Daten für die Baustelle 4.0

Wir helfen Unternehmen aus der Bauwirtschaft mit Daten mehr zu erreichen

Datenhaltung

Sammeln Sie alle verfügbaren Plandaten und Metriken an einer zentralen Stelle. Holen Sie sich Datenpunkte von Mitarbeitern und Maschinen in Echtzeit ins Büro. Betrachten Sie alle Datenpunkte aus Planung und Umsetzung in einer Übersicht.

Kommunikation

Vereinfachen Sie die Absprachen zwischen Büro, Lieferanten und Baustellen durch eine einheitliche Lösung. Verwandeln Sie Ihre Kommunikation automatisch in Datenpunkte und verstehen Sie Ihr Tagesgeschäft in Zahlen und Fakten.

Automatisierung

Setzen Sie auf eine einfache, intuitive Erfassung von Mitteilungen und Datenpunkten. Profitieren Sie bspw. von Sprachsteuerung oder Bilderkennung, um manuelle Texteingaben zu unterstützen oder zu ersetzen. Je einfacher, desto besser.

Fachkräfte

Unterstützen Sie Ihre Fachkräfte mit modernen IT-Lösungen. Machen Sie die Arbeit in der Bauwirtschaft einfacher, effizienter und attraktiver durch den Einsatz erprobter digitaler Technologien aus anderen Branchen.

Fallbeispiele aus der Praxis

Die Anwendungsfälle für Daten in der Bauwirtschaft sind vielfältig: Berichtswesen, Automatisierung, Prozessunterstützung, Steuerung, Prognosen oder Optimierung. Die folgenden Beispiele zeigen, wie wir Unternehmen mit unseren Dienstleistungen bereits helfen konnten.

Beraterteam

Wir sind Datenexperten mit langjähriger Projekt-Erfahrung. Uns zeichnet aus, dass wir selbst in Situationen mit vielen technischen oder organisatorischen Einschränkungen Fortschritte erzielen. Wir gehen unsere Herausforderungen pragmatisch, kreativ und undogmatisch an. Es gibt immer einen ersten Schritt in Richtung Ziel, den man sofort gehen kann. Der Schritt mag unkonventionell oder hemdsärmelig sein, aber er bringt uns unserem Ziel näher.

Johannes Schaber

Johannes Schaber ist ausgebildeter Betriebswirt und arbeitet seit 9 jahren in verschiedenen Rollen als Berater, Projektleiter und Produktmanager mit Schwerpunkt Datenverarbeitung. Johannes bettet die betrieblichen Herausforderungen und Abläufe seiner Kunden gekonnt in datengetriebene Lösungen ein. Seinen Erfolg verdankt er präziser Kommunikation auf Augenhöhe sowohl mit technischen oder fachlichen Ansprechpartnern als auch mit Entscheidern.

Dr. Christian Schäfer

Christian Schäfer ist promovierter Statistiker und arbeitet seit 12 Jahren als Dateningenieur, Berater und Teamleiter an Lösungen zur Datenverarbeitung. Christian vereint fundiertes technisches Verständnis für moderne Cloud-Lösungen mit langjähriger Projekterfahrung als Berater. Neben der reinen Datenverarbeitung liefert Christian auch datengetriebene Lösungen, die vertiefte Kenntnisse in Machine Learning bzw. Statistik erfordern.

Kunden betreut

Datenprojekte durchgeführt

Datenquellen erschlossen

Prozesse optimieren mit Daten

Die Optimierung von Geschäftsprozessen soll schlussendlich das Betriebsergebnis erhöhen. Das kann unmittelbar passieren, z.B. durch Kosteneinsparung oder Effizienzsteigerung. Es kann aber ebenso indirekt geschehen, z.B. über den Abbau von Risiken oder die Verbesserung von Arbeitsbedingungen. Daten sind nicht nur der Schlüssel zur Aufdeckung von Optimierungsmöglichkeiten sondern auch ein wichtiges Instrument zur Erfolgskontrolle. Das Internet ist voll von Publikationen mit dem schlauen Hinweis, dass der Einsatz von Daten Unternehmen erfolgreicher und profitabler macht. Aber wie kommen wir dahin? Wie fangen wir damit an?

