Data Science verstehen

Mit Predictive Maintenance zu neuen Kundenservices

Entwicklung eines „Health Indicator“ auf Basis von Echtzeitdaten zur Erhöhung der Maschinenverfügbarkeiten für die Schenck Process Europe GmbH.

Aufbau einer Analyseumgebung bei der REWE International AG

Implementierung einer leistungsfähigen IT-Infrastruktur auf Basis von R.

Infrastruktur-Consulting für Modeunternehmen

eoda hat für ein Modeunternehmen eine performante und zuverlässige IT-Infrastuktur für den Produktivbetrieb von R-Analysen implementiert.

Knowledge Transfer Workshop: RShiny Apps – Deutsche Bahn Analytics

eoda hat das Team von DB Analytics im Rahmen eines Workshops in die Lage versetzt, Analyseergebnisse mit R Shiny schnell und ansprechend zur Verfügung zu stellen.

Entwicklung eines Scoring-Algorithmus für die databyte® GmbH

eoda unterstützt databyte® bei der Identifizierung von Neukundenpotenzialen.

Präzise Prognosemodelle – 50Hertz

eoda erstellt mithilfe von Data Mining verlässliche Prognosemodelle zum Ausgleich von Netzverlusten.

Predictive Maintenance mit Deep Learning

Wir haben für einen Maschinenbauer ein Deep-Learning-Modell entwickelt um Maschinenstörungen verlässlich prognostizieren zu können.

Predictive Maintenance – TRUMPF Lasertechnik

eoda hat TRUMPF Lasertechnik dabei geholfen ihren "Industrie 4.0 - Reifegrad" auf Basis von Daten und Algorithmen zu erhöhen.

Integration papierbasierter Prozesse mit SAP

Entwicklung einer Individualsoftware zur automatischen Dokumentenerfassung für die SMA AG.

Imageanalyse für Handball-Bundesligist

Durchführung einer umfassenden Imageanalyse auf Basis einer Fan- und Breitenbefragung für die MT Melsungen.

Selbstlernende Adressdatenbank

eoda ermöglicht mit seiner selbstlernenden Adressdatenbank addRess den digitalen Kontowechselservice von fino digital.

CRM-Datenbereinigung für Industrieunternehmen

Unterstützung einer Migration zu Microsoft Dynamics CRM bei einem weltweit führenden Hersteller von Zellulose- und Papierprodukten.

Automatisierte Erstellung von individuellen Reports für Einzelhandelsfilialen

eoda hat den Kunden in die Lage versetzt, auf Knopfdruck angepasste Berichte mit individuellen Informationen wie einer Visualisierung des Einzugsgebiets zu generieren.

CRM-Daten Konsolidierung nach Unternehmensfusion

Bereinigung und Zusammenführung von CRM-Daten nach einer Unternehmensfusion zweier international tätiger Hotelketten.

Operationalisierung von statistischen Auswertungen

eoda hat eine NPO durch die Einführung von R dabei unterstützt ihr heterogenes Toolset abzulösen, Arbeitsprozesse schlanker zu gestalten und Lizenzkosten einzusparen.

Automatische Kategorisierung von Antworten

Entwicklung eines Text-Mining-Algorithmus für die OBI Group.

Kundenanalyse für die VR Bank

eoda bestimmt mit Data-Mining-Verfahren die Affinität der Kunden für spezielle Beratungsthemen und hilft so, Vertriebsprozesse zu optimieren.

Optimierung Aktionsgeschäft für internationalen Retailer

Wir ermitteln mit Data Mining Muster und Zusammenhänge für die Planung zukünftiger Aktionen.

Analyse der Erfolgsfaktoren von Einzelhandelsfilialen

Entwicklung eines Data-Mining-Modells zur Klassifikation von Lebensmittelmärkten anhand der Filial- und Umgebungseigenschaften.

Warenkorbanalyse für Schulunganbieter

Durch den Einsatz der Warenkorbanalyse die Effizienz der Marketing- und Vertriebsaktivitäten erhöhen.

Prognose von KPIs auf Basis von Zeitreihen für Versicherer

Durch die Unterstützung von eoda kann der Versicherer sein bislang rein deskriptives Reporting um die zuverlässige Prognose der Produktkennzahlen erweitern.

