Reporting mit R und RMarkdown in der Finanzbranche

[vc_row el_class="container"][vc_column][vc_btn title="Referenzen" style="classic" shape="square" color="btn-light-orange-blue" i_icon_fontawesome="fa fa-angle-double-left" add_icon="true" link="url:http%3A%2F%2Fwww.tiq-solutions.de%2Freferenzen%2F|title:Referenzen||"][/vc_column][/vc_row][vc_row el_class="container reference-mobile" el_id="reference-detail-layout"][vc_column el_class="reference-detail-layout-left .reference-mobile-order-2" offset="vc_col-lg-8 vc_col-md-8"][vc_row_inner][vc_column_inner][vc_single_image image="11072" img_size="750x495" el_class="reference-detail-layout-left-image"][/vc_column_inner][/vc_row_inner][vc_tta_accordion shape="square" gap="20" c_position="right" active_section="1" el_class="reference-detail-left-accordion min-height-five-hundred"][vc_tta_section title="Die Herausforderung" tab_id="1508250369004-11fd70c1-c50a"][vc_column_text]Die steigende Menge an Daten und die Zunahme an Prozessen im Finanzsektor hat Auswirkungen auf die Anforderung im Reporting. Zum einen müssen die Daten besser zu Informationen verdichtet werden und zum anderen ist die Datenqualität sicherzustellen. Bisher erstellte unser Projektpartner die Reports individuell für einzelne Prozess-Schritte mit Hilfe von einzelnen Skripten aus verschiedenen Programmiersprachen. Dies führte zu großer Unübersichtlichkeit, wenig Standardisierung, zu vielen manuellen Schritten und Redundanz in der Verarbeitung. Da die Datenmenge außerdem die zuvor genutzte Infrastruktur überstieg, wurde die Migration der Daten mit einer skalierbaren Lösung bereits angestrebt. In diesem Zuge wurde die Neuausrichtung des Reporting wichtig. In diesem Schritt sollten diese Berichte auch automatisiert zu bestimmten Zeitpunkten erstellt werden können und dazu in die neu entwickelte Landschaft mit User-Interface eingepflegt werden. Die Erstellung von Reports sollte zukünftig einheitlicher, automatisierter und schneller ablaufen.[/vc_column_text][/vc_tta_section][vc_tta_section title="Der Lösungsweg" tab_id="1508250369051-4a626d72-344d"][vc_column_text]In diesem Projekt unterstützte das Team von TIQ Solutions bei der Migration der Reports in die neue Datenstruktur basierend auf R und Python. Dazu wurden die einzelnen Berichte nach und nach in R und RMarkdown übersetzt, um einfach strukturierte Skripte als Basis für die Reports zu bilden. So ist der Aufbau für Außenstehende nachvollziehbar und leicht anzupassen. Außerdem ist die Visualisierung komplexer Sachverhalte in R sehr gut umsetzbar. Die migrierten Reports wurden nach und nach vereinheitlicht und an die bestehenden Standards angepasst. Redundanzen in den Berechnungen konnten so minimiert werden und die Berichte robuster implementiert werden. Die Berichterstellung wurde in das Framework integriert, und ein Zugriff auf Python-Funktionalität wurde ermöglicht. Damit ist auch eine Erstellung der Reports außerhalb von R und eine Integration in ein User-Interface möglich. Die Implementierung wurde den Endanwendenden präsentiert und bei der Nutzung unterstützt. In diesem Zuge wurde eine ausführliche Dokumentation entwickelt.[/vc_column_text][/vc_tta_section][vc_tta_section title="Das Ergebnis" tab_id="1508252697978-ef0a40d1-ea09"][vc_column_text]Eine einheitliche Funktionalität wurde geschaffen, um verschiedene Berichte standardisiert zu generieren. Alle Reports beruhen auf einer minimalen Menge an Funktionen und können trotz unterschiedlicher Inhalte über die gleiche Oberfläche erstellt werden. Die Berichterstellung wurde in ein Landschaft von Funktionalitäten integriert und ermöglicht die Nutzung auch außerhalb von R.[/vc_column_text][/vc_tta_section][/vc_tta_accordion][/vc_column][vc_column offset="vc_col-lg-4 vc_col-md-4" el_class=".reference-mobile-order-1"][vc_row_inner el_class="background-color-grey reference-detail-right-sidebar-one"][vc_column_inner][vc_column_text] PROJEKT INFORMATIONEN Kunde Finanzbranche Anwendungsfall Migration von verschiedenen Reports in ein einheitliches Framework und Harmonisierung der Prozesse Aufgaben Zeitliches Synchronisieren und Harmonisieren der Daten Automatisches Erfassen der Verhaltensmuster je Roboter Modellieren der Zusammenhänge Prognostizieren von Ausfällen Zielsetzung Migration aller bestehender Reports in R und RMarkdown Harmonisierung von Funktionen Einbindung in bestehende Prozesse Visualisierung Unterstützung für Anwendende Technologie RStudio, R, RMarkdown, Jupyter Hub, Python, Camunda Kundenvorteile Einheitliche Plattform für alle erstellten Reports Harmonisierung von Prozessen und Entfernung von Duplikaten Einbindung in Umgebung mit User-Interface Weniger manuelle Schritte nötig Schnelle Analysen [/vc_column_text][/vc_column_inner][/vc_row_inner][/vc_column][vc_column offset="vc_col-lg-4 vc_col-md-4" el_class="reference-mobile-order-3"][vc_row_inner el_class="reference-detail-right-sidebar-one-heading"][vc_column_inner][vc_custom_heading text="DIESE REFERENZEN KÖNNTEN SIE AUCH INTRESSIEREN:" font_container="tag:h6|text_align:left|color:%23193d66" use_theme_fonts="yes"][/vc_column_inner][/vc_row_inner][vc_row_inner el_class="background-color-grey reference-detail-right-sidebar-two"][vc_column_inner][tiq_reference_link_box tiq_reference_link="url:https%3A%2F%2Fwww.tiq-solutions.de%2Freferenzen%2Fbig-data-analytics-und-dashboarding-fuer-stimmungsbarometer-mit-social-listening%2F|title:Big%20Data-Analytics%20und%20Dashboarding%20f%C3%BCr%20Stimmungsbarometer%20mit%20Social%20Listening"][tiq_reference_link_box tiq_reference_link="url:https%3A%2F%2Fwww.tiq-solutions.de%2Freferenzen%2Fcustomer-analytics-in-der-retailbranche%2F|title:Customer%20Analytics%20in%20der%20Retailbranche"][/vc_column_inner][/vc_row_inner][/vc_column][/vc_row][vc_row el_class="container"][vc_column][tiq_start_service_boxes start_service_box_1_image="10224" start_service_box_2_image="10225" start_service_box_3_image="10226" start_service_box_4_image="10223" start_service_box_5_image="10222" start_service_convert_as_slider="true" start_service_title="Unsere Leistungen" start_service_box_1_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fadvanced-analytics%2F|title:Advanced%20Analytics||" start_service_box_1_title="Advanced Analytics" start_service_box_2_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fbusiness-intelligence%2F|title:Business%20Intelligence||" start_service_box_2_title="Business Intelligence" start_service_box_3_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fbig-data%2F|title:Big%20Data||" start_service_box_3_title="Big Data" start_service_box_4_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fdatenqualitaet%2F|title:Datenqualit%C3%A4tsmanagement" start_service_box_4_title="Graphdaten" start_service_box_5_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fberatung%2F|title:Beratung||" start_service_box_5_title="Beratung" start_service_box_6_url="|||"][/vc_column][/vc_row] ...

