Data Science & Big Data

Data Science ist mehr als nur ein Werkzeug, um Insights aus Ihren Daten zu ziehen. Mithilfe von Data Mining, Data Analytics, Machine Learning und Cognitive Computing entstehen echte Mehrwerte für Ihr Unternehmen. Vom Datensatz zur künstlichen Intelligenz. Von der Strategie zum Mehrwert.
Kosmas Kalpakidis
PREDICTIVE ANALYTICS

BLICK IN DIE ZUKUNFT
Moderne Unternehmen sichern sich ihren Wettbewerbsvorteil über die Anwendung statistischer und maschineller Vorhersagen. Mithilfe von Predictive Analytics und unter Einbezug externer Faktoren gelangen Sie weg von den Entscheidungen aus dem Bauch hin zu einer datengetriebene Vorhersage.

EXPLORATIVE ANALYTICS

BLICK AUF UNBEKANNTE MUSTER
Werfen Sie ein neues Licht auf Ihren Vertrieb, Ihre Kunden, Ihr Marketing. In Ihren Daten schlummern unbekannte Schätze – in Form von Mustern und Zusammenhängen. Erfahren Sie, wie Ihr Unternehmen tatsächlich aufgestellt ist und entdecken Sie mittels Data Analytics ungenutzte Potenziale!

COGNITIVE ANALYTICS

BLICK AUF UNSTRUKTURIERTE DATEN
Mit Hilfe von Deep Learning-Verfahren sind Cognitive Analytics in der Lage, auch aus unstrukturierten Daten – wie Bildern und Texten – Wert zu generieren. Durchforsten Sie Social Media nach relevanten Einträgen, priorisieren Kundeninteraktionen mit Ihrem Unternehmen oder nutzen Sie IoT für Ihre Smart Factory.

RECOMMENDATION SYSTEMS

BLICK AUF WERTSTIFTENDE ENTSCHEIDUNGEN
Egal, ob es um die passgenaue Kundenansprache, die richtige Investition oder die neue Werbekampagne geht – Recommendation Systems helfen, aus der großen Anzahl an Möglichkeiten genau die richtigen für Ihr Business und Ihre Kunden zu identifizieren. Geben Sie Ihren Entscheidern die richtigen Hilfen zur richtigen Zeit.

BIG DATA

BLICK HINTER ENORME DATENMENGEN
Big Data-Technologien ermöglichen die strukturierte Speicherung von gigantischen Datenmengen und bieten die Infrastruktur für Analysen in nahezu Echtzeit. Egal ob Batch- oder (Near-) Realtime-Datenverarbeitung, ob strukturierte oder unstrukturierte Daten (wie Bilder und Freitexte) – wir helfen Ihnen, die richtige Infrastruktur zu finden und zu implementieren.

Fachartikel: Teebeutel für Top-Use-Cases
Lesen Sie im Fachartikel, der im BI-SPEKTRUM 1/2022 erschienen ist, warum Ideen vor Daten Vorrang haben.
Datenschutzhinweis*
 

Referenzen

DATA SCIENCE IDEATION WORKSHOPS

»Einem Maschinenbauer Data Science näher zu bringen ist nicht immer einfach. Doch Braincourt hat diese Aufgabe gemeistert und gemeinsam konnten trotz der komplexen Rahmenbedingungen sehr vielversprechende potentielle Use-Cases ausgearbeitet werden. Wir sind sehr glücklich darüber, uns für Braincourt entschieden zu haben.«

Nico Wössner, Software Entwickler
Datengetriebene Wertberichtigungsprognose

»Braincourt schätze ich sehr aufgrund der eingebrachten Expertise im Bereich des datengetriebenen Ansatzes, der pragmatischen Herangehensweise und der präzisen Außensicht auf die Aufgabenstellung.«

Christian Seitz, Direktor LiVeAR der GEMA
DATENGETRIEBENE PRODUKTIONSPLANUNG

»In enger Zusammenarbeit mit Braincourt konnten wir deutlich bessere Prognosen für das Abgangsverhalten unserer Neuerscheinungen im Jahr nach der Veröffentlichung ermitteln. […] Wir haben bei diesem Projekt wertvolle Erkenntnisse sammeln können, die uns auch außerhalb dieser konkreten Fragestellung weiterhelfen werden. Die sehr enge und partnerschaftliche Zusammenarbeit war äußerst angenehm.«

