Reply Logo
Menu
  • TOPICS
    TOPICS
    • Architecture
    • Artificial Intelligence & Machine Learning
    • AUGMENTED & VIRTUAL REALITY
    • Big Data & Analytics
    • Blockchain
    • Cloud Computing
    • CRM
    • Digital Experience
    • Digital Workplace
    • eCommerce
    • Game & Gamification
    • Industrie 4.0
    • Internet of Things
    • Mobile
    • Quantum Computing
    • Risk, Regulation & Reporting
    • Security
    • Social Networking & Crowdsourcing
    • Supply Chain Management
    • Video
  • INDUSTRIES
    INDUSTRIES
    • Automotive
    • Energy & Utilities
    • Financial Services
    • Logistics & Manufacturing
    • Public Sector & Healthcare
    • Retail & Consumer Products
    • Telco & Media
  • JOIN
    JOIN

    join reply work with us

    Reply ist der ideale Ort, um eine unglaubliche Vielfalt von enthusiastischen, leidenschaftlichen und ideenreichen Menschen zu treffen, die etwas bewegen und verändern wollen.
    Möchtest du mehr erfahren?​

    Go to careers
  • ABOUT
    ABOUT
    • ABOUT
    • REPLY AT A GLANCE
    • ALL REPLY WEBSITES
    • Careers
    • OFFICE LOCATIONS & CONTACTS
    • Reply code for kids
    • INVESTORS
    • FINANCIAL NEWS
    • REPLY SHARE INFORMATION
    • FINANCIAL HIGHLIGHTS
    • FINANCIAL CALENDAR AND EVENTS
    • FINANCIAL REPORTS
    • SHAREHOLDERS' MEETING
    • LOYALTY SHARES
    • CORPORATE GOVERNANCE
    • EXTRAORDINARY TRANSACTIONS
    • NEWSROOM
    • News
    • Events
    • Press
  • Login
    Your ProfileLogout
Choose language:
Reply Logo

Suchen

Focus On

Best Practice

Die Nadel im Heuhaufen finden

Die Explosion der zur Verfügung stehenden Datenmenge sowie die zunehmende Verfügbarkeit von Lösungen für die Verarbeitung von Daten (wie Big Data) sorgen für Erkenntnisse, die bislang noch nicht zugänglich waren. Datenvisualisierung ist dabei nur eines der Elemente einer End-to-end-Lösung, die dazu geeignet ist, den gewünschten Effekt für das Unternehmen zu erzielen.

FOCUS ON: Big Data & Analytics,

​DATEN IM FOKUS

Das größte Problem bei der Datenexplosion und deren zunehmende Geschwindigkeit besteht darin zu erkennen, nach welchen Aspekten eigentlich gesucht wird. Dieses Problem ähnelt einem Phänomen, mit dem wir mittlerweile alle vertraut sind – der Suche im Internet. Zwar ist unbestritten, dass die Internetsuche mittlerweile um einiges differenzierter durchgeführt werden kann. Trotzdem würden viele die Aussage unterschreiben, dass das Auffinden relevanter Informationen heutzutage schwieriger ist als noch vor 15-20 Jahren, als Suchalgorithmen noch in ihren Kinderschuhen steckten. Dies liegt unter anderem auch daran, dass wir es nun – statt mit einer maßgeblichen Informationsquelle – mit tausenden Quellen zu tun haben, die für unsere Suche nur teilweise relevant sind.

Ein gutes Design der Visualisierungslösung erreicht man am besten mit einem Toolkit und weniger durch den Kauf eines Einzelprodukts, da bei der Datenvisualisierung zahlreiche Vorverarbeitungsschritte durchzuführen sind. Bei vielen dieser Aufgaben können spezielle Tools helfen, um beispielsweise den Datensatz zu Beginn zu verbessern oder Daten für die Visualisierung verfügbar zu machen. Standardisierte Situationen sind in diesem Bereich eher selten anzutreffen und in vielen Fällen sollte die Datenerfassung von der Visualisierung getrennt werden, auch wenn diese beiden Aufgaben unmittelbar miteinander verknüpft sind.