Big Data-Analytics und Dashboarding für Stimmungsbarometer mit Social Listening

[vc_row el_class="container"][vc_column][vc_btn title="Referenzen" style="classic" shape="square" color="btn-light-orange-blue" i_icon_fontawesome="fa fa-angle-double-left" add_icon="true" link="url:http%3A%2F%2Fwww.tiq-solutions.de%2Freferenzen%2F|title:Referenzen||"][/vc_column][/vc_row][vc_row el_class="container reference-mobile" el_id="reference-detail-layout"][vc_column el_class="reference-detail-layout-left .reference-mobile-order-2" offset="vc_col-lg-8 vc_col-md-8"][vc_row_inner][vc_column_inner][vc_single_image image="9735" img_size="750x495" el_class="reference-detail-layout-left-image"][/vc_column_inner][/vc_row_inner][vc_tta_accordion shape="square" gap="20" c_position="right" active_section="1" el_class="reference-detail-left-accordion"][vc_tta_section title="Die Herausforderung" tab_id="1508250369004-11fd70c1-c50a"][vc_column_text]Die fortschreitende Digitalisierung hat einen enormen Einfluss auf das Konsumverhalten der Verbraucher. Durch die stetig wachsenden technischen Möglichkeiten werden Produkt- und Preisvergleiche für jeden Anwender immer einfacher. Das hat zur Folge, dass die Konsumenten ihr Kaufverhalten immer mehr auch von der Reputation des Unternehmens bzw. der Marke abhängig machen. Die Bewertung bzw. das Image von Marken und Unternehmen stellt damit einen steigenden Erfolgsfaktor bei der Vermarktung von Produkten dar. Unser Projektpartner aus dem Bereich der Medienbranche analysiert die Wahrnehmung von Unternehmen und Marken im Web im Vergleich zu ihren Wettbewerbern über Stimmungsbarometer. Dazu nutzt er eine Vielzahl an unterschiedlichen Online-Datenquellen, wie z.B. Social-Media-Kanäle, Newsfeed, Blogs und Nachrichtenportale. Bisher erstellte unser Partner diese Analysen lokal in Excel und stieß aufgrund der hohen und kontinuierlich steigenden Datenmenge immer mehr an seine Grenzen. Zusätzlich sollte es möglich sein, die Informationen in Themen einzuteilen, ohne dabei einen aufwendigen manuellen Anteil zu haben. Das bisher verwendete Modell zur Klassifizierung der Online-Daten in bestimmte Themen (sog. Topic Modeling) war nicht auf große Datenmengen ausgelegt und nicht ausreichend performant. Auch die Benennung der einzelnen Themen aus dem Topic Modeling erfolgte manuell und benötigte klare Standards. Der Aufwand für die Analysen war dadurch sehr hoch und für die Analysten nicht mehr zu bewältigen. Unser Partner hat sich bei der Suche nach einer Big Data Analytics-Lösung an uns gewandt, mit der er aus den oben beschriebenen Online-Datenquellen die Wahrnehmung von Unternehmen und Marken analysieren und Stimmungsbarometer daraus visualisiert darstellen kann. Die Analysen sollten zukünftig schneller, effizienter und qualitativ hochwertiger durchführbar sein und mehr Freiheiten bei Datenbeschaffung und Datenselektion bieten. Die Datenmodellierung soll zukünftig auf Basis eines universellen Modells mit einem effizienteren automatisierten Algorithmus erfolgen. Zudem sollen die Dashboards der Analysen in Bezug auf Tonalität, Reputation, Sentiment für den internen Gebrauch genutzt werden und interessierten Kunden exklusiv im ansprechenden Design zur Verfügung gestellt werden.[/vc_column_text][/vc_tta_section][vc_tta_section title="Der Lösungsweg" tab_id="1508250369051-4a626d72-344d"][vc_column_text]In diesem Projekt unterstützte TIQ Solutions das Forschungs- und Entwicklungsteam des Projektpartners allumfänglich angefangen bei der Datenintegration bis hin zur Datenvisualisierung und dem Reporting. Für die Big Data-Integration aus einer Vielzahl von Online-Datenquellen hat das Team von TIQ Solutions einen Cloudera Cluster in der Azure Cloud aufgebaut. Für eine integrierte und abgestimmte schnell nutzbare Umgebung mit wenig Administrations- und Konfigurationsaufwand entwickelte das Team ein Ansible-Skript, das in kürzester Zeit vollautomatisiert eine Cloudera-Umgebung in der Azure Cloud aufbaut. Für Datenbeschaffung und -import wurde eine Schnittstelle zu einem Amazon S3 Storage implementiert. Die Persistierung der Daten erfolgt nun in Hive und der Datenzugriff wurde mittels Hue (SQL) und Jupyter (Python, R) umgesetzt. Ein entscheidender Teil der (Social Media-) Analyse ist die Bestimmung relevanter Themen (Topics), die im Zusammenhang mit der betrachteten Entität stehen. Dazu wurde unter R zunächst ein Topic Model entwickelt, dass über Clusterverfahren relevante Themen identifiziert. Darüber hinaus kann über eine in Python entwickelte NLP-Pipeline das jeweilige Thema der geladenen Textfragmente bestimmt werden. In der Aggregation ergibt sich hieraus die Möglichkeit der quantitativen Auswertung der Themen, mit denen Unternehmen und ihre Benchmarks in Verbindung gebracht werden.  