Alexander Wolff, Referatsleiter Produktion und Einkauf
AUFBEREITUNG, VISUALISIERUNG & VERÖFFENTLICHUNG VON WAHLERGEBNISSEN

»Die komplexe Aufgabenstellung eines Wahlergebnis-Dashboards wurde trotz herausfordernder Rahmenbedingungen und hohem Zeitdruck lösungsorientiert und kompetent umgesetzt.«

Ing. Roman Sommersacher, Social Media Manager
PROGNOSE VON AUSSCHÜTTUNGSBEITRÄGEN

»In kürzester Zeit entstanden spannende Einblicke und wertvolle Erkenntnisse. Ich danke Braincourt für dieses partnerschaftliche Projekt und die professionelle Arbeit.«

Markus Zachai, Verantwortlicher Data Science
PRÜFUNG & ERWEITERUNG VON AUSWERTEROUTINEN

»Der Austausch mit den Projektnehmern war stets freundlich, schnell und professionell. Wir sind mit dem Ergebnis sehr zufrieden.«

Thomas Scheuschner, Fachgebiet „Luftreinhaltung und terrestrische Ökosysteme“
MESSUNG DER KAMPAGNENWIRKSAMKEIT

»Das Projektergebnis ermöglicht uns endlich einen fairen Vergleich zwischen den unterschiedlichen Vermarktungsformen. Dies wird unsere Abverkaufsplanung nachhaltig verändern und mit hoher Sicherheit die Effektivität steigern. «

Tobias Waack, DirectorYield Management
RISIKOSIMULATION TREASURY MANAGEMENT

»In kürzester Zeit entstanden spannende Einblicke und wertvolle Erkenntnisse. Zielorientiertheit, Kompetenz und Einsatz machten eine schnelle Umsetzung des Proof of Concept möglich! Ich danke Braincourt für dieses partnerschaftliche Projekt und die professionelle Arbeit und freue mich auf die weitere Umsetzung des gesamten Projekts.«

Peter Kofler, Head of Corporate Development/Risk Management

Blog

MLOps Teil 3: MLOps mit Azure und Azure-ML

Wie lässt sich mit MLOps in der Praxis arbeiten? Wir stellen eines der gebräuchlichsten MLOps Tools vor: Azure-ML von Microsoft. Anhand eines Praxisbeispiels zeigen wir, welche Möglichkeiten das Tool bietet und wie Sie es bestmöglich einsetzen.
Mehr Informationen →

MLOps Teil 2: Prinzipien einhalten mit dem CRISP-ML(Q)-Prozess

Ein Projekt getreu den Prinzipien von MLOps umsetzen - der CRISP-ML(Q)-Prozess definiert die bekannten drei Phasen Designen, Modellieren und Operationalisieren weiter aus und stellt sicher, dass Ziele formuliert und eingehalten werden. Wie kann ein Projekt getreu den Prinzipien von MLOps umgesetzt werden, wie sehen die Phasen im Detail aus, wie wird die Risikobewertung sichergestellt und was ist der "Fail Fast Fail Cheap“-Ansatz ? Das erklären wir in diesem Blogpost.
Mehr Informationen →

MLOps Teil 1: Deployment Gaps vermeiden – wie Machine Learning auch wirklich zum Einsatz kommt

Machine Learning-Modelle zählen zu den wichtigsten Treibern für zukünftigen Unternehmenserfolg. Die Anwendungsmöglichkeiten sind scheinbar grenzenlos, die Effekte faszinierend und Projekte zur Nutzung verschiedener Modelle sprießen geradezu aus dem Boden. Die Bilanz der tatsächlichen Generierung von Mehrwerten, also der Operationalisierung von Algorithmen, ist jedoch verhältnismäßig schlecht. Warum ist dem so? Und wie gelingt es Ihnen, sogenannte Deployment Gaps zu vermeiden zugunsten erfolgreicher Machine Learning-Projekte?
Mehr Informationen →

Data Driven Marketing

Wie Data Science effektiveres Marketing ermöglicht
Mehr Informationen →

Data Analytics & Python

3 Gründe, warum Ihr Unternehmen sofort Python Skills aufbauen sollte
Mehr Informationen →

Unit-Tests in Data-Science-Projekten

Die 5 W's um erfolgreich mit Unit-Tests zu starten
Mehr Informationen →