2024 Juni

Rücksendungen sind im Modehandel ein kostspieliges Problem, oft mit Rückgabequoten von bis zu 50%. Viele Kunden bestellen mehrere Größen, um die richtige Größe zu finden. Mit dem Datenmodell, das auf einem Datensatz von ModCloth basiert, können Modehändler nun präzise Größenempfehlungen geben. Das Modell nutzt Körpermerkmale wie Taillenumfang, Größe und Hüftumfang, um die perfekte Größe vorherzusagen. Eine logistische Regression zeigte, dass das Modell etwa 73,7% der Variabilität in den Rücksendungen erklären kann, was zu konsistenten Vorhersagen führt. Durch den Einsatz dieses Modells können Rücksendungen reduziert werden. Diese Lösung lässt sich am besten in ein bestehendes CRM-Systeme integrieren und erhöht sowohl die Kundenzufriedenheit als auch die Effizienz des Unternehmens

In diesem Notebook geht es um die Sentiment-Analyse für Fluggesellschaften durch die Auswertung von Tweets. Diese Analyse liefert wertvolle Erkenntnisse über die Kundenwahrnehmung, ermöglicht eine gezielte Verbesserung des Markenimages und stärkt die Wettbewerbsposition. Mit präzisen Modellen und sorgfältiger Datenanalyse können Unternehmen schnell auf Kundenfeedback reagieren, ihre Servicequalität steigern und die ihre Effizienz steigern. Durch diese Technologie, wird versucht die Kundenbindung zu erhöhen und neue Standards für die Passagiere der Fluggesellschaften zu setzen.

Erleben Sie die Zukunft der Mobilität: Uber Technologies Inc., gegründet 2009 in San Francisco, hat sich mit seiner App als weltweit führender Anbieter etabliert. Mit 91 Millionen Nutzern und 3,9 Millionen Fahrern in 63 Ländern setzt Uber Maßstäbe im Bereich der Personenbeförderung. Doch hinter den Kulissen geht es um mehr als nur Fahrten vermitteln. Uber nutzt fortschrittliches Data-Mining, um Angebot und Nachfrage in Echtzeit zu prognostizieren und die Fahrzeugverfügbarkeit zu maximieren – ein entscheidender Faktor, um den Service kontinuierlich zu optimieren und seinen Nutzern weltweit ein nahtloses Erlebnis zu bieten.

Aufgrund der großen Auswahl, die Netflix zu bieten hat, ist es für die Nutzer schwierig, geeignete Filme für sich zu finden. Die Suche in der Bibliothek nimmt viel Zeit in Anspruch und schafft ein schlechtes Nutzererlebnis, was wiederum zu höheren Abbruchquoten führt. Um die Abbruchquoten zu senken, muss geprüft werden, ob die Kundenzufriedenheit durch die Anwendung von maschinellem Lernen in Bezug auf Filmempfehlungen erhöht werden kann.

Die New York Life Insurance Company, ein globales Versicherungsunternehmen, erwägt eine Erweiterung des Geschäftsmodells, um zukünftig nicht nur körperliche, sondern auch psychische Erkrankungen zu versichern.

In diesem Praxisbeispiel können Sie mithilfe des Machine Learning Modells personalisierte Spotify Playlists erstellen, die dem Musikgeschmack des Endnutzers entsprechen.

In diesem Praxisbeispiel ermöglicht ein Machine-Learning-Modell die Analyse von Unterkunftsmerkmalen und die automatische Preisberechnung, sodass Immobilienobjekte bewertet werden können, ohne dass ein Gutachter vor Ort sein muss.

Eine Weinmanufaktur möchte die Qualität und den Geschmack ihrer Weine durch den Einsatz eines maschinellen Lernmodells vorhersagen, um den teuren und subjektiven Prozess der professionellen Verkostung zu ersetzen.

Für Gastgeber auf Airbnb ist es oft schwierig zu wissen welchen Preis sie für Ihre Immobilie verlangen sollen. So ist es oft schwierig abzuschätzen ob ihr Angebot der Lage und des Zustandes der Immobilie gerecht wird. Der Datensatz welcher hier benutzt wird stellt jeweils eine Immobilie in einem Viertel von Berlin da. Zu jeder Immobilie gehören jeweils der Preis und viele weitere Merkmale. Diese Merkmale sind besonders interessant um damit eine Preisvorstellung für eine Immobilie zu schaffen, welche sowohl lukrativ für den Gastgeber ist als auch fair für den Kunden. Das Ziel ist es einen automatischen Preisvorschlag für die Immobilien zu generieren. Anhand dieses Datensatz soll mit „Machine-Learning“ ermittelt werden welcher Preis für die Immobilie angemessen ist. „Lineare Regressionen“ und „Random Forest“ -Modelle werden hierbei genutzt um Vorhersagen über den Preis zu treffen. Das finale Modell arbeitet mit einer ungefähren Genauigkeit von 62%.

Ein wichtiger Punkt bei Brandschutzssystemen ist, dass sie zu jeder Zeit funtionieren. Dafür wird hier in diesem Use Case geschaut, ob Sensordaten für eine KI-basierte Vorhersage von Ausfällen einer solchen Anlage/Systems verwendet werden können. Dies würde helfen, um reaktive und präventive Wartungsintervalle einzuführen. Für diese Vorhersage wurde ein Datensatz der NASA zu Turbo-Fan-Engines genommen, da es nur eine geringe Anzahl von Echtdaten im Bereich Industrial Internet of Things gibt. Dieser besteht aus folgenden Dateien: PM_train, PM_test und PM_truth. Ziel ist es, mittels Sensordaten den Ausfallzeitpunkt der Bauteile vorherzusagen. Verschiedene Schritte zur Datenvorbereitung werden umgesetzt. Als Datenmodell wird das Long Short-Term Memory (LSTM)-Modell verwendet. Das Finale Datenmodell erreicht eine Genauigkeit von 94% und einen Recall von 87,5%. Es werden also fast alle Ausfallzeitpunkte der Bauteile durch das Modell erkannt.