Blog

Neuronale Netze werden erfolgreich auf so ziemlich jeden Datentyp angewandt: Bilder, Audio, Texte, Videos, Graphen usw. Nur wenn es um Tabellendaten geht, sind baumbasierte Ensembles wie Random Forests und Gradient Boosted Trees immer noch sehr viel verbreiteter. Wenn man diese erfolgreichen Klassiker durch neuronale Netze ersetzen will, dürfte Ensemble Learning immer noch eine Schlüsselidee sein. Dieser Blogbeitrag erklärt, warum das so ist. Dazu gibt’s ein Notebook mit den praktischen Details.

Mehr als ein Jahr nach der Einführung der Datenschutz-Grundverordnung (DSGVO) fällt es vielen Unternehmen noch immer schwer, die Themen Data Warehouse (DWH) und Datenschutz unter einen Hut zu bringen. Die in den Unternehmen vorherrschende kundenzentrierte Datenmodellierung ist hierbei eine besondere Herausforderung. Sie führt bei vielen Anforderungen der DSGVO zu großen Problemen in nahezu allen datengetriebenen Prozessen. Doch warum ist es so schwer, die beiden Themen miteinander zu vereinen?

SAP BW stellt als Business-Intelligence-Paket viele Möglichkeiten für ein performantes Reporting bereit – birgt jedoch auch zahlreiche Hemmnisse, die die Performance merklich verlangsamen. Am Beispiel von in der Anwendung verfügbaren Berichtsfiltern zeigt dieser Beitrag, wie kleinste Adaptionen die Leistung von SAP BW mindern und wie eine performante Einstellung der Filtermöglichkeiten zu besseren Ergebnissen führen kann.

Bestärkendes Lernen hat den schlechten Ruf, riesige Datenmengen zu benötigen, sodass Agenten nur mit simulationsgenerierten Daten realistisch trainiert werden können, also z. B. in einem Computerspiel. In diesem Artikel gehen wir anhand eines kleinen, leicht verständlichen Beispiels der Frage nach, wie die Bayes-Statistik hier Abhilfe schaffen kann. Im zweiten Teil dieser Blog-Serie schauen wir uns an, wie das in der Praxis mit TensorFlow Probability, einem brandneuen Tool von Google, möglich ist.

In den vergangenen Jahren gab es immer wieder Nachrichten und Gerüchte über die Zukunft von SAP BusinessObjects.

Mittlerweile gibt es interessante Neuigkeiten!

Aktuelles zu SAP BusinessObjects BI 4.2 SP07

Am 04.03.2019 hat SAP das Support Package 07 für die „SAP BusinessObjects Business Intelligence Platform 4.2“ (SBOP BI 4.2) veröffentlicht. Dabei handelt es sich laut Aussage von SAP um das letzte Feature Pack für das Release 4.2. Ein Support Package 08 ist zwar geplant, wird aber ein reines Maintenance Release darstellen, das „nur“ Bugfixes und keine neuen Funktionserweiterungen beinhaltet.

Endlich: Der Startschuss zur Digitalisierungsstrategie ist gefallen und das Marketing soll ein wichtiger Baustein werden. Im Zuge der Strategie wurde beschlossen, eine Customer Data Platform (CDP) zur Bildung der 360 Grad Kundensicht und Automatisierung von Marketing Journeys im Realtime Umfeld zu nutzen. Eine Entscheidung, die, neben dem nicht geringen Investment wesentlich die Marketing-Prozesse und Bereiche (Online, E-Mail, E-Commerce und CRM) eines Unternehmens beeinflusst. In diesem dritten und letzten Part meiner CDP-Serie möchte ich daher auf die korrekte Auswahl und Bewertung des passenden CDP-Tools eingehen.

Anders als bei Marketing-Automation-Lösungen wird nicht nach Funktionsumfang wie Enterprise bzw. Best-of-Breed unterschieden, sondern nach dem funktionsseitigen Schwerpunkt der Customer Data Platform. Das heißt, je nachdem, wie die Anforderungen definiert sind, kann man bereits im Vorhinein eine Auswahl der richtigen CDP-Art durchführen.

