SlideShare ist ein Scribd-Unternehmen logo
1 von 21
Produktpräsentation
FACTS
MISSION
• Gegründet 2010
• Interdisziplinäres Team
• 50 Mitarbeiter
• Entwicklung von Analyse- und
Prognosemodellen
• Evidenzbasierte Management
Summaries
• Data-Science-Enablement
• Operationalisierung von Data Science
Augmented Intelligence
Mehrwerte durch die Kombination
aus menschlichem Expertenwissen
und Data Science schaffen
Verstehen
Muster erkennen, Hypothesen
formulieren, Vorhersagen treffen
Unternehmensweit skalieren
Organisatorisch und technisch.
Abschaffen von bremsenden
Insellösungen
Mit Data Science einfach bessere
Entscheidungen treffen!
• Verbindung von menschlicher Kompetenz und Erfahrung mit maschinellen Lernen
• Daten und Algorithmen als Unterstützung für Fachanwender
Erfolgsfaktor Data Science in der Digitalisierung
Data Science Projekte sind
komplex
 Insellösungen verschiedener
Entwicklerumgebungen, Tools
Data Science Projekte managen
Einzelne Aspekte von Data Science Projekten
werden an verschiedensten Stellen
• Geplant
• Entwickelt
• Verwaltet
• Umgesetzt
• Präsentiert
 Heterogene, fehleranfällige und ineffiziente
Umgebung
Anwendungsfälle
Entwicklungs-
umgebungen
Tools
Workflows
Ergebnisse
Präsentation
Data Science Projekte sind
komplex
 Insellösungen verschiedener
Entwicklerumgebungen, Tools
Abläufe in Projekten werden
noch getrennt gedacht
• …und das für jedes Datenprojekt im
Unternehmen.
• …und jedes Mal aufs Neue.
• …repetitives Vorgehen.
 Hohes Potenzial für Synergien kaum genutzt!
Projekt 1
Projekt 3
Projekt 4
Projekt 2
Mit YUNA…
Projekt 1
Projekt 3
Projekt 4
Projekt 2
Projekt 5
Projekt 6
Projekt 7
• …sind alle Projekt- Inseln vereint auf einer
Plattform
• …nutzen alle Anwender die selben Daten
• …entstehen Ergebnisse durch
Zusammenarbeit
• …unterstützen Workflows nachhaltig die
Entwicklung
 YUNA ist eine Plattform
für alle Projekte, für alle Beteiligten,
im ganzen Unternehmen.
Projekt 8..
Data Science Projekte sind
komplex
 Insellösungen verschiedener
Entwicklerumgebungen, Tools
Data Science ist Teamsport mit…
…Projekt-Beteiligten in verschiedene Rollen im
Unternehmen, mit unterschiedlichen
Anforderungen und Ansprüchen
• an Tools
• an Ergebnisse
• an Darstellung
• an Integration
• …
Visionäre /
Innovatoren
Manager /
Präsentierende
Data Scientists
Anwender /
Nutzer
Meeting
Mit YUNA…
…arbeiten die Beteiligten auf Augenhöhe
…lassen sich Anpassungen leicht vornehmen
…nutzen ALLE ein und DIESELBE Datenbasis
…wird Data Science im gesamten Unternehmen
nutzbar
…gibt es EINE Plattform für ALLE Projekte, für
die GESAMTEN Beteiligten im KOMPLETTEN
Unternehmen
Visionäre /
Innovatoren
Manager /
Präsentierende
Data Scientists
Anwender /
Nutzer
• Predictive Maintenance
• Ersatzteillogistik
• Absatzoptimierung
• Energiemanagement
• Personalplanung
• Supply-Chain-Management
• Einkauf
• uvm.
Anwendungsfälle
Architecture Deep Dive
Workflow zur Bearbeitung eines Sachverhalts (stark vereinfacht)
Fragestellung,
konkreter
Anwendungsfall
Manuelle
Voranalyse,
Klassifizierung für
Referenzmenge
Entwicklung von
Skripten zur
automatisierten
Analyse
Verifizierung der
