Case Studies

Ehemalige Kunden von Fast Data Science

Wir arbeiten mit Kunden auf der ganzen Welt zusammen, wobei die Mehrheit unserer Kunden im Vereinigten Königreich ansässig ist, gefolgt von den USA und dem Rest Europas.

Branchenexpertise

Wir haben uns auf das Gesundheitswesen und die Pharmaindustrie konzentriert, sind aber offen für die Arbeit in einer Reihe von Branchen.

Beratungsfallstudien bei Fast Data Science

Zu den Projekten, an denen wir in der Vergangenheit gearbeitet haben, gehören:

Ein Dashboard , das es Mitgliedern der Öffentlichkeit ermöglicht, Umfrageantworten für die White Ribbon Alliance zu durchsuchen, die mithilfe von maschinellem Lernen automatisch kategorisiert wurden. Dieses Dashboard wurde 2021 den Vereinten Nationen vorgelegt.
Ein unbeaufsichtigtes Lernmodell zur Identifizierung wiederkehrender Themen und Fehler in den Herstellungs- und Lieferkettenprozessen für Boehringer Ingelheim . Die Fehler wurden in einfachem Englisch oder der Landessprache der jeweiligen Einrichtung verfasst.
Ein Vorhersagemodell in Microsoft Azure ML, das ermittelte, welche Assistenzärzte (Praktikanten/Assistenzen) des britischen National Health Service (NHS) Gefahr laufen, die Organisation zu verlassen.
Ein Deep-Learning-Modell , ebenfalls in Azure ML, zur Kategorisierung von E-Mails von Kunden für das Information Commissioner’s Office .
Ein auf einem neuronalen Netzwerk basierendes Modell zur Extraktion strukturierter Daten und Statistiken aus Protokollen klinischer Studien, ebenfalls für Boehringer Ingelheim.
Ein Vorhersagemodell , das neuronale Netze nutzt, um Attribute aus den Lebensläufen von Arbeitssuchenden abzuleiten, bereitgestellt auf der Website der CV-Library .
Ein Modell, das die Online-Einkaufsbeträge der Kunden für die britische Supermarktkette Tesco vorhersagt.

