
Mit der Potentialanalyse verborgene Daten Schätze bergen

Referenzen

highQ Computerlösungen GmbH
„Die Ergebnisse unserer sehr wertvollen und professionellen Zusammenarbeit mit dem SDSC-BW haben direkte Auswirkung auf unsere Entwicklungsprozesse”

VAF GmbH
„Das SDSC-BW hat in diesem gemeinsamen Projekt gezeigt, wie wertvoll unsere Daten sind. Für uns als Mittelständler war dabei insbesondere die Zusammenarbeit mit den Experten aus der Forschung sehr hilfreich.“

WEFA
„Durch die Potenzialanalyse konnten wir gute Einblicke in die Möglichkeiten der KI erlangen und waren erstaunt, dass sehr schnell interessante Zusammenhänge aufgedeckt werden konnten.“

Rolf Benz
„Das SDSC-BW hat in diesem gemeinsamen Projekt gezeigt, wie wertvoll unsere Daten sind. Für uns als Mittelständler war dabei insbesondere die Zusammenarbeit mit den Experten sehr hilfreich.“
Data Analytics
Potentialanalyse
Unabhängig davon, ob Sie bereits erste Smart Data Projekte realisiert haben oder sich neu mit dem Thema intelligente Datenauswertung befassen – das SDSC-BW berät Sie umfassend vom unverbindlichen Erstgespräch bis hin zu Datenaufbereitung, Datenanalyse und Algorithmenentwicklung. Kostenlos!
Data Analytics
Weiterbildung
Ziel der Weiterbildung ist es Mitarbeiter*Innen und Führungskräften in einem kompakten Format einen Schnelleinstieg in Predictive-Analytics, Machine Learning sowie Deep Learning zu bieten, um Teilnehmer*Innen Methoden und Werkzeuge an die Hand zu geben für Potentialermittlungen auf Basis eigener Datensätze.
Data Analytics
Partnernetzwerk
Auch wenn am KIT die besten Experten für die Datenanalyse arbeiten, ist das Feld so breit und auch die Anforderungen der Unternehmen sind so unterschiedlich, dass wir intensiv auch mit externen Partnern zusammenarbeiten. Im Rahmen des Solution Centers bauen wir ein Partnernetzwerk auf.
FAQ / Wissensdatenbank
Unter einer Datenanalyse versteht man den Prozess der Bereinigung, Veränderung und Verarbeitung von Rohdaten und der Extraktion von verwertbaren, relevanten Informationen, die Unternehmen helfen, fundierte Entscheidungen zu treffen. Der Datenanalyseprozess unterstützt dabei, die mit der Entscheidungsfindung verbundenen Risiken zu reduzieren, indem wertvolle Erkenntnisse und Statistiken geliefert werden, die in Diagrammen, Bildern, Tabellen und oder anderweitigen Grafiken dargestellt werden.
Die wesentlichen Schritte einer Datenanalyse lassen sich in 6 Abschnitte unterteilen. Durch die Sammlung von Datenanforderungen wird erfasst, zu welchem Zweck sowie um welche Art Datenanalyse es sich handelt. In der folgenden Datenerfassung auf Basis der Anforderungen werden Daten aus identifizierten Quellen gesammelt und organisiert. Die organisierten Daten müssen bereinigt bzw. aufbereitet werden, da Rohdaten z.B. mit fehlenden Werten und oder Formatierungsfehlern vorhanden sind. Nun findet unter Anwendung von Datenanalysesoftware die eigentliche Auswertung auf Basis gewählter Modelle statt. Nach Erhalt der Ergebnisse werden diese interpretiert und Handlungsoptionen entwickelt. Unter Zuhilfenahme des Visualisierungsmodulen werden Grafiken genutzt, um wertvolle Erkenntnisse zu gewinnen durch Darstellung von z.B. Vergleichen und Beziehungen.
Die Datenmengen und Zusammensetzungen hängen sehr stark von der zugrundeliegenden Fragestellung ab. Wichtig ist, stets für den Zweck erhobene Daten zu verwenden, weil sich nur Informationen finden lassen, wenn sie auch in den Daten enthalten sind. Darauf aufbauend muss auf Redundanz verzichtet werden, da dadurch keine neuen Erkenntnisse entstehen. Des Weiteren sollte Wert auf saubere Daten gelegt werden, da diese keine störenden Überraschungen beinhalten und dementsprechend die Werte der Feldbeschreibungen sinnvoll definiert sind. Und die Bezüge zwischen den Daten sollten klar erkennbar sein, um einen Zusammenhang zu Eingangs- und Zielvariablen herzustellen.
Die quantitative Menge an Daten ist weniger relevant für eine erfolgreiche Datenanalyse. Viel wichtiger ist, wie oft das zu untersuchende Ereignis in den zugrundeliegenden Daten vorhanden ist. Dementsprechend wird an der Stelle auch von einer effektiven Datenmenge gesprochen. Die effektive Datenmange lässt sich aus einer geeigneten Fragestellung ableiten. Die Fragestellung sollte messbar, klar und prägnant sein und so entwickelt werden, dass sie potenzielle Lösungen für ein spezifisches Problem entweder qualifiziert oder disqualifiziert.
Dann melden Sie sich bei uns, telefonisch oder über unser Kontaktformular. Wir werden dann in einem Erstgespräch schauen, ob diese Daten für eine Potenzialanalyse geeignet sind und dann in einer zweiten Runde mit den Experten vom KIT und den Fachleuten aus Ihrem Hause herausfinden, ob es sich lohnt eine Potenzialanalyse durchzuführen.
Wenn Sie davon überzeugt sind, melden Sie sich und fragen nach unserer Potenzialanalyse.
Diese Frage werden wir spätestens in der zweiten Runde mit den Experten des KIT beantworten. Und wenn sich das Format einfach importieren oder konvertieren lässt, ist eine wichtige Hürde zur Potenzialanalyse bereits genommen.

Beispielanalysen

Beispielanalyse Fehlererkennung_mit_AutoML
Beim Feature Engineering werden Variablen aus Rohdaten wie Preislisten, Produktbeschreibungen und Absatzmengen extrahiert und umgewandelt, damit Funktionen für das Training und die Vorhersage verwendet werden können. Die für die Entwicklung von Funktionen erforderlichen Schritte umfassen die Datenextraktion und -bereinigung sowie die Erstellung und Speicherung von Funktionen. Mit diesem Notebook zeigen wir, wie FE eingesetzt werden kann, um die Plates Fehlererkennungsrate zu verbessern.

Beispielanalyse Fehlererkennung mit Explainable AI
Erklärbare künstliche Intelligenz (Explainable Artificial Intelligence, XAI) ist die Fähigkeit von KI-Systemen, ihre Entscheidungen und Vorhersagen in einer für den Menschen verständlichen Weise zu erklären. Dies ist wichtig, weil es das Vertrauen in KI-Systeme erhöht und es den Nutzern ermöglicht, ihre Funktionsweise und die zugrunde liegenden Muster besser zu verstehen. Hier wenden wir die Interpretierbarkeit auf die bereits erwähnte Aufgabe der Erkennung von Gussfehlern an, um die Gründe für die Entscheidungen des Modells zu ermitteln.