Das Topic Modeling profitiert dabei von der skalierbaren Cloud-Architektur, die es ermöglicht, auch große Textcorpora zu analysieren. Zusätzlich wurde die Klassifizierung neuer Textfragmente in den Import der Daten integriert, wodurch direkt auf die Themenanalyse zugegriffen werden kann. Die Beladung, Aggregation der Daten und die Visualisierung der Ergebnisse erfolgt auf einem Qlik Sense Server, welcher als Basis für verschiedene Apps und Dashboards für ein Reporting dient. Doch die Datenvisualisierung in der Qlik Sense Oberfläche erfüllte die Kundenanforderungen nicht ausreichend. Daher haben die BI-Entwickler von TIQ Solutions eine Web-Application auf Basis des Python-Webframeworks Django entwickelt, auf welcher ein eigenständiges Dashboard präsentiert wird. Die Daten werden dabei nicht neu aggregiert, sondern über die Qlik Sense Engine API  bezogen und anschließend mit Hilfe des Frameworks Chart.js visualisiert.[/vc_column_text][/vc_tta_section][vc_tta_section title="Das Ergebnis" tab_id="1508252697978-ef0a40d1-ea09"][vc_column_text]Für die Erstellung von Stimmungsbarometern aus einer Vielzahl an Onlinedaten kann unser Partner jetzt seine Analysen in einem Big Data Cluster transparent, optimiert, schnell und qualitätsgesichert durchführen. Die Analysten können sich die benötigten Daten eigenständig beschaffen und sind nicht auf explizite Datenlieferungen eines Dienstleisters angewiesen. Durch das Topic Modelling kann jetzt die Wahrnehmung der Unternehmen / Marken zu unterschiedlichen Themen explizit dargestellt und auswertet werden. Mit der Nutzung von Qlik Sense kann unser Partner eigenständig neue Analysen ohne Entwicklerkenntnisse erstellen. Zudem bietet Qlik Sense über die API Möglichkeiten zur flexibleren Entwicklung von Visualisierungen und zur Implementierung von erweiterten Funktionen. Mit den zusätzlich entwickelten Dashboards erhält unser Partner ein aussagekräftiges Reporting, welches jetzt Darstellungen weiterer Datenzusammenhänge ermöglicht. Mit der Bereitstellung von Templates kann unser Partner nun seinen Kunden auch für ihr Reporting individualisierte Dashboards anbieten.[/vc_column_text][/vc_tta_section][/vc_tta_accordion][vc_row_inner el_class="reference-detail-left-heading"][vc_column_inner][vc_custom_heading text="Grafik zur Kundenreferenz" font_container="tag:h3|text_align:left" use_theme_fonts="yes"][/vc_column_inner][/vc_row_inner][vc_row_inner el_class="reference-detail-left-heading"][vc_column_inner width="1/2"][vc_single_image image="9694" img_size="330x140" onclick="link_image"][vc_column_text]Architekturskizze des Big Data-Analytics- und Dashboardsystems[/vc_column_text][/vc_column_inner][vc_column_inner width="1/2"][vc_single_image image="9703" img_size="330x140" onclick="link_image"][vc_column_text]Ablauf Topic Modeling zur Datenexploration großer Textsammlungen[/vc_column_text][/vc_column_inner][/vc_row_inner][vc_row_inner el_class="reference-detail-left-heading"][vc_column_inner width="1/2"][vc_single_image image="9733" img_size="330x140" onclick="link_image"][vc_column_text]Darstellung der Stimmungsbarometer mit Qlik Sense[/vc_column_text][/vc_column_inner][vc_column_inner width="1/2"][vc_single_image image="9732" img_size="330x140" onclick="link_image"][vc_column_text]Darstellung der Stimmungsbarometer mit einer funktionserweiternden Visualisierungsapp[/vc_column_text][/vc_column_inner][/vc_row_inner][/vc_column][vc_column offset="vc_col-lg-4 vc_col-md-4" el_class=".reference-mobile-order-1"][vc_row_inner el_class="background-color-grey reference-detail-right-sidebar-one"][vc_column_inner][vc_column_text] PROJEKT INFORMATIONEN Kunde PR/ Medienbranche Anwendungsfall Entwicklung einer Big Data Analytics-Lösung  und Dashboard-Darstellung der KPIs in Form eines Stimmungsbarometers für Unternehmen und Marken Zielsetzung Verarbeitung sehr großer Datenmengen Skalierungsmöglichkeiten Thematische Klassifizierung großer Textsammlungen mittels Machine-Learning Visualisierung der Ergebnisse in moderner Dashboard-Optik Technologie Microsoft Azure, Cloudera, Ansible, Qlik Sense Server, Hadoop, Hive, Oozie, Spark, Zookeeper, Hue, Impala, ADLS Client, Sqoop, MySQL, Juypter Server, Python, R, Qlik Sense, Django, Chart.js Kundenvorteile Schnellere, transparentere Analysen großer Datenmengen durch Big Data-Architektur in Azure Cloud Konzentration auf die fachlichen Analysen statt auf die Datenbereitstellung Verbesserte Aussagekraft der Analysen und Erkennen von weiteren Zusammenhängen in den Daten Live-Analysen direkt im Dashboard Optionen zur Individualisierung für die Dashboards auch im Corporate-Design der Kunden Optimale Darstellung der Ergebnisse vor allem für Kundenpräsentationen [/vc_column_text][/vc_column_inner][/vc_row_inner][/vc_column][vc_column offset="vc_col-lg-4 vc_col-md-4" el_class="reference-mobile-order-3" css=".vc_custom_1536932145604{margin-bottom: -100px !important;}"][vc_row_inner el_class="reference-detail-right-sidebar-one-heading"][vc_column_inner][vc_custom_heading text="DIESE REFERENZEN KÖNNTEN SIE AUCH INTRESSIEREN:" font_container="tag:h6|text_align:left|color:%23193d66" use_theme_fonts="yes"][/vc_column_inner][/vc_row_inner][vc_row_inner el_class="background-color-grey reference-detail-right-sidebar-two"][vc_column_inner][tiq_reference_link_box