Navigation

Weiterbildung in Data Science

Business Analytics als Wettbewerbsfaktor

Die Digitalisierung ist fester Bestandteil des Alltags und hält in immer mehr Lebensbereiche Einzug. Die dabei ablaufenden Prozesse erzeugen zum Teil sehr große Datenmengen, die zunehmend zu einem wichtigen Wert für Unternehmen werden. Es gibt Technologien, mit welchen sich diese Daten analysieren lassen. Dabei besteht das Ziel darin, entscheidungsrelevante Informationen in hoher Qualität zu extrahieren. Auf dieser Basis erkennt man frühzeitig Gesetzmäßigkeiten, kann Prognosen erstellen und Simulationen durchführen.  

Wenn ein Unternehmen die Möglichkeiten der Datenanalyse professionell nutzt, erhöhen sich seine Reaktionsfähigkeit auf Veränderungen und die Effizienz seiner Unternehmensprozesse. Im Wirtschaftsleben sind diese Eigenschaften wesentlich für eine hohe und weiter steigende Wettbewerbsfähigkeit.

Beispiele für die Anwendung der Datenanalyse

Wenn man beim Online-Shopping passende Produktvorschläge sieht oder in sozialen Medien personalisierte Anzeigen geschaltet werden, so bilden Analysen dafür die Grundlage. Was das Marketing angeht, so nutzen viele Unternehmen bereits entsprechende Technologien. Beispielsweise ist es möglich, aus historischen Daten Prognosen hinsichtlich des zukünftigen Kundenverhaltens zu erstellen. Darüber hinaus bietet die gezielte Nutzung von Daten jedoch noch viel mehr Möglichkeiten. 

Die Arbeit auf der Grundlage analysierter Daten hat in viele Bereiche Einzug gehalten. Die folgenden Beispiele zeigen, wo solche Methoden typischerweise zum Einsatz kommen: 

  • Medizin und Forschung: Auswertung von Studien
  • Versicherungen: Risikomanagement und Tarifgestaltung
  • Kriminalistik: Erkennen von Betrugsmustern
  • Finanzwesen: Prognosen über Entwicklungen auf den Kapitalmärkten

Wie funktionieren diese Methoden?

Im Zusammenhang mit der Extraktion nützlicher Informationen aus großen Datenbeständen spricht man auch vom Data Mining. Denn wie im Bergbau geht es dabei um die Schatzsuche. Die Massendaten aus verschiedenen Quellen werden aufbereitet und mithilfe mathematisch-statistischer Methoden analysiert. Beispiele für solche Methoden sind Clusteranalyse, Ausreißer-Erkennung und Klassifikation. Auf diese Weise werden Zusammenhänge und Muster sichtbar.

Für die alltägliche Anwendung nutzt man Analysetools. Data Scientists haben die Aufgabe, diese Tools auszuwählen, anzupassen oder sogar selbst zu entwickeln.  Sie optimieren die Datenbasis und entwerfen Datenmodelle. Zusammen mit der IT sind auch hardwaretechnische Fragen, wie die der Datenspeicherung, zu beantworten.

Business Analytics für Unternehmen

Unternehmerischer Erfolg hängt in starkem Maße von der Qualität der Entscheidungen ab, die tagtäglich auf allen Unternehmensebenen getroffen werden. Bevor die Analysemethoden ein Thema waren, kam es dafür allem auf die Kompetenz und Erfahrung einzelner Personen an. Diese Faktoren sind auch heute noch wichtig. Ergänzend dazu schaffen jedoch konkrete Analyseergebnisse eine solide Basis für schnelle Reaktionsfähigkeit und richtiges Handeln.  

Es ist wichtig, das gesamte Unternehmen in die Analysen einzubeziehen. Nur so gelingt es, die komplexen betrieblichen Prozesse und Abhängigkeiten zu erfassen. Chancen, Risiken und Optimierungspotenziale lassen sich leichter erkennen. Auch die Abstimmung zwischen den einzelnen Unternehmensbereichen funktioniert besser. 

Professionelle Datenaufbereitung

Eine breite Datenbasis ist die Grundlage für erfolgreiche Analysen. Datenressourcen gibt es viele. Dabei liegen die verwendbaren Daten in ganz unterschiedlichen Formaten vor. Denn Data Mining ist auch mit unstrukturierten Datenmengen wie Texten, Videos und Audioaufnahmen möglich. Vom eigenen ERP-System bis zu Internet-Suchanfragen kommen sehr viele Quellen infrage.