  • Was ist Business Intelligence (BI) ?

    Business Intelligence ist das geläufige Synonym für Geschäftsanalytik. Dem englischen Begriff wohnt die Vorstellung inne, dass die Abteilung für Geschäftsanalytik der Nachrichtendienst (intelligence agency) des Unternehmens ist. Heutzutage geht der Anspruch von Business Intelligence weit über das Berichtswesen aus FiBu und Controlling hinaus. Idealerweise werden Daten aus allen operativen Prozessen eines Unternehmens zusammengeführt. Ein gutes System ermöglicht den nahtlosen Wechsel aus der Vogelperspektive eines Managementberichts in die Detaildaten einzelner Bereiche. Somit kann das eigene Geschäft vollständig quantitativ abgebildet werden. Es ermöglicht die Eingrenzung von Risiken, die Berechnung von Szenarios, den Vergleich von Plan-Zahlen zu Ist-Zahlen und zahlreiche weitere Anwendungen.

  • Maschinelles Lernen ist ein weites Feld von statistischen Modellen. Anwendungen sind z.B. die Erkennung von Nummernschildern oder die Umwandlung gesprochener Sprache in Text. Den Methoden ist gemeinsam, dass sie teilweise sehr rechenaufwändig sind und ihre Anwendungen daher erst in den letzten Jahren richtig Fahrt aufgenommen haben. Maschinelles Lernen benötigt immer eine große Anzahl von Beispielen anhand derer eine bestimmte Aufgabe gelernt werden kann. Einordnungen, die ein Mensch anhand von Bild oder Ton vornehmen kann, können auch von einer Maschine gelernt werden. Wenn genug Beispiele vorliegen, kann die Maschine den Menschen nicht nur an Geschwindigkeit, sondern auch an Präzision weit übertreffen. Je komplexer die zu treffenden Entscheidungen sind, desto weniger ist das Problem allerdings für maschinelles Lernen geeignet. In der Praxis hat maschinelles Lernen unseren Alltag in den letzten 15 Jahren bereits massiv verändert, auch wenn wir das nicht immer wahrnehmen.

  • Künstliche Intelligenz ist in unserer Zeit eher ein attraktives Schmuckwort als ein feststehender Begriff. Künstliche Intelligenz hört sich total spannend an und wird gerne synonym für maschinelles Lernen verwendet. Das ist aber nicht richtig. Künstliche Intelligenz als Forschungsgegenstand befasst sich mit Systemen, die aus ihren eigenen Fehlern lernen und sich selbst eine Fähigkeit antrainieren können. Von einer allgemeinen künstlichen Intelligenz erwarten Wissenschaftler, dass sie in gewisser Weise unsere Welt konzeptionell versteht und nicht nur komplexe statistische Muster in einer riesigen Menge von menschengemachten Beispielen erkennen kann. Für die allermeisten praktischen Anwendungen benutzen wir maschinelles Lernen und sind noch weit entfernt von künstlicher Intelligenz. Das ist sehr schade, nicht zuletzt, weil man mit dem Schlagwort "künstliche Intelligenz" doch so schön herumhubern kann.

Daten verarbeiten mit Erfolg

Die zentralen Herausforderungen im Umgang mit Daten sind, unabhängig vom Kerngeschäft eines Unternehmens, stets die gleichen:

  • Daten werden nicht auf einem Silbertablett serviert.

    Wer in einem Unternehmen Entscheidungen datengetriebener treffen möchte, muss langfristig daran arbeiten und in das Thema investieren. Wir sind gewohnt, dass Daten nicht einfach verfügbar sind. Manchmal müssen Daten auch überhaupt erst einmal erhoben werden. Wir mussten in vielen unserer Projekte erfinderisch werden oder Zwischenlösungen entwerfen, bis alle gewünschten Datenpunkte genutzt werden konnten. Es gibt immer einen ersten Schritt, den man schon sofort gehen kann.

