Learnings

Power BI in der Industrie richtig einsetzen: 12 Best Practices für Datenmodell, KPIs, Dashboards und Governance – mit OEE-Beispiel.

Autonome KI-Agenten: Was Agentic AI ist, welche Interaktionsmodi es gibt und wo Industrie, ÖV und Verwaltung konkret profitieren.

Was bringt Big Data für Industrie- und Verkehrsunternehmen? Wie Sensor-, IoT- und Geschäftsdaten zu besseren Entscheidungen führen.

Data Warehouse oder Lakehouse – was passt für die Industrie? Teil 1 zeigt die Entwicklung und die Anforderungen aus der Produktion.

Vom Konzept zur Praxis: Architektur, Komponenten und Empfehlungen für die Wahl zwischen Data Warehouse und Lakehouse in der Industrie.

Richtlinien, Rollen und Prozesse für saubere Daten: Wie Data Governance Datenqualität sichert und Compliance-Risiken minimiert.

Datengetrieben werden: Wie Unternehmen mit der richtigen Analyse-Strategie aus wachsenden Datenmengen echten Mehrwert schaffen.

OT trifft IT: Cloud-Strategien der grossen Hersteller, Microsoft Fabric als Datenplattform und Vergleich mit Best-in-Class-Ansätzen.

Wo liegen Ihre Daten, wer nutzt sie, wo fehlen sie? Eine Datenlandkarte schafft Überblick – der erste Schritt zur Datenstrategie.

Verkehrsbetriebe generieren täglich Millionen Datenpunkte. Microsoft Fabric macht diese Daten nutzbar – für bessere Wartung, Planung und Betrieb.

Gewachsene Applikationslandschaften, mangelnde Datenqualität, fehlende Kompetenzen? Eine Datenstrategie bringt Ordnung und Richtung.

BAV-Innovationsprojekt: KI-gestützte Schmierung im Rad-Schiene-Kontakt reduziert Lärm und Verschleiss – mit Edge-AI und Schwarmintelligenz.

Warum Kreislaufwirtschaft ohne Daten nicht funktioniert – und wie das EUREKA-Projekt BePro-CEND das für den Maschinenbau löst.

Wie Microsoft Fabric Produktion, Qualität und Wartung mit Daten verbindet. Architektur, Use Cases und Praxistipps für die Industrie.

Was unterscheidet OLAP von OLTP? Einfach erklärt mit Vergleichstabelle, Datenfluss-Diagramm und Beispielen aus Industrie und Verkehr.

Materialermüdung früh erkennen: Wie optische Sensoren und KI Verformungen an Bauteilen sichtbar machen, bevor Schäden entstehen.

Ungeplante Ausfälle vermeiden: Wie Vibrations-, Akustik- und Bildanalyse in Schweizer Industrie- und Logistikbetrieben funktioniert.

Predictive Maintenance per Akustik: Wie KI-gestützte Audioanalyse Schäden an Maschinen erkennt, bevor sie zu Ausfällen führen.

Supervised vs. Unsupervised Learning – der Unterschied einfach erklärt mit Vergleichstabelle und Praxisbeispielen aus der Industrie.

Was ist Unified Namespace? Aufbau, ISA-95-Hierarchie, MQTT-Topics und Praxisbeispiele aus Industrie und Verkehr.

Data Science einfach erklärt: Methoden, Prozess und Praxisbeispiele. So machen Schweizer Unternehmen Daten zum Wettbewerbsvorteil.

Datenschutz und KI vereinen: Federated Learning ermöglicht Machine Learning über dezentrale Daten – ohne sie zusammenzuführen.

GenAI verständlich erklärt: Unterschied zu klassischer KI, konkrete Use Cases für Industrie und ÖV, und wann sich der Einsatz lohnt.

30 % der Analysezeit geht für Datensuche drauf. Ein Data Catalogue macht Datenbestände auffindbar, verständlich und nutzbar.

Data Lake verständlich erklärt: Aufbau, Abgrenzung zum Data Warehouse und Lakehouse, Stolpersteine und Praxisbeispiele.

Data Warehouse einfach erklärt: Zentrale Datenspeicherung, schnelle Analysen und bessere Entscheide – Aufbau und Praxis für Schweizer KMU.

Data Pipeline einfach erklärt: Wie Daten automatisiert von A nach B fliessen – ETL vs. ELT, Batch vs. Streaming, Praxistipps.

KI einfach erklärt: Was künstliche Intelligenz ist, welche Ansätze es gibt und wo Unternehmen heute konkret profitieren.

dbt und Microsoft Fabric kombinieren: Architektur, Medallion-Modell und Praxisbeispiel aus der Schweiz. So wird Data Engineering modular, testbar und skalierbar.