstehen. Was ist das wirtschaftliche Problem und was gilt es bei der Lösung zu berücksichtigen? Welche Anforderungen gibt es, damit die Lösung in Geschäftsprozesse integriert werden kann?

Daraus leitet er einen ersten Plan zum Erreichen der Projektziele ab. In Absprache mit Vertretern des Managements werden in dieser Phase auch die wesentlichen Gütekriterien für den Projekterfolg festgelegt und die Deploymentperspektive der Projektergebnisse geklärt.

Data Science Loop – Data Understanding

Diese Phase dient dem Data Scientist dazu, sich mit den bereitgestellten Daten vertraut zu machen und gegebenenfalls Qualtitätsprobleme der Daten aufzudecken. Gleichzeitig testet der Data Scientist sein Verständnis der Businessprobleme, indem er diese anhand der erhaltenen Daten untersucht. Durch die Interpretation der Daten kommt es häufig zu einer nachträglichen Verbesserung des Verständnisses für die Prozessabläufe auf Seiten des Data Scientists und oft auch bei allen anderen Beteiligten.

Data Science Loop – Data Preparation

In dieser Phase führt der Data Scientist alle Verarbeitungsschritte durch, die notwendig sind, um für das Training von prädiktiven Modellen geeignete Situationsprofile aus den Rohdaten zu generieren. Die Datenaufbereitung wird abhängig vom verwendeten Modell angepasst, sodass sie wiederholt ausgeführt wird. Sie umfasst zum Beispiel Schritte zur Auswahl der Daten und Feature Selection, aber auch die Transformation, Aggregierung und Aufbereitung der Daten.

Data Science Loop – Modeling

In dieser Phase werden unterschiedliche Algorithmen zur Modellierung des Problems angewendet, validiert und optimiert, um den Besten auszuwählen. Unterschiedliche Algorithmen haben unterschiedliche Anforderungen an die Datenrepräsentation, weshalb die Data Preparation Phase häufig angepasst und erneut durchlaufen werden muss.

Data Science Loop – Evaluation

In dieser Phase wird ein Modell geprüft, dass während der Modeling Phase eine hohe Güte erreicht hat. Bevor ein Modell in den produktiven Einsatz kommt, ist es notwendig, die Erstellung des Modells gründlich zu evaluieren und die Modelle unabhängig zu testen, um sicherzustellen, dass es im Deployment die erwartete Güte erreichen wird und die ursprünglichen Businessprobleme tatsächlich löst.

Data Science Loop – Deployment

Im Deployment werden die Projektergebnisse in bestehende Unternehmensabläufe integriert. Ein Projekt ohne diese Integration bringt keinen Nutzen. Das Deployment kann technisch zum Beispiel über Webservices oder mit einer komplexeren Big Data Lösung umgesetzt werden. Ein Deployment sollte auch die Bereitstellung möglicher Endbenutzerschnittstellen für die Kontrolle der im Hintergrund ablaufenden Data Science Algorithmen beinhalten.

Social Integration – Gain Acceptance

Eine Lösung bringt nur dann Nutzen, wenn sie auch genutzt wird. Da die Verwendung von Data Science Techniken das im Predictive Mindset beschriebene Umdenken erfordert, stoßen sie vielfach auf Ablehnung. Während dieser Projektphase werden die Endbenutzer mit Schulungen in die Lage versetzt, aktiv am Projekt teilzuhaben, eigene Impulse zu setzen und Vertrauen in die verwendeten Data Science Techniken zu gewinnen. Dies umfasst vor allem die praktische Integration in die Arbeitsabläufe der Endanwender. Wichtig ist, dem Endanwender die Kontrolle zu überlassen, um Abstoßungsreaktionen zu verhindern.

Social Integration – Monitor Acceptance

Ein Data Science Projekt ist nach dem ersten Deployment noch nicht beendet. Zum einen können die Prädiktionen vielfach noch verbessert werden, was im Data Science Loop zum Ausdruck kommt, zum anderen gewinnen die Endanwender Erfahrung mit der Technik und können die ursprünglichen Use Cases nachschärfen. Dies führt häufig dazu, dass Spezifikationen angepasst werden müssen, was sowohl die Integration in die Arbeitsabläufe als auch die für die Prädiktion notwendigen Gütekriterien betrifft. Entsprechend müssen die Anwender weiterhin von einem Data Scientist begleitet werden, was in dieser Phase zum Ausdruck kommt.