Die erste echte Data Science Beratung in Deutschland Alexander Thamm GmbH Richtungsweisend für bessere Business-Entscheidungen Wir sind die erste echte Data Science Bera- Machbarkeit aus Datensicht und die Rentabili- tung im deutschsprachigen Raum. Unsere in tät von Projektideen. Unsere Kunden profitieren München ansässige Firma wurde 2012 vom durch unseren Lösungsansatz vom Konzept bis Eigentümer Alexander Thamm gegründet und zum Betrieb, denn 9 von 10 Piloten werden ist als erstes Unternehmen rein auf Analytics in den operativen Betrieb übernommen. Zu und Big Data spezialisiert. unseren Kunden gehören: BMW, VW, MAN, Vorwerk, E.ON, Fidor und viele mehr. Wir helfen unseren Kunden Wettbewerbsvorteile und Mehrwerte durch Analytics zu gene- Data Scientists sind rar. Deshalb bilden wir sie rieren. Dabei profitieren sie von effizienteren aus, z. B. im Rahmen unseres 12-monatigen Prozessen und besseren Entscheidungen durch Trainee-Programms. Das Ergebnis sind die Nutzung von Big Data. Unsere Analytics effiziente und eingespielte Teams, was eine Projekte ermöglichen innovative Produkte und schnellere Umsetzung und agiles Umgehen zeigen neue Geschäftsmodelle auf. Gemeinsam mit Veränderung ermöglicht. Wir beschäftigen mit unseren Kunden verbessern wir das Leben Mitarbeiter aus den Bereichen Statistik, Mathe- ihres Endkunden und erzeugen somit mess- matik, Maschinenbau, Betriebs- und Volkswirt- baren positiven Einfluss auf ihre Kennzahlen. schaft sowie der Informatik. Daher verfügen wir über Expertise zur Lösungsfindung durch 2 Die Wirksamkeit unserer Ideen haben wir statistische Prognosen, Datenmodellierung und bisher in mehr als 50 Proof of Concepts unter interaktiver Visualisierung. Unsere Mitarbeiter Beweis gestellt. Außerdem wurden bereits verfügen über langjährige und umfangreiche über 150 Analytics Projekte von uns erfolg- Projekterfahrung in Branchen wie Automotive, reich realisiert. Wir haben den Blick für die Energy, Finance und Consumer Goods. 3 AT-Prozess: Mit unserem Analytics Kompass navigieren wir Sie sicher durch den Datendschungel Business Processes Insights Visualization Data Intelligence l Ana yti cs Se rv ic es Manag ment e Predictive Analytics 4 Die Chance Die Lösung Daten sind der wichtigste Rohstoff des 21. Jahr- Die Alexander Thamm GmbH hat deshalb den hunderts. Big Data Analytics und Data Science einzigartigen und ganzheitlichen Alexander bieten riesige Potenziale und unzählige Mög- Thamm Prozess, kurz AT-Prozess, entwickelt. lichkeiten, Produkte, Dienstleistungen und Unser Kompass symbolisiert das Zusammenspiel interne Prozesse zu optimieren. der fünf Elemente Business Processes, Data Intelligence, Predictive Analytics, Insights Das Problem Visualization und Analytics Services Big Data Analytics und Data Science sind in Management. Jeder unserer Data Scientists aller Munde – jedoch fehlt es in den Unter- wird in allen fünf Elementen ausgebildet und hat nehmen an Experten, Erfahrung und erfolg- sich auf mindestens einen Bereich spezialisiert. reichen Methoden. Den richtigen Ansatz zur Der AT-Prozess ist unabhängig von bestimmten Durchführung von Big Data Projekten zu finden Technologien oder Software-Anbietern und ist erfolgsentscheidend, aber auch extrem kann individuell an die bestehenden IT-Lösungen schwierig. Es gibt zu wenig Fachkräfte mit unserer Kunden angepasst werden. Wir verfügen Erfahrung und keine ganzheitlichen Methoden über ein breites Netzwerk an Technologien und oder Projektvorgehen, um die gewünschten Partnern, die den AT-Prozess ideal ergänzen. Erfolge zu generieren. 