Die große Herausforderung aus Sicht der Architektur liegt dabei im richtigen Tooling, denn nur mit der richtigen Zusammenstellung der Tools kann sichergestellt werden, dass das tatsächlich vorliegende Problem gelöst wird – und nicht das Problem, das wahrgenommen wird. Um das notwendige Ergebnis erzielen zu können, kann es also sein, dass Tools miteinander kombiniert werden müssen. Für die Lösung eines gegebenen Problems spielt die Informationsarchitektur eine Schlüsselrolle. Die Informationsarchitektur ist entscheidend, da die kohärente Darstellung gleicher Datentypen die von unterschiedlichen Quellen stammen, wichtiger ist als die nachgelagerte Visualisierung. Eine einfache Lösung kann bei einem eng definierten Themengebiet bereits gute Ergebnisse liefern. Doch sobald diese Lösung dann weiterentwickelt und um weiterführende thematische Aspekte erweitert wird, kann es schnell passieren, dass schwerwiegende Schwachpunkte auftreten. Für die stufenweise Entwicklung der Informationsarchitektur stehen verschiedene Techniken zur Verfügung, die bei einer erstmaligen Implementierung zur Anwendung kommen sollten. Die einzige Möglichkeit zur Datenvisualisierung ist die stufenweise Bereitstellung einer Lösung. Ein „Big Bang“-Ansatz, bei dem eine Lösung auf einen Schlag zur Verfügung gestellt wird, erscheint in diesem Bereich kaum realisierbar zu sein.

Dabei sind auch komplexe Aspekte wie Volumen und Dichte der Datenzu berücksichtigen, die in diesem Bereich mit einer Art Vor-Analyse gelöst werden können. In manchen Fällen verfügt das Unternehmen bereits über Tools, die in der Lage sind, diese Funktion zu erfüllen und die bislang noch nicht für diese Aufgabe eingesetzt wurden.

UND WAS IST MIT DER VISUALISIERUNG?

Technologien für die Visualisierung sorgen dafür, dass Rohdaten in visualisierte Ergebnisse umgewandelt und interpretiert werden können. Darin liegt die Stärke des Tooling, aber für diese Aufgabe steht mehr als nur ein Tool zur Verfügung und jedes dieser Tools eignet sich besonders für eine bestimmte Art der Datenvisualisierung.

Bei der Datenvisualisierung sollte der Fokus darauf liegen, Informationen möglichst nutzbringend für die Konsumenten zu präsentieren. Das bedeutet, dass unterschiedliche User-Gruppen (mit wahrscheinlich unterschiedlicher Demographie) unterschiedliche Visualisierungsformen bevorzugen, um Informationen zu interpretieren. Die Kunst der Datenvisualisierung liegt darin, die für die User passende Darstellungsweise und das hierfür notwendige Tooling zu finden. Verstärkt wird das Problem durch die Tatsache, dass die Datenvisualisierung noch immer am Anfang ihrer Entwicklung steht. Der architektonische Aspekt liegt darin, das Modell und die Darstellungvoneinander zu trennen und eine Architektur aufzubauen, die eine Reihe verschiedener Darstellungsweisen erlaubt, die wiederum mithilfe einer Reihe von Tools zur Verfügung gestellt werden. Dies stellt dann die End-to-end-Lösung dar.

RELATED CONTENTS

Machine Learning

Case Study

Machine Learning für langfristige erfolge

In einem globalen Unternehmen wie BMW ist das Übersetzen von Texten eine oft notwendige, aber zeitraubende und mühsame Aufgabe. Die Verkürzung der Übersetzungszeiten von Tagen auf Minuten, in wenigen oder sogar ganz ohne manuelle Schritte, hilft dem Unternehmen, schneller und effizienter zu arbeiten. Reply erreichte dies für den Kunden, indem es einen kostengünstigen, auf AWS basierenden Shared Service für das gesamte Unternehmen bereitstellte.

Machine Learning für langfristige erfolge 0

Individuelle Workshops

Service

DER MACHINE LEARNING INCUBATOR

Die Machine Learning Workshops sind auf die Bedürfnisse der Teilnehmer zugeschnitten und arbeiten mit den neuesten Trends der künstlichen Intelligenz. Die Experten von Machine Learning Reply zeigen auf, welche Anwendungsfälle bereits heute mit geringem Aufwand umgesetzt werden können und damit Mehrwert generiert werden kann.

DER MACHINE LEARNING INCUBATOR 0

AI driven Business intelligence

Product

China Beats: Data driven Insights für Ihr Unternehmen in China

China Beats ist Ihre Business-Intelligence-Lösung für China. Sie nutzt KI-gestütztes Social Listening mit Anbindung an das chinesische Daten-Ökosystem, um die dringendsten Business-Fragen rund um den chinesischen Markt und seine Akteure zu beantworten.

Erfahren Sie, was Sie mit China Beats erreichen können!

China Beats Data driven Insights für Ihr Unternehmen in China 0
 
 
 
 
Reply ©​​ 2021​ - ​​​​Datenschutz​​​ - Impressum
  • About Reply
  • Investors​
  • Newsroom
  • Folgen Sie uns auf​​​​​​​​


  • ​​
  • ​
​
  • ​​​​C​ompany Information
  • Privacy Notice (Client)
  • Privacy Notice (Supplier)
  • Privacy Notice (Candidate)
​Reply Enterprise Social Network​​​