Ein Purview Scan sammelt und organisiert Metadaten von ausgewählten Datenquellen wie Datenbanken und Cloud-Speichern in der Azure-Umgebung. Die Scanhäufigkeit und Ausführungsoptionen können konfiguriert werden, und die Scanergebnisse sind im Governanceportal einsehbar.
In Purview können Datenquellen entweder in Tabellen- oder Zuordnungsansicht betrachtet werden, letztere zeigt eine hierarchische Anordnung. Eine detaillierte Ansicht einer Sammlung enthält alle Ressourcen mit Schemainformationen und weiteren Eigenschaften.
Durch ein Unternehmensglossar können klare Definitionen für Begriffe festgelegt werden, um ihre einheitliche Verwendung sicherzustellen. Die definierten Begriffe aus dem Glossar können zur Kennzeichnung von Ressourcen genutzt werden.
Der Purview-Datenkatalog zeigt alle verfügbaren Datenquellen an, die einzeln überprüft und angepasst werden können. Dies umfasst u.a. das Aktualisieren von Tabellenschemata, das Hinzufügen von Glossarbegriffen oder Klassifizierungen.
Mithilfe von Purview kann der Datenfluss über Azure Data Factory Pipelines von der Quelle bis zum Ziel dargestellt werden. Dadurch ist es leicht, die Herkunft der Daten nachzuvollziehen.
Das Priorisieren von Projekten stellt einen kontinuierlichen Prozess dar. Wenn sich die Umstände ändern, müssen die Prioritäten Ihrer Projekte dementsprechend angepasst werden.
Das Gantt-Diagramm zählt zu den bekanntesten und effektivsten Methoden, Aktivitäten bzw. Projekte zeitbezogen darzustellen.
Im Steckbrief des Portfoliomanagements erhalten Sie zu jedem Ihrer Projekte eine detaillierte Darstellung zu Projektzielen, Terminen, Risiken sowie dem Business Case.
Durch den Statusbericht erhalten Sie unterschiedliche, wichtige Informationen über den Status des betreffenden Projekts.
Aufsetzung eines Spark Clusters in Azure Databricks und Import der Daten aus dem Online-Einzelhandel vom Databricks File System.
Erstellung einer Bronze-Tabelle mit Rohdaten, einer Silber-Tabelle mit bereinigten Daten und Gold-Tabellen mit aggregierten Daten.
Nutzung von Spark SQL zur Auswertung der Länder, Kunden und Waren, welche den höchsten Umsatz produzieren.
Visualisierung der Umsatzentwicklung im zeitlichen Verlauf basierend auf der nach Rechnungen aggregierten Gold-Tabelle.
Klassifikation von Bildern verschiedener Blumen mithilfe eines KI-Modells in TensorFlow.
Entwicklung und Optimierung mehrerer Deep Learning Modelle zur Erkennung von Blumen auf Bildern.
Bewertung des Modells mit einer Confusion-Matrix und Visualisierung der Vorhersagen des Modells.
Generierung eines TensorBoards zum Vergleich zwischen den entwickelten Modellen.
Auswahl der relevanten Features zur Prädiktion der Trefferwahrscheinlichkeit eines Torschusses durch Korrelationsanalyse.
Erstellung und Training eines neuronalen Netzes zur Vorhersage der Trefferwahrscheinlichkeit von Torschüssen im Fußball.
Auswertung des xG-Modells durch Evaluationsmetriken und Ermittlung der Gewichtung von Features im Modell.
Nutzung des xG-Modells zum Spielerscouting und zur Bewertung von Mannschaftsleistungen.
Untersuchung des Passspiels einzelner Spieler und Darstellung der Passnetzwerke von Mannschaften.
Auswertung der Offensiv- und Defensivaktionen von Spielern auf dem Spielfeld zur Abbildung einer Heatmap.
Ermittlung der realtaktischen Aufstellung von Mannschaften in der Offensive und Defensive.
Abbildung der Position und Trefferwahrscheinlichkeit von Torschüssen und Darstellung eines xG Race Charts.
Für den Unfallatlas verknüpften wir Unfalldaten mit weiteren externen Datenquellen, um die Gefahrenstellen visualisieren zu können. Als Ergebnis bieten wir dem Anwender:in eine Kartennavigation an, mit der man die Pendelstecke nach Unfallhäufigkeit optimieren kann. Probieren Sie es aus!
Im Jahr 2020 wurden in Deutschland insgesamt 237.994 Unfälle registriert. Die Bundesländer mit den meisten Unfällen waren Nordrhein-Westfalen mit 20,7 % der registrierten Unfälle, gefolgt von Bayern mit 17,4 % und Baden-Württemberg mit 12,0 %.
Unfälle mit leichten Verletzungen sind die häufigsten Unfälle. Es wurden 189.813 Fälle mit leichten Verletzungen registriert, 45.810 Fälle, die als schwere Verletzungen eingestuft wurden, und 2.371 Unfälle mit Todesfolge.
Der virtuelle Projektassistent wird über die Einträge in der Projektliste aktiviert und stößt einen Flow in Power Automate an. Dieser Flow durchläuft die Berechtigungstabelle und erledigt hierbei mehrere tausend Aktionen über API-Calls innerhalb von 5-10 Minuten, die manuell mehrere Tage in Anspruch genommen hätten.
Über die zentrale Projektliste in Teams oder SharePoint wird die Projektanlage gesteuert. Hierbei können die Projekte über den Button „Neues Element“ oder „In Rasteransicht bearbeiten“ angelegt werden. Über die Liste können die Projektstammdaten verwaltet und der Status des Bots verfolgt werden.
