Data Science & AI
Data Science macht Daten zum entscheidenden Wettbewerbsvorteil.
Warum Data Science für Unternehmen immer wichtiger wird:
In einem zunehmend dynamischen Marktumfeld reichen Erfahrung und Bauchgefühl allein oft nicht mehr aus. Unternehmen benötigen belastbare Informationen, um Chancen frühzeitig zu erkennen, Risiken zu minimieren und Ressourcen optimal einzusetzen.
Mit modernen Data-Science-Methoden kann Ihr Unternehmen:
• bessere strategische und operative Entscheidungen treffen
• zukünftige Entwicklungen zuverlässig prognostizieren
• Kosten reduzieren und Prozesse optimieren
• Risiken frühzeitig erkennen
• Produktions- und Geschäftsabläufe effizienter gestalten
• neue Umsatzpotenziale identifizieren
Praxisbeispiele
Warum Data Science für ihr Unternehmen immer wichtiger wird
In einem zunehmend dynamischen Marktumfeld reichen Erfahrung und Bauchgefühl allein oft nicht mehr aus. Unternehmen benötigen belastbare Informationen, um Chancen frühzeitig zu erkennen, Risiken zu minimieren und Ressourcen optimal einzusetzen.
Unsere Leistungen im Bereich Data Science & KI
Data Science Projekte
Wir begleiten Unternehmen von der Identifikation geeigneter Anwendungsfälle bis zur erfolgreichen Umsetzung datengetriebener Lösungen. Unser Fokus liegt auf konkretem Geschäftsnutzen und nachhaltigen Ergebnissen.
Predictive Analytics
Nutzen Sie historische und aktuelle Daten, um zukünftige Entwicklungen vorherzusagen. Predictive Analytics unterstützt beispielsweise bei Absatzprognosen, Risikobewertungen, Wartungsplanung und Ressourcenmanagement.
Machine Learning
Machine Learning ermöglicht die automatische Erkennung von Mustern und Zusammenhängen in komplexen Datenbeständen. Wir entwickeln maßgeschneiderte Modelle für Ihre individuellen Anforderungen.
Datenvisualisierung und Dashboards
Komplexe Daten werden erst dann wertvoll, wenn sie verständlich dargestellt werden. Mit modernen Dashboards und Visualisierungen schaffen wir Transparenz für Management, Fachabteilungen und operative Teams.
Schulungen und Workshops
Wir vermitteln praxisnahes Wissen rund um Data Science, Künstliche Intelligenz und datengetriebene Entscheidungsfindung. So stärken wir die Kompetenzen Ihrer Mitarbeiter und Führungskräfte.
Branchenkompetenz
DataSense verbindet fundierte Data-Science-Kompetenz mit langjähriger Praxiserfahrung in verschiedenen Branchen. Unsere Kunden kommen insbesondere aus den Bereichen:
• Industrie und Fertigung
• Energieversorger und Energiewirtschaft
• Finanz- und Versicherungswesen
• Öffentlicher Sektor und öffentliche Verwaltung
Starten wir gemeinsam!
Data Science Beratung aus Österreich
Mit DataSense gewinnen Sie einen persönlichen, langfristigen Partner an Ihrer Seite – made in Austria. Sie profitieren von moderner Technologie, fundiertem Branchenwissen und einem klaren Fokus auf wirtschaftliche Ergebnisse: bessere Entscheidungen durch Daten, messbar und nachhaltig.
Sie erfahren, welches Potenzial in Ihren Daten steckt – ob Data-Science-Projekt, Machine-Learning-Anwendung oder KI-Strategie. Gemeinsam identifizieren wir die passenden Anwendungsfälle für Ihr Unternehmen und zeigen konkrete Wege zur Umsetzung auf.
Referenzen
Hersteller von Elektroisoliermaterialien, technischen Laminaten und Verbundwerkstoffen
Der Kunde ist ein international führender Hersteller von Elektroisoliermaterialien und ist mit seinen technischen Laminaten und Verbundwerkstoffen weltweit präsent. Er ist mit zahlreichen Produktions- und Vertriebsstandorten in drei Kontinenten vor Ort. Innovation sowie Material- und Technologie-Know-how zeichnen unseren Kunden aus.
