adesso BLOG

Die neue US-Zollpolitik und die internationalen Reaktionen darauf stellen Unternehmen weltweit vor grosse Herausforderungen. Vergleichbar mit der COVID-19 Krise im Jahr 2020 verändern sich Rahmenbedingungen schnell und unvorhersehbar. Wer sich weiterhin auf „unvollständige" und «inkonsistente" Daten verlässt, riskiert, neue Gefahren wie Eisberge im Nebel erst zu erkennen, wenn eine Kurskorrektur kaum noch möglich ist. Verzögerte Reaktionen können schwerwiegende Folgen haben, kein Unternehmen möchte sich in einer Situation wiederfinden, die an die Titanic erinnert.

Energieversorger stehen vor der Herausforderung, komplexe Lieferketten zu managen und Kosten zu optimieren. Mit intelligenten Cloud-Datenplattformen, KI-gestützten Analysen und automatisierten Einkaufsprozessen können sie sich entscheidende Wettbewerbsvorteile sichern. Wie das in der Praxis funktioniert und welche Erfolgsbeispiele es gibt, erfahrt ihr in unserem aktuellen Blog-Beitrag - passend zu unserem Auftritt auf dem EUROPEAN ENERGY Supply Chain Summit 2025 in Berlin.

Daten sind die Grundlage für fundierte Entscheidungen. In der Vergangenheit wurden Entscheidungen oft aus dem Bauch heraus getroffen. Heute ermöglichen datengetriebene Ansätze fundierte Bottom-up-Entscheidungen. Doch erst mit einer durchdachten visuellen Aufbereitung entfalten diese Daten ihr volles Potenzial. Dieser Blog-Beitrag erklärt, warum Dashboards in diesem Kontext eine entscheidende Rolle spielen.

Für jeden Autofahrer ist es eine Selbstverständlichkeit: Tritt ein seltsames Geräusch auf, ist die Ursache zu identifizieren. Üblich ist ein Besuch in der Werkstatt mit dem Ziel, die Ursache der Störung zu identifizieren. Das kostet zwar eine gewisse Gebühr, der zu erwartendem Schaden ohne Überprüfung übersteigt diese Gebühr aber bei weitem. Das ist ein typisches Beispiel für Predictive Maintenance, einem Teilgebiet von Predictive Analytics: Vermeidung von Schaden, bevor er voll durchschlägt. In der Industrie ist das Prinzip dasselbe, nur in einem größeren Massstab. Tausende – wenn nicht sogar Millionen – von Geräten produzieren immense Mengen an Daten.

Die nahtlose Integration von Data Science in Unternehmen ist in der heutigen Zeit von entscheidender Bedeutung, um aus Daten wertvolle Erkenntnisse zu gewinnen und darauf basierend fundierte Geschäftsentscheidungen zu treffen. Bei adesso haben wir uns eingehend mit der Implementierung agiler Vorgehensweisen in Data-Science-Projekten beschäftigt. In diesem Blog-Beitrag fassen wir die zentralen Erkenntnisse aus Experteninterviews prägnant zusammen und ergänzen sie anhand aktueller Forschungsergebnisse.

In diesem Blog-Beitrag werden wir die spezifischen Anforderungen an Data-Science-Projekte und die Auswahl des richtigen agilen Ansatzes betrachten. Dabei wird ein Blick auf den aktuellen Stand der Forschung geworfen.

Agilität und Data Science haben eines gemeinsam: Beide Disziplinen haben in den letzten Jahren stark an Bedeutung gewonnen. Der Einsatz agiler Methoden und Frameworks kann für Unternehmen ein entscheidender Erfolgsfaktor sein. In diesem und den kommenden Blog-Beiträgen werden wir uns vor allem mit der Frage beschäftigen, ob und wie agile Ansätze in die Welt der Data Science integriert werden können. Zunächst jedoch ein Blick auf wichtige Grundlagen im Bereich Data Science und Agilität.

In diesem Blog-Beitrag möchten wir euch die Visual-Studio-Code-Erweiterungen präsentieren, die wir in unserer täglichen Arbeit als Expertinnen und Experten für maschinelles Lernen, Data Engineering und KI benötigen. Ohne die passenden Erweiterungen wäre Visual Studio Code keine vollständige integrierte Entwicklungsumgebung (IDE). Doch mit den richtigen Erweiterungen kann man sich erheblich Arbeit ersparen und die Produktivität als Developer steigern.

Transparenz durch Berichte und Kennzahlen hilft in vielen Unternehmensbereichen. Der Einsatz von Dashboards ist empfehlenswert, da sie ein kostengünstiges Werkzeug für die begrenzten Budgets von Netzbetreibern darstellen. In unserem Blog-Beitrag gehen wir vor allem auf Dashboards mit betriebswirtschaftlichen beziehungsweise kaufmännischen Kennzahlen bei Netzbetreibern ein.