Datenanalyse
Mit Datenanalysen gewinnen Sie wertvolle Erkenntnisse aus Daten. Hier erfahren
Sie alles rund um die Vorteile, Methoden und Anwendungsgebiete der Datenanalyse.
Definition: Was ist eine Datenanalyse?
Eine Datenanalyse nutzt statistische Methoden, um aus erhobenen Daten nützliche Informationen abzuleiten, die bei der Entscheidungsfindung helfen. Durch das Extrahieren, Transformieren und Zentralisieren von Einzeldaten lassen sich Korrelationen und Muster identifizieren, Trends erkennen und Hypothesen validieren. Die gewonnenen Informationen nutzen Unternehmen, um sich einen signifikanten Wettbewerbsvorteil zu verschaffen und Strategien vorausschauend zu planen. Ziel der Datenanalyse ist es, aus allen verfügbaren Quellen das Maximum an Informationen zu erheben und Unternehmensprozesse zu optimieren.
Es gibt eine Reihe von Techniken zur Durchführung einer Datenanalyse, welche auf die Art und den Bedarf eines jeden Unternehmens abgestimmt werden müssen. Wir stellen einige der wichtigsten Analysemethoden im Kontext von Big Data vor.
Der richtige Umgang mit Daten
Datenanalysen werden meist mit strukturierten Daten durchgeführt, die nach konventionellen Datenmodellen organisiert sind und in einer herkömmlichen Datenbank gespeichert und verwaltet werden können. Die meisten der heute weltweit verfügbaren Daten sind jedoch unstrukturiert und die Menge dieser Daten nimmt stetig zu. Im Gegensatz zu strukturierten Daten sind unstrukturierte Daten solche, die in keinem organisierten Format vorliegen bzw. keinen vordefinierten Zweck haben. Sie können von Menschen erstellt – wie Textmitteilungen, E-Mails, Postings in sozialen Medien usw. – oder maschinell produziert worden sein – etwa Informationen aus IoT-Geräten.
Auch wenn sie in vielen verschiedenen Formen auftreten, gibt es vier wesentliche Merkmale, die die meisten unstrukturierten Daten aufweisen:
- Sie sind textbasiert: Die Mehrzahl der unstrukturierten Daten besteht aus Textinformationen wie Nachrichtenartikeln, Unternehmenskommunikation, juristischer Kommunikation usw.
- Sie sind unhandlich: Bei unstrukturierten Daten handelt es sich im Wesentlichen um große Datenmengen, die ohne erkennbare Formatierung oder Ordnung gesammelt oder in ein System eingespeist wurden, weshalb Analysten nur schwer einen Nutzen daraus ziehen können.
- Sie sind qualitativer Natur: Im Gegensatz zu eindeutigen Zahlen und Finanzinformationen, mit denen Analysten üblicherweise arbeiten, handelt es sich bei diesen Informationen um qualitative Daten. Deshalb kann eine Interpretation Schwierigkeiten bereiten, bietet aber auch wertvolle Möglichkeiten, neue Arten von Analysen durchzuführen.
- Sie sind kontextbezogen: Unstrukturierte Daten, wie Nachrichten und biografische Informationen, sind äußerst hilfreich, da sie Analysten den Kontext zu elementaren Fakten und Zahlen liefern. So können sie verstehen, warum etwas Bestimmtes passiert.
Wie man das Potenzial unstrukturierter Daten nutzt
In ihrer Rohform sind unstrukturierte Daten für Unternehmen nicht sonderlich nützlich. Sie können jedoch im Prozess der Datenanalyse und in der diesbezüglichen Strategie eines Unternehmens eine wichtige Rolle spielen und bei fachkundiger Nutzung auch tatsächlich Wirkung zeigen.
Es gibt drei wesentliche Schritte, wenn man das Potenzial unstrukturierter Daten nutzen möchte:
- Schritt 1: Kuratieren Sie die Daten, sodass nur geprüfte und vertrauenswürdige Quellen, die zu keinen falschen Schlussfolgerungen führen, einbezogen werden. In einer von Fake News überschwemmten Welt, in der nur 53 % der Menschen den Medien vertrauen, ist dieser Schritt wichtiger denn je.
