Big Data

Mehr Daten gleich weniger Vertrauen: Das moderne Berichtswesen zeichnet sich durch zunehmend komplexere Reports und KPIs aus und gerät dadurch in ein hausgemachtes Dilemma. Statt Entscheidungen zu erleichtern, bewirken neue, stetig wachsende Datenmengen das Gegenteil: Sie sind unübersichtlich, schwer deutbar und die Datenherkunft kaum nachvollziehbar. Der Entscheidungsträger ist verunsichert, miss..

Innerhalb der letzten Jahre hat das Thema Datenstrategie und -Governance vermehrt an Bedeutung gewonnen. Die Gründe hierfür lassen sich hauptsächlich auf den Einsatz von Data Science und KI zurückführen. War eine Datenstrategie in der Vergangenheit meist auf DWH-basierte Ansätze fokussiert, ändert sie sich durch Big Data und KI jetzt grundlegend. Für die Zurich Gruppe Deutschland – nachfolgend nur..

Data Science und Maschinelles Lernen sind in aller Munde. Wie aber setzt man ein Data Science-Projekt konkret um? Welche Schritte gilt es abzuarbeiten und kann eine generelle Vorgehensweise abgeleitet werden? Die Autoren stellten sich diese Fragen bereits bei ihrem ersten Data Science-Projekt. Gerade für Java-Entwickler lohnt es, dabei auch einen Blick über den Tellerrand zu wagen.

Wie kann man Python, das für datenwissenschaftliches Arbeiten weit verbreitet ist, in Kombination mit Java und JavaScript zur Verarbeitung und Visualisierung großer Datenmengen in professionellen Anwendungen verwenden? Wir stellen anhand eines aktuellen Fallbeispiels einen schnell einsetzbaren Architekturstack für den Einsatz von Data Science vor. Die Anwendung ist ein Cockpit, das betriebliche Da..

Ein Data Warehouse (DWH) ermöglicht eine globale Sicht auf heterogene und verteilte Datenbestände. Es führt die relevanten Daten aus verschiedenen Datenquellen zu einem gemeinsamen konsistenten Bestand zusammen. Das erlaubt einen komfortablen Zugriff sowie Analysen aller Art. Vorgelagerte Systeme befüllen das DWH periodisch. Dazu gehören Transaktionssysteme (zum Beispiel SAP ERP), andere Datenbank..