5 Business Processes Insights Visualization Data Intelligence i cs l yt A na er S Business Processes: Orientierung schaffen und neue Wege gehen vic es Manag ment e Predictive Analytics Zu Beginn eines Analytics Projekts stehen Sie Nach diesem wichtigen Schritt wissen wir, welche vor einer konkreten Herausforderung, oder Sie fachlichen Anforderungen Sie konkret haben. fragen uns einfach, was wir aus Ihren Daten Unsere interdisziplinär aufgestellten Teams aus machen können. Unabhängig davon, wollen Betriebswirten, Informatikern und Statistikern wir das zu lösende Problem genau durch- übersetzen anschließend das Problem in konkrete leuchten und verstehen. Dafür analysieren wir IT-Anforderungen, benennen die relevanten je nach Fragestellung betriebswirtschaftliche Daten und bestimmen eine geeignete Analyse- Prozesse, Kundenverhalten oder auch mecha- methode. In Form von Workshops nutzen wir nische Eigenschaften von Anlagen – z. B. zur Methoden wie Design Thinking und Business Untersuchung folgender Fragen: Process Modelling. So verstehen wir das Zusammenspiel der Geschäftsmechanismen und ♦ Welche relevanten Anspruchsgruppen gibt es? das Analysekonzept liefert die Basis für die Phase ♦ Wo ergeben sich konkrete Einsparungs- Data Intelligence. potenziale? ♦ Wie können durch die Nutzung von Daten Prozessergebnisse verbessert werden? ♦ Welche betrieblichen und technischen Restriktionen bestehen im Kontext des Projekts? ♦ Wie lässt sich der Nutzen des Projektvorhabens bewerten? 6 7 Business Processes Insights Visualization Data Intelligence i cs l yt A na er S Data Intelligence: Im Datenmeer finden wir die richtigen Daten vic es Manag ment e Predictive Analytics Daten gibt es in den verschiedensten Formen: Bevor wir mit der eigentlichen Auswertung ♦ Zahlen, bspw. Messwerte oder Kennzahlen starten, endet dieser Prozessschritt mit der ♦ binäre Variablen um bspw. Kaufentscheidun- Validierung der Daten: Wir prüfen die Daten gen (ja oder nein) von Kunden zu beschreiben ♦ Text, entweder strukturiert, z. B. in Form von Modellbezeichnungen oder unstrukturiert, auf Plausibilität, suchen nach eventuell falsch codierten Beobachtungen und eliminieren falsche Werte. z. B. in Form von Kundenrezensionen zu einem Produkt Für die Ablage, Beschaffung, Aufbereitung und Bereitstellung der Daten arbeiten wir technologie- 8 Egal ob Daten bereits in Ihrem Unternehmen unabhängig. Unsere Kunden nutzen sowohl vorliegen, aus externen Quellen angebunden klassische Systeme wie Oracle DB, MS SQL werden oder wir ein Konzept zu deren Erhe- Server, My SQL oder SAP als auch No SQL und bung aufsetzen: Wir lassen die Daten sozusa- HDFS Datenbanken wie Mongo DB, Hadoop, gen dieselbe Sprache sprechen. Gleichzeitig MapR, Hortonworks oder Pivotal. Für Log-, und berücksichtigen wir, dass verschiedene Frage- Sensordaten Streaming nutzen unsere Data stellungen unterschiedliche Anforderungen Intelligence Experten Lösungen wie Storm, an die Struktur des Datensatzes stellen. Splunk und Kibana. 