Moderne Unternehmen haben zwei Hauptquellen für Daten. Dazu gehören interne Daten, z. B. von Kunden, Mitarbeitern, Partnern oder Website-Besuchern, und externe Daten, z. B. aus Bewertungen von Influencern, sozialen Medien und Wettbewerbern. In der Vergangenheit wurden die Daten von Menschenhand gesammelt und analysiert, aber es ist eine schwierige und in vielen Fällen sogar unmögliche Aufgabe, daraus praktische Erkenntnisse zu ziehen. Die fortgeschrittene Analytik als Disziplin reift, konzentriert sich aber nach wie vor auf strukturierte Quellen, die zudem meist intern sind.
Hier kommt die fortgeschrittene Analytik ins Spiel, die automatisierte Untersuchung von Daten oder Inhalten mit modernsten Tools und Techniken. Traditionelle Business Intelligence konzentriert sich auf historische Muster, während Advanced Analytics gesammelte Daten nutzt, um zukünftige Trends aufzudecken und vorherzusagen.
Um zu verstehen, was Advanced Analytics ist, wollen wir uns ansehen, wie sie in der Praxis funktioniert.
Sechs Schritte der fortgeschrittenen Analytik zur Steigerung des Geschäftswerts von Daten
Advanced Analytics ist der zentrale Motor einer Data Fabric, die mehrere Elemente umfasst, darunter Datensammlung, Datenklassifizierung und Datenzugriff. Advanced Analytics folgt einer genauen Abfolge:
Externe Datenpipeline
Die fortschrittliche Analytik versucht, die Datenerfassung zu automatisieren. Daten in ihrer ursprünglichen Form werden in der Regel immer noch von einem Menschen eingegeben, z. B. eine Bewertung, die jemand zu einem Produkt schreibt, oder ein Beitrag in den sozialen Medien. Andere Quellen sind Zusammenfassungen, aktuelle Ereignisse, Verzeichnisregister, öffentliches Wissen und Patente.
Daten können manuell gesammelt werden, aber das ist ineffizient und lässt sich nicht skalieren. Die automatisierte Datenerfassung sammelt kontinuierlich Daten durch den Einsatz von APIs, Scraping und Integrationen von Drittanbietern. Auf diese Weise kann eine Vielzahl aktueller Daten in großem Umfang in die erweiterte Analyse-Pipeline einfließen - ein Muss für den Erfolg.
Datenaufbereitung
Externe Daten werden von Menschen in ihrem täglichen Leben erstellt und daher nicht immer in einer bestimmten Form eingegeben. Manchmal sind sie in verschiedenen Sprachen, in unterschiedlichen Strukturen wie Grafiken, manchmal völlig unstrukturiert und aus verschiedenen Datentypen wie auf dem Markt befindlichen Produkten, Patenten und Geschäftsaktivitäten.
Einige Arten von Daten können wertvoller sein als andere. Ein Beitrag eines wichtigen Meinungsführers hat zum Beispiel eine viel größere Wirkung als ein Beitrag von einem allgemeinen Mitglied der Öffentlichkeit. In dieser zweiten Phase bereitet die Maschine die Daten in eine Form auf, in der sie analysiert werden können. Dazu gehört auch das Bereinigen der Daten, d. h. das Identifizieren und Korrigieren (oder Löschen) unvollständiger, ungenauer oder irrelevanter Daten, das Normalisieren der Daten und das Identifizieren wichtiger Strukturelemente in den unstrukturierten Daten.
Extraktion von Inhalten und Stimmungen
In diesem Schritt werden Algorithmen für maschinelles Lernen und natürliche Sprachverarbeitung (NLP) auf die wichtigsten Datenelemente angewandt, um die Bedeutung der Daten herauszufinden. Die Bedeutung kann z. B. ein Wert sein, der einen bestimmten Nutzen, ein Merkmal oder einen Inhaltsstoff darstellt, auf den sich ein Datenelement bezieht, sowie die Stimmung, die mit diesem Wert verbunden ist. Diese komplexe Automatisierung ahmt den menschlichen Prozess des Verstehens von Inhalten nach und legt die Messlatte für die Qualität von Advanced Analytics hoch. Die Genauigkeit von Advanced Analytics hängt in hohem Maße von der Genauigkeit dieses Schritts ab.
Datenfusion
Nachdem die Informationen aus den zahlreichen Quellen extrahiert wurden, werden sie in einen einheitlichen Datensatz integriert. Das ist aussagekräftiger, als jeden Datensatz für sich zu betrachten. Stell dir vor, wie Menschen Daten aus ihren fünf Sinnen kombinieren, um ihre Wahrnehmung der Welt zu verbessern. In ähnlicher Weise kombinieren automatisierte Prozesse Daten, um Beziehungen aufzudecken, die Datenwissenschaftler/innen sonst nicht bemerkt hätten.
