Mobile-Menu

Datameer stellt Smart Analytics vor

Die benutzerfreundliche Analyse für Hadoop

Seite: 3/4

Anbieter zum Thema

Fsas Technologies GmbH
Hyland Software Germany GmbH
STACKIT GmbH & Co. KG

Das Datameer-Konzept

Hadoop lässt sich vergleichsweise einfach in Clustern skalieren.
Hadoop lässt sich vergleichsweise einfach in Clustern skalieren.
(Bild: Datameer)
Der Zugriff auf die verschiedenen Datenquellen erlaubt ein Front-end, das einem Spreadsheet gleicht. Die Anwender wählen aus einer Liste von Datentöpfen aus, die sie für ihre Anwendung benötigen. Datameer stellt über 50 Konnektoren bereit, die diese Zugriffe erlauben, etwa für HTTP, Salesforce, E-Mail-Server und Social Media. Darüber hinaus gibt es Application Programming Interfaces (APIs) zu BI-Werkzeugen wie SPSS und zu Python.

Rund 240 Funktionen erlauben den Anwendern, eigene Analysen zu entwerfen und auf die von Hadoop im Hintergrund zusammengefügten Rohdaten anzuwenden. Von Partnern gibt es zudem diverse Apps, zumeist frei änderbare Templates. Die Datameer-Anwendungen laufen in nahezu jedem Browser und die Zugriffskontrollen werden über Active Directories gesteuert.

Die jüngste Datameer-Version 3.0 fügt vier komplexe Machine-Learning-Techniken hinzu: Clustering, Entscheidungsbäume, Abhängigkeitsmuster und Empfehlungen. Was zunächst stark nach IT-Technik klingt, ist aber gerade nicht nur für Spezialisten gedacht: „Mit Smart Analytics in Datameer 3.0 geht es vor allem darum, Big-Data-Analyse schneller, einfacher und auch intelligenter zu machen. Wir möchten dem ‚Business User’ helfen, das Signal im Rauschen zu verstärken. Und das ohne die Abhängigkeit von Data Scientists.“

Clustering, Entscheidungsbäume, Abhängigkeitsmuster und Empfehlungen

Jede der neuen Smart-Analytics-Funktionen helfe, Daten schneller und besser zu verstehen. Mit diesen Erkenntnissen könne offensichtlichwerden, worauf ssich weitere Anstrengungen konzentrieren sollten, „wo es sich lohnt, tiefer zu analysieren“.

Mit Clustering kann Datameer automatisch Gruppen aufgrund von Ähnlichkeiten in Datensätzen finden. Dies kann zum Beispiel helfen, Zielgruppen genauer zu adressieren und basiert auf Standard-Eigenschaften wie Wohnort, verabreichte Medikamente, Telefon-Modell, Betriebssystem oder eben jede andere Eigenschaft, die geeignet ist, Daten zu segmentieren.

Die neuen Entscheidungsbäume erlaubten es dem Analysten zu verstehen, was ein definiertes Ergebnis beeinflusse. Das könne die Bestellung eines Produktes, die Wirkung eines Medikamentes oder der Download einer Software von der Webseite sein.

Datameer ermittele automatisch, welche Eigenschaften der Daten in welcher Kombination zum statistischen Eintreten des Ergebnisses führten. Der Analyst sehe dann zum Beispiel, welches Werbematerial bei welchem Kundentyp zum Verkauf geführt habe.

Mit Hilfe von Abhängigkeitsmustern lasse sich jede Kombination von Eigenschaften miteinander vergleichen und visuell die Stärke ihrer Beziehung zueinander darstellen. Das mache schwer erkennbare Zusammenhänge sichtbar, etwa zwischen Wohnort und Krankheit oder zwischen Beruf und Kreditwürdigkeit.

Letztendlich könnten Empfehlungen helfen vorherzusagen, ob und wie wahrscheinlich jemand an etwas interessiert sein wird. Diese Vorhersage beruht laut Groschupf auf historischen Daten von vielen anderen Nutzern und helfe so, relevante Inhalte, Produkte oder Dienstleistungen zu empfehlen.

(ID:40225360)

Weiterführende Inhalte