Pivotal Labs
Data Science bietet nicht einfach nur Einblicke in große Datenmengen. Indem sie das richtige Analysemodell auf die richtigen Daten anwenden, können Datenwissenschaftler Muster in riesigen Datenmengen erkennen, Geschäftsergebnisse vorhersagen und sogar beeinflussen. Anders gesagt: Mit Data Science können Unternehmen ihre Kunden besser bedienen, ansprechendere Produkte entwickeln und effizienter arbeiten.
Was ist Data Science?
Mit Data Science sind Verfahren zur Erkennung von Mustern in riesigen Mengen unstrukturierter Daten und zur Gewinnung von Erkenntnissen aus diesen Daten gemeint. Dazu werden unter anderem maschinelles Lernen, Data Mining, vorausschauende Analysen, Deep Learning und Cognitive Computing eingesetzt. Im Gegensatz zur herkömmlichen Business Intelligence und ähnlichen Ansätzen ist Data Science nicht auf die Auswertung strukturierter Daten oder kleiner Datensätze beschränkt und setzt nicht voraus, dass die Daten in Tabellenform vorliegen. Data Science nutzt skalierbare Methoden, die auch auf riesige Mengen halb- oder unstrukturierter Daten angewendet werden können, beispielsweise auf textbasierte Daten sowie auf Geräte-, Sensor- und Social-Media-Daten. Mit diesem weniger restriktiven Ansatz können Unternehmen Antworten auf Fragen finden, die sie noch gar nicht klar formulieren können, und wichtige Informationen erhalten, die ihnen einen Wettbewerbsvorteil verschaffen.
Vorteile von Data Science
| ◼ |
Ausschöpfen des Potenzials von Big DataMit modernen Datenmanagementansätzen wie Hadoop und Cloudspeicher können riesige Datenmengen so günstig wie nie zuvor gespeichert werden. Doch das Anhäufen von Big Data bringt noch keine Vorteile mit sich. Durch den Einsatz von Data-Science-Verfahren können praxistaugliche Erkenntnisse aus Big Data gewonnen werden. |
|
| ◼ |
Vorausschauendes und proaktives HandelnMit Data Science lässt sich die Wahrscheinlichkeit zukünftiger Ereignisse prognostizieren. Unternehmen können dies nutzen, um proaktiv Maßnahmen einzuleiten und die Auswirkungen dieser Ereignisse in ihrem Sinne zu beeinflussen, statt nur auf bereits eingetretene Ereignisse zu reagieren. |
|
| ◼ |
Kontinuierliche VerbesserungData Science ist keine einmalige Angelegenheit. Wenn die mithilfe von Data Science gewonnenen Erkenntnisse in der Praxis umgesetzt werden, werden die Ergebnisse der entsprechenden Aktionen in die vorausschauenden Analysemodelle und Algorithmen eingespeist. Dadurch entsteht ein selbstlernendes System, das sich ständig verbessert. |
|
| ◼ |
Data Science kann in allen Branchen eingesetzt werdenIn nahezu jeder Branche lassen sich bereits Anwendungsbeispiele finden. Landwirte nutzen Data Science, um den besten Zeitpunkt für die Aussaat zu ermitteln, Einzelhändler erstellen damit individuelle Kaufempfehlungen für ihre Kunden und Fertigungsbetriebe nutzen die Analysen, um den Ausfall von Maschinen zu vermeiden. Data Science revolutioniert die Arbeitsweise von Unternehmen und Institutionen in allen Branchen, von Finanzdienstleistern und Versicherungen über Einrichtungen des Gesundheitswesens bis hin zu Energieunternehmen. |
„Die meisten Unternehmen, die vorausschauende Analysen erfolgreich nutzen, gewinnen ihre Erkenntnisse mithilfe von Data-Science-Verfahren. Reifere Unternehmen testen maschinelles Lernen und Bereitstellungen in Echtzeit oder nahezu Echtzeit.“
Michele Goetz
Principal Analyst, Forrester Research
Zitat aus dem InformationWeek-Artikel „8 Smart Ways To Use Prescriptive Analytics“, Juni 2016
Sie interessieren sich für Data Science?
Dann sollten Sie Folgendes beachten.
Mithilfe von Data Science lassen sich wertvolle Erkenntnisse aus riesigen Datenmengen gewinnen, die zu nachhaltigen Veränderungen führen können. Doch die Entwicklung einer Data-Science-Strategie ist nicht einfach. Wenn Sie sich für diesen Ansatz entscheiden, sollten Sie die folgenden Fragen im Voraus klären.