  • Daten liegen oft verstreut in Excel-Tabellen, in der Software von Drittanbietern, hinter obskuren Schnittstellen oder in schwer zugänglichen Dateiformaten. Für eine Steuerung Ihres Unternehmens mit Zahlen und Fakten sollen all diese Daten an einer zentralen Stelle zusammenkommen und verfügbar sein. Der Auf- oder Ausbau von Data-Warehouse-Lösungen auf Basis von Cloud-Technologien ist einer unserer Kernkompetenzen. Wir liefern Ideen und Lösungen, um Ihre Daten mit möglichst geringem Aufwand und geringen Kosten zusammenzuführen. Profitieren Sie von unseren Erfahrungen und gönnen Sie Ihrem Unternehmen die moderne Dateninfrastruktur eines Startups.

  • Die Datenschutz-Grundverordnung (DSGVO) und das Bundesdatenschutzgesetz (BDSG) sollen die Privatsphäre der Bürgerinnen und Bürger in der EU schützen. Das hat seine Berechtigung und Wichtigkeit, auch wenn es Datenprojekte oftmals komplizierter macht. Wir leisten keine Rechtsberatung. Wir wissen aber aus zahlreichen Projekten mit sensiblen Kunden- und Verhaltensdaten, welche Datenvorhaben mit der DSGVO in einem Konflikt stehen könnten. Wir haben Erfahrung im Entwurf von Lösungen, die auf die explizite Speicherung personenbezogener Daten verzichten können. Die Datenschutzbeauftragten Ihres Unternehmens müssen die Datenspeicherung verstehen und vertreten können. Das ist in allen Branchen gleich und dabei helfen wir Ihnen gern.

  • Daten sind kein Selbstzweck. Sie sollen allen Mitarbeiterinnen und Mitarbeitern helfen, stets die besten Entscheidungen für die Erreichung Ihrer Unternehmensziele zu treffen. Dafür müssen die Daten in ihrer Darstellung zu Ihren Geschäftsprozessen passen. Wir stellen als Berater die entscheidenden Fragen bis wir Ihre Prozesse vollständig verstanden haben, um die Daten für die Abläufe Ihres Betriebs optimal aufbereiten (d.h. modellieren) zu können. Die Modellierung der Daten ist ein iterativer Prozess. Wir finden immer Wege, ein Datenprojekt so zu strukturieren, dass die Daten schon frühzeitig operativ nutzbar werden. Gleichzeitig bewahren wir Sie davor, eine rein technische Lösung mit geringem betrieblichen Nutzen aufzubauen.

  • Die Erhebung und Zusammenführung von Daten ist eine organisatorische und eine technische Herausforderung. Die skalierbare, kosteneffiziente Datenverarbeitung in der Cloud ist eine eigene IT-Disziplin. Manche Unternehmen beauftragen ihre hauseigene IT mit der Entwicklung ihrer Daten-Lösungen. Das ist nicht immer der beste Weg. Gehen Sie für eine Wurzelkanalbehandlung zu Ihrem Hausarzt oder zum Zahnarzt? Wahrscheinlich zum Zahnarzt. Dieser ist Spezialist und hat genau diese Art von Eingriff schon zigmal durchgeführt. Wir sind Spezialisten für Datenprojekte. Wir haben genau diese Art von Projekten schon zigmal durchgeführt.

  • Wir sorgen dafür, dass Ihre technische Lösung möglichst genau zu Ihren Herausforderungen und Möglichkeiten passt. Wir gestalten die Lösung so einfach und transparent wie irgendwie möglich. Das ist wichtig, denn je niedriger die Einstiegshürde in der Nutzung des Systems, desto leichter findet Ihre Belegschaft den Zugang zu der Arbeit mit den Daten. Es ist wie ein Naturgesetz: Daten und Datenhaltung wachsen mit der Zeit an Komplexität. Wir vermitteln Ihnen Strategien, wie Sie Ihre Datenlösung skalierbar aufsetzen und fortlaufend erweitern können, ohne den Überblick über das System zu verlieren.

