Evidenz geprüft:
Diese Seite sammelt 74 Fallstudien zu Empfehlungssystemen, Forecasting und Prognosen, die von 17 Python-Entwicklungsunternehmen veröffentlicht wurden. Jede Zeile verlinkt auf die Originaldarstellung des Anbieters. Die Ergebnisse sind unternehmenseigene Angaben: Das Unternehmen hat sie veröffentlicht, diese Website hat sie nicht geprüft. Nutzen Sie die Fälle, um Umfang und Umsetzung einzuschätzen, nicht als verifizierte Ergebnisse.
| Kennzahl | Wert |
|---|---|
| Fallstudien | 74 |
| Unternehmen | 17 |
| Vertretene Branchen | 15 |
| Fälle mit namentlich genannten Kunden | 32 (43%) |
Ausgewählte Fallstudien
| Projekt | Unternehmen | Aufgabe | Umsetzung | Berichtetes Ergebnis | Was der Fall belegt |
|---|---|---|---|---|---|
| Porsche E-Mobility Smart Assistant | DataArt | Vorhersagen, wann und wo Fahrer ein Elektrofahrzeug laden müssen, und eine nahegelegene Ladestation empfehlen | Entwickelte eine Fahrassistenzlösung, die den Batterieladezustand überwacht, anonymisierte Ladedaten erfasst und speichert und aus Fahrerpräferenzen, Ladenetz, Verkehr, Gebühren und Umgebungsfaktoren ein fahrerspezifisches ML-Modell erstellt | Keine Kennzahl veröffentlicht | DataArt berichtet von einem funktionierenden Prognose- und Empfehlungsmodell, das für einen Wettbewerb eines Automobilherstellers entwickelt wurde; ein gemessenes Ergebnis wird nicht genannt |
| Gogo-Datenplattform für Bordkonnektivität | N-iX | Ausfälle von Antennentechnik vorhersagen, um die No-Fault-Found-Rate bei Hardware für Internet an Bord zu senken | Migrierte lokale Daten zu AWS, baute eine einheitliche Datenplattform und eine End-to-End-Pipeline aus mehr als 20 Quellen und wandte dann Gaussian Mixture Model und Regressionsanalyse auf beeinträchtigte Antennendaten an, die mit Wetterdaten korreliert wurden | N-iX berichtet von einem Rückgang der No-Fault-Found-Rate um 75 % | Ein Predictive-Maintenance-Modell, das an eine benannte operative Kennzahl gekoppelt ist; die Fallstudie veröffentlicht den NFF-Ausgangswert nicht |
| Cleverbridge-Omnichannel-Anwendung | N-iX | Personalisierte E-Mail-Kampagnen auf Basis der Abwanderungswahrscheinlichkeit automatisieren | Migrierte eine Desktop-App ins Web, überarbeitete die UX, ergänzte BI-Berichte und baute eine AWS-basierte Lösung mit Machine Learning und generativer KI, die Kampagnen anhand von Abwanderungswahrscheinlichkeiten auslöst | Keine Kennzahl veröffentlicht | N-iX berichtet von churn-basiertem Targeting im Produktivbetrieb; die Fallstudie nennt eine verbesserte Kundenbindung, aber keine Zahl |
| ComplyAdvantage-Screening-Pipelines | Uvik Software | Entity Matching und Alert-Scoring neu aufbauen, um Falschmeldungen zu reduzieren, ohne Recall zu verlieren | 17-monatiges Programm mit Ingestion von Sanktionsquellen, Transliteration und Fuzzy-Name-Matching sowie Alert-Priorisierung in Python, FastAPI, Elasticsearch, PyTorch, Kafka und PostgreSQL in den AWS-Regionen EU und UK | Uvik Software berichtet, dass die Falschmeldungsrate von 94 % auf 31 % sank und die p95-Screening-Latenz von 1,4 Sekunden auf 180 Millisekunden fiel | Eine Vorher-nachher-Kennzahl zu Genauigkeit und Latenz, mit genanntem Stack und Team; die Ergebnisse sind unternehmenseigene Angaben |
| LendSignal Financial Risk-Scoring-Engine | Uvik Software | Tabellen- und Skript-basierte Kreditprüfung durch eine prüfbare Decisioning-API ersetzen | Baute eine Engine in Python und FastAPI, die deterministische Regeln, ML-Modellausgaben, Signale Dritter und Prüfer-Overrides kombiniert, mit Protokollierung von Eingaben, Modellversion, Score und Overrides sowie Drift-Monitoring und erklärbarer Ausgabe | Keine Kennzahl veröffentlicht | Uvik Software berichtet von einem System aus Modell und API mit Audit- und Drift-Monitoring; die Fallstudie nennt kein gemessenes Ergebnis |
| ANWB-Personalisierungs-Pipeline | Xebia | Eine langsame Empfehlungs-Pipeline umstrukturieren, die manuelle Eingriffe erforderte | Die Datenpipeline für Empfehlungen umstrukturiert und automatisiert, sodass sie ohne manuelle Schritte läuft | Xebia berichtet, dass die Pipeline von einem Lauf alle zwei Wochen mit rund drei Tagen Dauer auf einen täglichen Lauf von wenigen Stunden umgestellt wurde | Ein konkretes Vorher-nachher zur Pipeline-Frequenz; die Fallstudie nennt gestiegene Klick- und Konversionsraten, veröffentlicht aber keine Zahl |
