The Field Guide to Data Science

Viele Anwendungsszenarien zum Beispiel im Bereich der Industrie 4.0 oder auch des Marketings verwenden ausgefeilte mathematische Rechenmodelle für die Entscheidungsunterstützung.

Inzwischen sind Software und Hardware so leistungsfähig geworden, daß ähnliche Methoden der Datenanalyse in sehr vielen Bereichen auf dem Vormarsch sind.

Ein sehr guter Guide in diese Welt stammt von der Unternehmensberatung Booz Allen Hamilton.

The Field Guide to Data Science

Unter dem gleichnamigen Titel „The Field Guide to Data Science“ stellt die Firma Booz Allen Hamilton auf ihrer Website einen sehr empfehlenswerten Guide zum kostenlosen Download zur Verfügung (Links am Artikelende).

Wenn Sie diesen Guide nicht kennen, und im Bereich der Datenanalyse oder der Darstellung von Daten arbeiten, lege ich Ihnen das Dokument ans Herz. Ich habe dort einige Antworten erhalten, die ich in meiner täglichen Arbeit verwenden kann.

Besonders interessant finde ich an diesem Dokument die Mischung zwischen eher theoretischen Inhalten auf der einen Seite, und den Fallstudien, die auf der anderen Seite zeigen, was ein mathematisch statistisches Modell leisten kann bei der Verbesserung von betrieblichen Aufgabenstellungen.

Wenn Sie immer noch nicht motiviert sind: In dem Dokument finden sich einige konkrete Zahlen zum Nutzen eines datenbasierten Managements. Eine dieser Zahlen, welche die Wichtigkeit statistischer Methoden belegt, ist:

„5-6% performance improvement for organizations making data-driven decisions.“

Inhalte

Das Dokument führt seine Leser kompetent durch folgende Bereiche:

  • Im ersten Teil stellt das Dokument die Grundzüge der Datenanalyse dar, und zeigt dann – neben der Begriffsdefinition, wie die Datenanalyse vorgeht, und was Firmen tun müssen, um mehr aus den eigenen Daten zu machen. Hier fallen dann Begriffe, wie der „Data Lake“, d.h. die neue Methode, Daten originär abzuspeichern, damit diese später flexibel und einfach ausgewertet werden können.
  • Ein weiterer Teil des Dokuments beleuchtet die praktischen Aspekte bei der Auswertung von Daten, und stellt eine Übersicht von Methoden und deren Anwendung zur Verfügung. Beispielsweise wird dort gezeigt, wie breit das Spektrum der analytischen Techniken eigentlich ist, und  was die einzelnen statistischen Datenanalysemethoden gegenüber den anderen Methoden auszeichnet. Persönlich finde ich die Auswahlhilfen besonders hilfreich, die man ab ca der Dokumentmitte findet („Guide to Analytic Selection“), oder die detaillierten Tabellen zur Methodenauswahl weiter unten.
  • Ein eigenes Kapitel ist dem Bereich der künstlichen Intelligenz gewidmet, und den ausgefeilten mathematischen Entscheidungsmodellen. Dieser Bereich bespricht nicht nur die Methoden, sondern zeigt auch konkrete Anwendungsfälle. Interessant sind auch die Hinweise zu der Fragestellung, wie man Modelle validiert.
  • Die Schlusskapitel beleuchten neben der Frage nach der Zukunft der Datenanalyse die konkreten Anwendungsbeispiele, die sich über mathematische Modelle realisieren lassen. Zum Beispiel wird dort ein Vorhersagemodell behandelt, mit deren Hilfe sich vorhersagen läßt, wie Kunden auf Mehrkanalwerbung  reagieren („Predicting Customer Response„). Der Kunde bei dem es hier geht, verwendet das mathematische Modell, um a priori die Werbewirkung bestimmter Marketingmaßnahmen zu bestimmen. Hiermit erhöht er die Zielgenauigkeit der Werbung, und spart letztendlich sehr viel Geld.

Das Artikelbild behandelt übrigens auch eine Werbecampagne. Es stammt von den „Digital Collections“ der THE NEW YORK PUBLIC LIBRARY.

Weiterführende Informationen

Das Original dieses Artikels ist auf Der Produktmanager erschienen (©Andreas Rudolph). Folgeartikel zum Thema gibt es über die (→Mailingliste), oder indem Sie →mir auf Twitter folgen.

In der Online Version des Artikels finden Sie hier die versprochenen weiterführenden Links:

Comments are closed.