{"id":1645,"date":"2022-06-22T07:21:34","date_gmt":"2022-06-22T07:21:34","guid":{"rendered":"http:\/\/causal-discovery.blog\/?page_id=1645"},"modified":"2024-11-23T19:07:13","modified_gmt":"2024-11-23T19:07:13","slug":"causal-discoverer","status":"publish","type":"page","link":"https:\/\/xplain-data.de\/de\/causal-discoverer\/","title":{"rendered":"Xplain Data CausalDiscoverer (XCD)"},"content":{"rendered":"<div class=\"wpb-content-wrapper\"><p>[vc_row gap=&#8220;35&#8243;][vc_column][vc_column_text css=&#8220;&#8220;]<\/p>\n<h3>CausalDiscoverer: Innovative Causal AI Methoden zur pr\u00e4zisen Identifizierung kausaler Zusammenh\u00e4nge in Ihren komplexen Real World Daten<\/h3>\n<p>[\/vc_column_text][vc_empty_space][\/vc_column][\/vc_row][vc_row gap=&#8220;35&#8243;][vc_column width=&#8220;1\/2&#8243;]<div class=\"xplain_content_box type_left\"><div class=\"xplain_content_box_inner\"><h2>Was das f\u00fcr Sie bedeutet<\/h2><div class=\"content_box_content\"><p>Der CausalDiscoverer (XCD) ist ein bahnbrechendes Werkzeug, das das komplizierte Geflecht von Kausalit\u00e4ten in komplexen Daten durchdringt. Durch die rigorose Eliminierung potenzieller St\u00f6rfaktoren deckt der XCD die wahren Zusammenh\u00e4nge zwischen kritischen Ereignissen auf und unterscheidet zwischen Ursache und Wirkung.<\/p>\n<h6><strong>Tiefere Einblicke f\u00fcr Unternehmen<\/strong><\/h6>\n<p>In einer datengetriebenen Welt gewinnen Unternehmen durch das Verstehen von Kausalzusammenh\u00e4ngen tiefe Einblicke in ihre Prozesse, das Kundenverhalten und die Marktdynamik. Dieses Wissen erm\u00f6glicht es Unternehmen, effektive Ma\u00dfnahmen zu planen und zielgerichtete Entscheidungen zu treffen, die Wachstum und Erfolg f\u00f6rdern.<\/p>\n<h6><strong>Der CausalDiscoverer &#8211; Ihr Weg zur ganzheitlichen Datenanalyse<\/strong><\/h6>\n<p>Der CausalDiscoverer leitet einen Paradigmenwechsel in der Datenanalyse ein, indem er die ganzheitliche Analyse von Objekten \u00fcber alle verkn\u00fcpften Datenstr\u00f6me hinweg in den Mittelpunkt stellt. Im Gegensatz zu klassischen Data Warehouse (DWH) Ans\u00e4tzen, die h\u00e4ufig eine Datenreplikation in &#8222;Sternschemata&#8220; oder &#8222;OLAP-W\u00fcrfeln&#8220; erfordern, bietet der XCD durch <a href=\"https:\/\/xplain-data.de\/object-analytics-database\/\">ObjectAnalytics<\/a> einen Panoramablick auf Ihre Datenlandschaft und damit eine umfassendere Perspektive.<\/p>\n<h6>Holen Sie die Analytik aus dem Elfenbeinturm ins Tagesgesch\u00e4ft<\/h6>\n<p>Mit dem XCD sind Sie nicht mehr auf Experten angewiesen, die Daten in restriktive Analyseschemata zw\u00e4ngen. Dieser transformative Ansatz holt die Analytik aus dem Elfenbeinturm und integriert sie in Ihre t\u00e4glichen Gesch\u00e4ftsprozesse. Er erm\u00f6glicht es Ihnen, Ihre analytische Reise interaktiv zu gestalten, von Fragen zu Folgefragen zu gelangen und, unterst\u00fctzt durch Causal Discovery Modelle, potenzielle Ursache-Wirkungs-Beziehungen zu entdecken.