Analyseergebnisse
Zyklische,
automatisierte
Analyse
Darstellung der
Ergebnisse in
YUNA
Präsentation der
Ergebnisse auf
Basis belastbarer
Daten
Ausgewählte Features
Komfortfunktionen zur Zusammenarbeit
• Konfigurierbare Widgets für rollenspezifische Dashboards
• Nahtlose Integration von Data Science Aufgaben
• API zur Integration und Triggern von Jobs
• Exploration von Daten und Ergebnissen
• Teilen von Informationen
• Corporate Identity
• Mehrsprachigkeit
Governance-Funktionen
• Mehrere Analyse-Sprachen werden unterstützt (R, Python, Julia)
• Horizontal skalierbar über Agenten
• Rollen-/Rechtemanagement
• On-Premise, Cloud oder Hybrid Cloud
• Monitoring und Logging
Entdecken Sie….
Heute Mit YUNA
Data Science-Projekte
voneinander getrennt
Data Science unternehmensweit
etablieren / skalieren
Nutzung richtet sich an das Tool Passen Sie das Tool an ihre
Bedürfnisse an
Datenprojekte sind nicht allen
zugänglich
Jeder kann Datenprojekte planen
/ starten
Potenzial oft anderer
Nutzergruppen oft ungenutzt
Potenzial des gesamten
Unternehmens optimal nutzen
Fragestellung, Analyse,
Evaluierung und Präsentation
sind getrennte Entitäten
Ein Workflow von der
Fragestellung über die Analyse
bis hin zur Visualisierung /
Präsentation in einem Tool
• …Wettbewerbsvorteile erkennen
• …neue Geschäftsmodelle, die Ihr
Kerngeschäft erweitern
• …wie sie Prozesse effizienter / einfacher
gestalten
• …wie Entscheidungen datengestützt leichter
getroffen werden
…und gehen Sie immer einen Schritt
weiter
Enabling / Features
Keine Medienbrüche
• Nahtlos vom Sachverhalt zum
Ergebnis
• Eine Software für alles
• Keine weiteren Tools benötigt
Imagine and create
• 30+ Widgets für individuelle Ansichten und
Dashboards
• Integration von Highcharts
• Corporate Identity durch individuelles
Design
Fancy Stuff / Features
Skalieren und übertragen
• Ein Skript – unendliche Anwendungen
• Eine Software für alles
• Grenzenlose Anbindung von
Datenquellen
• Anpassung bestehender Projekte für
neue Anwendungsfälle
• Anpassbar für alle Geschäftsprozesse
Ihre Ansprüche – Ihr digitales Ökosystem
• Workflows vollumfänglich individualisierbar
• Einfache Integration in bestehende
Infrastruktur
• Volle Kontrolle über den Datenzugriff
• Integrierter Job-Trigger
• Automatische Visualisierung der Analyse
Fancy Stuff / Features
YUNAML
Plattform eigene Syntax
• Dashboards mit anderen teilen
• Individuelles Einrichten von Dashboards
• Dashboard-Inhalte parallel über mehrere Instanzen
deployen
• Sourcing ermöglicht Code an einer Stelle zu ändern
und an verschiedenen Stellen wirken zu lassen
Intelligentes Rollenkonzept
• Rechte und Rollen auf Komponentenebene
• Eine Ansicht – verschiedene Inhalte
• Schnellere Umsetzung von Projekten
• Granular und graduell einstellbar
15.01.2020 eoda GmbH | www.eoda.de©
LAGERBESTÄNDE
OPTIMIEREN
PERSONAL
PLANUNG
AUSFALLZEITEN
REDUZIEREN
VERFÜGBARKEIT
ERHÖHEN
EINKAUF
OPTIMIEREN
KOSTEN
SENKEN
LOGISTIK
VERBESSERN
PROAKTIVER
SUPPORT
@eodaGmbH @eodaGmbH eodaGmbHwww.eoda.de/blog
Mehr Informationen
Ihr Kontakt
Andreas Ernst Rössler
yuna@eoda.de
Tel. +49 561 87948-370
Ready? Let‘s start!

