A lot of companies are struggling with managing data science projects and get bogged into several unexpected difficulties. Newcomers on the data science field also face significant problems with hiring the specialists and organizing product teams efficiently. So, though, the data science is a well developed field, managing of data science projects is still quite challenging.
Nikita is Chief Data Officer in Russian Airline S7 with over 100 planes in fleet. Three years ago the airline company launched the first data science projects with only two data science project managers involved. Now they have a team of around 40 specialists in the fields of product management, data engineering, data science, software development and business analysis. Over these three years they have successfully implemented a few state-of-the-art machine learning products in some core areas of their business.
Nikita believes that their experience and ideas can help you and your organizations to launch and operate data science teams more effectively. In his talk he is going to cover the following areas of a data science management: roles and competences, organizational structure, product management frameworks, use of the Data Lake, Data Catalogue and Data-as-a-Service, discovery of new business cases and many other.
Quoniam Asset Management ist ein Vorreiter im aktiven quantitativen Asset Management. Auf Basis eines transparenten, datenbasierten Investmentprozesses managt der Finanzdienstleister über 30 Milliarden Euro institutioneller Anleger in Aktien-, Renten- und Multi-Asset-Strategien. Auch im Asset Management entscheidet die schnelle Verarbeitung und Analyse großer Datenmengen zunehmend über den Erfolg. Dabei geht es vor allem darum, tatsächlich Mehrwert stiftende Daten zu identifizieren und nutzbar zu machen. Jonas Vogt stellt einen rein quantitativ basierten Investmentprozess für Aktien als Anwendungsfall quantitativer Modellierung vor. Der Fokus liegt auf der stetigen Erweiterung der zur Verfügung stehenden Datenlandschaft sowie den Möglichkeiten für die Verarbeitung von Informationen jenseits der Bilanz- und Preisdatenwelt bei der Rendite- und Risikoprognose. Entscheidende Fragestellung ist zudem, welches Potenzial der Einsatz von Machine-Learning-Techniken, wie Boosting oder Neuronale Netze, in diesem Anwendungsfall bietet und welche Herausforderungen sich dabei ergeben.
In deutschen Bäckereien werden jährlich rund 1,7 Millionen Tonnen Backwaren weggeschmissen. Die größte Herausforderung: Tagtäglich die richtigen Produkte in der richten Menge produzieren und an die Filialen zum Verkauf ausliefern. Viele Faktoren, angefangen von Qualität, Preis, Wochentag, Standort, aber auch das Wetter beeinflussen die Nachfrage und entscheiden maßgeblich über Umsatzplus oder Umsatzverlust.
Im Vortrag zeigt Christian Schneider von wetter.com auf, welche Methode und Prozesse hinter den wetteroptimierten Bestellvorschlägen für Bäckereien steckt. Der Schwerpunkt liegt dabei auf den Herausforderungen, die die Skalierung von einem analytischen Proof of Concept hin zu einer automatisierten Lösung birgt. Zusätzlich wird der Geschäftsführer der Landbäckerei Schmidt einen Einblick geben, wie sich das Tool in seinem Bäckereialltag auswirkt.
Customer profiling has been around since the traveling salesmen. It became more pronounced with industrialized marketing. And it exploded with big data and machine learning. So why is customer profiling still in an infancy stage at pharma? It’s not due to lack of data or GDPR as will be shown in this session. In this session Jack will explore the profiling approach and data sources leading to affinity scores, influencing potential, and customer value. He will also discuss different use cases for segmentations.