Die Online-Veranstaltung "Data Analytics zum Anfassen" behandelt die Bedeutung und den Prozess der Datenanalyse, einschließlich der Definition von Fragestellungen, Datensammlung, explorativer Analyse, Modellierung und Visualisierung. Sie erklärt verschiedene Analysetypen (deskriptiv, diagnostisch, prädiktiv, präskriptiv) und bietet Einblicke in moderne Data-Management-Strategien wie Data Lakes und Data Warehouses. Zudem wird die Rolle von Business Intelligence Tools und die Kostenstruktur für verschiedene Anwendungsfälle behandelt.

1. Online-Veranstaltung
„Data Analytics zum Anfassen“

2. AGENDA
Motivation Daten-
aufbereitung
Daten-
analyse
Visuali-
sierung
Daten-
management
Anwen-
dungsfall
06
05
03
02
01 04

3. 2
Datenanalyse: Wieso, weshalb, warum?
Motivation
Daten sind
überall
Bessere
Management-
Entscheidungen
treffen
Probleme
identifizieren &
Ursachen finden
Produktivität
steigern & Kosten
senken
Prozesse
optimieren &
bessere Produkte
schaffen

4. 3
Datenanalyse
● Deskriptiv: Was passierte in der Vergangenheit?
● Diagnostisch: Warum passierte etwas?
● Prädiktiv: Was passiert zukünftig?
● Präskriptiv: Was ist das beste Vorgehen?
Vier verschiedene Arten
Basierend auf: https://insights.principa.co.za/4-types-of-data-analytics-descriptive-diagnostic-predictive-prescriptive

5. 4
Datenanalyse
Prozessablauf

6. 5
Prozess: 1.a Fragestellung definieren
Datenanalyse
Ziel: Geschäftsverständnis für Datenanalysten herstellen
1. Ausgehend von Problem/Frage
Problem/Frage im
Betriebsablauf oder
in der Produktion
vorhanden
Austausch
zwischen
Datenanalyst und
Fachpersonal
Sammlung der
relevanten Daten
zur Beantwortung
der Frage

7. 6
Prozess: 1.b Fragestellung definieren
Datenanalyse
Ziel: Geschäftsverständnis für Datenanalysten herstellen
2. Ausgehend von vorhandenen Daten
Identifikation nicht
ausgewerteter
Datenquellen
Brainstorming bzgl.
brachliegender
Potenziale
Ableitung und
Definition der
Fragestellung

8. 7
Prozess: 2. Datensammlung- & Aufbereitung
Datenanalyse
1. Temporär
o csv, xlsx
o json, xml
o Datenbank bzw. Datenbankzugang
o API
2. Regelmäßig
o Data Lake, Data Warehouse
o API

9. 8
Prozess: 2. Datensammlung- & Aufbereitung
Datenanalyse
● Fehlende Daten
● Falsche Datenformate

10. 9
Prozess: 2. Datensammlung- & Aufbereitung
Datenanalyse
● Falsche Formatierung
● Duplikate

11. 10
Prozess: 2. Datensammlung- & Aufbereitung
Datenanalyse
● Fehler in Daten
● Feature Engineering

12. 11
Prozess: 3. Explorative Datenanalyse
Datenanalyse
● Ziel: Finden von Mustern, Anomalien & Abhängigkeiten sowie Prüfung von Hypothesen & Annahmen
Parameter
Statistiken
Regressions-
analyse
Korrelations-
analyse
Faktoren-
analyse
Cluster-
analyse
Kohorten-
analyse
Zeitreihen-
analyse

13. 12
Datenanalyse
Beispiel
Korrelations-
analyse
(Heatmap)
Prozess: 3.
Explorative
Datenanalyse

14. 13
Datenanalyse
Beispiel
Korrelations-
analyse
(Pairplot)
Prozess: 3.
Explorative
Datenanalyse

15. 14
Datenanalyse
Beispiel
Zeitreihenanalyse
Prozess: 3.
Explorative
Datenanalyse

16. 15
Prozess: 3. Explorative Datenanalyse
Beispiel: Regressionsanalyse
Datenanalyse