Weitere ähnliche Inhalte

Ähnlich wie YUNA - Data Science Plattform für Unternehmen

Prozessmanagement SaaS, Workflow Management SaaS, Prozesse Software as a Service
Prozessmanagement SaaS, Workflow Management SaaS, Prozesse Software as a ServiceProzessmanagement SaaS, Workflow Management SaaS, Prozesse Software as a Service
Prozessmanagement SaaS, Workflow Management SaaS, Prozesse Software as a ServiceGBS PAVONE Groupware GmbH
 
2007 - Basta!: Nach soa kommt soc
2007 - Basta!: Nach soa kommt soc2007 - Basta!: Nach soa kommt soc
2007 - Basta!: Nach soa kommt socDaniel Fisher
 
Firmenpräsentation clavis it 2011 kurz, deutsch
Firmenpräsentation clavis it 2011 kurz, deutschFirmenpräsentation clavis it 2011 kurz, deutsch
Firmenpräsentation clavis it 2011 kurz, deutschMartin Frischknecht
 
Firmenpräsi(kurz) clavis IT 2011
Firmenpräsi(kurz) clavis IT 2011Firmenpräsi(kurz) clavis IT 2011
Firmenpräsi(kurz) clavis IT 2011Martin Frischknecht
 
BATbern52 SBB zu Data Products und Knacknüsse
BATbern52 SBB zu Data Products und KnacknüsseBATbern52 SBB zu Data Products und Knacknüsse
BATbern52 SBB zu Data Products und KnacknüsseBATbern
 
Software-Engineering in der Luft- und Raumfahrt mit Open-Source-Tools
Software-Engineering in der Luft- und Raumfahrt mit Open-Source-ToolsSoftware-Engineering in der Luft- und Raumfahrt mit Open-Source-Tools
Software-Engineering in der Luft- und Raumfahrt mit Open-Source-ToolsAndreas Schreiber
 
CLOUDSERVICES FÜR ISVs
CLOUDSERVICES FÜR ISVsCLOUDSERVICES FÜR ISVs
CLOUDSERVICES FÜR ISVsacentrix GmbH
 
Tableau Drive, Die neue Methode für Bereitstellungen in Unternehmen
Tableau Drive, Die neue Methode für Bereitstellungen in UnternehmenTableau Drive, Die neue Methode für Bereitstellungen in Unternehmen
Tableau Drive, Die neue Methode für Bereitstellungen in UnternehmenTableau Software
 
CCD 2012: Wissensmanagement @MPS - Sören Krasel, Daimler AG
CCD 2012: Wissensmanagement @MPS - Sören Krasel, Daimler AGCCD 2012: Wissensmanagement @MPS - Sören Krasel, Daimler AG
CCD 2012: Wissensmanagement @MPS - Sören Krasel, Daimler AGCommunardo GmbH
 
Erfolgsfaktoren der Wikieinführung in KMU
Erfolgsfaktoren der Wikieinführung in KMUErfolgsfaktoren der Wikieinführung in KMU
Erfolgsfaktoren der Wikieinführung in KMUMartin Koser
 
Data Quadrant - Daten Management Methode
Data Quadrant - Daten Management MethodeData Quadrant - Daten Management Methode
Data Quadrant - Daten Management MethodeTorsten Glunde
 
Windows 365 oder Azure Virtual Desktop?
Windows 365 oder Azure Virtual Desktop?Windows 365 oder Azure Virtual Desktop?
Windows 365 oder Azure Virtual Desktop?A. Baggenstos & Co. AG
 
