Advertisement

Controlling & Management Review

, Volume 60, Supplement 1, pp 16–23 | Cite as

Predictive Analytics richtig einsetzen

  • Lars Iffert
Nutzung Zukunftsprognosen
  • 2k Downloads

Um verfügbares Datenmaterial für Zukunftsprognosen zu nutzen, ist Predictive Analytics eine ausgezeichnete Möglichkeit. Es erfordert allerdings ein spezielles Know-how und kann aufwendig sein. Unternehmen sollten wissen, wie sie dabei am besten vorgehen, welche Tools der Markt bietet und mit welchen Stolpersteinen zu rechnen ist.

Predictive Analytics, also Methoden und Techniken zur Vorhersage von zukünftigen Daten oder Zuständen mit ihren entsprechenden Eintrittswahrscheinlichkeiten, ergänzen das Anwendungsgebiet von Business Intelligence (BI), welches sich bisher vor allem auf vergangenheitsorientierte Reporting-Systeme beschränkte (vergleiche Abbildung 1). Dank moderner Funktionen verarbeiten Predictive-Analytics-Werkzeuge auch Big Data, also umfangreiche, polystrukturierte DatenmengenN, und liefern Informationen über Zukunftswerte. Sie beantworten Fragen wie „Was wird mit welcher Wahrscheinlichkeit unter welchen Voraussetzungen passieren?“ oder „Was sollte passieren?“. Eine...

Notes

Glossar

Analytische Datenbank

Datenbanktechnologie, die auf Aufgabenstellungen der Datenanalyse optimiert ist (z. B. Abruf großer Datenmengen und deren Summierung).

CRISP-DM

Abkürzung für „Cross-Industry Standard Process for Data Mining“. Modell zur Umsetzung von Data-Mining-Aufgaben.

Data Mining

Analyse von großen Datenbeständen mittels spezifischer Algorithmen und statistischer Verfahren, zum Beispiel zum Erkennen von Mustern, Strukturen und zeitlichen Entwicklungen oder zur Zuordnung von Texten zu Klassen.

Data Scientist

Domänenexperte in Statistik, Mathematik und Stochastik mit sehr hoher Daten- und IT-Affinität und Kommunikationsfähigkeit; Werkzeugexperte für eine ausgewählte Werkzeugumgebung.

Data Warehouse

Auch: Enterprise Data Warehouse oder EDW; zentraler Datenspeicher mit integrierten aktuellen und historischen Daten aus einer oder mehreren Quellen; wird für Reporting und Datenanalyse verwendet.

Datenanalyst

Fachdomänen-Experte mit hoher Daten-Affinität und ausgeprägten Analyse-Skills; definiert fachliche Thesen und Ziele für die Analyse; verifiziert und testet analytische Ergebnisse.

Hadoop

Skalierbare Technologie mit Fokus auf die kostengünstige Ablage von großen Datenmengen und Möglichkeiten für deren Auswertung.

In-Memory-Datenhaltung

Konzept des Vorhaltens von Daten im vergleichsweise teuren, jedoch schnellen Arbeitsspeicher eines Computers.

KDD

Abkürzung für „Knowledge Discovery in Databases“. Modell zur Umsetzung von Data-Mining- Aufgaben; im Vergleich zum eigentlichen Data Mining umfasst KDD auch die Auf- und Vorbereitung der Daten sowie die Bewertung der Resultate.

Laufzeitumgebung

Software-Komponente, die die Ausführung der Datenverarbeitung (z. B. Data-Mining-Modelle, Berechnung von Ergebnissen) auf entsprechenden Betriebssystemen ermöglicht.

MPP-Architekturen

Abkürzung für „Massively Parallel Processing“. Computersysteme, die Berechnungen auf mehrere parallel geschaltete Rechner verteilen.Übergreifende Bezeichnung für strukturierte (z. B. tabellarische) Daten und unstrukturierte Daten (z. B. Text-, Audio- oder Videodaten).

Polystrukturierte Daten

Übergreifende Bezeichnung für strukturierte (z. B. tabellarische) Daten und unstrukturierte Daten (z. B. Text-, Audio- oder Videodaten).

R

Programmiersprache und Bibliotheken mit Fokus auf statistisches Rechnen.

Literatur

  1. BARC (2015): Marktübersicht Predictive Analytics Werkzeuge, http://barc.de/predictive (letzter Abruf: 04.11.2015).Google Scholar
  2. PAC (2014): Predictive Analytics in der Fertigungsindustrie, https://www.pac-online.com/predictive-analytics-der-fertigungsindustrie (letzter Abruf: 06.10.2015).Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2016

Authors and Affiliations

  1. 1.BARCWürzburgDeutschland

Personalised recommendations