Datenquellen

Ihre Daten liegen unter Umständen in verschiedenen Formaten und auf unterschiedlichen Speichermedien. Wir haben viel Erfahrung in der Überführung von Daten in strukturierte Tabellen in einer zentralen Datenbank. Nicht selten müssen die Daten noch einen Vorbereitungsprozess durchlaufen, um die gewünschten Informationen in Tabellen speichern zu können. Für manche Anwendungen benötigen wir auch keine Datenbank, sondern arbeiten mit semi-strukturierten Daten, die in Dateien gespeichert werden.

strukturierte Daten

z.B. Excel-Tabellen, Google-Sheets, CSV-Dateien

Eine offensichtliche Datenquelle sind Tabellen aus Programmen wie Microsoft Excel. Tabellen können in der Regel mit geringem Aufwand in relationale Datenbanken geschrieben werden. Der Vorteil der Datenbank ist die Fähigkeit Abfragen auf großen Datenmengen zu machen und die Daten systematischer zu verknüpfen, als dies mit Excel möglich ist.

unstrukturierte Textdaten

z.B. Word-Dateien, PDF-Dateien, Webseiten

Textdaten sind unstrukturierte Daten. Die unformatierten Texte lassen sich aus den unterschiedlichen Textdateiformaten herauslesen. Den Texten können wir mit Hilfe automatischer Sprachverarbeitung Informationen entlocken. Dabei kann der Text in andere Sprachen übersetzt, gekürzt oder verschlagwortet werden.

Dokumente auf Papier

z.B. Aufträge, Akten, Belege

Falls Dokumente nur auf Papier vorliegen, können diese fotografiert bzw. gescannt und mit Hilfe von Texterkennung (OCR) in digitale Dokumente umgewandelt werden. Je nach Anwendung kann dafür ein externer Dienstleister oder ein Webservice zum Einsatz kommen. Die digitalen Dokumente können dann wie andere unstrukturierte Textdaten weiterverarbeitet werden.

Bilder

z.B. Handybilder, Satellitenfotos, QR-Codes

Bilder sind unstrukturierte Daten, die mit Hilfe von Machine Learning z.B. in Kategorien eingeteilt oder nach bestimmten Objekten durchsucht werden können. Für einige anwendungsrelevante Aufgaben (z.B. das Erkennen von Nummernschildern) erreichen diese Methoden bereits eine höhere Genauigkeit als Menschen.

Audioaufnahmen

z.B. Anweisungen, Diktate, Maschinengeräusche

Gesprochene Sprache liefert unstrukturierte Daten, die mit Hilfe von Machine Learning in Texte umgewandelt und wie Dokumente weiterverarbeitet werden können. Darüber hinaus können Klänge auch direkt von neuronalen Netzen untersucht werden, z.B. um Anomalien in Maschinengeräuschen festzustellen.

semistrukturierte Daten

z.B. Webseiten, Schnittstellen, NoSQL-Datenbanken

Viele Datenquellen liefern halb-strukturierte Daten. Diese Daten sind oft verschachtelt und werden daher nicht als Tabelle gespeichert, sondern in Datenformaten wie JSON oder XML. In die Klasse dieser Daten fallen auch Webseiten. Moderne Programmier-Schnittstellen (APIs) liefern ebenso semistrukturierte Daten wie die meisten NoSQL-Datenbanken (z.B. MongoDB, CouchDB oder Cassandra).

relationale Datenbanken

z.B. MySQL, MS-SQL-Server, DB2, Oracle

Programme und Webanwendungen speichern Informationen in normalisierter Form in ihre Datenbanken. Wir benötigen in der Regel ein gutes Verständnis für das Datenmodell, um die gewünschten Informationen abzufragen. Viele Anwendungen vermeiden auch den direkten Zugriff auf die Datenbank durch externe Prozesse und liefern ihre internen Daten über Schnittstellen aus.

