Anomalie-Erkennung auf BI-Telemetrie eines Beratungshauses
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst 6 Monate Telemetrie-Daten: Query-Latenzen (Perzentile), Refresh-Success-Rates, Datenmengen-Trends pro Dashboard. Implementiere mehrere Anomalie-Methoden: (1) STL-Decomposition + Z-Score, (2) Isolation Forest, (3) Prophet-Forecasting mit Konfidenz-Intervallen. Evaluiere gegen ein gelabeltes Vorfalls-Log (76 historische Vorfälle in 6 Monaten). Liefere ein Notebook, eine Anomalie-Score-API und ein Slack-Webhook-Beispiel für die Alarmierung.
Das Briefing
Was Du tust und was Du zeigst.
Wie baut man eine Anomalie-Erkennung auf BI-Telemetrie, die Dashboard-Probleme verlässlich vor dem Kundenticket meldet?
Earning criteria — what you'll demonstrate
- Drei methodisch unterschiedliche Anomalie-Methoden gegeneinander evaluieren
- STL-Decomposition für saisonale Telemetrie korrekt einsetzen
- Evaluation gegen ein reales Vorfalls-Log (nicht synthetische Daten)
- Operativ einsetzbare Alarm-Pipeline mit Threshold-Tuning
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenData Scientist
Anomalie-Erkennung auf operativer Telemetrie mit ehrlicher Evaluation gegen Vorfalls-Log ist ein wertvolles Profil für Data-Science-Teams in Beratungen und Plattform-Anbietern.
Dieses Projekt schärft
- anomaly-detection
- time-series
- evaluation-metrics
Data-Analyst:in
Analytics-Profile mit STL- und Prophet-Erfahrung können Telemetrie-Dashboards bauen, die nicht nur zeigen, sondern auch warnen.
Dieses Projekt schärft
- time-series
- anomaly-detection
- python
Noch eine Sache