Herausforderung
Anwendungsfall „Produktionsqualität von Glasfasern"
Der Kunde hat eine unerklärliche Variabilität in der Produktionsqualität der Glasfaserstrukturen. Die Produktionsqualität wird durch etwa ein Dutzend Eingangsvariablen, die in eine Ausgangsvariable führen, bestimmt. Bei den Eingangsvariablen handelt es sich meist um gemessene Eigenschaften der Eingangschemikalien. Die Messungen werden von den Lieferanten zur Verfügung gestellt. Der Kunde möchte wissen, welche Inputvariablen für den Output verantwortlich sind. Mit dieser Information würde er die Toleranzen für die gemessenen Eigenschaften der gelieferten Chemikalien einschränken. Eine interne Regressionsanalyse (in Minitab) wurde intern bereits durchgeführt, dies brachte aber nicht die gewünschten Erkenntnisse.
Unsere Lösung
Wir haben ein Programm umgesetzt, welches einen schnellen iterativen Workflow ermöglicht. Die Datensätze werden prinzipiell durch die decision trees analysiert und der Kunde erhält eine Visualisierung, sowie die Vorschläge zur Einschränkung der Toleranzen. Abschließend bekommt der Kunde ein Histogramm der daraus resultierenden Gel-Zeiten.
Situation danach
Mit unser Lösung ist der Kunde nun in einer besseren Position, mit seinen Zulieferern zu verhandeln und die Produktionsqualität zu steigern.
Bankensektor
Unser Kunde ist eine internationale Retail Bank mit Filialen in 15 Ländern in Mittel- und Osteuropa (CEE) mit ca. 800 Filialen. Er bietet ein komplexes Angebot für Endverbraucher sowie Unternehmen: Kontoführung, Kredite und diverse Finanzprodukte wie Anlagen, Versicherungen und Pensionsvorsorge. Das CEE-Geschäft wird von Österreich aus gesteuert, mit einem Knowledge Center für Controlling und BI stationiert in Wien. Vor allem das Geschäft mit den Privatklienten gestaltet sich als kostenintensiv.
Herausforderung
Der Kunde verfügt über eine sehr reiche Datenlage über viele Bereiche seines Geschäfts, mit Datenbeständen die noch weiter als 10 Jahre zurück gehen. Eine robuste BI Infrastruktur mit Oracle DB, großem DWH und Oracle Analytics ist im Einsatz. Der Analytics Stack war sehr Historie-orientiert und nicht flexible genug für den Einsatz in innovativen Analytics Cases, des Weiteren war die IT-Infrastruktur nicht ausgerüstet für intensive Data Science Arbeit. Unser Kunde wollte Use Cases eruieren, die ihm bessere Einblicke verschaffen, insbesondere war Predictive Analytics von Interesse.
Unsere Lösung
Unser Kunde hat uns an einer Konferenz zum Thema Data Science getroffen und nach einführenden Gesprächen wurde in einem Workshop gemeinsam die IST-Lage bestimmt. Auf dieser Grundlage wurden mehrere potenzielle Use Cases erarbeitet. Eines davon wurde ausgewählt, das mit der potenziell höchsten ROI: Vorhersage von 14 KPI des Geschäftes für 12 Monate voraus. Unser Kunde war besonders an einer Lösung mit Einsatz von neuronalen Netzen interessiert; dafür war er bereit dezidierte IT-Infrastruktur (Private Cloud mit großer verfügbaren Rechenleistung) zur Verfügung zu stellen.
Situation danach
Nach Aufbau der Infrastruktur und vielfachem eintrainieren des Algorithmus auf historischen Daten haben wir das Netz auf die Genauigkeit von mehr als 90 % gebracht, was dem Projektziel entspricht. Der Kunde kann das System als Unterstützung bei seinem Corporate Planning nutzen und spart somit viel Mitarbeiter-Aufwand.
Weiters kann der Kunde „what-if“ Analysen durchführen, die für ihn sehr vorteilhaft sind: Er kann die Wirkung von Werbekampagnen oder zusätzlichen Investments in die Belegschaft auf die Bilanz simulieren; und das von Region- durch Landes- bis zu Bezirks- und Filialebene. So sind die geschäftlichen Entscheidungen des Kunden viel präziser und profitabel.
Der Kunde hat das System in einem CEE Land im Produktionseinsatz, Ausweitungen auf andere Länder sind geplant. Das Projekt wurde zum Pilotprojekt für die Hauptniederlassung und somit für die ganze Bankengruppe.
Unser Kunde konnte sich im Laufe des Projekts internes Know-how im Bereich Data Science aufbauen.
Energiesektor
Der Kunde ist ein Windkraft- und Photovoltaikpionier und zählt zu den größten Erzeugern Erneuerbarer Energie in Österreich. Seit über 25 Jahren entwickelt, baut und betreibt der Kunde Wind- und Photovoltaikparks im In- und Ausland.
Herausforderung
Anwendungsfall "Welche Statusmeldungen führen zu einem Wartungseinsatz?"
