Suchen

Von Big Data zu Fast Data Fünf Methoden für eine schnellere Datenanalyse

Autor / Redakteur: Frank Wenzel / Nico Litzel

Durch die digitale Vernetzung wird der Kampf um die industriellen Spitzenpositionen zunehmend in der digitalen und weniger in der realen Welt ausgetragen. Indem Akteure die für sie relevanten Daten erfassen und in aussagekräftige Analysen umwandeln, können sie ihre Wettbewerbsposition verbessern.

Firmen zum Thema

Der Autor: Frank Wenzel ist Sales Director TIBCO Analytics
Der Autor: Frank Wenzel ist Sales Director TIBCO Analytics
(Bild: TIBCO)

Auf Basis von Echtzeitdaten können die Akteure zielgerichteter und effizienter Handeln und proaktiv auf Entwicklungen reagieren, da sie die Erkenntnisse ihrer Analysen direkt in ihre Entscheidungen einfließen lassen. Um sich gegenüber der Konkurrenz einen Wettbewerbsvorteil zu sichern, ist nicht nur eine umfassende Datenanalyse, sondern vor allem eine kurze Reaktionszeit unabdingbar – und das trotz großer Datenmengen.

Durch schnellere und komplexere Analysen können Entscheider in Unternehmen in kürzester Zeit auf Ergebnisse zugreifen und nach deren Maßgabe handeln, das heißt, agieren statt nur reagieren. Mit den folgenden fünf Methoden können Unternehmen ihre Datenanalyse beschleunigen und so ihre Wettbewerber hinter sich lassen.

1. Nicht regelkonforme Daten bereinigen und bearbeiten

Unternehmen werden meist mit großen Datenmengen konfrontiert. Diese sind nicht immer für die entsprechende Analyse formatiert und müssen daher dringend bereinigt werden. Doch oft wird erst bei der Analyse deutlich, welche Korrekturen vorgenommen werden müssen.

Beispielsweise werden zeitbasierte Daten nicht immer als solche erkannt, deren Bereinigung stellt dann eine Grundvoraussetzung für die Analyse dar. Für eine schnelle und effiziente Datenauswertung ist eine Bearbeitung der Daten „on the fly“ genauso wichtig wie eine Vorabaufbereitung. Visuelle Analysen machen es möglich, Mängel innerhalb kürzester Zeit zu entdecken und so nicht regelkonforme Daten vor und während des Analyseprozesses zu bereinigen.

2. Empfohlene Visualisierung mit nur einem Klick

Mit voll formatierten Visualisierungsoptionen, entwickelt auf Grundlage von Best Practices, kann die Nutzung von Geschäftsdaten ebenfalls beschleunigt werden. Kartenvisualisierungen eignen sich beispielsweise besonders gut für die Darstellung geografischer Informationen, Liniendiagramme hingegen eher für die Beobachtung zeitlicher Entwicklungen.

Die Vorlagen tragen dazu bei, den Entscheidungsprozess für die richtige Darstellungsweise der Daten abzukürzen, da die passenden Grafiken bereits vorliegen und der Anwender nur noch auswählen muss. So kann innerhalb kürzester Zeit die perfekte Visualisierung für das jeweilige Erkenntnisinteresse gefunden werden, was wiederum eine schnelle Auswertung der Daten zur Folge hat.

3. Freie Datenexploration für schnellere, umfassendere Einblicke

Oft tauchen bei der Auswertung von Daten unerwartet neue Fragen oder Analyseansätze auf, die eine andere Perspektive erforderlich machen. Die Datenanalyse darf deshalb kein starres, kompliziertes System sein, sondern muss intuitiv und schnell die Kombination verschiedener Datensegmente ermöglichen. So können beispielsweise Daten zur Altersstruktur der Kunden mit geografischen Daten verknüpft werden. Datenfilter, farbliche Markierungen und Raster helfen dem Anwender, seinen Fokus je nach Bedarf voll und ganz auf die Auswertung der Daten nach verschiedenen Gesichtspunkten zu richten und die Informationen nach Belieben zu kombinieren und seinem Erkenntnisinteresse entsprechend darzustellen.

4. Mehr als Standardkartenvisualisierung

Standortdaten liefern Unternehmen eine Fülle an Informationen, die einfach zu verstehen und darzustellen sind. Doch häufig bieten Analysetools nur eine eingeschränkte Kartenvisualisierung mit einer einzigen Ebene. So werden nur einzelne Aspekte in einer Visualisierung abgedeckt, sodass eine Vielzahl an Darstellungen notwendig ist, um die gewünschten Erkenntnisse zu erzielen.

Wenn jedoch die Eindimensionalität von Kartenvisualisierungen aufgehoben wird, indem Karten mit mehreren Ebenen zur Verfügung gestellt werden, können Anwender ein weitaus besseres Verständnis von Geodaten gewinnen, die verschiedenen Daten sind schneller auf einen Blick verfügbar, können eingefärbt und durch einfache Klicks und Zooms sichtbar gemacht werden.

5. R-Skripts optimieren und in produktionsreife visuelle Anwendungen implementieren

Obwohl R die weltweit beliebteste Programmiersprache für statistisches Rechnen ist, birgt sie durch ihre Open-Source-Engine Schwachstellen bei der Integration in Unternehmensanwendungen, wie beispielsweise lose Integrationen oder manuelle Konfigurationen. Außerdem lässt die Leistung der R-Engine mit zunehmender Datenmenge schnell nach, wodurch ein unnötiges und fehleranfälliges Umschreiben erforderlich werden kann.

Für eine schnelle Datenanalyse sollte deshalb eine nahtlose Integration der R-Skripts in die Anwendungssoftware gewährleistet sein, um diese speichern, anpassen und mit anderen Nutzern teilen zu können. Der Vorteil des Teilens von R-Skripts mit anderen Anwendern ist, dass auch Analysten, die keine Programmierkenntnisse haben, in der Lage sind, bereits vorhandene Skripts auf neue Anwendungen bzw. Analyseansätze anzuwenden.

(ID:43872019)