Text Mining zur Prognose der Strompreisentwicklung

Welche Auswirkungen haben Nachrichtenmeldungen auf die Entwicklung des Strompreises.

Fraud Detection: Betrugsfälle frühzeitig erkennen

Wir haben für einen führenden Dienstleister im Bereich Finance eine Analyse zur Fraud Detection auf Basis des Benford-Gesetzes entwickelt.

Data Science: Wie gehen wir bei eoda vor?

Auf Basis langjähriger Erfahrung in Data Science und unter der Verwendung bewährter Technologien und innovativer Lösungsansätze helfen wir Ihnen, sich bestmöglich im Zeitalter von Big Data aufzustellen.

Enabling IoT: Die Hintergründe und Erfolgsfaktoren von Data Science in der Industrie.

Die Hintergründe und Erfolgsfaktoren von Data Science in der Industrie.

Data Mining: Die intelligente Nutzung von Big Data

eoda Chief Data Scientist Oliver Bracht erklärt die Grundlagen des Data Mining und das Vorgehen anhand von branchenübergreifenden Use Cases.

Wie erschließe ich das Potenzial meiner Daten?

Der Weg von der Idee bis zur erfolgreichen Realisierung und Implementierung eines Data-Science-Projekts.

Data Science in KMU

So gelingt der richtige Einstieg für kleine und mittlere Unternehmen.

Predictive Maintenance in der Industrie 4.0

Potenziale und Möglichkeiten für Geschäftsmodelle im Digitalzeitalter.

Die 12 Erfolgsfaktoren von Data Science

Vom optimalen Einstieg bis zur richtigen Kommunikation.

Shiny: Load Testing und Horizontale Skalierung

Lesezeit: ca. 4 min. Erfahren Sie wie ein detailliertes Load-Testing eine wichtige Hilfestellung leisten kann, um potenzielle Schwachstellen früh genug zu erkennen und zu beseitigen, bevor die Applikation in den Produktivbetrieb geht.

Die 5 Data Science Trends 2020

Lesezeit: ca. 2min. Welche Themen kommen in 2020 auf Ihr Unternehmen zu? Wir haben die wichtigsten Trends im Umfeld von KI und Data Science für Sie identifiziert.

Schön‘ juten Tach & Moin Moin: R-Trainings in Berlin & Hamburg

Lesezeit: ca. 2 min. Data Science Kurse in Berlin und Hamburg – Im April und Oktober 2020 bringen wir unsere beliebten R-Trainings in die deutschen Großstädte. Werden Sie mit uns zum Data-Science-Experten mit R!

"Data Science" im Marketing - Eat your own dogfood

Lesezeit: ca. 4 min. Was passiert, wenn man eine Data-Science-Plattform und einen Marketer ohne Softwareentwicklungs- und Data-Science-Skills zusammenbringt? Hier erfahren Sie es!

Data Science und KI: Konferenzen 2020

Lesezeit: ca. 2min. Welche wichtigen Veranstaltungen gibt es im deutschsprachigen Raum 2020 rund um die Themen KI und Künstliche Intelligenz. Wir zeigen es Ihnen.

So baut man Data Science Plattformen - Teil 5: Datenvisualisierung und belastbare Ergebnisse

Lesezeit: ca. 2min. Was muss bei der Visualisierung von Ergebnissen und Daten beachtet werden? Wir werfen einen Blick darauf!

Data-Science-Strategie: Wegweiser zu digitalen Erfolgen

Lesezeit: ca. 5min. Eine Data-Science-Strategie stellt die systematische Datennutzung in den Mittelpunkt der Ausrichtung eines Unternehmens. Mindset, Kompetenzen, Tools oder die Datenbasis: Wir stellen die wichtigsten Bausteine einer erfolgreichen Strategie vor.

So baut man Data Science Plattformen - Teil 4: Datenbankskalierbarkeit und Geschäftsmodelle

Lesezeit: ca. 2min. Dieses Mal: Verschiedenste Datenquellen anbinden und daraus neue Use Cases und ganze Geschäftsmodelle entwickeln.

So baut man Data Science Plattformen - Teil 3: Individualisierbare Workflows und Dashboards

Lesezeit: ca. 2min. Was wäre, wenn die einzelnen Projektschritte sich nach dem Unternehmen richten würden und man einzelne Dashboards wiederverwenden könnte?

Neues YUNA Release!

