So analysierst du Geschäftsdaten in 5 Schritten

Big Data ist ein großes Geschäft. Die rasante Digitalisierung unserer Gesellschaft hat zu einem beispiellosen Datenwachstum geführt. Mit neuen Technologien und Infrastrukturen wie Virtual Reality, Metaverse, Internet of Things (IoT) und 5G wird sich dieser Trend voraussichtlich fortsetzen. Umso wichtiger ist es zu verstehen, wie man Daten analysiert. 

Daten sind zu einem der wertvollsten Güter der Wirtschaft des 21. Jahrhunderts geworden. Regierungen, Unternehmen und Privatpersonen nutzen Daten, um bessere Entscheidungen zu treffen. Das hat zu einer enormen Nachfrage nach qualifizierten Fachkräften geführt, die riesige Datenmengen verarbeiten und analysieren können.

Trotzdem tun sich viele Unternehmen schwer damit, Daten zu managen und sinnvoll zu nutzen. Laut einer Umfrage von Splunk gelten 55% aller von Unternehmen erfassten Daten als „Dark Data“ – also Daten, die im Tagesgeschäft anfallen, aber ungenutzt bleiben. Manchmal wissen Unternehmen nicht einmal, dass die Daten existieren – in den meisten Fällen fehlt jedoch schlicht das passende Talent, um Daten zu analysieren.

Die Weiterbildung von Mitarbeitenden mit internen Data-Science-Programmen ist eine der besten Strategien, um den Mangel an Data Scientists zu adressieren. Entgegen eines verbreiteten Glaubens brauchst du weder ein fortgeschrittenes Statistikstudium noch einen PhD in Informatik, um mit Datenanalysen zu starten. Der Markt bietet passende Optionen für unterschiedlichste Profile. Bei DataCamp zum Beispiel bieten wir umfassende Datentrainings für Einzelpersonen und Organisationen. 

In diesem Artikel stellen wir dir den Prozess der Datenanalyse vor. Wir zeigen dir ein einfaches Rahmenwerk – den Data-Science-Workflow – mit klaren Schritten, wie du von Rohdaten zu wertvollen Erkenntnissen gelangst.

So analysierst du Daten mit dem Data-Science-Workflow

Wenn Datenprofis ein neues Analyseprojekt starten, folgen sie in der Regel einem Fünf-Schritte-Prozess. Wir nennen ihn den Data-Science-Workflow. Er besteht aus folgenden Teilen:

1. Geschäftsfragen definieren
2. Daten sammeln und speichern
3. Daten bereinigen und vorbereiten
4. Daten analysieren
5. Ergebnisse visualisieren und kommunizieren

Der Data-Science-Workflow

In den nächsten Abschnitten sehen wir uns jeden Schritt genauer an.

Je nach Aufgabe kann der Workflow variieren. Trotzdem solltest du bei jedem neuen Datenprojekt auf ein konsistentes, klar definiertes Rahmenwerk setzen. Das hilft dir, deine Arbeit zu planen, umzusetzen und zu optimieren.

1. Geschäftsfragen definieren

Daten sind nur so gut wie die Fragen, die du stellst. Viele Organisationen investieren Millionen, um Daten aller Art aus unterschiedlichen Quellen zu sammeln – und schaffen es dennoch nicht, daraus Wert zu generieren. Entscheidend ist: Egal wie viele Daten dein Unternehmen hat oder wie groß das Data-Science-Team ist, zum Gamechanger werden Daten erst, wenn die richtigen Geschäftsfragen auf dem Tisch liegen. 

Der erste Schritt auf dem Weg von Daten zu Insights ist ein klares Set an Zielen und Fragen. Hier ein paar Beispiele:

• Was braucht das Unternehmen?
• Welche Art von Problem wollen wir lösen?
• Wie können Daten helfen, dieses Problem oder die Geschäftsfrage zu beantworten?
• Welche Daten werden benötigt?
• Welche Programmiersprachen und Technologien setzen wir ein?
• Welche Methodik oder Technik verwenden wir in der Datenanalyse?
• Wie messen wir den Erfolg?
• Wie verteilen wir die Datentasks im Team?

Am Ende dieses ersten Schritts solltest du eine klare, belastbare Vorgehensweise haben. Diese Leitplanke hilft dir, die Datenkomplexität zu navigieren und deine Ziele zu erreichen.

Hab keine Sorge, hier extra Zeit zu investieren. Die richtigen Geschäftsfragen zu identifizieren ist entscheidend für Effizienz – und spart am Ende Zeit und Ressourcen.

2. Daten sammeln und speichern

Jetzt, wo die Fragen stehen, geht es an die Umsetzung. Zuerst musst du die Daten sammeln und sicher speichern, um sie analysieren zu können.

In unserer datengesteuerten Welt entstehen pro Sekunde gewaltige Datenmengen. Die drei Hauptquellen sind: 

• Unternehmensdaten. Sie entstehen im Tagesgeschäft: Web-Events, Kundendaten, Finanztransaktionen oder Umfragedaten. In der Regel werden sie in relationalen Datenbanken gespeichert.
• Maschinendaten. Durch Fortschritte bei Sensorik und IoT erzeugen immer mehr Geräte Daten – von Kameras und Smartwatches bis zu Smart Homes und Satelliten. 
• Open Data. Aufgrund des wirtschaftlichen Potenzials veröffentlichen Regierungen und Unternehmen frei nutzbare Daten – etwa über Open-Data-Portale und APIs (Application Programming Interface).

