Überblick über die Datenanalyse

6 Minuten

Bevor anhand von Daten eine Geschichte erzählt werden kann, müssen die Daten entsprechend vorbereitet werden. Die Datenanalyse ist daher der Prozess des Identifizierens, Bereinigens, Transformierens und Modellierens von Daten, um aussagekräftige und nützliche Informationen daraus zu gewinnen. Anschließend wird mithilfe von Berichten zu Analysezwecken eine Datengeschichte geschrieben, die den kritischen Entscheidungsprozess unterstützt.

Je wichtiger Daten werden, desto essenzieller wird das Geschichtenerzählen anhand von Datenanalysen für Unternehmen aller Größen. Dies ist der Grund, warum Organisationen weiterhin Data Analysts beauftragen.

Datengesteuerte Unternehmen treffen Entscheidungen anhand der Geschichte, die ihre Daten erzählen. In der heutigen, datengestützten Welt wird das Potenzial von Daten jedoch nicht vollkommen ausgeschöpft. Dies ist die Herausforderung, mit der sich die meisten Unternehmen konfrontiert sehen. Die Datenanalyse ist in allen Organisationen ein entscheidender Vorgang (und sollte dies auch sein), bei dem Geschäftsauswirkungen ermittelt werden, z. B. die Auswertung der Stimmung bei Kunden, die Durchführung von Markt- und Produktforschung und die Ermittlung neuer Trends oder jeder anderen Art von datengesteuerten Erkenntnissen.

Obwohl bei der Datenanalyse Daten bereinigt, modelliert und visualisiert werden, sollte ihre Wichtigkeit für die Geschäftsentwicklung nicht missachtet werden. Nachfolgend werden wichtigsten Ansätze bei der Datenanalyse vorgestellt:

Beschreibend
Diagnose
Vorhersagend
Vorschreibend
Kognitiv

Beschreibende Analysen

Die beschreibende Analyse (descriptive analytics) hilft Ihnen dabei, anhand von Verlaufsdaten schwierige Fragen zum Ablauf vergangener Ereignisse beantworten. Mithilfe von deskriptiven Analysetechniken werden große semantische Modelle zusammengefasst, um Ergebnisse für Projektbeteiligte zu beschreiben.

In Kombination mit Key Performance Indicators (KPIs) können diese Strategien dazu beitragen, das Erreichen oder Verfehlen von Schlüsselzielen nachzuverfolgen. Metriken wie die Rendite (Return on Investment, ROI) werden in vielen Branchen eingesetzt. Mithilfe von spezialisierten Metriken soll die Leistung in bestimmten Branchen nachverfolgt werden.

Ein Beispiel für Descriptive Analytics ist das Generieren von Berichten, die eine Übersicht über die Vertriebs- und Finanzdaten eines Unternehmens enthalten.

Diagnostic Analytics

Diagnostic Analytics ist eine Analysemethode, um die Ursachen von Ereignissen zu ermitteln. Diagnostic Analytics-Methoden ergänzen das grundlegende Descriptive Analytics-Konzept, indem sie dessen Ergebnisse nutzen, um die Ursache der Ereignisse zu ermitteln. Die Leistungsindikatoren werden weiter untersucht, um herauszufinden, warum es zu Verbesserungen oder Verschlechterungen gekommen ist. Dieser Vorgang umfasst in der Regel drei Schritte:

Identifizieren von Anomalien in den Daten, wie etwa unerwartete Veränderungen von Metriken oder in einem bestimmten Markt
Erfassen von Daten, die mit diesen Daten in Zusammenhang stehen
Verwenden von statistischen Methoden, um Beziehungen und Trends zu erkennen, die diese Anomalien erklären

Predictive Analytics

Predictive Analytics befasst sich mit künftigen Entwicklungen. Dabei werden mithilfe von Verlaufsdaten Trends identifiziert und deren Wahrscheinlichkeit bestimmt. Predictive Analytics-Tools bieten wertvolle Erkenntnisse zu möglichen Entwicklungen in der Zukunft. Zu den Techniken zählen verschiedene statistische und Machine Learning-Methoden wie neuronale Netze, Entscheidungsstrukturen und Regressionen.