tiq_reference_link="url:https%3A%2F%2Fwww.tiq-solutions.de%2Freferenzen%2Fbig-data-telekommunikationsbranche%2F|title:Big%20Data%20f%C3%BCr%20das%20digitale%20Fernsehen%20und%20Telefonieren%20bei%20der%20deutschen%20Telekom||"][tiq_reference_link_box tiq_reference_link="url:https%3A%2F%2Fwww.tiq-solutions.de%2Freferenzen%2Fintelligente-social-media-analyse%2F|title:Intelligente%20Social%20Media%20Analyse%20bei%20der%20Leipziger%20Tourismus%20und%20Marketing%20GmbH||"][/vc_column_inner][/vc_row_inner][/vc_column][/vc_row][vc_row el_class="container"][vc_column][tiq_start_service_boxes start_service_box_1_image="10226" start_service_box_2_image="10225" start_service_box_3_image="10224" start_service_box_4_image="10223" start_service_box_5_image="10222" start_service_convert_as_slider="true" start_service_title="Unsere Leistungen" start_service_box_1_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fbig-data%2F|title:Big%20Data||" start_service_box_1_title="Big Data" start_service_box_2_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fbusiness-intelligence%2F|title:Business%20Intelligence||" start_service_box_2_title="Business Intelligence" start_service_box_3_url="url:http%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fadvanced-analytics%2F|title:Advanced%20Analytics||" start_service_box_3_title="Advanced Analytics" start_service_box_4_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fdatenqualitaet%2F|title:Graphdaten" start_service_box_4_title="Datenqualitätsmanagement" start_service_box_5_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fberatung%2F|title:Beratung||" start_service_box_5_title="Beratung" start_service_box_6_url="|||"][/vc_column][/vc_row] ...

Predictive Maintenance im Karosseriebau

[vc_row el_class="container"][vc_column][vc_btn title="Referenzen" style="classic" shape="square" color="btn-light-orange-blue" i_icon_fontawesome="fa fa-angle-double-left" add_icon="true" link="url:http%3A%2F%2Fwww.tiq-solutions.de%2Freferenzen%2F|title:Referenzen||"][/vc_column][/vc_row][vc_row el_class="container reference-mobile" el_id="reference-detail-layout"][vc_column el_class="reference-detail-layout-left .reference-mobile-order-2" offset="vc_col-lg-8 vc_col-md-8"][vc_row_inner][vc_column_inner][vc_single_image image="4122" img_size="750x495" el_class="reference-detail-layout-left-image"][/vc_column_inner][/vc_row_inner][vc_tta_accordion shape="square" gap="20" c_position="right" active_section="1" el_class="reference-detail-left-accordion min-height-five-hundred"][vc_tta_section title="Die Herausforderung" tab_id="1508250369004-11fd70c1-c50a"][vc_column_text]Im Rahmen des Zukunftsprojektes Industrie 4.0 spielt die „Smart Factory“ eine tragende Rolle. Diese beschreibt die Vision von sich selbst organisierenden Fertigungsanlagen. Bereits heute werden in der Automobilindustrie flächendeckend Roboter eingesetzt. Dabei treten im Laufe der Produktion immer wieder Störungen auf, die zu Ausfallzeiten oder sogar Produktionsstillständen führen. Unerwartete und nicht notwendige Mehrkosten und Lieferverzögerungen sind die Folge. Die statische Wartung in festen Intervallen hilft nur bedingt und führt zu weiteren unnötigen Stillstandszeiten und Verbrauch von Ersatzteilen. Daher war unser Kunde auf der Suche nach einer Softwarelösung, um zukünftig Ausfälle und Zeitverluste in seiner Fertigung für Karosserien zu reduzieren. Diese Lösung sollte möglichst automatisiert das Verhalten der eingesetzten Schweißroboter analysieren, um so frühzeitig Störungen erkennen und vorhersagen zu können.[/vc_column_text][/vc_tta_section][vc_tta_section title="Der Lösungsweg" tab_id="1508250369051-4a626d72-344d"][vc_column_text]Die prognosebasierte Wartung (Predictive Maintenance) beruht auf der Analyse historischer Anlagedaten mit statistischen Verfahren und erweiterten Methoden des maschinellen Lernens. Die dabei entwickelten mathematischen Modelle werden für die Vorhersage des zukünftigen Maschinenverhaltens eingesetzt und helfen dabei, kritische Anlagenzustände rechtzeitig zu erkennen und geeignete Maßnahmen zu ergreifen. Grundlage der analytischen Lösung war die Erstellung eines zeitlich synchronen Verlaufs der Sensor- und Zustandsinformationen sowie der Störungsmeldungen. Daraufhin wurden die charakteristischen Verhaltensmuster der einzelnen Produktionszyklen der Karosseriefertigung identifiziert und in normalisierte Zustände überführt. Zusammen mit dem Fachbereich wurde praxisrelevantes Fehlverhalten bestimmt und die betreffenden Produktionszyklen auf mögliche Fehlerquellen und Abhängigkeiten untersucht. Durch nichtlineare Klassifikationsalgorithmen konnten die Zusammenhänge zwischen den Verhaltensmustern und Störungsmeldungen modelliert werden. Künftig sollen Prognosen bezüglich der Ausfallwahrscheinlichkeit einzelner Geräte getroffen und potentielle Ursachen untersucht werden. Das Training der Modelle erfolgte in einem Hadoop-Cluster. Durch die verteilte Verarbeitung mit Spark wurden die Analysen parallelisiert und beschleunigt.