Mit Version 1.13. sind neue Funktionalitäten und Features in YUNA ermöglicht worden: Shiny-Widget-Authentifizierung, Result Rating, Formular-Widget mit Stored Procedure und Sonderzeichen in gesourcten Objekten – Erfahren Sie mehr!

So baut man Data Science Plattformen - Teil 2: Intelligentes Benutzer- und Rollenkonzept

Lesezeit: ca. 2min. Warum sind Nutzer- und Rollenrechten ein nicht zu unterschätzender Faktor bei Data Science Plattformen?

So baut man Data Science Plattformen - Teil 1: UI & Teams

Lesezeit: ca. 2min. Welche Faktoren müssen von modernen Data Science Plattformen erfüllt werden?

Version management - The uncomplicated work on a common project

Version management is a central tool for project management. Learn more about how Git can help you work more efficiently on joint projects.

Versionsverwaltung – Die unkomplizierte Arbeit am gemeinsamen Projekt

Lesezeit: ca. 4min. Die Versionsverwaltung stellt ein zentrales Tool für das Projektmanagement dar. Wie Sie mit Git effizienter an gemeinsamen Projekten arbeiten können, erfahren Sie hier!

Data Science Adventskalender

Wir nehmen Sie mit auf eine Reise durch 24 wunderbare Beispiele, in denen Data Science geholfen hat unsere Welt ein Stückchen besser zu machen.

Repositories: Good package management in production systems

A good package management in productive systems and a fully functional infrastructure are the basis for a complication-free development environment. Moreover, the package management easily describes how to work with repositories properly.

Package Management: Einsatz von Repositories in Produktivsystemen

Lesezeit: ca. 4min. Ein gutes Paketmanagement in Produktivsystemen und eine voll funktionsfähige Infrastruktur sind die Basis für eine komplikationsfreie Entwicklungsumgebung. Wie man mit Repositories richtig arbeitet erfahren Sie hier!

Ansible: Infrastruktur als Code

Lesezeit: ca. 3min. Mit Ansible lassen sich IT-Infrastrukturen automatisieren, sodass ein manueller Eingriff nicht mehr nötig ist. In unserem Blogartikel zeigen wir Ihnen anhand ausgewählter Beispiele, wie sich eine automatisierte Infrastruktur-Konfiguration umsetzen lässt.

Filter, die Analystenherzen höher schlagen lassen

Lesezeit ca. 4min. Filter in der Analytik können spannend sein! Wir zeigen ungeahnte Höhen auf, was mit Filtern in YUNA möglich ist.

Kubernetes: Horizontale Skalierung von Data-Science-Anwendungen in der Cloud

Lesezeit: ca. 2min. Aufgrund des stetigen Datenwachsums und den immer komplexer werdenden Anforderungen an eine IT-Infrastruktur, ergeben sich stets neue Herausforderungen für Data Scientists und Data Engineers. Ein möglicher Lösungsansatz ist die Verbindung des RStudio Job Launchers mit einem Kubernetes-Cluster: In unserem Blogartikel erfahren Sie die Vorteile!

R, Python & Julia in Data Science: Ein Vergleich

Lesezeit: ca. 3min. R, Python oder Julia? Mittlerweile existieren zahlreiche Programmiersprachen, doch welche sich für den eigenen Bedarf eignet ist teils noch unklar. Wir geben Ihnen eine Empfehlung!

Einfacher Datenzugang: Die Vorteile der einmaligen Datenbankverbindung mit ODBC und DBI

Lesezeit: ca. 2min. Ein optimaler Datenzugang ist besonders wichtig für die Arbeit der Data Scientists, da dieser ihnen einen schnellen und effizienten Zugriff auf die relevanten Daten ermöglicht.

Data science courses with R in Frankfurt!

In November 2019, we bring our popular courses „Introduction to R“ and „Introduction to Machine Learning with R“ to Frankfurt.

Anomalieerkennung in Zeitreihen: Welcher Algorithmus ist der Richtige?

Lesezeit: ca. 3min.Welche Arten von Anomalien in Daten gibt es? Was sind die Nachteile statischer Grenzwerte? Wie können Clusteralgorithmen zum Einsatz kommen? Erfahren Sie es.

