Nutidens databehov kan oftest ikke dækkes af et klassisk Data Warehouse. Særligt fordi vi i dag er begyndt at anvende data til langt mere end blot rapporter. Det har resulteret i en stor udvikling af nye teknologier og tilgange til data. Den største udfordring med denne udvikling er dog at de individuelle teknologier ofte kun dækker meget afgrænsede behov, og man derfor har brug for multiple værktøjer til at løse alle ens data udfordringer. Denne sammensætning af værktøjer er det man i dag kalder en moderne data stack. I denne blogpost vil vi give dig et indblik i hvordan du vælger det rigtige fundament til din data stack.

En data strategi skal understøtte dine strategiske mål, og sikre sig at dataopsamling samt udnyttelse af denne giver din virksomhed en konkurrencemæssig fordel. Data strategien skal sikre sig at hele din data værdikæde er optimeret således at den bedst understøtter din forretning, og det du vil bruge data til. I denne blog post vil jeg give et indblik i hvad en data strategi er, og hvorfor den er så vigtig.

Hvis du opsamler data i din virksomhed, har du stået overfor valget omkring hvordan data skal gemmes. Når vi aggregere data, mister vi information, og det kan have konsekvenser særligt når vi gemmer dataen. Hvis vi eksempelvis skal bruge data i rå format senere, vil det aldrig være muligt for os, at genskabe denne, med aggregerede data. Vi skal altså starte forfra med at opsamle data. I denne blog post dykker vi ned i hvilke konsekvenser det har, når vi vælger forskellige metoder til at aggregere data og om rådata er et bedre alternativ.

Digitalisering. Det er et ord som bliver nævnt i de fleste møde lokaler. Vi har mødt mange virksomheder som har et 2025 mål om at digitalisere dele af deres virksomhed. Men hvad er det egentligt, hvad er fordelene ved at blive mere digital, hvornår er det tilfredsstillende og hvordan kan man kickstarte processen? Er det overhovedet vigtigt for din forretning?

I dette blogindlæg vil vi diskutere, hvorfor du skal stoppe med at fokusere på Big Data og specielt big -delen, som ofte fortolkes som antallet af observationer, vi har i et datasæt.

I tidligere blogpost viste vi, hvordan maskinlæring kan estimere den resterende brugbare levetid på en jetmotor, I dette blogindlæg sætter vi vores interne bibliotek, Cohen, på prøve ved at estimere det resterende brugbare levetid på NASAs jetmotor med seks forskellige forhold (0 til 20.000 fod) og en fejltilstand, HPC-nedbrud Bagefter vil vi teste den, når vi har to fejltilstande: HPC-nedbrud og blæsernedbrud.

Ofte når vi snakker om prædiktiv vedligeholdelse, referere vi til den metode hvor vi forudsiger nedbrud på en motor eller et leje, ved brug af data som vibration og omdrejningshastigheder. Der findes dog en anden metode, hvor vi anvender kameraer, til at kunne detektere slitage på eksempelvis stegebånd, rullebånd, rust på eksempelvis vindmøller eller lækage i rør.