Case Studies

Datenwissenschaftliche Beratung
Case Studies
Büro des Informationskommissars – ML-E-Mail-Klassifizierungsmodell

Büro des Informationskommissars – ML-E-Mail-Klassifizierungsmodell

ICO: E-Mail-Klassifizierung

Das Information Commissioner’s Office (ICO) ist die öffentliche Stelle, die für die Regulierung des Datenschutzes in Großbritannien verantwortlich ist. Die Aufgabe des ICO besteht darin, „Informationsrechte im öffentlichen Interesse zu wahren, Offenheit bei öffentlichen Stellen und Datenschutz für Einzelpersonen zu fördern“. Organisationen und Freiberufler in ganz Großbritannien müssen sich registrieren und eine monatliche Gebühr an das ICO zahlen, wenn sie personenbezogene Daten verarbeiten.

CBT-Kliniken – Rekrutierung von Beratern, Psychiatern und Therapeuten

CBT-Kliniken – Rekrutierung von Beratern, Psychiatern und Therapeuten

CBT-Kliniken: Rekrutierung von Beratern, Psychiatern und Therapeuten

CBT Clinics ist ein in Großbritannien ansässiges Unternehmen, das psychiatrische Fachkräfte vermittelt. Das Unternehmen verfügt über eine Liste von Beratern, Psychiatern und Therapeuten und wollte expandieren, um mehr Kliniker einzustellen und die Nuancen des Beratungs- und Therapiemarkts in Großbritannien zu verstehen.

Tesco – Gewichte des Kundenkorbs

Tesco – Gewichte des Kundenkorbs

Gewichtsvorhersage für Kundenkörbe bei Tesco

Tesco ist einer der größten Anbieter im Bereich Homeshopping in Großbritannien. Millionen von Kunden verlassen sich bei ihrem wöchentlichen Lebensmitteleinkauf auf Tesco, und diese Zahl ist während der Pandemie noch weiter gestiegen.

White Ribbon Alliance – Verarbeitung natürlicher Sprache für gemeinnützige Organisationen

White Ribbon Alliance – Verarbeitung natürlicher Sprache für gemeinnützige Organisationen

White Ribbon Alliance: Natürliche Sprachverarbeitung für gemeinnützige Organisationen

Die White Ribbon Alliance (WRA) ist eine Wohltätigkeitsorganisation mit Sitz in Washington, D.C., deren Ziel es ist, sicherzustellen, dass jede Frau weltweit die Geburt überlebt. Die WRA wird von einer Reihe von Prominenten unterstützt, von Naomi Campbell bis Sarah, Herzogin von York.

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

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

We have worked on a number of different projects where a client needed to parse scientific literature and identify occurrences of molecules or proteins.

CV-Bibliothek – Kundenkonvertierung im Online-Formular

CV-Bibliothek – Kundenkonvertierung im Online-Formular

Kundenumwandlung im Online-Formular für CV-Library

Bei einem Projekt für CV-Library stellten wir fest, dass das Webformular, das zur Registrierung von Arbeitssuchenden verwendet wurde, sehr lang war. Durch die Analyse der Felder im Formular konnten wir feststellen, dass einige Felder die Benutzer verwirrten und sie in manchen Bereichen lange verweilten.

National Health Service – Vorhersage der Mitarbeiterfluktuation

National Health Service – Vorhersage der Mitarbeiterfluktuation

Der National Health Service in Großbritannien

Der britische National Health Service ist das öffentlich finanzierte Gesundheitssystem des Vereinigten Königreichs. Mit über 1,2 Millionen Beschäftigten ist er der mit Abstand größte Arbeitgeber des Landes. Der NHS wurde 1948 nach dem Zweiten Weltkrieg von Gesundheitsminister Aneurin Bevan gegründet. Dies war das erste Mal, dass allen Bürgern eines Landes eine kostenlose Gesundheitsversorgung angeboten wurde, die durch Steuern und nicht durch Versicherungsprämien finanziert wurde.

NLP in der Pharmaindustrie: Analyse klinischer NLP-Studien

NLP in der Pharmaindustrie: Analyse klinischer NLP-Studien

NLP in der Pharmaindustrie

Die Verarbeitung natürlicher Sprache (NLP) revolutioniert derzeit die Pharmaindustrie, da Pharmaunternehmen NLP zur Entscheidungsfindung in allen Phasen der Arzneimittelentwicklung und -markteinführung nutzen, von NLP zur Datenredaktion und Anonymisierung sensibler Daten, NLP für das Pharma-Literatur-Mining, NLP für die Arzneimittelentdeckung, NLP für die Erkennung benannter Entitäten für Arzneimittel bis hin zu NLP und KI für die strategische Gestaltung klinischer Studien.

