10 Entwickler-Tipps für das perfekte Analytics-Dashboard.

Ein Dashboard muss die wichtigsten Informationen beinhalten. Wie dies optimal gelingt, verraten diese 10 Tipps für die Entwicklung eines Analytics-Dashboards.

Ein Analytics-Dashboard soll seinen Nutzern schnell und übersichtlich die benötigen Informationen zur Verfügung stellen. Was bei der Entwicklung eines Analytics-Dashboards zu beachten ist, hat unsere Visualisierungsexpertin Elena Danchyshyna in 10 Tipps zusammengetragen.

Weiterlesen

In 4 Schritten zum perfekten Dashboard.

Kommunikation ist der Schlüssel zum Projekterfolg. Durch Visualisierungen, beispielsweise in Form eines Dashboards, können Data Scientists mit Kunden oder Kollegen kommunizieren. In anderen Worten: Die Visualisierungen werden zur Sprache. Diese Sprache sollten Entwickler, Kunden und Kollegen gleichermaßen beherrschen.

Weiterlesen

Visualisierung – Bilder sagen mehr als Worte.

Die Visualisierung von Analyseergebnissen ist eine Notwendigkeit, damit Erkenntnisse aus den Daten besser sichtbar werden.

Was bedeutet ein bestimmtes Ergebnis einer Datenanalyse konkret? Was folgt daraus für die Mitarbeiter? Um Fragen wie diese beantworten zu können, müssen Daten für den Endnutzer erkenntlich dargestellt werden. Im Zuge der digitalen Transformation steigt die Anzahl von Datenprojekten in Unternehmen. Damit wächst auch das Bedürfnis zu verstehen, wie Daten zusammenhängen, wie man mit ihnen interagiert und wie man aus Daten konkret Handlungsempfehlungen und letzten Endes einen Mehrwert aus ihnen ableiten kann. Beim Thema Visualisierung geht es also um weit mehr als die reine Darstellung eines Analyseergebnisses. Es geht darum, Verständnis für die Daten zu schaffen und Erkenntnisse im Umgang […]

Weiterlesen

3 Use Cases für Parameter in Tableau

Parameter in Tableau sind vielseitig einsetzbare Instrumente für Datenvisualisierungen.

Das Datenvisualisierungstool Tableau findet in weiten Bereichen der Data Science Anwendung und Parameter in Tableau stellen dabei ein wichtiges und häufig unterschätztes Werkzeug dar. Wir erläutern anhand von 3 Anwendungsbeispielen, wie Parameter in Tableau genutzt werden können.

Weiterlesen

Wie Maschinen sehen lernen – Verfahren zur Bilderkennung

Bilderkennung: Maschinen lernen sehen durch Methoden wie etwa Machine Learning.

Dank neuer intelligenter Analyseverfahren zur Bilderkennung können visuelle Informationen, die eine enorme Quelle für unerschlossenes Wissen darstellen, zugänglich gemacht werden. Dadurch lassen sich zahlreiche Use Cases umsetzen, die auf Verfahren wie „Computer Vision“ beziehungsweise „Image Recognition“ basieren.

Weiterlesen

3 Ansätze zur besseren Datenvisualisierung von Big Data

Die richtige Aufbereitung von großen Datenmengen und eine geeignete Datenvisualisierung von Big Data werden immer wichtiger.

Die Datenvisualisierung von Big Data bietet eine gute Möglichkeit, abstrakte Zusammenhänge greifbar zu machen. Dies ist insbesondere im Kontext der Datenexploration von Big Data wichtig, denn diese bringt neue Herausforderungen mit sich. Besonders durch die Größe und Komplexität der Daten fällt es schwer, die Zusammenhänge von Big Data zu begreifen (Data Lake).

Weiterlesen

Visual Data Exploration in Data-Science-Projekten

Visual Data Exploration in Data-Science-Projekten

Die Projekte im Bereich Data Science werden immer spezifischer, die zu analysierende Datenmenge größer und die Tools beziehungsweise Toolkits für die Datenverarbeitung und Datenvisualisierung diversifizierter. Die Technologieentwicklung und der entstehende Bedarf in den Projekten stellen eine wachsende Herausforderung beim Umgang mit Daten für Data Scientists dar. Die Anwendbarkeit der Methoden, Algorithmen und Tools erfordert eine schnelle und effektive Durchführung der einzelnen Schritte zur Datenexploration. Ein Lösungsansatz dabei ist: Visual Data Exploration. Linktipp: Lesen Sie auch unseren Artikel mit „3 Tipps zur besseren Datenvisualisierung“. Charakteristika der Visual Data Exploration Der Data Exploration Prozess verfolgt das Ziel, die implizierten, wertvollen Informationen in […]

Weiterlesen

Die 5 wichtigsten Maßnahmen für eine optimale Datenqualität.

Erfahren Sie hier mehr über die wichtigsten Maßnahmen, um eine optimale Datenqualität im Unternehmen zu erreichen.

Zunächst klingt es trivial, wenn betont wird, dass eine gute Datenqualität entscheidend für Unternehmen und Organisationen ist. Einerseits kann dadurch die Zuverlässigkeit von Prozessen gewährleistet werden. Andererseits können Fehler in den Datenbeständen tatsächlich unter Umständen enorme finanzielle Folgekosten nach sich ziehen. Ganz unabhängig davon führt eine schlechte Datenqualität dazu, dass Daten die Realität nicht mehr korrekt abbilden können und dadurch ihren Wert verlieren. Nur wenn eine optimale Datenqualität sichergestellt ist, können Modelle zutreffende Aussagen über bestimmte Gegebenheiten beispielsweise in der vernetzten Fabrik oder in anderen betrieblichen Bereichen treffen. Lesetipp: Lesen Sie in folgendem Artikel, wie jede Fabrik ein Teil der […]

Weiterlesen

1 2
top