Die Standardeinstellungen von Teams erlauben keine individuelle Vergabe von Benutzerrechten und Duplizierung von Plannern. Unser Bot bricht die Standardrechte je Element auf und vergibt automatisiert individuelle Rechte auf Basis der personalisierten Konfigurationsliste. Hierbei parallelisiert Berta unzählige Aktionen und übernimmt die mühsame Routinetätigkeit.
Entwicklung von Regressionsbäumen, Random Forest Regression und Gradient Boosting Regression
Training eines neuronalen Netzes zur Prädiktion der Preise von Airbnb-Unterkünften
Auswertung der Modelle mit verschiedenen Metriken und Visualisierung der Vorhersagen
Impulse zur Beschreibung der Architektur und Funktionsweise von neuronalen Netzen sowie baumartigen Regressionsverfahren
Analyse der Verkaufserfolge als Sales Trichter auf Basis angesprochener Personen, Trials, Kundeninteraktionen und Verkaufszahlen mit Berechnung der Umwandlungsraten.
Auswertung der geplanten und durchgeführten Einsätze nach Gebiet und Außendienstler anhand der geografischen Koordinaten.
Auswertung der verkauften Produkte und deren Umsätze zur Berechnung der Marge sowie Provisionen.
Untersuchung der Einflussfaktoren wie direkte Kundenansprachen, Produktproben und Newsletter auf die Verkaufszahlen.
SAC erleichtert die Modellierung und Aufbereitung Ihrer Daten aus verschiedenen Quellen. Sie können die Struktur, Semantik und Eigenschaften definieren, Daten verbessern und Dashboards (``Storys``) erstellen, die eingebettete oder gemischte Daten enthalten.
SAC verwandelt Daten in ansprechende Dashboards (``Storys``) mit vielfältigen Diagrammtypen, Widgets und Geomaps, um Daten zu untersuchen und teilen. Die Stories sind hochinteraktiv und exportierbar, und Sie können Daten aus verschiedenen Quellen nutzen, um eingebettete oder gemischte Storys zu erstellen.
SAC fördert die Teamarbeit durch Funktionen wie Diskussionen, Kommentare, Kalender und Benachrichtigungen. Sie haben Kontrolle über die Sicherheit durch Rollen und Berechtigungen, und der Katalog hilft beim Finden von Inhalten. Nutzen Sie die aktive SAP-Community für Fragen und den Fortschritt in Ihren Datenprojekten.
SAC vereinfacht Analyse, Planung und Prognosen in einer Umgebung. Nutzen Sie natürliche Sprachverarbeitung, KI-gestützte Erkennung und automatisierte Erkenntnisse für datengesteuerte Erkenntnisse.
Aufsetzung von einem Lakehouse, Integration von CSV-Dateien, Erstellung eines Datenmodells und SQL-Abfragen in MS Fabric.
Erstellung und Ausführung von Data Factory Pipelines zur Verschiebung und Transformation von Daten in MS Fabric.
Implementierung eines Dataflows zur Integration und Transformation von Daten in MS Fabric.
Aufbau eines Data Warehouses, Modellierung der Datenarchitektur und Analyse mit SQL-Abfragen.
Anbindung eines Power BI Reports zur Visualisierung und Auswertung der Daten aus MS Fabric.
Implementierung von Notebooks mit PySpark und Spark SQL zur Datenanalyse.
Auf Metadaten-Ebene werden Tabellen- oder Spaltennamen übersetzt. Mit Hilfe des externen Tools „Tabular Editors“ werden hierfür die gewünschten Sprachen sowie die entsprechenden Übersetzungen angelegt. Beim Konsumieren des Reports im PBI Service werden die angelegten Inhalte entsprechend des vom Benutzer hinterlegten Gebietsschemas automatisch in die jeweilige Sprache übersetzt.
Für die Übersetzung einzelner Berichtselemente wie bspw. Titel oder Seitennamen wird die DAX-Funktion USERCULTURE() (lediglich für Premium Kapazitäten vorhanden) verwendet. Wird der Bericht im PBI Service konsumiert erkennt die Funktion automatisch das Gebietsschema des jeweiligen Benutzers und übersetzt die hinterlegten Elemente entsprechend
Für eine automatische Übersetzung spezifischer Geschäftsdaten reichen die bisherigen Funktionen in PBI leider nicht aus. Als Workaround bieten sich Feldparameter in Kombination mit Filteroptionen wie Bookmarks an. Dennoch ist zu beachten, dass dies mit hohem manuellem Aufwand verbunden ist.
Training eines Large Language Modells auf individuellen Textdokumenten.
Aufteilung eines Textdokuments in Chunks, Erstellung von Embeddings, Abspeicherung in einer Vektor-Datenbank und Nutzung des LLMs.
Entwicklung einer Webapp, auf welcher Nutzer Textdateien hochladen und Fragen zum Inhalt des Dokuments formulieren können.
Nutzung des Large Language Modells zur Beantwortung von Fragen zu Textdokumenten.
Dieses Sales Dashboard bietet einen Echtzeitüberblick über die Leistung von Vertriebsaktivitäten. Es präsentiert die wichtigsten Vertriebskennzahlen in übersichtlicher Form. Weitere Visualisierungen ermöglichen die Umsatzentwicklung im Vergleich zum Vorjahr zu analysieren, Trends zu verfolgen und fundierte Entscheidungen zur Optimierung von Vertriebsstrategien zu treffen.
Das Kunden Dashboard bietet eine umfassende Übersicht über Kundenaktivitäten und Interaktionen in Echtzeit. KPI-Karten präsentiert die wichtigsten Kennzahlen und weitere Visualisierungen ermöglichen tieferreichende Analysen, um Kundensegmente zu verstehen sowie die Kundenzufriedenheit zu verbessern.
