Data Beratung

Einer unserer Kunden, ein führendes Pharmaunternehmen, wollte das Potenzial externer Patientendaten für eine Initiative zur künstlichen Intelligenz im Bereich Diabetes in den Vereinigten Staaten und in Deutschland untersuchen.

In einem ersten Schritt gab Alcimed einen Überblick über die wichtigsten öffentlichen und privaten Dateninhaber in den beiden untersuchten Ländern. Diese Dateninhaber wurden dann von unserem Team im Hinblick auf Datenvolumen, Qualität, Relevanz und Zugänglichkeit klassifiziert.

Anhand dieser Kriterien priorisierten wir einige Dateninhaber als potenzielle Partner für das Unternehmen und entwickelten am Ende gemeinsam eine vorläufige Datenerfassungsstrategie für das Projekt.

Für einen unserer Kunden entwickelten wir einen globalen Kundenengagement-Indikator. Ziel dieses Indikators war es, alle verfügbaren Kundendaten zu nutzen, insbesondere in Bezug auf die Reaktionen auf die Kommunikation, um Aktivitäten zu steuern: zu verstehen, welche Aktionen das Kundenengagement auslösten, um die besten zukünftigen Entscheidungen zu treffen.

Unsere Methodik bestand aus zwei Teilen. Der erste Teil bestand darin, eine gemeinsame Definition des Begriffs „Kundenengagement“ zu erarbeiten und die verfügbaren Daten zur Erstellung dieses Indikators zu definieren. Das Ergebnis war eine externe Untersuchung (Literaturrecherche und Interviews mit wichtigen Akteuren) sowie eine interne Untersuchung durch den Austausch mit den verschiedenen Interessengruppen des Unternehmens. Der zweite Teil bestand darin, diese Daten abzurufen, um den Engagement-Indikator auf verschiedenen Granularitätsebenen in Echtzeit darzustellen.

Unser Kunde, ein Finanzdienstleister, wollte das Potenzial von KI-Modellen für die Vorhersage von Risiken bei seinen Investitionsprojekten untersuchen.

Unsere Arbeit begann mit einem Mapping der für Vorhersagen verfügbaren Daten, gefolgt von einem Extraktions-, Transformations- und Ladeprozess (ETL) für die Modellerstellung. Unser Team bewertete dann mehrere Modelle in einem iterativen Prozess, bis ein endgültiges Modell auf der Grundlage seiner Leistung ausgewählt wurde.

Schließlich passte unser Team das Modell so an, dass es in Produktion gehen und an die Infrastruktur des Kunden angepasst werden konnte, der es dann für eine bessere Entscheidungsfindung bei neuen Projekten nutzen konnte.

Alcimed unterstützte ein Luft- und Raumfahrtunternehmen bei der Entwicklung eines Geschäftsmodells für ein Data Lab, dessen Ziel es ist, Projekte zu beschleunigen und zu fördern, die Big Data in verschiedenen Bereichen der Raumfahrt nutzen (Analyse räumlicher Daten, Analyse von Telemetriedaten usw.). Diese Initiative ermöglicht die Verfügbarkeit von verschiedenen Daten im Rahmen eines Data-as-a-Service-Modells.

Zu diesem Zweck führte unser Team ein Benchmarking der besten Praktiken von Industrieunternehmen durch, die Data Labs in anderen Sektoren nutzen, sowie eine interne Studie über die Bedürfnisse und Erwartungen unseres Kunden. Auf diese Weise konnten wir diesen bei der Wahl der besten Entwicklungsstrategie beraten, einschließlich der Organisation, der Art der anzubietenden Dienstleistungen, der zu berücksichtigenden Vorteile und Einschränkungen usw.

Alcimed gab schließlich Empfehlungen für das Angebot und das Geschäftsmodell des Data Labs ab, von der Struktur bis zu den Dienstleistungsarten.

Ein industrieller Akteur wollte ein europäisches Projekt auf die Beine stellen, das auf der Erfassung sensibler Daten in externen Datenbanken basiert. Nach der Durchführung eines ersten Pilotprojekts, das in der Sammlung von Daten und der Einrichtung eines Algorithmus für maschinelles Lernen in einem europäischen Land bestand, wollte unser Kunde den regulatorischen Kontext der Europäischen Union und mehrerer anderer europäischer Länder durchleuchten.

Ziel unseres Projekts war es, besser zu verstehen, wie die Erfassung sensibler Daten und deren Verarbeitung in diesen anderen europäischen Ländern umgesetzt werden kann. Wir konzentrierten uns daher auf die Datenschutz-Grundverordnung und die nationalen Gesetze, um einen globalen Überblick über das regulatorische Umfeld und die verschiedenen Schritte zu erhalten, die für die Umsetzung des angestrebten Projekts erforderlich sind.

Alcimed unterstützte die französische Abteilung eines internationalen Pharmaunternehmens bei der Definition, Konzeption und Implementierung eines Datenvisualisierungstools für die in der medizinischen Datenbank gesammelten Daten und Informationen. Dies ermöglichte dem Team, monatlich die ungewöhnlichen und zukünftigen Anliegen der medizinischen Fachkräfte zu beobachten.

Unser Team implementierte NLP-Techniken und fortschrittliche statistische Analysen in den Abfragen. Dadurch konnten wir automatisch selten erwähnte Themen und Wörter erkennen, die das Potenzial hatten, sich in der Zukunft zu bedeutenden Themen zu entwickeln. Wir trugen auch dazu bei, dass dieser Ansatz im Produktteam und in den Systemen unseres Kunden umgesetzt wurde.

Ein führendes Unternehmen der pharmazeutischen Industrie wollte das Marketing-Modell für ein Medikament aus seinem Portfolio (welche Ärzte sollen wie oft und über welche Kanäle angesprochen werden) mithilfe eines datengetriebenen Ansatzes überdenken.

Ziel unseres Projekts war es, durch eine quantitative Analyse das Marketing-Modell zu finden, das den besten ROI ermöglicht, indem die Ansprache der Ärzte und der Marketing-Mix optimiert werden, und zwar auf der Grundlage von Verkaufsdaten, Budgetdaten, Daten über die durchgeführten Werbemaßnahmen sowie Targeting-Daten aus externen Quellen.

Da unsere quantitativen Analysen begrenzt waren (wenig Daten, teilweise unvollständig), ergänzten wir sie durch eine qualitative Untersuchung, um das ideale Modell zu finden, das der Firma die beste Rendite ermöglicht.

Um unseren Kunden, einen führenden Akteur im Baugewerbe, bei der Vorhersage seines Geschäftsvolumens zu unterstützen, entwickelte Alcimed einen Algorithmus für maschinelles Lernen. Der Algorithmus basiert auf historischen, öffentlichen Daten und prognostiziert die Gesamtzahl der Baugenehmigungen, die im aktuellen Monat eingereicht werden, noch bevor sie von den lokalen Behörden offiziell bestätigt werden.

Dieses Projekt ermöglichte unserem Kunden, seine Umsatzprognosen zu antizipieren und mehrere seiner Aktivitäten im Voraus anzupassen.