Datenkompass
Mit unserem Datenkompass navigieren wir Sie sicher durch den Datendschungel! Der [at] Datenkompass wurde von uns für die zielgerichtete Umsetzung von KI und Data Science Projekten entwickelt. Denn wir wissen – nur wer Orientierung hat, kann neue Wege beschreiten.
Der Datenkompass macht Projekte beherrschbar
Die Einsatzbereiche für KI und Data Science Projekte sind schier unerschöpflich und so reichhaltig wie die Branchen, wo sie Anwendung finden. Datenanalysen bringen wertvolle Einsichten für Forschung und Wissenschaft, Produktentwicklung, Vertrieb und Logistik, Produktion, Human Resources, das Management, im Bereich Banking sowie vielen weiteren Unternehmensbereichen und Einzelbranchen. Eine der wiederkehrenden Konstanten solcher Projekte ist es, Muster und Regelmäßigkeiten in Daten zu erkennen sowie Modelle zu entwickeln, die Vorhersagen erlauben und Grundlage für Entscheidungen bilden.
Um all diese verschiedenen Aspekte zu gliedern und zu strukturieren, haben wir von [at] den Datenkompass entwickelt. Er dient der Orientierung und der zielgerichteten Entwicklung von KI und Data Science Projekten. Der Datenkompass ist unabhängig von bestimmten Technologien oder Software-Anbietern und kann individuell an die bestehenden IT-Lösungen unserer Kunden angepasst werden. Der Datenkompass teilt dazu jedes Data Science Projekt in vier aufeinander aufbauende Stufen ein: Business Processes, Data Intelligence, Predictive Analytics und Insights Visualization. Der Datenkompass stellt die Summe unserer langjährigen Erfahrung und über 1.000 erfolgreich durchgeführte KI und Data Science Projekten in verschiedenen Branchen dar.
1. Business Processes
Alles beginnt damit, dass unsere Kunden mit einer mehr oder weniger spezifischen Frage oder einem Problem auf uns zukommen, für das Sie eine Lösung suchen. Gemeinsam kümmern wir uns darum, diese Frage umfassend zu verstehen. Dazu klären und bewerten wir alle mit der Frage verknüpften Hintergründe, Motivationen und Interessen. Je genauer wir eine Fragestellung präzisieren, desto besser lässt sie sich mithilfe von passenden Daten beantworten. Für den Erfolg halten wir es für entscheidend, von Anfang an alle beteiligten Personen mit am Tisch zu haben. Je früher alle betroffenen Abteilungen und Entscheidungsträger mit in den Prozess einbezogen werden, desto leichter und effektiver gestaltet sich die Umsetzung.
Sobald die konkrete Fragestellung vorliegt, geht es an die Planung und Klärung der Rahmenbedingungen eines Projekts. Dazu gehen wir anhand der Analyse der Business Processes der Frage nach, welche technischen und analytischen Herausforderungen es auf dem Weg zu Lösung zu meistern gilt. Das Verständnis des Zusammenspiels von Geschäftsprozessen und Analysekonzept bilden das Fundament.
2. Data Intelligence
Die betriebswirtschaftliche oder fachlich orientierte Fragestellung übersetzen wir in der anschließenden Phase in eine datengeriebene Fragestellung. Hier geht es um die genaue Bestimmung, welche Zahlen, Messwerte und Daten relevant sind. Dabei kann es sein, dass die Daten bereits vorhanden sind oder zunächst Konzepte für die Datenerhebung entwickelt werden müssen.
Die eigentliche Herausforderung ist es, sehr unterschiedliche Daten miteinander vergleichbar zu machen. Umgangssprachlich könnte man sagen, dass Daten „eine einheitliche Sprache sprechen müssen“. Dieser Aspekt eines Data Science Projekts kann zeitlich enorm intensiv sein und nicht selten handelt es sich dabei um manuelle Prozesse. Darum ist Data Intelligence einer der entscheidenden Vorgänge, ohne die keine verlässlichen Aussagen möglich sind. Data Science benötigt „gute“, sprich: relevante, strukturierte und valide Daten.
3. Predictive Analytics
Unternehmen sehen sich heute in vielen Fällen mit enormen Datenmengen konfrontiert. Um diese Big Data auszuwerten, werden spezielle Algorithmen verwendet oder selbst entwickelt, die in der Lage sind, in großen Datenmengen Muster und Regelmäßigkeiten zu erkennen. Die Analyse von historischen Daten kann beispielsweise dazu dienen, Vorhersagemodelle zu entwickeln. Dabei werden Wahrscheinlichkeiten berechnet, nach denen ein bestimmtes Ereignis oder ein Szenario eintritt. So lassen sich frühzeitig Trends erkennen und darauf reagieren. Berühmt wurde die Wahlkampfkampagne von Barack Obama, dessen Wahlkampfteam gigantische Mengen von Tweets aus den Social Media analysierte und ihren Wahlkampf entsprechend anpasste. Mit Hilfe von Predictive Analytics können wir entweder konkrete Fragestellungen und Hypothesen bewerten oder wir suchen nach der nächsten (sinnvollen) Frage, auf die versteckte Muster und Regelmäßigkeiten in den Daten hinweisen.
4. Insights Visualization
Für das menschliche Gehirn sind Daten in Form von Bildern viel schneller und besser zu verarbeiten als endlose Zahlenreihen in Tabellenform. Die Insights Visualization, die Visualisierung von Daten, ist deshalb nicht nur für Präsentationen wichtig, sondern vor allem um die Informationen zu verstehen und interpretieren zu können. Die Visualisierung wird damit zum wesentlichen Bestandteil einer jeden Analyse. Insbesondere weil sich Data Science nicht ausschließlich an IT-Experten richtet, sondern ebenfalls im Management und der Geschäftsführung ihr Anwendungsfeld findet, müssen die Ergebnisse klar und verständlich präsentiert werden. Usability und Information Design sind der Schlüssel, damit Data Science ein Bestandteil der alltäglichen unternehmerischen Praxis werden kann.
Data & AI Wissen
Gemeinsam Mehrwerte aus Data & AI schaffen