Shanna Tellaev
  • Home
  • Über mich
  • Erfahrung
  • Tech Stack & Skills
  • Projekte
  • Mehr
    Ausbildung Kontakt
  • Blog
  • Dark Theme
    Light Theme Dark Theme System Theme
  • Stichworte
  • AutoML
  • Bert
  • BigData
  • Churn Detection
  • Data Science
  • Dsgvo
  • ETL
  • Llm
  • Machine Learning
  • MongoDB
  • Neo4j
  • Nlp
  • Ollama
  • PostgreSQL
  • PyCaret
  • Python
  • Qdrant
  • Rag
  • SHAP
  • Text-Classification
  • Transformer
  • XGBoost
Hero Image
Warum Ihr Unternehmen seine Meeting-Protokolle nicht lesen kann — und wie RAG das ändert

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.

Donnerstag, 4. Juni 2026 Lesen
Hero Image
Wer kündigt als nächstes? Wie Machine Learning aus 594.000 Kundendaten verlässliche Antworten zieht

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.

Dienstag, 12. Mai 2026 Lesen
Hero Image
AutoML mit PyCaret: So erstellen Sie schnell Prototypen für Klassifikationsmodelle

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.

Dienstag, 6. Januar 2026 Lesen
Shanna Tellaev
Impressum Datenschutz
© 2026 Shanna Tellaev
Build: 2026-06-10 · cf35065c