9 Business Processes Insights Visualization Data Intelligence i cs l yt A na er S Predictive Analytics: Wir erkennen Hindernisse, bevor diese überhaupt auf dem Weg auftauchen vic es Manag ment e Predictive Analytics Daten werden heute immer größer und fachlich Haltbarkeit einzelner Fahrzeugkomponenten komplexer. Mit bisherigen, manuellen Ansätzen auswirkt, können anhand von individuellen stößt man hier schnell an die Grenzen des Fahrprofilen kundenspezifische Service-Bedarfe Machbaren. Mit Hilfe von Predictive Analytics vorhergesagt werden. Oder wir bewerten können wir entweder konkrete Fragestellungen anhand von Interaktionen in der Vergangenheit und Hypothesen bewerten oder wir suchen die Wahrscheinlichkeit eines Kunden, sich in nach der nächsten (sinnvollen) Frage, auf die naher Zukunft ein Produkt derselben Marke zu versteckte Muster und Regelmäßigkeiten in den kaufen – um bei erhöhtem Abwanderungsrisiko Daten hinweisen. Wir wenden mathematisch- gegensteuern zu können. Unsere Ergebnisse sind statistische Algorithmen auf Ihre vorhandenen die optimale Kombination aus konkretem An- Ist-Daten an, um validierte Prognosen über wendungsfall und geeigneter Analysemethode, zukünftige Trends und Wahrscheinlichkei- damit Sie am Ende bessere Entscheidungen ten zu erstellen. Wir bedienen uns hierzu aus fällen können. unserem Analytics Baukasten. Dieser enthält Werkzeuge aus mathematischer Optimierung, Unsere Data Scientists arbeiten größtenteils mit maschinellem Lernen, statistischen Verfahren der Statistik Software R. Je nach Infrastruktur bis hin zu Physik und Bio-Informatik. unserer Kunden setzen wir auch Tools wie SAS, IBM SPSS, MATLAB, Rapidminer, Spark, Hadoop Indem wir z. B. analysieren, wie sich das jewei- Map Reduce und Teradata ein. lige Fahrverhalten auf den Verschleiß und die 10 11 Business Processes Insights Visualization Data Intelligence i cs l yt A na er S Insights Visualization: Ein Bild sagt mehr als 1.000 Zahlen vic es Manag ment e Predictive Analytics Für das menschliche Gehirn sind Daten in Durch die adressatengerechte Aufbereitung Form von Bildern viel schneller und besser zu und Visualisierung von Daten und Analyse- verarbeiten als endlose Zahlenreihen in Tabel- ergebnissen ermöglichen unsere Data Artists lenform. Die Visualisierung von Daten ist Ihnen eine einfache Bedienbarkeit. Unsere deshalb nicht nur für Präsentationen wichtig, intuitiven Apps, Tools, Frontends und Präsen- sondern vor allem auch um die Daten zu tationen sind visuell ansprechend, schaffen untersuchen und zu verstehen. zusätzlich auch einen Kontext und ermöglichen die Interpretierbarkeit Ihrer Daten. Wir arbeiten Bei der Entwicklung von Applikationen berück- mit unterschiedlicher Visualisierungs-Software sichtigen wir die neuesten Erkenntnisse in den wie bspw. Tableau, QlikView, R-Shiny oder Bereichen Usability, Information Design SAP BO. Zusätzlich entwickeln wir individuelle und Mobility. Unser Team aus Entwicklern, Dashboards und Frontends in HTML, Javascript, Statistikern, Designern und Ingenieuren findet D3.js oder Ruby on Rails. in enger Abstimmung mit Ihnen die perfekte Visualisierung für Ihre Daten. Lassen Sie sich beispielsweise Ihre Umsätze auf einer interaktiven Karte anzeigen, um Ballungszentren zu identifizieren. 