{"id":20042,"date":"2021-12-01T11:47:00","date_gmt":"2021-12-01T10:47:00","guid":{"rendered":"https:\/\/www.sysbus.eu\/?p=20042"},"modified":"2021-11-23T10:05:55","modified_gmt":"2021-11-23T09:05:55","slug":"verbessern-sie-ihre-data-science-aktivitaeten-mit-data-enrichment","status":"publish","type":"post","link":"https:\/\/www.sysbus.eu\/?p=20042","title":{"rendered":"Verbessern Sie ihre Data-Science-Aktivit\u00e4ten mit Data Enrichment"},"content":{"rendered":"\n

Autor: Mads Toubro, Senior Vice President, Sales EMEA bei Precisely<\/a>\/gg<\/p>\n\n\n\n

In den letzten Jahren hat der Data-Science-Bereich gro\u00dfe Fortschritte gemacht. In den meisten Unternehmen sind sich Entscheidungstr\u00e4ger bewusst, dass mehr Anstrengungen unternommen werden m\u00fcssen, um sowohl interne als auch externe Daten mit Hilfe fortgeschrittener Analysemethoden vollumf\u00e4nglich auszunutzen. Das Verst\u00e4ndnis f\u00fcr die zuk\u00fcnftige Rolle, welche maschinelles Lernen und KI einnehmen werden, ist vorhanden \u2013 die Herausforderung beginnt mit der Frage wie man anf\u00e4ngt, diese Quellen zielgerichtet zu nutzen.<\/p>\n\n\n\n

\"\"<\/a>
Bildquelle: iStock<\/figcaption><\/figure>\n\n\n\n\n\n\n\n

Zahlreiche Betriebe haben damit begonnen, Daten zu erheben, zu sammeln und diese f\u00fcr eine zuk\u00fcnftige Verwendung zu speichern, von textbasierten Daten wie zum Beispiel Nutzer-Rezensionen, Social Media Posts (manchmal komplett oder teilweise unstrukturiert) bis hin zu ERP-Transaktionsdaten. Das reine Sammeln und Organisieren sowie das Speichern f\u00fcr eine sp\u00e4tere Nutzung bilden den Grundstein f\u00fcr die zuk\u00fcnftigen Vorteile von Data Analytics dieser Firmen.<\/p>\n\n\n\n

Viele von ihnen sind bereits gut positioniert, um auf Basis bestehender Daten signifikante Zugewinne in der Wertsch\u00f6pfung zu erzielen \u2013 Data Enrichment macht dies m\u00f6glich. Es bietet leicht zu verwirklichende Ergebnisse in Bezug auf Erkenntnisse aus dem Gesamtbusiness, welche unmittelbar verwertbar sind.<\/p>\n\n\n\n

Laut einer 2021 durchgef\u00fchrten Umfrage von \u201eTransforming Data With Intelligence (TWDI)\u201c nutzen bereits rund 30 Prozent der befragten Unternehmen externe Daten. Ebenfalls 30 Prozent haben den Gebrauch externer Daten f\u00fcr den Verlauf des kommenden Jahres geplant.\u00a0Trends im Bereich raumbezogener Geodaten zeigen \u00e4hnliche Muster: Zirka ein Drittel der Firmen benutzen Lokalisierungsdaten in der ein oder anderen Form. Weitere 25 Prozent haben gem\u00e4\u00df der TWDI-Umfrage vor, raumbezogene Geodaten innerhalb des kommenden Jahres zu nutzen.<\/p>\n\n\n\n

\"\"<\/a>
Mads Toubro (Bild: Precisely)<\/figcaption><\/figure>\n\n\n\n

Diese Trends zeigen ein wachsendes Verst\u00e4ndnis daf\u00fcr, dass Unternehmen versuchen, Werte aus ihren internen Daten zu ziehen. Data Enrichment bietet hierf\u00fcr einen guten Startpunkt.<\/p>\n\n\n\n

