Glossar

Data Mining ist der Prozess der Identifizierung, Extraktion und Analyse von Mustern, Zusammenhängen und Erkenntnissen aus großen Datenmengen, indem computergestützte Algorithmen, Statistik und maschinelles Lernen verwendet werden. Data Mining ist ein grundlegender Bestandteil von Advanced Analytics, Data Science und Business Intelligence, da es Unternehmen ermöglicht, verborgene Werte, Trends und Potenziale in ihren Daten zu entdecken und nutzen. Data Mining-Techniken umfassen Klassifikation, Clusteranalyse, Assoziationsregeln, Sequenzmustererkennung und Textanalyse.

Eine Data Pipeline ist eine Reihe von automatisierten, sequenziellen oder parallelen Datenverarbeitungs- und Übertragungsprozessen, die Daten aus verschiedenen Quellen erfassen, transformieren, integrieren, analysieren und speichern, um sie für Business Intelligence, Analytics, Data Science und Anwendungen verfügbar und nutzbar zu machen. Data Pipelines sind ein zentraler Bestandteil von Datenmanagement, ETL (Extraktion, Transformation, Laden) und Datenarchitekturen, da sie die Effizienz, Skalierbarkeit, Flexibilität und Automatisierung von Datenverarbeitungs- und Analyseprozessen unterstützen. Data Pipeline-Technologien umfassen Workflow-Orchestrierung, Datenintegration, Datenqualitätsprüfung und Datenverarbeitungs-Engines.

Data Profiling ist der systematische Prozess der Untersuchung, Analyse, Beschreibung und Bewertung von Datenquellen, Datensätzen, Tabellen, Spalten und Werten, um deren Qualität, Konsistenz, Genauigkeit, Vollständigkeit, Redundanz, Beziehungen, Verteilung und Muster zu verstehen und zu verbessern. Data Profiling ist ein wichtiger Schritt und Werkzeug im Datenmanagement, Datenintegration, Datenqualität und Data Governance, da es die Datenverständlichkeit, Datenbereinigung, Datenabgleich, Datenvalidierung und Datenkatalogisierung unterstützt. Data Profiling-Techniken umfassen Deskriptive Statistik, Datenvalidierungsregeln, Data Lineage und Anomalieerkennung.

Data Quality bezieht sich auf die Genauigkeit, Vollständigkeit, Konsistenz, Relevanz und Aktualität von Daten. Eine hohe Datenqualität ist entscheidend für den Erfolg von Business Intelligence- und Analytics-Initiativen, da sie die Grundlage für genaue und zuverlässige Analysen, Berichte und Entscheidungsfindungen bildet. Unternehmen können die Datenqualität durch Data Cleansing, Data Governance und Data Management-Praktiken verbessern.

Data Science ist ein interdisziplinäres Forschungsgebiet, das sich auf die Extraktion von Wissen und Erkenntnissen aus Daten durch die Anwendung von statistischen Methoden, maschinellem Lernen, künstlicher Intelligenz und Datenanalysetechniken konzentriert. Data Science umfasst die Sammlung, Verarbeitung, Analyse und Visualisierung von Daten, um Muster, Zusammenhänge und Vorhersagen zu erkennen und datengesteuerte Entscheidungen zu treffen. In Business Intelligence und Advanced Analytics wird Data Science zunehmend eingesetzt, um komplexe Fragestellungen zu untersuchen, Prognosemodelle zu entwickeln und innovative Lösungen für Geschäftsprobleme zu entwickeln. Data Science erfordert Kenntnisse in verschiedenen Bereichen wie Mathematik, Statistik, Informatik, Datenbanktechnologie und Domain-Wissen.

Data Storytelling ist der Prozess der Kommunikation von Datenanalysen, Erkenntnissen und Botschaften in einer narrativen, visuellen und kontextuellen Weise, die die Verständlichkeit, Überzeugungskraft und Handlungsorientierung für das Publikum erhöht. Data Storytelling ist eine zunehmend wichtige Fähigkeit und Praxis in Business Intelligence, Analytics und Data Science, da es die Wirkung, Akzeptanz und Nutzung von Daten in Entscheidungsprozessen, Präsentationen und Berichten verbessert. Data Storytelling-Techniken umfassen Storyboarding, Datenvisualisierung, Metaphern, Analogien und emotionale Ansprache.

Ein Data Warehouse (DWH) ist eine zentrale Datenbank, die Daten aus verschiedenen internen und externen Quellen konsolidiert, um eine konsistente und einheitliche Sicht auf Unternehmensinformationen für Business Intelligence- und Analysezwecke bereitzustellen.

Data Warehouses sind typischerweise auf die Speicherung und Verwaltung von strukturierten, historischen Daten ausgerichtet und ermöglichen die Durchführung von komplexen Analysen und Abfragen über große Datenvolumen.

Datenlagerung ist ein grundlegender Bestandteil von Business Intelligence, Datenintegration und Datenmanagement, da es die Datenqualität, Genauigkeit, Verfügbarkeit und Wert für Analyse-, Berichts- und Anwendung

Data Wrangling, auch als Data Munging bezeichnet, ist der Prozess der manuellen oder automatisierten Transformation, Bereinigung, Anreicherung und Neustrukturierung von Daten, um sie für die Analyse, Integration oder Nutzung in Business Intelligence, Analytics und Data Science vorzubereiten. Data Wrangling ist ein wesentlicher Schritt und eine Herausforderung im Datenmanagement, da es die Datenqualität, Konsistenz, Genauigkeit und Wert für Analyse- und Anwendungsprozesse verbessert. Data Wrangling-Techniken umfassen Datentransformation, Datenvalidierung, Datenfusion, Datenreduktion und Datenimputation.

Datenarchitektur bezieht sich auf das Design, die Struktur, die Organisation und die Verwaltung von Datenressourcen, Systemen und Technologien in einer Organisation. Eine effektive Datenarchitektur ist entscheidend für den Erfolg von Business Intelligence, Data Warehousing, Datenintegration und Datenmanagement, da sie die Grundlage für die effiziente, konsistente und sichere Nutzung von Daten für die Analyse, Berichterstattung und Anwendungsentwicklung bildet. Datenarchitektur umfasst Aspekte wie Datenmodellierung, Datenbankdesign, Datenflussdiagramme, Datenstandards und Daten-Governance-Richtlinien.

Datenfusion bezieht sich auf den Prozess der Integration, Konsolidierung und Zusammenführung von Daten aus verschiedenen Quellen, Systemen und Formaten, um eine einheitliche, konsistente und vollständige Sicht auf die Daten für die Analyse und Entscheidungsfindung zu schaffen. Datenfusion ist ein kritischer Schritt in Datenintegration, Datenbereinigung, Data Warehousing und Master Data Management, da sie die Qualität, Genauigkeit und Wert von Daten in Business Intelligence und Analytics verbessert. Datenfusionstechniken umfassen Datenmapping, Datenabgleich, Datenzusammenführung und Datenbereinigung.