Foto: wavebreakmedia - shutterstock.com
Im Laufe der letzten Jahrzehnte haben sich Computer von Aktenschränken für Daten zu technologischen Kristallkugeln gewandelt, die versprechen, durch die Analyse von Daten die Zukunft vorhersagen zu können. Die Tools, die das bewerkstelligen, fallen unter den Begriff Predictive Analytics und erfüllen im Wesentlichen zwei Funktionen:
die Analyse von Datenbanken, beziehungsweise -beständen, um Handlungsempfehlungen für die Zukunft abzuleiten
sowie die Vorbereitung der Analysedaten, die in den seltensten Fällen die geforderte Konsistenz aufweisen.
Letztgenannte Funktion umfasst sowohl unkomplizierte Tasks wie die Vereinheitlichung von Formatierungen, als auch die oft zeitintensive Beseitigung von Fehlern. Eine echte Herausforderung besteht dabei oft auch darin, die Datenintegrität zu wahren. Ausgereifte Predictive Analytics Tools meistern beide Anforderungen aus dem FF.
Predictive-Analytics-Tools - Top 8
Wir haben einige der beliebtesten Predictive Analytics Tools(ets) für Sie zusammengestellt.
Alteryx Analytics Process Automation
Mit seiner Analytics-Process-Automation (APA) -Plattform will Alteryx Sie dabei unterstützen, eine Pipeline aufzubauen, die die Daten bereinigt, bevor sie Data-Science- oder Machine-Learning-Algorithmen darauf anwendet. Ihr hohes Automatisierungslevel ermutigt dazu, diese Modelle in die Produktion zu überführen, um einen konstanten Strom von Insights und Predictions zu generieren. Die Visual IDE bietet mehr als 300 verschiedene Optionen, um komplexe Pipelines auszubilden. Eine Stärke der Alteryx-Plattform ist ihre tiefe Integration in andere Datenquellen, wie Geodatenbanken oder demografische Informationen, die die Qualität Ihres Datensets bereichern sollen.
Auf einen Blick:
Eine gute Lösung für Datenwissenschaftler, die komplexe Sammlungen von Datenquellen automatisieren müssen, um multiple Deliverabes zu produzieren.
Deployment lokal oder in der Alteryx Cloud.
Beinhaltet viele RPA-Tools für Aufgaben wie Texterkennung oder Bildverarbeitung.
Darauf konzipiert, Insights in verschiedener Form (Dashboards, Spreadsheets, benutzerdefinierte Plattformen) an verschiedene Kundengruppen und -bedürfnisse zu vermitteln.
Amazons wichtigste KI-Plattform ist gut mit dem Rest des AWS-Angebots integriert. Das ermöglicht Ihnen, Daten aus einer der wesentlichen Datenquellen des Cloud-Anbieters zu analysieren und sie dann entweder in einer eigenen Instanz oder als Teil einer Serverless-Lambda-Funktion auszuführen. Bei SageMaker handelt es sich um eine Full-Service-Plattform mit Data-Preparation-Tools wie Data Wrangler (oder auch der automatisierten Option Autopilot). Visualisierungs-Tools sollen gewährleisten, dass die User nicht lange nach den wesentlichen Informationen suchen müssen.
Auf einen Blick:
Gute Option für Projekte auf AWS-Basis, dank vollständiger Integration mit weiten Teilen des AWS-Ökosystems.
Serverless-Deployment-Optionen erlaubt den Kosten mit der Nutzung zu skalieren.
Ein Marketplace vereinfacht es, Modelle und Algorithmen anderer User einzukaufen, beziehungsweise eigene zu verkaufen.
Die Integration mit diversen AWS-Datenbanken und -Data-Lakes vereinfacht die Arbeit mit großen Datenmengen.
Die H2O AI Cloud verspricht im Wesentlichen, gute KI-Algorithmen in produktive Ergebnisse zu verwandeln. Dabei erzeugt eine "Driverless AI" eiune automatisierte Pipeline, um Daten einzugeben und die wichtigsten Merkmale zu untersuchen. Dabei bekommen die Algorithmen Unterstützung von einer Sammlung von Open-Source- und proprietären Feature-Engineering-Tools. Die Ergebnisse lassen sich in Dashboards oder (automatisierten), grafischen Visualisierungen anzeigen.
Auf einen Blick:
Der KI-Fokus eignet sich am besten für Probleme, die komplexe Lösungen erfordern - solche, die sich an die eingehenden Daten anpassen können.
Die Tool-Auswahl reicht von der AI Cloud (große datengesteuerte Pipelines erstellen) bis hin zum quelloffenen Wave (auf Python-Basis), mit dem die Benutzer Dashboards in Echtzeit erstellen können.
Läuft nativ On-Premises oder in einer beliebigen Cloud.
Die Kernplattform ist vollständig Open Source.
