Druckmaschinen-Analyse

Die Maschinen generierten zwar bereits eine Menge Nutzungsdaten, indem sie jede Interaktion protokollierten, aber die daraus resultierenden Datensätze waren unstrukturiert und sehr schwer zu nutzen, um ein besseres Verständnis der Kundenbedürfnisse und -präferenzen zu erhalten. Um zum Beispiel herauszufinden, welche Funktionen für den Kunden relevant und welche vielleicht sogar unnötig sind, mussten wir unserem Kunden ein Datenanalysetool zur Verfügung stellen, das in der Lage ist, aus den von ihm generierten Daten Erkenntnisse zu gewinnen.

Wir verwendeten Elasticsearch + Kibana, um dem Kunden ein einfach zu bedienendes, webbasiertes Dashboard für die Analyse seiner Daten zur Verfügung zu stellen. Da die vorhandenen Daten weitgehend unstrukturiert waren, war eine erhebliche Vorverarbeitung erforderlich, um geeignete Strukturen zu finden. Mit den strukturierten Daten war unser System dann in der Lage, einfache statistische Analysen und Visualisierungen durchzuführen, z. B. welche Schaltflächen wie oft verwendet werden. Für die interessanteren Erkenntnisse setzten wir jedoch Ansätze des maschinellen Lernens ein, um Maschinen zu gruppieren , die ähnlich bedient werden, und Nutzungsmuster zu erkennen, die unserem Kunden beispielsweise dabei helfen könnten, Fehler oder Ausfälle der Maschinen auf der Grundlage bestimmter Benutzereingabemuster vorherzusagen .

Gewinnung von Erkenntnissen über die Nutzung von Druckmaschinen durch Kunden für einen großen Hersteller. Um einen besseren Einblick in die Nutzung der Maschinen durch die Kunden zu erhalten, halfen wir unserem Kunden bei der Analyse der Nutzungsdaten seiner Maschinen. Wir setzten Algorithmen des maschinellen Lernens ein, um dem Unternehmen zu helfen, seine Kunden noch besser zu verstehen und weiterhin die besten Druckmaschinen der Welt herzustellen.