- Schritt 2: Fügen Sie Kontextinformationen hinzu, die die Daten wertvoller machen, indem Sie sie gezielt und detailliert anreichern und so aus unstrukturierten Daten semistrukturierte Daten erzeugen, nach denen gesucht werden kann. Anreicherungen können etwa Informationen wie geografische Koordinaten, das Artikelthema, die Stimmung des Artikels und die verwendete Sprache umfassen.
- Schritt 3: Führen Sie eine gute, umfassende Analyse durch, die aussagekräftige und verwertbare Erkenntnisse liefert.
Data Mining
Data Mining ist der Prozess des Durchforstens und Analysierens großer Mengen von Rohdaten, um aussagekräftige Beziehungen, Muster, Unregelmäßigkeiten und Trends zu erkennen. Informationen werden extrahiert und in verständlicher und nützlicher Form strukturiert. Durch den Einsatz von Data Mining Methoden können Organisationen Erkenntnisse gewinnen und Ergebnisse prognostizieren. Dadurch können beispielsweise Profite gesteigert, bessere Kundenbeziehungen aufgebaut, effektivere Marketingstrategien entwickelt oder Risiken verringert werden. Letztendlich trägt Data Mining zu einer besseren Entscheidungsfindung in allen Bereichen bei, da komplexe Datensets analysiert und neue Einblicke gewonnen werden.
Data Mining sollte über intern verfügbare Daten hinausgehen und zusätzliche Datensätze, wie gefilterte Nachrichten und Informationen über Unternehmen, Vorschriften und Gesetze, berücksichtigen.
Welchen Nutzen bringt Data Mining für Unternehmen?
Die Unternehmenslandschaft wird von Tag zu Tag datengetriebener und Big Data wächst in einem exponentiellen Tempo. Es ist für Unternehmen entscheidend all diese Daten zu sichten, um die relevantesten und nützlichsten Bausteine sowie die verborgensten Erkenntnisse zu sammeln. Denn so bleiben Sie erfolgreich und wettbewerbsfähig.
Data Mining kann zu einer unschätzbaren Ressource werden, die Unternehmen in vielen Branchen nutzen können. Unternehmen profitieren durch Data Mining unter anderen, indem sie
- besser werden als die Konkurrenz,
- eine kreative, innovative Organisationskultur entwickeln,
- Informationen und Wissen im gesamten Unternehmen schneller verbreiten,
- die Zusammenarbeit zwischen Abteilungen und Geschäftsbereichen verstärken,
- das Engagement, die Zufriedenheit und die Bindung von Mitarbeitern fördern,
- Entscheidungsfindung und Projektausführung beschleunigen,
- Risiken kontrollieren.
Mit Data Mining können Sie zum Beispiel eine beträchtliche Menge an angereicherten Geschäftsinformationen über Ihre Kunden sammeln. Sie können diese Informationen nutzen, um Ihre Interaktionen mit Ihren Kunden zu personalisieren und Ihr Engagement für Ihre Marke und Ihr Unternehmen zu stärken.
Prädiktive Analytik (Predictive Analytics)
Grundsätzlich unterscheidet man vier Grundtypen der Datenanalyse: Die deskriptive Analytik, die diagnostische Analytik, die prädiktive Analytik und die präskriptive Analytik. Von steigender Bedeutung ist heute vor allem die prädiktive Analytik, welche es Organisationen ermöglicht, aktuelle und historische Fakten und Zahlen zu betrachten, um Vorhersagen über unbekannte zukünftige Ereignisse zu treffen. Sie stützt sich auf viele Techniken aus den Bereichen Data Mining, Statistik, maschinelles Lernen, prädiktive Modellierung und künstliche Intelligenz. Zu den Zielen der prädiktiven Analytik gehören Vorhersagungen zu treffen, die Risiken zu identifizieren und zu bewerten, die Chancen zu erkennen und letztlich die Entscheidungsfindung zu steuern.
Wie profitieren Unternehmen von prädiktiver Analytik?
Obwohl die prädiktive Analytik die Zukunft natürlich nicht mit völliger Sicherheit vorhersagen kann, kann sie Organisationen bei der Planung von sehr wahrscheinlichen Verhaltensweisen und Ergebnissen unterstützen. So können Unternehmen
- nützliche Prognosen treffen,
- Risiken identifizieren, bewerten und reduzieren,
- neue Chancen aufzeigen,
- Betriebsabläufe optimieren,
- Marketingkampagnen verbessern,
- Kunden gezielter ansprechen,
- den Umsatz steigern.
