Blog

Data Mesh ist das aktuelle technische, organisatorische Konzept, um in großen Data-&-Analytics-Organisationen mehr Business-Nähe und mehr Skalierung zu ermöglichen. Eine konsequente Umsetzung ist revolutionär und erfordert Change-Management.

Ob in der Lagerung, der Produktion oder im Kundenservice – in völlig unterschiedlichen Geschäftsprozessen werden Bilder genutzt, die analysiert und bewertet werden müssen. Die manuelle Auswertung dieser Bilder ist dabei allerdings sowohl zeitaufwendig als auch fehleranfällig. Dank Computer Vision, also der maschinellen Analyse und Verarbeitung von Bildern, lassen sich derartige Prozesse automatisieren. Dabei sind Maschinen heute dank eines hohen methodischen Reifegrads in der Lage, selbst komplizierte Analysen durchzuführen.

Die SAP Analytics Cloud ermöglicht es, mit der Erstellung von Analytic Applications komplexe Berichtsszenarien für Kunden abzubilden. Mit dem Custom Widgets wird diese Funktion um einen entscheidenden Baustein erweitert, der es ermöglicht, einige Visualisierungen schnell und nutzerzentriert zu bauen. Wir zeigen Dir hier, wie Du diese erstellen und in eine SAC-Applikation einbetten kannst.

Wenn eine Datenanalyse-Pipeline nach erfolgreichem Proof of Concept (POC) in Produktion gehen soll, ist dies oft ein langer Weg. Ibis bietet die Möglichkeit, diesen Prozess zu vereinfachen und somit schneller Mehrwert zu erzeugen.

Nach der erfolgreichen lokalen Entwicklung einer Analyse-Datenpipeline in Python muss der Code oftmals umgeschrieben werden, um in Produktion laufen zu können. Aber muss das eigentlich so sein? Die Python-Ibis-Bibliothek, die der Hauptautor der Python-Pandas-Bibliothek Wes McKinney programmiert hat, bietet eine spannende Lösung, um Datenverarbeitung zwischen Produktions- und Entwicklungsumgebungen anzugleichen und es somit dem Analytics-Team zu ermöglichen, schneller in Produktion zu gehen. Wir zeigen Dir in diesem Blogbeitrag, wie das funktioniert.

Die Monitoring-Komponente einer MRM-Lösung bietet Analyse-, Auswertungs- und Reportingfunktionen, die Marketern z. B. mit Hilfe von Dashboards oder durch die Konfiguration von Berichten eine transparente Statusdarstellung ihrer Aktivitäten ermöglichen.

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.