17. 16
Prozess: 4. Modellierung & Auswertung
Datenanalyse
● Deskriptive Statistik
● Schließende Statistik
o Konfidenzintervalle
o Statistischer Test
● Machine Learning
o Prognosemodelle
o Klassifikation
o Clustering
Basierend auf: https://sciencestruck.com/descriptive-vs-inferential-statistics

18. 17
Prozess: 5. Visualisierung & Kommunikation
Datenanalyse
Auswahl und Verfeinerung der Diagramme
1. Einmalig: Bericht, Foliensatz
o Story gestützt mit aussagekräftigen Diagrammen
2. Regelmäßig: Dashboard
o Übersichtliche Darstellung
o Automatische Aktualisierung
à Datenmanagement

19. 18
Beispiel: Daten einer Windkraftanlage
● Klasse: 2 MW
● Ort: nördliches Deutschland
● SCADA-Daten in 10-minütigen Intervallen
● Messungen von 2013 bis 2020
Datenanalyse

20. 19
Datenanalyse
Beispiel: Daten einer Windkraftanlage

21. 20
Beispiel
Beispiel: Daten einer Windkraftanlage

22. 21
Beispiel
Beispiel: Daten einer Windkraftanlage

23. 22
Beispiel
Beispiel: Daten einer Windkraftanlage

24. 23
Beispiel
Beispiel: Daten einer Windkraftanlage

25. 24
Beispiel
Beispiel: Daten einer Windkraftanlage

26. 25
Von der Datenanalyse zum Datenmanagement
Datenmanagement
1. Fragestellung definieren
2. Datensammlung und
-aufbereitung
3. Explorative Datenanalyse
4. Modellierung und Auswertung
5. Visualisierung und Kommunikation
Geschäftsverständnis
a. Datenanbindung (Extract)
b. Aufbereitung (Transform)
c. Datenintegration (Load)
Data Warehouse / Data Lake
Business Intelligence Tools

27. 26
Klassischer Data-Stack (ETL = Extract, Transform, Load)
Datenmanagement
Business Intelligence
Data Warehouse
Datenquellen ETL-Software

28. 27
Moderner Data-Stack (ELT = Extract, Load, Transform)
Datenmanagement
Business Intelligence
Data Warehouse
Datenquellen EL(T)-Software Data Lake

29. 28
Zielgruppe, Eigenschaften & Vorteile
Zielgruppe: Data Scientist
Kostengünstige Speicherung großer Datenmengen
Flache Architektur
Speicherung in unterschiedlichen Formaten
Aggregationsbedarf ist zum Zeitpunkt der Datenspeicherung unbekannt
Datenbasis für Data Warehousing
Daten aus Data Lake bieten Basis für Machine Learning
Data Lake

30. 29
Zielgruppe, Eigenschaften & Vorteile
Data Warehouse
Zielgruppe: Data Analyst, Business Analyst
Grundgedanken:
1. Integration von Daten aus heterogenen Quellen
2. Trennung operativer von dispositiven Daten
● Enthält keine Roh- sondern verarbeitete Daten
● Unterstützt die Datenstandardisierung im Zeitalter von Big Data
Ziel: Daten so speichern, dass einfache Analysen möglich sind

31. 30
Zielgruppe, Eigenschaften & Vorteile
Zielgruppe: Business Analyst, Business User
Auswertung und Darstellung elektronischer Daten
Abbildung verschiedener Anwendungsfälle, z. B.
● Liquiditätsprognose
● Leistungsmanagement
● Marketing
Erstellen und Teilen von Berichten oder Dashboards
Abruf gespeicherter Analysen mit aktuellen Daten
Automatisierte Benachrichtigungen bei Grenzwertüberschreitung
Business Intelligence

32. 31
Hostingkosten: Prozessübersicht
Anwendungsfall
Business Intelligence
Data Warehouse
EL(T)-Software
Datenquellen