| Reavo-App zur Zahlungsoptimierung | Oaks Lab | Ein breites 43-seitiges Konzept in ein fokussiertes Produkt verwandeln, das bei einem bestimmten Händler die beste Karte empfiehlt | Produktstrategie, Discovery und Wettbewerbsanalyse, Rebranding und Full-Stack-Entwicklung einer mobilen App, die Kredit- und Loyalty-Karten anhand von Standort und verfügbaren Prämien empfiehlt | Oaks Lab berichtet von einem vollständigen MVP, das in fünf Monaten geliefert wurde | Eine Empfehlungsfunktion vom Konzept bis zum MVP; es wird keine Kennzahl zu Genauigkeit oder Nutzung veröffentlicht |
| Day-J personalisierte Wellness-App | Xmartlabs | Eine bestehende iOS-Wellness-App mit personalisierten Empfehlungen überarbeiten | Arbeit über den gesamten Produktlebenszyklus über ein Jahr: Produkt-Discovery, UX/UI-Redesign und Designsystem, QA und Mobile-Entwicklung in TypeScript für eine App mit KI-gestützten Empfehlungen und Gewohnheits-Tracking | Keine Kennzahl veröffentlicht | Xmartlabs berichtet über Empfehlungsfunktionen in einer ausgelieferten Consumer-App; es wird kein Ergebnis zu Engagement oder Genauigkeit genannt |
| Vidda Solutions Compliance-Ökosystem | Innowise | Aufbau einer Compliance-Bewertungs-Engine und eines Kurs-Marktplatzes mit verantwortungsvoller KI | Aufbau einer Gateway-Website, einer automatisierten Compliance-Bewertungs-Engine und eines Kurs-Marktplatzes mit RAG-basierten Empfehlungen und einer Architektur, die auf DSGVO und DORA vorbereitet ist | Keine Kennzahl veröffentlicht | Innowise berichtet über eine Empfehlungsfunktion, die unter regulatorischen Vorgaben entwickelt wurde; es wird kein gemessenes Ergebnis genannt |
Fallstudien: Empfehlungs-, Prognose- und Vorhersagesysteme
| Fallstudie | Unternehmen | Kunde | Branche | Art der Arbeit | Genannter Stack | Was entwickelt wurde |
|---|---|---|---|---|---|---|
| Fallstudie: Plattform zur Screening von Finanzkriminalität | Uvik Software | ComplyAdvantage | Fintech & Finanzdienstleistungen | KI / ML / LLM | Python, FastAPI, AWS, Kubernetes, PostgreSQL | Neuaufbau von Entity-Matching, Sanktionsdaten-Ingestion und Alert-Scoring für eine Plattform zur Screening von Finanzkriminalität. |
| Yacht-Scoring-Plattform | Scopic | Yacht Scoring | Sonstige / nicht angegeben | Modernisierung oder Migration | React, Node.js, AWS, PostgreSQL | Neuaufbau einer Plattform zur Verwaltung von Segelregatten mit Echtzeit-Scoring |
| Fallstudie: Risk-Scoring-Engine für Fintech | Uvik Software | LendSignal Financial | Fintech & Finanzdienstleistungen | Neuproduktentwicklung | Python, FastAPI, AWS | Aufbau einer auditierbaren Risk-Scoring-Engine, die Regeln, ML-Modelle und Override-Workflows kombiniert. |
| Softwareproduktentwicklung für Schibsted – Media Corporation – N | N-iX | Schibsted | Medien & Unterhaltung | Modernisierung oder Migration | React, AWS, Kubernetes | Migration mehrerer Websites in eine Plattform mit Empfehlungs-Engine |
| ANWB nutzt MLOps für Personalisierung im großen Maßstab | Xebia | ANWB | Reisen & Gastgewerbe | KI / ML / LLM | AWS, LLM / GenAI | Umstrukturierung und Automatisierung der ML-Empfehlungspipeline für personalisierte Mitgliederangebote |
| Marktforschung mit Omnichannel erweitern – N | N-iX | Cleverbridge | E-Commerce & Einzelhandel | Modernisierung oder Migration | AWS, LLM / GenAI | Migration einer Desktop-Lösung ins Web mit neuer UX und KI-gesteuerten personalisierten E-Mail-Kampagnen |
| Big-Data-Entwicklung für Integrate | Vention | Integration | Marketing & Werbung | Modernisierung oder Migration | AWS, Kubernetes | Modernisierte AdTech-Services, migrierte die App auf Golang in AWS und entwickelte Analyse- und Personalisierungsfunktionen. |
| Ein britisches Telekommunikationsunternehmen fit für die KI-Einführung machen | Neoteric | 4com | Telekommunikation | KI / ML / LLM | Python, GCP | Validierte eine KI-Hypothese für das Lead-Management mit prädiktiven Modellen in einem AI Sprint. |
| Blockchain-basierte Loyalty-App für 3M | DataArt | 3M | Fertigung & Industrie | Entwicklung eines neuen Produkts | Azure | Blockchain-basierte Loyalty-App zur Erfassung regionaler Nachfrage und Kundeninteraktion |
| Fallstudie: Migration der E-Commerce-Website für Intersport | DataArt | Intersport | E-Commerce & Einzelhandel | Modernisierung oder Migration | LLM / GenAI | Migrierte eine bestehende E-Commerce-Website auf einen modernen Stack mit CMS und Personalisierung |