Ausreißer in der Datenflut: Mit der Anomalieerkennung Maschinenausfälle vermeiden

Lesezeit: ca. 3min. Anomaly Detection ist einer der Grundpfeiler von Predictive Maintenance. Wie die Anomalieerkennung funktioniert? Erfahren Sie es hier.

Authentifizierung und Autorisierung: Datensicherheit für Data-Science-Umgebungen

Lesezeit: ca. 4min. Erfahren Sie mehr über Konzepte zur Benutzerverwaltung, zur Vergabe von Zugriffsrechten und ihrer Abbildung im Active Directory.

Ei Gude! - Data Science Kurse mit R in Frankfurt

Data Science Kurse in Frankfurt! Im November ist es soweit: Wir bringen unsere beliebten R-Trainings nach Südhessen.

[R]eady for production: Rückblick auf das Data-Science-Event 2019 mit RStudio und eoda

Das Data-Science-Event 2019 von RStudio und eoda stand ganz im Zeichen des produktiven Einsatzes von Data Science.

data science news monthly | April 2019

[R]eady for production: Das Data-Science-Event 2019 mit eoda und RStudio

Client-Server-Architekturen: Performance und Agilität für Data Science

data science news monthly | März 2019

Data Science und IT – eine Frage der richtigen Infrastruktur

Reinforcement Learning: Wie man einer KI das Spielen beibringt

Mit Data-Science-Hackathons schnell zu ersten Ergebnissen

data science news monthly | Februar 2019

Data Science Trends 2019

data science news monthly | Januar 2019

Industrie 4.0-Konferenz 2019

Moin Moin R – Programmieren in Hamburg

data science news monthly | Dezember 2018

Data-Science-Konferenzen 2019

Ist der Weihnachtsmann berechenbar?

data science news monthly | November 2018

E wie Ensemble Modeling

Versionierung in Data Science

AI-Safari: In der europäischen Metropole der Künstlichen Intelligenz

data science news monthly | Oktober 2018

Das Kaufverhalten besser verstehen: Feature-Engineering am Beispiel von Preisindizes

Case Study: Predictive Maintenance mit Deep-Learning-Algorithmen in der Industrie 4.0

Datenqualitätsprobleme lösen: Der richtige Umgang mit Betriebsstunden in der Industrie

eoda auf der data2day 2018

data science news weekly #34

data science news weekly #33

Das Beste vereint? Wie die Programmiersprache Julia den Markt erobern will

data science news weekly #32

Augmented Intelligence: Menschliche Kognition trifft auf maschinelles Lernen

data science news weekly #31

Fusion of the Industries: Ein Rückblick auf das Collabothon in Berlin

data science news weekly #30

Happy Birthday R

data science news weekly #29

data science news weekly #28

Liebe Data Scientists, macht eure Arbeit noch wertvoller

Der nächste Zug ist entscheidend: Markow-Ketten als Prognosewerkzeug im schwierigen Terrain

Der Point of Sale als Point of Information: Data Science im Einzelhandel

data science news weekly #27

D wie Deep Learning

data science news weekly #26

Analytik im Unternehmen: Mit dem Data Science Canvas den richtigen Anwendungsfall finden

AI made in Germany: Der Masterplan für die digitale Zukunft?!

data science news weekly #25

Philipp Schmagold: „Eine finanzielle Förderung für die erste Beratungsleistung sollte sich kein KMU entgehen lassen.“

data science news weekly #24

Trainings und Talks in Stuttgart: Sparen Sie 10% mit unserem Summer Special

Data Science in KMU: So gelingt der richtige Einstieg

data science news weekly #23

Digitale Transformation? Na logististisch!

R goes Down Under: Ein Ausblick auf die useR! 2018 in Brisbane

data science news weekly #22

Entwicklungsumgebungen: Welche ist die richtige für R und Python?