Datenwissenschaftler benötigen Erfahrung in den Bereichen Statistik, Analytik und Mathematik. Die richtige Kombination dieser Fähigkeiten ist rar und daher sehr gefragt. Unternehmen müssen sich darauf einstellen, dass diese Experten höhere Gehälter fordern.
In einigen Unternehmen gehören die Datenwissenschaftler zu einer zentralen Abteilung, die das gesamte Unternehmen unterstützt. In anderen werden diese Experten den jeweiligen Geschäftsbereichen zugeordnet. Beide Ansätze haben Vor- und Nachteile. Wägen Sie ab, welches Modell besser zu Ihrer Unternehmensstruktur und -kultur passt.
Im Allgemeinen gilt: Je mehr Daten Sie haben, desto bessere Ergebnisse liefert die Data Science. Es gibt jede Menge Daten, die Sie analysieren können – sowohl innerhalb als auch außerhalb Ihres Unternehmens. Die Anwendung von Data-Science-Algorithmen und -Modellen auf sehr große Datenmengen bringt jedoch auch Herausforderungen mit sich. Zur Bewältigung dieser Herausforderungen benötigen Sie die richtigen Technologien und Fachkenntnisse.
Die mithilfe von Data Science gewonnenen Erkenntnisse sind nur profitabel, wenn sie auch genutzt werden. Andernfalls sind auch die Datenwissenschaftler schnell demotiviert, wenn ihre Arbeit nicht geschätzt wird. Erstellen Sie daher vorab einen Plan für die Nutzung vorausschauender Modelle und anderer Data-Science-Verfahren zur Bewältigung echter kommerzieller Herausforderungen.
Nicht alles, was möglich ist, sollte auch tatsächlich umgesetzt werden. Unternehmen müssen im Rahmen ihrer Data-Science-Strategie auch grundlegende Regeln für die Datennutzung implementieren. Dabei sollten sowohl (nicht rechtlich bindende) ethische Standards als auch (rechtlich bindende) gesetzliche Vorschriften berücksichtigt werden.
|
Data Science
|
Herkömmliche Business Intelligence (BI)
|
|---|---|
| Experimente erwünscht. Datenwissenschaftler sollten bei der Analyse stets aufgeschlossen sein und alle möglichen Ergebnisse nachverfolgen und testen. Data Science ist eine iterative Disziplin, in der die besten Ergebnisse nur durch Experimente erzielt werden können. | Festes Ziel. Herkömmliche BI-Systeme sind stark strukturiert und darauf ausgerichtet, Antworten auf wichtige, im Voraus festgelegte Fragen zu liefern. |
| Flexibel. Data-Science-Plattformen können neue Daten aus diversen Quellsystemen schnell und einfach verarbeiten. | Starr. Das Hinzufügen neuer Datenquellen, die Beantwortung neuer Fragen und andere Änderungen an bestehenden Business-Intelligence-Systemen sind komplex und zeitaufwendig. |
| Skalierbar. Data-Science-Plattformen müssen enorm skalierbar sein, sowohl für die Speicherung als auch für die Verarbeitung von Daten. Data-Science-Algorithmen und -Modelle sind am wirksamsten, wenn sie auf alle Daten angewendet werden und nicht nur auf Stichproben oder kleine Auszüge. | Nicht skalierbar. Herkömmliche Data-Warehouse-Systeme für Business Intelligence können häufig nicht ausreichend skaliert werden, um die anspruchsvollen Speicher- und Verarbeitungsanforderungen von Big Data zu erfüllen. |
| Zukunftsorientiert. Mithilfe von Data Science können Unternehmen die Wahrscheinlichkeit zukünftiger Ereignisse prognostizieren. | Zurückschauend. In herkömmlichen Business-Intelligence-Dashboards, -Berichten und anderen Ausgabeformaten lassen sich nur vergangene Ereignisse analysieren. |
| Praxistauglich. Wenn die so gewonnenen Erkenntnisse in Anwendungen einfließen, können Nutzer Maßnahmen einleiten, um das Geschäftsergebnis positiv zu beeinflussen. | Nicht praktisch umsetzbar. Herkömmliche BI-Berichte und -Visualisierungen liefern zwar Erkenntnisse, geben aber in der Regel keine Empfehlungen zu den nächsten Schritten. |
| ◼ |
BetrugserkennungAnwendung vorausschauender Modelle auf Transaktionsdaten in Echtzeit zur Erkennung und Unterbindung betrügerischer Aktivitäten. |