Broschuere Bison BI mit Qlik
Broschuere Bison BI mit QlikBroschuere Bison BI mit Qlik
Broschuere Bison BI mit QlikDragan Angjeleski
 
Confluence 4.1 Übersicht
Confluence 4.1 ÜbersichtConfluence 4.1 Übersicht
Confluence 4.1 ÜbersichtFlorian Kondert
 
Wjax Vortrag 2018: Von DevOps bis DesignThinking
Wjax Vortrag 2018: Von DevOps bis DesignThinkingWjax Vortrag 2018: Von DevOps bis DesignThinking
Wjax Vortrag 2018: Von DevOps bis DesignThinkingAnnegret Junker
 
Solutiontogo webinar top 5 tricks und templates für die Planung mit MS Excel
Solutiontogo webinar top 5 tricks und templates für die Planung mit MS ExcelSolutiontogo webinar top 5 tricks und templates für die Planung mit MS Excel
Solutiontogo webinar top 5 tricks und templates für die Planung mit MS Excelsolutiontogo
 

Ähnlich wie YUNA - Data Science Plattform für Unternehmen (20)

Prozessmanagement SaaS, Workflow Management SaaS, Prozesse Software as a Service
Prozessmanagement SaaS, Workflow Management SaaS, Prozesse Software as a ServiceProzessmanagement SaaS, Workflow Management SaaS, Prozesse Software as a Service
Prozessmanagement SaaS, Workflow Management SaaS, Prozesse Software as a Service
 
2007 - Basta!: Nach soa kommt soc
2007 - Basta!: Nach soa kommt soc2007 - Basta!: Nach soa kommt soc
2007 - Basta!: Nach soa kommt soc
 
Firmenpräsentation clavis it 2011 kurz, deutsch
Firmenpräsentation clavis it 2011 kurz, deutschFirmenpräsentation clavis it 2011 kurz, deutsch
Firmenpräsentation clavis it 2011 kurz, deutsch
 
Firmenpräsi(kurz) clavis IT 2011
Firmenpräsi(kurz) clavis IT 2011Firmenpräsi(kurz) clavis IT 2011
Firmenpräsi(kurz) clavis IT 2011
 
BATbern52 SBB zu Data Products und Knacknüsse
BATbern52 SBB zu Data Products und KnacknüsseBATbern52 SBB zu Data Products und Knacknüsse
BATbern52 SBB zu Data Products und Knacknüsse
 
[DE] Workflow vom mainframe ins internet | Dr. Ulrich Kampffmeyer | Safe Tagu...
[DE] Workflow vom mainframe ins internet | Dr. Ulrich Kampffmeyer | Safe Tagu...[DE] Workflow vom mainframe ins internet | Dr. Ulrich Kampffmeyer | Safe Tagu...
[DE] Workflow vom mainframe ins internet | Dr. Ulrich Kampffmeyer | Safe Tagu...
 
Software-Engineering in der Luft- und Raumfahrt mit Open-Source-Tools
Software-Engineering in der Luft- und Raumfahrt mit Open-Source-ToolsSoftware-Engineering in der Luft- und Raumfahrt mit Open-Source-Tools
Software-Engineering in der Luft- und Raumfahrt mit Open-Source-Tools
 
CLOUDSERVICES FÜR ISVs
CLOUDSERVICES FÜR ISVsCLOUDSERVICES FÜR ISVs
CLOUDSERVICES FÜR ISVs
 
Tableau Drive, Die neue Methode für Bereitstellungen in Unternehmen
Tableau Drive, Die neue Methode für Bereitstellungen in UnternehmenTableau Drive, Die neue Methode für Bereitstellungen in Unternehmen
Tableau Drive, Die neue Methode für Bereitstellungen in Unternehmen
 
CCD 2012: Wissensmanagement @MPS - Sören Krasel, Daimler AG
CCD 2012: Wissensmanagement @MPS - Sören Krasel, Daimler AGCCD 2012: Wissensmanagement @MPS - Sören Krasel, Daimler AG
CCD 2012: Wissensmanagement @MPS - Sören Krasel, Daimler AG
 