<\/p>\n<\/div><\/div><\/div>[vc_empty_space]<style type=\"text\/css\" data-type=\"the7_shortcodes-inline-css\">.shortcode-single-image-wrap.shortcode-single-image-8743772b3cb97909bfc7d277e04ff411.enable-bg-rollover .rollover i,\n.shortcode-single-image-wrap.shortcode-single-image-8743772b3cb97909bfc7d277e04ff411.enable-bg-rollover .rollover-video i {\n  background: -webkit-linear-gradient();\n  background: linear-gradient();\n}\n.shortcode-single-image-wrap.shortcode-single-image-8743772b3cb97909bfc7d277e04ff411 .rollover-icon {\n  font-size: 32px;\n  color: #ffffff;\n  min-width: 44px;\n  min-height: 44px;\n  line-height: 44px;\n  border-radius: 100px;\n  border-style: solid;\n  border-width: 0px;\n}\n.dt-icon-bg-on.shortcode-single-image-wrap.shortcode-single-image-8743772b3cb97909bfc7d277e04ff411 .rollover-icon {\n  background: rgba(255,255,255,0.3);\n  box-shadow: none;\n}<\/style><div class=\"shortcode-single-image-wrap shortcode-single-image-8743772b3cb97909bfc7d277e04ff411 alignnone  enable-bg-rollover dt-icon-bg-off\" style=\"margin-top:0px; margin-bottom:0px; margin-left:0px; margin-right:0px; width:500px;\"><div class=\"shortcode-single-image\"><div class=\"fancy-media-wrap\" style=\"\"><a class=\"layzr-bg rollover rollover-zoom dt-pswp-item pswp-image\" href=\"https:\/\/xplain-data.de\/wp-content\/uploads\/2024\/07\/CausalGraph_Bubbles.png\" title=\"CausalGraph_Bubbles\" data-dt-img-description=\"\" data-large_image_width=\"4395\" data-large_image_height = \"2252\"  style=\"\"><img fetchpriority=\"high\" decoding=\"async\" class=\"preload-me lazy-load aspect\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D&#39;http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg&#39;%20viewBox%3D&#39;0%200%20500%20256&#39;%2F%3E\" data-src=\"https:\/\/xplain-data.de\/wp-content\/uploads\/2024\/07\/CausalGraph_Bubbles-500x256.png\" data-srcset=\"https:\/\/xplain-data.de\/wp-content\/uploads\/2024\/07\/CausalGraph_Bubbles-500x256.png 500w, https:\/\/xplain-data.de\/wp-content\/uploads\/2024\/07\/CausalGraph_Bubbles-1000x512.png 1000w\" loading=\"eager\" style=\"--ratio: 500 \/ 256\" sizes=\"(max-width: 500px) 100vw, 500px\" width=\"500\" height=\"256\"  data-dt-location=\"https:\/\/xplain-data.de\/de\/causalgraph_bubbles-2\/\" alt=\"\" \/><\/a><\/div><\/div><\/div>[vc_column_text css=&#8220;&#8220;]<\/p>\n<p style=\"text-align: center;\">Causal Pathway &#8211; Visualisierung aller Faktoren, die kausale Auswirkungen auf den Effekt haben.<\/p>\n<p>[\/vc_column_text][\/vc_column][vc_column width=&#8220;1\/2&#8243;]<div class=\"xplain_content_box type_left\"><div class=\"xplain_content_box_inner\"><h2>Wie die Integration in Ihre Entwicklungsumgebung aussieht<\/h2><div class=\"content_box_content\"><p>Der CausalDiscoverer (XCD) unterst\u00fctzt diverse <a href=\"https:\/\/xplain-data.de\/de\/object-analytics-database\/\">Schnittstellen<\/a>. So k\u00f6nnen Sie im XCD Artefakte erzeugen (z. B. eine relative Zeitachse), die Definition dieses Artefakts, z. B. in Form eines St\u00fccks Python-Code, anzeigen und diesen Code einfach in Ihr Python-Skript kopieren.<\/p>\n<p>Sie k\u00f6nnen eine komplette Sitzung direkt in ein Python-Skript oder Jupyter Notebook umwandeln.<\/p>\n<p>Der CausalDiscoverer integriert sich nahtlos in Ihre Python-Umgebung und macht\u00a0den XCD zu Ihrer erweiterten Entwicklungsumgebung.