| Fallstudie: Verbesserung und Automatisierung der Suche in Sicherheitsdokumenten mit RAG | DataArt | Security Compass | SaaS & Technologie | KI / ML / LLM | LLM / GenAI | Entwickelte eine RAG-Lösung, die Sicherheitsbedrohungen und Gegenmaßnahmen empfiehlt |
| DataArt-Kunde: Security Compass | DataArt | Security Compass | SaaS & Technologie | KI / ML / LLM | LLM / GenAI | RAG-basierte Suche in Sicherheitsdokumenten und Automatisierung der Empfehlung von Gegenmaßnahmen |
| The Parking Spot: Fallstudie zur KI-basierten Nachfrageprognose | DataArt | The Parking Spot | Reisen & Gastgewerbe | KI / ML / LLM | Azure | Entwickelte einen Azure-basierten KI-Dienst zur Nachfrageprognose, der das Revenue Management an allen Parkstandorten speist. |
| N-iX Kundenporträt: Gogo – N | N-iX | Gogo | Logistik & Transport | Datenplattform oder Data Engineering | AWS | Migrierte Lösungen in die Cloud und entwickelte eine einheitliche Datenplattform mit Predictive Analytics |
| Fallstudie zu einem KI-gestützten Compliance-Ökosystem | Innowise | Vidda Solutions | SaaS & Technologie | Entwicklung eines neuen Produkts | LLM / GenAI | Aufbau eines KI-Compliance-Ökosystems mit Bewertungs-Engine, Kursmarktplatz und RAG-Empfehlungen |
| LiDAR Trophy Scanning App | Scopic | Trophy Scan | Sonstige / nicht angegeben | Entwicklung eines neuen Produkts | AWS | Entwicklung einer iOS-App zum Scannen von Trophäen per LiDAR mit Cloud-Speicher und Bewertungsalgorithmen |
| Fallstudie Reavo | Oaks Lab | Reavo | Fintech & Finanzdienstleistungen | Entwicklung eines neuen Produkts | React | Entwicklung einer mobilen App zur Zahlungsoptimierung, die anhand von Standort und Prämien die besten Karten empfiehlt. |
| On-Demand-Gesundheitsplattform | Five Jars | YMCA | Gesundheitswesen & Life Sciences | Entwicklung eines neuen Produkts | React | Entwicklung einer On-Demand-Plattform für Gesundheit und Wellness mit individuellem CMS für Online-Workouts. |
| Mind Alcove | Matrix Media Solutions | Mind Alcove | Gesundheitswesen & Life Sciences | Entwicklung eines neuen Produkts | AWS | KI-gestützte Plattform für mentales Wohlbefinden mit personalisierter Selbstfürsorge, Stimmungsverfolgung und Tagebuchfunktion. |
| Xmartlabs | Our Work – Day-J: Harnessing The Power of Personalized Wellness | Xmartlabs | Day-J | Gesundheitswesen & Life Sciences | Entwicklung eines neuen Produkts | React | Entwicklung einer iOS-Wellness-App mit Gewohnheitsverfolgung, Fachpersonen und KI-Empfehlungen. |
| Xmartlabs | Our Work | Xmartlabs | Window | E-Commerce & Einzelhandel | Entwicklung eines neuen Produkts | React | Mode-Entdecker-App mit personalisierter Suche und automatisierter Kuratierung |
| 3M-Kunde | DataArt | 3M | Fertigung & Industrie | Entwicklung eines neuen Produkts | — | Entwicklung einer blockchainbasierten Loyalty-App zur Analyse von Nachfragemustern und Kundenbindung |
| Fallstudie DataArt: Porsche E | DataArt | Porsche AG | Automobilindustrie | KI / ML / LLM | — | Entwicklung eines E-Mobility-Smart-Assistant zur Vorhersage des Ladebedarfs und Empfehlung nahegelegener Ladestationen |
| IIC-INTERSPORT-Kunde | DataArt | IIC-INTERSPORT International Corporation | E-Commerce & Einzelhandel | Entwicklung eines neuen Produkts | — | Entwicklung eines universellen Designsystems und Migration einer E-Commerce-Website mit CMS und Personalisierung. |
| N-iX bietet ThickButtons Dienstleistungen zur Entwicklung mobiler Apps – N | N-iX | ThickButtons | SaaS & Technologie | Neuproduktentwicklung | — | Vollzyklische Entwicklung einer prädiktiven Android-Tastaturanwendung |
| Überarbeitung der iOS-Apps für Urban | Vention | Urban | Sonstiges / nicht angegeben | Betreuung und Erweiterung eines laufenden Produkts | — | Neu gestaltete und modernisierte iOS-Apps für eine Buchungsplattform für Massagen auf Abruf |
| Kunst zum Leben erweckt: die KI-gestützte Innovation von Chroma Coloring Book | Scopic | Chroma Coloring Book | Medien & Unterhaltung | KI / ML / LLM | — | KI-Funktion für generative Kunst, die aus Eingabeaufforderungen personalisierte Ausmalseiten erstellt |
| Automatisierte Tests für eine datengetriebene Recruiting-Plattform | Codoid | Journeyfront | SaaS & Technologie | Betreuung und Erweiterung eines laufenden Produkts | — | Automatisierte Tests für eine Recruiting-Plattform einschließlich SSO, E-Mail-Validierung und prädiktiver Scoring-Algorithmen. |