Erfolgsfaktoren der Wikieinführung in KMU
Erfolgsfaktoren der Wikieinführung in KMUErfolgsfaktoren der Wikieinführung in KMU
Erfolgsfaktoren der Wikieinführung in KMU
 
ConSol Unternehmenspräsentation 2019
ConSol Unternehmenspräsentation 2019ConSol Unternehmenspräsentation 2019
ConSol Unternehmenspräsentation 2019
 
Data Quadrant - Daten Management Methode
Data Quadrant - Daten Management MethodeData Quadrant - Daten Management Methode
Data Quadrant - Daten Management Methode
 
Windows 365 oder Azure Virtual Desktop?
Windows 365 oder Azure Virtual Desktop?Windows 365 oder Azure Virtual Desktop?
Windows 365 oder Azure Virtual Desktop?
 
Broschuere Bison BI mit Qlik
Broschuere Bison BI mit QlikBroschuere Bison BI mit Qlik
Broschuere Bison BI mit Qlik
 
Lean Collaboration
Lean CollaborationLean Collaboration
Lean Collaboration
 
Confluence 4.1 Übersicht
Confluence 4.1 ÜbersichtConfluence 4.1 Übersicht
Confluence 4.1 Übersicht
 
Wjax Vortrag 2018: Von DevOps bis DesignThinking
Wjax Vortrag 2018: Von DevOps bis DesignThinkingWjax Vortrag 2018: Von DevOps bis DesignThinking
Wjax Vortrag 2018: Von DevOps bis DesignThinking
 
Solutiontogo webinar top 5 tricks und templates für die Planung mit MS Excel
Solutiontogo webinar top 5 tricks und templates für die Planung mit MS ExcelSolutiontogo webinar top 5 tricks und templates für die Planung mit MS Excel
Solutiontogo webinar top 5 tricks und templates für die Planung mit MS Excel
 
onSelect
onSelectonSelect
onSelect
 

Mehr von eoda GmbH

Beyond prototyping: Best practice for R in critical enterprise environments
Beyond prototyping: Best practice for R in critical enterprise environmentsBeyond prototyping: Best practice for R in critical enterprise environments
Beyond prototyping: Best practice for R in critical enterprise environmentseoda GmbH
 
The use of R in Predictive Maintenance: A use case with TRUMPF Laser GmbH
The use of R in Predictive Maintenance: A use case with TRUMPF Laser GmbHThe use of R in Predictive Maintenance: A use case with TRUMPF Laser GmbH
The use of R in Predictive Maintenance: A use case with TRUMPF Laser GmbHeoda GmbH
 
Erfolgsfaktoren von Data Science
Erfolgsfaktoren von Data ScienceErfolgsfaktoren von Data Science
Erfolgsfaktoren von Data Scienceeoda GmbH
 
eoda | R-Support
eoda | R-Support eoda | R-Support
eoda | R-Support eoda GmbH
 
R in the Mittelstand: Bringing Data Science to small and mid-size companies.
R in the Mittelstand: Bringing Data Science to small and mid-size companies. R in the Mittelstand: Bringing Data Science to small and mid-size companies.
R in the Mittelstand: Bringing Data Science to small and mid-size companies. eoda GmbH
 
Data Science outside the box: Developing a generic scoring algorithm for cust...
Data Science outside the box: Developing a generic scoring algorithm for cust...Data Science outside the box: Developing a generic scoring algorithm for cust...
Data Science outside the box: Developing a generic scoring algorithm for cust...eoda GmbH
 
Application fields of R in classical industrial analytics
Application fields of R in classical industrial analyticsApplication fields of R in classical industrial analytics
Application fields of R in classical industrial analyticseoda GmbH
 
