Blog

Mit Hilfe der Workflow-Komponente einer MRM-Lösung erstellen Marketer Aufgaben und können diese sich selbst oder anderen zuweisen und kontrollieren. Dadurch werden auf einen Blick Timings, Verantwortlichkeiten, der Bearbeitungsstatus von Aufgaben und Kampagnen erkennbar, filterbar und steuerbar.

Marketing Resource Management (kurz MRM) ist bei Marketern immer noch zu wenig bekannt. Leider, denn MRM-Software kann Deine Marketingplanung und -steuerung auf das nächste Level bringen – vorausgesetzt, Du findest die für Deine Bedürfnisse richtige Software. Um im MRM-Markt Orientierung zu geben, hat b.telligent als technologieunabhängiges Beratungsunternehmen relevante Anbieter analysiert, klassifiziert und so eine Marktübersicht mit Hilfestellungen, Funktionsübersichten und Anbieterprofilen erstellt: den b.telligent MRM Market Overview.

Am Zitat „Daten sind das Gold des 21. Jahrhunderts“ kam in den letzten Jahren kaum jemand vorbei. Doch es gibt einen entscheidenden Unterschied zwischen Daten und Gold. Daten haben nur einen Wert, wenn man sie nutzt. Um diese Nutzung zu ermöglichen, muss sich in vielen Fällen etwas ändern – die Daten müssen demokratisiert werden.

In der Arbeit mit Tableau stolpert man früher oder später über den Begriff der Tableau Sets. Im Folgenden wird erläutert, was Sets sind und wie sie sich von Gruppierungen unterscheiden. Außerdem zeigen wir, wie man Sets in Tableau erstellen kann und somit für mehr Interaktivität sorgt.

In der Google Cloud ist Vertex AI das MLOps-Framework. Es ist sehr flexibel und kann grundsätzlich mit jedem beliebigen Modellierungs-Framework verwendet werden. Einige sind jedoch etwas einfacher zu nutzen als andere: TensorFlow, XGBoost und scikit-learn beispielsweise werden mit vorgefertigten und durchaus hilfreichen Container-Images unterstützt. nDieser Blogbeitrag zeigt, wie Du andere Frameworks einsetzen kannst. Wir verwenden ein LightGBM-Modell als Beispiel, der Arbeitsablauf kann aber recht leicht auf jedes andere Modellierungspaket übertragen werden.

Als Data Scientists trainieren wir regelmäßig unterschiedliche Machine-Learning-Modelle in der Cloud. Wie Du Dein Modelltraining mithilfe von Python Packages nun strukturierst, erfährst Du hier. Denn obwohl jedes Modell seinen eigenen, individuellen Anwendungszweck hat, fällt irgendwann auf, dass Codeschnipsel von einem Projekt in das andere kopiert werden. Bei mir ist es häufig Code für das Einlesen von Daten aus einer Datenbank oder für einen Preprocessing-Schritt. Um genau dieses Kopieren von Code zu vermeiden, sind Python-Pakete ideal geeignet – oft genutzte Funktionen lassen sich an einem Ort sammeln. Dies bringt viele Vorteile bei der Wartung und dem Testing des Codes.Im folgenden Blogartikel wollen wir uns ansehen, wie ein Python-Paket in der GCP nutzbar gemacht und in einen Vertex-AI-Training-Job eingebunden werden kann.

Nachdem wir in den ersten Artikeln einen Ausflug in die Welt von Ray gemacht haben, wollen wir uns jetzt Vertex AI – dem Schlüsselbereich aller Machine Learning Services in GCP – widmen. Pipelines sollen das Leben in der Machine-Learning-Welt einfacher machen. Sie versprechen, durch ein hohes Maß an Automatisierung Entwicklungszyklen zu verkürzen. Außerdem soll das Team durch eine Abstraktion der Infrastruktur keine Expertise mit Microservices etc. benötigen und kann sich stattdessen auf seine Kernkompetenzen fokussieren.

In diesem Blogbeitrag wollen wir uns an einem einfachen Beispiel ansehen, wie eine Machine Learning Pipeline in Vertex AI aufgesetzt werden kann.

Die SAP Data Warehouse Cloud bietet Nutzer:innen neue Wege, um Daten im Unternehmen zu verarbeiten und zu nutzen. Mit der „SAP BW Bridge for SAP Data Warehouse Cloud“ wird es Kund:innen mit einem On-Premise-SAP-BW nun erleichtert, den Schritt in die Cloud zu gehen. Wir zeigen Dir hier, was die BW Bridge ausmacht und wodurch sie Dich auf der Reise in die Cloud unterstützt!

Zehn Jahre ist es nun her, dass der SQL Server 2012 das Licht der Welt erblickte. Zehn Jahre, und nun soll Schluss sein – zumindest, was den Extended Support betrifft. Bevor wir darüber sprechen, was das bedeutet und wie Deine Optionen aussehen, möchte ich den Anlass nutzen, um nochmal eben diese zehn Jahre zurückzublicken: auf Dinge, deren Grundstein damals gelegt und die heute Standard in der Datenbanklandschaft und speziell im BI-Kontext sind.

Für spezifische Anwendungsfälle, wie das Deckungsbeitragsschema, ist die Darstellung von Kennzahlen in einer Dimensionstabelle anstelle der klassischen Faktentabelle sinnvoll. In diesem Beitrag zeigen wir Dir Charakteristika und einen Implementierungsansatz in Power BI.

Immer öfter wird Power BI nicht nur als Self-Service-Tool eingesetzt, sondern bildet auch die Grundlage von operationalisierten Analytics-Anwendungen vieler international agierender Unternehmen oder sogar im B2B-Bereich. Gerade hier entsteht der Bedarf, Power BI Reports in mehreren Sprachen anzuzeigen. Nun muss man sich entscheiden: Erstelle ich einen Report pro Sprache oder versuche ich, meinen Report nach einer Sprache filterbar zu gestalten? Wir wollen uns in diesem Beitrag letzteren Ansatz anschauen

In diesem Beitrag wird es nun um die Protegrity-Plattform im Detail und das Zusammenspiel mit Exasol gehen. Die Protegrity-Plattform hat den Anspruch, einen weitreichenden Schutz der Daten entlang verschiedener Applikationen und Datenspeicher End2End zu realisieren.