Analytics Entwicklung: Data Science

Grundsätzlich geht es bei Data Science immer um die Unterstützung von Entscheidungen durch die Generierung von neuem Wissen aus Daten. Der wichtigste Aspekt jedes Data Science Projektes ist also der fachliche Rahmen oder Prozess, innerhalb dessen die Erkenntnisse eingesetzt werden sollen. Auch die konkrete Verwendung (Ort und Zeit) im Prozess ist wichtig, denn viele Umsetzungen scheitern später an der Übertragung in produktive Prozesse. Daher sollte auch eine erste Umsetzung stets vom Prozess als Ausgangspunkt gedacht werden! Danach erfolgt eine Auswahl von Daten. Diese können intern, extern, strukturiert oder auch unstrukturierter Art wie Bilder oder Text sein.

Danach wird die eigentliche Mustererkennung durchgeführt. Wir nutzen Methoden aus dem Predictive Modeling, Machine Learning und Data Mining (=Advanced Analytics) und kombinieren diese mit Techniken aus der Visualisierung, Big Data Analytics und Text Mining (=Data Science). Je nach Themenstellung kann dies im Sinne des CRISP-DM-Ansatzes oder einer DevOps realisiert sein.

Nach dem Erkenntnisgewinn ist auch zukünftig zu prüfen, inwieweit die erkannten Muster auch in Zukunft gelten. So ist nach dem eigentlichen Projekt auch zu überlegen, wie eine im Betrieb stattfindende Gütebewertung der Erkenntnisse erfolgen kann.
Nachfolgend beispielhaft Aufgabenstellungen, die mit Methoden der Data Science sehr gut lösbar sind:

• Analyse von Kundenverhalten, Kaufverhalten, Kundenstrukturen, Weiterempfehlungen oder Social Media Kanälen.
• Analyse von Daten aus Produktionsprozessen in Hinblick auf die Produktqualität anhand von Maschinenparametern,
• Vorhersage planerischer Werte im Bereich Finanzen und Controlling  oder auch Marktentwicklungen
• Vorhersage von Betrugsversuchen bei Versicherungsschäden
• Klassifikation eingehender E-Mails
• Vorhersage von Zeitreihendaten wie beispielsweise Absatzentwicklung in Märkten mit Saison, Trend und zufälligem Anteil bei der Vorhersage

Die hier skizzierte Projektstruktur bzw. die hierbei entstehenden Ergebnisse werden heute oft unter dem Begriff Künstlicher Intelligenz (KI, Artificial Intelligence, AI) gesehen. So kann eine automatisierte Entscheidung auf Grundlage der mit einem Algorithmus gefundenen Muster gepaart mit der Auswertung vorhandenen Wissens durchaus dazu führen, dass kein menschlicher Aufgabenträger noch involviert sein muss. Beispielsweise können bei Produktionsprozessen fehlerhafte Teile automatisiert erkannt und aussortiert werden. Wir sehen uns da in der Tradition der Wirtschaftsinformatik der sinnhaften Vollautomation.