„Als Data-Scientist (m/w) suchen und finden Sie wie ein ‚Goldgräber‘ verborgene Schätze in den Daten unserer Kunden.“

So beginnt eine Stellenbeschreibung der Telekom (Abb. 1).

Abb. 1: Ausschnitt aus einer Online-Stellenanzeige der Telekom.

Der Harvard Business Review kürt den Beruf Data Scientist zum „Sexiest job of the 21th century“ und McKinsey prognostiziert, dass 2018 allein in den USA bis zu 190.000 Mitarbeiter mit solchen analytischen Fähigkeiten fehlen könnten. Auch in Deutschland sind Datenanalysten heiß begehrt. Unternehmen brauchen aber nicht nur solche Spezialisten, sondern insgesamt mehr Mitarbeiter, die mit Daten umgehen können. Hier besteht noch großer Nachholbedarf, wie eine aktuelle Studie von IDG Research zeigt.

Was ist dran an Data Science? Warum ist es wichtig? Wie kann es die Ergebnisse Ihres Unternehmens verbessern? Und welchen Beitrag kann eine Plattform für Visual Analytics dabei leisten? Das erfahren Sie in diesem Artikel.

Was ist Data Science?

Bei Data Science geht es nicht primär um die Daten, sondern um die Wissenschaft. Es geht um die Art, in der Daten aufbereitet, verarbeitet und analysiert werden. Mittels einer Reihe von analytischen Techniken und Verfahren werden aus Rohdaten wertvolle Informationen extrahiert und kommuniziert. Zugleich sollen Erkenntnisse gewonnen werden, die als Grundlage für weiteres Handeln dienen.
Zweck des Ganzen ist es, Prozesse zu optimieren und datengetriebene oder sachkundige Entscheidungen zu erleichtern. Dadurch lassen sich Zeit und Kosten sparen, Umsatz und Gewinn steigern oder auch mehr Menschenleben retten.

In seiner reinsten Form repräsentiert Data Science Prozess- und Ressourcenoptimierung und sorgt für „Einblicke in Daten“. Das sind Kenntnisse, mit denen Sie Ihr Unternehmen, Ihre Investitionen, Ihre Gesundheit, ja sogar Ihren Lifestyle und Ihr soziales Leben verbessern können. Mit Data Science ist es so, als könnten Sie im Dunkeln sehen.

Warum ist Data Science so wichtig?

Wie bereits oben erwähnt, gibt es vielfältige Ansätze, wie Data Science genutzt werden kann. Kurz gesagt: Mit Data Mining können Sie Ihr Business besser verstehen. Dabei werden Datenbestände automatisch analysiert und Antworten auf Fragen, die Sie vorab festgelegt haben, generiert.

Ein weiterer wichtiger Trend ist Predictive Analytics. Hierbei handelt es sich um die Erstellung von Prognosen, beispielsweise zu Unternehmenskennzahlen, Absatz und Konsumverhalten. Sie können in zahlreichen Bereichen von Bedeutung sein, etwa im Vertrieb, in der Fertigung oder im Einzelhandel. Diese Prognosen verschaffen Unternehmen einen Wettbewerbsvorteil gegenüber den Konkurrenten im Markt.

Wie profitiert Ihr Unternehmen von Data Science?

Die nachfolgenden Data Science-Beispiele aus der Praxis (in Form von Data Mining oder Predictive Analysis) zeigen anschaulich, was Data Science für Unternehmen leisten kann.

Steigerung der Verkäufe

Beispiel: Amazon (und Onlineshops allgemein)

Mittels Data Science können folgende Möglichkeiten zur Absatzsteigerung analysiert werden:

  • Up-selling und Cross-selling (Zusatzverkauf oder Querverkauf)
  • Steigerung der Kundenloyalität
  • Erhöhung der Konversionen in jedem Abschnitt des Marketing- und Sales Funnels
  • Verbesserung des Targetings bei Werbung und Rabatten



Beispiel: Hello Fresh

Echtzeitanalysen geben Einblicke in unterschiedliche Märkte und Kundensegmente.

  • Die Zentralisierung von Daten aus zehn Regionen erlaubt Echtzeit-Einblicke in Marketingkampagnen<.>
  • Die Kunden können detailliert segmentiert werden, was ganz neue Einblicke in das Business schafft.
  • Kontinuierliche Leistungsüberwachung der regionalen Marketing- und Vertriebsleistung

HelloFresh profitiert von Echtzeit-Analysen und -Entscheidungen.