Letztendlich befähigt die prädiktive Analyse Organisationen vorausschauender und proaktiver zu denken.
Wie funktioniert der Prozess einer prädiktiven Analyse?
Wenn Sie mit der prädiktiven Analyse arbeiten, müssen Sie zunächst ermitteln, welches Problem genau Sie lösen möchten. Stellen Sie sich die folgenden Fragen:
- Was sind Ihre Geschäftsziele?
- Nach welchen Erkenntnissen suchen Sie?
- Aus welchen Datensätzen werden Sie schöpfen?
- Was sind die Arbeitsergebnisse?
Zweitens: Sie müssen Ihre Daten sammeln. In diesem Fall arbeitet Data Mining Hand in Hand mit prädiktiver Analyse.
Als Nächstes verwenden Sie statistische Modelle, um Ihre Schlussfolgerungen zu unterstützen und zu testen. Dann kommen prädiktive Modelle ins Spiel, die in die Zukunft blicken. Sobald Sie die Prognosemodelle implementiert haben, können Sie die Ergebnisse nutzen, um fundiertere Entscheidungen in Ihrem Tagesgeschäft zu treffen.
Welche Einsatzmöglichkeiten bietet die prädiktive Analyse?
Die prädiktive Analyse wird immer wichtiger, da Unternehmen versuchen, erfolgreich für die Zukunft zu planen. Sie setzen diese Art der Analyse ein, um Daten in Chancen zu verwandeln und komplexe Probleme zu lösen. Beispiele für typische Anwendungsfelder der prädiktiven Analytik sind:
Betrugserkennung
Cyber-Sicherheitsbedenken nehmen zu. Mit der Fähigkeit, Muster und Anomalien zu erkennen, kann die prädiktive Analyse Organisationen dabei helfen, mögliche betrügerische Aktivitäten zu erkennen, bevor sie geschehen.
Operative Verbesserungen
Mit prädiktiven Modellen können Unternehmen eine größere Transparenz ihrer Systeme, Prozesse und Geräte erreichen. Verbunden mit den dazugehörigen Analysen können Unternehmen ihren Bestand besser berechnen, Ressourcen verwalten, Kosten senken und letztendlich die betriebliche Effektivität und Effizienz steigern.
Optimierung von Social-Media- und Marketingkampagnen
Unternehmen können prädiktive Analysen einsetzen, um festzustellen, was ihre Kunden kaufen, und um den Einfluss der sozialen Medien auf ihre Marke, ihre Produkte und ihr Unternehmen zu messen. Mit prädiktiver Modellierung können Unternehmen ihre Marketingpläne und Social-Media-Plattformen nutzen, um ihren Kundenstamm auszubauen.
Risikominderung
Die prädiktive Analyse kann eine große Anzahl von Datensätzen scannen und vergangene Trends durchforsten, um organisatorische Schwachstellen jetzt und in der Zukunft aufzudecken. Mit diesen Informationen ausgestattet, können Unternehmen dann Vorsichtsmaßnahmen ergreifen, um Schäden zu verhindern.
Maschinelles Lernen (Machine Learning)
Im Grunde genommen ist maschinelles Lernen nicht mehr und nicht weniger als ein Computer, der lernt Probleme zu lösen, ohne explizit dazu programmiert worden zu sein. Beim maschinellen Lernen werden die Algorithmen und mathematischen Modelle untersucht, die Computersysteme verwenden. Damit wird sichergestellt, dass Computer bestimmte Aufgaben bei jedem Schritt immer besser ausführen. Diese Technologie basiert auf der Idee, dass Systeme aus Daten Muster lernen und dadurch selbstständig Entscheidungen treffen können.
Was sind Algorithmen des maschinellen Lernens?
Algorithmen des maschinellen Lernens sind die Prozesse und Regeln, denen ein Computer folgt, um ein bestimmtes Problem zu lösen. Diese Algorithmen empfangen und analysieren Daten, um Ergebnisse mit einem akzeptablen Grad an Sicherheit vorherzusagen. Erhalten die Algorithmen mehr Daten, werden sie „intelligenter“ und passen ihre Prozesse an, um ihre Leistung zu optimieren.
