Was versteht man unter Datenanalyse?

Was versteht man unter Datenanalyse?

Wissen ist Macht, aber der Wert von Informationen ist durch das, was Sie damit tun können, begrenzt. Heute verwendet das Feld der Datenanalysen KI-Techniken wie maschinelles Lernen (ML) und Deep Learning (DL) KI, um strukturierte, semistrukturierte und unstrukturierte Daten in Business Intelligence (BI) zu transformieren.

Letztlich will man mit durch KI verbesserte Datenanalysen den Geschäftsführern dabei helfen, die richtigen Entscheidungen zu treffen, um ihre Unternehmensziele zu erreichen.

Datenanalysen haben sich in den letzten Jahren weiterentwickelt

Das exponentielle Wachstum von Daten – von Gigabyte bis Petabyte und darüber hinaus – stellt weiterhin eine Herausforderung für Unternehmen dar, selbst für diejenigen mit einer robusten Analyse-Infrastruktur. Die steigende Anzahl und die verschiedenen Arten von Datenquellen führen auch zu unterschiedlicheren Systemen – so genannte Datensilos – zur Erfassung und Verarbeitung von Daten. Um Schritt zu halten, müssen Unternehmen Daten schneller analysieren und Datenanalysten müssen ihre Fähigkeiten kontinuierlich weiterentwickeln, sonst könnten ihnen Erkenntnisse entgehen. Hier kommt ML, KI und leistungsstarke Rechenleistung zum Einsatz, um Einblicke aus diesen großen Datensätzen zu erfassen, zu analysieren und zu extrahieren.

Die Auswirkungen von KI auf Datenanalysen

KI hilft dabei, wichtige Schritte im traditionellen Datenanalyse-Workflow zu automatisieren und erleichtert so schnellere Fortschritte und bessere Ergebnisse bei jedem Schritt.

Da KI im großen Umfang effizient arbeiten kann, kann sie auch Analysten dabei helfen, tiefere Einblicke zu gewinnen und komplexere Muster innerhalb von Daten zu erkennen, als Menschen alleine es könnten. Das Potenzial für KI-Analysen birgt einen enormen Wert, aber dafür braucht es länger, um KI-Modelle zu entwickeln und zu trainieren, die zur Automatisierung der Analyse und zur Suche nach KI-Buildern mit den erforderlichen Fähigkeiten verwendet werden, um den Erfolg zu gewährleisten.

Die Daten-Pipeline

KI-gestützte Datenanalysen werden mit einem Ansatz namens Datenpipeline entwickelt. Während der Prozess von Unternehmen zu Unternehmen variieren kann, durchläuft eine Datenanalyselösung in etwa die gleichen Phasen der Kerndatenpipeline:
 

• Dateningress, Exploration und Vorverarbeitung
• Modellauswahl und -training
• Produktionsbereitstellung

Dateneintritt, Vorverarbeitung und Untersuchung

Zunächst werden verschiedene Arten von Daten aus vielen verschiedenen Quellen gesammelt, wie Interaktionen mit Kunden, Social-Media-Posts und Multimedia, einschließlich Audio und Video. Diese Daten können strukturiert oder unstrukturiert sein. Strukturierte Daten sind eng definierte Informationen, die in ein vordefiniertes Schema passen, wie numerische Daten in einer Tabellenkalkulation. Unstrukturierte Daten können alles enthalten, von Kritzeleien auf einer Haftnotiz bis hin zu einer Audiodatei.

Nachdem alle Daten erfasst wurden, erfolgt der kritische Schritt der Vorverarbeitung. Dieser Schritt umfasst die Vorbereitung von Daten für die Analyse und Modellierung, entweder von KI oder menschlichen Datenwissenschaftlern. Dies kann durch ELT-Prozesse (Extrahieren, Laden, Transformieren) erfolgen, wobei der Eigentümer der Daten sie nach Bedarf strukturieren wird, oder durch ETL-Prozesse (Extrahieren, Transformieren, Laden), die die Bereinigung von Daten vor der Verwendung erfordern.