33. 32
Hostingkosten: Datenquellen
Anwendungsfall
Benötigt Monitoring Daten aus
k8s-Cluster
Projektbezogene
Worklogs
Kosten Mitarbeiter Rechnungskosten
Hostingprovider
Explizit • Aggregiert über
Zeitraum und
Namespace
• Gesamte
Ressourcen
Arbeitsstunden der
Mitarbeiter pro
Projekt und Vorgang
Stundensatz aller
Mitarbeiter
Monatliche
Kostenabrechnung
Zugriff API API CSV CSV
Zielformat JSON JSON CSV CSV

34. 33
EL(T)-Software
● Einfache Anbindung an verschiedene Quellen und Ziele
● Automatisierbare Ausführung von Datenpipelines
● Diverse Deployment-Möglichkeiten: Docker, Kubernetes, AWS, GCP
● Übersichtliches Web-Interface
● Basic Normalization
● Open source (alpha)
● Aktive Community
Anwendungsfall: Hostingkosten

35. 34
● On-demand
● Einfache Datenanbindung
● Übersichtliches Web-Interface
● Hochverfügbarkeit
● Geringe Kosten bei geringer Datenmenge (< 10GB)
● Feingranulares Rechtemanagement + Service Accounts
● Job scheduling
Data Warehouse
Anwendungsfall: Hostingkosten

36. 35
Anwendungsfall: Hostingkosten
Business Intelligence
● Intuitives Web-Interface
● Diverse Designmöglichkeiten
● kostenfrei
● Teilen von Dashboards und Weitervergabe von Rechten
● Data Blending für weitere Analysen
● Beispiel: Dashboard – Hostingkosten

37. 36
Hostingkosten: Kostenübersicht
Anwendungsfall
Service Kosten
EL(T)-Software kostenfrei
Data Warehouse – Insertions 0,01€/200MB eingesetzte Daten, mit mind. 1KB/Zeile
Data Warehouse – Storage 10GB/Monat kostenfrei, danach 0,017€/GB
Data Warehouse – Query 1TB/Monat kostenfrei, danach 4,20€/TB
BI-Tool kostenfrei
Gesamt < 1,00€

38. 37
worldiety GmbH | Marie-Curie-Straße 1 | 26129 Oldenburg | Deutschland
www.worldiety.de | info@worldiety.de| +49 (0) 441 559 770 0
daniel.schlitt@worldiety.de
Haben Sie Fragen?
ist für Sie da!
Dr. Daniel Schlitt

39. 38
Quellenangaben
Quicksight: https://cruzstreet.com/quicksight-consulting/
Sisense: https://commons.wikimedia.org/wiki/File:Sisense_Logo.svg
PowerBI: https://commons.wikimedia.org/wiki/File:Power_bi_logo_black.svg
Mode: https://mode.com/
Tableau: https://commons.wikimedia.org/wiki/File:Tableau_Logo.png
Looker: https://looker.com/assets/img/images/homepage/looker_logo_meta_v0005.png
Qlik: https://github.com/qlik-oss
Jira: https://www.exasol.com/support/secure/AboutPage.jspa
Prometheus: https://vecta.io/symbols/92/brands-pj-pz/47/prometheus
Excel: https://de.wikipedia.org/wiki/Datei:Microsoft_Excel_Logo.svg
Airbyte: https://github.com/airbytehq/airbyte/blob/master/docs/.gitbook/assets/airbyte_horizontal_color_white-background.svg
Big Query: https://www.pikpng.com/downpngs/ibobwTh_google-big-query-logo-google-bigquery-logo-clipart/
Google Data Studio: https://baguette.engineering/blog/what-is-google-data-studio/
Azure Synapse: https://www.progress.com/odbc/microsoft-azure-synapse-analytics
IBM DB2: https://medium.com/mozilla-firefox-club/accessing-ibm-db2-database-using-python-c356a4a76bf3
Teradata: https://commons.wikimedia.org/wiki/File:Teradata_logo_2018.png
Amazon Redshift: https://blog.openbridge.com/ultimate-offer-get-powerful-amazon-redshift-for-free-19de97829707
PostgreSQL: https://wiki.postgresql.org/wiki/File:PostgreSQL_logo.3colors.svg
Snowflake: https://commons.wikimedia.org/wiki/File:Snowflake_Logo.svg
Bilder, Grafiken, Logos