Analytische Modellierung: eine Mischung aus Wissenschaft und Kunst
Kunst oder Wissenschaft? Analytische Modelle basieren auf Algorithmen, erkennen Muster in Big Data und verwandeln sie in mathematische Gleichungen.
Fortschrittliche Formen der Datenanalyse und moderne Business Intelligence sind ohne Modelle nicht denkbar. Modelle basieren auf statistischen Algorithmen und Algorithmen des maschinellen Lernens, die innerhalb großer Datenmengen (Big Data) Muster und Beziehungen erkennen und sie in mathematische Gleichungen verwandeln.
Da diese Algorithmen in der Regel äußerst komplex sind, benötigen Unternehmen die Expertise von Mathematikern und Statistikern (zum Beispiel Data Scientists), um die Modelle zu erstellen und zu optimieren, damit sie den wechselnden geschäftlichen Anforderungen und Bedingungen gewachsen sind.
Aber analytische Modellierung ist nicht nur eine Wissenschaft, sprich eine Frage der Quantität und linken Gehirnhälfte, sondern auch Kunst. Zur Kunst der Modellierung gehört die Auswahl der richtigen Datensätze, Algorithmen und Variablen sowie der richtigen Methode, um Daten für ein bestimmtes Geschäftsproblem zu formatieren.
Doch die Technik dahinter reicht nicht allein. Die Führungskräfte im Unternehmen müssen die Ergebnisse des Modells verstehen und erkennen, wie die Firma davon profitiert. Dies ist sozusagen der letzte Schritt der analytischen Modellierung. Ohne dieses Verständnis werden die Business-Manager die analytischen Erkenntnisse kaum als Grundlage für wichtige Entscheidungen verwenden.
Business-Entscheider betrachten Modelle skeptisch
Ein analytisches Modell bewertet oder klassifiziert Datenwerte hauptsächlich, indem es eine Linie durch Datenpunkte zieht. Wird das Modell mit neuen Daten oder Datensätzen gefüttert, kann es auf Basis historische Muster Ergebnisse oder Folgen vorhersagen. Doch nicht alle Modelle sind transparent, sondern oft das Gegenteil.
Viele Business-Entscheider sind daher Modellen gegenüber skeptisch eingestellt, es sei denn, eine auf dem Modell basierende Entscheidung bringt positive Folgen wie sinkende Betriebskosten oder steigende Umsätze. Um Big-Data-Analytics erfolgreich zu gestalten, müssen die Modelle widerspiegeln, wie die Business-Entscheider die Realität ihres Geschäfts wahrnehmen – und sie müssen diese Verbindungen verdeutlichen.
Zudem kann eine Portion Realismus nicht schaden. Nur wenige Modelle liefern brandneue Erkenntnisse über Geschäftsdaten. Die meisten extrahieren Beziehungen oder Muster, die Menschen bereits kennen, sonst aber möglicherweise übersehen oder ignoriert hätten.
Ein Beispiel: Ein Verbrechensmodell sagt voraus, dass sich die Zahl der kriminellen Vorfälle in einer bestimmten Gegend während einer bestimmten Sommernacht erhöhen wird. Ein Polizeibeamter könnte die Aussage missverstehen und denken, dies sei klar, weil an diesem Tag auf der lokalen Schnellstraße ein Autorennen stattfände.
Mehr zum Thema Analytics:
Prescriptive Analytics: Analytisches Modell mit hohem Reifegrad.
Fünf Schritte auf dem Weg zu effektiver Big-Data-Analytics.
Big-Data-Analytics: Einsatzszenarien für die (IT-) Security.
Unternehmen erreichen höheres ROI mit Big Data und Analytics.
Im Zuge dieses Rennens steige die Kriminalität in der Umgebung grundsätzlich leicht an. Für den Polizeibeamten wäre diese Information also keine grundsätzlich neue Erkenntnis. Der Aufwand für den Aufbau des Modelles war aber nicht vergeblich: In diesem Fall verstärkt das Modell das implizite Wissen des Polizisten und rückt es in den Vordergrund, so dass er entsprechend reagieren kann.
Gelegentlich führen Modelle zu bahnbrechenden Erkenntnissen. Ein Beispiel ist die Kreditkartenindustrie, die analytische Modelle verwendet, um Betrugsfälle aufzudecken und zu verhindern (Fraud Detection). Vor einigen Jahren entdeckten Analysten über eine Kombination von Algorithmen und Datensätzen eine neue Art des Betrugs: Die Täter nutzten automatische Zahlengeneratoren, um die Kreditkartennummern von E-Commerce-Websites herauszufinden.
Die Modelle erkannten, dass nahezu identische Kreditkartennummern eine große Anzahl an Transaktionen und viele Ablehnungen erzeugten. Über dieses neue Muster ermittelten die Unternehmen schnell, was vor sich ging, und implementierten passende Sicherheitsmaßnahmen, um betrügerische Transaktionen in Millionenhöhe zu verhindern.
Häufig herrscht der Glaube vor, Unternehmen könnten die Analyse von Daten verbessern, indem sie Statistiker engagieren, die die Nuancen ausgefeilter Algorithmen verstehen und für die Datenanalyse leistungsstarke Tools einsetzen. Doch das reicht noch lange nicht aus.
Die Kunst der analytischen Modellierung erfordert die genaue Kenntnis der Prozesse und Daten eines Unternehmens sowie die permanente Kommunikation mit den Business-Entscheidern – und damit auch großes Verständnis für geschäftliche Anforderungen. Wie die Hersteller von erlesenem Möbel können auch Analytics-Experten qualitativ hochwertige Modelle mit bleibendem Wert erstellen, von denen ihr Unternehmen langfristig profitiert.
Folgen Sie SearchEnterpriseSoftware.de auch auf Twitter, Google+ und Facebook!