<\/p>\n<\/div><\/div><\/div>[vc_empty_space]<style type=\"text\/css\" data-type=\"the7_shortcodes-inline-css\">.shortcode-single-image-wrap.shortcode-single-image-c626ec65264156f5f8f45d38b6fc3467.enable-bg-rollover .rollover i,\n.shortcode-single-image-wrap.shortcode-single-image-c626ec65264156f5f8f45d38b6fc3467.enable-bg-rollover .rollover-video i {\n  background: -webkit-linear-gradient();\n  background: linear-gradient();\n}\n.shortcode-single-image-wrap.shortcode-single-image-c626ec65264156f5f8f45d38b6fc3467 .rollover-icon {\n  font-size: 32px;\n  color: #ffffff;\n  min-width: 44px;\n  min-height: 44px;\n  line-height: 44px;\n  border-radius: 100px;\n  border-style: solid;\n  border-width: 0px;\n}\n.dt-icon-bg-on.shortcode-single-image-wrap.shortcode-single-image-c626ec65264156f5f8f45d38b6fc3467 .rollover-icon {\n  background: rgba(255,255,255,0.3);\n  box-shadow: none;\n}<\/style><div class=\"shortcode-single-image-wrap shortcode-single-image-c626ec65264156f5f8f45d38b6fc3467 alignnone  enable-bg-rollover dt-icon-bg-off\" style=\"margin-top:0px; margin-bottom:0px; margin-left:0px; margin-right:0px; width:500px;\"><div class=\"shortcode-single-image\"><div class=\"fancy-media-wrap\" style=\"\"><a class=\"layzr-bg rollover rollover-zoom dt-pswp-item pswp-image\" href=\"https:\/\/xplain-data.de\/wp-content\/uploads\/2022\/06\/SequenzanalyseSchabmu\u0308ller-copy.jpg\" title=\"Object Explorer\" data-dt-img-description=\"\" data-large_image_width=\"1911\" data-large_image_height = \"852\"  style=\"\"><img decoding=\"async\" class=\"preload-me lazy-load aspect\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D&#39;http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg&#39;%20viewBox%3D&#39;0%200%20500%20222&#39;%2F%3E\" data-src=\"https:\/\/xplain-data.de\/wp-content\/uploads\/2022\/06\/SequenzanalyseSchabmu\u0308ller-copy-500x222.jpg\" data-srcset=\"https:\/\/xplain-data.de\/wp-content\/uploads\/2022\/06\/SequenzanalyseSchabmu\u0308ller-copy-500x222.jpg 500w, https:\/\/xplain-data.de\/wp-content\/uploads\/2022\/06\/SequenzanalyseSchabmu\u0308ller-copy-1000x444.jpg 1000w\" loading=\"eager\" style=\"--ratio: 500 \/ 222\" sizes=\"(max-width: 500px) 100vw, 500px\" width=\"500\" height=\"222\"  data-dt-location=\"https:\/\/xplain-data.de\/de\/sequenzanalyseschabmu%cc%88ller-copy\/\" alt=\"Analyse des Produktionsprozesses\" \/><\/a><\/div><\/div><\/div>[vc_column_text]<\/p>\n<p style=\"text-align: center;\">Beispiel aus der Fertigung &#8211; Produktion von Zylinderk\u00f6pfen: Analyse des Produktionsprozesses und Ursachenanalyse im Falle fehlerhafter Teile.<\/p>\n<p>[\/vc_column_text][\/vc_column][\/vc_row][vc_row][vc_column][vc_empty_space][\/vc_column][\/vc_row][vc_row gap=&#8220;35&#8243;][vc_column width=&#8220;1\/2&#8243;]<div class=\"xplain_content_box type_left\"><div class=\"xplain_content_box_inner\"><h2>Warum Kausalit\u00e4t wichtig ist<\/h2><div class=\"content_box_content\"><p>Predictive Modelling sagt Ihnen z.B., welche Maschine bald ausfallen wird.<\/p>\n<p>Aber die wichtigeren Fragen sind: Warum f\u00e4llt sie aus? Und was kann ich dagegen tun?