Unsere Erfolgsgeschichten
Erfolgreiche und zufriedene Kunden sind unser Antrieb, innovative Projekte und Produkte unsere Passion. Unsere Erfolge und Referenzen basieren auf einer engen und vertrauensvollen Zusammenarbeit. Unsere Kunden vertrauen uns auch kritischste Fragestellungen an.
Referenzprojekte
Durchsatzoptimierung im Warenlager durch Prozessverbesserungen im Pick, Place, Pack
Unser Kunde - ein großer E Commerce Händler - wollte den Datendurchlauf seines Logistik Systems optimieren. Das System verfügte über autonome Robotik-Subsysteme. Durch eine Analyse des Netzwerktraffics und der Machine to Machine Communication im Lager konnte niologic Optimierungspotenziale feststellen. Darüber hinaus implementierte niologic ein vorausschauendes System zum Routing von Bestellungen.
Data Warehousing und Pricing Engine für Outdoor-Ausrüstung
Unser Kunde, ein großer Hersteller und Vertrieb für Outdoor-Ausrüstung benötigte eine zentrale Plattform für sämtliche Daten, als Basis für Advanced Analytics von Kunden- und Geschäftsdaten. Niologic implementierte einen Machine Learning Algorithmus für Preismodelle in Google Cloud AutoML sowie ein Dashboarding in Google Data Studio und ein zentrales Data Warehouse basierend auf Google BigQuery.
Architektur und Implementierung einer Serverless-Plattform für Data Science
Unser Kunde, der Produktzweig einer Top-Tier Managementberatung, wollte eine Plattform für die Berechnung von kurz- und langlaufenden Berechnungen haben. niologic plante und implementierte eine Berechnungsplattform auf Basis des Designprinzips der Serverless Architecture.
Simulation alternativer Antriebsformen zur Technologiebewertung in der Brandschutzbedarfsplanung
Unser Kunde, eine große Werkfeuerwehr in Deutschland, beauftragte uns mit der Bewertung alternativer Antriebsformen für die Erreichbarkeit ihres Standorts. niologic führte mit ihrer Software premergency Simulationen zur Fahrzeit und Erreichbarkeit aus und verglich mehrere Antriebsformen.
Einführung einer Analytics Plattform für eine Managementberatung
Unser Kunde, eine weltweit tätige Managementberatung, wollte für den effizienten Einsatz von Data Scientists in Beratungsteams eine Datenplattform anschaffen. niologic realisierte für die Branchenspezialisten der Beratung eine Analytics und Data Science Plattform.
Datengetriebenes Produktmanagement durch Nutzungsanalyse
Unser Kunde wollte digitale Produktinnovationen in den Markt bringen. niologic unterstützte das Produktmanagement in der Prognose der zukünftigen Nutzung.
Continuous Learning mit Deep Learning für Analytics-Plattform
Für eine Analytics-Plattform im Marketing implementierten wir tagesaktuelle Prognosen durch Continuous Integration, Continuous Learning mit Deep Learning.
Besseres Supply Chain Management durch Daten- und Prozessintegration
Besseres Supply Chain Management durch Daten- und Prozessintegration. niologic unterstützte den Kunden durch die Verschmelzung von Daten zu Installed Base, Geschäftsplänen und Bestellprozessen und eine Prognose des Bedarfs.
Social Media Trenderkennung durch Deep Learning
Trenderkennung und Viralität von Social Media Kanälen durch Anwendung eines Deep Learning Modells. Der Algorithmus wurde durch Kubernetes und Google Tensorflow tagesaktuell fortgeschrieben (Continuous Learning).
Cloud-Migration einer SaaS-Lösung und Einführung von Kubernetes und Containern
Eine analytische, Big Data Branchenlösung wurde von Amazon AWS zu Google Cloud ohne Downtime migriert. Anschließend wurde durch die Einführung von Container-Technologie und Kubernetes der Grundstein für eine Cloud-native Entwicklung gelegt.
Analytische Plattform und Datenarchitektur in der Google Cloud
niologic erstellte basierend auf Google Bigquery, Apache Airflow und dem Data Vault 2.0 Modell eine verallgemeinerte Datenstruktur für ein Data Warehouse (DWH). Durch eine hohe Abstraktion des ETL-Codes konnte eine leichte Wartbarkeit des DWH erreicht werden.
Aufbau von CRM Analytics für führendes Branchen-Event
Für das weitere Wachstum eines führenden Branchenevents sollten die Marketing- und Salesprozesse digitalisiert und automatisiert werden. niologic führte die Kundendaten zusammen und baute ein CRM und Kundenanalysen für eine gezielte Ansprache auf.
