Unsere Kernpositionierung als Integrierte Analytik Der Anbieter ist gleichzeitig der Realität unseres Kundenstamms am nächsten, den wir uns vorstellen können, und er ist auch in gewisser Weise verwirrend, weil es in der Welt der Datenanalyse so viele Wortüberschneidungen und massive Unterschiede gibt, die nicht immer perfekt in einfachen Worten zusammengefasst werden können.
Das Vokabularproblem betrifft nicht nur den „eingebetteten“ Teil von Embedded Analytics. Das liegt in der Natur der Integration mit dem Hostsystem, vom Branding über die Datensicherheit bis hin zur Prozessautomatisierung. Es ist der Teil „Analytik“, der viele Dinge bedeuten kann, insbesondere angesichts seiner Nähe zu „Analyse“.
Das Ziel dieses Artikels ist es, diese Wörter kontextuell zusammenzufassen und gleichzeitig Unterscheidungslinien zwischen ihnen zu ziehen, um Ihnen — einem Unternehmen, das ein Produkt hat, das Analysen integrieren muss — zu helfen, sich in diesem Bereich zurechtzufinden. Wir wollen keinen Anspruch auf Vollständigkeit erheben, sondern Ihnen die Gemeinsamkeiten und Unterschiede zwischen all diesen Wörtern bewusst machen.
Behandelte Terminologie
- Datenvisualisierung: grafische Darstellung von Daten, d. h. Diagramme, Tabellen, Widgets, Gadgets usw.
- Datensemantik: Modellierung der versteckten Geschäftslogik innerhalb des Datenmodells, um Geschäftsanfragen ausdrücken zu können
- Business Intelligence: Datenanalyseergebnisse werden in einem digitalen Berichtsformat präsentiert
- Analytik — rechnergestützte Analyse von Daten oder Statistiken
- Umsetzbare Daten/Erkenntnisse: Ausführung einer Rechenaktion auf der Grundlage von Datenanalysen und/oder Datenvisualisierung.
- Produktanalytik: Analyse der Leistung und Nutzung einer Software
- Datenwissenschaft: mathematische Techniken zur Datenanalyse, d. h. statistische Methoden, Algorithmen für maschinelles Lernen usw.
- Big Data: Erfassung, Speicherung und Analyse großer, sich schnell ändernder und vielfältiger Daten
- Künstliche Intelligenz: Maschinen zeigen menschennahe Intelligenz
- Datensicherheit: Schutz digitaler Daten und Trennung nach Verantwortungsbereichen für den Endnutzer.
Und schließlich Embedded Analytics (Embedded BI/Business Intelligence): Integration von Analyse- und Data-Science-Ergebnissen in eine Software/Anwendung/ein System über Data Viz und Actionable Insights, die Endbenutzer nutzen können, während gleichzeitig die Datensicherheit gewährleistet wird. Schauen Sie sich unsere an Integrierte Analytik Seite, um zu sehen, wie wir das machen.
Terminologie der Softwarebranche
Der Fokus der Softwarebranche auf Daten ist nicht neu. Bereits 1958 begann IBM, über Business Intelligence-Systeme zu sprechen. Sehen Sie sich das an vollständige Geschichte von BI. Im Zuge der Weiterentwicklung der Branche entstanden Nischenmethoden und -anwendungen, die alle ihre eigenen Terminologien hatten. Lassen Sie uns hier einige davon untersuchen.
Datensemantik
Aus dem Artikel Semantisches Datenmodell — Wikipedia wir lesen:
EIN semantisches Datenmodell (SDM) ist ein auf hohem Niveau semantikbasierter Datenbankbeschreibung und Strukturierungsformalismus (Datenbankmodell) für Datenbanken. Dieses Datenbankmodell wurde entwickelt, um die Bedeutung einer Anwendungsumgebung besser zu erfassen, als dies mit modernen Datenbankmodellen möglich ist.
Zwischen den Quelldaten in ihren verschiedenen Formen und Formen und den Analysen und Visualisierungen muss eine Ebene die Logik definieren, die zwischen den Datenelementen Sinn macht. Ein Beispiel für diese Aufgabe ist OLAP-basierte Analytik, siehe auch das gleiche Thema aus einem anderen Blickwinkel, auch in unserem eigenen Artikel dazu hier.
