Posts on Shanna Tellaev

Wenn ein Tweet über Leben und Schaden entscheidet

info@tellaev.de (Shanna Tellaev) — Tue, 09 Jun 2026 00:00:00 +0000

Stellen Sie sich vor, Sie arbeiten in einer Notrufzentrale. Während die Telefone klingeln, strömen jede Minute Tausende Social-Media-Beiträge auf Ihren Bildschirm. Plötzlich erscheint ein Post: “Smoke everywhere downtown, can’t see across the street.” Ist das ein Großbrand — oder ein BBQ-Festival?

Genau solche Entscheidungen müssen moderne NLP-Systeme innerhalb von Sekunden treffen. Wird ein echter Notfall übersehen, geht wertvolle Reaktionszeit verloren. Wird ein harmloser Beitrag als Katastrophe eingestuft, werden Ressourcen unnötig gebunden.

Warum Ihr Unternehmen seine Meeting-Protokolle nicht lesen kann — und wie RAG das ändert

info@tellaev.de (Shanna Tellaev) — Thu, 04 Jun 2026 00:00:00 +0000

Meeting-Protokolle sind das Gedächtnis jeder Organisation. Budgetentscheidungen, Verantwortlichkeiten, Risiken, Deadlines — alles dokumentiert, abgelegt, vergessen. In Unternehmen — vom Mittelstand bis zum Großkonzern — entstehen pro Projekt dutzende Protokolle aus Steering Committees, Jour Fixes und Statusmeetings. Das Problem: Niemand durchsucht sie systematisch. Stattdessen fragt man Kollegen, erinnert sich ungefähr oder öffnet im besten Fall die Volltextsuche im PDF-Reader.

Abbildung 1: Das Problem und die Lösung auf einen Blick: verstreute Dokumente werden zu abrufbarem Wissen — mit Quellenangabe.

Wer kündigt als nächstes? Wie Machine Learning aus 594.000 Kundendaten verlässliche Antworten zieht

info@tellaev.de (Shanna Tellaev) — Tue, 12 May 2026 00:00:00 +0000

Es ist Montagmorgen. Ihr Vertriebsleiter legt den Quartalsbericht auf den Tisch. Neukunden im Plus, Umsatz stabil — und trotzdem eine Zeile, die alles überschattet: 2.400 Kündigungen im letzten Quartal. Niemand hatte sie kommen sehen.

Dabei hatten diese Kunden über Wochen Signale gesendet. Unauffällig, aber messbar. Niemand hat sie gelesen.

Die Faustregel ist bekannt: Einen Bestandskunden zu halten kostet fünf- bis siebenmal weniger, als einen neuen zu gewinnen. Bei einem mittelständischen Unternehmen mit 50.000 Vertragskunden bedeutet eine Senkung der Kündigungsrate um nur zwei Prozentpunkte schnell einen sechs- bis siebenstelligen Effekt im Jahr.

540.000 Transaktionen auswerten – mit den richtigen Werkzeugen schneller als gedacht

info@tellaev.de (Shanna Tellaev) — Tue, 03 Mar 2026 00:00:00 +0000

Viele Unternehmen sitzen auf wertvollen Daten, ohne sie zu nutzen. Mit den richtigen Werkzeugen lassen sich daraus Erkenntnisse gewinnen, die direkt in strategische Entscheidungen einfließen.

90 % der Kunden, die einen bestimmten Teelichthalter kauften, bestellten auch eine Etagere.

Diese Information steckte die ganze Zeit in den Daten – aber erst die richtige Analysemethode machte sie sichtbar.

Für dieses Projekt habe ich einen realen Datensatz eines britischen Online-Händlers genommen: rund 540.000 Transaktionen, 4.335 Kunden, 3.660 Produkte. Und ihn bewusst aus drei verschiedenen Perspektiven untersucht – mit drei Datenbank-Technologien, weil jede für andere Fragestellungen optimiert ist:

AutoML mit PyCaret: So erstellen Sie schnell Prototypen für Klassifikationsmodelle

info@tellaev.de (Shanna Tellaev) — Tue, 06 Jan 2026 00:00:00 +0000

Jedes Data-Science-Projekt beginnt mit derselben, oft unterschätzten Frage: Wo fängt man eigentlich an? Die Antwort ist fast immer: beim Datensatz.

Bevor ein Machine-Learning-Algorithmus zum Einsatz kommt, muss man die Daten verstehen — inhaltlich wie explorativ. Wie sehen sie aus? Wie ist die Verteilung? Gibt es Auffälligkeiten? Dieser Schritt ist keine Pflichtübung, sondern die Grundlage für jede spätere Entscheidung.

In diesem Artikel gehe ich den vollständigen Workflow an einem konkreten Beispiel durch: von der Explorativen Datenanalyse (EDA) über die Datenaufbereitung bis zum Prototyping mit AutoML. Mit PyCaret – einem Tool, das verschiedene Algorithmen automatisch vergleicht – lässt sich schnell herausfinden, welcher Ansatz am besten zu den Daten passt.