Welche Kategorien von Algorithmen des maschinellen Lernens gibt es?
- Überwachtes Lernen (englisch: Supervised Machine Learning)
Überwachtes Lernen bedeutet, dass der Computer Muster und Zusammenhänge anhand eines Trainingsdatensatzes (Beispieldaten) lernt. Eine Person gibt dem Algorithmus diese Beispieldaten mit gewünschten Ein- und Ausgaben und der Algorithmus muss einen Weg finden, diese Zielvariablen zu realisieren. Er muss Muster in den Daten erkennen, aus Beobachtungen lernen und Vorhersagen machen, die von Menschen korrigiert werden. Dies wird so lange fortgesetzt, bis der Algorithmus ein bestimmtes Maß an Genauigkeit erreicht hat. - Unüberwachtes maschinelles Lernen (englisch: Unsupervised Machine Learning)
Im Fall von unüberwachtem Lernen bekommt der Algorithmus nur Daten, keine Trainingsdatensätze, aus denen er eigenständig interessante, versteckte Gruppen und Muster erkennen soll. Je mehr Daten der Algorithmus untersucht, desto besser wird dessen Entscheidungsfindung. - Teilüberwachtes Lernen (englisch: Semi-supervised Machine Learning)
Teilüberwachtes Lernen nutzt sowohl Beispieldaten mit konkreten Zielvariablen, als auch unbekannte Daten und ist somit eine Mischung aus überwachtem und unüberwachtem Lernen. - Verstärkendes oder bestärkendes Lernen (englisch: Reinforcement Learning)
Dies ist eine besondere Form des maschinellen Lernens, da vorab keine Beispieldaten benötigt werden und sie der Lernweise des Menschen sehr ähnelt. Dem Algorithmus wird nicht gezeigt, welche Aktion oder Handlung in welcher Situation die richtige ist. Stattdessen erhält er durch die Kostenfunktion eine positive oder negative Rückmeldung (Feedback). Anhand der Kostenfunktion wird dann eingeschätzt, welche Aktion zu welchem Zeitpunkt, die richtige ist, um die Belohnungsfunktion zu maximieren. Somit lernt das System „bestärkend“ durch Lob oder Bestrafung aus seinen eigenen Fehlern und entwickelt daraus eine eigene bestmögliche Lösung.
Data Science
Data Science ist die systematische Untersuchung von Daten und eine Erweiterung anderer Datenanalysemethoden, wie Data Mining, Statistik und prädiktiven Analysen. Sie stützt 
sich auf eine Kombination von wissenschaftlichen Methoden, Prozessen, Algorithmen und Technologien, um sowohl strukturierte als auch unstrukturierte Daten zu extrahieren, auszuwerten, zu visualisieren, zu verwalten und zu speichern. Ausgestattet mit Erkenntnissen, die sich aus diesen Daten ergeben, können Unternehmen geschäftskritische Fragen beantworten, Probleme lösen und gut informierte, datenbasierte Entscheidungen treffen.
Im Wesentlichen zielt sie darauf ab, Ordnung aus dem Big-Data-Chaos zu schaffen, indem sie die Daten in einer sinnvollen und nutzbaren Weise organisiert. Beispielsweise wendet Data Science maschinelle Lernalgorithmen auf Inhalte wie Text, Bild, Audio, Video oder Zahlen an, um Systeme der künstlichen Intelligenz herzustellen, die die Arbeit von Menschen effizienter erledigen.
Mit Nexis Data+ erhält Ihr Data Science Team die richtigen Daten, um:
- die Wettbewerbslandschaft zu bewerten und strategische Planung darauf zu basieren,
- PR- und Marketingkampagnen zu verbessern, um die Marke zu stärken und Einnahmen zu steigern,
- nationale und internationale Bewegungen zu identifizieren, um schnell und proaktiv auf Marktchancen und Störungen zu reagieren,
- Big Data in Prozesse maschinellen Lernens zu integrieren, um die Effizienz und Effektivität kritischer Geschäftsprozesse, wie des Risikomanagements, zu erhöhen.
Sekundäranalyse
Dies ist die nächste Stufe der Datenanalyse. Während die primäre Datenanalyse die Analyse der Originaldaten eines Forschungsprojektes darstellt, bedeutet die sekundäre Datenanalyse die Analyse von Daten, die jemand anderes zu einem anderen Zweck gesammelt hat.
