Zum Hauptinhalt gehen

Glossar

A     B     C     D         F     G     H     I     J     K     L     M     N     O     P     Q     R     S     T     U     V     W     X     Y     Z  

Unter Data Analytics versteht man das Erkennen, Interpretieren und Kommunizieren von Mustern in Daten. Das wird schwieriger, je mehr Daten anfallen und gespeichert werden (siehe Big Data). Um Daten zu analysieren und Muster zu erkennen, ist es entscheidend, aussagekräftige Daten zu bekommen oder sie entsprechend aufbereiten zu können. Die eigentliche Analyse beginnt mit den aufbereiteten Daten auf vier aufeinander aufbauenden Ebenen:

  1. Descriptive Analytics: Der aktuelle Zustand wird beschrieben.
  2. Diagnostic Analytics: Der aktuelle Zustand wird bewertet.
  3. Predictive Analytics: Kommende Zustände werden vorhergesagt.
  4. Prescriptive Analytics: Handlungen werden ausgelöst.

Descriptive Analytics
„Was ist passiert?“ Für Descriptive Analytics werden vorliegende („historische“) Daten nach statistischen Vorgaben gesucht, zusammengefasst und aufbereitet, um Muster zu erkennen. Zwei der dabei verwendeten Techniken sind Datenaggregation und Data Mining. Bei der Datenaggregation werden die Daten vorab sortiert, bevor die Suche nach Mustern bei den vorliegenden Daten beginnt. Dieses Graben („Mining“) wird als Data Mining bezeichnet. 

Diagnostic Analytics
„Warum ist etwas passiert?“ Historische Daten werden mit anderen verglichen, um so Ursachen sowie Aus- und Wechselwirkungen von Ereignissen oder Entwicklungen zu erkennen und zu beurteilen.

Predictive Analytics
„Was könnte künftig passieren?“ Bei Predictive Analytics geht es darum, auf Basis der Erkenntnisse von Descriptive und Diagnostic Analytics in die Zukunft zu schauen. Trends und Tendenzen werden erkannt, indem Abweichungen von erwarteten Werten und Mustern wahrgenommen und ausgewertet werden. Obwohl bei Predictive Analytics ausgefeilte Algorithmen verwendet werden, ist die Aussagekraft natürlich begrenzt: Es kann immer anders kommen als gedacht.

Prescriptive Analytics
„Wie setzen wir diese Erkenntnisse um?“ Data Analytics sind nie Selbstzweck, sondern liefern Informationen für konkrete Entscheidungen. Prescriptive Analytics setzen auf den Erkenntnissen von Descriptive, Diagnostic und Predictive Analytics auf und geben Entscheidern die Informationen an die Hand, mit welchen Maßnahmen eine bestimmte strategische oder operative Herausforderung angegangen werden kann.

Um nicht auf veraltetes Material zurückzugreifen, müssen die Daten bei Predicitive Analytics und Prescriptive Analytics ständig aktualisiert, hinterfragt und überprüft werden. So unterstützen und steigern Data Analytics die Business Intelligence.

Data Analytics: vom Modell zur Praxis

In Unternehmen lösen Entscheidungen, die auf Daten gestützt sind, das „Bauchgefühl“ ab. Dafür müssen ausreichend viele und aussagekräftige Daten vorliegen. Data Engineers sammeln Daten aus verschiedenen – nicht nur internen – Quellen und bereiten sie strukturiert auf. Data Scientists bzw. Data Analysts wählen die Daten aus, bereiten sie auf, analysieren sie und bauen darauf Modelle auf. Wie diese Erkenntnisse in die Praxis umgesetzt werden, wird mit den jeweiligen Fachbereichen besprochen. Damit die Kolleginnen und Kollegen dort die Data-Analytics-Erkenntnisse für aussagekräftig halten und nutzen können, sollten sie bereits ins Erstellen der Modelle eingebunden werden.