Die analytischen Verfahren zur Hebung Ihrer Datenschätze werden immer komplexer. Heute helfen Verfahren der Künstlichen Intelligenz und sogenannte Advanced Anayltics, die über einfache statistische Methoden deutlich hinaus gehen.
Analytics Modelltypen
Die Kür jedes datengetriebenen Unternehmens ist die Nutzung der Daten in komplexen mathematischen Modellen. Der Wert in der Verwendung dieser Verfahren ist jedoch stark von Datenhaushalt und Aufgabenstellung geprägt. Wir verstehen die verschiedenen Modelltypen von ökonometrischen Modellen über Machine Learning und Deep Learning bis hin zu Text Mining und Natural Language Processing (NLP). So gewährleisten wir die höchstmögliche Effektivität bei der Umsetzung von Analytics- und KI-Projekten.
Um z.B. für Kunden einen intelligenten digitalen Assistenten aufzubauen, wird beispielsweise Deep Learning zur Erkennung von Mimik und Tonalität benötigt, Machine Learning zur Interpretation und Klassifizierung seines Verhaltens, Text Mining und NLP zur Erkennung seiner Sprache und Inhalte sowie Recommendation Engines zur Gestaltung sinnvoller Hinweise und Angebote.
Data Science
Data Science findet sich aber nicht nur in mathematischen Modellen wieder. Entscheidend für den Erfolg ist auch eine konsequente agile Vorgehensweise, bei der neue Ideen strukturiert beschrieben, zügig getestet („Fail fast“) und erst nach dieser Iteration in die Modellentwicklung übergehen. Hier bewährt sich die Verbindung mit Horn & Company Managementberatern zur Erstellung der Kosten-Nutzen-Analysen als Entscheidungsgrundlage. Auch die Modellentwicklung selbst ist agil gesteuert. Wir verwenden dafür eine abgewandelte Form des CRISP-Ansatzes.
Deskriptive, prädiktive und präskriptive Analytik
Eine große Herausforderung liegt in der agilen Administration von analytischen Modellen. Werden diese nicht nur rein deskriptiv genutzt, sondern sollen diese Modelle Vorhersagen durchführen (Predictive analytics) oder sogar präskriptiv Prozesse steuern, so müssen sie permanent überwacht und angepasst werden. Hier ist neben Monitoring eine enge Zusammenarbeit von Entwicklung und Operations gefordert (z.B. über DevOps-Konzepte), bei dem zwei grundverschiedene Arbeitsphilosophien aufeinander stoßen. Dies erfordert eine saubere Beschreibung von internen Rollen und Zuständigkeiten oder die Bereitstellung von KI als dauerhafter Service (AI-as-a-Service).