Prescriptive Analytics

Mit Prescriptive Analytics soll ermittelt werden, mit welchen Aktionen ein bestimmtes Ziel am besten erreicht werden kann. Basierend auf den mit Predictive Analytics gewonnenen Erkenntnissen können Unternehmen Entscheidungen datengesteuert treffen. Diese Technik ermöglicht Unternehmen trotz einer ungewissen Zukunft fundierte Entscheidungen. Bei Prescriptive Analytics wird mithilfe von Machine Learning-Strategien nach Mustern in großen semantischen Modellen gesucht. Durch die Analyse früherer Entscheidungen und Ereignisse wird die Wahrscheinlichkeit abgeschätzt, mit der unterschiedliche Ergebnisse eintreten.

Cognitive Analytics

Mit Cognitive Analytics wird versucht, aus bestehenden Daten und Mustern Rückschlüsse zu ziehen, Schlussfolgerungen auf Grundlage der aktuellen Wissensdatenbanken abzuleiten und die Ergebnisse für zukünftige Rückschlüsse wieder der Wissensdatenbank hinzuzufügen. Es handelt sich also um eine selbstlernende Feedbackschleife. Mit Cognitive Analytics erfahren Sie, was passieren kann, wenn sich Umstände ändern, und bestimmen, wie Sie darauf reagieren können.

Rückschlüsse sind keine strukturierten Abfragen, die auf einer Regeldatenbank basieren. Es handelt sich vielmehr um unstrukturierte Hypothesen, die aus verschiedenen Quellen zusammengestellt und mit einem variierenden Zuverlässigkeitsgrad versehen werden. Effektive Cognitive Analytics-Methoden nutzen Machine Learning-Algorithmen sowie verschiedene Konzepte zur Verarbeitung natürlicher Sprache, um die Bedeutung von bisher ungenutzten Datenquellen wie Gesprächsprotokolle aus Callcentern und Produktbewertungen zu ermitteln.

Beispiel

In einem Einzelhandelsunternehmen werden mit Descriptive Analytics-Methoden in Berichten und Datenvisualisierungen die Kaufmuster der vergangenen Jahre untersucht, um herauszufinden, welche Produkte im kommenden Jahr beliebt sein könnten. Das Unternehmen analysiert auch unterstützende Daten, um die Gründe für die Beliebtheit eines bestimmten Produkts zu ermitteln und ob dieser Trend noch andauert. So kann entschieden werden, ob das Produkt weiter vorrätig gehalten werden soll.

Angenommen, ein Unternehmen stellt fest, dass ein bestimmtes Produkt über einen gewissen Zeitraum beliebt war. Ausgehend von dieser Erkenntnis kann nun untersucht werden, ob der Grund für die steigenden Verkaufszahlen in bestimmten Marketingmaßnahmen oder in Onlineaktivitäten in den sozialen Medien liegt.

Eine Grundvoraussetzung für die Datenanalyse ist das Vertrauen eines Unternehmens in die eigenen Daten. Üblicherweise werden die Daten für die Datenanalyse aus vertrauenswürdigen Quellen bezogen und in eine sinnvolle und leicht verständliche Form gebracht, die dann als Grundlage für Entscheidungen herangezogen wird. Datenanalysen ermöglichen es Unternehmen, ihre Daten mithilfe von datengesteuerten Prozessen vollständig zu verstehen und für fundierte Entscheidungen zu nutzen.

Mit steigender Datenmenge wächst auch der Bedarf an Data Analysts. Ein Data Analyst weiß, wie Informationen organisiert werden müssen, um nützliche und verständliche Aussagen daraus ableiten zu können. Er weiß außerdem, welche Daten er sammeln und auf welche Weise er diese verarbeiten muss. Kurz: Ein Data Analyst bringt Ordnung und Sinn in Ihre Datenflut.