Data Scientists erschließen Datenquellen und machen diese für das Unternehmen nutzbar. Heute sind dies Controller, Produktdesigner, Marketingspezialisten, Vertriebsmanager, oder Produktionsleiter. Ziel ist ein System, das zu jeder Zeit eine aktuelle, korrekte und konsistente Datenbasis garantiert. Je mehr hochwertige Informationen in die Analysen einfließen, desto zuverlässigere Ergebnisse sind möglich.

Tools für individuelle Anforderungen

Neben einer Datenbasis in möglichst hoher Qualität braucht es für erfolgreiche Analysen auch die richtigen Soft- und Hardwarevoraussetzungen. Diese Architekturen zu gestalten und zu pflegen, ist Aufgabe der IT in Zusammenarbeit mit dem Data Scientists. Das Ziel ist Anwendungen, mit denen verschiedene Nutzer intuitiv und ohne Spezialkenntnisse arbeiten können. Denn mit den Analyseergebnissen verbessern Entscheider auf allen Ebenen und in vielen Unternehmensbereichen ihre Arbeit.

Es gibt verschiedene Tools, die an die jeweils individuellen Strukturen des Unternehmens angepasst werden müssen. Solche Lösungen lassen sich Schritt für Schritt einführen. Wichtig ist, dass ein System zur Datenanalyse möglichst viele Vorgänge und Zusammenhänge erfasst, sowohl die unternehmensinternen als auch die Beziehungen zur Umwelt. Durch die regelmäßige Nutzung entstehen wiederum Informationen, welche in die Datenbasis einfließen und diese verbessern. Das ist ein Aspekt des maschinellen Lernens.

Der Blick in die Zukunft mit Data Science

Business Analytics beziehen sich nicht nur auf historische und aktuelle Prozesse. Es ist auch möglich, in die Zukunft zu blicken. Denn aus der Mustererkennung in großen Datenmengen lassen sich Prognosen ableiten. Es wird sichtbar, wie sich bestimmte Dinge unter den gegebenen Voraussetzungen in der Zukunft entwickeln werden. Das betrifft zum Beispiel:

  • Preise auf Absatz- und Beschaffungsmärkten
  • Nachfrageverhalten der Kunden
  • Zinsen
  • Kostenstruktur im eigenen Unternehmen

So entsteht eine Basis für Simulationen, mit denen sich die Folgen verschiedener aktueller Entscheidungen durchspielen lassen. Davon ausgehend ist es möglich, Handlungsempfehlungen abzuleiten. Für diese Form der Entscheidungsunterstützung gibt es ebenfalls automatisierte Lösungen. Eine Weiterbildung in Data Science vermittelt diese und andere Aspekte der Datennutzung. Die Methoden sind für Unternehmen wichtige Bausteine der zukünftigen Konkurrenzfähigkeit.

Teilnahmegebühren

Für die Seminare über die gesamte Laufzeit von einem Jahr betragen die Gebühren inkl. Tagungsunterlagen, Getränke und Pausenverpflegung 12.750 Euro (zzgl. MwSt.) je Teilnehmer. 

Weiterbildungsinhalte

Inhalte
1. Abschnitt

01.02.2019 – 21.06.2019

  • Daten-Lebenszyklus, Big Data und Werkzeuge
  • Grundlagen der Daten-Analyse
  • Neuronale Netze
  • Regression inkl. Zeitregression
  • Nächste Nachbarn / naive Bayes-Methode
  • Entscheidungsbäume / Dimensionsreduktion Teil 1
  • Daten-Visualisierung
  • Data Lab (Fallbeispiele/Übungen)
2. Abschnitt

30.08.2019 - 31.01.2020

  • Zeitreihen-Analyse
  • logistische und nicht-lineare Regression
  • Support Vector Machines / Dimensionsreduktion Teil 2
  • Web- und Text-Mining, Analyse sozialer Netze
  • Daten-Präsentation
  • Daten-Qualität und Governance
  • Data Lab (Übungen + betriebl. Anwendungen)

Ansprechpartner