Datenmodellierung
Hier kommt alles zusammen. Sobald die unstrukturierten, unsauberen Daten bereinigt und umgewandelt sind, können die Analysten zum fruchtbaren Teil ihrer Arbeit übergehen: Sie müssen die Dinge miteinander verbinden und Modelle entwickeln, die Auswirkungen, Abhängigkeiten, Trends und Vorhersagen aufzeigen. So entstehen umsetzbare, vorausschauende Erkenntnisse, die Marken nutzen können, um um die Ecke zu schauen und ihr Geschäft zukunftssicher zu machen. Ohne leistungsstarke KI-Techniken und breit gefächerte Daten ist es unmöglich, dies in großem Umfang zu tun.
Datenmanagement
Nachdem die Daten zur Erstellung eines Modells verwendet wurden, können sie für spätere verfeinerte Modelle gespeichert werden. Dies erfordert ein gut verwaltetes System zur Verarbeitung, Speicherung und Authentifizierung von Daten. An diesem Punkt beginnt die Abfolge von vorne, da die Analyseplattformen Daten sammeln und den Prozess wiederholen.
Es ist wichtig zu wissen, dass es bei jedem dieser Schritte menschliche Berührungspunkte geben kann. Menschen können entscheiden, welche Daten gesammelt werden sollen, diese dann prüfen, bereinigen, strukturieren und daraus verwertbare Erkenntnisse ableiten. Die Herausforderung, der sich Advanced Analytics stellt, lautet: Wie können wir diesen Prozess automatisieren, um wertvolle Erkenntnisse zu gewinnen, die auf herkömmliche Weise möglicherweise übersehen werden?
Der Geschäftswert von Daten und erweiterten Analysen
Nehmen wir ein Beispiel aus der Coronavirus-Pandemie. Datenwissenschaftler/innen könnten sich zum Beispiel ansehen, wie oft das Immunsystem erwähnt wird, und dann die Anzahl der Produkte untersuchen, die über die Stärkung des Immunsystems sprechen. Wenn sie feststellen, dass das Immunsystem sehr oft erwähnt wird, es aber nur sehr wenige Produkte gibt, die diese Funktion für sich beanspruchen, wäre das ein Hinweis auf einen ungedeckten Bedarf auf dem Markt. Das Interesse der Öffentlichkeit ist groß, aber nur sehr wenige Unternehmen sprechen darüber.
Dieser Prozess ist teilweise menschlich, denn der Gedanke, der hinter der Betrachtung des Immunsystems steht, ist manuell.
Mit fortschrittlicher Analytik gehen wir über diese traditionelle Business Intelligence hinaus und decken Zusammenhänge auf, die niemand vorhergesehen hat. Nehmen wir zum Beispiel an, dass wir die Produktverkäufe verfolgen und dann die Inhaltsstoffe dieser Produkte auflisten. Vielleicht entdecken wir ein starkes Wachstum bei Produkten, die Vitamin C enthalten. Das System kann so etwas aufdecken und es vielleicht mit Trends wie dem Coronavirus und dem Interesse am Immunsystem in Verbindung bringen. Darüber muss niemand im Voraus nachdenken. Der Computer ist in der Lage, solche Zusammenhänge aufzudecken, indem er die Verkaufsdaten aufschlüsselt und sie mit den Inhaltsstoffen der einzelnen Produkte verbindet.
Die wahre Stärke liegt in der Kombination von menschlichem Modell und Maschinenmodell. Datenwissenschaftler können Modelle entwickeln, um Dinge miteinander zu verbinden und zu verstehen, was welche Auswirkungen haben könnte. Sie können ihr Branchenwissen nutzen, um zu verstehen, welche Attribute oder Merkmale, wie z. B. Inhaltsstoffe oder Patente, relevant sind. Analysten können dann ein Modell entwickeln, das die eingehenden Daten aufschlüsselt, um Verbindungen und Zusammenhänge aufzudecken, die sie allein nicht entdeckt hätten.
Diese zusätzliche Konnektivität ist ein Hauptfaktor für den geschäftlichen Nutzen von Advanced Analytics. Die Mischung aus menschlichen Erkenntnissen und leistungsstarken maschinellen Algorithmen ermöglicht es Analysten, Berge von Daten zu durchforsten und die relevanten Informationen zu finden. Sie können dann die Auswirkungen der Daten und Analysen auf das gesamte Unternehmen ausweiten. Das ist eine der größten Herausforderungen, denn oft sind die Analysen zu allgemein gehalten, um sie auf konkrete Entscheidungen anzuwenden. Wenn dies auf automatisierte Weise geschieht und die Daten aus externen Datenquellen in Echtzeit gestreamt werden, können Marken Veränderungen und Trends in Echtzeit aufdecken und darauf reagieren.
Wie Advanced Analytics in der Praxis funktioniert
Advanced Analytics nutzt eine Vielzahl von Techniken, um diesen sechsstufigen Prozess zu automatisieren.
Dazu gehören: Data/Text Mining, Pattern Matching, Prognosen, Visualisierung, semantische Analyse, Sentimentanalyse, Clusteranalyse, multivariate Statistik, Graphenanalyse, Simulation, komplexe Ereignisverarbeitung und neuronale Netze.
