Predictive Analytics mit dem IBM SPSS Modeler

Die Anwendung und Durchführung von Predictive Analytics im Unternehmen verspricht weitreichende Ergebnisse und Erkenntnisse. Diese werden u.a. durch den Einsatz fortgeschrittener analytischer Ansätze und Methoden wie Klassifikation, Forecasting oder Clustering erzielt.

 

Dabei reduziert sich Predictive Analytics jedoch nicht nur auf Machine Learning und Statistik. Dies sind zwar die Kernkomponenten und Ergebnislieferanten, allerdings ist es zwingend notwendig in einem Predictive Analytics Projekt weitere Komponenten und Disziplinen zu beachten und ein Rahmenwerk in der Vorgehensweise und Nutzung aller Komponenten zu entwerfen und einzuhalten. Anforderungsmanagement, Datenverständnis und -manipulation, Evaluation und Strategieentwurf sind weitere Kernkompetenzen im Bereich Predictive Analytics, die es zu beherrschen gilt. Hierdurch ergibt sich eine Komplexität, die erfasst und angemessen handhabbar gemacht werden muss.

 

Ein unangemessener Ansatz wäre es hierbei, eine Flut von unterschiedlichen Werkzeugen zu wählen, die möglicherweise an die falsche Zielgruppe gerichtet sind und in einen immensen Mehraufwand für das Unternehmen resultieren.

 

Um eine vollumfängliche Perspektive auf alle Komponenten im Predictive Analytics Projekt zu erlangen und die Komplexität im erheblichen Maße zu reduzieren, bietet sich der IBM SPSS Modeler an.

 

Folgende Features machen den SPSS Modeler zum präferierten Tool für Analytics Projekte:

  • Visuelle Programmierung eines oder mehrerer parallel ausführbarer Workflows, die wiederholt ausgeführt sowie modular und aufwandsarm weiter verwendet und erweitert werden können.
  • Arbeitsstände und Ergebnisse können strukturiert abgelegt und dem Vorgehensmodell entsprechend geordnet werden.
  • Die Integration und Nutzbarkeit zu anderen Systemen und Datenquellen ist vielfältig und flexibel erweiterbar.
  • Daten können explorativ untersucht, visualisiert und dem Analysezweck entsprechend manipuliert und bereinigt werden.
  • Geführte und automatisierte Maschine Learning Anwendungen ermöglichen es dem Fachbereich, qualitative und akkurate Prognosen abzuleiten und sauber zu arbeiten.
  • Auch Statistiker und Data Scientists können ihre gewohnte Flexibilität beibehalten und mit existierenden R, Spark oder Python Skripten weiter arbeiten. Diese Sprachen lassen sich im IBM SPSS Modeler nutzen und in dessen Predictive Analytics Rahmenwerk integrieren, sodass deren Vorteile bestehen bleiben.


Mehr zu IBM SPSS:

 

Autor: Robin Richter, Senior Consultant avantum consult AG

Kommentar schreiben

Kommentare: 0