Der Kunde möchte seine Wartungskosten minimieren und bessere Erkenntnisse gewinnen, wann und wie oft Störungsfälle auftreten.
Unsere Lösung
Aktuell setzen wir für unseren Kunden einen 4-Phasen Plan um:
In Phase 1, dem „Discovery Workshop “, verschafften wir uns eine Übersicht über die vorhandene Datenlandschaft. Eine Inventur über Datenquellen sowie eine Evaluierung der Datenqualität und Verknüpfbarkeit aller Datenquellen vervollständigte die IST-Aufnahme. Mögliche Use Cases wurden mit dem Kunden erarbeitet.
Danach sind wir in die „Proof of Concept“ Phase übergegangen, in der wir eine Explorative Detail-Analyse der verfügbaren Daten durchgeführt haben. Weiters wurde die Durchführung der notwendigen PoC-Validierungen besprochen, um die Machbarkeit des Konzepts zu beurteilen. Anschließend haben wir eine Zusammenfassung der Ergebnisse und eine klare Definition von Projekt-Ziel, -Plan und -Erfolgskriterien den Kunden übermittelt.
Aktuell sind wir in der „Prototyp Phase" angekommen. Das Ziel dieser Phase ist es, eine begrenzte Version der Lösung (oft nur ihren Kernalgorithmus) zu entwickeln, um mehr Klarheit zu den erwarteten Eigenschaften (Leistung, Genauigkeit, ...) zu haben.
Weiters wurde mit den Kunde die Prototypenentwicklung anhand der verfügbaren Daten präsentiert und die Zusammenfassung der Ergebnisse übermittelt. Zum Abschluss des Projektes wird auch der “MVP“ und eine stätige iterative Verbesserung des Systems umgesetzt.
Situation danach
Mit unserer zukünftigen abgeschlossenen Lösung hat der Kunde die Möglichkeit seine Wartungskosten zu senken und seine Serviceeinsätze besser zu planen.
Energieversorger
Unser Kunde ist ein Energieversorger mit ca. sechzigtausend Kunden aus den Bereichen Privat, Business und Industrie. Seine Geschäftsfelder liegen in der eigenen Produktion der Energie (PV), Fernwärme sowie Energiedistribution und -versorgung. Seine Kunden schließen langfristige Verträge ab, Anbieterwechsel sind unter Erfüllung der Bedingungen möglich.
Herausforderung
Anhand der Marktliberalisierung in der EU ist der Kunde verstärktem Wettbewerb ausgesetzt. Dies macht es unmöglich vorherzusehen welche Kunden einen Anbieterwechsel andenken und rechtzeitig gezielte Gegenmaßnahmen zu setzen, um profitable Kunden zu halten. Die eigene Infrastruktur für Data Analytics wie Systeme für Kundendaten, Finanzen, Netzbetrieb, Kundendienst und Marketing kann man als Inseln beschreiben.
Unsere Lösung
Ein Workshop in dem der Kunde die Situation für sich selbst und für uns beschrieb war der erste Schritt um einer Lösung näher zu kommen. Der nächste Schritt war Data Engineering: Anhand der oben beschriebenen Dateninfrastruktur haben wir einen Data Mart mit schneller analytischen Datenbank aufgebaut, so wurden alle nötigen Daten konzentriert ohne die Quellsysteme und deren Leistung zu beeinträchtigen.
Die eigentliche Lösung ist ein Churn Prediction Model basierend auf statistischer Regression.
Dieses Model nimmt Daten von allen (immer noch getrennten) Systemen, um ein gesamtheitliches Bild über den Kunden herzustellen und mit den „Personas“, welche von der Marketingabteilung kommen, zu vergleichen. So kann das System das Verhalten des Kunden bzw. sein Abwanderungsrisiko bewerten.
Situation danach
Unser Kunde hat nun die Möglichkeit, anhand bestehender Daten drei Stufen des Churn Models zu wählen. Er wählt das passende Level der Vorhersagen, das beim „konservativen“ Model die Anzahl der sogenannten „false positives“ minimiert, so dass keine teuren Maßnahmen für Kunden umgesetzt werden , die nicht kündigen wollen. Das „aggressive“ Model minimiert die „false negatives“, d.h. es wird so gut wie jeder Kunde identifiziert, welcher abwandern möchte und es können (evtl. auch automatisiert) Maßnahmen zur Haltung des Kunden eingesetzt werden, wie Rabatte, zusätzliche Leistungen usw. Dies ermöglicht dem Kunden flexibel auf Aktivitäten der Konkurrenz zu reagieren, in dem er das momentan passende Churn Model wählt. Datasense leistet weiteres Consulting und Entwicklung; das Modell wird weiter angepasst.