data science news weekly #21

C wie Clusteranalyse

data science news weekly #20

Der digitale Zwilling: Möglichmacher der digitalen Transformation

data science news weekly #19

Liebe Data Scientists, macht euch die Arbeit leichter

data science news weekly #18

»Die Frage lautet: Wie können Datenanalysen in eine professionelle IT-Umgebung eingebettet werden?«

data science news weekly #17

reticulate – Ein weiterer Schritt in Richtung multilingualer und kollaborativer Arbeitsweise

data science news weekly #16

It’s (almost) all about the Data: Stolpersteine von Predictive Maintenance

data science news weekly #15

data science news weekly #14

B wie Bias

data science news weekly #13

Flexdashboard: Einfache HTML-Dashboards mit R

data science news weekly #12

Risiken erkennen, Chancen nutzen: Data Science in der Versicherungsbranche

data science news weekly #11

Mit Predictive Modelling und Kostenanalyse zur optimierten LKW-Flotte

data science news weekly #10

Von der Ziel- bis zur Produktivsetzung: Ein Data-Science-Projekt Schritt für Schritt (Teil 2)

data science news weekly #9

Von der Ziel- bis zur Produktivsetzung: Ein Data-Science-Projekt Schritt für Schritt (Teil 1)

Aufgepasst! Der Konsum von Margarine beeinflusst Scheidungsraten

data science news weekly #8

data science news weekly #7

A wie Algorithmus

data science news weekly #6

data science news weekly #5

data science news weekly #4

Der Data Engineer als Wegbereiter erfolgreicher Data-Science-Projekte

data science news weekly #3

Nachvollziehbar erfolgreich: Wieso Data Science so stark auf Open Source setzt

data science news weekly #2

Das erfolgreiche Data-Science-Projekt: Das Team und seine Kompetenzen

data science news weekly #1

Quo vadis Finance? Wie die Finanzbranche mit Data Science von der Digitalisierung profitieren kann

Das erfolgreiche Data-Science-Projekt: Wie funktioniert es?

Data Wonderland: Weihnachtssongs aus der Sicht eines Data Scientists

»Eine durchdachte Analysestrategie ist wichtiger als die Frage: R oder Python.«

Das waren die [R] Kenntnis-Tage 2017

Von der Bierpreisbremse bis zur Überwachungssoftware: Eine Analyse der Wahlprogramme

Case Study: Mit Data Science Betrugsfälle frühzeitig erkennen

Politik und Daten: Die eoda Shiny-App zur Bundestagswahl 2017

Öffentlich verfügbare Datensätze: Mit VGChartz in das Reich der Videospiele eintauchen

Öffentlich verfügbare Datensätze: Mit GPS-Trajectories die schnellste Route vorhersagen

Öffentlich verfügbare Datensätze: Mit „Titanic“ auf der Suche nach der Wahrheit – musste Jack wirklich sterben?

Die useR!2017: Unser Fazit

Case Study: Knowledge-Transfer-Workshop – Shiny-Apps für DB Analytics

Die Highlights der useR!2017: Der Abschlusstag der Konferenz in Brüssel

Die Highlights der useR!2017: Die Eindrücke vom zweiten Konferenztag

Die Highlights der useR!2017: Rückblick auf den ersten Konferenztag

Die Highlights der useR!2017: Der Tutorial-Tuesday

„Die useR! Konferenzen sind ein elementarer Bestandteil der R-Community“

Case Study: Automatisierte Erstellung von individuellen Reports

Die Trendthemen der useR! Conference 2017

Vom optimalen Einstieg bis zur richtigen Kommunikation – Die 12 Erfolgsfaktoren von Data Science

5 Praxistipps für anschauliche Datenvisualisierungen

Case Study: Warenkorbanalyse für Schulungsanbieter

Case Study: Analyse der Erfolgsfaktoren von Einzelhandelsfilialen

Tutorial: So richten Sie mit R einen Twitter-Bot ein

Zum 10.000. R-Paket: Die eoda Top 10

#Rstatsgoes10k – So errechnete eoda den Tag des 10.000sten Pakets

Case Study: Automatische Kategorisierung von Antworten bei Kundenbefragung für die OBI Group

Meetups: Data Science im Fokus

Big Data aus der Sicht eines Data Scientist

#Rstatsgoes10k: Mit unserem Twitter-Bot bleiben Sie immer auf dem neuesten Pakete-Stand!

