Mehr als ein Buzzword: Was kann Data Science wirklich?

1687
Mehr als ein Buzzword: Was kann Data Science wirklich?
© Pixabay - pexels.com

Im Zuge der Digitalisierung werden an jeder Stelle des Geschäftsprozesses Daten generiert und gespeichert. Es entstehen unüberschaubare Datenmengen, kurz: Big Data.

Von Big Data zu Data Science

Das reine Sammeln von Daten nutzt Unternehmen allerdings wenig. Daten bekommen erst einen Wert, wenn sie:

  • Geschäftsprozesse optimieren
  • Geschäftsprozesse automatisieren
  • Geschäftsmodelle digitalisieren

Dafür müssen Informationen aus verschiedensten Datenquellen analysiert werden. Derzeit werden dafür häufig Datenwerte vergangener Messzeiträume genutzt und die Ergebnisse in Management Reports aufbereitet. Die Auswertungen der vergangenen Szenarien bilden dann die Basis für Entscheidungen.

Mit Data Science neues Wissen generieren

Data Science ermöglicht zukunftsgerichtete Methoden.

Das Grundprinzip: Unternehmen hinterfragen zunächst, welches Wissen sie benötigen, um innovative Produkte zu entwickeln und neue Märkte zu erschließen. Diese Frage entscheidet dann darüber, welche Daten erfasst und ausgewertet werden. Data Science nutzt dafür komplizierte statistische Modelle, um bisher verborgene Zusammenhänge aufzudecken.

EXTRA: Künstliche Intelligenz, Machine & Deep Learning: Die Unterschiede

Mit Hilfe dieser Berechnungen können Entscheidungen im gesamten Unternehmen unterstützt, und damit ganze Geschäftsprozesse und -modelle grundlegend verändert werden. Doch wie kann das aussehen?

Predictive Analytics ermöglichen den Blick in die Glaskugel

Innerhalb der vielfältigen Anwendungsmöglichkeiten zeigen zum Beispiel die Predictive Analytics, vorausschauende Analysen, das Potenzial von Data Science auf. Gemeint sind Algorithmen, die wiederkehrende Muster in Daten identifizieren und auf dieser Basis Zukunftsprognosen errechnen.

Ein Anwendungsbeispiel: Predictive Maintenance

Vorausschauende Analysen ermöglichen auch die Predictive Maintenance, also die vorausschauende Wartung von Maschinen oder Anlagen. Datengestützt wird der perfekte Zeitpunkt für den Austausch von Ersatzteilen zum einen mit Hilfe bereits vorhandener Daten, zum anderen mit Hilfe von Prognosen berechnet. Dazu gehören unter anderem folgende Messwerte:

  • Beanspruchung des betroffenen Maschinenteils
  • Voraussichtliche Belastung
  • Zeitpunkt, zu dem vergleichbare Teile verschleißen
  • Umgebungstemperatur
  • Konjunkturell schwankende Lieferzeiten für das Ersatzteil
  • Preisschwankungen beim Zulieferer
  • Auswirkungen auf die Produktion

Steht etwa eine Hochproduktionsphase bevor, lohnt es sich, das Teil schon eher auszutauschen. Hingegen können bei einer geringen Belastung auch anstehende Preissenkungen oder Produktionspausen abgewartet werden.

Je mehr Daten also in die Analyse einfließen, desto genauer lässt sich der perfekte Zeitpunkt für die Wartung berechnen. Wenn außerdem Algorithmen selbstständig Entscheidungen treffen können, lässt sich die Wartung und Ersatzteilbeschaffung noch effizienter und kostengünstiger abwickeln.

Die richtigen Voraussetzungen für Data Science schaffen: 4 Schritte

Bevor Data Science in Unternehmen implementiert wird, müssen grundlegende Voraussetzungen getroffen werden:

1. Definiere eine Datenstrategie

Sie stellt die Verbindung zwischen der Erfassung der Daten und deren sinnvollen Nutzung im Einklang mit der Unternehmensstrategie her. Unternehmen gewinnen so Klarheit darüber, welche Daten zur Verfügung stehen und identifizieren, welches Wissen künftig gebraucht wird, um Unternehmensziele zu erreichen oder Prozesse zu optimieren.

2. Nutze Expertenwissen

Unternehmen benötigen Spezialisten, sogenannte Data Scientists. Sie übersetzen die Datenstrategie in mathematische Berechnungen. Die Modelle und Analysen, mit denen Data Scientists arbeiten, sind hochkomplex und keinesfalls leicht zu interpretieren. Fehlt die Expertise, ist das Risiko einer Fehleinschätzung hoch.

EXTRA: Karriere-Check: Was macht ein Data-Scientist?

3. Befähige deine Mitarbeiter

Um Wissen aus den Daten zu gewinnen und valide Aussagen treffen zu können, müssen auch die weiteren Mitarbeiter im Umgang mit Datenanalysen befähigt werden und lernen, diese gezielt einzusetzen. Denn auch Data Scientists können nur gute Antworten geben, wenn die richtigen Fragen aus den Fachbereichen gestellt werden.

4. Rüste deine Infrastruktur auf

Damit Experten effektiv arbeiten können, benötigen sie leistungsfähige Tools. Hier kommt es auf Skalierbarkeit und eine starke Performance an. Die schon jetzt beachtlichen Datenmengen werden in Zukunft weiter wachsen und datenbasierte Entscheidungen brauchen schnelle Analyseergebnisse. Das stellt hohe Anforderungen an das Herzstück einer IT-Infrastruktur, die Datenbank. Anwendungen, die auf In-Memory-Technologie basieren, bekommen daher immer mehr Aufmerksamkeit.

Du willst nichts mehr verpassen?

Newsletter & ePaper

  • die besten Artikel in dein Postfach
  • unser ePaper - alle 2 Monate gratis
  • Rabattaktionen & Gewinnspiele
  • kostenlos & jederzeit abbestellbar
Mathias Golombek
Als CTO von Exasol ist Mathias Golombek in erster Linie für die Technologie des Unternehmens zuständig. Er begann seine Karriere 2004 als Software Entwickler bei Exasol und wurde 2013 Mitglied der Geschäftsführung. Exasol ist Hersteller einer In-Memory-Analytics-Datenbank, mit Sitz in Nürnberg, das bereits viele mittelständische Unternehmen aus verschiedenen Branchen dabei unterstützt hat, wirklich datengetrieben zu werden und Entscheidungen auf Grundlage sauberer und relevanter Daten zu treffen.

Kommentiere den Artikel

Bitte gib deinen Kommentar ein!
Bitte gib hier deinen Namen ein

Der Artikel hat dir gefallen? Gib uns einen Kaffee aus!