Sobald die Daten in einem konsistenten Format organisiert sind, beginnt die Datenexploration. Hier versuchen Datenwissenschaftler, die Daten zu verstehen und eine umfassende Ansicht davon zu entwickeln, indem sie Statistiken, Wahrscheinlichkeitsberechnungen und Datenvisualisierungen wie Diagramme verwenden. Um Muster und Points of Interest aufzudecken, helfen verschiedene Analysetools – einschließlich KI – Datenwissenschaftlern dabei, Beziehungen zwischen verschiedenen Merkmalen zu identifizieren, wie z. B. die Struktur des Datensatzes, das Vorhandensein von Ausreißern und die Verteilung von Datenwerten.

Modellauswahl und -training

In dieser Phase verlassen sich Datenwissenschaftler auf ein KI-Modell oder einen Algorithmus, um entweder die Daten mittels beschreibender Analysen zu verstehen oder ein zukünftiges Ergebnis mittels vorausschauender Modellierung zu berechnen. Predictive Modeling ist ein mathematischer Ansatz, der zur Erstellung eines statistischen Modells verwendet wird, um zukünftiges Verhalten basierend auf eingegebenen Testdaten vorherzusagen.

Ein Datenwissenschaftler könnte einen oder mehrere mathematische Ansätze – sogenannte Algorithmen – verwenden, um ein so genaues Modell zu erhalten, wie es für die Beantwortung der vorliegenden Frage erforderlich ist. Beispiele für Algorithmen sind Regression, Clustering, Entscheidungsbäume/Regeln, Zeitreihen/Sequenz, k-nearest Neighbors und Random Forests. Letztlich wird der Datenwissenschaftler die Modelle und Algorithmen auswählen, von denen er annimmt, dass sie mit der ihnen verfügbaren Rechenkapazität die besten Ergebnisse erzielen werden.

Sobald ein Algorithmus ausgewählt ist, werden Datenwissenschaftler zum Training übergehen. Das Training automatisiert im Wesentlichen die Abstimmung verschiedener Parameter im Algorithmus, die dann später für Testdaten verwendet werden, um eine Vorhersage zu treffen. Dieses Tuning versucht, für Daten mit bekannten Ergebnissen im sogenannten überwachten maschinellen Lernen so genau wie möglich zu sein. Eine andere Technik, die als unüberwachtes maschinelles Lernen bezeichnet wird, verlässt sich stattdessen auf den Algorithmus, um die Daten unabhängig zu gruppieren und zu verstehen.

Um die Modellauswahl und das Tuning zu beschleunigen, können Datenwissenschaftler Standardmodelle, die auch als grundlegende Modelle bekannt sind, als Ausgangspunkt verwenden. Diese Modelle können personalisiert und an spezifische Anforderungen des Anwendungsfalls angepasst werden. Insgesamt ist der Prozess der Feinabstimmung eines grundlegenden Modells einfacher und schneller als von Grund auf, was es zu einer effektiven Möglichkeit macht, den Weg zur Bereitstellung zu optimieren und zu beschleunigen.

Produktionsbereitstellung

In der letzten Phase der Datenpipeline, der Phase der Produktionsbereitstellung, setzt der Datenwissenschaftler den trainierten Algorithmus mit neuen Daten frei, um neue Ergebnisse zu erzielen. Hier kann das trainierte Modell seine Klassifikationen und Vorhersagen für Benutzer oder andere Systeme verfügbar machen. Sobald das Modell neue Daten verarbeitet, kann der Datenwissenschaftler immer noch entscheiden, das Modell zu optimieren, um sicherzustellen, dass die Ausgabe so genau und Einblicke generierend wie möglich ist.

Wie verändert KI die Datenpipeline?