Aargh! I have to teach R (Experiences in the teaching of R)
Aargh! I have to teach R (Experiences in the teaching of R)Aargh! I have to teach R (Experiences in the teaching of R)
Aargh! I have to teach R (Experiences in the teaching of R)eoda GmbH
 
Implementing R in the old economy
Implementing R in the old economyImplementing R in the old economy
Implementing R in the old economyeoda GmbH
 
Implementierung von R im Mittelstand
Implementierung von R im MittelstandImplementierung von R im Mittelstand
Implementierung von R im Mittelstandeoda GmbH
 
eoda R-Akademie 2016
eoda R-Akademie 2016eoda R-Akademie 2016
eoda R-Akademie 2016eoda GmbH
 
eoda R-Akademie 2015_Kursprogramm
eoda R-Akademie 2015_Kursprogrammeoda R-Akademie 2015_Kursprogramm
eoda R-Akademie 2015_Kursprogrammeoda GmbH
 
Predictive Maintenance with R
Predictive Maintenance with RPredictive Maintenance with R
Predictive Maintenance with Reoda GmbH
 
eoda R-Akademie 2014
eoda R-Akademie 2014 eoda R-Akademie 2014
eoda R-Akademie 2014 eoda GmbH
 

Mehr von eoda GmbH (14)

Beyond prototyping: Best practice for R in critical enterprise environments
Beyond prototyping: Best practice for R in critical enterprise environmentsBeyond prototyping: Best practice for R in critical enterprise environments
Beyond prototyping: Best practice for R in critical enterprise environments
 
The use of R in Predictive Maintenance: A use case with TRUMPF Laser GmbH
The use of R in Predictive Maintenance: A use case with TRUMPF Laser GmbHThe use of R in Predictive Maintenance: A use case with TRUMPF Laser GmbH
The use of R in Predictive Maintenance: A use case with TRUMPF Laser GmbH
 
Erfolgsfaktoren von Data Science
Erfolgsfaktoren von Data ScienceErfolgsfaktoren von Data Science
Erfolgsfaktoren von Data Science
 
eoda | R-Support
eoda | R-Support eoda | R-Support
eoda | R-Support
 
R in the Mittelstand: Bringing Data Science to small and mid-size companies.
R in the Mittelstand: Bringing Data Science to small and mid-size companies. R in the Mittelstand: Bringing Data Science to small and mid-size companies.
R in the Mittelstand: Bringing Data Science to small and mid-size companies.
 
Data Science outside the box: Developing a generic scoring algorithm for cust...
Data Science outside the box: Developing a generic scoring algorithm for cust...Data Science outside the box: Developing a generic scoring algorithm for cust...
Data Science outside the box: Developing a generic scoring algorithm for cust...
 
Application fields of R in classical industrial analytics
Application fields of R in classical industrial analyticsApplication fields of R in classical industrial analytics
Application fields of R in classical industrial analytics
 
Aargh! I have to teach R (Experiences in the teaching of R)
Aargh! I have to teach R (Experiences in the teaching of R)Aargh! I have to teach R (Experiences in the teaching of R)
Aargh! I have to teach R (Experiences in the teaching of R)
 
Implementing R in the old economy
Implementing R in the old economyImplementing R in the old economy
Implementing R in the old economy
 
Implementierung von R im Mittelstand
Implementierung von R im MittelstandImplementierung von R im Mittelstand
Implementierung von R im Mittelstand
 
eoda R-Akademie 2016
eoda R-Akademie 2016eoda R-Akademie 2016
eoda R-Akademie 2016
 
eoda R-Akademie 2015_Kursprogramm
eoda R-Akademie 2015_Kursprogrammeoda R-Akademie 2015_Kursprogramm
eoda R-Akademie 2015_Kursprogramm
 
Predictive Maintenance with R
Predictive Maintenance with RPredictive Maintenance with R
Predictive Maintenance with R
 
eoda R-Akademie 2014
eoda R-Akademie 2014 eoda R-Akademie 2014
eoda R-Akademie 2014
 

