Wahrscheinlich hast du schon einmal die Wörter Data Science, Big Data, Datenanalyse und maschinelles Lernen gehört, und eventuell denkst du nun, dass es sich hier doch nur um Schlagworte handelt, die mit dir eigentlich gar nichts zu tun haben. Aber du solltest diesen Dingen eine Chance geben! Heute sammelt jede Firma in irgendeiner Weise Daten, egal wie groß sie ist oder in welchem Sektor sie tätig ist. Daten können über die Käufe von Kunden erhoben werden, zur Kundenidentifikation genutzt oder über Krankenakten erhoben werden. Auch bei Prototypen-Tests werden Daten gewonnen und sogar die Form von Gurken wird gemessen und die daraus generierten Daten gesammelt! Es ist nicht ganz billig, Daten zu erheben und zu speichern, und leider holen wir dann nicht einmal immer alles heraus, was in den Daten steckt.
Data Science ist die Disziplin, die sich der Wertschöpfung aus den Daten widmet, indem sie dir umsetzbare Erkenntnisse liefert. Sie wird auch in aktuellen Projekten der VISPIRON SYSTEMS in den Fokus gestellt. Data Science kann ausschlaggebend sein, wenn du dir neue Möglichkeiten am Markt erschließen willst, wenn du dich daran machst, die Schwächen von Produkten herauszufinden, die besten Methoden zu entwickeln oder deine Entscheidungsfindung zu vereinfachen. In diesem Beitrag werde ich drei reale Fälle für Big Data Analytik schildern.
Du leitest ein Unternehmen, und erhebst Daten zu deinen Angestellten: Wann das Arbeitsverhältnis begann und endete, die Arbeitsplatzbezeichnungen, Daten zur Personenidentifikation, wie zum Beispiel das Geburtsdatum, die Ausbildung und eventuell auch den Grund, warum der Mitarbeiter das Unternehmen verlassen hat. Hier liegen nun Daten vor, die man genauso gut auch für sich arbeiten lassen könnte! Mit Hilfe einer explorativen Datenanalyse könnte man zum Beispiel herausfinden, aus welchem Grund die ehemaligen Angestellten hauptsächlich gekündigt haben. Was wäre, wenn du auf diese Weise bemerkst, dass genau diese Ex-Mitarbeiter eigentlich deine wertvollsten Angestellten waren? Mit diesem Data Science Wissen könntest du nun Gegenmaßnahmen ergreifen, um beispielsweise die Arbeitszufriedenheit zu erhöhen. So könnest du nicht nur das wertvolle Know-how in der Firma halten, du sparst auch noch bares Geld, das du andernfalls für aufwändige und zeitraubende Rekrutierungsmaßnahmen hättest ausgeben müssen.
Oder sagen wir, du führst einen Fahrradverleih. Eine deiner Hauptsorgen ist, dass deinen Kunden plötzlich nicht mehr ausreichend viele Fahrräder zur Verfügung stehen. Die Fahrräder müssen jedoch auch regelmäßig inspiziert und gegebenenfalls gewartet werden. Du möchtest daher gerne wissen, wie viele Fahrräder du an jedem Tag des Jahres disponieren musst. Das hängt nun allerdings von Variablen wie dem Wochentag, der Jahreszeit und natürlich auch dem Wetter ab. Du könntest deine älteren, vorliegenden Daten dazu verwenden eine Datenanalyse durchzuführen. Mit Hilfe dieser Daten kannst du ein Modell darauf trainieren, dir genau vorherzusagen, wie viele Räder du jeden Tag bereitstellen musst. Diese Informationen können dir beispielsweise bei der Planung der routinemäßigen Wartungsarbeiten helfen und so massiv zur Zufriedenheit deiner Kunden beitragen.
Oder, sagen wir, du besitzt einen landwirtschaftlichen Betrieb, der Gurken produziert. Du musst die Gurken nach ihren Eigenschaften wie der Form, eventuellen Verletzungen der Oberfläche und nach ihrer Frische sortieren. Eine notwendige, aber auch sehr aufwändige Arbeit, die dich viel Zeit kostet. Müsste sich das nicht automatisieren lassen - beispielweise mittels Data Science? Die Antwort lautet JA! Du könntest dazu Bilder deiner Gurken verwenden und ein künstliches neuronales Netz trainieren, das dir beim Sortieren des Gemüses helfen kann. So könntest du Zeit für die tatsächliche Pflege der Gurken gewinnen, und du könntest vielleicht sogar einen neuen Standard für die Einordnung von Gurken implementieren, an den sich alle deine Konkurrenten dann auch halten. Die ganze Geschichte zur Datenanalyse im landwirtschaftlichen Gurkenanbaubetrieb kannst du übrigens hier nachlesen.