[/vc_column_text][/vc_tta_section][vc_tta_section title="Das Ergebnis" tab_id="1508252697978-ef0a40d1-ea09"][vc_column_text]Es wurde ein System entwickelt, mit dem das Verhalten von Industrierobotern und angeschlossenen Komponenten kontinuierlich analysiert und zukünftige Ereignisse vorhergesagt werden können. Für jede Maschine wurde eine Art Fingerabdruck des typischen Produktionsprozesses erzeugt. Darauf aufsetzende Vorhersagemodelle erlauben es, Ausfallwahrscheinlichkeiten einzelner Geräte und Fertigungsabschnitte zu ermitteln. Die so prognostizierten Störungen werden dem Kunden angezeigt. Dadurch können die Verantwortlichen schon vor dem Auftreten einer Störung präventiv eingreifen. Womit nicht nur operative Stillstände vermieden werden, sondern auch der Verbrauch von Verschleiß- und Maschinenteilen reduziert wird. Das heißt, roboterbasierte Prozesse können bedarfsgerecht instand gehalten und Fehlerursachen nachverfolgt werden. Das senkt Produktionskosten und führt zu einer sukzessiven Prozessoptimierung.[/vc_column_text][/vc_tta_section][/vc_tta_accordion][vc_row_inner el_class="reference-detail-left-heading"][vc_column_inner][vc_custom_heading text="Grafiken zur Kundenreferenz" font_container="tag:h3|text_align:left" use_theme_fonts="yes"][/vc_column_inner][/vc_row_inner][vc_row_inner el_class="reference-detail-left-image-text"][vc_column_inner offset="vc_col-lg-3"][vc_single_image image="5670" img_size="165x165" onclick="link_image"][/vc_column_inner][vc_column_inner offset="vc_col-lg-3"][vc_column_text]1. Zeitlicher Verlauf von gemessenen Zustandsinformation, welche die Aktivität eines Produktionssystems individuell erfassen.[/vc_column_text][/vc_column_inner][vc_column_inner offset="vc_col-lg-3"][vc_single_image image="5672" img_size="165x165" onclick="link_image"][/vc_column_inner][vc_column_inner offset="vc_col-lg-3"][vc_column_text]2. Normalisierte Darstellung der vorverarbeiteten Zustandsinformationen, Vergleichbarkeit unterschiedlicher Produktionszyklen ermöglicht.[/vc_column_text][/vc_column_inner][/vc_row_inner][/vc_column][vc_column offset="vc_col-lg-4 vc_col-md-4" el_class=".reference-mobile-order-1"][vc_row_inner el_class="background-color-grey reference-detail-right-sidebar-one"][vc_column_inner][vc_column_text] PROJEKT INFORMATIONEN Kunde Automobilhersteller Anwendungsfall Predictive Maintenance für Schweißroboter im Karosseriebau Aufgaben Zeitliches Synchronisieren und Harmonisieren der Daten Automatisches Erfassen der Verhaltensmuster je Roboter Modellieren der Zusammenhänge Prognostizieren von Ausfällen Zielsetzung Vermeiden von Stillständen Bedarfsgerechte Instandhaltung Technologie R, Python, Hive, Impala, Spark, Hadoop Kundenvorteile Bedarfsgerechte Wartungsintervalle Verringerung der Stillstandszeiten Verringerung des Verbrauchs von Ersatzteilen Minimierung ungeplanter Produktionsausfälle Erhöhte Transparenz der technischen Zusammenhänge [/vc_column_text][/vc_column_inner][/vc_row_inner][/vc_column][vc_column offset="vc_col-lg-4 vc_col-md-4" el_class="reference-mobile-order-3"][vc_row_inner el_class="reference-detail-right-sidebar-one-heading"][vc_column_inner][vc_custom_heading text="DIESE REFERENZEN KÖNNTEN SIE AUCH INTRESSIEREN:" font_container="tag:h6|text_align:left|color:%23193d66" use_theme_fonts="yes"][/vc_column_inner][/vc_row_inner][vc_row_inner el_class="background-color-grey reference-detail-right-sidebar-two"][vc_column_inner][tiq_reference_link_box tiq_reference_link="url:http%3A%2F%2Fwww.tiq-solutions.de%2Freferenzen%2Fbig-data-plattform-fuer-die-evaluation-von-streaming-technologien%2F|title:Big%20Data-Plattform%20f%C3%BCr%20die%20Evaluation%20von%20Streaming-Technologien||"][tiq_reference_link_box tiq_reference_link="url:http%3A%2F%2Fwww.tiq-solutions.de%2Freferenzen%2Ftraceability-in-der-produktion%2F|title:Traceability%20der%20Halbleiterproduktion%20durch%20Aufbau%20einer%20Big%20Data-Datenbank%20in%20Kooperation%20mit%20T-Systems||"][/vc_column_inner][/vc_row_inner][/vc_column][/vc_row][vc_row el_class="container"][vc_column][tiq_start_service_boxes start_service_box_1_image="10224" start_service_box_2_image="10225" start_service_box_3_image="10226" start_service_box_4_image="10223" start_service_box_5_image="10222" start_service_convert_as_slider="true" start_service_title="Unsere Leistungen" start_service_box_1_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fadvanced-analytics%2F|title:Advanced%20Analytics||" start_service_box_1_title="Advanced Analytics" start_service_box_2_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fbusiness-intelligence%2F|title:Business%20Intelligence||" start_service_box_2_title="Business Intelligence" start_service_box_3_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fbig-data%2F|title:Big%20Data||" start_service_box_3_title="Big Data" start_service_box_4_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fdatenqualitaet%2F|title:Datenqualit%C3%A4tsmanagement" start_service_box_4_title="Graphdaten" start_service_box_5_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fberatung%2F|title:Beratung||" start_service_box_5_title="Beratung" start_service_box_6_url="|||"][/vc_column][/vc_row] ...