Was ist Data Enrichment?<\/strong><\/p>\n\n\n\n

Fern Halper, Studiendirektor f\u00fcr Advanced Analytics bei TWDI, definiert Data Enrichment als \u201eden Prozess, Unternehmensdaten mit verschiedenen Daten unterschiedlicher Drittanbieter und sonstiger Datenquellen zu kombinieren.\u201c Ein typisches Beispiel kann sein, dass ein Unternehmen versucht, seine Kunden besser zu verstehen. Die Kombination aus bestehenden Daten aus dem Unternehmen mit externen demographischen und Verhaltensinformationen verhilft dem Unternehmen, ein tiefgehendes und nuanciertes Verst\u00e4ndnis f\u00fcr seine Kunden aufzubauen. Ein Telekommunikationsanbieter kann zum Beispiel mehr \u00fcber das Alter, den famili\u00e4ren Status oder spezifische Lebensumst\u00e4nde und -ereignisse in Erfahrung bringen und somit auf m\u00f6gliche Szenarien reagieren: sei es ein m\u00f6glicher, sich anbahnender Anbieterwechsel oder eine Gelegenheit zum Upsell f\u00fcr ein neues Produkt oder einen neuen Service.<\/p>\n\n\n\n\n\n\n\n

Dieses Szenario bietet bereits einen enormen Wert an sich, selbst wenn ein Unternehmen relativ wenige Daten zur Verf\u00fcgung hat. Ein Beispiel, wie dies m\u00f6glich ist, ist folgendes: Wenn einem Studierenden ein Stapel B\u00fccher zu einem wissenschaftlichen Thema zur Verf\u00fcgung gestellt werden, kann dieser potenziell viel \u00fcber dieses spezifische Thema lernen. Wen dieser Person nun aber B\u00fccher zu verwandten Themen zur Verf\u00fcgung gestellt werden, bieten sich pl\u00f6tzlich M\u00f6glichkeiten, Informationen selbst zu erarbeiten und zu verkn\u00fcpfen \u2013 die Informationen werden in einer nachhaltigeren Art und Weise ver- und erarbeitet. Die Resultate von erfolgreichem Data Enrichment erweitern somit den Blickwinkel, Umfang und die Wertigkeit von bestehenden Unternehmensdaten, indem es diese mit sorgf\u00e4ltig kuratierten Drittanbieter-Datenquellen zusammenf\u00fcgt.<\/p>\n\n\n\n

Die besondere Rolle von raumbezogenen Geodaten<\/strong><\/p>\n\n\n\n

Raumbezogene Daten bieten eine besonders signifikante M\u00f6glichkeit zur Wertsch\u00f6pfung \u2013 schlicht und ergreifend, weil sie so viel Informationen enthalten: Wo ist eine bestimmte Entit\u00e4t (personell oder dinglich) in Raum und Zeit, wie ist die physische Beschaffenheit, was ist in der N\u00e4he, welche Wetter- oder Verkehrslage herrscht zu welcher bestimmten Zeit, etc.? So ist es in Nordamerika m\u00f6glich, aus raumbezogenen Daten bis zu 9.000 verschiedene Attribute zu ziehen \u2013 f\u00fcr jeden beliebigen Ort. Rund um den Globus sind in verschiedenen L\u00e4ndern und Kontinenten \u00e4hnliche Erhebungen m\u00f6glich. Wenn diese Informationen auf bestehende, unternehmenseigene Datens\u00e4tze treffen, wird ein reichhaltiger Kontext geschaffen, der wertvolle Einsichten erm\u00f6glicht.<\/p>\n\n\n\n