| Fallstudie: Mobiry | Integrio Systems | Mobiry | Marketing & Werbung | KI / ML / LLM | — | Entwicklung einer KI-gestützten Loyalty-Plattform mit Integrationen und einer prädiktiven Engine für Verbraucherverhalten. |
| Fallstudie LLUNA | Oaks Lab | LLUNA | Sonstiges / nicht angegeben | Neuproduktentwicklung | — | Entwicklung eines Produkts zum Erstellen und Analysieren personalisierter Beschäftigungsvereinbarungen. |
| Video-Automatisierungstool | Fallstudie zu Time | Five Jars | YMCA of the North | Sonstiges / nicht angegeben | Sonstiges | — | Automatisiertes Tool zur Videoaufbereitung für eine Plattform für Inhalte auf Abruf |
| All-in-one-Digitalplattform für das Wohlbefinden in der Gemeinschaft | Five Jars | YMCA360 | Gesundheitswesen & Life Sciences | Neuproduktentwicklung | — | All-in-one-Digitalplattform für Wellness mit Videos auf Abruf und Live-Übertragungen |
| DataArt-Fallstudie: Machine Learning zur Prognose von Umsatz und ROI an Verkaufsstellen – Fallstudie | DataArt | Kunde nicht genannt | Sonstiges / nicht angegeben | KI / ML / LLM | AWS, Azure, GCP, Spark | Machine-Learning-Lösung zur Prognose von Umsatz und ROI an Verkaufsstellen für ein Tabakunternehmen |
| Effektive Produktbedarfsprognose im Einzelhandel mit UI-Design – N | N-iX | Kunde nicht genannt | E-Commerce & Einzelhandel | Betreuung und Erweiterung eines laufenden Produkts | Python, Flask, React, AWS | Entwickelte eine intuitive Benutzeroberfläche für eine Anwendung zur Bedarfsprognose im Einzelhandel |
| Predictive Analytics & ML für E-Commerce | Uvik Software | Kunde nicht genannt | E-Commerce & Einzelhandel | KI / ML / LLM | Python, AWS | Entwickelte eine Predictive-Analytics-Plattform, die Einkauf und Produktempfehlungen anhand von Verkaufsdaten personalisiert. |
| ML-gestützte Churn-Vorhersage im E-Commerce – N | N-iX | Kunde nicht genannt | E-Commerce & Einzelhandel | KI / ML / LLM | React, AWS | Entwickelte eine ML-basierte Churn-Vorhersage für Marketingkampagnen im E-Commerce |
| Entwicklung einer Omnichannel-Plattform für EdTech | Innowise | Kunde nicht genannt | Bildung | Datenplattform oder Data Engineering | AWS, Airflow | Entwickelte eine EdTech-Plattform mit Datenpipelines und ML für Mentor-Empfehlungen. |
| Die Chance in Prediction Markets nutzen: Eine DataArt-Fallstudie | DataArt | Kunde nicht genannt | Fintech & Finanzdienstleistungen | Entwicklung eines neuen Produkts | React | Startete eine CFTC-regulierte Prediction-Market-Plattform, integriert in ein Wett-Ökosystem |
| Fallstudie: System zur Überwachung des Energieverbrauchs für Real | DataArt | Kunde nicht genannt | Fertigung & Industrie | KI / ML / LLM | Spark | Entwickelte ein IoT-Modell zur Vorhersage des Energieverbrauchs mit Spark MLib |
| Fallstudie: Reisevertriebsnetzwerk | DataArt | Kunde nicht genannt | Reisen & Gastgewerbe | Betreuung und Erweiterung eines laufenden Produkts | Spark | Erweiterte ein Reisevertriebssystem um Personalisierung und Echtzeit-Empfehlungen |
| DataArt-Fallstudie: Reduzierung von Anlagenstillstand und Wartungskosten mit einem AWS | DataArt | Kunde nicht genannt | Fertigung & Industrie | KI / ML / LLM | AWS | Entwickelte eine AWS-basierte Plattform für Predictive Maintenance, die Förderbandstillstand und Wartungskosten reduziert |
| KI-gestützte Produktempfehlungen für eine Medienplattform – N | N-iX | Kunde nicht genannt | Medien & Unterhaltung | KI / ML / LLM | LLM / GenAI | Ergänzte generative KI-Produktempfehlungen und verbesserte die Suche auf einem Marktplatz |
| Verbesserung der Genauigkeit von Absatzprognosen im Einzelhandel – N | N-iX | Kunde nicht genannt | E-Commerce & Einzelhandel | KI / ML / LLM | Snowflake | Verbessertes ML-Absatzprognosemodell für die Produktallokation eines globalen Modehändlers |
| Kundenstory – Fortschrittliche generative KI für E | Accelerance | Kunde nicht genannt | E-Commerce & Einzelhandel | KI / ML / LLM | LLM / GenAI | Generative KI für personalisierte Produktempfehlungen im E-Commerce |
| Kundenstory – KI & ML steigern die Effizienz in der Papierherstellung | Accelerance | Kunde nicht genannt | Fertigung & Industrie | KI / ML / LLM | AWS | KI- und ML-gestützte vorausschauende Wartung für Maschinen in der Papierherstellung |
| KI-gestützte Abonnementplattform für Wellness | Five Jars | Kunde nicht genannt | Gesundheitswesen & Life Sciences | Entwicklung eines neuen Produkts | LLM / GenAI | Headless-Abonnementplattform mit KI-Wellness-Assistent und Empfehlungssystem |