YUNA - Data Science Plattform für Unternehmen

  • 2. FACTS MISSION • Gegründet 2010 • Interdisziplinäres Team • 50 Mitarbeiter • Entwicklung von Analyse- und Prognosemodellen • Evidenzbasierte Management Summaries • Data-Science-Enablement • Operationalisierung von Data Science
  • 3. Augmented Intelligence Mehrwerte durch die Kombination aus menschlichem Expertenwissen und Data Science schaffen Verstehen Muster erkennen, Hypothesen formulieren, Vorhersagen treffen Unternehmensweit skalieren Organisatorisch und technisch. Abschaffen von bremsenden Insellösungen Mit Data Science einfach bessere Entscheidungen treffen!
  • 4. • Verbindung von menschlicher Kompetenz und Erfahrung mit maschinellen Lernen • Daten und Algorithmen als Unterstützung für Fachanwender Erfolgsfaktor Data Science in der Digitalisierung
  • 5. Data Science Projekte sind komplex  Insellösungen verschiedener Entwicklerumgebungen, Tools Data Science Projekte managen Einzelne Aspekte von Data Science Projekten werden an verschiedensten Stellen • Geplant • Entwickelt • Verwaltet • Umgesetzt • Präsentiert  Heterogene, fehleranfällige und ineffiziente Umgebung Anwendungsfälle Entwicklungs- umgebungen Tools Workflows Ergebnisse Präsentation
  • 6. Data Science Projekte sind komplex  Insellösungen verschiedener Entwicklerumgebungen, Tools Abläufe in Projekten werden noch getrennt gedacht • …und das für jedes Datenprojekt im Unternehmen. • …und jedes Mal aufs Neue. • …repetitives Vorgehen.  Hohes Potenzial für Synergien kaum genutzt! Projekt 1 Projekt 3 Projekt 4 Projekt 2
  • 7. Mit YUNA… Projekt 1 Projekt 3 Projekt 4 Projekt 2 Projekt 5 Projekt 6 Projekt 7 • …sind alle Projekt- Inseln vereint auf einer Plattform • …nutzen alle Anwender die selben Daten • …entstehen Ergebnisse durch Zusammenarbeit • …unterstützen Workflows nachhaltig die Entwicklung  YUNA ist eine Plattform für alle Projekte, für alle Beteiligten, im ganzen Unternehmen. Projekt 8..
  • 8. Data Science Projekte sind komplex  Insellösungen verschiedener Entwicklerumgebungen, Tools Data Science ist Teamsport mit… …Projekt-Beteiligten in verschiedene Rollen im Unternehmen, mit unterschiedlichen Anforderungen und Ansprüchen • an Tools • an Ergebnisse • an Darstellung • an Integration • … Visionäre / Innovatoren Manager / Präsentierende Data Scientists Anwender / Nutzer Meeting
  • 9. Mit YUNA… …arbeiten die Beteiligten auf Augenhöhe …lassen sich Anpassungen leicht vornehmen …nutzen ALLE ein und DIESELBE Datenbasis …wird Data Science im gesamten Unternehmen nutzbar …gibt es EINE Plattform für ALLE Projekte, für die GESAMTEN Beteiligten im KOMPLETTEN Unternehmen Visionäre / Innovatoren Manager / Präsentierende Data Scientists Anwender / Nutzer
  • 10. • Predictive Maintenance • Ersatzteillogistik • Absatzoptimierung • Energiemanagement • Personalplanung • Supply-Chain-Management • Einkauf • uvm. Anwendungsfälle
  • 11.
  • 13. Workflow zur Bearbeitung eines Sachverhalts (stark vereinfacht) Fragestellung, konkreter Anwendungsfall Manuelle Voranalyse, Klassifizierung für Referenzmenge Entwicklung von Skripten zur automatisierten Analyse Verifizierung der Analyseergebnisse Zyklische, automatisierte Analyse Darstellung der Ergebnisse in YUNA Präsentation der Ergebnisse auf Basis belastbarer Daten