12 13 Business Processes Insights Visualization Data Intelligence ic s lyt Ana er vic es S Analytics Services Management: Zuverlässige Unterstützung im täglichen Betrieb Management Predictive Analytics Wir führen für Sie die von uns entwickelte Unsere ITIL-zertifizierten Mitarbeiter erstellen App in Ihren Betrieb über. Diese interaktive ein auf Ihre Bedürfnisse individuell zugeschnittenes App können Sie sowohl für wiederkehrende ASM-Package. Dabei umfassen unsere Leistungen: als auch für neue Analysen nutzen. Gerne stellen wir für Sie eine regelmäßige, frist- ♦ Dokumentation gerechte und validierte Versorgung Ihrer ♦ Applikationsbetrieb eigenen Prozesse mit aktuellen Daten sicher, ♦ Datenaktualisierung warten diese und sorgen für einen reibungs- ♦ Präventive und reaktive Wartung losen Betrieb. ♦ Server-Administration ♦ User-Verwaltung und -Support Die Technologie der ETL-Strecke spielt dabei keine Rolle – wir passen den Prozess an Ihre jeweilige Datenbank- und IT-Infrastruktur an. Auf Wunsch überführen wir Ihre App nach der Erstellung in Ihren IT-Betrieb. Gerne übernehmen wir auch die anschließende Wartung und den Support sowie alle damit verbundenen administrativen Tätigkeiten für Sie. 14 15 Identifikationphase Project Definition Exploration Stage Data Science Project Set-up Result Validation Daily Meeting Data Intelligence ic s l yt Ana Se rv # Sprints ice s ben und spezielle Anforderungen zu übersetzen. Hauptkomponenten: Der Identifikationsphase In der Result Validation Stage werden die neu und der Realisierungsphase. Die Identifika- gewonnen Informationen verifiziert und weiter tionsphase ist der Realisierungsphase vorge- untersucht. Diese Vorstufen führen schließlich zu lagert und beinhaltet wesentliche Schritte für einem klar definierbaren Data Science Project neue und innovative Data Science Projekte Set-Up, in welchem Ziele, Kosten und Zeit ein- bei denen nicht auf existierendes Vorwissen facher abgeschätzt werden können. Die Realisierungsphase kombiniert den AT- Business Processes Insights Visualization Das AT-Projektvorgehen besteht aus zwei zurückgegriffen werden kann. Realisierungsphase Product Backlog AT-Projektvorgehen: Mit einem strukturierten Vorgehen sicher das Ziel erreichen Ma nagement Das Ziel der Identifikationsphase ist es, inner- Prozess mit einem agilen SCRUM Projekt- halb kürzester Zeit ein besseres Verständnis zur management Ansatz, um Analytics Projekte allgemeinen Situation und ihren Herausforde- effizient und effektiv durchzuführen. Bei der rungen zu bekommen. Dies geschieht ausge- Umsetzung greifen wir auf bekannte Elemente hend von einer initialen Projekt Definition des agilen Projektmanagements wie Sprints, (anhand konkreter User Stories), die entweder Daily Stand-Up Meetings, Product Backlogs, von Ihnen geliefert wird oder gemeinsam mit Review Processes und Testing Phases zurück. uns erarbeitet wird. Auf dieser Basis findet die Dieses Vorgehen ist in jedes Element des AT- Exploration Stage statt. Unterschiedliche Me- Prozesses eingebettet. Dadurch wird garantiert, thoden, wie z. B. Design Thinking und Business dass die Projektqualität und der Projekterfolg Process Modelling, werden eingesetzt, um die innerhalb der vorgegeben Zeit und Kosten definierten Ziele in Herausforderungen, Aufga- erreicht werden kann. Team Predictive Analytics 16 17 Kunden: Unsere Weggefährten Automotive Energy € Consumer Goods 18 Finance Automotive Energy In der Automobilindustrie haben wir bereits Big Data Analytics wird für Energieversorger über 100 Analytics-Projekte für