#Rstatsgoes10k – eoda feiert das 10.000 R-Paket mit einem Gewinnspiel

Es ist amtlich – Der Weihnachtsmann ist Data Scientist

Digitales Lernen: eoda auf DataCamp

Professioneller Support für die Anwender von Open Source R

Ein voller Erfolg: Die [R] Kenntnis-Tage 2016

Case Study: Präzise Prognosemodelle für 50Hertz

Case Study: Optimierung des Aktionsgeschäfts für einen internationalen Retailer

eRum 2016: Ein gelungenes Aufeinandertreffen der europäischen R Heroes

Einsatzmöglichkeiten von Data Science in der Lasertechnik

Die Tabelle lügt nie!? Profifußball als Anwendungsfall von Data Science

Case Study: Kundenanalyse für die VR Bank Werra-Meißner eG

Multidimensionales Clustering mit Webanalysedaten

Effizientes Arbeiten mit R – Schneller zum Data Product

Open Source im Trend: R löst SAS als beliebtestes Analysetool ab

Case Study: Entwicklung eines Scoring-Algorithmus für die databyte®GmbH

Anwendungen und Schnittstellen für Data Science: Microsofts R-Portfolio

Dabei sein ist (nicht) alles: Deutsche Medaillengewinne bei Olympischen Sommerspielen

Rückblick auf das Summer Meetup der Kasseler useR Group

Die useR! Conference 2016 in Stanford: Ein Fazit

Die useR! Conference 2016 in Stanford: Die Höhepunkte vom dritten Präsentationstag

eRum 2016: Die erste europäische Konferenz für die Programmiersprache R

Die useR! Conference 2016 in Stanford: Die Highlights vom zweiten Präsentationstag

Die useR! Conference 2016 in Stanford: Keynote Simon Urbanek

Die useR! Conference 2016 in Stanford: Keynote Deborah Nolan

Die useR! Conference 2016 in Stanford: Keynote von Daniela Witten

Die useR! Conference 2016 in Stanford: Keynote von Hadley Wickham

Die useR! Conference 2016 in Stanford: Die Highlights vom ersten Präsentationstag

Die useR! Conference 2016 in Stanford: Die Highlights der ersten Keynote

Die useR! Conference 2016 in Stanford: Der „Tutorial Monday“

EXASOL und R: Performante Kombination für die Anforderungen von Big Data

Data Science operationalisieren: eoda präsentiert auf der useR! Conference 2016 in Stanford

Data Mining Demo: Modellbildung und Prognose mit R und Exasol

R und Exasol: Installation und Konfiguration der benötigten Komponenten

CeBIT 2016: Data Science ist in den Unternehmen angekommen

eoda erschließt R für den professionellen Einsatz im Unternehmen

Performantes Machine Learning mit R und H2O

[R] Kenntnis Tage 2016: Mit R und Analytik die digitale Transformation meistern

Kasseler useR Group: Meetup im November zum Thema „Datenanalyse mit R“

Eine gelungene Veranstaltung: Die [R] Kenntnis-Tage 2015

Die Kasseler useR Group – Data Science und Networking

Data Science mit R – Wissen vernetzen auf den [R] Kenntnis-Tagen 2015

Von SPSS zu R: eoda bietet Assessment für wechselwillige SPSS-User

eoda auf der useR! Conference 2015 in Aalborg: Ein Resümee

eoda auf der useR! Conference 2015 in Aalborg: Das Wichtigste vom zweiten Präsentationstag – Teil 2

eoda auf der useR! Conference 2015 in Aalborg: Das Wichtigste vom zweiten Präsentationstag – Teil 1

eoda auf der useR! Conference 2015 in Aalborg: Die Highlights vom ersten Präsentationstag – Teil 2

eoda auf der useR! Conference 2015 in Aalborg: Die Highlights vom ersten Präsentationstag – Teil 1

eoda auf der useR! Conference 2015 in Aalborg: Die Eindrücke vom „Tutorial Tuesday“

Die useR! Conference 2015 in Aalborg: Ausblick auf die Themen und Highlights

Pressemeldung – Data Mining meets Database: eoda und EXASOL beschließen Partnerschaft

Pressemitteilung: #dagehtwas – Datenanalyst eoda unterstützt die MT Melsungen bei umfassender Imageanalyse

Pressemitteilung: Microsoft übernimmt den Open Source R-Spezialisten Revolution Analytics

Design of Experiments mit R als Fundament für richtige Entscheidungen

Tutorial: Kartenvisualisierung mit R

eoda vertreibt RStudio-Produkte in Europa und unterstützt Anwender mit Beratung und Training.

translate2R: SPSS Skripte auf Knopfdruck nach R migrieren

Statistische Prozesskontrolle als Grundlage optimalen Qualitätsmanagements

tableR vereinfacht die Prozesse von Marktforschern und Analysten

Survival-Analyse mit R als Fundament für Entscheidungen in Produktion und Vertrieb

eoda stellt einen Service zur automatischen Übersetzung von SPSS® nach R vor

Be data driven: Der Unterschied zwischen Kreisklasse und Weltklasse?

Der Data Scientist als das Bindeglied zwischen Big Data und Big Business

Predictive Maintenance mit R

Mit R intuitiv und professionell Software für Data Mining entwickeln – Besuchen Sie die eoda Data Science Trainings

Die Lesbarkeit von Texten berechnen – der Flesch Index als ein Baustein von Text Mining Anwendungen

Text Mining zur Prognose der Strompreisentwicklung

Professioneller R Code – einfach eigene Pakete erstellen und dokumentieren

Visual debugging mit R – Eine kurze Einführung zur Fehlerdiagnose mit StatET und RStudio

Veracity – Sinnhaftigkeit und Vertrauenswürdigkeit von Big Data als Kernherausforderung im Informationszeitalter

Text Mining mit R – „unstrukturierte“ Daten analysieren

Papierbasierte Prozesse im Personalwesen mit SAP integrieren

eoda offers courses for data visualization and graphics with R

NoSQL-Datenbanken – Das Wichtigste in Kürze

eoda erweitert Jaspersoft Business Intelligence Lösungen um Data Mining und Predictive Analytics mit R

Zeitreihenanalyse mit R – Entscheidungsgrundlage und Potentialfaktor

eoda integriert analytische Services mit Talend

Die Warenkorbanalyse: Das richtige Angebot für die richtige Kundengruppe zur richtigen Zeit am richtigen Platz

eoda auf der userR! Konferenz 2013 in Albacete – Eindrücke vom ersten Präsentationstag

R-Skripte durch C++ Integration mit Rcpp für Big Data optimieren

R in der statistischen Prozesskontrolle – Möglichkeiten und Vorteile

Statistische Prozesskontrolle als Potentialfaktor in Industrie und Logistik

eoda bietet Lösungen zu Data Quality, Data Mining und Predictive Analytics für Salesforce-Anwender

Predictive Maintenance – Vorausschauendes Instandhalten mittels intelligenter Datenanalyse als Werttreiber in der Industrie

(line.)profiling mit Rprof + R.3.x – Performance von R-Skripten optimieren

Ganzheitliches Kampagnenmanagement mit optimizeR

SAS hat einen neuen Vergleich von SAS und R veröffentlicht

Revolution R Enterprise 6.2 mit neuen Funktionen für hoch performante Analysen auf Big Data

Möglichkeiten und Vorteile von R in der Optimierung

R Version 3.0.0 ist da und bringt weitere Verbesserungen für Big Data

Predictive Analytics mit Hilfe von Random Forest am Beispiel einer Win-Loss-Analyse

Big Data auf Hadoop mit R analysieren

Eine kurze Geschichte über R

Die Shapley Value Regression in der Kundenzufriedenheitsanalyse

Data Mining mit R

fuzzychekC – Erkennung von ähnlichen Daten

Datamining mit R am Beispiel Zugmonitor

Die Clusteranalyse in der Kundensegmentierung

R ist eines der wichtigsten Werkzeuge im Daten Journalismus

Excel Reports mit R erstellen am Beispiel des Zugmonitors der SZ

Webbasierte Business Anwendungen mit R zur Visualisierung von Social Media Analysen

Die Schwarmintelligenz im Unternehmenseinsatz – Chancen und Risiken

Die Anatomie eines „Twitter-Gesprächs“ – Social Media mir R analysieren

Geodatenanalyse und -visualisierung mit R

Beispiele für Big Data – „real world cases“

Möglichkeiten der Datenvisualisierung mit R

Über R – Das Potenzial der Datenanalyse-Software

R-Akademie wird sehr gut bewertet

Enterprise Wiki + Business Intelligence = Sales empowerment

R entwickelt sich mehr und mehr zur Lingua franca für Big Data

Highlights der useR! Konferenz 2011

Reporting Services mit R

Analytisches CRM – ein Potenzialcheck

Kasseler useR-Group gegründet

eoda unterstützt als erstes deutsches Unternehmen die R-Foundation

MoWin.net Netzwerktreffen Data Science

Daten richtig nutzen: Data Science als Schlüssel zur digitalen Transformation in der Logistik