Analytics
Was es ist und was man darüber wissen sollte
Analytics nutzt Daten und Mathematik, um Geschäftsfragen zu beantworten, Zusammenhänge zu entdecken, bisher unbekannte Szenarien zu erkennen und Entscheidungen zu optimieren. Dieser vielseitige Bereich der Informatik wird eingesetzt, um aussagekräftige Datenmuster zu erkennen und neue Kenntnisse basierend auf angewandter Mathematik, Statistik, Predictive Modelling und Techniken für maschinelles Lernen zu ermitteln.
Geschichte der Analytics
In der Vergangenheit war Analytics durch Datenspeicherungsmöglichkeiten und Verarbeitungsgeschwindigkeiten eingeschränkt. Diese Einschränkungen gelten heutzutage nicht mehr, so dass komplexere Algorithmen für maschinelles Lernen und Deep Learning möglich sind, die größere Datenmengen in mehreren Durchläufen bearbeiten können.
Als Folge wurden die standardmäßigen deskriptiven, präskriptiven und vorhersagenden Prozessfähigkeiten der Analytics um Lern- und Automatisierungsfunktionen erweitert, wodurch das Zeitalter der künstlichen Intelligenz eingeläutet wurde.
Das bedeutet, dass wir nicht mehr fragen, was geschehen ist und was geschehen soll, sondern von den Maschinen fordern, dass sie automatisiert aus Daten eigenständig lernen – und uns sogar mitteilen, welche Fragen wir stellen sollten.
Heute wird Analytics von den meisten Unternehmen als strategische Ressource betrachtet. Außerdem ist Analytics ein wichtiger Bestandteil vieler funktionaler Aufgaben und Fähigkeiten.
Ein wachsender Bereich der Analytics, der durch maschinelles Lernen unterstützt ist, ist die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP). NLP wird von Computern genutzt, um gesprochenen und geschriebenen Text zu interpretieren. NLP wird von Chatbots genutzt, um Kundenfragen zu beantworten oder in Online-Chatfenstern Investitionsberatung zu bieten. Diese Chatbots können auch Mitarbeiter:innen im Call Center Vorschläge aus Skripten bereitstellen.
Maschinelles Lernen und
künstliche Intelligenz haben uns solche nützlichen Anwendungen wie
selbstfahrende Autos und Empfehlungssysteme gebracht, die uns beim
Binge-Watching unsere nächste Lieblingsserie entsprechend unseres Geschmacks
empfehlen.
Analytics prägt natürlich nicht nur unsere Freizeit. Schnellere und stärkere Computersysteme bieten reichlich Möglichkeiten für die Verwendung von Analytics und künstlicher Intelligenz. Ob es darum geht, das Kreditrisiko zu berechnen, neue Arzneimittel zu entwickeln, effizientere Liefermöglichkeiten für Produkte und Dienstleistungen zu ermitteln, Betrugsfälle zu verhindern, Cyber-Bedrohungen aufzudecken oder die wichtigsten Kund:innen zu binden, Analytics kann Ihnen helfen zu verstehen, welche Faktoren den Erfolg für Ihr Unternehmen vorantreiben – und was dieser Erfolg für Ihr Umfeld bedeutet.
Analytics in der Welt von heute
Setzen Ihre Analytics-Projekte mit diesen Ressourcen um. Finden Sie alles, was Sie benötigen, um Ihre Projekte zu planen, Vertrauen in Ihre Daten zurückzugewinnen und eine Analytics-Strategie zu entwickeln.
10 Fragen, um mit Ihren Analytics-Projekten loszulegen
Was kostet es? Welche Probleme wollen Sie lösen? Welche Hindernisse gibt es? Das sind nur drei der wichtigsten Fragen, die Sie sich bei der Planung Ihres Analytics-Projekts stellen sollten.
