Best Practices bei der Datenanalyse

Durch die Fähigkeit, extrem große Datenmengen ohne Vorauswahl der Datenfelder oder eingängige manuelle Prüfung zu analysieren, kommt Self-Acting Data Mining dem Ideal der vollständig hypothesenfreien Datenanalyse näher als jeder bisher bekannte Ansatz. Es eignet sich daher für eine erste, schnelle und kostengünstige Datenanalyse in noch unbekannten Datenmengen. In manchen Fällen bleibt eine OLAP-Analyse zur Hypothesenprüfung im Anschluss sinnvoll. Für komplexe Fälle kann immer noch eine traditionelle Data Minig-Analyse zwischengeschaltet werden.

Für die zukünftige Entwicklung bedeutet das wegen des Zeitgewinns bei der Musterbildung eine Vervielfachung der Data Mining-Modelle. Dadurch rücken dann andere Aufgaben in den Vordergrund, die bisher weniger im Mittelpunkt standen. Die automatisierte Anwendung, Prüfung und Pflege einer großen Zahl von Modellen wird stark an Bedeutung gewinnen.

Hier sind die Software-Hersteller gefragt, denn es lohnen sich bereits kleine Automatisierungs-Fortschritte. Auch sie sorgen zu einer signifikanten Verbesserung der Effizienz. Dazu gehört auch die stärkere Integration der Analyseumgebung in die operativen Systeme, damit die gewonnenen Erkenntnisse so schnell wie möglich umgesetzt werden können.

Mayato beschreibt den neuen Analyseansatz in seinem Whitpaper "Self-Acting Data Mining: Das neue Paradigma der Datenanalyse". Die Studie ist das Ergebnis eines Research-Projektes aus der Mayato-Denkfabrik Think.