\"\"<\/a>
Bildquelle: iStock<\/figcaption><\/figure>\n\n\n\n

Raumbezogene Geodaten stellen eine besondere Herausforderung dar, da sie nicht den Richtlinien von standardisierten Datenerhebung entsprechen. F\u00fcr jeden beliebigen Punkt (wie zum Beispiel eine Stra\u00dfenadresse) werden Aufkl\u00e4rungsabfragen zu Entfernungen, Einzugsgebieten samt Fahrtzeiten oder spezifische Extremwetterbedingungen und Naturkatastrophen gestellt. Diese Art der Analyse und viele andere Beispiele aus dem Bereich der ortsbedingten Aufkl\u00e4rung erfordern besondere Tools und F\u00e4higkeiten.  Dennoch lohnt sich die Aufkl\u00e4rung vor Ort, weil es Potenzial zur Wertsch\u00f6pfung hat.<\/p>\n\n\n\n

Beginnen mit Data Enrichment<\/strong><\/p>\n\n\n\n

F\u00fcr F\u00fchrungskr\u00e4fte, die Wertsch\u00f6pfung aus ihren Unternehmensdaten ziehen wollen, ist es zun\u00e4chst wichtig, einen Business Case zu haben. In der Regel umfasst dies mehrere Stakeholder-Interviews bez\u00fcglich deren priorisierten Outputs, welche den Daten-Assets des Unternehmens gegen\u00fcbergestellt werden, um besonders vielversprechende M\u00f6glichkeiten zu identifizieren.<\/p>\n\n\n\n

Zum Beispiel kann eine Firma einen starken Business Case f\u00fcr Advanced Analytics identifiziert haben, sollten jedoch Fragen zur Qualit\u00e4t des Datensatzes bestehen, so muss diese mitsamt der Datensteuerung auf den Pr\u00fcfstand gestellt werden. Dieser Prozess ben\u00f6tigt eine Vielzahl unterschiedlicher Talente: von Datenaufbereitung \u00fcber Business UX Experten bis hin zu strategischen Entscheidungstr\u00e4gern \u2013 Data Science ist ein Teamsport.<\/p>\n\n\n\n

Der Markt bietet eine ganze Bandbreite von M\u00f6glichkeiten, um Unternehmen zu helfen, ihre Daten zu managen und zu integrieren, die Datenqualit\u00e4t zu optimieren und die Informationen mit kuratierten externen Daten zu bereichern, inklusive der Freischaltung von raumbezogenen Geodaten f\u00fcr einen weiteren Kontext. Jedes dieser vier Elemente (Integration, Datenqualit\u00e4t, Enrichment und ortsbezogene Aufkl\u00e4rung) bietet einen Wert an sich, aber in Kombination schaffen sie eine Plattform, die einen Wettbewerbsvorteil bietet.<\/p>\n","protected":false},"excerpt":{"rendered":"

In den letzten Jahren hat der Data-Science-Bereich gro\u00dfe Fortschritte gemacht. In den meisten Unternehmen sind sich Entscheidungstr\u00e4ger bewusst, dass mehr Anstrengungen unternommen werden m\u00fcssen, um sowohl interne als auch externe Daten mit Hilfe fortgeschrittener Analysemethoden vollumf\u00e4nglich auszunutzen. Das Verst\u00e4ndnis f\u00fcr die zuk\u00fcnftige Rolle, welche maschinelles Lernen und KI einnehmen werden, ist vorhanden \u2013 die Herausforderung beginnt mit der Frage wie man anf\u00e4ngt, diese Quellen zielgerichtet zu nutzen.<\/p>\n","protected":false},"author":1,"featured_media":20044,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"colormag_page_container_layout":"default_layout","colormag_page_sidebar_layout":"default_layout","footnotes":""},"categories":[8,750],"tags":[15390,15389,8220,10986,15388],"class_list":["post-20042","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-artikel","category-big-data","tag-data-enrichment","tag-data-science","tag-ki","tag-ml","tag-precisely"],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/20042","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=20042"}],"version-history":[{"count":1,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/20042\/revisions"}],"predecessor-version":[{"id":20047,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/20042\/revisions\/20047"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/media\/20044"}],"wp:attachment":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=20042"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=20042"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=20042"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}