Data Science anwenden

Vor dem Hintergrund steigender Notwendigkeit von Datenanalysen in Unternehmen, die nicht nur Data Scientists, sondern Fachanwender mit durchschnittlichen IT-Kenntnissen durchführen, stellt sich die Frage nach geeigneten BI-Systemen, die Machine-Learning-Funktionalität (ML) zur Datenauswertung integrieren, aber den Anforderungen einer Fachanwenderzielgruppe gerecht werden. Der Beitrag untersucht ausgehend vom Gartner Magic Quadrant BI-Systeme, die in einer kostenfreien Testlizenz ML-Funktionalität bereitstellen. Für die fünf BI-Tools TIBCO Cloud Spotfire, SAP Analytics Cloud, Qlik Sense, Tableau sowie das als neutrale Referenz herangezogene Open-Source-Werkzeug RapidMiner geht der Vergleich anhand des ML-Workflows mit den Phasen Datenaufnahme und -bereinigung sowie Modelltraining, -test, -einsatz und -überwachung vor und analysiert die jeweilige angebotene ML-Funktionalität. Es zeigen sich Unterschiede in der Breite des Spektrums der abgedeckten ML-Algorithmenarten Klassifikation, Regression, Clustering und Assoziationsanalyse, in der Vielzahl der je Bereich angebotenen ML-Einzelalgorithmen sowie im Detailgrad der möglichen Feineinstellungen für die Algorithmen. Die Bandbreite der Einordnung reicht von Werkzeugen, die sich an Laien ohne Vorkenntnisse in Datenanalyse wenden und statt ML-Funktionalität lediglich eine wenig transparente AI-Anbindung beinhalten, über BI-Systeme mit ML-Algorithmen, die zumindest die Algorithmenart offenlegen, aber den konkreten Algorithmus verbergen und sich mit Einstellmöglichkeiten zurückhalten, um Laienanwender mit einen Grundverständnis zu Datenanalysen, aber geringen Vorkenntnissen anzusprechen, bis zu BI-Tools, die mit einer Vielzahl von ML-Algorithmen und einer Fülle von Einstelloptionen zum Finetuning aufwarten und so für Experten mit fundiertem Fachwissen im Bereich Data Science geeignet sind. Letztlich ermöglichen feingranulare Einstellmöglichkeiten komplexere Analysen, während BI-Tools mit einem hohen Automatisierungsgrad und mit Machine Learning quasi auf Knopfdruck eher zum Lösen einfacher Problemstellungen taugen. Es zeigt sich, dass es das eine universal einsetzbare BI-System nicht gibt. Forderungen nach detaillierten Steuerungsmöglichkeiten für die ML-Algorithmen stehen der breiten Anwendbarkeit durch viele Nutzer diametral gegenüber. Insgesamt muss die Auswahlentscheidung im Unternehmen die anvisierte Nutzergruppe und deren Vorkenntnisse berücksichtigen, um das passende BI-System auszuwählen.