Data Science

Die MDIS Wissensdatenbank

Was versteht man unter Data Science?

Überall sind Daten und Methoden und es gilt, diese gewinnbringend zu nutzen. Daten sind wichtig und beeinflussen zukünftig noch stärker strategische und operative Entscheidungen in Unternehmen. Damit Daten für fachliche Fragen analysiert werden und Modelle oder Szenarien vorhersagen können, ist Data Science notwendig. Der Zusammenschluss aus verschiedenen Bereichen und Kompetenzen soll wertschöpfende Vorteile aus den Daten schaffen.

Data Science ist die Wissenschaft der Daten bzw. der Wissensgenerierung aus Daten. Diese müssen dafür in großen Mengen und in hoher Qualität vorliegen. Häufig verwenden Unternehmen ERP-Systeme, um Daten auf kollaborativen Plattformen aufzubereiten. So können sie anschließend die Anwender bei der Lösung von Problemen unterstützen. Data Science ist gefragt, doch leider fehlt es an geeigneten Fachkräften, um den Bedarf zu beantworten, den es aufgrund der Digitalisierung in den Betrieben gibt.

Verschiedene Fachrichtungen wie Mathematik, Informatik, Statistik und Fachwissen der einzelnen Branchen fließen in Data Science zusammen. Der Begriff wurde schon in den 1960er-Jahren verwendet und galt damals zunächst als Synonym für Informatik. Heute geht es mehr um die Generierung von Wissen aus Daten und dem Ableiten von Handlungsempfehlungen. Zusammen mit Künstlicher Intelligenz und Maschinellem Lernen wird Data Science.

Was sind die Ziele von Data Science?

Gewinnung von Wissen aus Daten
Unternehmensprozesse optimieren und automatisieren
Grundlage für Handlungsempfehlungen schaffen
Unterstützung der Unternehmenssteuerung
Erstellung von Prognosen
Vorhersage von zukünftigen Ereignissen
Erkennen von Trends und Veränderungen

Data Science schafft Mehrwert aus Big Data

Die richtigen Entscheidungen im Unternehmen müssen schnell und proaktiv getroffen werden. Datensilos müssen aufgelöst werden, um detaillierte Einblicke in die Daten zu erhalten und Prognosen zu erstellen. Die steigenden Datenfluten überfordern viele Organisationen. Die Antwort kann hier nur ein zielgerichtetes und strukturiert organisiertes Konzept sein, dass Data Science als Wertschöpfungsfaktor nutzt.

Data Science treibt die Digitalisierung voran, indem Daten nutzbar gemacht werden und sie einen tiefgehenden Sinn erhalten. Das Vorhandensein von Daten, ihre Speicherung in Warehouses und die Verteilung zu relevanten Stellen muss durch Echtzeit-Analysen, Untersuchung von historischen Daten und einer zentralen ERP-Datenplattform ergänzt werden, um wirkungsvoll zu sein.

Warum ist Data Science so wichtig?

Ein Kernpunkt der Data Science beschäftigt sich mit den Ereignissen rund um Predictive Analytics, bei denen es um statistische Verfahren geht, die mögliche Entwicklungen oder zukünftige Situationen im Vorfeld erkennen können. Dieses Wissen versetzt Unternehmen in die Lage, bestimmte Abläufe rechtzeitig anzupassen oder neue Geschäftsmodelle zu entwickeln, um den Markt zu bedienen, noch bevor es die Konkurrenz tut.

Über Data Science lassen sich Methoden, Verfahren, technische Systeme und IT-Strukturen etablieren, mit denen sich die Datenfluten in Unternehmen bewältigen lassen. Die großen Datenmengen haben zum Begriff Big Data geführt, ein weiterer wichtiger Bereich von Data Science. Data Science ermöglicht die Analyse von Daten, egal ob strukturierte oder unstrukturierte Daten, und lässt parallel Prozesse laufen, die die Daten verarbeiten und analysieren.

Die Nutzung eines ERP-Systems ist dringend angeraten, um diese komplexen Aufgaben zu bewältigen. Außerdem hat das den Vorteil, dass jedes Unternehmen seine eigenen Methoden und Ansätze zur Datenanalyse integrieren kann.

Wie läuft Data Science ab?

Auch wenn die Abläufe individuell sein können, gibt es im Rahmen von Data Science Standardschritte, die als Rahmenwerk dienen.

Sammlung von Daten aus verschiedenen Quellen und ihre Extraktion
Lagerung, Bereinigung und Umwandlung in einem Data Warehouse
Verarbeitung der Daten, zum Beispiel durch Data Mining oder Clustering
Analyse der Daten mithilfe von Predictive Analytics oder Text Mining
Kommunikation der Ergebnisse auf Dashboards oder über Enterprise Reporting

Anwendungsfälle von Data Science

Daten sammeln wird nicht ausreichen, um Unternehmen voranzubringen. Die Anwendungsfälle von Data Science zeigen sich entlang der Wertschöpfungskette und immer da, wo eine Vielzahl an Daten vorliegt. Denn auf dieser Datenbasis werden mit den Methoden von Data Science Prognosen erstellt. Bei Data Science geht es im Kern darum, Lösungen oder Gegenmaßnahmen zu finden. Dafür muss zunächst eine konkrete Frage gestellt werden, die mit den Analysen beantwortet werden soll.

Unabhängig von Branchen oder Bereichen finden sich die folgenden Anwendungsfälle:

Explorative Datenanalyse, um vorliegende Daten auszuwerten und damit Hypothesen zu stützen
Vorhersage von Wahrscheinlichkeiten, wie Kauf- oder Kündigungswahrscheinlichkeiten
Erkennung von Anomalien und Unregelmäßigkeiten in den Daten
Numerische Werte vorhersagen, indem historische Daten analysiert werden
Zusammenhänge und Gruppierungen innerhalb von Big Data erkennen
Text, Sprache, Bilder und Videos analysieren und auswerten
Analytische Fragen beantworten
Ableitung von mathematischen Modellen für Umsatz- und Absatzsteigerungen

Routen und interne Abläufe in Echtzeit lassen sich mit Data Science in der Logistik optimieren, indem externe Faktoren wie Verkehrsdaten oder Wettervorhersagen berücksichtigt werden.

Im Finanzsektor hilft Data Science bei der Verarbeitung von Daten, beispielsweise für die Kreditvergabe.

Der Einzelhandel verwendet Data Science zum Erstellen zielgerichteter Marketingkampagnen, die auf der Analyse von Verbraucherpräferenzen basieren.

Das Gesundheitswesen profitiert von Data Science durch präventive Medizin, bei der neue Behandlungsmethoden gefunden und Diagnosen beschleunigt werden.

Data Science schafft Wettbewerbsvorteile

In Zeiten disruptiver Technologien geht es darum, sich den Herausforderungen zu stellen und zu erkennen, dass Daten für Wertschöpfung stehen. Mit Data Science gelingt der Weg zum datengetriebenen Unternehmen, in dem Entscheidungen nicht länger auf Basis von Intuition getroffen werden.

Die Potenziale von Data Science sind enorm, denn der interdisziplinäre Ansatz lässt sich in fast jedem Unternehmensbereich sowie jeder Branche nutzen, um Prozesse zu optimieren und Vorhersagen zu treffen. Damit generieren Unternehmen nachhaltige Wettbewerbsvorteile gegenüber der Konkurrenz, und die werden wegen der dynamischen Märkte und globalen Herausforderungen dringend benötigt.