Warum Vertrauen bei Analytics wichtig ist
Wer das Potenzial von Analytics und neuen Technologien wie AI ausschöpfen will, muss zunächst Vertrauen haben. Wie bauen Analytics-Marktführer Vertrauen in Daten und Analytics auf? MIT Sloan hat 2.400 Führungskräfte dazu befragt.
Entwicklung Ihrer Analytics-Strategie
Was steht für Chief Data und Analytics Officers auf dem Plan? Eine Analytics-Strategie entwickeln. Die Zuverlässigkeit der Informationen sicherstellen. Datengesteuerte Entscheidungen unterstützen. Und noch mehr. Laden Sie dieses E-Book herunter, um die Entwicklung Ihrer Analytics-Strategie zu unterstützen.
Das Einmaleins der Analytics
Wenn Sie sich fragen, wie Analytics für Ihr kleines bis mittelgroßes Unternehmen eventuell von Nutzen sein könnte, aber nicht wissen, wo Sie anfangen sollen, dann ist dies genau das richtige Webinar für Sie. Die Einleitung erklärt Ihnen, wie Sie mit Analytics für jede Unternehmensgröße starten sollten.
Demokratisierung von Analytics
Die Anforderungen durch die Digitalwelt treffen uns alle und die Datenüberlastung trifft jetzt nicht nur die „Zahlenmenschen“ in einem Unternehmen. Können Sie irgendjemanden in einem Unternehmen nennen, der keinen Bedarf an Schnelligkeit, Agilität, Flexibilität und Innovation verspürt? Das macht Analytics für fast alle zu einer Priorität, nicht nur Statistiker:innen und Data Scientists.
Infolgedessen suchen Unternehmen nach Möglichkeiten, Analytics für mehr Nutzer:innen zugänglich zu machen, indem sie mehr leicht verständliche Insights bereitstellen, Insights direkt in Front-Line-Anwendungen einbetten oder das Treffen relevanter Entscheidungen automatisieren.
Durch Technologien, die Point-and-Click-Verfahren für die dynamische, automatische Modellerstellung anbieten, sind Analytics jetzt für mehr Nutzer:innen zugänglich. Sogar komplexere Fragen können beantwortet werden, indem Sie eine Datenquelle auswählen und Ihr Ziel angeben, während ein Champion-Modell im Hintergrund erstellt wird und die Textgenerierung das Modell erklärt.
Unternehmen, die mit Analysen führend sind, können eine signifikante Differenzierung, überdurchschnittliche Renditen und manchmal ein längerfristiges Überleben erwarten.
Genau richtig in jeder Hinsicht
Sehen Sie, wie Levi Strauss & Co. sich mit SAS® auf den Weg gemacht hat, eine Analytics-orientierte, entscheidungsfreudige Unternehmenskultur zu entwickeln, die es ermöglicht, Menschen zu erreichen, die Levi-Produkte lieben.
Der beliebte Einzelhändler verwendet Analytics, um mithilfe von Warenplanung, -verteilung und -bestandsmanagement Pläne zu optimieren und Chancen vorherzusehen.
So funktioniert Analytics
Jedes Unternehmen ist ein Analytics-Unternehmen. Jeder Prozess ist ein Analytics-Prozess, der verbesserungsfähig ist. Und alle Mitarbeiter:innen könnten Analytics-Nutzer:innen sein. Egal, was Sie mit Analytics erreichen möchten, Daten sind die erste Voraussetzung für jedes Analytics-Projekt. Sobald Sie Daten haben, müssen diese analysiert werden. Die Ergebnisse der Analyse wenden Sie dann an, um Ihre Entscheidungen zu steuern. Je schneller Unternehmen den Analytics-Lebenszyklus durchlaufen, desto schneller können Sie einen greifbaren Nutzen aus ihren Analytics-Investitionen erzielen.
Bei SAS sehen wir die folgenden drei Kategorien als sich wiederholende Schritte des Analytics-Lebenszyklus: Daten, Ermittlung und Bereitstellung. Unabhängig von Größe oder Umfang des Projektes sollte er alle drei Schritte umfassen. Lassen Sie uns jeden Schritt genauer ansehen.