Die Einführung von KI ändert nicht die traditionelle Datenanalyse-Pipeline, aber sie hat Auswirkungen auf die Vorbereitungsanforderungen. Nämlich müssen Daten für die ML- und DL-Algorithmen aufbereitet werden, die den komplexen und langwierigen Prozess der Arbeit mit großen Datenmengen automatisieren. KI bringt eine Vielzahl von Vorteilen für Datenanalysen, einschließlich Geschwindigkeit, Konsistenz und der Möglichkeit, mit extremen Skalen der Datenkomplexität und des Datenvolumens zu arbeiten, die über die von menschlichen Experten hinausgehen.

Die vier Arten der Datenanalyse

Die vier Arten von Datenanalysen beginnen mit traditionellen Methoden, die sich darauf konzentrieren, die aktuelle und historische Realität anhand von Daten zu verstehen. Diese sind als beschreibende und diagnostische Analysen bekannt. Erweiterte Analysemethoden, die vorausschauende und präskriptive Analysen umfassen, versuchen über die dokumentierte Realität hinauszugehen, um zukünftige Ereignisse und Trends zu prognostizieren und mögliche Handlungsoptionen mit den Geschäftszielen abzugleichen.
 

• Beschreibende Analysen: Was in der Vergangenheit passiert ist
• Diagnoseanalysen: Warum es sich in der Vergangenheit so zugetragen hat
• Vorausschauende Analysen: Was wird in Zukunft passieren
• Präskriptive Analysen: Wie es am besten weitergeht

Das Feld der Datenanalysen entwickelt sich ständig weiter, da die Auswirkungen und die Einführung von KI immer weiter wachsen. KI ermöglicht neue Arten von erweiterten Datenanalysen, wie z. B.:
 

• Kognitive Analysen: Nutzt semantische Technologien und ML-, DL- und KI-Algorithmen, um menschenähnliche Intelligenz bei der Datenanalyse anzuwenden.
• KI-gestützte Analysen: Kombiniert ML-Algorithmen, Verarbeitung natürlicher Sprache (NLP) und andere KI-Anwendungen mit Analysetools, um aus komplexen Daten bessere Einblicke und ein besseres Verständnis zu gewinnen. KI-gestützte Analysen können auch verwendet werden, um Analyseaufgaben für schnellere Workflows zu automatisieren und den Datenzugriff auf mehr Menschen in einem Unternehmen zu erweitern.
• Echtzeit-Analysen: Analysiert eingehende Daten, sobald sie eintreffen, damit Einblicke für die sofortige Entscheidungsfindung bereit sind. Viele Anwendungsfälle wie Betrugserkennung, Cross-Selling-Möglichkeiten, variable Preise, Anomalieerkennung und die Verwaltung von Sensordaten verwenden Echtzeit-Analysen.
• In-Memory-Analysen: Verwendet Daten im Arbeitsspeicher statt auf der Festplatte, um Latenzen für eine schnellere Analyse von viel größeren Datensätzen zu reduzieren. Daten im Arbeitsspeicher zu haben ist auch bei Echtzeit-Analysen wichtig.

Erweiterte Analyselösungen und Big Data

Der Begriff „Big Data“ wird verwendet, um sehr große Datensätze zu beschreiben, die im Allgemeinen mehr als ein Terabyte an Informationen umfassen. Big Data ist unstrukturiert, hat ein hohes Volumen und eine hohe Geschwindigkeit, was bedeutet, dass sie in Echtzeit mit einem hohen Volumen ankommt, und einer großen Vielfalt, das heißt, sie bestehen aus vielen Datenformaten und -arten. Aufgrund der Größe und Eigenschaften erfordern Big Data ML, KI und leistungsstarke Rechenleistung, um sie durch die Datenpipeline zu bewegen.

Erweiterte Analyselösungen beschleunigen die Verarbeitung größerer Mengen unstrukturierter Daten aus unterschiedlicheren Quellen, einschließlich Edge-IoT-Geräten und Sensoren. Unternehmen stellen erweiterte Analyselösungen bereit, um diese anspruchsvolleren Big-Data-Workloads für Anwendungsfälle wie Betrugserkennung, Stimmungsanalyse und vorausschauende Wartung für Industrieanlagen zu meistern.

