Begriff
Data Analytics
Warum wichtig?
Dieser Begriff ist ein Knoten im SengakujiWorks-Wissensnetz. Nutze Level 0 für die erste Einordnung, Level 1 für Praxis, Level 2 für technische Struktur und Level 3 für Grenzen, Fallstricke und Expertenkontext.
Daten sind das neue Öl. Aber Rohöl nützt niemandem. Es muss raffiniert werden. Data Analytics ist die Raffinerie. Du nimmst Rohdaten (Logs, Verkäufe, Klicks). Du reinigst sie. Du suchst Muster. Du beantwortest Fragen:
- Descriptive: Was ist passiert? (Umsatz letzte Woche).
- Diagnostic: Warum ist es passiert? (Serverausfall).
- Predictive: Was wird passieren? (Umsatzprognose).
- Prescriptive: Was sollen wir tun? (Preise senken).
Merksatz: Der Prozess der Inspektion, Bereinigung, Transformation und Modellierung von Daten mit dem Ziel, nützliche Informationen zu entdecken, Schlussfolgerungen zu ziehen und die Entscheidungsfindung zu unterstützen.
Tools: SQL, Python (Pandas), Excel. Der "Data Analyst" ist oft der Übersetzer zwischen Technik ("Die Datenbank sagt Error 500") und Business ("Wir verlieren Geld"). Er baut Dashboards und Reports.
1. ETL vs ELT
- ETL (Extract, Transform, Load): Alte Schule. Daten saugen, transformieren (auf dem Laptop/Server), dann sauber in die DB laden.
- ELT (Extract, Load, Transform): Modern (Cloud). Erst alles roh in den Data Lake (S3/BigQuery) kippen. Dann in der Datenbank transformieren (mit SQL). Skaliert besser.
2. A/B Testing
Der Goldstandard der Analytics. Nicht raten, messen. Gruppe A sieht blauen Button. Gruppe B sieht roten Button. Wer klickt mehr? Statistische Signifikanz (p-value) entscheidet.
1. Dimensional Modeling (Star vs. Snowflake)
In der professionellen Datenanalyse (Data Warehousing) nutzt man das Model von Ralph Kimball. Daten werden in Facts (Zahlen, z.B. Preis) und Dimensions (Kontext, z.B. Datum, Laden-Ort) getrennt. Ein Star Schema minimiert die Anzahl der Joins und macht Abfragen extrem schnell. Production-Gotcha: Wenn man Dimensionen ändert (SCD - Slowly Changing Dimensions), muss man entscheiden: "Überschreiben wir die alte Adresse des Kunden (Type 1) oder behalten wir den Verlauf, um zu sehen, wo er letztes Jahr gewohnt hat (Type 2)?". Ein falsches Design hier zerstört jegliche Vergleichbarkeit von historischen Daten.
2. Olap Cubes & Pre-Aggregation
Bei Milliarden von Zeilen ist selbst SQL zu langsam für Echtzeit-Dashboards. Man nutzt OLAP-Cubes (Online Analytical Processing). Daten werden im Voraus "zusammengefasst" (Aggregated) gespeichert. Anstatt jedes Mal den Durchschnitt über 12 Monate zu berechnen, speichert die DB den Durchschnitt für jeden Monat vorab. Modernere Ansätze wie ClickHouse oder Apache Druid nutzen stattdessen Spaltenspeicherung (Columnar Storage) und Vektorisierung, um diese Berechnungen in Millisekunden auf den Rohdaten durchzuführen, ohne starre Cubes bauen zu müssen.
3. Statistical Significance & Simpson's Paradox
Ein Profi-Analyst muss das Simpson's Paradoxon kennen. Ein Trend kann in verschiedenen Gruppen von Daten positiv erscheinen (z. B. Heilungsrate in Krankenhaus A und B), sich aber umkehren, wenn man die Daten kombiniert (Krankenhaus A ist insgesamt schlechter). Das passiert oft bei A/B Tests, wenn die Gruppen ungleich verteilt sind (z. B. mehr Mobil-User in Gruppe A). Ohne fortgeschrittene Techniken wie Propensity Score Matching oder Bayesian A/B Testing zieht man aus absolut korrekten Daten völlig falsche Schlüsse.
Quick-Check
Unterschied zu Data Science?
Schwimmend. Analysten fokussieren oft auf "Vergangenheit/Gegenwart" und Business-Fragen (SQL, Excel). Scientists fokussieren auf "Zukunft" und komplexe Algorithmen (ML, Python).Big Data?
Wenn Excel abstürzt, ist es Big Data. (Später: Wenn eine Maschine nicht mehr reicht -> Spark/Hadoop).Bias?
Die größte Gefahr. "Daten lügen nicht" ist falsch. Wenn du nur glückliche Kunden fragst, sind die Daten verzerrt (Survival Bias). Analysten müssen Skeptiker sein.