Handfestes Know-how, Tipps & Tricks und die Insights unserer Datenprofis findest Du hier in unseren Blogbeiträgen
Was macht Multi-Touch-Attribution (MTA) so besonders? Anders als herkömmliche Modelle wie First- oder Last-Click-Attribution, liefert MTA eine ganzheitliche Sicht auf die Customer Journey. Moderne Tools wie Google Analytics 4, BigQuery und innovative Methoden wie Markov Chains machen datenbasierte Entscheidungen möglich – und das effizient und nachvollziehbar. Wir zeigen Dir, wie das funktioniert.
Was macht Multi-Touch-Attribution (MTA) so besonders? Anders als herkömmliche Modelle wie First- oder Last-Click-Attribution, liefert MTA eine ganzheitliche Sicht auf die Customer Journey. Moderne Tools wie Google Analytics 4, BigQuery und innovative Methoden wie Markov Chains machen datenbasierte Entscheidungen möglich – und das effizient und nachvollziehbar. Wir zeigen Dir, wie das funktioniert.
Entscheidend im Smart Manufacturing sind eine skalierbare Edge-Plattform und die Fähigkeit, geschäftsrelevante Use Cases schnell umzusetzen. Mit Azure IoT Operations und Microsoft Fabric bietet Microsoft zwei revolutionäre Technologien, die Echtzeiteinblicke in die Produktion ermöglichen. In diesem Blogbeitrag zeigen wir Dir, wie Du mit diesen Lösungen das Potenzial von Use Cases wie Predictive Maintenance, Prozessoptimierung und generativer KI heben und diese von bloßen Konzepten zu echten Werttreibern entwickeln kannst.
Mit Snowflake Document AI können innerhalb der Datenplattform ganz einfach Informationen aus Dokumenten, zum Beispiel Rechnungen oder handgeschriebenen Dokumenten, extrahiert werden. Document AI ist unkompliziert und leicht zu nutzen: entweder via grafische Benutzeroberfläche, via Code in einer Pipeline oder integriert in eine Streamlit-Applikation. In diesem Beitrag erklären wir Dir das Feature, beschreiben, wie die Integration in die Plattform funktioniert, und stellen interessante Anwendungsmöglichkeiten vor.
Du willst Deine Infrastruktur mit Terraform verwalten, aber dann passiert es doch, dass Änderungen manuell gemacht wurden – und Du eine Lösung dafür finden musst. Der Umgang damit unterscheidet sich von Fall zu Fall.
Es ist eine große Stärke von Terraform, dass es mit Änderungen außerhalb der von ihm verwalteten Ressourcen umgehen kann. Die Stichworte sind: data, import, removed, ignore_changes, lock, variables.
SAP-Datenintegration ist komplex: Performance-Probleme, Speichergrenzen und die Integration von Drittsystemen fordern Unternehmen heraus. Mit unserem flexiblen Framework schaffst Du eine leistungsstarke und skalierbare Lösung, die SAP BW und S/4HANA optimal ergänzt – effizient, zukunftssicher und kostengünstig.
Entdecke, wie Du AWS Redshift mit minimaler Komplexität erweitern kannst, indem Du AWS Lambda, Fargate und SQS nutzt.
Viele Security-Überlegungen rund um Azure drehen sich primär um die Netzwerksicherheit. Welche weiteren Security-Säulen im Kontext von Microsoft Fabric betrachtet werden sollten, wird im Folgenden aufgezeigt.
Viele Unternehmen mit SAP-Quellsystemen kennen diese Herausforderung: Sie wollen ihre Daten in einen Azure Data Lake integrieren, um sie dort mit Daten aus anderen Quellsystemen und Applikationen für Reporting und Advanced Analytics weiterzuverarbeiten. Auch die neuen SAP-Informationen zur Nutzung des SAP-ODP-Frameworks führten bei b.telligent Kunden zu Fragen. In diesem Blogbeitrag stellen wir drei gute Ansätze zur Datenintegration (in die Microsoft Azure Cloud) vor, die wir bei b.telligent empfehlen und die von der SAP unterstützt werden.
In Teil 1 fassen wir die Anforderungen der Kunden zusammen.
Wie kann ich Datenquellen, die über Private Endpoints abgesichert sind, in Fabric einbinden? Wie gehe ich mit Azure Data Lakes hinter einer Firewall um? Der Blog-Beitrag zeigt auf, welche Möglichkeiten Fabric nativ bietet.
Azure AI Search, Microsofts serverloses Angebot für das R in RAG, hat seine eigene Skalierungslogik. Sie verbirgt viel von der Komplexität serverbasierter Lösungen, erfordert aber spezifische Kenntnisse.
Polars, der in Rust geschriebene Pandas-Herausforderer, sorgt für erhebliche Beschleunigung nicht nur in der Ausführung des Codes, sondern auch in der Entwicklung. Pandas krankt seit jeher an einer API, die an vielen Stellen „historisch gewachsen“ ist. Ganz anders Polars: Eine API, die von Anfang an auf logische Konsistenz ausgelegt ist und deren Stringenz mit jedem Release sorgfältig gepflegt wird (im Zweifelsfall auch unter Verlusten an Rückwärtskompatibilität), sorgt für eine erheblich schnellere Entwicklung. An vielen Stellen, wo man bisher Pandas eingesetzt hat, kann man es problem los durch Polars ersetzen: In Ibis-Analytics-Projekten, und natürlich einfach für die tägliche Datenaufbereitung aller Art. Gut macht sich die überlegene Performance auch in interaktiven Umfeldern wie PowerBI .