Klicken Sie auf die Infografik, um mehr zu erfahren.
daten
Heute sind Daten schnell, umfangreich und komplex. Analytics-Lösungen müssen alle Arten von Daten analysieren, darunter herkömmliche strukturierte Daten und neue Formate wie Streaming-Daten von Sensoren, Bildern und Videos.
Um auf diese Daten zuzugreifen, sie vorzubereiten, zu bereinigen und zu verwalten, benötigen Sie eine Datenmanagement-Strategie.
Wie möchten Sie Ihre Daten sammeln, bereinigen und speichern? Bei Analytics-Projekten schätzt man, dass die Datenvorbereitung 80% der Zeit in Anspruch nimmt. Könnte diese Zeit nicht besser für die Modellerstellung genutzt werden?
Auf einer intelligenten Analytics-Plattform wird die Datenaufbereitung mit Native Access Engines sowie integrierten Datenqualitäts- und Datenaufbereitungstools optimiert, die zeitaufwendige Aufgaben mithilfe von AI automatisieren.
Schließlich stellt Data Governance sicher, dass Ihre Daten vertrauenswürdig sind, da Sie die Quelle und den Inhalt kennen und die Qualität der Daten überwachen können. Wenn erforderlich, erleichtert Data Governance auch den Datenschutz.
DISCOVERY
Bei der Ermittlung geht es um Datenexploration, Visualisierung und Modellerstellung. Der richtige Algorithmus wird oft durch systematisches Ausprobieren gefunden. Dieser Prozess funktioniert am besten, wenn die Versuche leicht zu dokumentieren, zu speichern und zu vergleichen sind.
Die Auswahl des richtigen Algorithmus beruht auf verschiedenen Faktoren, darunter die Datengröße, die geschäftlichen Anforderungen, die Lernzeit, Parameter, Datenpunkte und viel mehr. Selbst erfahrene Data Scientists können nicht vorhersagen, welcher Algorithmus am besten funktioniert, bevor er nicht verschiedene Ansätze ausprobiert hat.
In der Ermittlungsphase werden in der Tat oft verschiedene Modelle in einer anderen Programmiersprache mit unterschiedlichen Datenelementen verglichen.
Zum Beispiel begann ein kürzlich durchgeführtes Analytics-Projekt, in dem Objekterkennung zur Identifizierung von Tumoren in medizinischen Leberscans verwendet wurde, mit einer Exploration mehrerer neuronaler Netze und einer mehrwöchigen Vergleichs- und Dokumentierungsphase der Ergebnisse verschiedener Modelle.
Dieser kollaborative Prozess funktioniert am besten, wenn Data Scientists mit unterschiedlichen Fachkenntnissen Code in der Sprache ihrer Wahl schreiben können, und Nicht-Programmierer:innen eine visuelle Point-and-Click-Schnittstelle verwenden können, um die Ergebnisse verschiedener Analytics-Ansätze zu untersuchen.
Bereitstellung
Wenn Ihr Analytics-Einsatz sich lohnen soll, sollten Sie die Ergebnisse zur Verfügung stellen und diese nutzen. Maschinelles Lernen und andere Modelle sind nicht dafür gedacht, um in der Schublade zu verschwinden – Sie müssen sie nutzen, um den geschäftlichen Nutzen zu erhalten. In der Bereitstellungsphase haben Unternehmen jedoch die meisten Schwierigkeiten.
Ganz egal, ob Sie ein einziges oder tausende Modelle erstellen, der Übergang von der Modellauswahl zum Modellbereitstellung erfordert Modellverwaltung. Die Modellverwaltung bietet Kontrolle über die Versionen und hilft Ihnen bei der Registrierung, Validierung und zentralen Verwaltung Ihrer Modelle. Sie hilft Ihnen bei der Verfahrensermittlung, bei der Regelung für die Bereitstellung und Überwachung von Modellen. Außerdem schaffen Sie Transparenz über die Daten- und Modellnutzung.
