实例探究.

添加案例

我们的案例数据库覆盖了全球物联网生态系统中的 1,841 家解决方案供应商。
您可以通过筛选条件进行快速浏览。

筛选条件
  • (1)
    • (1)
    • (1)
  • (1)
    • (1)
  • (1)
  • (1)
  • (1)
  • (1)
  • (1)
  • (2)
  • (9)
Selected Filters
9 实例探究
排序方式:
Improving Manufacturing Processes with Essilor - Dataiku Industrial IoT Case Study
使用依视路改进制造流程
看到他们的目标之一是找到更好地满足消费者和业务需求的方法,全球工程 (GE) 团队面临着改善堆焊机的流程和性能的挑战,以通过使用不断增加的数据量来显着提高其生产. “我们想要一个数据科学平台,让我们能够非常快速地解决我们的业务用例。感谢 Dataiku 及其敏捷灵活的协作平台,数据科学已成为常态,现在在我们的组织中得到更广泛的应用,全球工程部数据科学负责人 Cédric Sileo 说。
下载PDF
U.S. Venture + Dataiku: Upskilling Analysts to Save Thousands of Hours - Dataiku Industrial IoT Case Study
US Venture + Dataiku:提高分析师技能以节省数千小时
US Venture 的数据和分析团队始于 2018 年。当时,该团队正在做数据仓库和基本报告,但很快意识到他们需要合适的人员和工具来进行大规模的高级分析——维护模型和不同的数据源是没有他们很快就会变得难以管理。那是他们最初的痛点:他们有人员可以从头开始为 DataOps 构建解决方案(但没有围绕数据收集、准备和模型连接的自动化)——但现在不是重新发明轮子的时候。此外,该团队的数据科学家和分析师正在使用一组不同的工具和编码机制——一位数据科学家使用 R,一位使用 Python,一些分析师使用 SQL,而其他分析师使用 Python,等等。结果,各个团队成员构建了自己的组件,这些组件位于不同的地方,并通过他们自己的工具创建,保存在个人计算机上,其他团队成员看不到项目的位置以及它们是如何创建或运行的。这使他们无法相互支持并在项目上进行合作。
下载PDF
Smarter Predictions with Europcar Mobility Group - Dataiku Industrial IoT Case Study
Europcar Mobility Group 提供更智能的预测
Europcar Mobility Group 在机场租车以及根据市场变化准确预测需求波动的能力方面面临着具体挑战;例如,国际航空运输协会(IATA)预测,到 2037 年,往返亚太地区和亚太地区的航线每年将增加 23.5 亿乘客。为了开始解决这个问题,Europcar 希望使用来自不同来源(公共和私人)的数据构建一个应用程序,包括车队交通和乘客量、预订和计费数据、新航线开通数据等等。这带来了另一个挑战,因为数据来自不同的地方,格式不同,但数量也很大。
下载PDF
Dynamic Pricing With PriceMoov - Dataiku Industrial IoT Case Study
使用 PriceMoov 进行动态定价
PriceMoov 面临的挑战是源自旧的 SI 系统、Oracle 或 MySql 的数据很脏,需要全职开发人员在 PHP 中执行长 ETL(提取-转换-加载)步骤以进行清理。清理后,数据集被痛苦地输入到模型中,因为它们是定制的管道。完成后,下一个客户的复制和部署过程需要数周时间。
下载PDF
Scaling Up Data Efforts - Dataiku Industrial IoT Case Study
加大数据力度
2017 年,LINK Mobility 决定在处理内部请求以及与客户的外部请求时扩大数据工作。 LINK Mobility 产生了大量数据,并看到了扩展其产品的机会,以便围绕消息和服务的交付和性能为客户提供更多数据驱动的洞察力。他们希望扩展到客户仪表板,并根据该数据发送额外的报价。 LINK Mobility 需要找到一种工具,使他们能够扩大来自公司内部的数据请求,并足够灵活地为客户提供数据洞察力,而无需使用两种不同的工具或平台来满足他们的各种需求。
下载PDF
How Trainline Gets a Global View of Marketing Acquisition - Dataiku Industrial IoT Case Study
Trainline 如何获取营销获取的全球视野
作为一个在线市场,Trainline 一直坚信数据可以为营销团队增加价值。这就是为什么在早期,他们在营销部门内创建了一个技术团队,负责创建专注于 Trainline 营销获取工作的聚合、集中式仪表板。这项雄心勃勃的努力需要数据科学技能和足够强大的工具来混合和支持多种数据格式和来源,以根据某些参数跟踪采集。从头开始,技术团队如何确保他们最终得到一个工具,让他们能够提高和提升自己的技能,同时又能快速有效地满足营销部门的要求?
下载PDF
Building a Sustainable Data Practice - Dataiku Industrial IoT Case Study
建立可持续的数据实践
Orange 的客户服务部门拥有一个数据科学团队,直到两年前,该团队主要为业务执行临时分析,并且在处理更复杂的基于机器学习的项目方面的能力有限。为了扩大团队规模并扩大范围,他们必须克服几个挑战:工具:只有了解该工具及其专有语言的人才可以处理数据,这将数据的使用限制在统计学家或数据科学家身上。即使在那时,数据也难以访问,使得项目难以启动。招聘: Orange 的数据团队正在努力招聘刚从大学毕业的有才华的数据科学家,他们有很多雄心壮志和创造性想法(他们正在寻求使他们的数据科学实践活跃起来的特质)。不幸的是,这主要是工具挑战的一个功能,因为年轻的数据科学家主要在寻找可以使用开源工具(例如 Python 或 R)的工作。
下载PDF
Developing an Elastic AI Strategy - Dataiku Industrial IoT Case Study
制定弹性人工智能战略
五年过去了,数据仓库的成本逐渐失控,随着数据量的增长,性能也受到了影响。该公司需要找到一种解决方案,让组织中的任何人都可以处理大量数据,同时确保优化资源分配。 2019 年,Heetch 选择 Dataiku 作为他们构建数据管道和处理原始数据的单一平台,并与 Looker 配合使用,以实现这些流程的无缝可视化和探索。
下载PDF
Automated Dashboards in Customer Analysis - Dataiku Industrial IoT Case Study
客户分析中的自动化仪表板
OVH 与其用户之间的主要联系点是通过其网站,客户可以在该网站下订单并获得技术建议或支持。但负责传播数据和见解以告知网站商业化和优化的业务分析师面临着问题。主要问题是仪表板没有组合不同的数据源以获得完整的视图,因此需要进行临时分析,而分析师几乎没有时间进行分析。此外,仪表板的 ETL(提取、转换、加载)引起了数据架构师对数据和洞察质量的担忧,因为在转换哪些数据以及如何转换方面缺乏透明度。
下载PDF

联系我们

欢迎与我们交流!
* Required
* Required
* Required
* Invalid email address
提交此表单,即表示您同意 IoT ONE 可以与您联系并分享洞察和营销信息。
不,谢谢,我不想收到来自 IoT ONE 的任何营销电子邮件。
提交

感谢您的信息!
我们会很快与你取得联系。