Steigerung der Effizienz von Systemen, Prozessen und Abläufen

Beispiel: Sony

Durch Datenanalyse werden Zeit und Kosten eingespart.

  • Große Arbeitsersparnis durch das zentrale Erstellen einheitlicher Musikstreaming-Reports
  • Viele neue Erkenntnisse für das Marketing durch Detailanalysen
  • Zusätzliche Flexibilität und Geschwindigkeit durch die Einführung agiler Prozesse

Sony meistert Musikstreaming-Herausforderungen und optimiert die Marketingeffizienz

Minderung finanzieller Risiken

Beispiel: Kreditkartenunternehmen, Banken

Betrugsprävention und -erkennung („Fraud Prevention and Detection“)

Hier greift z. B. die Data Mining-Technik Anomalieerkennung („Anomaly detection“). Eine Anomalie wäre z. B, wenn ein Abhebungsbetrag um 30 % höher ist als der durchschnittliche Abhebungsbetrag des Kunden. Oder dass erstmalig aus einem fremden Land abgehoben wird. Ähnliches ist inzwischen von Google E-Mail-Accounts bekannt, wenn sich jemand aus dem Ausland oder mit einem fremden Computer anmeldet.

Data Science ist nicht nur etwas für Datenanalysten

Nicht für jede Datennalyse ist auch ein Data Scientist nötig. Mit einer Visual Analytics Plattform wie Tableau können auch Personen, die keine Datenanalysten sind, selbständig Analysen durchführen und die Ergebnisse visualisieren.

Die Vorteile der eigenständigen Erstellung von Datenanalysen liegen auf der Hand: Zeit- und Kostenersparnis durch Unabhängigkeit, da nicht auf den Experten gewartet oder seine wertvolle Zeit beansprucht werden muss. Darüber hinaus lassen sich individuelle und persönliche Fragestellungen entwerfen und visualisieren.

Können auch Datenanalysten von Tableau profitieren?

Auch für erfahrene Data Scientists bietet die Analyseplattform viele Vorteile. Diese schätzen die Leistungsstärke der Desktopversion in Verbindung mit der Online- oder der Serverversion. Wesentlich ist für diese Spezialisten vor allem die Datenintegration von R, Phython und MATLAB. Dank der R-Unterstützung lassen sich beispielsweise R Bibliotheken und Packages importieren, wodurch sich dem erfahrenen Anwender hier eine Vielzahl neuer Möglichkeiten eröffnen.

Die Software basiert auf den Technologien VizQL und Hyper. Mit herkömmlichen Analysetools müssen Sie Daten in Zeilen und Spalten analysieren, einen Teildatensatz auswählen, die Daten in einer Tabelle zusammenfassen und daraus eine Grafik erstellen. Bei VizQL werden diese Schritte übersprungen und die Daten können sofort visualisiert werden. Hyper ist eine hochleistungsfähige In-Memory-Daten-Engine-Technologie. Damit lassen sich große und komplexe Datenbestände schneller analysieren. Möglich ist das durch eine effiziente Auswertung von Analytics-Abfragen direkt in der Transaktionsdatenbank.

Von der Theorie zur Praxis

Für einen schnellen und umfassenden Einstieg gibt es eine Vielzahl von Video-Tutorials. Damit sind Sie in kürzester Zeit in der Lage, die Möglichkeiten der Analytics Plattform effektiv zu nutzen.

Darüber hinaus sind im Internet weitere Ressourcen verfügbar, die über das Anfängerniveau hinausgehen, wie z. B. Andy Kriebels YouTube Tutorials oder ein Leitfaden für Fortgeschrittene, beides in englischer Sprache.

Praxisbeispiel: Die 200 wertvollsten Fußballspieler der Welt

Mit der kostenlosen Version Tableau Public kann jeder seine eigenen Analysen visualisieren und mit anderen teilen. Wer sind die 200 wertvollsten Fußballspieler der Welt?, wollte beispielsweise LaDataQuenta wissen.

Schauen Sie doch jetzt selbst einmal nach, welche Vereine die wertvollsten Fußballer unter Vertrag haben und welche deutschen Spieler darunter sind. Erkunden Sie interaktiv, was diese dort verdienen.

Egal, ob Sie ein Data Scientist sind oder jemand, der die Datenanalyse für sein Unternehmen bzw. seine Organisation nutzen und die Ergebnisse eindrucksvoll visualisieren möchte, die Plattform unterstützt Sie bei der Entwicklung, Anwendung und Auswertung von Data Science-Techniken und -Verfahren. Probieren Sie es doch einfach einmal aus.

Für Sie könnte auch Folgendes interessant sein: