In den USA ist die Vorhersage von Immobilienpreisen und deren Nutzung bei Transaktionen bereits seit Jahren sehr populär und hat in der Folge zur Entstehung milliardenschwerer Unternehmen geführt. In Europa hingegen ist das Thema Machine Learning und Immobilienmarkt relativ neu. McMakler ist ein digitales Maklerunternehmen mit dem Ziel, sich die zahlreichen Vorteile automatisch generierter Preis für Häuser und Wohnungen zu Nutze zu machen und den europäischen Immobilienmarkt zu revolutionieren. Anfang des Jahres 2018 starteten wir mit dem Projekt und mussten schnell feststellen, dass dies eine äußerst herausfordernde Aufgabe ist. Angefangen mit der Verfügbarkeit von genügend Daten und deren Modellierung, endend mit der effizienten Nutzung von Preisvorhersagen in Geschäftsprozessen. Dieser Vortrag führt uns durch das Projekt und zeigt die wesentlichen Erfolge und Ergebnisse, aber auch die Probleme, welche die Einführung eines völlig neuen Ansatzes mit sich bringen
In deutschen Bäckereien werden jährlich rund 1,7 Millionen Tonnen Backwaren weggeschmissen. Die größte Herausforderung: Den Kundenbedürfnissen tagtäglich mit der richtigen Produktmenge gerecht werden. Qualität, Preis und auch das Wetter beeinflussen die Nachfrage maßgeblich. Ein Prognosetool, das Wetter-Effekte berücksichtigt und Überproduktionen minimiert, ist der Schlüssel zur Reduzierung von Backwarenverlusten. Im Rahmen einer gemeinsamen Case-Study mit der Bäckerei Moss zeigen wir, welche Methode hinter dem wetter-optimierten Prognosetool steckt und welche Ergebnisse erzielt werden. Der Schwerpunkt liegt auf den Herausforderungen, die die Skalierung von einem analytischen Proof of Concept hin zu einer automatisierten Lösung birgt – von der Datenmodellierung über die Modellautomatisierung bis hin zur Ergebnis-Aggregation und dem Modellmanagement.
At eHealth, our call centers handle on average 5,000 calls a day ranging from health insurance enrollment calls to customer service calls. These calls have a wealth of customer information which can be leveraged to improve customer satisfaction and call center efficiency. This talk will focus on some quick initial insights we obtained during our proof-of-concept phase for Natural Language Processing (NLP) using techniques such as sentiment distributions and topic models. I will also shed some light on the challenges we faced doing machine transcription with AWS Transcribe and how to overcome them. If you’re interested in NLP in general or specifically thinking about implementing NLP solutions in your call center, this talk should give you some ideas to get started.