Grafik Data Science

Data Science

Wer immer besser werden will, braucht vor allem eines: gute Daten. Häufig sind die vorliegenden Informationen jedoch kaum verwertbar. Diese besser, auswertbar und damit nutzbar zu machen ist unsere Mission – für das Wohl unserer Patientinnen und Patienten.

Die Datenbändiger

Wir setzen Daten gewinnbringend ein

Data Science und Business Intelligence generieren relevante Informationen aus großen, teils unstrukturierten Datenmengen und machen diese dadurch nutzbar. Wir leiten aus ihnen Empfehlungen und Vorhersagen ab, die das Unternehmen effizienter machen.

In kleinen, agilen Teams arbeiten wir eng mit unseren Kunden aus dem gesamten Fresenius-Konzern zusammen. Dabei beraten wir sie, analysieren Daten und implementieren nutzerfreundliche Softwarelösungen, Dashboards und Reports. Hartnäckigkeit, Geduld, analytische und kommunikative Skills sind die Eigenschaften, die ein Data Scientist braucht.

Unser Ziel: Bessere Prozesse für das Wohl unserer Patienten

Bei Fresenius steht das Patientenwohl im Fokus. Diesem Anspruch ordnen wir alles unter, wenn es darum geht, unsere Prozesse zu verbessern. Data Science und Business Intelligence leisten hierzu einen wichtigen Beitrag: indem wir Informationen sammeln, aufbereiten und auswertbar machen. Wir beschränken uns nicht darauf, bestehende Daten zu analysieren, um zum Beispiel Fehlerursachen und Zusammenhänge zu erkennen. Vielmehr arbeiten wir daran, Muster zu erkennen, um Vorhersagen zu treffen und Prozesse zu optimieren.

Menschen mit technischem Background fast jeder Ausprägung finden bei uns spannende und herausfordernde Themen, mit denen sie das Unternehmen weiterbringen. Wenn Sie kreativ sind, gern schwierige Aufgabenstellungen durchdringen und ein Studium mit analytischem Bezug vorweisen können, dann sollten wir uns unterhalten. Außerdem sollten Sie kommunikativ dazu in der Lage sein, zwischen Fachabteilungen, Management und IT zu vermitteln und zu beraten.

Was können Daten für uns tun?

So arbeiten wir

Für unsere Arbeit setzen wir moderne Tools ein, wie zum Beispiel:

  • Data Science Technology Stack (R, Python, Jupyter, RStudio, VStudio Code)
  • relationale Datenbanken (EXASOL, MSSQL Server, Postgres)
  • ETL-Tools (SSIS)
  • Cloud Deployment (Kubernetes, Docker, Azure, Golang)
  • Data Lake/Blob Storage (Minio, Azure)
  • weitere BI-Tools
Kontaktbild Bernd Lunghamer
„Ich hätte nie gedacht, dass ich als Wirtschaftsinformatiker einmal mit Stearinsäure zu tun haben würde. Der Themenmix, die Sinnhaftigkeit der Pharmabranche und die spannenden Herausforderungen machen den Job für mich so erfüllend.”
Bernd Lunghamer,Senior Consultant Data Science & Advanced Data Analytics bei Fresenius Netcare

Aufgaben, die es in sich haben

Mitarbeiter von Fresenius Netcare vor einer Tafel mit Klebezetteln

In die Zukunft blicken

Bei Predictive Analytics geht es unter anderem darum, Vorhersagen über zukünftigen Wartungsbedarf zu treffen. Damit zum Beispiel Dialysegeräte nicht ausfallen, sondern rechtzeitig gewartet werden und so störungsfrei laufen – für die Sicherheit unserer Patienten. Dafür setzen wir zusätzliche Sensoren ein, die uns Daten liefern, aus denen wir dann Rückschlüsse auf mögliche Störungen ziehen können. Diese Informationen bereiten wir auf und machen sie auswertbar.

Transparenz erzeugen

Verlässliche Vorhersagen sind wichtig, da Abweichungen von der Kalkulation häufig zu unnötigen Kosten führen. Wir unterstützen unsere Kolleginnen und Kollegen im Controlling mit dem automatischen Forecasting von Controlling-relevanten Zeitreihen auf Basis statistischer Modelle. Dabei setzen wir Machine Learning ein, um die Transparenz der Vorhersagen zu erhöhen.

Filtern und klassifizieren

"Uns ist der Dialysebeutel kaputtgegangen, ist er jetzt noch steril?" – "Die Dialysegeräte haben bei niedrigen Temperaturen draußen gestanden, sind sie noch voll funktionsfähig?" Bei Fragen wie diesen nutzen wir den Prozess der Complaint Classification. Dabei separieren wir über künstliche Intelligenz einfache von komplizierteren Fällen, damit die Anfragen und Beschwerden von Patienten und Kunden automatisch an die passenden Teams zur Beantwortung weitergeleitet werden können.

Qualität verbessern

Wenn in der Produktion gewisse Parameter aus der Reihe tanzen ist es bei 200 Messwerten mit 40.000 Variablen für Menschen unmöglich nachzuvollziehen, was die Ursache sein könnte – zumal sich am Produktionsprozess nichts geändert hat. Um herauszufinden, was die Qualität beeinflusst, setzen wir Machine Learning ein. Das Ergebnis: Es liegt an Schwankungen bei den Rohstoffen, die Anlage produziert nach wie vor fehlerfrei. 

Jetzt bei Fresenius Daten bändigen?

Diese Seite empfehlen