<\/p>\n<p>An dieser Stelle ist Predictive Modeling mit seiner Weisheit am Ende &#8211; und Causal Discovery entfaltet seine volle Wirkung. Nur wenn Sie wissen, warum etwas passiert ist (die Ursache kennen), k\u00f6nnen Sie gezielte Eingriffe vornehmen, um Fehlerursachen zu beseitigen oder eine gew\u00fcnschte Wirkung zu erzielen.<\/p>\n<p>Kenntnisse \u00fcber Ursache und Wirkung sind die Grundlage f\u00fcr die Entwicklung intelligenter Strategien zur Erreichung eines Ziels. Was auch immer Ihr Unternehmensziel ist, Sie sollten unbedingt wissen, was f\u00fcr Ihren Erfolg &#8211; oder Misserfolg &#8211; ma\u00dfgeblich ist!<\/p>\n<\/div><\/div><\/div>[vc_empty_space]<div class=\"xplain_content_box type_left\"><div class=\"xplain_content_box_inner\"><h2>Die Herausforderung - und unsere L\u00f6sung<\/h2><div class=\"content_box_content\"><p>In Real World Data gibt es buchst\u00e4blich &#8222;Milliarden&#8220; von Korrelationen zu Ihrer Zielvariablen (Ihrem Gesch\u00e4ftsziel). 99,9 % von ihnen sind jedoch bedeutungslos. &#8222;Korrelation ist nicht gleich Kausalit\u00e4t&#8220; &#8211; eine bekannte Tatsache. Aber warum ist das so?\u00a0 Und wie k\u00f6nnen wir den Nebel der Korrelationen durchdringen, um die wahren Ursachen f\u00fcr Ihren Gesch\u00e4ftserfolg zu erkennen?<\/p>\n<p>Confounder (Faktoren, die sich sowohl auf die vermeintliche Ursache als auch auf den Effekt auswirken) verschleiern die &#8222;echte&#8220; Auswirkung eines Faktors auf das Ergebnis. Das Verst\u00e4ndnis von Ursache und Wirkung auf der Grundlage von Beobachtungsdaten bedeutet in erster Linie, diese Confounder zu finden. Um zu vermeiden, dass wichtige Confounder \u00fcbersehen werden, ist also eine F\u00fclle von Daten erforderlich &#8211; und eine Technologie, die solche &#8211; zwangsl\u00e4ufig komplexen &#8211; Daten nach Confounding-Faktoren durchsuchen kann.<\/p>\n<p>Auf der Grundlage unserer <a href=\"https:\/\/xplain-data.de\/de\/object-analytics-database\/\">Object<\/a><a href=\"https:\/\/xplain-data.de\/de\/object-analytics-database\/\">Analytics Database<\/a> ist unser <strong>Causal Discovery-Ansatz<\/strong> derzeit <strong>der Einzige, der die Komplexit\u00e4t von &#8222;Real World Data&#8220; bew\u00e4ltigen kann<\/strong> &#8211; und gleichzeitig die F\u00fclle an Informationen in solchen Daten f\u00fcr eine tiefgehende Suche nach Confoundern nutzt. Ohne ein Experiment ist dies noch kein Beweis f\u00fcr Kausalit\u00e4t. Causal Discovery kann jedoch Unmengen von bedeutungslosen Korrelationen aussortieren und Ihnen helfen, schnell zu relevanten Hypothesen \u00fcber kausale Effekte zu gelangen.<\/p>\n<p>Sehen Sie sich\u00a0<a href=\"https:\/\/xplain-data.de\/de\/video\" rel=\"noopener\">Paula<\/a>\u00a0an, um unseren Causal Discovery-Ansatz auf einer intuitiven Ebene zu verstehen.<\/p>\n<\/div><\/div><\/div>[vc_empty_space][\/vc_column][vc_column width=&#8220;1\/2&#8243;]<div class=\"xplain_content_box type_left\"><div class=\"xplain_content_box_inner\"><h2>Wo Causal Discovery eingesetzt werden kann<\/h2><div class=\"content_box_content\"><p>Typische Anwendungen sind:<\/p>\n<ul>\n<li><strong>Fertigung<\/strong>: Verstehen Sie komplexe Produktionsprozesse und warum die hergestellten Teile die Qualit\u00e4tsziele nicht erf\u00fcllen. Implementierung einer kontinuierlichen Prozess\u00fcberwachung: ein DiscoveryBot, der st\u00e4ndig nach neuen Fehlerursachen Ausschau h\u00e4lt.