Anwendungsfälle für Datenanalysen

Datenanalysen können auf fast jede Branche und überall auf der Welt angewendet werden. Die Praxis, Daten zu verwenden, um Situationen und Ereignisse im Mikro- oder Makrobereich zu verstehen, bedeutet, dass es für jedes Unternehmen die Möglichkeit gibt, in den Daten, die es erstellt, einen Mehrwert zu finden. Zu den gängigen Methoden der Datenanalyse gehören:
 

• Kundenanalyse: Daten aus dem Kundenverhalten werden verwendet, um wichtige Geschäftsentscheidungen mittels Marktsegmentierung und vorausschauenden Analysen zu treffen.
• Nachfrageprognosen: Die Verwendung vorausschauender Analysen historischer Daten, um die zukünftige Nachfrage von Kunden nach einem Produkt oder einer Dienstleistung zu schätzen und vorherzusagen. Letztlich hilft dies Unternehmen dabei, fundiertere Lieferentscheidungen zu treffen.
• Anomalieerkennung: Identifizierung seltener Elemente, Ereignisse oder Beobachtungen, die deutlich von der Mehrheit der Daten abweichen und nicht mit einer wohldefinierten Vorstellung von typischem Verhalten übereinstimmen.
• People-Flow-Analyse: Zeigt die Bewegung von Menschen als Daten und hilft, versteckte Muster hinter Verhaltensweisen aufzudecken.
• Zeitreihenanalyse: Bietet ein Verständnis der beobachteten Daten, damit Unternehmen ein Modell für Prognosen, Überwachung oder sogar Feedback und Feedforward-Kontrolle erstellen können.
• Social-Media-Analyse: Findet Bedeutung in Daten, die aus sozialen Kanälen erfasst werden, um Geschäftsentscheidungen zu unterstützen und die Leistung von Aktionen basierend auf diesen Entscheidungen über Social Media zu messen.
• Kundenempfehlungen: Bietet personalisierte Empfehlungen, die den Vorlieben und den Präferenzen jedes Kunden an allen Touchpoints mit einem Unternehmen entsprechen.

Unternehmen wenden diese Datenanalyse-Anwendungsfälle in einer Vielzahl von Branchen an, wie z. B.
 

• Einzelhandel: Einzelhändler können Datenanalysen für Nachfrageprognosen, Bewegungsanalysen in stationären Geschäften und personalisierte Kundenempfehlungen per E-Mail, Werbung in Geschäften und sozialen Medien verwenden.
• Fertigung: Hersteller können Datenanalysen für die Kundenanalyse und die Erkennung von Anomalien mittels Computer-Vision-Inspektionen in einer Fertigungslinie verwenden.
• Telekommunikation: Kommunikationsdienstleister können Datenanalysen verwenden, um Anomalien des Netzwerkverkehrs und Zeitreihenanalysen zu erkennen, um Netzwerkstaus zu prognostizieren.
• Medizinische Forschung: Forscher können die Anomalieerkennung verwenden, um die Genauigkeit medizinischer Bildgebung oder Patientendatenanalyse zu verbessern, um Gesundheitsrisikofaktoren zu identifizieren, die sonst unbemerkt geblieben wären.

Treffen Sie strategischere Entscheidungen mit Datenanalysen und Intel

KI-gestützte Datenanalysen sind eine Anforderung für Unternehmen, die ihre Wettbewerbsfähigkeit und Innovationen fördern möchten. Unternehmen, die ihre Daten proaktiver nutzen, werden erfolgreicher sein als diejenigen, die hinterherhinken. 
Intel kann es Unternehmen erleichtern, leistungsstarke Analyselösungen mit leistungsstarker Hardware für KI und optimierte Softwarelösungen bereitzustellen.
Erfahren Sie noch heute mehr über Intel® Technologien für KI-verbesserte erweiterte Analysen.