Predictive Analytics in einer robotergestützten Lackieranlage

[vc_row el_class="container"][vc_column][vc_btn title="Referenzen" style="classic" shape="square" color="btn-light-orange-blue" i_icon_fontawesome="fa fa-angle-double-left" add_icon="true" link="url:http%3A%2F%2Fwww.tiq-solutions.de%2Freferenzen%2F|title:Referenzen||"][/vc_column][/vc_row][vc_row el_class="container reference-mobile" el_id="reference-detail-layout"][vc_column el_class="reference-detail-layout-left .reference-mobile-order-2" offset="vc_col-lg-8 vc_col-md-8"][vc_row_inner][vc_column_inner][vc_single_image image="7446" img_size="750x495" el_class="reference-detail-layout-left-image"][/vc_column_inner][/vc_row_inner][vc_tta_accordion shape="square" gap="20" c_position="right" active_section="1" el_class="reference-detail-left-accordion"][vc_tta_section title="Die Herausforderung" tab_id="1508250369004-11fd70c1-c50a"][vc_column_text]Ein großer deutscher Maschinen-/Anlagenbauer, der Weltmarktführer bei der Herstellung von Lackieranlagen für die Automobilbranche ist, benötigte Unterstützung bei der Realisierung einer datenbasierten Analyselösung zur Erkennung von Betriebsstörungen. Zur Vorbereitung des Lackierprozesses werden die im Rohbau befindlichen Karosserien durch eine Reihe von Tauchbecken befördert, um sie dort zu reinigen und chemisch vorzubehandeln. Für beste Lackierergebnisse ist es dabei wichtig, dass die verwendeten Tauchflüssigkeiten in den Becken die optimalen Temperaturen besitzen. Kleine Abweichungen können hier bereits dazu führen, dass Nacharbeiten an den lackierten Karosserien notwendig werden, der Lackierprozess sich somit verlängert und die Kosten unnötig steigen. Unser Kunde hatte daher die Idee für eine prognostische Lösung, um sich abzeichnende Temperaturabweichungen rechtzeitig zu erkennen und den Anlagenbedienenden zu warnen.[/vc_column_text][/vc_tta_section][vc_tta_section title="Der Lösungsweg" tab_id="1508250369051-4a626d72-344d"][vc_column_text]In diesem Innovationsprojekt unterstützte TIQ das Forschungs- und Entwicklungsteam des Kunden allumfänglich bei der Konzeption und Umsetzung einer entsprechenden Predictive Analytics-Lösung. Nach gemeinsamer Erarbeitung der analytischen Zielstellung und Sichtung der verfügbaren Datenquellen wurde eine umfassende Vorbereitung und Exploration der Sensor- und Störungsdaten durchgeführt. Basierend auf den bereinigten Daten wurde eine Trainingsdatenmenge erzeugt, welche die Grundlage der anschließenden Modellierung mittels maschineller Lernverfahren bildete. Um hierbei ein möglichst optimales Prognosemodell abzuleiten, wurde eine systematische Evaluation der relevanten Prozessparameter durchgeführt (z.B. Auswahl geeigneter Signale und Vorverarbeitungsmethoden, Merkmalsextraktion sowie eingesetzte Lernverfahren und -parameter). Das resultierende Modell wurde abschließend in das bestehende Monitoring-System des Kunden integriert und in den produktiven Einsatz gebracht. Die Güte des Prognosemodells wurde mit ergänzenden operativen Daten validiert. Die analytische Lösung entstand vollständig in der Data-Science-Programmiersprache R. Bei der operativen Bereitstellung des Modells kamen Docker und Java zum Einsatz.[/vc_column_text][/vc_tta_section][vc_tta_section title="Das Ergebnis" tab_id="1508252697978-ef0a40d1-ea09"][vc_column_text]Mithilfe des entwickelten Prognoseansatzes ist es im Echtzeitbetrieb möglich, innerhalb eines gegebenen Zeitfensters Prognosen bezüglich der Eintretenswahrscheinlichkeit von Störungen zu bestimmen. Bei Überschreiten bestimmter Schwellwerte werden im graphischen Interface des Monitoring-Systems Warnmeldungen angezeigt, die auf den kritischen Zustand von wichtigen Zielgrößen der Lackieranlage hinweisen. Auf diese Weise können frühzeitig geeignete Regelungs-/Instandhaltungsmaßnahmen ergriffen werden. Somit werden optimale Ausgangsbedingungen für einen effektiven und qualitativ hochwertigen Lackierprozess geschaffen, die dabei helfen, Ressourcen bei der zusätzlich anfallenden Nacharbeit der Karosserien zu schonen. Mithilfe eines ähnlichen prognosebasierten Ansatzes soll in weiteren Iterationen ein System zur Unterscheidung und Analyse von Störungsursachen entstehen.[/vc_column_text][/vc_tta_section][/vc_tta_accordion][/vc_column][vc_column offset="vc_col-lg-4 vc_col-md-4" el_class=".reference-mobile-order-1"][vc_row_inner el_class="background-color-grey reference-detail-right-sidebar-one"][vc_column_inner][vc_column_text] PROJEKT INFORMATIONEN Kunde Automobilzulieferer Anwendungsfall Vorhersage von Störungen in einer robotergestützen Lackieranlage Technologie R, Shiny, Plotly, D3[/vc_column_text][/vc_column_inner][/vc_row_inner][/vc_column][vc_column offset="vc_col-lg-4 vc_col-md-4" el_class="reference-mobile-order-3"][vc_row_inner el_class="reference-detail-right-sidebar-one-heading"][vc_column_inner][vc_custom_heading text="DIESE REFERENZEN KÖNNTEN SIE AUCH INTRESSIEREN:" font_container="tag:h6|text_align:left|color:%23193d66" use_theme_fonts="yes"][/vc_column_inner][/vc_row_inner][vc_row_inner el_class="background-color-grey reference-detail-right-sidebar-two"][vc_column_inner][tiq_reference_link_box tiq_reference_link="url:https%3A%2F%2Fwww.tiq-solutions.de%2Freferenzen%2Fpredictive-maintenance-im-karosseriebau%2F|title:Predictive%20Maintenance%20im%20Karosseriebau||"][tiq_reference_link_box tiq_reference_link="url:https%3A%2F%2Fwww.tiq-solutions.de%2Freferenzen%2Fcustomer-analytics-in-der-retailbranche%2F|title:Customer%20Analytics%20in%20der%20Retailbranche||"][/vc_column_inner][/vc_row_inner][/vc_column][/vc_row][vc_row el_class="container"][vc_column][tiq_start_service_boxes start_service_box_1_image="10224" start_service_box_2_image="10226" start_service_box_3_image="10225" start_service_box_4_image="10223" start_service_box_5_image="10222" start_service_convert_as_slider="true" start_service_title="Unsere Leistungen" start_service_box_1_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fadvanced-analytics%2F|title:Advanced%20Analytics||" start_service_box_1_title="Advanced Analytics" start_service_box_2_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fbig-data%2F|title:Big%20Data||" start_service_box_2_title="Big Data" start_service_box_3_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fbusiness-intelligence%2F|title:Business%20Intelligence||" start_service_box_3_title="Business Intelligence" start_service_box_4_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fdatenqualitaet%2F|title:Datenqualit%C3%A4tsmanagement" start_service_box_4_title="Graphdaten" start_service_box_5_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fberatung%2F|title:Beratung||" start_service_box_5_title="Beratung" start_service_box_6_url="|||"][/vc_column][/vc_row] ...