| Xebias Agentic Fraud Intelligence hilft einem US-Lebensversicherer, berechtigte Ansprüche am selben Tag freizugeben – mit jeder Entscheidung dokumentiert | Xebia | Kunde nicht genannt | Fintech & Finanzdienstleistungen | KI / ML / LLM | — | Agentic Fraud Intelligence bewertet Ansprüche, um berechtigte Ansprüche am selben Tag freizugeben |
| KI-Personalisierung steigert den Umsatz eines Versicherungsvergleichsportals | DataArt | Kunde nicht genannt | Fintech & Finanzdienstleistungen | KI / ML / LLM | — | ML-Pipeline für die Echtzeit-Inhaltspersonalisierung auf einer Versicherungsplattform entwickelt |
| On-Demand-Zahlungslösungen für das Hospitality-Management – N | N-iX | Kunde nicht genannt | Reisen & Gastgewerbe | Entwicklung eines neuen Produkts | — | On-Demand-Zahlungs-App mit Zugriff auf bereits verdientes Gehalt und Visa-Karte entwickelt |
| KI-Tests für eine Plattform zur Immobilienpreisvorhersage | Codoid | Kunde nicht genannt | Immobilien | KI / ML / LLM | — | KI-Plattform zur Immobilienpreisvorhersage getestet, dabei Modellgenauigkeit und Datenkonsistenz der Benutzeroberfläche validiert. |
| Tests der Datenintegrität in Live-Sportvorhersagesystemen | Codoid | Kunde nicht genannt | Medien & Unterhaltung | Support und Weiterentwicklung eines Live-Produkts | — | Echtzeit-Sportvorhersagesystem validiert, einschließlich Transaktionen, KYC und Datenkonsistenz. |
| Performance-Tests für eine eLearning-App | Codoid | Kunde nicht genannt | Bildung | Support und Weiterentwicklung eines Live-Produkts | — | Performance- und Lasttests einer eLearning-Plattform mit Empfehlungen zur Infrastrukturoptimierung |
| Fehlerfreie QA für eLearning-Inhalte im Bahnbereich | Codoid | Kunde nicht genannt | Logistik & Transport | Support und Weiterentwicklung eines Live-Produkts | — | QA-Validierung interaktiver eLearning-Kurse zu Compliance im Bahnbereich auf Genauigkeit und Bewertung |
| Kundenstory – KI-Innovation im globalen Gesundheitswesen | Accelerance | Kunde nicht genannt | Gesundheitswesen & Life Sciences | KI / ML / LLM | — | KI zur Vorhersage von Ausfällen bei Augenlaser-Operationsgeräten zur Reduzierung von Ausfallzeiten |
| Kundenstory – Kreativität im Social Commerce | Accelerance | Kunde nicht genannt | E-Commerce & Einzelhandel | Support und Weiterentwicklung eines Live-Produkts | — | Skalierung einer Social-Commerce-Plattform für personalisierte Creator-Merchandise |
| Kundenstory | Accelerance | Kunde nicht genannt | Logistik & Transport | KI / ML / LLM | — | Entwicklung eines digitalen Vertriebsassistenten zur Automatisierung von Lead-Scoring, Lead-Nurturing und Follow-ups |
| Kundenstory – Machine Learning für Callcenter | Accelerance | Kunde nicht genannt | Sonstiges / nicht angegeben | KI / ML / LLM | — | Deep-Learning-Modell prognostiziert Anrufvolumen zur Optimierung der Callcenter-Besetzung |
| Kundenstory | Accelerance | Kunde nicht genannt | Sonstiges / nicht angegeben | KI / ML / LLM | — | Algorithmus auf Basis akustischer Sensoren prognostiziert Lüfterausfälle für Predictive Maintenance |
| Kundenstory – Predictive Maintenance in der Papierproduktion | Accelerance | Kunde nicht genannt | Fertigung & Industrie | KI / ML / LLM | — | Deep-Learning-Modell auf SageMaker prognostiziert Wartungsbedarf von Papiermaschinen |
| Kundenstory – Predictive Maintenance mit ML | Accelerance | Kunde nicht genannt | Fertigung & Industrie | KI / ML / LLM | — | Cloudbasiertes Deep Learning für Predictive Maintenance bei einem Papierhersteller |
| Kundenstory – Intelligente Hochwassersteuerung in Europa | Accelerance | Kunde nicht genannt | Öffentlicher Sektor & Behörden | KI / ML / LLM | — | KI-Modell zur Vorhersage städtischer Überschwemmungen anhand von Grundwasser-, Kanal- und Wetterdaten |
| Unterstützung eines Digital-Transformation-Accelerators im Finanzsektor | Scalo | Kunde nicht genannt | Fintech & Finanzdienstleistungen | Personalverstärkung (Team Augmentation) | — | Verstärkte Entwicklungskapazität für KYC- und Anti-Betrugs-Softwarelösungen im Finanzbereich. |
| Test von Betrugserkennungssoftware für Banken | Scalo | Kunde nicht genannt | Fintech & Finanzdienstleistungen | Betreuung und Erweiterung eines laufenden Produkts | — | Automatisiertes Testframework für ein Betrugserkennungssystem im Bankwesen mit Java und Selenium. |