<\/li>\n<li><strong>Instandhaltung eines Maschinenparks<\/strong>: Erkennen Sie, warum Maschinen ausfallen, und entwickeln Sie eine intelligente Wartungsstrategie. Lassen Sie k\u00fcnstliche Intelligenz nach neuen Problemen und deren Ursachen suchen und Ausf\u00e4lle vorhersagen, um fr\u00fchzeitig einzugreifen.<\/li>\n<li><strong>Gesundheitswesen:<\/strong> Gr\u00fcnde f\u00fcr die Nichteinhaltung von Vorschriften und Behandlungs\u00e4nderungen erfassen. Fr\u00fchzeitiges Erkennen von unerw\u00fcnschten Nebenwirkungen. Verstehen, wer gef\u00e4hrdet ist und warum &#8211; und Aufbau eines gezielten Versorgungsmanagements.<\/li>\n<li><strong>CRM<\/strong>: Die Ursachen der Kundenfluktuation verstehen. Suchen Sie kontinuierlich nach neuen Ursachen &#8211; und wie Wettbewerber Ihren Kundenstamm angreifen. Messen Sie die kausale Wirksamkeit Ihrer Kampagnen.<\/li>\n<\/ul>\n<p>&#8230; und vieles mehr.<\/p>\n<\/div><\/div><\/div>[vc_empty_space]<div class=\"xplain_content_box type_left\"><div class=\"xplain_content_box_inner\"><h2>Unsere Causal Discovery \/ Causal AI Algorithmen in der praktischen Anwendung<\/h2><div class=\"content_box_content\"><p>Die Algorithmen zur Erkennung kausaler Zusammenh\u00e4nge sind in den CausalDiscoverer und sein interaktives Bedienkonzept eingebettet. Einmal konfiguriert, gen\u00fcgt ein Klick auf ein Ziel, und Sie sehen, was dieses Ziel antreibt oder m\u00f6glicherweise verursacht. Der Experte kann bestimmte Faktoren ablehnen, nach Alternativen fragen. Und so schlie\u00dflich zu Ergebnissen gelangen, die Wissen aus Daten mit Fachexpertise kombinieren.<\/p>\n<p>Jeder dieser Algorithmen kann auch in einer Python-Umgebung verwendet werden.<\/p>\n<p><strong>DiscoveryBot:<\/strong> Er \u00fcberwacht Ihre Prozesse st\u00e4ndig in Hinblick auf neue auftretende Probleme und Gr\u00fcnde, die Ihr Gesch\u00e4ft gef\u00e4hrden k\u00f6nnen. Ihre Versicherung gegen unangenehme \u00dcberraschungen.<\/p>\n<\/div><\/div><\/div>[vc_empty_space]<style type=\"text\/css\" data-type=\"the7_shortcodes-inline-css\">.shortcode-single-image-wrap.shortcode-single-image-9a296f38cf4ac3d4f764875985728386.enable-bg-rollover .rollover i,\n.shortcode-single-image-wrap.shortcode-single-image-9a296f38cf4ac3d4f764875985728386.enable-bg-rollover .rollover-video i {\n  background: -webkit-linear-gradient();\n  background: linear-gradient();\n}\n.shortcode-single-image-wrap.shortcode-single-image-9a296f38cf4ac3d4f764875985728386 .rollover-icon {\n  font-size: 32px;\n  color: #ffffff;\n  min-width: 44px;\n  min-height: 44px;\n  line-height: 44px;\n  border-radius: 100px;\n  border-style: solid;\n  border-width: 0px;\n}\n.dt-icon-bg-on.shortcode-single-image-wrap.shortcode-single-image-9a296f38cf4ac3d4f764875985728386 .rollover-icon {\n  background: rgba(255,255,255,0.3);\n  box-shadow: none;\n}<\/style><div class=\"shortcode-single-image-wrap shortcode-single-image-9a296f38cf4ac3d4f764875985728386 alignnone  enable-bg-rollover dt-icon-bg-off\" style=\"margin-top:0px; margin-bottom:0px; margin-left:0px; margin-right:0px; width:500px;\"><div class=\"shortcode-single-image\"><div