Beispiel: ICCube Semantic Layer
Datenvisualisierung
Aus dem Artikel Daten- und Informationsvisualisierung — Wikipedia wir lesen:
Daten- und Informationsvisualisierung (Datenvisualisierung/Vis oder Infovis/Vis)[2] ist die Praxis von Gestaltung und einfach zu kommunizierende und leicht verständliche Gestaltung Grafik oder visuell Darstellungen einer großen Menge[3] von komplexen quantitativen und qualitativen Daten und Informationen mit Hilfe statischer, dynamischer oder interaktiver visueller Elemente.
Bei allen Aktivitäten, die mit riesigen Datenmengen beginnen und zu einem neuen Verständnis führen, besteht der Akt der Analytik darin, die Komplexität zu reduzieren, ohne dabei an Bedeutung zu verlieren. Eine visuelle Darstellung ist ideal, um Bedeutung und Komplexität in Einklang zu bringen, unabhängig davon, ob die Verwendung von Berichten, Dashboards oder Widgets dem jeweiligen Anwendungsfall entspricht.
Es gibt viele Visualisierungstypen: Balkendiagramm, Liniendiagramm, Streudiagramm, Kreisdiagramm, Säulendiagramm, Flächendiagramm, gestapeltes Balkendiagramm, Mekko-Diagramm, Kreisdiagramm, Blasendiagramm, Wasserfalldiagramm, Trichterdiagramm, Wärmekarte, Gantt-Diagramm, Baumkarte, Donut-Charts, Sankey-Charts, um nur einige zu nennen.
Beispiel: icCube Dashboard
Geschäftsinformationen
Aus dem Artikel Geschäftsintelligenz — Wikipedia wir lesen:
Business Intelligence (BI) besteht aus Strategien und Technologien, die Unternehmen für Datenanalyse und Verwaltung von Geschäften Informationen.[1]Zu den allgemeinen Funktionen von BI-Technologien gehören Berichterstattung, analytische Online-Verarbeitung, Analytik, Dashboard Entwicklung, Data Mining, Prozessbergbau, komplexe Eventverarbeitung, Management der Geschäftsleistung, Benchmarking, Text Mining, prädiktive Analytik, und präskriptive Analytik.
Dies ist ein weit gefasster Überbegriff für fast jedes Produkt, das von den Daten ausgeht und auf der Präsentationsebene endet — visuell oder anderweitig.
Analytik
Lesung Analytik — Wikipedia wir lernen:
Analytik ist die systematische rechnerische Analyse von Daten oder Statistiken.[1] Es wird für die Entdeckung, Interpretation und Kommunikation bedeutungsvoller Muster verwendet in Daten. Dazu gehört auch die Anwendung von Datenmustern für eine effektive Entscheidungsfindung. Es kann in Bereichen, die reich an aufgezeichneten Informationen sind, wertvoll sein. Analytik beruht auf der gleichzeitigen Anwendung von Statistiken, Computerprogrammierung, und Betriebsforschung um die Leistung zu quantifizieren.
Hier grenzen wir also nicht die vertikale Siloanwendung ein, sondern die Softwareschicht, die zum Endergebnis beiträgt. Wir sprechen über Implementierungen von Algorithmen, die auf Mathematik basieren, um die Bedeutung aus den Daten zu extrahieren. Die reale Implementierung kann B2B, SaaS, vor Ort, vollständig automatisiert, mit oder ohne Visualisierungen erfolgen.
Umsetzbare Daten//Einblicke
Wir können einlesen Umsetzbare Erkenntnisse - TechTarget:
Umsetzbare Erkenntnisse sind Schlüsse aus Daten, die direkt in eine Aktion oder Reaktion umgewandelt werden können. Die Daten, die den Erkenntnissen zugrunde liegen, können strukturiert oder unstrukturiert, quantitativ oder qualitativ.
Hier gehen wir also über die Bedeutungsextraktion und -visualisierung hinaus und treiben den Endbenutzer oder sogar einen automatisierten Prozess dazu, bei Bedarf direkt Maßnahmen zu ergreifen.
