Was wir tun
Prognosen für das, was Sie planen müssen. Nachfrage für den Lagerbestand, Umsatz für das Budget, Kapazität für Server oder Personal. Wir vergleichen einfache Methoden mit komplexeren auf Ihren eigenen historischen Daten und behalten die genauere. Sie bekommen eine Bandbreite mit einem schwachen und einem starken Fall und jeden Monat einen Abgleich mit dem, was tatsächlich passiert ist.
Ihre Kunden verstehen. Segmentierung danach, was Kunden tun, nicht nur danach, wer sie sind. Churn- und Retention-Analysen nach Kohorten, damit Sie sehen, ob neuere Kunden länger bleiben als ältere und was die Abgewanderten gemeinsam haben. Das Ergebnis ist eine kurze Liste von Erkenntnissen, mit denen Ihre Teams arbeiten können, plus die Abfragen dahinter.
Experimente, denen Sie glauben können. Wir helfen, A/B-Tests vor dem Start zu planen: die Kennzahl, die Stichprobengröße, den kleinsten relevanten Effekt und die Laufzeit. Dann werten wir die Ergebnisse mit ehrlicher Statistik aus, auch wenn die Antwort „kein messbarer Unterschied“ lautet. Ein Test, der zeigt, dass sich nichts verändert hat, ist trotzdem nützlich.
Modelle in Produktion bringen und überwachen. Wenn ein Modell ein gutes Diagramm oder eine einfache Regel klar schlägt, liefern wir es richtig aus: versionierter Code, ein geplanter oder API-basierter Scoring-Job und Monitoring für Input-Drift und Genauigkeit über die Zeit. Ein Modell, das unbemerkt schlechter wird, ist schlimmer als gar keins. Deshalb bekommt es Alerts wie jeder andere Produktivdienst.
Ihnen sagen, wenn Sie uns nicht brauchen. Viele Fragen, die als Data Science verkauft werden, sind eigentlich ein Reporting-Problem: Die Daten sind da, aber niemand hat sie an einen Ort gebracht oder klar definiert. Dann sagen wir das und verweisen Sie auf ein Dashboard oder eine SQL-Abfrage. Das ist günstiger, schneller und für Ihr Team leichter weiter zu betreiben.
Wie es meistens abläuft
Der übliche erste Schritt ist der zweiwöchige Daten-Check-up. Modelle sind nur so gut wie die Daten, aus denen sie lernen. Deshalb verfolgen wir zuerst die Eingangsdaten und finden heraus, wo sie abweichen, doppelt vorkommen oder fehlen. Manchmal beantwortet das allein schon die ursprüngliche Frage.
Dann nehmen wir uns eine Frage nach der anderen vor, einigen uns darauf, wie Erfolg gemessen wird, und liefern die Analyse oder das Modell in zwei bis vier Wochen. Der Code landet in Ihren Repositories, so geschrieben, dass Ihr Team ihn erneut ausführen und erweitern kann.
Passt gut, wenn
- Sie planen Lagerbestand, Personal oder Server nach Bauchgefühl, und es geht immer wieder schief.
- Sie machen A/B-Tests, sind sich aber nicht sicher, ob die Ergebnisse echt sind.
- Kunden springen ab, und Sie wissen nicht, warum oder welche als Nächstes gehen.
- Jemand hat mal ein Modell gebaut, und niemand weiß, ob es noch funktioniert.