Tarinat kulissien takaa

Asiantuntijamme avautuvat

Uusimmat bloggaukset

Saldohistorian mallinnus tietovarastoon tilaa säästäen

Saldotietojen tallennus päivätasolla on yksi tietovaraston tyypillisistä tehtävistä. Operatiiviset järjestelmät eivät yleensä jätä saldohistoriaa talteen, tietovarasto on siihen tarkoitukseen järkevä työkalu. Saldohistoriaa taas voidaan hyödyntää raportoinnissa sekä logistiikan kehittämisessä ja optimoinnissa. Saldohistoria on perinteisesti tallennettu päivätasolla, esim. varastoittain. Saldohistoria indekseineen vie helposti hervottomasti tilaa tietokannassa. Perinteinen saldojen mallinnustapa hieman yksinkertaistettuna näyttää jotakuinkin tältä:      

Kuka antoi kolmosen arvosanaksi?

Pidin viikko sitten Talentum Eventsillä kurssin: Asiakkuuksien johtaminen analytiikan avulla. Saamani kurssipalaute on alla. Kiitos kaikille osallistujille ja iso kiitos palautteesta. Se vie kurssia oikeasti eteenpäin.

Hyvä konsultti tuo turvaa eikä lisää asiakkaan pelkoa

IT-ala on pullollaan teknistä jargonia. On jos jonkinmoista softaa, alustaa, platformia, tekniikka… Kehitys kehittyy huimalla vauhdilla. On vaikea pysyä mukana. Alkaa pelottaa.

Pelkoa ja inhoa Las Vegasissa (eli miten tuoda yrityksiin journalismia)

Kaikesta hienosta kehityksestä tiedon visualisoinnin ja edistyneen analytiikan (data science) saralla huolimatta, tiedolla johtamisen yhtenä haasteena on sisällön tulkinta. Miten raporttia tai analyysiä pitäisi tulkita? Meneekö meillä hyvin vai huonosti? Tarvitaanko jotain toimia?

Deep learning – Mitä se on?

”Deep learning”- termiin törmää nykyisin monessa yhteydessä, esimerkiksi lukiessaan kagglen kilpailujen tuloksia tai alan kirjoituksia (machine learning). Google Trendsistä tarkastettuna ”deep learning” tai tuttavallisemmin syväoppiminen on alettu hypettämään 2012 vuoden lopusta lähtien ja termin viljeleminen internetissä on ollut liki eksponentiaalisessa nousukiidossa. Mistä oikein on kyse?

Analytiikkaa Azure ML:llä: Osa 2, Teknisen ympäristön pystyttäminen Azureen

Käytännön analytiikan blogisarjamme jatkuu. Viime kerralla määrittelimme liiketoimintaongelman, joka pitää ratkoa ja sovimme toimenpiteistä joilla tähän päästään. Ennen kuin päästään itse datan pariin, pitää meidän pystyttää tekninen ympäristö. Käydään se nyt läpi.

Analytiikkaa Azure ML:llä: Osa 1, Liiketoimintaongelman määrittäminen

Käytännön ennustavan analytiikan blogisarjamme ensimmäinen osa kuvaa kuvitellun yrityksemme liiketoimintaongelman. Eli määritellään miksi analytiikkaa ylipäätään lähdetään tekemään. Yrityksen esittely

Miten tehdä ennakoivaa analytiikkaa Azure Machine Learning:llä

Aloitamme lyhyen blogisarjan miten tehdä analytiikkaa Azure Machine Learning:llä. Sarja käydään läpi tehokkaasti vajaassa 3 viikossa, sisältäen 3-4 juttua. Sarja päättyy Talentum Eventsillä pitämääni asiakasanalytiikka koulutukseen, jossa koko prosessi käydään läpi.

Asiakastietojen rikastaminen avoimella PRH-datalla SSIS:ssä

ERP:in ja CRM:n asiakastiedot ovat monasti rämettyneitä. Yritysasiakkaiden tiedot on onneksi helpompi päivittää ajan tasalle kuin kuluttaja-asiakkaiden. Tässä käydään teknisesti läpi miten PRH:n tarjoamaa avointa dataa voidaan käyttää SSIS-välineillä. Tavoite on siis päivittää yritysasiakkaiden tiedot ajantasaisiksi. PRH on julkaissut JSON-rajapinnan kautta YTJ-tietopalvelun sisältämän datan. Tätä kautta saadaan näppärästi, halvalla ja vaikka päivittäin yritysten Osoitetiedot Yritysten lakkaamistiedotaaa

Mikä on paras QlikView-konsulttitalo ja muuta keskustelua BI-kurssilta

Viime viikon ja syksyn aiemmalla business intelligence -kurssilla esitettiin muutamia hyviä kysymyksiä liittyen BI-markkinoihin. Laitan tässä vastaukset ja pitkähkön pohdinnan muillekin lukijoille. 1. Mikä on paras QlikView-konsulttitalo?

Yhteydenotto

Mikäli olet kiinnostunut yrityskohtaisista palveluista tai sinulla kysyttävää palvelujemme sisällöstä, niin ota yhteyttä oheisella lomakkeella tai soita Mikalle numeroon 040 845 8432.

Please leave this field empty.