Die Arten von Datenanalyse

[Raf] Hallo! Da Sie hier sind, sind Sie wahrscheinlich an Datenanalyse interessiert, und das ist super. Lassen Sie mich Ihnen zunächst den Mehrwert von Datenanalyse erläutern.

Das erste, woran wir denken müssen, wenn wir über Datenanalyse sprechen, ist, wie wir die gesammelten Daten nutzen können, um Informationen zu gewinnen, die für zukünftige Geschäftsanforderungen nützlich sind. Das sind die so genannten Erkenntnisse.

Manchmal ist dieser Weg zu Erkenntnissen aus Daten lang und komplex und erfordert den Einsatz von maschinengestütztem Lernen. Manchmal geht es aber auch schnell und einfach, wenn das Datenset vorbereitet ist und Sie nur eine deskriptive Datenanalyse durchführen wollen. Die Datenanalyse ist die Wissenschaft von der Auswertung von Daten, die von Computersystemen gesammelt werden, um Erkenntnisse zu gewinnen, die die Entscheidungsfindung mit Fakten auf der Grundlage von Daten verbessern.

Heutzutage wird die Datenanalyse häufig für E-Commerce und soziale Medien genutzt. Aber das Wissen aus Daten kann und sollte auch in den Bereichen Informationssicherheit, Logistik, Fabrikbetrieb, Internet of Things und vielen mehr angewandt werden.

Es gibt vier Hauptarten der Datenanalyse. In der Reihenfolge ihrer Komplexität sind dies die deskriptive, die diagnostische, die prädiktive und die präskriptive Analyse. Ich werde zu jeder dieser Arten etwas sagen. Ich gehe dabei etwas ausführlicher auf die deskriptive Analyse ein, da dies der Schwerpunkt dieses Einführungskurses ist.

Die deskriptive Analyse ist eine Art von Datenanalyse, die hauptsächlich dazu dient Informationen darüber zu erhalten, was geschehen ist. Diese Analyse soll Ihnen ermöglichen, von einem System gesammelte Daten zu nutzen, um festzustellen, was schief gegangen ist, was verbessert werden könnte oder für welche Kennzahl nicht die gewünschten Werte gemeldet werden.

Da diese Datenanalyse meist verwendet wird, große Datensets zusammenzufassen, um Ergebnisse für Beteiligte zu beschreiben, können Sie sich die deskriptive Analyse als etwas vorstellen, das nur berichtet, was gerade passiert, und nicht mehr. Die wichtigsten Kennzahlen, die von diesen Systemen ermittelt werden, werden meist KPIs oder wichtige Leistungsindikatoren genannt.

Festzustellen, was passiert ist, kann für einige Marktsegmente extrem wichtig sein und reicht manchmal schon aus, um zu erkennen, dass ein Problem weiter untersucht werden muss. Lassen Sie mich Ihnen ein Beispiel dafür geben, wie die deskriptive Datenanalyse hilfreich sein kann, um die richtigen KPIs zu ermitteln, die die Beteiligten kennen sollten, um datengestützte Entscheidungen zu treffen und potenzielle Probleme zu lösen.

Stellen Sie sich eine E-Commerce-Website vor, auf der Sie Metriken erfassen, die zeigen, wie lange die Verarbeitung einer Zahlung dauert. Auf dieser Website verwenden Sie ein externes Zahlungs-Gateway, um die Einkäufe abzuschließen. Jedes Mal, wenn ein Kunde auf Ihrer Website einkauft, wird er zu diesem Zahlungs-Gateway umgeleitet und Sie erhalten eine Bestätigung über den Zahlungseingang, wenn dieser erfolgt ist. Relevante KPIs für eine effektive deskriptive Analyse wären in diesem Fall z. B. Metriken wie die Dauer bis zum Abschluss der Transaktion, die Anzahl abgeschlossener Transaktionen und die Anzahl abgebrochener Transaktionen.

Wenn jetzt also sowohl die Zahl der abgebrochenen Transaktionen als auch die Zeitdauer bis zum Abschluss der Transaktion stark ansteigen, ist dies ziemlich sicher ein Zeichen dafür, dass die Transaktionen abgebrochen werden, weil sie zu lange dauern. Außerdem ist dies ein Indikator dafür, dass diese KPIs zusammenhängen, was wiederum Systemadministratoren und der Unternehmensleitung helfen kann, die Behebung eines potenziellen Problems einzuleiten, das sich eventuell negativ auf Umsätze auswirkt.

