Kurs
Datenwissenschaft verstehen
2 Std.
872.2K
Willkommen zum vierten Teil unserer einmonatigen Serie „Daten entmystifiziert“. Im Rahmen des Data Literacy Month räumt diese Reihe mit zentralen Konzepten aus der Datenwelt auf, beantwortet Fragen, die du dich vielleicht nie zu stellen getraut hast, und macht dabei auch noch Spaß. Wenn du von Anfang an einsteigen willst, lies den ersten Beitrag der Serie: What is a Dataset?
In diesem Beitrag schauen wir uns die verschiedenen Analytics-Arten an – von deskriptiv bis präskriptiv –, identifizieren die Fragetypen, die sich mit Daten beantworten lassen, geben Beispiele und mehr.
Vier Fragetypen, vier Arten von Analytics
Daten können nahezu unendlich viele Fragen beantworten, doch lassen sich diese Fragen in vier Kategorien einteilen. Daraus ergeben sich unterschiedliche Arten der Datenanalyse: Jeder Fragetyp hat eine passende Analytics-Form.
|
Fragetyp |
Art von Analytics |
|
Was ist passiert? |
Descriptive Analytics |
|
Warum ist es passiert? |
Diagnostic Analytics |
|
Was wird passieren? |
Predictive Analytics |
|
Wie können wir es herbeiführen? |
Prescriptive Analytics |
Diese vier Analysearten sind in aufsteigender Komplexität geordnet. Je nach Umfang eines Datenprojekts kann eine vollständige Analyse mehrere dieser Arten kombinieren.
Bevor wir in die einzelnen Analytics-Arten eintauchen, hilft ein Blick auf ein Alltagsbeispiel: den Besuch einer Patientin oder eines Patienten beim Arzt. Zuerst untersucht der Arzt die Person, um die Symptome zu beschreiben. Danach versucht er, das zugrunde liegende medizinische Problem zu diagnostizieren. Anschließend schätzt er ab, wie sich die Symptome entwickeln werden (ob es besser oder schlechter wird). Zum Schluss verschreibt er eine Behandlung.
Descriptive Analytics: Verstehen, was passiert ist
Descriptive Analytics beantwortet Fragen wie „Was passiert?“ oder „Was ist passiert?“.
Die wichtigsten Techniken sind das Berechnen von Kenngrößen und das Erstellen von Datenvisualisierungen. Zu den Kenngrößen zählen Häufigkeiten, Mittelwerte wie arithmetisches Mittel und Median sowie Streuungsmaße wie Spannweite und Standardabweichung.
Mehr zu Kenngrößen liest du im nächsten Teil von Daten entmystifiziert über deskriptive Statistik. Außerdem lohnt sich dieses Cheat Sheet für einen Deep Dive in Datenvisualisierungen.
Beispiel für Descriptive Analytics
Schauen wir uns ein Beispiel an. Angenommen, du willst die Umsatztreiber deines Unternehmens verstehen. Du führst eine deskriptive Analyse deiner Verkaufsdaten durch und beantwortest Fragen wie:
- Wie viele Verkäufe wurden im letzten Monat getätigt? (Anzahl der Verkäufe.)
- Wie hoch ist der durchschnittliche Transaktionswert? (Durchschnittlicher Verkaufspreis.)
- Wie stark unterscheiden sich die Gesamtverkäufe je Filiale? (Standardabweichung der Gesamtverkäufe pro Filiale.)
- Wie hoch waren die Tagesumsätze? (Liniendiagramm der Gesamtverkäufe über das Datum.)
Diagnostic Analytics: Das Warum verstehen
Deskriptive Analysen erzeugen oft neue Fragen. Im Verkaufsbeispiel stellst du vielleicht fest, dass die Gesamtverkäufe an einem Donnerstag unerwartet niedrig waren. Zu wissen, was passiert ist, ist ein guter Startpunkt, aber noch kein zufriedenstellender Abschluss der Analyse. Die naheliegende Anschlussfrage lautet: „Warum waren die Verkäufe an diesem Donnerstag niedrig?“.
Diese Frage erfordert eine diagnostische Analyse. Allgemein beantworten diagnostische Analysen Fragen wie „Warum ist etwas passiert?“. Meist geht es um ungewöhnlich hohe oder niedrige Werte, also Ausreißer.
Diagnostic Analytics umfasst häufig diese Schritte:
- Hypothesen bilden, warum das Ungewöhnliche aufgetreten ist.
- Daten zu möglichen Ursachen beschaffen.
- Deskriptive Analysen auf Teilmengen der Daten durchführen ("Data Mining").
- Statistische Modelle wie Regression fitten, um den Zusammenhang zwischen Ursachen und dem ungewöhnlichen Ereignis zu untersuchen.