Außerdem lassen sich Daten in zwei Typen einteilen:

• Quantitative Daten. Informationen, die zähl- oder messbar sind und numerische Werte haben. Sie sind meist in Tabellen oder SQL-Datenbanken strukturiert. 
• Qualitative Daten. Der Großteil heutiger Daten ist qualitativ, z. B. Text, Audio, Video, Bilder oder Social-Media-Daten. Diese Daten sind oft unstrukturiert und daher schwer in Standardtabellen oder relationalen Datenbanken zu speichern und zu verarbeiten.

Abhängig von der Fragestellung kommen unterschiedliche Datentypen und Techniken zum Einsatz. Das Sammeln, Speichern und Analysieren qualitativer Daten erfordert in der Regel fortgeschrittenere Methoden als bei quantitativen Daten.

3. Daten bereinigen und vorbereiten 

Sind die Daten gesammelt und gespeichert, steht als Nächstes die Qualitätsprüfung an. Der Erfolg deiner Analyse hängt maßgeblich von der Datenqualität ab. Sind Informationen ungenau, unvollständig oder inkonsistent, führen sie zu falschen oder irreführenden Erkenntnissen. Zeit in die Bereinigung und Vorbereitung zu investieren, ist daher Pflicht. Lies dazu auch unseren Artikel über Anzeichen schlechter Datenqualität. 

Rohdaten sind selten sofort analysebereit. Eine Qualitätsprüfung ist essenziell, um Fehler zu finden und zu korrigieren. Dazu gehören zum Beispiel:

• Doppelte Zeilen, Spalten oder Zellen entfernen. 
• Zeilen und Spalten löschen, die für die Analyse nicht benötigt werden – besonders wichtig bei großen Datensätzen, die viel Speicher verbrauchen. 
• Umgang mit Leerstellen in Datensätzen, also Nullwerten
• Ausreißer und Extremwerte erkennen und behandeln
• Datenstrukturen und -typen standardisieren, damit alle Daten einheitlich vorliegen.

Fehler und Auffälligkeiten in Daten zu entdecken ist selbst eine Form der Datenanalyse, bekannt als Explorative Datenanalyse.

Explorative Datenanalyse

Die explorative Datenanalyse dient dazu, Eigenschaften von Daten zu untersuchen und zusammenzufassen. Die wichtigsten Methoden sind Statistik und Datenvisualisierung: 

• Statistik liefert Kennzahlen, die Daten kompakt zusammenfassen. Häufig genutzt sind Mittelwert, Median, Standardabweichung und Korrelationskoeffizienten. 
• Datenvisualisierung stellt Daten grafisch dar. Je nach Datentyp eignen sich unterschiedliche Diagramme. Ein Boxplot ist zum Beispiel ideal, um Verteilungen und Extremwerte sichtbar zu machen.  

Der Zeitaufwand in dieser Phase hängt stark von Umfang und Qualität der Daten ab. In der Praxis ist die Datenbereinigung oft der aufwendigste Schritt im Data-Science-Workflow. Tatsächlich verbringen Data Scientists rund 80% ihrer Zeit damit.

Wenn Datenanalysen zu deinem Tagesgeschäft gehören, kann eine Data-Governance-Strategie die Effizienz deutlich steigern. Mit klaren Regeln und Prozessen für die Datenbereinigung ist dein Unternehmen besser aufgestellt und reduziert den Zeitbedarf spürbar.

Wenn du die Datenbereinigung in der Praxis kennenlernen willst, empfehlen wir unseren Kurs Cleaning Data in Python sowie Cleaning Data in R. Und für den Einstieg in die explorative Analyse hilft dir unser Kurs Exploratory Data Analysis in SQL. 

4. Daten analysieren

Jetzt, da deine Daten sauber sind, kann die Analyse starten. Muster, Zusammenhänge, Erkenntnisse und Vorhersagen zu finden, ist oft der befriedigendste Teil der Arbeit von Data Scientists. 

Je nach Zielsetzung und Datentyp gibt es unterschiedliche Techniken. Über die Jahre sind zahlreiche Methoden entstanden – von einfacher linearer Regression bis hin zu modernen Ansätzen aus Machine Learning, Natural Language Processing (NLP) und Computer Vision.

Hier sind einige der beliebtesten Methoden, um tiefer in die Analyse einzusteigen:

Machine Learning

Dieser Bereich der Künstlichen Intelligenz stellt Algorithmen bereit, mit denen Maschinen aus historischen Daten Muster und Trends lernen. Nach dem Training können Modelle zunehmend präzise, verallgemeinerbare Vorhersagen treffen. Man unterscheidet drei Arten von Machine Learning – je nach Problemstellung:

• Überwachtes Lernen (Supervised Learning) trainiert ein Modell auf einem gelabelten Datensatz, damit es Beziehungen zwischen Eingaben und Ausgaben lernt. Die Vorhersagegenauigkeit wird auf einem Testset mit bekannten Zielwerten geprüft, bevor das Modell auf unbekannte Daten angewendet wird. Mehr dazu lernst du im DataCamp-Kurs Supervised Learning with scikit-learn. 
• Unüberwachtes Lernen (Unsupervised Learning) erkennt die innere Struktur der Daten ohne vorgegebene Zielvariable, entdeckt Muster, clustert Datenpunkte anhand ihrer Merkmale und ermöglicht darauf basierend Vorhersagen für neue Daten. Starte mit unserem Kurs Unsupervised Learning in Python. 
• Bestärkendes Lernen (Reinforcement Learning) lässt einen Algorithmus durch Interaktion mit einer Umgebung schrittweise lernen, welche Aktionen ihn dem Ziel näherbringen und welche nicht. Falsche Aktionen werden bestraft, richtige belohnt – so findet der Algorithmus eine optimale Strategie. Mehr dazu im Tutorial Introduction to Reinforcement Learning.