| Datenvisualisierung in Power BI macht das Banking persönlicher | Scalo | Kunde nicht genannt | Fintech & Finanzdienstleistungen | Datenplattform oder Data Engineering | — | Power-BI-Dashboards aus Altdatenbeständen der Bank für personalisierte Kundeninsights erstellt |
| KI zur Optimierung von Energiespeichern | Apriorit | Kunde nicht genannt | Energie & Versorgungswirtschaft | KI / ML / LLM | — | KI-gestütztes Smart-Grid-System entwickelt, das Energiepreise prognostiziert und das Laden und Entladen von Batterien steuert. |
| KI-gestütztes LMS für Pharma-Mitarbeitende | Apriorit | Kunde nicht genannt | Gesundheitswesen & Life Sciences | KI / ML / LLM | — | KI-gestütztes LMS geliefert, das personalisierte Kurse und Quiz erstellt, DSGVO-konform ist und in das bestehende LMS integriert wurde. |
66 von 74 Fallstudien werden angezeigt (ausgewogen über die Unternehmen verteilt; Themenseiten führen mehr pro Thema auf). Branche, Typ und Zusammenfassung sind die Klassifizierung dieser Seite durch das Verzeichnis; der Stack nennt die Technologien, die auf der Seite genannt werden. Ergebnisse sind unternehmenseigene Angaben.
Nach Branche
| Branche | Fälle |
|---|---|
| E-Commerce & Einzelhandel | 12 |
| Fintech & Finanzdienstleistungen | 11 |
| Fertigung & Industrie | 8 |
| Sonstige / nicht angegeben | 8 |
| Gesundheitswesen & Life Sciences | 7 |
| SaaS & Technologie | 5 |
| Logistik & Transport | 4 |
| Reisen & Gastgewerbe | 4 |
| Medien & Unterhaltung | 4 |
| Energie & Versorgungswirtschaft | 2 |
| Automobil | 2 |
| Bildung | 2 |
| Marketing & Werbung | 2 |
| Öffentlicher Sektor & Verwaltung | 1 |
| Telekommunikation | 1 |
| Immobilien | 1 |
Nach Art der Arbeit
| Art der Arbeit | Fälle |
|---|---|
| KI / ML / LLM | 32 |
| Entwicklung eines neuen Produkts | 20 |
| Betreuung und Erweiterung eines laufenden Produkts | 9 |
| Modernisierung oder Migration | 6 |
| Datenplattform oder Data Engineering | 5 |
| Personalverstärkung (Team Augmentation) | 1 |
| Sonstige | 1 |
Wie sehen Empfehlungs- und Prognoseprojekte in der Praxis aus?
Die Arbeit teilt sich in zwei Formen. Die eine ist eine Empfehlungs- oder Scoring-Funktion innerhalb eines Produkts: DataArt entwickelte einen Porsche E-Mobility Smart Assistant, der vorhersagt, wann und wo ein Fahrer laden muss, und eine nahegelegene Ladestation empfiehlt, und Oaks Lab entwickelte die mobile App Reavo, die anhand von Standort und Prämien die beste Kredit- oder Kundenkarte bei einem bestimmten Händler empfiehlt. Die andere ist eine Prognosepipeline hinter einem bestehenden Betrieb: N-iX wandte Gaussian Mixture Model und Regressionsanalyse auf Gogo-Antennendaten an, um Geräteausfälle vorherzusagen, und Xebia baute die Empfehlungspipeline von ANWB so um, dass sie täglich statt alle zwei Wochen läuft.
Der Umfang umfasst in der Regel den Datenpfad, nicht nur das Modell. N-iX migrierte zunächst die On-Premise-Datenlösungen von Gogo zu AWS und baute eine einheitliche Datenplattform, die strukturierte und unstrukturierte Daten aus mehr als 20 Quellen sammelte, bevor die eigentliche Modellarbeit begann. Das ComplyAdvantage-Programm von Uvik Software umfasste über 17 Monate die Aufnahme von Sanktionsquellen, Namensabgleich und die Priorisierung von Warnmeldungen. Auftraggeber sollten davon ausgehen, dass Datenaufnahme, Abgleich- oder Scoring-Logik und die Serving-Schicht im selben Leistungsverzeichnis stehen.
| Fall | Unternehmen | Vorhersage- oder Empfehlungsaufgabe | Berichtetes Ergebnis |
|---|---|---|---|
| Porsche E-Mobility Smart Assistant | DataArt | Ladebedarf nach Zeit und Ort vorhersagen; eine Station empfehlen | Keine Kennzahl veröffentlicht |
| Gogo In-Flight-Internet | N-iX | Antennenausfälle vorhersagen, um die No-Fault-Found-Rate zu senken | Das Unternehmen berichtet einen Rückgang der No-Fault-Found-Rate um 75 % |
| ANWB-Personalisierung | Xebia | Mitgliederempfehlungen schneller generieren | Das Unternehmen berichtet, dass die Pipeline täglich in wenigen Stunden läuft, zuvor etwa drei Tage alle zwei Wochen |
| ComplyAdvantage-Screening | Uvik Software | Entity-Matching und Alert-Scoring | Das Unternehmen berichtet Falsch-Positive von 94 % auf 31 % |
| Reavo | Oaks Lab | Karte nach Händlerstandort und Prämien empfehlen | Das Unternehmen berichtet, dass das MVP in fünf Monaten geliefert wurde |
Welche Probleme tauchen in diesen Fällen immer wieder auf?