Kunden wie wie E.ON immer wichtiger. Durch Load Fore- BMW, VW, MAN und Skoda umgesetzt. casting oder Kundenanalyse können große Die Themen reichen dabei von Predictive Einsparungspotentiale erreicht werden. Des Maintenance über Telematikdienste bis hin Weiteren betreiben wir für einen großen Ener- zu Connected Car. gie Konzern deren Self-Service BI Plattform. Finance Consumer Goods Für die Finanzbranche entwickeln wir Scoring Gerade im Bereich Consumer Goods gewinnt Modelle, visualisieren Kundendaten und Geld- das Thema Internet of Things (IoT) immer ströme in Echtzeit oder optimieren Produkte. mehr an Bedeutung. Für Kunden wie Vorwerk Und das sogar preisgekrönt: für das Com- realisieren wir dazu innovative Projekte um munity Karma haben wir gemeinsam mit der Produkte näher am Kunden zu entwickeln und Fidor Bank den Preis „Banking IT – Innovation langfristig Kundenloyalität zu steigern. Award“ der Universität St. Gallen erhalten. 19 Automotive Motorschaden tritt auf Success Story: Predictive Maintenance € Energy Finance Consumer Goods Herausforderung Die Herausforderung eines internationalen Automobilherstellers bestand darin Fahrzeuge mit einem möglichen Defekt vorab zu identifizieren, bevor der Fehler wirklich auftritt, um Gewährleistungskosten senken oder vermeiden zu können. Ausfallquote betroffenener Autos AT-Lösung Gewährleistungskosten Kundenzufriedenheit Durch die Kombination von Messwertdaten, Stammdaten des Fahrzeuges und Diagnosedaten konnte ein Prognosemodell erstellt werden, das den Fehlerauftritt zuverlässig vorhersagt. Mit Hilfe 100% € € € 25% ohne Predictive Maintenance 20 der Fachabteilung und weiteren Spezialisten konnten Fehler vorab erkannt und identifiziert werden. mit Predictive Maintenance 50% Ersparnis Ergebnis Durch das Prognosemodell konnten 75% der betroffenen Fahrzeuge identifiziert werden. Prüfkosten und etwaige, aufwändige Rückrufaktionen konnten vermieden werden. Die Gewährleistungskosten wurden um über 50% gesenkt. Gleichzeitig generierte der Automobilhersteller zufriedenere € € € € € € ohne Predictive Maintenance mit Predictive Maintenance ohne Predictive Maintenance Kunden und steigerte somit die Kundenbindung. mit Predictive Maintenance 21 Automotive Reduzierung Kreditausfallquote Success Story: Credit Scoring 100% 40% 30% 5,9% Energy € Finance Consumer Goods Herausforderung 20% Der Geldnotruf ist ein Minikredit in Höhe von 100 – 199 € mit einer Laufzeit von 1 – 2 Monaten. 0,4% 10% Der meistgenutzte Ansatz zur Evaluierung der Kreditwürdigkeit ist die SCHUFA Auskunft. Die Zielgruppe für den Geldnotruf besitzt zum Teil bereits Einträge bei der SCHUFA. Daher müssen andere Unterscheidungsmerkmale in den Kundengruppen identifiziert werden, um deren aktuelle Bonität und damit Rückzahlungswahrscheinlichkeit beurteilen zu können. 0% AT-Lösung Verhinderte Kreditausfälle über 3000 Break-Even-Point Unser Algorithmus berücksichtigt unterschiedliche Daten wie die persönliche Kredithistorie, Transaktionen oder Social Media Aktivitäten um die Ausfallwahrscheinlichkeit zu ermitteln. Diese wird in € Echtzeit in unter 60 Sekunden berechnet. Der Bank wird damit die Möglichkeit gegeben, Kunden Erlöse mit einer hohen Ausfallwahrscheinlichkeit kleinere Kredite zu gewähren. Außerdem werden Kunden- in 6 Monaten € € € € € € € € € € eigenschaften identifiziert, welche einen signifikanten Einfluss auf die Rückzahlungsmoral haben. € € € € € Durch die Kundenklassifizierung können Ausfallrisiken erkannt und Verluste bei Bank und Kunden minimiert werden. Die Kreditausfallquote konnte um über 90% gesenkt werden – und dies bei gleichbleibender Vergabequote. Innerhalb von nur 3 Monaten amortisierten sich die Entwicklungs- € kosten für das Credit Scoring. 