Usecases & Projekte · Beispiele aus der Praxis
Echte Projekte, echte Ergebnisse.
Drei abgeschlossene Projekte aus Wirtschaft, Forschung und Produktion zeigen, wie aus unübersichtlichen oder unstrukturierten Daten belastbare, nachvollziehbare Ergebnisse werden.
DSGVO-konforme Strukturierung unstrukturierter Kundendaten
Ein mittelständisches Unternehmen verwaltete seine Kundendaten über Jahre hinweg in unterschiedlichen, unstrukturierten Formaten: Freitextfelder in alten CRM-Exporten, lose Tabellen, gescannte Formulare und E-Mail-Anhänge. Bei Anfragen nach Art. 15 DSGVO (Auskunftsrecht) und im Rahmen der Löschpflichten ließ sich nicht zuverlässig nachvollziehen, welche personenbezogenen Daten zu welcher Person in welchem System vorlagen.
Sämtliche vorhandenen Datenquellen wurden analysiert, ein einheitliches Zielschema für Kundenstammdaten entworfen und die Daten bereinigt, dedupliziert und automatisiert in eine strukturierte Datenbank überführt. Dabei wurden Personenbezug, Datenherkunft und Speicherdauer für jeden Datensatz dokumentiert, sodass Auskunfts- und Löschanfragen künftig in Minuten statt Tagen bearbeitet werden können.
Zusätzlich wurde ein Prozess etabliert, der neue Daten direkt in strukturierter Form erfasst, sowie eine Übersicht, die jederzeit zeigt, welche Daten zu welchem Zweck und mit welcher Rechtsgrundlage gespeichert sind. Das Ergebnis: eine nachvollziehbare, prüfsichere Datenbasis, die sowohl die Anforderungen der DSGVO erfüllt als auch die interne Datenqualität für Auswertungen deutlich verbessert hat.
Zweitprüfung einer wissenschaftlichen These in der Sportmedizin
Im Rahmen einer Masterarbeit in der Sportmedizin sollte eine zentrale These zur spontanen Muskelreaktion auf veränderliche Umgebungsbedingungen empirisch überprüft werden. Da die Ergebnisse als Grundlage für weiterführende Entscheidungen dienen sollten, war eine unabhängige Zweitüberprüfung der Methodik und der Datenanalyse erforderlich.
Der verwendete Datensatz, die Aufbereitungsschritte und die statistischen Verfahren der Arbeit wurden im Detail nachvollzogen und eigenständig reproduziert. Dabei wurden Annahmen, Datenbereinigung und Modellwahl kritisch geprüft, mögliche Verzerrungen identifiziert und die Berechnungen unabhängig nachgerechnet.
Die Zweitprüfung bestätigte den Kern der ursprünglichen These, deckte jedoch an einzelnen Stellen methodische Schwächen auf, etwa bei der Behandlung von Messausreißern und bei der Wahl des Beobachtungszeitraums. Diese Punkte wurden dokumentiert und mit konkreten Verbesserungsvorschlägen zurückgespielt, sodass die Argumentation der Arbeit auf eine belastbarere Grundlage gestellt werden konnte — ein Beleg dafür, wie unabhängige Datenanalyse wissenschaftliche Aussagen absichern kann.
Anomalieerkennung in Maschinenlogdaten eines KMU
Ein kleines Unternehmen aus dem Maschinenbau zeichnete kontinuierlich Logdaten einer Werkzeugmaschine auf, ohne diese systematisch auszuwerten. Vereinzelt traten Ausfälle und Qualitätsprobleme auf, deren Ursache unklar blieb, da die Logdaten in großen, unübersichtlichen Textdateien vorlagen.
Die Logdaten wurden strukturiert eingelesen, relevante Kennzahlen wie Temperatur-, Vibrations- und Fehlercodes extrahiert und in eine Zeitreihenanalyse überführt. Auf dieser Grundlage wurden statistische Schwellenwerte und Muster ermittelt, die normales Maschinenverhalten von Unregelmäßigkeiten unterscheiden.
Die erkannten Auffälligkeiten wurden in einem interaktiven Dashboard visualisiert, das sie zeitlich einordnet und mit Produktions- und Wartungsereignissen in Beziehung setzt. Dadurch ließen sich mehrere Vorfälle auf wiederkehrende Muster zurückführen, etwa auf bestimmte Lastzustände oder Wartungsintervalle. Ein Manipulationsverdacht konnte entkräftet werden. Das Ergebnis ist eine nachvollziehbare Übersicht über den Maschinenzustand, die es erlaubt, Auffälligkeiten frühzeitig zu erkennen und Wartungsintervalle gezielter zu planen — ganz ohne Cloud-Dienste, da die gesamte Analyse direkt auf den vorhandenen Maschinendaten vor Ort erfolgte.