Mehr erfahren
Datenintegration und -architektur
FELD M unterstützt Unternehmen nicht nur dabei, auf der strategischen und konzeptionellen Ebene Datensilos (Online wie Offline) zu durchbrechen, sondern auch bei der Implementierung von Lösungen, die Silos dauerhaft zusammenführen.
Wir wissen genau, welche Herausforderungen bei der Integration und Speicherung von großen, heterogenen Datenmengen bewältigt werden müssen, damit homogene Ergebnisdaten performant bereitgestellt werden können. Unsere erfahrenen Experten verwenden innovative Technologien, um belastbare Lösungen zu entwickeln.
Unser internes Entwicklerteam versteht sich als Schnittstelle zwischen Data Science, Visualisierung und Analytics. Die Bandbreite der Aufgaben reicht von der Ansprache verschiedener Schnittstellen (z.B. APIs von Adobe oder Google Analytics, Facebook oder verschiedenen CRM-Systemen) über die Verknüpfung und Integration von Daten unterschiedlicher Quellen bis hin zur Bereitstellung für Analysen und interaktive Visualisierungen. Ziel ist die Entwicklung von nachhaltiger, wiederverwertbarer Software sowie eine hohe Datenqualität.
Für die Umsetzung komplexer ETL-Strecken (Extract, Transform und Load) setzen wir vor allem auf Python, aber je nach Anforderung auch auf Java, Shell-Skripte, R oder Perl. Zusätzlich kommen verschiedene, auf die Bedürfnisse des Kunden zugeschnittene, Datenbanktechnologien zum Einsatz. Diese reichen von klassischen relationalen Datenbanken (SQL Server, Oracle oder PostgreSQL) über Document Stores (MongoDB) und grafischen Datenbanken (Neo4j) bis hin zu hochskalierenden Systemen wie Hadoop oder Spark.
Beim Hosting der Daten unterstützen wir Sie bei der Auswahl eines geeigneten Providers (Kriterienkatalog) oder der Konzeption des eigenen Hostings. Alternativ bieten wir Ihnen an, das Hosting selbst zu übernehmen. Dafür arbeiten wir mit externen Dienstleistern zusammen, die ISO zertifizierte Rechenzentren in Deutschland betreiben.
Darüber hinaus helfen wir Ihnen beim Aufbau der eigenen Inhouse-Kompetenzen. Dies kann über Auswahl und Einsatz von geeigneten Tools oder auch in Form von Workshops zu Best Practices geschehen (z.B. Einsatz von Spark und Python/R oder Arbeiten in der Azure Cloud).
