Methoden

Je nach Anwendungsgebiet unterscheiden sich die verwendeten Data Science Methoden. Eine grobe Differenzierung teilt ein:

Beobachtungsanalyse	Erkennen von Mustern und Zusammenhängen in vorliegenden Daten
Korrelation & Clustering	Ermittlung von Ähnlichkeiten zwischen Objekten (z. B. Kunden, Schäden etc.) und anschließende Gruppierung, Aufdecken von Zusammenhängen
Ausreißererkennung	Identifizierung von ungewöhnlichen Datensätzen: Ausreißern, Fehlern, Änderungen, untypischem Verhalten (z. B. in Schäden etc.)
Assoziationsanalyse/ Hypothesentests	Identifizierung von Zusammenhängen und Abhängigkeiten in den Daten in Form von Regeln wie „Aus A und B folgt normalerweise C“.
(Visuelle) Exploration	Zusammenfassende Darstellung des Datensatzes mit möglichst interaktiven Elementen, die visuelles Erfassen von Mustern und Abhängigkeiten erlaubt.
Dimensionsreduktion	Komponentenanalyse (PCA etc.), auch für Zeitreihen (ICA, saisonale Schwankungen)

Spezielle Daten	Spezielle Daten(quellen)
Text-Mining	Extraktion von Informationen aus Texten (Topic Extraction etc.), Gruppierung von Texten, Finden relevanter Themen (z. B. in Kundenschreiben, Beschwerden etc.)

Prognose & Predictive Analytics	Vorhersage der Eigenschaften neuer Daten aufgrund automatisch erkannter Ähnlichkeiten zu bestehenden Daten
Klassifikation	Bisher nicht in Klassen eingeteilte Elemente werden den bestehenden Klassen zugeordnet (z. B. Vorhersage von RS-affinen Kunden anhand der Trainingsmenge bisheriger RS-Kunden)
(Lineare) Regression	Identifizierung von Beziehungen zwischen (mehreren) abhängigen und unabhängigen Variablen (typisch: Regressionsgeraden etc.)
Simulation	Parametrisierung eines (kunden)spezifischen Modells und Verwendung zur Abschätzung zukünftiger Eigenschaften und Modellausprägungen
Ereigniszeitanalyse	Vergleich des Zeitraums bis zum Eintreten eines Ereignisses, Schätzung prognostischer Faktoren (Survival Analysis etc.)
Statistische Modellierung	Daten/Rauschen mit statistischen Verteilungen modellieren, z. B. Verteilungen an Histogramme/Punktwolken fitten, zeitliche Verläufe fitten

Technologien

Wir lösen Ihre Herausforderung mit der für Sie passendsten technischen Lösung.

Unser Innovationsradar stellt sicher, dass wir Ihnen immer modernste Technologien, Tools und Algorithmen im Bereich Data Science anbieten:

DSC_Technologien

Methoden

Beobachtungsanalyse

Erkennen von Mustern und Zusammenhängen in vorliegenden Daten

Spezielle Daten

Spezielle Daten(quellen)

Prognose & Predictive Analytics

Vorhersage der Eigenschaften neuer Daten aufgrund automatisch erkannter Ähnlichkeiten zu bestehenden Daten

Technologien

Wie können wir Ihre Daten in Werte verwandeln?