Ihr Ziel sollte es sein, Modelle einmal zu erstellen und sie überall bereitstellen zu können – in Executive-Dashboards, direkt in Betriebssystemen oder durch APIs in anderen Apps.
Das Analytics-Ökosystem
Analytics boomt gerade. Hunderte von Unternehmen im Analytics-Ökosystem bieten Technologie und Dienstleistungen, die Unternehmen beim Speichern, Zugriff, bei der Analyse und Präsentation von Daten helfen. Diese reichen von Datenmanagement und Visualisierung bis hin zu erweiterten Analytics und vordefinierten Analytics-Lösungen, darunter viele Open-Source-Optionen für Analytics.
SAS ist in einer einzigartigen Position, um sich mit jedem Beteiligten in diesem Ökosystem zu vernetzen. Die SAS-Plattform funktioniert mit Hardware jedes Anbieters. Sie nimmt jede Art von Daten auf, vergleicht Modelle in verschiedenen Sprachen und bietet einheitliche Governance in den Daten-, Ermittlungs- und Bereitstellungsphasen des Analytics-Ökosystems.
Speichern Sie Daten in AWS oder Hadoop? Extrahieren Sie Daten von Twitter oder Google Analytics? Analysieren Sie Daten in Python und SAS? Lassen Sie Programme auf Intel oder NVIDIA-Chips laufen? Stellen Sie die Ergebnisse auf Desktop- oder IoT-Geräten bereit?
Die SAS Plattform kann all das abdecken und auch alle anderen bereits vorhandenen Lösungen, die Sie bereits eingeführt haben. Das Ergebnis? Alle, von Data Scientists über Informatiker:innen bis zu Entscheidungsträger:innen, können zusammen mit demselben Analytics-System arbeiten. Zudem profitieren Sie von der Modellverwaltung, Modelüberwachung, Modelltransparenz, Datenlineage und Integration über verschiedene Analytics-Projekte und -Pakete hinaus.
Indem alle Elemente des Analytics-Ökosystems koordiniert werden, trägt eine Analytics-Plattform dazu bei, den Analytics-Lebenszyklus zu beschleunigen und Sie von Daten zu greifbaren Ergebnissen zu bringen. Letztendlich führt dies zu einer Verbesserung des ROI bei all Ihren Investitionen in Analytics – Daten, Technologie und Menschen – und bringt Sie auf Erfolgskurs.
Lösungen mit künstlicher Intelligenz
Künstliche Intelligenz entwickelt sich aus Analytics, wenn das Lernen in die Modelle einfließt und die Lernfähigkeiten automatisiert werden. SAS-Analytics hat bereits eine starke AI-Grundlage mit Lösungen für fortgeschrittene Analytics, maschinelles Lernen, Deep Learning, Sprachtechnologien und Computer Vision. Erfahren Sie, wie Sie mithilfe von Technologie, Fachkenntnissen und Support Ihr Unternehmen für eine Zukunft mit AI vorbereiten und Führungskräfte und Data Scientists für die Zukunft von AI rüsten.
Literaturempfehlungen
-
Article
Mit synthetischen Daten AI-Durchbrüche ermöglichenIn diesem Artikel beleuchten wir die entscheidende Rolle von synthetischen Daten in unseren daten-hungrigen AI-Initiativen, wie Unternehmen Wachstum mit synthetischen Daten generieren können, und welche ethischen Fragen noch nicht geklärt sind.
-
Series
Meet the data scientist: Kristin CarneyWhen Kristin Carney graduated with a BS in mathematics, she wasn't sure what she wanted to do with her degree. That’s when she began researching data science.
-
Article
Machine learning for beginners and beyondWhether you’re an experienced data scientist or a machine learning beginner, you’ll appreciate these 10 tips for getting started with machine learning.
Seit 1976 vertrauen Unternehmen weltweit auf SAS.