Organisationen, Forschungseinrichtungen und Regierungsstellen tauschen häufig Daten mit der Öffentlichkeit oder anderen zugelassenen Nutzern und Organisationen aus, um den Nutzen der Daten zu maximieren. Sekundäre Daten können qualitativ, quantitativ oder beides sein. Zu den sekundären qualitativen Daten gehören in der Regel Artikel aus Zeitungen oder Blog-Beiträgen.
Warum sollten Sie Sekundärdaten und Sekundärdatenanalysen nutzen?
Es gibt eine Reihe von Vorteilen bei der Verwendung von Sekundärdaten und der Sekundärdatenanalyse.
Erstens können Sie mit Sekundärdaten Zeit, Ressourcen und Geld sparen, da Sie potenziell teure Forschungsarbeiten, die bereits durchgeführt wurden, nicht selbst durchführen müssen. Auch wenn Sie die Sekundärdaten kaufen müssen, ist das oft kostengünstiger, als Ihre eigene Forschung von Grund auf neu aufzubauen. Durch die Sekundärdatenanalyse können Sie Ihre Zeit und Mühe auf die Analyse der Daten konzentrieren, anstatt sie zu sammeln und für die Analyse vorzubereiten.
Zweitens können die Sekundärdaten Informationen von bemerkenswerter Breite und Tiefe über Personen und Organisationen liefern, vorausgesetzt, sie sind aktuell, unvoreingenommen und stammen aus einer vertrauenswürdigen Quelle, die sonst nur schwer zu beschaffen wären. Beispielsweise führen Regierungsstellen oft Forschung auf nationaler Ebene durch, zum Teil über mehrere Jahre hinweg. Der Zugang zu solchen Informationen ermöglicht es Ihnen, Veränderungen und Trends im Laufe der Zeit zu untersuchen.
Unternehmen müssen verwertbare Informationen aus großen Datenmengen ableiten. Aber die schiere Menge der verfügbaren Inhalte und Informationen kann entmutigend sein. Um erfolgreich zu sein, müssen Sie in der Lage sein, die relevanten Informationen, die Sie für Ihre Sekundärdatenanalyse benötigen, aus der Masse an Daten herausfiltern. Dabei ist die automatisierte Aggregation von Inhalten mit Hilfe von professionellen Tools sehr effizient und effektiv.
Datenanalyse für Ihr Unternehmen
Es ist zwar grundsätzlich möglich, Inhalte manuell zu aggregieren, aber in der heutigen datengesteuerten Welt ist die automatisierte Aggregation von Inhalten mit Hilfe von professionellen Tools deutlich effizienter und effektiver. Mit Hilfe von Daten-Aggregatoren können Sie
- Ihre Content-Marketing-Aktivitäten verbessern,
- Geschäftsanwendungen stärken,
- Ihr Firmen-Intranet vorantreiben,
- Kunden einen Mehrwert bieten,
- über Brancheninformationen auf dem Laufenden bleiben.
LexisNexis verfügt über mehr als 45 Jahre Erfahrung als Daten-Aggregator. Wir verfügen nicht nur über eines der größten Nachrichtenarchive der Welt, sondern auch über die Taxonomie und die Suchtechnologie, die es ermöglichen, diese Fülle an Informationen schnell und einfach abzurufen. Über unsere flexiblen APIs erhalten Ihre Datenanalysetools den nötigen Treibstoff – von maschinellem Lernen und Predictive Analytics bis hin zu historischen Trendanalysen und der Finanzmodellierung.
Nexis Data+ bietet Zugang zu einer Reihe von vertrauenswürdigen Quellen, darunter
- Mehr als 17.000 lizenzierte Nachrichtenquellen,
- Millionen von täglichen hinzugefügten Artikeln und Social Media Feeds in 75 Sprachen und aus über 100 Ländern,
- Mehr als 1,9 Millionen Profile von Unternehmen und 3,1 Entscheidungsträgern,
- Patentdaten von mehr als 100 Patentbehörden,
- Rechtsdaten aus 168 Millionen Gerichtsakten von US-Bundes- und Staatsgerichten und 7 Millionen Gerichtsdokumenten,
- Mehr als 600 Firmen- und Finanzquellen,
- Über 200 biografische Quellen.