Umsetzbare Erkenntnisse geben zwar den Anstoß für eine Aktion, aber für die Ausführung der Maßnahmen werden Personen oder Prozesse benötigt.
Beispiel: Embedded ICCube mit Aktionen im Hostsystem
Produktanalytik
Aus dem Artikel Produktanalytik im Vergleich zu eingebetteten Analysen wir lesen:
Product Analytics hilft Ihnen dabei, Ihre SaaS-Nutzung und Ihr Produktengagement intern zu überwachen, während Embedded Analytics den Wert Ihrer SaaS-Analysefunktionen für Ihre Kunden nutzbar macht.
In diesem Fall sind wir also von einem weit gefassten Oberbegriff zu einer engen Nischenanwendung der umfassenderen Produkte, Technologien und Methoden übergegangen.
Beispiel: Google Analytics und ähnliche Tools
Terminologie für Wissenschaft und Technologie
Den meisten nützlichen datenzentrierten Softwaremodulen liegt ein theoretischer Rahmen zugrunde, der auf einfachen oder extrem komplexen mathematischen Methoden basiert. Lassen Sie uns einige der verwendeten Terminologien untersuchen.
Datenwissenschaft
Lesung Datenwissenschaft — Wikipedia wir lernen:
Data Science ist ein interdisziplinär akademischer Bereich[1] das benutzt Statistiken, wissenschaftliches Rechnen, wissenschaftliche Methoden, Prozesse, Algorithmen und Systeme zum Extrahieren oder Extrapolieren Wissen und Erkenntnisse aus potenziell lauten, strukturierten oder unstrukturierte Daten.[2]
Dies ist also das allgemeine Studiengebiet, in dem das Bedeutungsabbau aus Daten erforscht wird.
Praktische Beispiele finden Sie in unserem eigenen Blogbeitrag über Datenwissenschaft.
Beispiel: Multiple lineare Regression
Große Daten
Big Data— Wikipedia sagt uns Folgendes:
Zu den Herausforderungen bei der Big-Data-Analyse gehören Erfassen von Daten, Datenspeicherung, Datenanalyse, suche, Teilen, Überweisung, Visualisierung, Abfragen, aktualisieren, Datenschutzund Datenquelle. Big Data wurde ursprünglich mit drei Schlüsselbegriffen in Verbindung gebracht: Volumen, Vielfalt und Geschwindigkeit.[4]
Es ist also Data Science für riesige Datensätze mit Herausforderungen in Bezug auf Qualität, Konsistenz und Änderungsgeschwindigkeit.
Beispiel: Big Query-Datenquelle und ähnliches
Künstliche Intelligenz
Lesung Künstliche Intelligenz — Wikipedia wir sehen:
Künstliche Intelligenz (KI) im weitesten Sinne ist Intelligenz ausgestellt von Maschinen, insbesondere Computersysteme. Es ist ein Forschungsfeld in Informatik das Methoden entwickelt und studiert und Software die es Maschinen ermöglichen nehmen ihre Umgebung wahr und Nutzungen Lernen und Intelligenz, um Maßnahmen zu ergreifen, die ihre Chancen maximieren, definierte Ziele zu erreichen.[1]Solche Maschinen können als KIs bezeichnet werden.
Auf den ersten Blick scheint das nichts mit den anderen Begriffen zu tun zu haben, aber wenn wir darüber nachdenken, ist das Stellen von Fragen an ein System, das das Thema und die Kontextdaten versteht, um eine Antwort zu geben, genau das, was die ideale Traumanalyse ist. Künstliche Intelligenz ist eine Erweiterung von Datenwissenschaft und Big Data, sei es aus dem Blickwinkel der natürlichen Sprachverarbeitung oder der Bedeutungsextraktion. Weitere Informationen finden Sie unter LLM: Führen Sie eine intelligente Geschäftsdiskussion mit Ihren Daten!.