Statistiker verlassen sich seit Jahrzehnten auf SPSS, wenn es darum geht, über Zahlenmengen zu brüten. Die aktuelle Version enthält auch Optionen, um modernere Ansätze wie Machine Learning, Textanalysen oder andere KI-Algorithmen zu integrieren. Das Statistics Package fokussiert hingegen auf numerische Erklärungen der Geschehnisse. Der SPSS Modeler kann als Drag-and-Drop-Tool für Daten-Pipelines zu verwertbaren Insights führen.
Auf einen Blick:
Ideal für große, traditionelle Organisationen mit massiven Datenströmen.
Integriert mit anderen IBM-Tools wie Watson Studio.
Unterstützt größer angelegte Initiativen wie IBMs Trustworthy-AI-Bemühungen.
Die Tools von RapidMiner sind in erster Linie für Data Scientists an vorderster Front gemacht. Das Kernangebot: Eine vollständige Visual IDE, um mit diversen Data Flows zu experimentieren und so zu den besten Insights zu kommen. Zum Angebot gehören zunehmend automatisierte Lösungen, die den Prozess für weitere Mitarbeiter im Unternehmen mit Hilfe eines simpleren Interface zugänglicher zu gestalten. Zudem hat das Unternehmen sein Cloud-Angebot mit einem AI Hub erweitert, der die Einführung vereinfachen soll.
Auf einen Blick:
Ideal für Datenwissenschaftler, die direkt mit Daten arbeiten und experimentieren.
Bietet Transparenz für Benutzer, die die Gründe für Predictions verstehen müssen.
Der Jupyter-Notebook-basierte AI Hub fördert die Kollaboration zwischen KI-Forschern und -Nutzern.
Starker Support für Python-basierte Open-Source-Tools.
RapidMiner Studio steht für frühe Experimente und Ausbildungsprogramme kostenlos zur Verfügung.
Wer in der Fertigungsbranche arbeitet, kennt SAP Software. Die Datenbanken der Walldorfer tracken Waren sämtlicher Art auf allen Stationen der Lieferkette. Es überrascht also nicht, dass SAP massiv in ein qualitativ hochwertiges Predictive-Analytics-Tool investiert hat, um Unternehmen zu smarteren Entscheidungen zu verhelfen. Das Tool baut stark auf Business Intelligence und Reporting auf - und behandelt Predictions als eine weitere Spalte, die es analytisch darzustellen gilt. Historische Daten fließen in die Entscheidungen der Zukunft ein - hauptsächlich mithilfe von hochautomatisierten Machine-Learning-Routinen. Um die zum Laufen zu bekommen, müssen Sie übrigens kein KI-Programmierer sein: Dank "Conversational Analytics" können Sie einfach eine (natürlichsprachliche) Frage stellen und erhalten nützliche Erkenntnisse zurück.
Auf einen Blick:
Hervorragend geeignet für Stacks, die sich bereits auf eine tiefe Integration mit der Lager- und Lieferkettenmanagement-Software von SAP verlassen.
Mit einer Low-Code- und No-Code-Strategie entwickelt, um Analytics zu demokratisieren.
Benutzer können den Kontext hinter Vorhersagen erfragen.
Ein kostenloser Plan ermöglicht Experimente.
Eines der dienstältesten Statistik- und Business-Intelligence-Pakete von SAS ist mit zunehmenden Alter nur stärker und leistungsfähiger geworden. Unternehmen mit Prognosebedarf können mit einer Mischung aus Statistik- und Machine-Learning-Algorithmen - bei SAS sporicht man von "Composite AI" - entsprechende Reports erzeugen. Das Set ist unterteilt in Tools für grundlegende Explorationsaufgaben wie Visual Data Mining oder Visual Forecasting. Es stehen jedoch auch Tools für spezifische Branchen zur Verfügung, etwa eine Anti-Geldwäsche-Software, um potenziellen Compliance-Problemen vorzubeugen.
Auf einen Blick:
Hochwertige Sammlung fokussierter Tools, die bereits für bestimmte Branchen wie das Finanzwesen optimiert sind.
Kombiniert traditionelle Statistik mit maschinellen Lernen.
Sowohl für den On-Premises- als auch für den Cloud-Einsatz konzipiert.
Nachdem die Daten durch verschiedene Integrationstools gesammelt wurden, kann das Predictive-Analytics-Toolset von Tibco damit beginnen, Prognosen zu erstellen. Data Science Studio ermöglicht Teams zusammenzuarbeiten, um Low-Code- und No-Code-Analysen zu fahren. Für spezifische Datensätze stehen weitere Optionen zur Verfügung: Tibco Streaming ist beispielsweise darauf optimiert, Echtzeit-Entscheidungen aus einer Zeitreihe von Ereignissen zu erstellen. Spotfire erstellt hingegen Dashboards, indem es standortbezogene Daten mit historischen Ergebnissen integriert.
Auf einen Blick:
Gut geeignet für größere Datenmanagement-Architekturen.
Predictive-Analytics-Angebot integriert mit zahlreichen Data-Movement- und Storage-Optionen.
Machine Learning und andere KI-Optionen können die Genauigkeit verbessern.
(fm)
Dieser Beitrag basiert auf einem Artikel unserer US-Schwesterpublikation cio.com.