class=\"fancy-media-wrap\" style=\"\"><a class=\"layzr-bg rollover rollover-zoom dt-pswp-item pswp-image\" href=\"https:\/\/xplain-data.de\/wp-content\/uploads\/2022\/06\/graphs_cancer.png\" title=\"Causal Discovery\" data-dt-img-description=\"\" data-large_image_width=\"1920\" data-large_image_height = \"1080\"  style=\"\"><img decoding=\"async\" class=\"preload-me lazy-load aspect\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D&#39;http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg&#39;%20viewBox%3D&#39;0%200%20500%20281&#39;%2F%3E\" data-src=\"https:\/\/xplain-data.de\/wp-content\/uploads\/2022\/06\/graphs_cancer-500x281.png\" data-srcset=\"https:\/\/xplain-data.de\/wp-content\/uploads\/2022\/06\/graphs_cancer-500x281.png 500w, https:\/\/xplain-data.de\/wp-content\/uploads\/2022\/06\/graphs_cancer-1000x562.png 1000w\" loading=\"eager\" style=\"--ratio: 500 \/ 281\" sizes=\"(max-width: 500px) 100vw, 500px\" width=\"500\" height=\"281\"  data-dt-location=\"https:\/\/xplain-data.de\/de\/graphs_cancer\/\" alt=\"Grafik Krebs\" \/><\/a><\/div><\/div><\/div>[vc_column_text]<\/p>\n<p style=\"text-align: center;\">Beispiel: Faktoren, die &#8211; entsprechend den Causal Discovery Verfahren &#8211; potentiell Brustkrebs ausl\u00f6sen, einschlie\u00dflich einer grafischen Darstellung, die die direkten und indirekten Auswirkungen auf das Ziel der Analyse visualisiert.<\/p>\n<p>[\/vc_column_text][\/vc_column][\/vc_row][vc_row][vc_column][vc_empty_space][\/vc_column][\/vc_row]<\/p>\n<\/div>","protected":false},"excerpt":{"rendered":"<p>[vc_row gap=&#8220;35&#8243;][vc_column][vc_column_text css=&#8220;&#8220;] CausalDiscoverer: Innovative Causal AI Methoden zur pr\u00e4zisen Identifizierung kausaler Zusammenh\u00e4nge in Ihren komplexen Real World Daten [\/vc_column_text][vc_empty_space][\/vc_column][\/vc_row][vc_row gap=&#8220;35&#8243;][vc_column width=&#8220;1\/2&#8243;][vc_empty_space][vc_column_text css=&#8220;&#8220;] Causal Pathway &#8211; Visualisierung aller Faktoren, die kausale Auswirkungen auf den Effekt haben. [\/vc_column_text][\/vc_column][vc_column width=&#8220;1\/2&#8243;][vc_empty_space][vc_column_text] Beispiel aus der Fertigung &#8211; Produktion von Zylinderk\u00f6pfen: Analyse des Produktionsprozesses und Ursachenanalyse im Falle fehlerhafter Teile.&hellip;<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"inline_featured_image":false,"footnotes":""},"class_list":["post-1645","page","type-page","status-publish","hentry","description-off"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v27.3 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>CausalDiscoverer I Xplain Data GmbH<\/title>\n<meta name=\"description\" content=\"Kausale Zusammenh\u00e4nge in komplexen Daten per Klick erkennen - dank leistungsf\u00e4higer Causal AI-Algorithmen f\u00fcr fundierte Entscheidungen.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/xplain-data.de\/de\/causal-discoverer\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"CausalDiscoverer I Xplain Data GmbH\" \/>\n<meta property=\"og:description\" content=\"Kausale Zusammenh\u00e4nge in komplexen Daten per Klick erkennen - dank leistungsf\u00e4higer Causal AI-Algorithmen f\u00fcr fundierte Entscheidungen.