Drei Probleme wiederholen sich. Das erste ist ein Matcher oder Modell, das auf ein Ziel auf Kosten eines anderen abgestimmt ist: Uvik Software berichtet, dass der Matcher von ComplyAdvantage allein auf Recall abgestimmt war, sodass 94 von 100 Alerts falsch waren und Analysten sie manuell bereinigten. Das zweite ist eine Pipeline, die zu langsam ist, um nützlich zu sein: Xebia berichtet, dass die ANWB-Empfehlungen etwa drei Tage dauerten und alle zwei Wochen einmal liefen, sodass sie oft zu spät kamen, um relevant zu sein. Das dritte ist eine Entscheidung, die nicht überprüfbar ist: Der Fall LendSignal Financial von Uvik Software beschreibt Modelländerungen, die schwer zu überprüfen waren, bevor die Scoring-Engine Regeln, Modellausgaben und Überschreibungen in einer API zentralisierte.
Die Vorhersagequalität hängt von Daten ab, die der Kunde bereits besitzt. N-iX korrelierte Daten zu beeinträchtigten Antennen mit Wetterbedingungen, um echte Fehler von No-Fault-Found-Ausbauten zu trennen. Der Porsche-Assistent von DataArt erfasst und speichert anonymisierte Ladedaten, um aus Präferenzen, Ladenetz, Verkehr und Gebühren ein fahrerspezifisches Modell zu erstellen. Ein Käufer ohne diese Historie sollte fragen, welche Daten nach Ansicht des Anbieters vorhanden sein müssen, bevor das Modell trainiert werden kann.
Wer gehört zum Team, und wie lange dauert die Arbeit?
Die Teamzusammensetzung variiert mit der Größe des Systems. Das ComplyAdvantage-Pod von Uvik Software bestand aus einem Tech Lead, drei Senior Python Engineers, einem ML-Engineer und einem Data Engineer über 17 Monate. Das Projekt LendSignal Financial nutzte laut Fallstudie einen Tech Lead, einen Senior ML-Engineer, zwei Senior Backend Engineers und einen DevOps Engineer über 6-9 Monate vom Kickoff bis zur Produktion.
Die Zeitrahmen in der Bibliothek reichen von einem fünfmonatigen MVP bei Oaks Lab für Reavo bis zum 17-monatigen Screening-Programm bei Uvik Software. Five Jars berichtet von einem ungewöhnlich komprimierten Start der On-Demand-Gesundheitsplattform YMCA: Das Briefing kam am 12. März, das Team wurde zusammengestellt, und eine erste Version ging am 17. März mit 100+ Videos von 20+ Trainern online. Dieser Fall ist ein Plattformstart und kein Vorhersagesystem, und der Zeitrahmen spiegelt eine Pandemie-Reaktion wider, keinen normalen Liefermaßstab.
Was unterscheidet eine Empfehlungsfunktion von einem Vorhersagesystem, auf das sich ein Unternehmen verlassen kann?
Der Unterschied liegt darin, was nach der Ausgabe des Modells geschieht. Die Engine von LendSignal Financial bei Uvik Software protokolliert für jede Entscheidung Eingaben, angewandte Regeln, Modellversion, Score und jede menschliche Überschreibung und unterstützt Drift-Erkennung sowie erklärbare Ausgaben. Das ist das Muster, nach dem ein regulierter Käufer suchen sollte. Eine Empfehlungsfunktion wie die Kartenempfehlung von Reavo oder die Wellness-Hinweise von Day-J braucht Engagement-Daten, um besser zu werden; ein Vorhersagesystem, das in die Kreditvergabe oder das Screening einfließt, braucht Nachvollziehbarkeit.
Fragen Sie jeden Anbieter, welches der beiden er gebaut hat. Der Porsche-Assistent von DataArt wird als Fahrassistenzlösung beschrieben, die den Batterieladestand überwacht und den besten Zeitpunkt und Ort zum Laden vorhersagt, ohne veröffentlichte Kennzahl zur Vorhersagegenauigkeit. Die Gogo-Arbeit von N-iX berichtet einen Rückgang der No-Fault-Found-Rate um 75 %, ein messbares operatives Ergebnis. Die Lücke zwischen diesen beiden Beschreibungen ist die Lücke zwischen einem nachgewiesenen Konzept und einem Produktionssystem mit verfolgtem Ergebnis.