Wichtig: In vielen Fällen lässt sich nur ein Zusammenhang zwischen Messgröße und vermuteter Ursache feststellen, nicht aber ein echter Kausalnachweis erbringen. In einem kommenden Beitrag von „Daten entmystifiziert“ behandeln wir den Fallstrick „Korrelation vs. Kausalität“.
Beispiel für Diagnostic Analytics
Zurück zu unserem Verkaufsbeispiel: Nachdem du einen unerwartet niedrigen Gesamtumsatz an einem Donnerstag im letzten Monat entdeckt hast, führst du eine diagnostische Analyse der Verkaufsdaten durch.
- Hypothese bilden: Deine erste Hypothese ist, dass eine Störung der Website die Online-Verkäufe blockiert und so die Umsätze gedrückt hat.
- Daten beschaffen: Du ziehst die Leistungsdaten der Website heran.
- Deskriptive Analyse: Du erstellst ein Liniendiagramm der Performance über die Zeit, erkennst aber keinen Einbruch an diesem Donnerstag. Danach berechnest du die Gesamtverkäufe getrennt nach Online und Filiale und siehst, dass der Rückgang in den Filialen in einer bestimmten Region auftrat.
- Weitere Hypothese: Du erinnerst dich an ein starkes Unwetter in dieser Region an genau diesem Donnerstag und vermutest, dass es Kundinnen und Kunden ferngehalten hat.
- Daten beschaffen: Du sammelst Wetterdaten für jede Filiale.
- Statistische Modelle fitten: Du passt ein Zeitreihen-Modell auf die Gesamtverkäufe an und nutzt das Wetter als Input. Das zeigt, dass schlechtes Wetter mit niedrigeren Verkäufen korreliert.
Predictive Analytics: Verstehen, was passieren wird
Datenanalyse hilft nicht nur, die Vergangenheit zu verstehen. Die dritte Analytics-Art dreht sich um Vorhersagen. Das können Prognosen über die Zukunft sein, muss aber nicht. Vorhersagen können sich auch darauf beziehen, ob Kundinnen und Kunden in bestimmte Kundensegmente passen oder ob eine Transaktion betrügerisch ist oder nicht. Die wichtigsten Verfahren der Predictive Analytics sind statistische Modelle, die im Vorhersagekontext oft als Machine-Learning-Modelle bezeichnet werden.
Mehr über Machine Learning erfährst du im dritten Teil von „Data Demystified“ zu den Unterschieden zwischen Data Science, Artificial Intelligence, Machine Learning und Deep Learning.
Beispiel für Predictive Analytics
Nach der Diagnose der schwachen Verkäufe sorgt sich deine Chefin nun um das nächste Quartal und will wissen, wie sich die Umsätze in den kommenden Monaten entwickeln. Also nutzt du dasselbe Zeitreihenmodell wie zuvor, diesmal für Umsatzprognosen.
Außerdem möchte sie wissen, welche potenziellen Kundinnen und Kunden ihr am besten ansprecht, also wer am wahrscheinlichsten kauft. Dafür erstellst du ein Machine-Learning-Modell auf Basis von Kundeneigenschaften wie bisherigem Kaufverhalten und geschätztem Einkommen, um die Kaufwahrscheinlichkeit vorherzusagen.
Prescriptive Analytics: Wie bringen wir es zum Erfolg?
Einer der großen Vorteile von Datenanalysen ist, dass sie bessere Entscheidungen ermöglichen. Statt aus dem Bauch heraus triffst du datenbasierte Entscheidungen. Prescriptive Analytics beantwortet Fragen wie „Was sollen wir tun?“.
Die eingesetzten Techniken bauen auf den Machine-Learning-Modellen aus Diagnostic und Predictive Analytics auf, um unterschiedliche Szenarien zu simulieren. Zusätzlich umfasst Prescriptive Analytics Optimierung, um aus vielen Optionen das bestmögliche Szenario zu finden.
Beispiel für Prescriptive Analytics
Deine Chefin ist in der Zwickmühle. Die Umsatzprognosen sind nicht so hoch, wie der Vorstand erhofft hatte. Jetzt steht sie unter Druck, Ideen zur Steigerung zu entwickeln, und bittet dich um eine datenbasierte Lösung.
- Gemeinsam entwickelt ihr Szenarien, die den Mix aus Filial- und Onlineverkäufen sowie die Preise zentraler Produkte variieren.
- Du nutzt Predictive Analytics, um für jedes dieser Szenarien Vorhersagen zu treffen.
- Nachdem einige vielversprechende Szenarien identifiziert sind, setzt du Optimierung ein, um sie zum bestmöglichen Ergebnis zu verfeinern.
Mehr erfahren?
Wir hoffen, dir hat dieser kurze Einstieg in die verschiedenen Arten von Data Analytics gefallen. Im nächsten Teil der Serie tauchen wir tiefer in die deskriptive Analyse ein und konzentrieren uns auf die statistischen Techniken innerhalb der deskriptiven Statistik.
Themen
