Data Analytics und aus Daten wird Wissen

Datenanalyse mit neuesten Tools und Methoden

Mit Data Analytics Trends erkennen

Data Analytics ist der Prozess der Untersuchung von Datensätzen, um Rückschlüsse auf die darin enthaltenen Informationen zu ziehen, zunehmend mit Hilfe spezialisierter Systeme und Software. Datenanalysetechnologien und -techniken werden in der kommerziellen Industrie weithin eingesetzt, um es Unternehmen zu ermöglichen, fundiertere Geschäftsentscheidungen zu treffen. Als Begriff bezieht sich Data Analytics überwiegend auf eine Reihe von Anwendungen, von Basic Business Intelligence (BI) und Reporting bis hin zu verschiedenen Formen der explorativen Datenanalyse (Data Mining). Datenanalyse-Initiativen können Unternehmen dabei unterstützen, ihren Umsatz zu steigern, die betriebliche Effizienz zu verbessern, Marketingkampagnen und den Kundenservice zu optimieren, schneller auf neue Markttrends zu reagieren und Wettbewerbsvorteile gegenüber ihren Konkurrenten zu erlangen – und das alles mit dem ultimativen Ziel, die Geschäftsleistung zu steigern.

Unser Vorgehen bei der Datenanalyse

Bross & Partner bauen bei der Datenanalyse auf CRISP-DM nach Shearer, einem industrieübergreifenden standardisierten Vorgehensmodell für Data Mining. Das teilweise iterative Vorgehen nach CRISP-DM läuft in den folgenden sechs Phasen ab: Betriebsverständnis, Datenverständnis, Datenvorbereitung, Modellierung, Bewertung und Anwendung.

data analytics crisp-dm
Datenanalyse mit CRISP-DM

Die Phasen der Datenanalyse nach CRISP-DM

Betriebsverständnis

Der Prozess zur Datenanalyse beginnt mit dem Betriebsverständnis, welches die Beschreibung der Situation des Unternehmens und der Aufgabenstellung sowie der Formulierung des zu erreichenden Ziels umfasst. 

Datenverständnis

Ziel des Datenverständnisses ist die reproduzierbare Datenerfassung sowie die Überprüfung der Datenqualität auf Vollständigkeit und inhaltliche Relevanz.

Datenvorbereitung

In der Phase der Datenvorbereitung werden Maßnahmen durchgeführt, welche die Modellierbarkeit der Daten sicherstellen soll. Dazu gehört das Bereinigen, Transformieren sowie die Formatierung der Daten. 

Modellierung

 In der Phase der Modellierung gilt es zunächst eine geeignete Modellierungstechnik auszuwählen. Je nach Zweck der Datenanalyse stehen einfache statistische Verfahren bis hin zu Verfahren der künstlichen Intelligenz zur Verfügung.

Bewertung

Die Bewertung erfolgt anhand der Trennung des Datensatzes in Test- und Prognosedatensatz, wodurch die Qualität des Modells sichergestellt werden soll. Dies geschieht durch einen Vergleich, wie nah das Modell an die historischen Testdaten herankommen.

Anwendung

Nach erfolgreichem Test und einer zufriedenstellenden Datenanalyse sowie positiven Bewertung des Modells, erfolgt die Anwendung mit den Prognosedaten. Abschließend liegt das modellierte Ergebnis vor.

Sie benötigen Unterstützung bei der Analyse Ihrer Daten?

Kontaktieren Sie unsere Data Analytics Experten für ein kostenloses & unverbindliches Beratungsgespräch.

Ihr Ansprechpartner

dr. florian bross