Insgesamt lassen sich drei verschiedene Kategorien von Customer Data Platforms unterscheiden:

• Data CDP
• Analytics
• Engagement CDP

Diese komplette und schrittweise schnelle Demo zeigt Ihnen, wie man eine existierende Datenquelle intern mit einer modernen Cloud-Warehouse-Lösung wie Snowflake verbindet:  

• Einfach
• Schnell
• Sicher und
• ohne eine einzige Codezeile schreiben zu müssen.

Ausnahmeaggregationen waren vor HANA in SAP BW häufiger eine Herausforderung bei der Laufzeit; dazu gehörte auch die Distinct-Count-Operation. Diese wird zum Beispiel beim Zählen von Kunden aus den Aufträgen genutzt.

Früher wurden Distinct-Count-Operationen häufig folgendermaßen umgesetzt:  Es wurde eine berechnete Kennzahl mit dem Wert 1 angelegt und diese dann über eine Ausnahmeaggregation aufsummiert. Was in Umgebungen ohne HANA gut geklappt hat, führt aktuell jedoch dazu, dass der Pushdown nicht mehr funktioniert. Je nach Einstellung kann es also dazu kommen, dass die Berechnung nicht optimal durchgeführt wird.

Eine Lösung für HANA-Umgebungen muss also her: Konzentrieren wir uns daher im Weiteren auf die optimale Implementierung von Distinct Count mit BW on HANA oder BW/4HANA.

Erhalte im foglenden Beitrag einen Überblick über die verschiedenen Kategorien von Customer Data Platforms - angelehnt an die Einteilung von David Raab vom Customer Data Platform Institute und weiterentwickelt von den b.telligent-Experten zum Thema CDP.

Deutsche Unternehmen müssen einen großen Schritt in Richtung digitale Transformation und Verbesserung der Customer Experience wagen, diese Einsicht reift bei den Entscheidern zunehmend.  Die Gründe hierfür sind vielfältig:

• Wachsende Anzahl an Customer Touchpoints sowie die richtige Nutzung der Daten dahinter
• Die Erwartungshaltung der Kunden steigt immens.
• Neue Technologien halten Einzug in die Welt der Marketers.
• Gängige Kampagnenmanagementsysteme sind in Bezug auf die Implementierung sehr aufwändig.
• Die Toollandschaft wächst und wächst: Es gilt, den Überblick zu bewahren.

Da erscheinen CDP-Systeme, die es in den USA bereits seit 2013 gibt, wie gerufen. Während Kampagnenmanagementsysteme eher workflowbasiert oftmals in relationalen Datenmodellen CRM-basierte Kampagnenprozesse automatisieren, kümmern sich CDP-Systeme ganzheitlich um die Optimierung der Kundeninteraktion auf allen digitalen Kanälen wie Web, E-Mail, Mobile, Onlineshop oder Social – von der kundenzentrischen Datenhaltung in Big-Data-Technologien bis hin zum E-Mail-Versand in Realtime.

Die Europäische Zentralbank (EZB) sowie viele andere Aufsichtsbehörden erkannten in der Analyse der Ursachen der Finanzkrise 2008 unter anderem große Defizite in der IT und Datenarchitektur der Institute. Diese Defizite führten dazu, dass Risikobewertungen nicht schnell und präzise genug und nicht vollständig durchgeführt werden konnten. Kurz gesprochen: Risiken konnten weder im angemessenen Maße berichtet noch kontrolliert werden. Aus dieser Lehre heraus wurde von dem Baseler Ausschuss für Bankenaufsicht (engl. Basel Committee on Banking Supervision, kurz BCBS) der vielseits durch die Presse bekannte Standard 239 veröffentlicht, auch bekannt als „Principles for effective risk data aggregation and risk reporting“ bzw. als AT 4.3.4 der MaRisk.