Wie man eine Fallstudie liest
| Signal | Warum es wichtig ist | Was Sie den Anbieter fragen sollten |
|---|---|---|
| Kunde genannt | 32 der 74 Fälle in dieser Bibliothek nennen den Kunden. Ein genannter Kunde kann kontaktiert oder überprüft werden; ein ungenannter nicht. „Kunde nicht genannt“ in der Tabelle bedeutet, dass der Fall nicht erkennen lässt, für wen die Arbeit war. | Können wir mit diesem Kunden sprechen oder mit einer Referenz aus derselben Branche? Wenn der Kunde nicht genannt werden kann, warum nicht? |
| Zeitrahmen angegeben | Ein Fall mit Daten oder einer angegebenen Dauer zeigt, dass die Arbeit geliefert wurde, nicht nur geplant war. Ein Fall ohne Zeitrahmen könnte einen Pilot beschreiben, der nie ausgeliefert wurde. | Wann begann und endete das Projekt? Wurde es im ursprünglichen Zeitplan geliefert, und was hat sich geändert? |
| Kennzahl mit Ausgangswert | Ein Ergebnis wie „X um Y reduziert“ sagt ohne den Ausgangswert wenig aus. „Keine Kennzahl veröffentlicht“ in der Tabelle bedeutet, dass der Fall kein messbares Ergebnis berichtet. | Wie hoch war der Wert vor dem Projekt? Wie wurde er gemessen, über welchen Zeitraum, und wer hat ihn gemessen? |
| Stack aufgeführt | Der Stack zeigt, ob der Anbieter Python verwendet hat und welche Bibliotheken, Frameworks und Infrastruktur zum Einsatz kamen. Er zeigt auch, ob die Arbeit zu Ihrer eigenen Umgebung passt. | Welche Python-Bibliotheken und Frameworks haben Sie verwendet, und welche Teile hat Ihr Team selbst gebaut und welche integriert? |
| Unabhängige Bewertung vorhanden | Eine veröffentlichte Bewertung, ein Kundenzitat auf einer Drittanbieter-Website oder eine genannte Referenz sind Belege außerhalb der eigenen Fallseite des Anbieters. Die eigene Darstellung des Anbieters ist eine unternehmenseigene Aussage. | Gibt es eine Bewertung oder Referenz, die wir außerhalb Ihrer Website prüfen können? Wo wurde sie veröffentlicht? |
| Noch in Produktion | Ein Modell oder System, das noch läuft, hat die schwierigere Prüfung bestanden: Monitoring, Retraining und Wartung nach dem Launch. Ein Fall, der bei der Lieferung endet, zeigt dies nicht. | Läuft das System noch? Wer wartet es jetzt, und wie oft wird das Modell neu trainiert? |
Häufige Fragen
Welche Unternehmen haben Fallstudien zu Empfehlungssystemen veröffentlicht?
Xebia hat eine Fallstudie zur ANWB-Personalisierungspipeline veröffentlicht, DataArt eine Fallstudie zum Porsche E-Mobility Smart Assistant und Oaks Lab eine Fallstudie zur Kartenempfehlungs-App von Reavo. Xmartlabs nennt KI-gestützte Empfehlungen in seiner Arbeit an der Wellness-App Day-J. Jedes Ergebnis wird von dem Unternehmen berichtet, das es veröffentlicht hat, und nicht von diesem Verzeichnis geprüft.
Was umfasst ein Empfehlungs- oder Vorhersageprojekt üblicherweise?
Die veröffentlichten Fälle zeigen drei wiederkehrende Formen: den Neuaufbau einer Datenpipeline, die Empfehlungen speist, wie Xebia es für ANWB tat; das Hinzufügen eines Vorhersagemodells zu vorhandenen operativen Daten, wie N-iX es für Gogo tat; und den Aufbau einer Scoring- oder Matching-Engine als Produkt, wie Uvik Software es für LendSignal Financial und ComplyAdvantage tat. Der Umfang umfasst üblicherweise Datenaufnahme, Modellarbeit und Integration.
Wie prüfe ich, ob das Ergebnis einer Vorhersage-Fallstudie glaubwürdig ist?
Achten Sie auf einen genannten Kunden, eine angegebene Ausgangsbasis und eine Kennzahl, die der Kunde ohnehin verfolgen würde. Uvik Software berichtet für ComplyAdvantage von einer Falsch-Positiv-Rate, die von 94 % auf 31 % sinkt, und N-iX berichtet für Gogo von einem Rückgang der No-Fault-Found-Rate um 75 %. Beides sind vom Unternehmen veröffentlichte Zahlen. Fragen Sie den Anbieter, wie die Ausgangsbasis gemessen wurde und ob das System noch läuft.
Kann ein kleines Team ein Empfehlungssystem liefern?
Die in diesen Fällen veröffentlichten Teamgrößen sind unterschiedlich. Uvik Software beschreibt für das ComplyAdvantage-Programm ein Pod aus einem Tech Lead, drei Senior-Python-Engineers, einem ML-Engineer und einem Data Engineer sowie ein kleineres eingebettetes Pod für die LendSignal-Financial-Engine. Xebia veröffentlicht für die ANWB-Pipeline keine Teamgröße. Fragen Sie jeden Anbieter nach den namentlich benannten Rollen in Ihrem Projekt.
Decken diese Fallstudien MLOps und Monitoring ab oder nur die Modellerstellung?
Mehrere decken die operative Seite ab. Xebia hat die ANWB-Pipeline so umstrukturiert, dass Empfehlungen täglich statt alle zwei Wochen laufen, und Uvik Software beschreibt Drift-Monitoring und Modellversionierung in der LendSignal-Financial-Engine. Fragen Sie, ob Monitoring, Retraining und Alerting Teil des gelieferten Umfangs waren oder beim Kundenteam lagen.