|
| ◼ |
KundensegmentierungDetaillierte Kundensegmentierung anhand von Verhaltens-, Transaktions-, Social-Media- und anderen Datenanalysen. |
|
| ◼ |
KundenbindungErkennung von Mustern, die auf die bevorstehende Abwanderung eines Kunden hindeuten, und Empfehlungen für Gegenmaßnahmen. |
|
| ◼ |
Vorbeugende WartungPrognose der Wahrscheinlichkeit von Bauteilversagen in Fahrzeugen, Fertigungsmaschinen und anderen Geräten, um diese vorbeugend auszutauschen. |
|
| ◼ |
StimmungserkennungAnalysen textbasierter Daten wie E-Mail-Inhalte und Social-Media-Beiträge, um die Stimmung und Vorlieben der Benutzer und Kunden zu ermitteln. |
|
| ◼ |
CybersicherheitAufdeckung potenzieller Angriffe und sonstiger Bedrohungen für IT-Infrastrukturen und andere Netzwerke und Einleitung geeigneter Gegenmaßnahmen. |
|
| ◼ |
Empfehlungs-EngineEmpfehlungen von Produkten, Services und anderen Artikeln für Kunden anhand ihres bisherigen Kaufverhaltens und anderer Daten. |
|
| ◼ |
NachfrageprognosePrognose der zu erwartenden Nachfrage für Produkte und Ersatzteile zur Bestandsoptimierung. |
|
PHASE 1: Problembeschreibung
Formulieren Sie die Problemstellung so, dass Sie für die Ziele und Herausforderungen der Verantwortlichen auf Managementebene relevant ist.
PHASE 2: Datenverarbeitung
Entwickeln Sie die erforderlichen Funktionen und nutzen Sie dazu die ganze Menge, Vielfalt und die relevanten Versionen aller verfügbaren Daten.
PHASE 3: Modellierung
In diesem Schritt geht es nicht mehr um das Was, Wo und Wann, sondern um das Warum und Was wäre wenn.
PHASE 4: Anwendung
Erstellen Sie ein Framework, um das Modell in den Prozess für die Entscheidungsfindung und die Einleitung geeigneter Maßnahmen zu integrieren.
Vier Alleinstellungsmerkmale
Jedes der vier Alleinstellungsmerkmale trifft auf alle vier Phasen des Data-Science-Projektzyklus links zu. 
Iterativer Ansatz
Gehen Sie jede Phase flexibel an, holen Sie Rat von Experten ein und wiederholen Sie bestimmte Schritte, wenn notwendig. 
Kreativität
Nutzen Sie die Chance, in jeder Phase innovativ zu arbeiten. 
Executive Summary
Erstellen Sie eine auf Fakten basierte Zusammenfassung für die Verantwortlichen auf Managementebene, die die Ergebnisse klar darlegt. 
Technologieauswahl
Wählen Sie die passende Plattform und die geeigneten Tools, um das aktuelle Problem zu lösen. |
Die Datenwissenschaftler von VMware unterstützen Kunden in allen Branchen bei der Bewältigung geschäftlicher Herausforderungen und der raschen Nutzung neuer Geschäftschancen.
Die Arbeit unserer Datenwissenschaftler besteht in der Regel aus den folgenden Schritten:
| ◼ |
Beurteilung der vorhandenen Analysetools und Datenquellen |
|
| ◼ |
Auswahl eines Anwendungsfalls mit einem hohen Geschäftswert |
|
| ◼ |
Schrittweise Entwicklung, Verbesserung und Feinabstimmung der Analysemodelle |
|
| ◼ |
Praktische Nutzung durch Einbindung der Analyseergebnisse in die Geschäftslogik und intelligente Anwendungen |
Die Datenwissenschaftler von VMware können während ihres Einsatzes auch Schulungen für die Kunden anbieten, damit diese weitere Anwendungsfälle eigenständig implementieren können.
|
Synchrony Financial entwickelte mit der Unterstützung der Datenwissenschaftler von VMware eine Funktion für seine mobile App, mit der potenzielle Käufe prognostiziert und dementsprechend maßgeschneiderte Angebote an Kunden gesendet werden können. | |
|
Comcast hat zusammen mit den Datenwissenschaftlern von VMware Algorithmen entwickelt, mit denen das Unternehmen verdächtige Aktivitäten im Netzwerk, wie nicht genehmigte Dateifreigaben, identifizieren und unterbinden kann. | |
|
Fiat Chrysler entwickelte zusammen mit den Datenwissenschaftlern Funktionen für die Stimmungserkennung. Die Analyseergebnisse sollen dem Fahrzeughersteller helfen, Kundenabwanderung zu vermeiden und die Kundenbindung zu stärken. |