Analytics bedeutet viel mehr, als einem Algorithmus beliebige Daten vorzuwerfen, und von ihm Prognosen zu erwarten. Wer Analytics betreibt, lässt sich auf einen komplexen Prozess ein, der gut strukturiert werden will. Nur so kann man ein ziel- und ergebnisloses Herumstochern im Datennebel verhindern – und viel Zeit und Ressourcen sparen.

Analytics bedeutet viel mehr, als einem Algorithmus beliebige Daten vorzuwerfen, und von ihm Prognosen zu erwarten. Wer Analytics betreibt, lässt sich auf einen komplexen Prozess ein, der gut strukturiert werden will. Nur so kann man ein ziel- und ergebnisloses Herumstochern im Datennebel verhindern – und viel Zeit und Ressourcen sparen.

Analytics ist ein Werkzeug. Wie bei allen Werkzeugen kommt es auch hier auf den richtigen Gebrauch an. Er lässt sich in vier Phasen einteilen und beginnt, noch vor allem Digitalen, in der wirklichen Welt.

Phase eins: ein Problem identifizieren, das groß genug ist

Analytics-Projekte kosten Zeit und Geld. Damit sich der Aufwand lohnt, sollte man mit ihnen Fragen adressieren, hinter denen entweder große Kosten oder große Gewinnchancen stecken. Wenn Sie beispielsweise Ihrem Kundenstamm neue Produkte empfehlen, könnten Sie ihn mit einem wahllosen Angebot abschrecken. Bieten Sie ihm aber ausschließlich Dinge an, die er in seiner Situation wirklich gebrauchen kann, erhöht sich Ihre Chance auf neue Umsätze erheblich. In diesem Fall lohnt es sich sicherlich, die Zusammenhänge dahinter zu analysieren, um herauszufinden, welcher Ihrer Kunden gerade was benötigen könnte – um es ihm dann gezielt anzubieten.

Phase zwei: Daten finden, aufbereiten und analysieren

Weiß man, welches Ziel man mit einem Projekt verfolgt – zum Beispiel Bankkunden gezielt den passenden Kredit vorzuschlagen –, identifiziert man zuerst die Daten, die dazu gebraucht werden sowie die Quellen, in denen sie zu finden sind. Das können unternehmensinterne Daten beispielsweise aus bereits bestehenden Verträgen mit den Kunden sein. Aber auch zugekaufte, wie etwa Informationen darüber, wie groß die Haushalte in bestimmten Gegenden sind. Dann werden die Daten entschlackt und so aufbereitet, dass ein Algorithmus sie auch verstehen kann.

Danach geht es ans Data Mining: Die Datenbasis wird mit dem Ziel untersucht, Zusammenhänge zwischen ihnen herauszufinden, die für das Problem relevant sind. Beispielsweise: Studienabsolventen in München nehmen kurz nach dem Abschluss ihres ersten Arbeitsvertrags häufig einen Kredit für den Erwerb eines Autos in Anspruch.

Nun kommt der Algorithmus ins Spiel. Mit den entdeckten Zusammenhängen durchforstet er einen Testdatensatz, um zu sehen, wie genau er damit tatsächlich Autokäufer vorhersagen kann. Wenn die Fehlerrate noch zu hoch ist, verfeinert man Modell und Daten so lange, bis die Voraussagegenauigkeit hoch genug ist. Das Ergebnis ist ein fertiges Modell, das schließlich auf die Kundendaten angewendet werden kann, um Vorhersagen zu treffen.

Phase 3: Businessregeln auf die Daten anwenden

Am Ende dieser Prozedur steht ein Satz Businessregeln, welche Wahrscheinlichkeiten für bestimmte Fälle angeben, die für Ihre Frage relevant sind. Daraus ergeben sich die erhofften Voraussagen. Ein Beispiel: „Die Wahrscheinlichkeit, dass ein Student in München nach Abschluss seines ersten Arbeitsvertrags mit einem Jahreseinkommen zwischen 20.000 und 30.000 Euro einen Kredit für den Erwerb eines Autos in Anspruch nimmt, beträgt 60 %.“ Diese Regeln sind es, mit denen eine Software Kunden im Bestand einer Bank identifizieren kann, denen sie aktiv einen passenden Kredit vorschlagen sollte.

Phase 4: aktiv werden

Der letzte und gleichzeitig wichtigste Schritt in einem Analytics-Projekt ist, die Ergebnisse in Taten umzusetzen. Sonst ist es sinnlos. Wenn Kunden identifiziert wurden, die mit hoher Wahrscheinlichkeit ein bestimmtes Produkt gebrauchen können, dann muss es diesen auch aktiv empfohlen werden. Nur so erreichen Sie auch das Ziel, das Sie sich von Anfang an gesteckt haben.

Neuen Kommentar schreiben

Ihre E-Mail Adresse wird nicht veröffentlicht.

NEUESTE BEITRÄGE

Lasst uns in die Snowflake abtauchen | Umzug eines DWH auf eine Snowflake - Teil 5
09.09.2022

Lasst uns in die Snowflake abtauchen | Umzug eines DWH auf eine Snowflake - Teil 5

Christian Hagen

In den ersten Teilen der Blogreihe haben wir beschrieben, wie du DataStage Jobs von (beispielweise) Oracle auf Snowflake umstellen kannst. In diesem Teil wollen wir uns auf Besonderheiten und Probleme stürzen, die bei einem Schwenk von Oracle zu Snowflake auftreten können und die sich als „Schätzchen“ in den Jobs und manuellem SQL verstecken können.

Data Engineering
ITGAIN UX UI
08.09.2022

Wie wir deinen Benutzer glücklich machen können

Lea Brauner

„UI is the sadle, the stirrups and the reins. UX is the feeling you get being able to ride the horse“, hat Dain Miller, ein Web Developer, einmal gesagt. In anderen Worten heißt das, dass man zwar ein User Interface braucht, um ein Programm oder eine Software zu bedienen, das aber noch nicht heißt, dass es mit diesem User Interface auch Spaß macht, die Software zu bedienen. Denn beim User Interface, der Benutzeroberfläche, handelt es sich lediglich um die Schnittstelle zwischen dem Benutzer und der Maschine, die ihn zum Ziel navigiert. Über die Optik oder Benutzbarkeit sagt das jedoch noch nichts aus.

Applications
Lasttests mit Shift-Left-Verschiebung
31.08.2022

Lasttests mit Shift-Left-Verschiebung

Sören Schmock

Lasttests gehören gemäß ISTQB® zu den nicht funktionalen Tests, mit denen Zeitverhalten, Ressourcenverbrauch, Stabilität und Skalierbarkeit einer Software oder Webseite (im folgenden „Anwendung“ genannt) überprüft werden. Der Lasttest wird durch Testspezialisten durchgeführt, um unter anderem zu bestimmen, ob die Anwendung einer erwarteten oder für die Zukunft geplanten Anzahl von Benutzern in der Performance (z. B. Anzeigegeschwindigkeit) noch Rechnung trägt. Schließlich möchte niemand auf die lange Rückmeldung einer Anwendung warten müssen.

Expertise