Beispiel: ICCube AI Chat Bot
Datensicherheit
Betrachtet Datensicherheit — Wikipedia wir sehen:
Sicherheit der Daten bedeutet schützen digitale Daten, wie die in einem Datenbank, vor zerstörerischen Kräften und vor unerwünschten Handlungen unberechtigter Benutzer,[1] wie ein Cyberangriff oder ein Datenschutzverletzung.[2]
Aus analytischer Sicht sind die Zugriffsrechte auf Datenebene und die Art und Weise, wie Benutzer einen Teil der Realität sehen können oder nicht, sowohl aus regulatorischer als auch aus unternehmenspolitischer Sicht äußerst wichtig. Dies ist ein wichtiger Punkt bei eingebetteten Systemen, bei denen die Datenanalyseebene jederzeit mit der Sicherheit der Hostanwendung synchronisiert sein muss — und zwar jederzeit im laufenden Betrieb. Wir können auch feststellen, dass bei der Durchführung von Analysen über mehrere Datenbanken hinweg ein semantische Ebene darunter ermöglicht es die allgemeine Ausrichtung der Namenskonventionen und Datenbeziehungen zwischen dem Host und den eingebetteten Teilen.
Beispiel: ICCube-Schemaberechtigungen
Überlegungen für Ihr Embedded Analytics-Projekt
Funktionen, die Sie benötigen
Wenn Sie Ihre eigenen Datenanalysefunktionen erkunden, müssen Sie aus den Daten Ihrer — oder Ihrer Kunden —, die auf Ihrer SaaS-Plattform generiert wurden, einen Mehrwert schaffen. Sie benötigen Daten, Semantik, Bedeutungsgenerierung und eine Möglichkeit, die Ergebnisse zu nutzen. Dies gilt unabhängig davon, ob Sie Produktanalysen durchführen oder umsetzbare Erkenntnisse gewinnen möchten. (Big Data und/oder KI nicht zwingend erforderlich, aber möglich)
Fähigkeiten, die Ihr Team benötigt
Ihr Team benötigt eine Vielzahl von Fähigkeiten, angefangen beim Verständnis der Geschäfte Ihrer Kunden, ihrer Prozesse und (analytischen) Anwendungsfälle bis hin zum Verständnis dessen, was Endkunden mit ihren Daten machen wollen, und um verwertbare Bedeutungen zu extrahieren, Daten zu präsentieren und Prozesse (in Ihrem SaaS) in großem Maßstab voranzutreiben. Das bedeutet nicht unbedingt, dass Sie Doktoranden in Data Science oder Deep-Learning-Experten in Ihrer Softwaregruppe benötigen, aber machen Sie sich klar, wen Sie benötigen, um den Wert zu schaffen, den Sie liefern möchten.
Fazit
In den Bereichen Produkt/Technologie, Datenwissenschaft, Nutzer und Unternehmen, Business Intelligence, Datenvisualisierung, umsetzbare Analysen, Produktanalysen, Big Data und KI überschneiden sich. Es ist der Kontext in dem sie verwendet werden, das macht sie anders. Die Funktionen, die Sie für jeden Anwendungsfall benötigen, überschneiden sich manchmal und unterscheiden sich manchmal. Stellen wir sicher, dass Sie nicht im Fachjargon ertrinken und dass die Funktionen, die Sie benötigen, durch die von Ihnen gewählte (n) Lösung (en) abgedeckt werden.
Wie können wir dir helfen?
Bei ICCube entwickeln und unterstützen wir B2B-SaaS-Lösungsanbieter bei der Integration einer vollständig integrierbaren Plattform, die mit Ihren Daten beginnt, es Ihnen ermöglicht, Ihre Datenwissenschaft zu implementieren, Bedeutungen zu extrahieren, das Ergebnis nach Bedarf zu visualisieren und es den Endbenutzern ermöglicht, sicher und geschützt direkt in der Host-Anwendung Maßnahmen zu ergreifen, um Probleme zu korrigieren oder Situationen zu verschieben... und für den Endbenutzer vollständig nahtlos verschwindet. Mit jahrelanger Erfahrung können wir Ihnen helfen, die richtigen Entscheidungen für Ihren speziellen Anwendungsfall zu treffen, und wir sind in Ordnung, wenn diese Wahl am Ende des Gesprächs nicht wir treffen.
Neugierig, wie wir Ihnen helfen können, die Optionen zu evaluieren, die Sie erfolgreich machen? Nehmen Sie Kontakt mit uns auf — wir würden uns gerne unterhalten!