Pharma – PubMed-Autorenanalyse

Pharma – PubMed-Autorenanalyse

Autorenschaftsanalyse für PubMed

Für einen Kunden aus der Pharmaindustrie haben wir ein plattformübergreifendes Desktop-Tool entwickelt, mit dem ein Benutzer Suchergebnisse aus PubMed für einen bestimmten Begriff importieren und in Wissensgraphen verarbeiten kann.

Tesco – Fahrzeugentladezeiten

Tesco – Fahrzeugentladezeiten

Fahrzeug-Entladezeiten für Tesco

Tesco verfügte über eine Fahrzeugflotte, die zu unterschiedlichen Tageszeiten Produkte auslieferte. Zur Planung der Lieferpläne wurde Logistiksoftware von Drittanbietern verwendet. Ein schwer planbares Element der Lieferpläne war jedoch die Entladezeit des Fahrzeugs bei der Ankunft im Geschäft.

Frühere Kunden von Fast Data Science

Wir arbeiten mit Kunden auf der ganzen Welt zusammen, die Mehrheit unserer Kunden befindet sich jedoch im Vereinigten Königreich, gefolgt von den USA und dem übrigen Europa.

Branchenkompetenz

Wir haben uns auf das Gesundheitswesen und die Pharmaindustrie konzentriert, sind jedoch offen für die Arbeit in zahlreichen Branchen.

Consulting-Fallstudien bei Fast Data Science

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

  • Ein Dashboard, das es der Öffentlichkeit ermöglicht, Umfrageantworten zu erkunden, die mithilfe von maschinellem Lernen automatisch kategorisiert wurden, für die White Ribbon Alliance . Dieses Dashboard wurde 2021 den Vereinten Nationen vorgestellt.
  • Ein unüberwachtes Lernmodell zur Erkennung wiederkehrender Themen und Fehler in den Herstellungs- und Lieferkettenprozessen für Boehringer Ingelheim . Die Fehler wurden in einfachem Englisch oder in der Landessprache der jeweiligen Einrichtung beschrieben.
  • Ein Vorhersagemodell in Microsoft Azure ML, das ermittelt hat, bei welchen Assistenzärzten (Praktikanten/Assistenzärzten) des britischen National Health Service (NHS) das Risiko besteht, dass sie das Unternehmen verlassen.
  • Ein Deep-Learning-Modell , ebenfalls in Azure ML, zum Kategorisieren von E-Mails von Kunden für das Information Commissioner’s Office .
  • Ein auf neuronalen Netzwerken basierendes Modell zum Extrahieren strukturierter Daten und Statistiken aus Protokollen klinischer Studien, auch für Boehringer Ingelheim.
  • Ein Vorhersagemodell, das neuronale Netzwerke verwendet, um Attribute aus den Lebensläufen von Arbeitssuchenden abzuleiten, bereitgestellt auf der Website der CV-Library .
  • Ein Modell, das die Online-Einkaufsbeträge von Kunden vorhersagt, für die britische Supermarktkette Tesco .

Interaktives Diagramm früherer Kunden

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

.chart-logo {
    display: flex;
    justify-content: center;
}
.chart-logo>img {
    width: 300px;
}
.chart-logo {
    display: flex;
    justify-content: center;
}
.chart-logo>img {
    width: 300px;
}
<!--<div class="chart-logo"><img src="https://raw.githubusercontent.com/fastdatascience/logos/master/logo_transparent_background.png" width=40 /></div>-->
<div class="select-div">
    <label for="year">
        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>
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)
}

Weitere Fallstudien

  • Ein Empfehlungssystem, um Kandidaten Jobs für die CV-Library zu empfehlen.
  • Ein Modell zur Vorhersage der Entladezeit von Fahrzeugen , das zur Verbesserung der Genauigkeit der Logistikplanung für Lebensmittellieferungen, auch für Tesco, verwendet wird.
  • Ein auf einem Convolutional Neural Network basierendes Gesichtserkennungssystem, das für Android-, iOS- und Desktop-Apps entwickelt wurde und zur biometrischen Sicherheit verwendet wird.
  • Eine sprachgesteuerte Smart-Home-Anwendung.

What we can do for you

Transform Unstructured Data into Actionable Insights

Contact us