Banner-small-daten-industrie

Industrie 4.0

Datenanalysen für die vierte industrielle Revolution, bspw. proaktive Wartung von Produktionsressourcen oder die Identifikation von Anomalien in Prozessen.

Banner-small-daten-cities

Smart Cities

Untersuchung datengetriebener Aspekter städtischen Lebens, bspw. der Verkehrssteuerung, der Müllentsorgung oder der Katastrophenbewältigung.

Banner-small-daten-grid

Energie

Bedarfsgesteuerte Optimierung von Verbrauchsmodellen, basierend auf Daten intelligenter Stromzähler, ist ein Beispiel unserer Energie-Analysethemen.

Banner-small-daten-healthcare

Medizin

Datengetriebene Aspekte der Medizin werden untersucht, bspw. die bedarfsgerechte Pflege von Patienten oder IT-gesteuerte Medizintechnik.

Banner-small-daten-cities

Smart Infrastructure

Untersuchung datengetriebener Aspekter städtischen Lebens, bspw. der Verkehrssteuerung, der Müllentsorgung oder der Katastrophenbewältigung, bedarfsgesteuerte Optimierung von Verbrauchsmodellen, basierend auf Daten intelligenter Stromzähler.

Aktuelle Projekte

  • SDSC-BW: Smart-Data-gestützte Kampagnen-Analysen für das Marketing

    Mit der hohen Geschwindigkeit, in der IT-Themen mittlerweile vorangetrieben werden, müssen sich auch Medienunternehmen immer flexibler und schneller anpassen. Hierzu zählen besonders Aktivitäten im Bereich des Marketings und Vertriebs, um die Kundschaft weiterhin zufrieden zu stellen und zusätzliche Potentiale zu heben. Für das Analyseprojekt des Smart Data Solution Center Baden-Württemberg (SDSC-BW) stellte der Huber Verlag für Neue Medien anonymisiert Informationen über abgeschlossene Verträge ihrer Dienstleistung zur Verfügung. Die zugehörigen Vertrags- und Kundendaten sowie die damit verknüpften Marketingaktionen wurden über einen Zeitraum von 72 Monaten gesammelt. Insgesamt wurden Informationen aus 943 Datenbanktabellen verarbeitet und eine Viertel Million Datensätze analysiert und ausgewertet.

    Lesen Sie mehr

  • kit-logo

    Bedarfsanalyse für energetische Baumaßnahmen auf Basis historischer Infrastrukturdaten

    Das KIT-FM (Facility Management) hat über mehrere Jahre Daten gesammelt, die von einem immensen Wert sind: einerseits für die Betriebsführung und andererseits für die Planung sowie Durchführung zukünftiger Infrastrukturentwicklung. Diese Daten sind auch für die Forschung von hohem Interesse.Zum einen soll untersucht werden, wie aus den bestehenden Infrastrukturdaten mit Smart-Data-Methoden präzisere Aussagen für Betriebsführung und Infrastrukturplanung getroffen werden können. Zum anderen soll die Nutzbarkeit der Daten für Projekte im Bereich Forschung und Innovation vorangetrieben werden.

    Lesen Sie mehr

  • john-deere-traktor

    Optimierung der Produktionsprozesse bei John Deere

    Hauptziel des Projekts ist die Reduzierung der Nacharbeit und die Vermeidung von Fehlern bei der Fertigung von Traktoren in der John Deere Fabrik in Mannheim. Das wird durch eine Datenanalyse der Fehlerinformationen, der Prüfprotokollen und ihrer Wirkungszusammenhänge realisiert. Infolge der Ergebnisse aus der Datenauswertung können Prognosen und Regeln für die Fertigungsplanung erstellt werden, die das Unternehmen ein Schritt weiter zur Selbstoptimierung bringen.

    Lesen Sie mehr

  • SDSC-BW: Smarte Versandvolumenvorhersage mit KI-Modellen

    Statt intuitiv mit künstlicher Intelligenz die Versandvolumen vorhersagen, haben sich die Smart Data-Experten des SDSC-BW gemeinsam mit dem Logistik- und Transportunternehmen LGI vorgenommen. Getestet wurden verschiedene Algorithmen zu täglichen, wöchentlichen und monatlichen Vorhersagen, die einer Vergleichsanalyse unterzogen wurden um das beste Modell zu finden. Die komplexen Modelle des SDSC-BW konnten sich in der Vergleichsanalyse gegenüber den herkömmlichen Verfahren beweisen und überzeugen.

    Lesen Sie mehr

  • Vorhersagende Wartung in Gefahr: Ein Churn-Warnsystem

    Die Churn-Prediciton ist eine wichtige Methode um anhand maschinellen Lernens und Data Mining Kundenabwanderung vorherzusagen. Die Herausforderung besteht drain präzise und zeitnahe Vorhersagen zu treffen, so dass das Unternehmen ausreichend Zeit hat, seine Kunden zu halten. Der bisherigen Forschung im B2B-Kontext, wie auch im B2C-Kontext fehlt der dynamische Aspekt makroökonomischer Variablen im Zeitverlauf. Ziel dieser Arbeit ist es ein Kundenabwanderung-Vorhersagemodell, durch den Einsatz von maschinellen Lernalgorithmen, wie Random Forest und Neuronalen Netzwerken, zu erstelle und zu untersuchen ob die Einbeziehung dynamischer Aspekte zu einer verbesserten Vorhersage führt.

    Lesen Sie mehr