Interaktive Grafik früherer Kunden

In unserer interaktiven Grafik können Sie sehen und erkunden, woher unsere Kunden kommen und in welchen Branchen sie tätig sind.

``` Select year

        </label>
        <select class="select-inp w-full" name="year" id="year" onchange="plot()">
            <option value="all">All</option>
            <option value="2020">2020</option>
            <option value="2021">2021</option>
        </select>
    </div>
    <div class="select-div my-6">
        <label for="metric">

    Explore Fast Data Science clients by

        </label>
        <select class="select-inp w-full" name="metric" id="metric" onchange="plot()">
            <option value="industry">Industry</option>
            <option value="region">Region</option>
            <option value="size">Size</option>
        </select>
    </div>
    <!-- Container for the visualization -->
    <div id="vis"></div>
</div>

<script>

plot()

function plot() {

let year = document.getElementById("year").value;

let metric = document.getElementById("metric").value;

let data = [{

        year: ['2020'],

        region: 'EU',

        industry: 'Healthcare',

        sector: 'Private',

        size: '\u00A0large (250+ employees)',

},

        year: ['2020'],

        region: 'UK',

        industry: 'Healthcare',

        sector: 'Private',

        size: '\u00A0large (250+ employees)',

},

        year: ['2020'],

        region: 'EU',

        industry: 'Finance',

        sector: 'Private',

        size: ' small (<50 employees)',

},

        year: ['2020'],

        region: 'UK',

        industry: 'Healthcare',

        sector: 'Private',

        size: ' micro (<10 employees)',

},

        year: ['2020', '2021'],

        region: 'US',

        industry: 'Nonprofit',

        sector: 'Nonprofit',

        size: 'medium (<250 employees)',

},

        year: ['2020'],

        region: 'UK',

        industry: 'Insurance',

        sector: 'Private',

        size: 'medium (<250 employees)',

},

        year: ['2020'],

        region: 'UK',

        industry: 'Finance',

        sector: 'Private',

        size: ' small (<50 employees)',

},

        year: ['2020'],

        region: 'US',

        industry: 'Technology',

        sector: 'Private',

        size: ' micro (<10 employees)',

},

        year: ['2020'],

        region: 'EU',

        industry: 'Energy',

        sector: 'Private',

        size: '\u00A0large (250+ employees)',

},

        year: ['2020'],

        region: 'UK',

        industry: 'Energy',

        sector: 'Private',

        size: 'medium (<250 employees)',

},

        year: ['2020', '2021'],

        region: 'UK',

        industry: 'Healthcare',

        sector: 'Private',

        size: 'medium (<250 employees)',

},

        year: ['2021'],

        region: 'UK',

        industry: 'Communication',

        sector: 'Public',

        size: '\u00A0large (250+ employees)',

},

        year: ['2020', '2021'],

        region: 'UK',

        industry: 'Technology',

        sector: 'Private',

        size: ' small (<50 employees)',

},

];

data = data.filter(company => {

    if (year == 'all') {

        return true

    } else {

        return company.year.includes(year)

});

function extractData(feature) {

    let extractedData = [];

    let tempData = [];

    data.forEach(row => {

        tempData.push(row[feature])

})

    tempData = [...new Set(tempData)].forEach(v => {

        t = {}

        t[metric] = v;

        t.count = tempData.filter(val => {

            return val == v

        }).length

        extractedData.push(t)

});

    return extractedData;

data = extractData(metric);

// Assign the specification to a local variable vlSpec.

var vlSpec = {

    $schema: 'https://vega.github.io/schema/vega-lite/v5.json',

    data: {

        values: data

},

    "config": {

        "axis": {

            "labelFont": "PT Sans",

            "titleFont": "PT Sans"

},

        "legend": {

            "labelFont": "PT Sans",

            "titleFont": "PT Sans"

},

        "header": {

            "labelFont": "PT Sans",

            "titleFont": "PT Sans"

},

        "mark": {

            "font": "PT Sans"

},

        "title": {

            "font": "PT Sans",

            "subtitleFont": "PT Sans"

},

    "width": 500,

    "height": 400,

    "mark": {

        "type": "bar",

        "filled": true,

        "tooltip": true

},

    "encoding": {

        "x": {

            "field": metric,

            "type": "nominal",

            "axis": {

                "labelAngle": 0

},

        "y": {

            "field": "count",

            "type": "quantitative",

            "axis": {

                "tickMinStep": 1

};

// Embed the visualization in the container with id `vis`

vegaEmbed('#vis', vlSpec);

console.log(data)

}

</script>

### **Weitere Fallstudien**

* Ein Empfehlungssystem, um Bewerbern Jobs für die CV-Library zu empfehlen.
* Ein Modell zur [Vorhersage der Entladezeit von Fahrzeugen](/de/fahrzeug-entladezeiten/) , das zur Verbesserung der Genauigkeit der Logistikplanung für Lebensmittellieferungen, auch für Tesco, verwendet wird.
* Ein auf einem Faltungs-Neuronalen Netzwerk basierendes Gesichtserkennungssystem, das für Android-, iOS- und Desktop-Apps entwickelt wurde und für die biometrische Sicherheit verwendet wird.
* Eine sprachgesteuerte Smart-Home-Anwendung.

White Ribbon Alliance – Verarbeitung natürlicher Sprache für gemeinnützige Organisationen

Analyse klinischer NLP-Studien – Boehringer Ingelheim

Boehringer Ingelheim – Auffinden von Molekülen und Proteinen in der wissenschaftlichen Literatur

CV-Bibliothek – Kundenkonvertierung im Online-Formular

National Health Service – Vorhersage der Mitarbeiterfluktuation

Pharma – PubMed-Autorenanalyse

Tesco – Fahrzeugentladezeiten

Ehemalige Kunden von Fast Data Science

Branchenexpertise

Beratungsfallstudien bei Fast Data Science

Interaktive Grafik früherer Kunden

Transform Unstructured Data into Actionable Insights