Deep Learning in der Telekommunikationsbranche

[vc_row el_class="container"][vc_column][vc_btn title="Referenzen" style="classic" shape="square" color="btn-light-orange-blue" i_icon_fontawesome="fa fa-angle-double-left" add_icon="true" link="url:http%3A%2F%2Fwww.tiq-solutions.de%2Freferenzen%2F|title:Referenzen||"][/vc_column][/vc_row][vc_row el_class="container reference-mobile" el_id="reference-detail-layout"][vc_column el_class="reference-detail-layout-left .reference-mobile-order-2" offset="vc_col-lg-8 vc_col-md-8"][vc_row_inner][vc_column_inner][vc_single_image image="7814" img_size="750x495" el_class="reference-detail-layout-left-image"][/vc_column_inner][/vc_row_inner][vc_tta_accordion shape="square" gap="20" c_position="right" active_section="1" el_class="reference-detail-left-accordion"][vc_tta_section title="Die Herausforderung" tab_id="1508250369004-11fd70c1-c50a"][vc_column_text]Das Team von TIQ Solutions unterstütze bei einem großen europäischen Mobilfunkanbieter in unterschiedlichen Business-Analytics-Projekten zur Anomaliedetektion in Kunden- und Nutzungsdaten. Durch Einsatz moderner Deep-Learning-Algorithmen wird in umfangreichen Datenmengen (Big Data) automatisch nach geschäftsrelevanten Auffällig­keiten und Mustern gesucht, die anschließend menschlichen Analysten zur Prüfung vorgeschlagen werden. Ziel ist die Identifizierung potentieller Fehlfunktionen innerhalb des Rabattvergabesystems sowie der technischen Abrechnungs­mechanismen. Nach einer prototypischen Umsetzung sollte die Anomaliedetektion in das bestehende produktive Hadoop-/Data-Warehouse-Umfeld des Kunden integriert werden. [/vc_column_text][/vc_tta_section][vc_tta_section title="Der Lösungsweg" tab_id="1508250369051-4a626d72-344d"][vc_column_text] Evaluation, Implementierung und Optimierung von Analyseverfahren Identifikation und Behebung von Datenqualitätsproblemen Operationalisierung und Betreuung im laufenden Betrieb Einsatz von unüberwachten Deep-Learning-Algorithmen Konzeption eines geeigneten Validierungsschemas [/vc_column_text][/vc_tta_section][vc_tta_section title="Das Ergebnis" tab_id="1508252697978-ef0a40d1-ea09"][vc_column_text]Wir entwickelten ein System mit dem potentielle Fehlfunktionen im Rabattvergabesystem sowie der automatischen Abrechnungsmechanismen sofort erkannt werden. Dabei werden Anomalien quantifiziert und sind nachvollziehbar. Die Lösung wurde in das bestehende produktive Hadoop-/Data-Warehouse-Umfeld des Kunden integriert.[/vc_column_text][/vc_tta_section][/vc_tta_accordion][/vc_column][vc_column offset="vc_col-lg-4 vc_col-md-4" el_class=".reference-mobile-order-1"][vc_row_inner el_class="background-color-grey reference-detail-right-sidebar-one"][vc_column_inner][vc_column_text] PROJEKT INFORMATIONEN Kunde Telekommunikationsanbieter Anwendungsfall Big Data Analytics mit Deep Learning zur Anomaliedetektion in Kunden- und Nutzungsdaten Technologien R, H2O, Scala, Apache Spark, Apache Hive, Oracle, JDBC[/vc_column_text][/vc_column_inner][/vc_row_inner][/vc_column][vc_column offset="vc_col-lg-4 vc_col-md-4" el_class="reference-mobile-order-3"][vc_row_inner el_class="reference-detail-right-sidebar-one-heading"][vc_column_inner][vc_custom_heading text="DIESE REFERENZEN KÖNNTEN SIE AUCH INTRESSIEREN:" font_container="tag:h6|text_align:left|color:%23193d66" use_theme_fonts="yes"][/vc_column_inner][/vc_row_inner][vc_row_inner el_class="background-color-grey reference-detail-right-sidebar-two"][vc_column_inner][tiq_reference_link_box tiq_reference_link="url:https%3A%2F%2Fwww.tiq-solutions.de%2Freferenzen%2Fpredictive-maintenance-im-karosseriebau%2F|title:Predictive%20Maintenance%20im%20Karosseriebau||"][tiq_reference_link_box tiq_reference_link="url:http%3A%2F%2Fwww.tiq-solutions.de%2Freferenzen%2Ftraceability-in-der-produktion%2F|title:Traceability%20der%20Halbleiterproduktion%20durch%20Aufbau%20einer%20Big%20Data-Datenbank%20in%20Kooperation%20mit%20T-Systems||"][/vc_column_inner][/vc_row_inner][/vc_column][/vc_row][vc_row el_class="container"][vc_column][tiq_start_service_boxes start_service_box_1_image="10224" start_service_box_2_image="10225" start_service_box_3_image="10226" start_service_box_4_image="10223" start_service_box_5_image="10222" start_service_convert_as_slider="true" start_service_title="Unsere Leistungen" start_service_box_1_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fadvanced-analytics%2F|title:Advanced%20Analytics||" start_service_box_1_title="Advanced Analytics" start_service_box_2_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fbusiness-intelligence%2F|title:Business%20Intelligence||" start_service_box_2_title="Business Intelligence" start_service_box_3_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fbig-data%2F|title:Big%20Data||" start_service_box_3_title="Big Data" start_service_box_4_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fdatenqualitaet%2F|title:Datenqualit%C3%A4tsmanagement" start_service_box_4_title="Graphdaten" start_service_box_5_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fberatung%2F|title:Beratung%20f%C3%BCr%20Datenanalysen%20und%20Datenvisualisierungen||" start_service_box_5_title="Beratung" start_service_box_6_url="|||"][/vc_column][/vc_row] ...