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/xplain-data.de\/de\/causal-discoverer\/\" \/>\n<meta property=\"og:site_name\" content=\"Xplain Data\" \/>\n<meta property=\"article:modified_time\" content=\"2024-11-23T19:07:13+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/xplain-data.de\/wp-content\/uploads\/2023\/01\/social-image.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1280\" \/>\n\t<meta property=\"og:image:height\" content=\"720\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data1\" content=\"6\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/xplain-data.de\\\/de\\\/causal-discoverer\\\/\",\"url\":\"https:\\\/\\\/xplain-data.de\\\/de\\\/causal-discoverer\\\/\",\"name\":\"CausalDiscoverer I Xplain Data GmbH\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/xplain-data.de\\\/de\\\/#website\"},\"datePublished\":\"2022-06-22T07:21:34+00:00\",\"dateModified\":\"2024-11-23T19:07:13+00:00\",\"description\":\"Kausale Zusammenh\u00e4nge in komplexen Daten per Klick erkennen - dank leistungsf\u00e4higer Causal AI-Algorithmen f\u00fcr fundierte Entscheidungen.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/xplain-data.de\\\/de\\\/causal-discoverer\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/xplain-data.de\\\/de\\\/causal-discoverer\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/xplain-data.de\\\/de\\\/causal-discoverer\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/xplain-data.de\\\/de\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Xplain Data CausalDiscoverer (XCD)\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/xplain-data.de\\\/de\\\/#website\",\"url\":\"https:\\\/\\\/xplain-data.de\\\/de\\\/\",\"name\":\"Xplain Data\",\"description\":\"Uncover cause &amp; effect relationships in complex data - key to AI\",\"publisher\":{\"@id\":\"https:\\\/\\\/xplain-data.de\\\/de\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/xplain-data.de\\\/de\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/xplain-data.de\\\/de\\\/#organization\",\"name\":\"Xplain Data GmbH\",\"url\":\"https:\\\/\\\/xplain-data.de\\\/de\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/xplain-data.de\\\/de\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/xplain-data.de\\\/wp-content\\\/uploads\\\/2023\\\/01\\\/xplaindata_logo-claim-240.png\",\"contentUrl\":\"https:\\\/\\\/xplain-data.de\\\/wp-content\\\/uploads\\\/2023\\\/01\\\/xplaindata_logo-claim-240.png\",\"width\":609,\"height\":240,\"caption\":\"Xplain Data GmbH\"},\"image\":{\"@id\":\"https:\\\/\\\/xplain-data.de\\\/de\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.linkedin.com\\\/company\\\/xplain-data-gmbh\\\/?viewAsMember=true\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"CausalDiscoverer I Xplain Data GmbH","description":"Kausale Zusammenh\u00e4nge in komplexen Daten per Klick erkennen - dank leistungsf\u00e4higer Causal AI-Algorithmen f\u00fcr fundierte Entscheidungen.