3 Monate € Ergebnis Gewinn Kosten € t 22 23 Automotive Haushaltsgeräte nicht vernetzt Success Story: Connected Household Appliances € Energy Finance Consumer Goods Herausforderung Ein internationaler Haushaltsgerätehersteller möchte das Kundenverhalten direkt am Gerät analysieren. Das auf dem Markt befindliche Gerät ist nicht vernetzt und liefert bisher keine Nutzerdaten zurück. Der Abruf der Nutzerdaten sollen dem Kunden nicht transparent gemacht werden. Entwicklung Sensor zur Datenerfassung Einbau in Geräte vernetzte Haushaltsgeräte AT-Lösung Auf Basis von definierten UseCases der Market Research Abteilung erarbeiten wir konkrete Variablen und deren Datenquellen, sowie einen technischen Implementierungsvorschlag des Datenmodells. Eine interaktive Applikation wird mit simulierten Testdaten aufgebaut und der Market Research Abteilung zur weiterführenden Analyse zur Verfügung gestellt. Ergebnis Verhaltensmuster können identifiziert und adressiert werden. Durch prädiktive und vernetzte „Customer Care“ Maßnahmen kann die Kundenzufriedenheit gesteigert werden. Außerdem können gezielte Marketingmaßnahmen durchgeführt werden und dadurch Marktanteile gesteigert werden. 24 25 Automotive Kunden mit Wechselabsicht Success Story: Churn Prediction 40% Energy € Finance Consumer Goods Herausforderung In den meisten Industrien gilt der Grundsatz, dass es günstiger ist, einen Kunden zu halten als einen neuen zu gewinnen. Dies gilt vor allem für langfristige Produkte und Luxusgüter wie Autos. Unser Kunde, ein führender Automobilhersteller, wollte Kunden, die abzuwandern drohten identifizieren und zum Wiederkauf motivieren. Dabei war die Analyse der Wechselursachen essentiell um individuelle Wechselabsicht erkannt Top Ursachen identifiziert Rückgewinnung Kunden Maßnahmen zum Wiederkauf einzuleiten. AT-Lösung Zur Bestimmung der Churn (Abwanderung) Wahrscheinlichkeiten wird ein Logit Modell angewandt, 90% das verschiedene Informationen zu Kunden sowie Fahrzeug-Modell berücksichtigt. Falls der Kunde noch im Besitz eines Autos ist, wird in erster Instanz die Verkaufswahrscheinlichkeit mit Hilfe eines Ursachen Survival Modells bestimmt um eine präzise Bestimmung der Churn Wahrscheinlichkeit zu ermöglichen. Anhand einer Treiberanalyse schaffen wir Transparenz über die jeweilige Ursache der Abwanderung wie z. B. Wiederholreparaturen oder schlechter Kundenservice. Ergebnis Mit Big Data Analytics können nun genau diejenigen Kunden mit dem höchsten Wechselrisiko priori- 0% ohne Churn Prediction 26 siert werden und individualisierte Maßnahmen ergriffen werden, um diese zu halten. Die Ressourcenaufteilung in der Firma wird effizienter, was in dem Fall nicht nur Geld spart, sondern auch zu gesteimit Churn Prediction Einfluss auf Abwanderung gerter Loyalität führt. Die Methode hat eine 90% Trefferquote. 