Data Science and Analytics

Seit den letzten Jahren wachsen Künstliche Intelligenz (KI) und Data Science zu Trendthemen heran: 84 Prozent der Entscheidungsträger aus IT und Management geben beispielsweise an, dass der Einsatz von KI einen wettbewerbsentscheidenden Faktor darstellt.

Allerdings fehlt in der Praxis häufig die nötige Expertise, um aus der Vielzahl der Daten die richtigen KI-Anwendungsfälle zu identifizieren und umzusetzen. Dabei liegt die Schwierigkeit vor allem darin, zuverlässige und strategisch relevante Vorhersagen zu treffen.

Welche Entscheidungen möchten Sie zukünftig datengestützt treffen? Diese Frage ist essentiell, denn um langfristig und erfolgreich einen Mehrwert sowie Wettbewerbsvorteile aus Ihren Daten zu generieren, benötigen Sie eine Data-Science-Strategie. Gemeinsam mit Ihnen erarbeiten unsere Expertinnen und Experten in einem interaktiven Workshop das Fundament für Ihre individuellen Data-Science-Projekte und konstruieren erste Use Cases.

Wurde ein konkreter Use Case identifiziert, egal ob dieser auf strukturierten oder unstrukturierten Daten basiert, unterstützen wir Sie bei der Durchführung des Proof-of-Concept sowie bei der Entwicklung eines Minimum Viable Products (MVP). Entscheiden Sie sich in diesem Kontext für unser adesso-Result-as-a-Service-Angebot, können wir Ihren Use Case auch komplett für Sie umsetzen.

Zusätzlich bieten wir Ihnen durch individuell auf Ihr Unternehmen angepasste KI-Schulungen die Option, Data-Science-Kompetenzen in Ihrem Unternehmen aufzubauen. Hier liefert adesso Ihnen einen Überblick über Use Cases, notwendige Skills und Technologien. Damit Ihre Mitarbeiterinnen und Mitarbeiter danach ideal vorbereitet sind, kann die Schulung direkt mit Ihren Daten durchgeführt werden. Dabei haben Sie die Wahl. Welche Programmiersprache für Sie und Ihre Mitarbeitenden geeignet ist, entscheiden Sie selbst.

1. Im Interaction-Room zum Use Case Concept

Vor der Durchführung des zweitägigen Workshops ist es in einem ersten Schritt zunächst notwendig, vorhandene IT-Strukturen, Datenstrukturen, Datenqualität und Informationsgehalt der Daten zu eruieren. Der IR:analytics vereint die BI-/DWH-Expertise mit Ihren Fachbereichen und sorgt von Anfang an für eine optimale Kommunikation und einen regen Austausch. Während des Workshops werden folgende Punkte geklärt:

• Verständnis
• Identifizieren
• Sicherstellen der Machbarkeit und Realisierbarkeit
• Priorisierung

Basierend auf den Ergebnissen des Workshops wird ein grundlegendes Konzept entwickelt, um zu ermitteln, welche Architektur, Technologie, welche Daten und welche Methodik zur Datenaufbereitung sowie zur Umsetzung der identifizierten Use Cases am besten geeignet sind.

2. Vom Konzept zum Prototyp mit Echtdaten

Der zweite Schritt beinhaltet das Prototyping mit dem Ziel, möglichst schnell Use Cases zu testen. Hier beginnt die agile, prototypische Implementierung der ausgearbeiteten Ergebnisse. Basierend auf priorisierten Backlogs erfolgt eine stufenweise Implementierung in Sprints.

Um die Strukturierung von Aufgaben, die Reproduzierbarkeit und Objektivität der Implementierung zu gewährleisten, kombiniert adesso in Data-Science-Projekten agiles Vorgehen mit dem CRISP-DM-Prozess. Der Prozess durchläuft in der Regel mehrere Iterationen. Nach jedem Durchlauf stehen mehr Daten zur Verfügung, die einen gezielteren Vorgang beim nächsten Durchlauf ermöglichen. Am Ende des Prototyping liegen folgende Ergebnisse vor:

• eine Beschreibung einer skalierbaren Architektur für Data Science und KI
• eine prototypische Implementierung des Use Case
• eine auf andere Use Cases übertragbare Dokumentation
• ein Ausblick mit konkreten Next-Step-Empfehlungen

3. Vom PoC zum fertigen Produkt

Bei der Operationalisation geht es um die Produktivstellung des Use Cases. Um gemeinsam mit Ihnen eine Priorisierung für den Rollout bezüglich der Komponenten Funktionen, Kunden und Märkte vorzunehmen, startet der dritte Schritt mit der Entwicklung eines Skalierungsplans, der Big-Data-geeignet ist. Das aus dem Piloten entwickelte Rollout erfolgt Schrittweise. Die Nutzerzahl wird kontinuierlich erhöht, um mehr Daten zur Optimierung des Prototyps zu generieren. Im Fokus der Optimierung stehen das technische (etwa Status oder Uptime) sowie das fachliche Monitoring (etwa Prognosegüte im Zeitverlauf). Auf diese Weise wird der Pilot sukzessive zu einem robusten Data-Science-Produkt entwickelt. Durch umfangreiches Testen in der Entwicklungsphase entsteht aus dem ausgearbeiteten Piloten ein marktfähiger Data Science Use Case.