  • 14. Ausgewählte Features Komfortfunktionen zur Zusammenarbeit • Konfigurierbare Widgets für rollenspezifische Dashboards • Nahtlose Integration von Data Science Aufgaben • API zur Integration und Triggern von Jobs • Exploration von Daten und Ergebnissen • Teilen von Informationen • Corporate Identity • Mehrsprachigkeit Governance-Funktionen • Mehrere Analyse-Sprachen werden unterstützt (R, Python, Julia) • Horizontal skalierbar über Agenten • Rollen-/Rechtemanagement • On-Premise, Cloud oder Hybrid Cloud • Monitoring und Logging
  • 15. Entdecken Sie…. Heute Mit YUNA Data Science-Projekte voneinander getrennt Data Science unternehmensweit etablieren / skalieren Nutzung richtet sich an das Tool Passen Sie das Tool an ihre Bedürfnisse an Datenprojekte sind nicht allen zugänglich Jeder kann Datenprojekte planen / starten Potenzial oft anderer Nutzergruppen oft ungenutzt Potenzial des gesamten Unternehmens optimal nutzen Fragestellung, Analyse, Evaluierung und Präsentation sind getrennte Entitäten Ein Workflow von der Fragestellung über die Analyse bis hin zur Visualisierung / Präsentation in einem Tool
  • 16. • …Wettbewerbsvorteile erkennen • …neue Geschäftsmodelle, die Ihr Kerngeschäft erweitern • …wie sie Prozesse effizienter / einfacher gestalten • …wie Entscheidungen datengestützt leichter getroffen werden …und gehen Sie immer einen Schritt weiter
  • 17. Enabling / Features Keine Medienbrüche • Nahtlos vom Sachverhalt zum Ergebnis • Eine Software für alles • Keine weiteren Tools benötigt Imagine and create • 30+ Widgets für individuelle Ansichten und Dashboards • Integration von Highcharts • Corporate Identity durch individuelles Design
  • 18. Fancy Stuff / Features Skalieren und übertragen • Ein Skript – unendliche Anwendungen • Eine Software für alles • Grenzenlose Anbindung von Datenquellen • Anpassung bestehender Projekte für neue Anwendungsfälle • Anpassbar für alle Geschäftsprozesse Ihre Ansprüche – Ihr digitales Ökosystem • Workflows vollumfänglich individualisierbar • Einfache Integration in bestehende Infrastruktur • Volle Kontrolle über den Datenzugriff • Integrierter Job-Trigger • Automatische Visualisierung der Analyse
  • 19. Fancy Stuff / Features YUNAML Plattform eigene Syntax • Dashboards mit anderen teilen • Individuelles Einrichten von Dashboards • Dashboard-Inhalte parallel über mehrere Instanzen deployen • Sourcing ermöglicht Code an einer Stelle zu ändern und an verschiedenen Stellen wirken zu lassen Intelligentes Rollenkonzept • Rechte und Rollen auf Komponentenebene • Eine Ansicht – verschiedene Inhalte • Schnellere Umsetzung von Projekten • Granular und graduell einstellbar
  • 20. 15.01.2020 eoda GmbH | www.eoda.de© LAGERBESTÄNDE OPTIMIEREN PERSONAL PLANUNG AUSFALLZEITEN REDUZIEREN VERFÜGBARKEIT ERHÖHEN EINKAUF OPTIMIEREN KOSTEN SENKEN LOGISTIK VERBESSERN PROAKTIVER SUPPORT
  • 21. @eodaGmbH @eodaGmbH eodaGmbHwww.eoda.de/blog Mehr Informationen Ihr Kontakt Andreas Ernst Rössler yuna@eoda.de Tel. +49 561 87948-370 Ready? Let‘s start!