Einträge von Holger Stelz, Uniserv

Die vier Musketiere der Datenqualität

|in , |Replies: 0

Einer für alle, alle für einen – dieses Motto der vier Musketiere, es hat sich mittlerweile im allgemeinen Sprachgebrauch durchgesetzt, wenn es darum geht, deutlich zu machen, dass „Alleingänge“ nichts nützen und ein Erfolg sich nur einstellt, wenn mehrere Komponenten reibungslos ineinandergreifen. Das gilt auch für die Datenqualität.

Athos, Porthos, Aramis und D’Artagnan – so heißen die vier Musketiere in der Literatur und im Film. Auf den Bereich Datenqualität bezogen lauten ihre Namen Datenanalyse, Datenbereinigung, Datenschutz und Datenüberwachung. Datenanalyse: Status quo der Datenqualität Bevor Unternehmen sich überhaupt mit der Steigerung der im Unternehmen verfügbaren Kundendaten beschäftigen können, müssen sie sich zuerst einmal einen Überblick über den aktuellen Zustand ihrer Daten verschaffen. Für viele Unternehmen stellt dieser erste Schritt bereits eine große Herausforderung dar, denn in der Regel liegen die zu analysierenden Daten in unterschiedlichen, im gesamten Unternehmen verteilten Systemen. Die wichtigste Aufgabe im Bereich der Datenanalyse ist es, verlässliche Aussagen zur Beschaffenheit und Qualität der Kundendaten zu treffen, selbst wenn es sich dabei um ein großes Datenvolumen handelt. […]

Guter Lehrer für Mining-Algorithmen

|in , |Replies: 0

Die Annahme, dass Prognosen nur so gut sein können wie die Daten, auf denen sie basieren, klingt plausibel. Im Rahmen einer Bachelorarbeit an der Hochschule der Medien (HdM) Stuttgart wurde dieser Zusammenhang nun erstmals empirisch untersucht und anhand einer konkreten Testreihe bestätigt.

Die Vergabe der Bachelorarbeit erfolgte im Rahmen der im Frühjahr vereinbarten Zusammenarbeit der HdM mit der Firma Uniserv aus Pforzheim, einem spezialisierten Anbieter von Lösungen für das Kundendatenmanagement. Der Autor der Arbeit, Paul Titze, Student am Fachbereich Information und Kommunikation des Studiengangs Wirtschaftsinformatik und digitale Medien an der HdM, überprüfte mithilfe verschiedener Testszenarien, in denen Datenanalysen mithilfe von Stammdaten verschiedener Qualität durchgeführt wurden, den Zusammenhang zwischen qualitativ hochwertigen Stammdaten und den Ergebnissen der Analyse via Supervised Machine Learning. Ergebnis: Vor allem beim Supervised Learning, bei dem die Stammdaten die Grundlage für das Lernen des Algorithmus bilden, konnten mit einer durch Stammdatenmanagement qualitativ hochwertig aufbereiteten Datengrundlage deutlich bessere Vorhersagen erzielt werden als beim Machine Learning mit einem unbehandelten Datenset. Studiengang und […]