Genau das gleiche Konzept gilt für die Zeitdauer bis zum Abschluss der Transaktionen. Wenn Sie nun die Möglichkeit haben, Details zu dieser Metrik anzuzeigen, indem jeder Schritt innerhalb der Transaktionsdauer getrennt dargestellt wird, erhalten Sie noch granularere Informationen, die Ihnen die richtige Richtung zur Problemlösung weisen. Das Letzte, was Sie wollen, ist, dass Sie erst über soziale Medien oder Kundennachrichten von Systemstörungen erfahren. Hier ist Überwachung unerlässlich, und wir verwenden ganz einfache Metriken, um das Troubleshooting eines geschäftlichen Problems zu beginnen.

Kurz gesagt, ist die deskriptive Datenanalyse also ein Konzept, das Sie darüber informiert, was vor sich geht. Sie können die deskriptive Datenanalyse auch mit Daten über die Benutzeraktivität, Feeds in sozialen Medien, das Internet of Things oder Sicherheitsprotokollen des Systems durchführen. Wie bereits gesagt: Es gibt vielfältige Anwendungsfälle, eines ist jedoch sicher: Wenn Sie wissen, wie Sie die deskriptive Datenanalyse durchführen, können und sollten Sie dieses Wissen auch auf andere Datensets anwenden.

Prima. Sie haben jetzt ein solides Grundwissen zu deskriptiver Datenanalyse. Und was ist mit den anderen drei Arten?

Denken Sie zurück an unser Beispiel mit den Metriken zur Transaktionsdauer und der Anzahl fehlgeschlagener Transaktionen. In diesem Fall war es Ihre Aufgabe, die Erkenntnisse zu gewinnen und die Idee zu haben, diese beiden Metriken zu korrelieren, um das Problem zu identifizieren. Das System hat sie nicht verknüpft und Ihnen eine konsolidierte, oder projizierte, Metrik namens 'Wahrscheinlichkeit von Problemen mit dem Zahlungs-Gateway" bereitgestellt. Es ist heute üblich, dass es in Systemen Hunderte oder gar Tausende solcher Metriken gibt. Eine diagnostische Analyse hilft, da sie nicht nur informiert, sondern diagnostiziert, indem sie diese KPIs weiter untersucht und korreliert, um Ihnen Vorschläge zum möglichen Ursprung des Problems machen zu können. Ich bezeichne die diagnostische Analyse gerne als Reihe von Aktionen, die ein System durchführen kann, damit die Beteiligten besser verstehen, warum etwas passierte. Das Schlüsselwort hierbei ist "Warum".

Unsere dritte Art der Datenanalyse ist die prädiktive Analyse. Die prädiktive Datenanalyse ist komplexer, da sie, wie der Name schon sagt, vorhersagt, was in der Zukunft wahrscheinlich passieren wird. Grundlage sind Daten aus der Vergangenheit oder eine Kombination aus Daten aus mehreren Datensets und -quellen. Kurz gesagt, es wird versucht, die Zukunft auf der Grundlage vergangener Handlungen vorherzusagen. Bei der diagnostischen Analyse werden oft neuronale Netze, Regression und Entscheidungsbäume verwendet, die wir in einem anderen Kurs behandeln.

Und nun, last, but not least, die präskriptive Analyse, die im Prinzip die Summe aus allen vorherigen Arten ist. Die präskriptive Analyse kann den Beteiligten Vorschläge zu den am stärksten datengestützten Entscheidungen machen, die auf der Grundlage vergangener Ereignisse und Ergebnisse getroffen werden sollten. Die präskriptive Analyse setzt stark auf maschinelles Lernen, um Muster und die zugehörigen Abhilfemaßnahmen zu finden, indem große Datensets analysiert und korreliert werden.

Unabhängig davon, welche Art von Datenanalyse Sie lernen und anwenden möchten, gilt: Die Datenanalyse ist eine Schnittmenge aus der Verwendung von Informationstechnologie, Statistiken und Fachwissen, wie soziale Medien, Wirtschaft oder Industrie. In diesem Kurs liegt der Fokus darauf, wie man AWS-Services für die deskriptive Analyse verwendet und anhand von Sicherheitsprotokollen feststellt, was bei einem AWS-Account geschieht.

Da Sie jetzt die verschiedenen Arten der Datenanalyse kennen, sehen wir uns als Nächstes einige weitere Beispiele dazu an, wo die Datenanalyse schon jetzt Teil unseres Lebens ist.