Data Science: Ein neuer Ansatz für Problem Solving und Geschäftsstrategien

Artificial Intelligence

,

Data Intelligence

Data Science: Ein neuer Ansatz für Problem Solving und Geschäftsstrategien

Stefano Oddone | Feb 21, 2020

Data science, also die Nutzung wissenschaftlicher Methoden, Prozesse, Algorithmen und Systeme zur Automatisierung oder zumindest zur Steuerung von Geschäftsentscheidungen, ist ein grundlegender Aspekt des heutigen Geschäftslebens.

Die neuen Möglichkeiten von Data Intelligence, die durch  Cloud Computing und künstlicher Intelligenz entstehen, machen sie zu einem der vielversprechendsten Bereiche der digitalen Transformation.

Bevor wir Data Science und die Einführung dieser Disziplin in Ihrem Unternehmen erklären, fangen wir mit den Grundlagen an.

Data Science - a new way to approach problem solving and business strategy

Die Rolle des maschinellen Lernens und der künstlichen Intelligenz in der Data Science

Bei der Verarbeitung großer Datenmengen und dem Versuch, aus diesen Daten neue Bedeutungen zu gewinnen, dreht sich das Gespräch heute um die künstliche Intelligenz (KI). Besondere Aufmerksamkeit erhält ein Zweig der KI, das sogenannte „Machine Learning“.

Laut Wikipedia kann künstliche Intelligenz als die Theorie und Entwicklung von Computersystemen definiert werden, die in der Lage sind, Aufgaben zu erfüllen, die normalerweise menschliche Intelligenz erfordern, wie z.B. visuelle Wahrnehmung, Spracherkennung, Entscheidungsfindung und Übersetzung zwischen Sprachen. Die Anwendungsfälle für die künstliche Intelligenz sind zahlreich und wachsen dank ständiger Innovationen exponentiell weiter.

Machine Learning bezieht sich auf selbstlernende Algorithmen, die hauptsächlich Statistiken verwenden, um Modelle aus großen Datenmengen zu erstellen, wobei die Daten Folgendes umfassen: Zahlen, Wörter, Bilder, Klicks usw. Wenn sie digital gespeichert werden können, können sie in einen automatischen Lernalgorithmus integriert werden.

Die Anwendung künstlicher Intelligenz und insbesondere des maschinellen Lernens auf traditionelle und nicht-traditionelle Business Intelligence kann es Unternehmen ermöglichen, ansonsten unerschlossene Trends in ihrem Geschäft aufzudecken, um neue und effektive Strategien zu entwickeln, die zu höherer Rentabilität, Kosteneinsparungen und so ziemlich jedem anderen Ziel führen, das sie erreichen wollen.

Data-Science-Prozess

In den letzten Jahren hat sich Data Science weit verbreitet und es gibt viele Definitionen, Diagramme und Methoden, um den Prozess zu erklären. Folgende Grafik veranschaulicht die wesentlichen Aspekte des facettenreichen Prozesses:

 Data Intelligence - Data Science Deconstructed

 AJ Goldstein ( LinkedIn Profil und mehr Details an @ ajgoldstein.com )

Es gibt ein paar wichtige Mitbringsel aus diesem Bild, die Sie im Auge behalten sollten, wenn Sie sich an Ihr neues Data Science-Team wenden.

#1 - Suchen Sie nicht nach dem gesamten Set der erforderlichen Kompetenzen bei einer einzelnen Person, maschinelles Lernen und künstliche Intelligenz sind ein Mannschaftssport.

Ja, in jedem Jahrhundert haben wir einige wenige Supertalente, die deutlich über dem Durchschnitt liegen (z.B. Pelè und Maradona für den Fußball, Coppi und Merckx für den Radsport, Phelps und Lochte für das Schwimmen...), aber selbst diese Weltmeister waren nicht in der Lage, so funktionsübergreifend zu sein, um in jeder Rolle und in jedem Fachgebiet erfolgreich zu sein (Phelps hätte nicht 28 olympische Medaillen gewonnen, wenn er sich für den Wasserball entschieden hätte). Sie hätten einige Spiele/Rennen alleine gewinnen können, aber sie brauchten eine Mannschaft, innerhalb und/oder außerhalb des Spielfeldes, um Meisterschaften zu gewinnen... und wir sprechen hier von den Besten der Besten.

#2 - Gehen Sie an eine Advanced Analytics-Implementierung nicht wie an ein "klassisches" Business-Intelligence-Projekt heran; die Generierung neuer Werte erfordert neue Wege, über die Herausforderung nachzudenken und sie anzugehen.

Auch wenn es offensichtlich klingen mag, muss es an dieser Stelle hervorgehoben werden. Beim Wechsel von "regelbasierten" analytischen Lösungen zu "datengesteuerten" Lösungen sind die alten Paradigmen nicht mehr wirksam, beispielsweise muss die klassische Phase der "Erfassung von Geschäftsanforderungen" durch eine hochgradig interaktive und beratende Tätigkeit der Problemgestaltung ersetzt werden.

Bei Techedge verfügen wir über eine Methodik zur erfolgreichen Umsetzung des maschinellen Lernens, nachstehend eine Zusammenfassung der Schlüsselelemente:

  • Wenn es um Daten geht, um potenziell riesige Datenmengen, ist ein rigoroser Ansatz entscheidend. Wir setzen vorzugsweise auf "CRISP-DM" vor, was einen branchenübergreifenden Standardprozess für Data Mining ermöglicht. Diese Methodik ist sowohl branchenübergreifend als auch flexibel, so dass sie bei unterschiedlichen Anwendungsfällen eingesetzt werden kann.
  • Über die Methodik hinaus bringen wir unsere Expertise ein: Wir bieten vordefinierte Vorlagen und Deliverables für jede Phase des datenwissenschaftlichen Prozesses an, um die Produktivität und die Abstimmung mit den Geschäftsanwendern zu erhöhen.
  • Wenn Sie sich nicht ganz sicher sind, dass maschinelles Lernen eine praktikable Lösung für Ihren Fall sein könnte, kann Techedge eine gut definiertes und gut gestaltetes Assessment liefern, um Ihren Entscheidungsträgern dabei zu helfen, Klarheit in das Szenario zu bringen, die Datenverfügbarkeit und mögliche Ergebnisse zu ermitteln.

In den nächsten Beiträgen zu diesem Thema werden wir uns mit jedem der sechs Schritte der Data Science befassen, die Goldstein vorhin zusammenfasste, und dabei tiefer in das einsteigen, was nötig ist, um in jedem von ihnen erfolgreich zu sein.

Möchten Sie mehr erfahren?

Sind Sie bereit, eine datengesteuerte Strategie für Ihre Geschäftsabläufe zu entwickeln? Informieren Sie sich über unsere Dienstleistungen und Lösungen für Datenintelligenz.

MEHR ERFAHREN

Abonnieren!