Zwei der leistungsfähigsten Techniken sind die natürliche Sprachverarbeitung (NLP), das maschinelle Lernen und die Bildverarbeitung.
- NLP zerlegt einen Rohsatz in seine taxonomischen Bestandteile. So können Analysten unstrukturierte Daten - wie z. B. Beiträge in sozialen Medien oder Produktbewertungen - in eine vereinfachte, strukturierte Form umwandeln, die sich leicht analysieren lässt. Die patentierten NLP-Algorithmen von Skaigehen über Open-Source-NLP-Methoden hinaus. Wir haben das Standard-NLP zerlegt und neu aufgebaut, um detaillierten Kontext und Stimmungen aus vielen verschiedenen Quellen und Datentypen zu extrahieren.
- Maschinelles Lernen ist eine Anwendung der KI, die Computern beibringt, Daten auf der Grundlage dessen zu verstehen, was sie über frühere Datensätze wissen. Ist eine Bewertung positiv oder negativ? Ein Algorithmus für maschinelles Lernen kann das, was er über frühere positive oder negative Bewertungen weiß, nutzen und eine neue Bewertung auf der Grundlage früherer Bewertungen kategorisieren. Maschinelles Lernen kann nicht nur die Bedeutung von Sätzen verstehen, sondern auch aktuelle Trends aufdecken und vorhersagen, wie sie sich in Zukunft entwickeln werden.
Insgesamt werden bei diesen Techniken die modernsten Konzepte aus Mathematik, Informatik und Linguistik angewendet. So können die Menschen in einem Unternehmen faktenbasierte Entscheidungen treffen, anstatt sich auf Vermutungen zu verlassen.
Wichtige Punkte, die bei der Evaluierung einer Advanced Analytics Plattform zu beachten sind
Moderne Analyseplattformen sind in der Regel sehr komplex. Sie zu entwickeln und zu pflegen, erfordert fortgeschrittene Fähigkeiten. Sie dienen aber auch der Demokratisierung von Daten und ermöglichen es den Entscheidungsträgern in deinem Unternehmen, die Erkenntnisse aus den Daten für faktenbasierte Entscheidungen zu nutzen.
Um sicherzustellen, dass eine fortschrittliche Analyseplattform gut geeignet ist, um möglichst aussagekräftige Erkenntnisse zu liefern, frag nach:
- DasInternet liefert einen ständigen Strom von Daten über Technologien, wichtige Meinungsführer, Veranstaltungen, Produkte, Verbraucher und Verkäufe. Um diese Daten zu nutzen, brauchen Marken eine Möglichkeit, diese externen Daten zu sammeln und sie zu strukturieren. Dazu müssen sie tief in externe Quellen eindringen und die Daten dann in den richtigen Kontext bringen, um verwertbare Erkenntnisse zu gewinnen. Die besten Plattformen automatisieren die Sammlung und Strukturierung von Daten, um sicherzustellen, dass du Erkenntnisse und Vorhersagen in Echtzeit gewinnen kannst. Signals Analytics ist eine dieser einzigartigen Plattformen - wir liefern sowohl die Daten als auch die Analysen in einem einzigen, konfigurierbaren Paket
- Wie strukturiert die Plattform diese Daten?Um den Datenstrom, der jede Sekunde entsteht, zu nutzen, brauchen fortschrittliche Analyseplattformen eine standardisierte Methode, um diese Rohdaten zu bereinigen und in eine brauchbare Form zu bringen. Dies erfordert fundierte Branchenkenntnisse, um den Kontext der Daten zu verstehen, sowie modernste NLP- und maschinelle Lernalgorithmen. Diese Algorithmen gehen über Open-Source-NLP-Techniken hinaus und ermöglichen es Marken, genaue Erkenntnisse aus Verbrauchergesprächen oder anderen Datenquellen in großem Umfang zu gewinnen.
- Sind die Prozesse der Datenerfassung und -analyse transparent?Sich bei der Entscheidungsfindung auf eine Analyseplattform zu verlassen, führt zu Skepsis bei den Beteiligten. Um Vertrauen in deine fortschrittliche Analyseplattform zu haben, solltest du sicherstellen, dass sie transparent macht, wie sie Daten sammelt und analysiert. Erkundige dich, welche Quellen sie für die Datenerfassung nutzt und wie sie die Daten bereinigt, strukturiert und auswertet. Stelle sicher, dass du dich darauf verlassen kannst, dass die Plattform datenbasierte Erkenntnisse liefert, auf die du reagieren kannst.
- Ist sie konfigurierbar?Um das Beste aus einer Analyseplattform herauszuholen, solltest du nach einer Plattform suchen, die benutzerdefinierte Datenquellen, Taxonomien, Modelle und Ausgaben unterstützt. Stelle sicher, dass du sie so konfigurieren kannst, dass sie dir die Erkenntnisse liefert, die du für schnelle und präzise Geschäftsentscheidungen brauchst.
-------------
*DieserBlogbeitrag erschien ursprünglich auf Signals-Analytics.com. Kenshoo hat Signals-Analytics im Dezember 2020 übernommen. Lies die Pressemitteilung.