Prototypen bauen

Datenprojekte haken oft schon am ersten Schritt, denn wir haben es mit einem Henne-Ei-Problem zu tun: Zum einen fehlt die eigene Erfahrung, um die richtigen Entscheidungen bezüglich neuer Technik zielsicher zu treffen. Zum anderen gibt es ohne Entscheidungen keinen Fortschritt und keine eigenen Erfahrungen. Diesen unproduktiven Zustand lassen wir am schnellsten hinter uns, wenn wir uns vornehmen, neue Technik auf möglichst einfache Art und mit möglichst geringen Kosten für eine konkrete Anwendung einzusetzen. Das ist schon fast die ganze Idee hinter agilen Prototypen.

  • Woher kommen Lösungsideen?

    Wir finden Ansätze durch das Sammeln neuer, vielleicht unkonventioneller Ideen (Brainstorming) oder systematische Erforschung möglicher Kombinationen aus technisch Machbarem und wirtschaftlich Sinnvollem (Design Thinking). Wir können solche und verwandte Methoden erläutern und entsprechende Sitzungen moderieren, um einen Vorrat an Lösungsansätzen aufzubauen. Die unvoreingenommene Kreativität der Teilnehmer und die Zusammenarbeit verschiedener fachlicher Disziplinen führen zu einem reichen Spektrum an Ideen. Die Bewertung auf praktische Tauglichkeit und betriebswirtschaftlichen Nutzen erfolgt in einem zweiten Schritt.

  • Agile Prototypen basieren bei uns auf dem Ansatz von Lean Startup. Das ist eine Methode bei der ein finales Produkt in mehreren Zyklen erarbeitet wird. Entlang des gesamten Prozesses wird das Produkt kontinuierlich verbessert und an neue Umstände angepasst. Der Vorteil unseres agilen Ansatzes liegt in der schnellen Verfügbarkeit der ersten Ergebnisse. Anders als bei langwierigen Entwicklungen kann somit früh festgestellt werden, ob eine Lösung technisch reibungslos funktioniert und ob es Hindernisse im operativen Betrieb gibt. Durch den iterativen Ansatz des "Agile Prototyping" kann der Erstentwurf schnell weiterentwickelt und ausgebaut werden. Somit sparen Sie viel Zeit und Geld im Gegensatz zur traditionellen Produktentwicklung, wo nur spät festgestellt werden kann, ob und wie eine Lösung technisch und im operativen Betrieb funktioniert.

  • Zu Beginn verstehen wir Ihren Bedarf und Ihre aktuellen Herausforderungen durch Beobachtungen und Interviews. Anschließend werden Lösungsideen strukturiert entworfen und priorisiert. Wir entscheiden gemeinsam, welche Idee besonders aussichtsreich scheint, um eines der dokumentierten Kernprobleme zu lösen. Wir erstellen einen möglichst einfachen technischen Prototyp, der gerade ausreicht, um das Kernproblem in einem Testlauf ganz oder teilweise zu lösen.

    Die Arbeit mit agilen Prototypen erlaubt es uns, die Lösung eines großen Problems in kleinen Schritten zu erarbeiten:

    • Wir arbeiten an Lösungen für konkrete, genau verstandene Probleme.
    • Die Tragfähigkeit einer Lösung kann mit minimalem Aufwand geprüft werden.
    • Durch den kollaborativen Ansatz sind alle Mitwirkenden Teil der Lösung und tragen diese mit.
  • Wir möchten schnell und pragmatisch die Tragfähigkeit der Lösung prüfen. Verläuft der Testlauf des Prototypen positiv, können wir eine Weiterentwicklung vornehmen oder einen Partner für eine Weiterentwicklung suchen. Verläuft der Testlauf negativ, gewinnen wir trotzdem wichtige Erkenntnisse: Wir können bestimmte Lösungsansätze ausschließen und haben ihre Untauglichkeit mit minimalem Aufwand im Praxistest aufgedeckt. Die Diskussion über mögliche Lösungsideen verläuft nun präziser und die Erfahrungen aus dem Testlauf können hier einfließen. Dieser Prozess der agilen Entwicklung kann beliebig lange fortgeführt werden.

Kontakt

Kontaktieren Sie uns per E-Mail oder über LinkedIn und Xing.