Methoden der Datenanalyse

Datenanalyse für komplexe Fragestellungen
Date­n­analyse für kom­plexe Fragestellungen

In Anlehnung an das Buch “Mul­ti­vari­ate Analysemeth­o­d­en” haben wir für Sie eine inter­ak­tive MindMap zur The­matik Date­n­analyse entwick­elt, wo Sie für jede kom­plexe Fragestel­lung die richtige Herange­hensweise find­en können.

Analysemeth­o­d­en lassen sich nach ihren Inhalt und ihrer Kom­plex­ität in vier Typen unterteilen: Beschreibend (Descrip­tive), Diag­nos­tisch (Diag­nos­tic), Vorauss­chauend (Pre­dic­tive) und Vorschreibend (Pre­scrip­tive). 

Descrip­tive Ana­lyt­ics baut als erste, sim­ple Stufe auf Instru­mente des klas­sis­chen Busi­ness Intel­li­gence, vor allem Visu­al­isierun­gen von Dat­en in z.B. Kreis‑, Balken‑, Lin­ien- und Tor­tendi­a­gram­men auf, Weit­er kön­nen eben­falls Score­cards, Berichte sowie War­nun­gen und Mel­dun­gen Dafür wer­den his­torische Dat­en einge­set­zt. Im Zen­trum ste­ht die Frage: Was ist passiert?

Diag­nos­tic Ana­lyt­ics set­zt eben­so wie Descrip­tive Ana­lyt­ics auf his­torische Dat­en. Die Analyse umfasst dabei Dat­en und ihre Zusam­men­hänge und fokussiert sich auf die Frage: Warum ist es passiert? Damit geht Diag­nos­tic Ana­lyt­ics einen Schritt weit­er als Descrip­tive Ana­lyt­ics und sucht nach Grün­den, Auswirkun­gen, Wech­sel­wirkun­gen und Fol­gen von Ereignis­sen. Ver­wen­dete Tech­niken sind u.a. visuelle Analy­sen und Date­n­analy­sen mit­tels Drill-Down, Data Dis­cov­ery, Data Min­ing und Korrelationen. 

Pre­dic­tive Ana­lyt­ics hebt sich von Descrip­tive und Diag­nos­tic Ana­lyt­ics ab, indem auf Basis his­torisch­er Dat­en zukün­ftige Entwick­lun­gen vorherge­sagt wer­den. Die Frage: Was wird passieren? ste­ht im Mit­telpunkt und soll mit sta­tis­tis­chen Mod­ellen, Data Min­ing und Maschinellem Ler­nen ergrün­det werden. 

Pre­scrip­tive Ana­lyt­ics bildet die let­zte Stufe und geht über Pre­dic­tive Ana­lyt­ics hin­aus, indem neben Vorher­sagen Hand­lungsempfehlun­gen gegeben wer­den, die eine gezielte Bee­in­flus­sung der zukün­fti­gen Entwick­lun­gen ermöglichen. Im Zen­trum ste­ht die Frage: Was sollen wir tun? Diese wird mith­il­fe von Algo­rith­men des Maschinellen Ler­nens und Sim­u­la­tio­nen beant­wortet. Es obliegt dem Men­schen die let­ztin­stan­zliche Entschei­dungs­ge­walt, ob die Vorschläge des Algo­rith­mus umge­set­zt werden.

Weit­ere Infor­ma­tio­nen zu den vier Typen der Date­n­analyse find­en Sie auf der Seite Indus­try Ana­lyt­ics.

Schätzen Sie ihren Erfahrungs­stand ein und find­en Sie passende Analysemeth­o­d­en in drei Schritten

Je nach Daten­satz und Ziel des jew­eili­gen Nutzers kann die Auswahl auf die richtige Analysemeth­ode schw­er­fall­en. Wir bieten Ihnen eine Ori­en­tierung, indem wir Ihnen zuerst einen Überblick über Meth­o­d­en mit unser­er Date­n­analyse-Mindmap geben:

(Die Erstel­lung der MindMap ist in Anlehnung an die Büch­er “Mul­ti­vari­ate Analysemeth­o­d­en” und “Fort­geschrit­tene Mul­ti­vari­ate Analysemeth­o­d­en” erfol­gt.)

Klick­en Sie auf den jew­eili­gen But­ton, um zu sehen, welche Analysemeth­o­d­en der Date­n­analyse-Mindmap zu welchem Typ gezählt wer­den kön­nen. Des Weit­eren wer­den Use Cas­es aufge­führt, die den vier Typen der Date­n­analyse zuge­ord­net wer­den können:

Quellen: gartner.com, industry-analytics.de, sigmacomputing.com, ibm.com, online.hbs.edu,