Data Analytics Methoden

»Ein nachhaltiger und effizienter Umgang mit dem Rohstoff Daten ist nicht nur wirtschaftlich sinnvoll, sondern auch gesellschaftlich relevant.« Prof. Dr. Alexander Martin

Erfolg und Mehrwert durch Daten

Unsere Vision: Aus Daten werden entscheidende Informationen und Kennzahlen

mehr Info

Data Analytics – mit den richtigen Daten und Methoden zu den besten Lösungen

Daten – das Öl des neuen Jahrtausends?

Daten werden oft als der Rohstoff der Zukunft bezeichnet. Doch im Gegensatz zu einem natürlichen Rohstoff wie etwa Erdöl steuern wir hier nicht auf eine Knappheit zu: Durch neue Technologien und Methoden zur Datenerfassung mit Hilfe von Sensorik, zur Datenübertragung im Internet der Dinge, zur Datenspeicherung, Datenanalyse und Prozessintegration in den entsprechenden Systemen kommen vielmehr täglich neue Möglichkeiten hinzu, diesen Rohstoff zu gewinnen. So entstehen immer mehr und immer größere Datenströme und Datenmengen – und das nicht nur im unternehmerischen Umfeld.
 

Die Herausforderung Big Data


Weil es heute so einfach ist, werden die meisten Daten ohne konkrete Problemstellung oder Analysefrage gesammelt und gespeichert. Dazu kommt die Unsicherheit auf Unternehmensseite bei strategischen Fragen zum wirtschaftlichen Wert, also

  • welche Daten für zukünftige Analysen relevant sein und welche für konkrete Anwendungen tatsächlich gebraucht bzw.
  • welche Daten in welcher Form im Unternehmen überhaupt vorhanden sind.

So speichern Unternehmen lieber zu viele Informationen als zu wenige.

Aus der ständig ungezielt wachsenden Datenmenge wird nun eine reale wirtschaftliche und gesellschaftliche Herausforderung: Nicht nur, dass viele Unternehmen nicht wissen, wie sie mit der scheinbar unbeherrschbar gewordenen Datenflut umgehen sollen. Das Speichern und Verarbeiten all dieser Informationen ist zudem teuer und verbraucht unnötig viel Energie mit entsprechendem CO2-Ausstoß: Eine Ressourcenverschwendung mit Auswirkungen auf die Wirtschaft, Umwelt und damit auch auf zukünftige Generationen.

Ein nachhaltiger und effizienter Umgang mit dem Rohstoff Daten ist deshalb nicht nur wirtschaftlich wichtig, sondern auch gesellschaftlich relevant – genau wie der schonende Umgang mit anderen Rohstoffen.
 

Mit den richtigen Daten nachhaltig richtige Entscheidungen treffen


In einer sich weiter digitalisierenden Welt werden Unternehmen den »Rohstoff« Daten für ihre Zwecke immer effizienter verarbeiten können. Was sie dafür brauchen, sind:

  • die richtigen mathematischen, statistischen sowie betriebs- und wirtschaftswissenschaftlichen Methoden,
  • mehr Automatisierung in der Verarbeitung und
  • das strategische Wissen um die Daten, die jetzt und in Zukunft für das Unternehmen relevant sein werden.

Ziel muss es sein, nicht mehr alle Daten zu sammeln, die möglich sind, um sie später eventuell verarbeiten zu können. Sondern nur die wichtigsten Datenquellen zu identifizieren, die aktuell und zukünftig einen tatsächlichen Nutzen bringen und wirtschaftlichen Mehrwert generieren. Hierzu ist neben prozesstechnischen und domänenspezifisch-fachlichen Aspekten die statistische und mathematische Relevanz der Daten eine wichtige Entscheidungsgrundlage.
 

Data Analytics als Schlüssel


Damit aus vielen unstrukturiert vorhandenen Datensätzen weniger, aber dafür qualitativ hochwertige, strategisch, taktisch und operativ relevante Daten mit auch zukünftig konkretem Mehrwert und Nutzen für Unternehmen werden, braucht es nicht nur verbesserte Technologie oder Sensorik zur Erfassung, Übertragung und Integration von Daten. Bevor die gesammelten Informationen in konkreten Anwendungen verwertet werden können, bevor also Big Data zu Smart Data wird, müssen die Daten aufbereitet, mit relevanten weiteren (teils externen) Informationen angereichert und analysiert werden.

Und hier – im großen Feld von Data Analytics – liegt enormes Potenzial. Die Fortschritte in der Algorithmik in den letzten Jahrzehnten sind, was die Lösungszeiten betrifft, um Größenordnungen schneller als die in der Hardware. So können heute mathematische Probleme innerhalb von einer Sekunde gelöst werden, für deren Bewältigung man vor nur etwas mehr als zwei Jahrzehnten noch 75 Jahre gebraucht hätte.
 

Analytics-Forschung an der Grenze des derzeit Machbaren


Wir forschen deshalb daran, aktuelle Analytics-Methoden und Verfahren im Feld der künstlichen Intelligenz immer weiter zu verbessern; über die Grenze des derzeit Machbaren hinaus. Damit können zukünftig durch entsprechende Filter und ständig weiterentwickelte und automatisierte Analyse-Verfahren mehr relevante Daten schneller analysiert, optimiert und in Handlungsanweisungen umgewandelt werden.

Aus scheinbar unbeherrschbaren Datenmengen und -materialien werden so handhabbare, qualitative Daten und Informationen; also die richtigen Daten, mit konkretem Nutzen für die Wirtschaft.

Wie wir Ihre Datenschätze heben

In Daten finden sich wahre Schätze für Unternehmen. Diese Schätze gilt es zu heben und zu gestalten – und zwar mit Hilfe von modernsten Data Analytics Methoden. Dafür selektieren, entwickeln und verbessern wir die notwendigen Werkzeuge kontinuierlich weiter und befähigen Unternehmen zum richtigen Umgang mit ihren internen und externen Daten.

Grundlage unserer Forschungen ist der SCS-Referenzprozess zur digitalen Transformation, der auch den Lebenszyklus von Daten widerspiegelt. Auf dieser Basis stellen wir für unsere Kunden individuell Methoden und Daten bereit, die wir in Märkten und Prozessen finden, filtern, interpretieren und analysieren. Anschließend werden diese Daten in Prognose-, Simulations- und Entscheidungsmodelle überführt und optimiert. Dafür arbeiten wir auch mit Softwareunternehmen und Serviceprovidern zusammen.

Methodisch umfasst Data Analytics dabei drei Bereiche, die stufig aufeinander aufbauen: Descriptive Analytics, Predictive Analytics und Prescriptive Analytics. Erfahren Sie auf unserer Abteilungsseite, was das konkret heißt und mit welchen Methoden und Verfahren wir Ihre internen Prozessdaten und Analytics-Anwendungen identifizieren, mit externen Marktdaten anreichern und durch Data Science und mathematische Optimierung Ihre Entscheidungen unterstützen können.

Der Lebenszyklus von Daten

Grundlage unserer Forschungen ist der SCS-Referenzprozess zur digitalen Transformation, der auch den Lebenszyklus von Daten widerspiegelt.

Einblicke in die Praxis – Ausgewählte Referenzen