Customer Analytics in der Retailbranche

[vc_row el_class="container"][vc_column][vc_btn title="Referenzen" style="classic" shape="square" color="btn-light-orange-blue" i_icon_fontawesome="fa fa-angle-double-left" add_icon="true" link="url:http%3A%2F%2Fwww.tiq-solutions.de%2Freferenzen%2F|title:Referenzen||"][/vc_column][/vc_row][vc_row el_class="container reference-mobile" el_id="reference-detail-layout"][vc_column el_class="reference-detail-layout-left .reference-mobile-order-2" offset="vc_col-lg-8 vc_col-md-8"][vc_row_inner][vc_column_inner][vc_single_image image="7427" img_size="750x495" el_class="reference-detail-layout-left-image"][/vc_column_inner][/vc_row_inner][vc_tta_accordion shape="square" gap="20" c_position="right" active_section="1" el_class="reference-detail-left-accordion"][vc_tta_section title="Die Herausforderung" tab_id="1508250369004-11fd70c1-c50a"][vc_column_text]Mit Hilfe einer Customer Analytics wurden auf Basis von Verkaufs-, Mediendaten und Passagierzahlen Kundenprofile identifiziert, um Anhaltspunkte für die Innovationsentwicklung zu erhalten.[/vc_column_text][/vc_tta_section][vc_tta_section title="Der Lösungsweg" tab_id="1508250369051-4a626d72-344d"][vc_column_text] Deskriptive Analyse der statistischen Eigenschaften der Daten Interpretation der Analyseergebnisse Umsetzung der Dashboards für Analyse und Visualisierung [/vc_column_text][/vc_tta_section][vc_tta_section title="Das Ergebnis" tab_id="1508252697978-ef0a40d1-ea09"][vc_column_text] Web-Anwendung mit grafischen und tabellarischen Visualisierungen Ermittlung von Standardkunden je Shop Vergleich von Kunden und Umsätzen über alle Shops Rückschlüsse zur Anpassung des Sortiments je Shop [/vc_column_text][/vc_tta_section][/vc_tta_accordion][/vc_column][vc_column offset="vc_col-lg-4 vc_col-md-4" el_class=".reference-mobile-order-1"][vc_row_inner el_class="background-color-grey reference-detail-right-sidebar-one"][vc_column_inner][vc_column_text] PROJEKT INFORMATIONEN Kunde Einzelhändler Anwendungsfall Analyse von Kundenprofilen zur Optimierung von Umsatz & Sortiment Technologien Shiny, R, Rstudio, plotly, JavaScript[/vc_column_text][/vc_column_inner][/vc_row_inner][/vc_column][vc_column offset="vc_col-lg-4 vc_col-md-4" el_class="reference-mobile-order-3"][vc_row_inner el_class="reference-detail-right-sidebar-one-heading"][vc_column_inner][vc_custom_heading text="DIESE REFERENZEN KÖNNTEN SIE AUCH INTRESSIEREN:" font_container="tag:h6|text_align:left|color:%23193d66" use_theme_fonts="yes"][/vc_column_inner][/vc_row_inner][vc_row_inner el_class="background-color-grey reference-detail-right-sidebar-two"][vc_column_inner][tiq_reference_link_box tiq_reference_link="url:https%3A%2F%2Fwww.tiq-solutions.de%2Freferenzen%2Fpredictive-maintenance-im-karosseriebau%2F|title:Predictive%20Maintenance%20im%20Karosseriebau||"][tiq_reference_link_box tiq_reference_link="url:http%3A%2F%2Fwww.tiq-solutions.de%2Freferenzen%2Ftraceability-in-der-produktion%2F|title:Traceability%20der%20Halbleiterproduktion%20durch%20Aufbau%20einer%20Big%20Data-Datenbank%20in%20Kooperation%20mit%20T-Systems||"][/vc_column_inner][/vc_row_inner][/vc_column][/vc_row][vc_row el_class="container"][vc_column][tiq_start_service_boxes start_service_box_1_image="10224" start_service_box_2_image="10225" start_service_box_3_image="10226" start_service_box_4_image="10223" start_service_box_5_image="10222" start_service_convert_as_slider="true" start_service_title="Unsere Leistungen" start_service_box_1_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fadvanced-analytics%2F|title:Advanced%20Analytics||" start_service_box_1_title="Advanced Analytics" start_service_box_2_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fbusiness-intelligence%2F|title:Business%20Intelligence||" start_service_box_2_title="Business Intelligence" start_service_box_3_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fbig-data%2F|title:Big%20Data||" start_service_box_3_title="Big Data" start_service_box_4_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fdatenqualitaet%2F|title:Datenqualit%C3%A4tsmanagement" start_service_box_4_title="Datenqualitätsmanagement" start_service_box_5_url="url:https%3A%2F%2Fwww.tiq-solutions.de%2Fleistungen%2Fberatung%2F|title:Beratung%20f%C3%BCr%20Datenanalysen%20und%20Datenvisualisierungen||" start_service_box_5_title="Beratung" start_service_box_6_url="|||"][/vc_column][/vc_row] ...