27 Automotive Fahrzeug liest Fahrer als wichtig identifizierte E-Mails vor Berechnung der optimalen Wiederbetankung @ Angebot für günstigere Versicherung wegen guter Fahrweise Success Story: Connected Car Energy € Finance Versicherung Consumer Goods Herausforderung Im Zeitalter von Connectivity und Internet of Things (IoT) wird es immer wichtiger, Produkte miteinander zu vernetzen und intelligenter zu machen. Das schafft auf der einen Seite ein noch nicht dagewesenes Erlebnis für den Verbraucher und hilft gleichzeitig Unternehmen, mehr über die Nutzung ihrer Produkte zu erfahren. Letzteres hilft bei der kontinuierlichen Verbesserung der Produkte bspw. im Bereich Predictive Maintenance. Die große Herausforderung ist es hierbei, für alle Geräte ein gemeinsames und funktionierendes Ökosystem zu schaffen. AT-Lösung Wir stellen sicher, dass die richtigen Daten, bspw. von Sensoren, erhoben werden. Mittels statistischer Methoden schaffen wir dann aus den Daten neue Erkenntnisse. So können wir bspw. mit der Vernetzung von Heizkörpern Heizkosten sparen oder ein Navigationssystem mit externen Daten dazu befähi- Wecker klingelt 30 Minuten früher wegen Glatteis Heizung wird runtergeschalten, wenn Auto sich entfernt Auto fährt beim Büro direkt zu freiem Parkplatz gen, eigenständig Großereignisse (z. B. Marathon) zu umfahren. Ergebnis Die Vernetzung von Fahrzeugen in Verbindung mit statistischen Methoden bietet einen großen Mehrwert für den Endkunden und ist ein zentrales Instrument für eine langfristige Kundenbindung und ein wichtiger Wettbewerbsvorteil im hart umkämpften Automobilmarkt. Der Endkunde profitiert bspw. von der Frühwarnung vor Glätte, dem intelligenten Umfahren von Großereignissen oder die Berechnung der optimalen Wiederbetankung unter Berücksichtigung von Preisdaten und Abweichung von der aktuellen Route. 28 29 Automotive Stromeinspeisung Success Story: Load Forecasting gelieferter Strom € Energy Finance Consumer Goods € Strafzahlung für Stromlieferant bei geringerem Verbrauch € Strafzahlung für Stromlieferant bei höherem Verbrauch Herausforderung Ein Kunde aus dem Energie-Sektor muss die Lastgänge seiner Vertriebspartner täglich genau prognostizieren. Die aktuell verwendete Prognosesoftware war nicht flexibel genug und lieferte im Detail zu ungenaue Prognosen. Dadurch entstand der Kundenwunsch nach einer transparenteren, flexiblen und performanten Lösung. AT-Lösung Durch die Verwendung moderner Prognose-Algorithmen (Deep Learning) und weiterer Einflussfaktoren, konnte die Prognosegüte verbessert werden. Vor allem die Verwendung neuer Wetterparameter und analysierte Daten Stromlast Kostenersparnis das intensive Tuning des Modells zeigten signifikante Verbesserungen bzgl. der Prognosegüte. Megawatt Ergebnis € € wir eine erhebliche Verbesserung der Prozess-Transparenz im Vergleich zur bestehenden Lösung. Es wurde nachgewiesen, dass auch mit einem nahezu vollautomatisierten Prozess eine bessere Prognosegüte erreicht wird. 31 € Ist-Stromverbrauch AT-Prognose alte Prognose 30 € Das stabile Prognosemodell funktioniert in einer automatisierten Umgebung. Außerdem erreichten € € Zeit 31 Suchen Sie auch Orientierung im Datendschungel? Dann kontaktieren Sie uns! Business Processes Insights Visualization Data Intelligence i cs l yt A na S er vic es Manag ment e Predictive Analytics Alexander Thamm GmbH Wilhelm-Wagenfeld-Str. 20 80807 München T +49 89 / 307 60880 [email protected] www.alexanderthamm.com
© Copyright 2024 ExpyDoc
