Eine Analyse Ihrer Daten könnte ungenutztes Wissen aufdecken und geschäftskritische Entscheidungen erleichtern. Wir bieten Ihnen das vollständige Spektrum statistischer Datenanalyse und Modellierung, inklusive...

• Berechnungen von Statistiken und Singifikanzen der Ergebnisse,
• Erstellung von Vorhersage- oder Klassifikationsmodellen,
• automatische Berichtserstellung und grafische Ergebnispräsentation,
• analytische Berichte,
• Kontrolle der Gültigkeit der Modelle,
• Erstellung von Modellen, die für Vorhersagezwecke in Anwendungen einsetzbar sind.

Daten sind noch keine Information, Information noch kein Wissen

Daten(massen) alleine sind noch lange keine Information und schon gar kein nutzbares Wissen! Mit unseren Techniken der intelligenten Datenanalyse aggregieren sie Daten zu Information und verwandeln Sie Informationen in nutzbares Wissen. Methoden der Datenanalyse werden in vielen Bereichen angewandt und helfen bei der Identifizierung, Untersuchung und Lösung zahlreicher komplexer Probleme. In der Geschäftswelt versetzen diese Methoden Manager und Entscheider in die Lage, informiertere und bessere Entscheidungen auch in scheinbar unsicheren Situationen schneller zu treffen.

Riesige und ständig wachsende Datenmengen mit statistischen Informationen sind in der heutigen globalen Wirtschaftswelt verfügbar aufgrund der kontinuierlichen Fortschritte in der Informationstechnologie und der zunehmenden Datenerfassung. Um global erfolgreich im Wettbewerb zu bestehen, müssen Manager und Entscheidungsträger in der Lage sein, die Informationen mit denen sie konfrontiert werden, zu verstehen und effektiv zu nutzen. Dies eine absolute Voraussetzung für informierte und richtige Entscheidungen und essentiell für geschäftskritische Prozesse.

Die Sachlage ist einfach, wenn man eine konkrete Frage im Sinn hat und man in der Lage ist, die für die informierte Beantwortung dieser Frage notwendigen Daten zu sammeln. Oft werden Daten jedoch ohne eine solche Frage im Sinn gesammelt. In anderen Fällen gibt es nur eine vage Idee, welche Arten von Wissen in den Daten verborgen sein könnten. Auf der anderen Seite ist das Sammeln von Daten leicht und ein beinahe trivialer Prozeß geworden. Riesige Datenmengen werden gesammelt, in denen oft wertvolle Informationen versteckt schlummern, ohne dass es jemand weiß.

Analyse der Daten

Die Datenanalyse bietet zwei grundlegend verschiedene methodische Ansätze: Methoden zur unüberwachten explorativen Datenanalyse einerseits und Methoden zur überwachten oder vorhersagenden Analyse (Predictive Analytics) andererseits. Das Ziel der unüberwachten Analysemethoden ist das Finden in den Daten vorhandener Strukturen, Muster, Regelmässigkeiten, Abhängigkeiten oder Auffälligkeiten, deren man sich vorher nicht bewußt war, also Wissens- oder Erkenntnisgewinn aus den Daten. Clustering-Verfahren wie beispielsweise k-Means, EM-Clustering oder hierarchisches Clustern liefern solche Muster und sind in der Lage Ausreißer und Auffälligkeiten zu identifizieren wie interessante Datensätze, die nicht durch einfache und bekannte Zusammenhänge erklärt werden können. Andere unüberwachte Analysemethoden stellen Verfahren zum Finden häufiger Objektmengen (Frequent Item Set Mining, z.B. Apriori, FPGrowth, Closed Sets) dar, die verwendet werden können, um häufig zusammen auftretende oder Beziehung stehende Objekte oder Ereignisse zu identifizieren und nützliche Regeln daraus abzuleiten. Ein bekanntes Beispiel hierfür ist das Data Mining auf Transaktionsdatenbank, um häufig zusammen verkaufte Waren zu erkennen (Warenkorbanalyse), was sich dann beispielsweise für gewinn-steigerndes Cross-Selling einsetzen läßt.

Im Gegensatz zu den unüberwachten Analysmethoden, dient die zweite große Gruppe von Analysmethoden zur Beantwortung konkret vorliegender Fragen. Diese überwachten Lernverfahren lernen aus Daten der Vergangenheit Dinge zu klassifizieren, z.B. potentielle oder bestehende Kunden in höchstwahrscheinlich gewinnbringende und eher nicht lohnende, oder zukünftige Trends und Entwicklungen vorherzusagen. Bekannte Vertreter dieser Analyseart sind Entscheidungsbaumlerner (Decision Tree Learner), Neurale Netze, Support Vector Machines und Lernverfahren für Vorhersageregeln (Prediction Rule Learners).

Erstellen von Ergebnisberichten

Durch die Analyse großer Datenmengen und die Anwendung entsprechend skalierbarer maschineller Lernverfahren werden Charakteristika der Daten, inhärente Muster und Regelmässigkeiten und Vorhersagemodelle gefunden. Diese Ergebnisse können als Tabelle, Grafik oder eine Menge von Prozentzahlen berichtet werden. Weil oft nur eine Teilmenge oder Stichprobe der realen Daten untersucht werden kann, beispielsweise wenn diese kontinuierlich in sehr großer Menge entstehen oder die Erfassung oder Verarbeitung aller Daten zu teuer oder unmöglich wäre, müssen die berichteten Ergebnisse auch die Unsicherheiten, mit denen die jeweiligen Ergebnisse und Vorhersagen behaftet sind, durch die Angabe von Wahrscheinlichkeiten und Konfidenzintervallen reflektieren. Die konkrete Berichtsform hängt von der jeweiligen Data Mining Anwendung und den persönlichen Präferenzen und kann beispielsweise textuell und/oder graphisch erfolgen.

Zusammenfassend kann man sagen, dass ein kritischer Aspekt für das Management jeder Organisation und jedes Unternehmens die Planung der Zukunft ist. Gutes Urteilsvermögen, Intuition und ein Bewußtsein des aktuellen Wirtschaftszustands und der aktuellen Marktlage geben einem Manager eine grobe Idee oder ein "Gefühl", was wahrscheinlich in der Zukunft passieren wird. Intelligente Datenanalyse hilft Managern dabei, für ihr Unternehmen wichtige zukünftige Aspekte vorherzusagen. Die erfolgreichsten Manager und Entscheidungsträger sind die, die die verfügbaren Informationen verstehen und sie effektiv nutzen können.

Kontaktieren Sie uns

Bitte kontaktieren Sie uns, falls Sie Interesse an einer tiefgehenden Analyse Ihrer Daten haben.