Fortschreibung der Brandschutzbedarfsplanung für eine mittlere, kreisangehörige Stadt
niologic führte die Fortschreibung des Brandschutzbedarfsplans für eine mittlere, kreisangehörige Stadt durch. Es wurden ein rechnergestütztes Risikomodell basierend auf der Gefahrenmatrix erstellt. Ebenfalls wurde eine Standortoptimierung durchgeführt.
Kündigungsverhalten, Churn Prediction und Rotational Churn bei monatlichen Abonnementverträgen
Für eine konzernweite Multimarkenstrategie setzte niologic das Portfoliomanagement und Churnanalysen, Churn Prediction um. Mittels Bayes-Wahrscheinlichkeit und Kaplan-Meier-setzten wir in einer InMemory-Datenbank Predictive Analytics um. Rotational Churn bei monatlichen Abonnementverträgen konnte ausgewertet werden.
IT und AI Due Diligence eines Startups
niologic wurde mit der IT und AI Due Diligence eines Startups beauftragt. Die Anwendungsmöglichkeiten und derzeitige Nutzung künstlicher Intelligenz (AI) wurden durch uns überprüft.
Datenintegration zahlreicher Tochterfirmen und Technical Accounting nach IFRS
niologic ermöglichte eine Datenintegration zahlreicher Tochterfirmen und Technical Accounting nach IFRS für einen stark gewachsenen Konzern.
Kunden- und Portfolioanalysen zur Unterstützung einer Commercial und Financial Due Diligence auf Verkäuferseite
niologic lieferte alle Big Data Kundenanalysen und Analysen zum Produktportfolio im Rahmen mehrerer Verkaufsrunden eines Bieterverfahrens.
Marketing und CRM Analytics für einen Formel1-Sponsor
niologic unterstützte mit Marketing und CRM Analytics einen Kunden für sein Formel1 Sponsoring bei der Datenanreicherung und Identifikation von Kunden.
Post-Merger-Integration von Kundenanalysen und Technical Accounting
niologic unterstützte die Big Data Integration der Abrechnungssysteme und Kundendaten im Sinne zahlreicher Buchhaltungsvorschriften nach US-GAAP und IFRS.
Einführung von Tribal Leadership zur Skalierung von agilen Softwareentwicklungsprozessen
Einführung von Tribal Leadership zur Skalierung der agilen Entwicklung für eine führende Strategieberatung (Software, Big Data).
Standortanalyse und -optimierung für eine Werkfeuerwehr mit mehreren Standorten
niologic unterstützte eine Werkfeuerwehr bei der Standortanalyse und Standortoptimierung mittels Fahrtzeitisochronen und Netzwerkanalysen.
Technical Due Diligence für ein Food Startup
niologic führte die technische Prüfung eines Food Startups durch und überprüfte in diesem Zusammenhang Patente und geistiges Eigentum.
Verbundverkäufe und Upselling bei monatlichen Abonnementverträgen
niologic lieferte die Analysen zu Verbundverkäufen und Upsellpotential. So konnten Value Added Services und Bundles zielgerichtet eingeführt werden.
Standortüberprüfung und Fahrtzeitisochronen für mehrere Standorte einer großen Werkfeuerwehr auf Basis der Einsatzdaten
niologic führte mit Einsatzdaten eine Standortüberprüfung durch und erstellte Fahrtzeitisochronen für mehrere Standorte einer großen Werkfeuerwehr.
Datenstrategie zur Einführung einer Big-Data-Plattform
niologic unterstützte den Kunden bei der Produktentwicklung. Eine neue Software-Architektur und Big-Data-Plattform wurden eingeführt.
Sortimentsoptimierung als Data Science Training im Retail
niologic schulte ein neu gegründetes Team Data Science in Retail Analytics und dem Umgang mit verteilten Systemen wie Apache Spark, SparkML und Hadoop.
Datenstrategie zur Einführung von künstlicher Intelligenz (AI)
niologic moderierte den Strategieworkshop, unterstützte eine erfolgreiche Handelsplattform beim Roadmapping, der Datenstrategie und bei der Personalgewinnung.
Manufacturing Analytics in der Chip-Produktion und Halbleiterherstellung
niologic unterstützte bei der Datenanalyse und der Post-Mortem-Diagnose der durch Plasmaeffekte zerstörten Dies.
Migration einer Analytics und Big Data Plattform auf Microsoft Azure und Kubernetes
Unser Kunde beabsichtigte seine Entwicklung der Analytics-Plattform auf Microsoft Azure zu konsolidieren und eigene Big Data Infrastruktur zu ersetzen.