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/xplain-data.de\/de\/causal-discoverer\/","og_locale":"de_DE","og_type":"article","og_title":"CausalDiscoverer I Xplain Data GmbH","og_description":"Kausale Zusammenh\u00e4nge in komplexen Daten per Klick erkennen - dank leistungsf\u00e4higer Causal AI-Algorithmen f\u00fcr fundierte Entscheidungen.","og_url":"https:\/\/xplain-data.de\/de\/causal-discoverer\/","og_site_name":"Xplain Data","article_modified_time":"2024-11-23T19:07:13+00:00","og_image":[{"width":1280,"height":720,"url":"https:\/\/xplain-data.de\/wp-content\/uploads\/2023\/01\/social-image.jpg","type":"image\/jpeg"}],"twitter_card":"summary_large_image","twitter_misc":{"Gesch\u00e4tzte Lesezeit":"6\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/xplain-data.de\/de\/causal-discoverer\/","url":"https:\/\/xplain-data.de\/de\/causal-discoverer\/","name":"CausalDiscoverer I Xplain Data GmbH","isPartOf":{"@id":"https:\/\/xplain-data.de\/de\/#website"},"datePublished":"2022-06-22T07:21:34+00:00","dateModified":"2024-11-23T19:07:13+00:00","description":"Kausale Zusammenh\u00e4nge in komplexen Daten per Klick erkennen - dank leistungsf\u00e4higer Causal AI-Algorithmen f\u00fcr fundierte Entscheidungen.","breadcrumb":{"@id":"https:\/\/xplain-data.de\/de\/causal-discoverer\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/xplain-data.de\/de\/causal-discoverer\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/xplain-data.de\/de\/causal-discoverer\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/xplain-data.de\/de\/"},{"@type":"ListItem","position":2,"name":"Xplain Data CausalDiscoverer (XCD)"}]},{"@type":"WebSite","@id":"https:\/\/xplain-data.de\/de\/#website","url":"https:\/\/xplain-data.de\/de\/","name":"Xplain Data","description":"Uncover cause &amp; effect relationships in complex data - key to AI","publisher":{"@id":"https:\/\/xplain-data.de\/de\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/xplain-data.de\/de\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/xplain-data.de\/de\/#organization","name":"Xplain Data GmbH","url":"https:\/\/xplain-data.de\/de\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/xplain-data.de\/de\/#\/schema\/logo\/image\/","url":"https:\/\/xplain-data.de\/wp-content\/uploads\/2023\/01\/xplaindata_logo-claim-240.png","contentUrl":"https:\/\/xplain-data.de\/wp-content\/uploads\/2023\/01\/xplaindata_logo-claim-240.png","width":609,"height":240,"caption":"Xplain Data GmbH"},"image":{"@id":"https:\/\/xplain-data.de\/de\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.linkedin.com\/company\/xplain-data-gmbh\/?viewAsMember=true"]}]}},"_links":{"self":[{"href":"https:\/\/xplain-data.de\/de\/wp-json\/wp\/v2\/pages\/1645","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/xplain-data.de\/de\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/xplain-data.de\/de\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/xplain-data.de\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/xplain-data.de\/de\/wp-json\/wp\/v2\/comments?post=1645"}],"version-history":[{"count":42,"href":"https:\/\/xplain-data.de\/de\/wp-json\/wp\/v2\/pages\/1645\/revisions"}],"predecessor-version":[{"id":5928,"href":"https:\/\/xplain-data.de\/de\/wp-json\/wp\/v2\/pages\/1645\/revisions\/5928"}],"wp:attachment":[{"href":"https:\/\/xplain-data.de\/de\/wp-json\/wp\/v2\/media?parent=1645"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}