Data Analytics

Mittels Datenanalyse, oft Englisch als Data Analytics bezeichnet, werden aus Daten Informationen gewonnen. Dabei bedient sich die Datenanalyse statistischer Methoden, um die Daten einer festgelegten Stichprobe (wahlweise kann eine Totalerhebung stattfinden) entweder durch Kennzahlen oder in einer grafischen Darstellung zu beschreiben. Ziel ist es, sinnvoll nutzbare Schlussfolgerungen aus den Daten zu beziehen. Data Analytics nutzt bekannte Daten, die Datenerhebung fällt in ein anderes Gebiet. Manchmal wird Data Analytics synonym zu Data Mining gebraucht, was aber nicht korrekt ist. Data Mining versucht, unbekannte und neue Zusammenhänge aus den Daten zu ziehen. Data Analytics dagegen verwendet bekannte Daten. Die Datenanalyse wird eingesetzt, um Modelle und Hypothesen durch Daten zu verifizieren oder als falsch zu enttarnen. Unternehmen nutzen zu diesem Zweck häufig Software, die Informationen aus Daten ermittelt und die Entscheidungsfindung unterstützt.

Data Analytics ist elementarer Bestandteil unternehmerischer Analysen

Datenanalyse wird meist zusammen mit Business Intelligence genannt, mit analytischen CRM Systemen und in den Unternehmensbereichen, die die Analysen anwenden, beispielsweise per OLAP. So spielt Datenanalyse beispielsweise in Marketing und Vertrieb eine wichtige Rolle, wenn Zielgruppen identifiziert werden sollen. Banken setzen Datenanalysen ein, um ihre Kundschaft und Verträge einzustufen und mithilfe der Erkenntnisse Betrugsfällen vorzubeugen und die Ausfallrisiken zu minimieren.

Unterscheidung nach Art der Analyse

Grundsätzlich werden bei der Datenanalyse statistische Methoden verwendet, um die gewünschten Informationen aus den Daten zu gewinnen. Sind diese Informationen als Kennzahlen oder grafisch dargestellt, spricht man von einer deskriptiven Datenanalyse. Wird von einer erhobenen Stichprobe ausgehend auf die Eigenschaften der (nicht beachteten) Grundgesamtheit geschlossen, handelt es sich um eine inferenzielle Datenanalyse. Wenn Zusammenhänge zwischen verschiedenen Variablen aufgedeckt werden, liegt eine explorative Datenanalyse vor. Die kontextbasierte Datenanalyse schließlich soll Konstellationen in zusammenhängenden Daten erkennen. Alle vier Vorgehensweisen spielen in den unterschiedlichsten Branchen eine Rolle und werden für ganz unterschiedliche Fragestellungen angewandt.

Stichwort Big Data Analytics

Ging es bislang meist schlicht um Daten, fällt neuerdings immer wieder der Begriff Big Data Analytics. Auch hierbei handelt es um die Analyse von Daten aus unterschiedlichen Quellen, die daraus gewonnen Erkenntnisse und Muster werden anschließend zur Optimierung von Unternehmensprozessen und zu anderen Zwecken verwendet. Was ist der Unterschied? Big Data Analytics arbeitet mit großen Datenmengen, die aus unterschiedlichen Quellen stammen. Zur Analyse gehört die Beschaffung der Daten, die Optimierung (weil aus unterschiedlichen Quellen) und Auswertung sowie die eigentliche Analyse und die Präsentation der Ergebnisse auf unterschiedliche (die der jeweiligen Fragestellung und Zielgruppe angepassten) Art und Weise. Der Begriff ist also weiter gefasst als Data Analytics und schließt die Beschaffung und Aufarbeitung der Daten bis hin zu einer nutzbaren Grundlage mit ein. Die Daten stammen nicht nur aus unterschiedlichen Quellen, sondern liegen häufig auch in unterschiedlichen Formaten vor. Im Rahmen der Vorarbeiten müssen die Daten (die mit herkömmlicher Software nicht erfasst werden können) in mehreren Arbeitsschritten extrahiert, erfasst und übertragen werden. Erst danach kommen die oben beschriebenen statistischen Methoden zum Einsatz. Und am Ende steht zwangsläufig die Visualisierung. Wer mit Big Data Analytics arbeitet, muss alle in den verschiedenen Schritten zum Einsatz kommenden Softwareanwendungen kennen und
Seite: 1 von 2
bedienen können. Das schließt nicht nur fertige Tools mit ein, sondern auch duelloffene Software-Frameworks, die riesige Informationsmengen verarbeiten, weil sie aus vernetzten Clustersystemen bestehen. Die Datenbankanwendungen nutzen aufgrund der benötigten Geschwindigkeit nicht den Festplattenspeicher, sondern den Arbeitsspeicher und ermöglichen so viel höhere Zugriffsgeschwindigkeiten und Analysen in Echtzeit (oder zumindest nahe daran).

DataAnalyst.eu

Das Angebot von DataAnalyst.eu richtet sich an Jobsuchende im Bereich Data Science und Unternehmen, die auf der Suche nach Data-Analysten sind.

In unserem Lexikon und Data-Science-Blog bündeln wir für Sie außerdem Informationen rund um Begrifflichkeiten, Berufsfeld, Karriere und Trends.
DataAnalyst.eu
« Back to Glossary Index