Skip to main content

Vergleich der Machine-Learning-Funktionalitäten von Business-Intelligence- und Analytics-Tools

  • Chapter
  • First Online:
Data Science anwenden

Zusammenfassung

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.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 34.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Similar content being viewed by others

Literatur

  1. Vorhies W Data scientists automated and unemployed by 2025!, 13.04.2016, https://www.datasciencecentral.com/profiles/blogs/data-scientists-automated-and-unemployed-by-2025. Zugegriffen: 14. Dez. 2020

  2. IDC, The digitization of the dorld from ddge to dore, November 2018, https://www.seagate.com/files/www-content/our-story/trends/files/idc-seagate-dataage-whitepaper.pdf. Zugegriffen: 14. Dez. 2020

  3. Scarff B So beeinflusst machine learning die business intelligence, 02.02.2018, https://www.bigdata-insider.de/so-beeinflusst-machine-learning-die-business-intelligence-a-676786/. Zugegriffen: 14. Dez. 2020

  4. Heinen B 6 Gründe für das Scheitern von Data-Science-Projekten, 16.09.2019, https://www.inform-software.de/blog/post/6-gruende-fuer-das-scheitern-von-data-science-projekten. Zugegriffen: 14. Dez. 2020

  5. Hebben H Dieses Potenzial haben Citizen Data Scientists, BigData-Insider, 19.06.2019, https://www.bigdata-insider.de/dieses-potenzial-haben-citizen-data-scientists-a-829910/. Zugegriffen: 14. Dez. 2020

  6. Engelmann J Datenanalysen auf Knopfdruck: Mit Augmented Analytics wirst auch Du Analytics-Profi, 30.05.2018, https://www.konversionskraft.de/data-analytics/datenanalysen-auf-knopfdruck-mit-augmented-analytics-wirst-auch-du-analytics-profi.html. Zugegriffen: 14. Dez. 2020

  7. Richardson et al. J. Gartner, magic quadrant for analytics and business intelligence platforms, 11.02.2020, https://www.gartner.com/doc/reprints?id=1-1XYUYQ3I&ct=191219&st=sb. Zugegriffen: 14. Dez. 2020

  8. Microsoft Corporation, MLOps with Azure ML – code samples, 2020, https://docs.microsoft.com/en-us/samples/microsoft/mlopspython/mlops-with-azure-ml/, Zugegriffen: 14. Dez. 2020

  9. Lanquillon C (2019) Grundzüge des maschinellen Lernens. In: Schacht S, Lanquillon C (Hrsg) Blockchain und maschinelles Lernen: wie das maschinelle Lernen und die Distributed-Ledger-Technologie voneinander profitieren. Springer Berlin Heidelberg, Berlin, S 89–142

    Google Scholar 

  10. Schulte B Machine-Learning-Modelle bewerten – die Crux mit der Metrik, 02.07.2019, https://blog.codecentric.de/2019/07/machine-learning-modelle-bewerten-die-crux-mit-der-metrik/. Zugegriffen: 14. Dez. 2020

  11. Patruno L (2020) Why is it important to monitor machine learning models? – ML in production. https://mlinproduction.com/why-is-it-important-to-monitor-machine-learning-models/. Zugegriffen: 14. Dez. 2020

  12. Panizzo DS Wine Quality, 29.10.2017, https://www.kaggle.com/danielpanizzo/wine-quality. Zugegriffen: 14. Dez. 2020

  13. Brabban P Daily minimum temperatures in Melbourne, 23.03.2019, https://www.kaggle.com/paulbrabban/daily-minimum-temperatures-in-melbourne. Zugegriffen: 14. Dez. 2020

  14. Lexikon S (2020) Root Mean Square Error (RMSE; dt.: Wurzel der mittleren Fehlerquadratsumme) – Statista Definition. https://de.statista.com/statistik/lexikon/definition/303/root_mean_square_error/. Zugegriffen: 14. Dez. 2020

  15. SAP SE (2020) Horizontweiter MAPE. https://help.sap.com/viewer/41d1a6d4e7574e32b815f1cc87c00f42/3.1/de-DE/4ff1d39db49d4e69a22d1d58eb0cd28d.html. Zugegriffen: 14. Dez. 2020

  16. Litzel N Was ist Augmented Intelligence? 13.07.2018, https://www.bigdata-insider.de/was-ist-augmented-intelligence-a-733360/. Zugegriffen: 14. Dez. 2020

  17. QlikTech GmbH (2020) Qlik Sense Datenanalyse-Plattform. https://www.qlik.com/de-de/products/qlik-sense. Zugegriffen: 14. Dez. 2020

  18. QlikTech GmbH (2020) Qlik Sense Business kostenfrei testen. https://www.qlik.com/de-de/trial/qlik-sense-business. Zugegriffen: 14. Dez. 2020

  19. Kirste M (2019) Augmented Intelligence – wie Menschen mit KI zusammen arbeiten. In: Wittpahl V (Hrsg) Künstliche Intelligenz: Technologie | Anwendung | Gesellschaft. Springer, Berlin Heidelberg, Heidelberg, S 58–71

    Chapter  Google Scholar 

  20. TIBCO Spotfire Inc (2020) Using an evaluation summary. https://www.tibco.com/. Zugegriffen: 14. Dez. 2020

  21. TIBCO Spotfire Inc (2020) Details on regression modeling – options. https://www.tibco.com/. Zugegriffen: 14. Dez. 2020

  22. Lüken J, Schimmelpfennig H Das Bestimmtheitsmass der linearen Regression, 03.04.2020, https://www.ifad.de/das-bestimmtheitsmass-der-linearen-regression/. Zugegriffen: 14. Dez. 2020

  23. RapidMiner GmbH, RapidMiner 9: Operator Reference Manual, Cleansing Data, 26.08.2021, https://docs.rapidminer.com/latest/studio/operators/rapidminer-studio-operator-reference.pdf. Zugegriffen: 31. Aug. 2021

  24. RapidMiner GmbH, Remove correlated attributes – rapidMiner documentation, 09.11.2020, https://docs.rapidminer.com/latest/studio/operators/blending/attributes/selection/remove_correlated_attributes.html. Zugegriffen: 14. Dez. 2020

  25. RapidMiner GmbH, Discretize by user specification – RapidMiner documentation, 09.11.2020, https://docs.rapidminer.com/latest/studio/operators/cleansing/binning/discretize_by_user_specification.html. Zugegriffen: 14. Dez. 2020

  26. RapidMiner GmbH, Normalize – RapidMiner documentation, 09.11.2020, https://docs.rapidminer.com/latest/studio/operators/cleansing/normalization/normalize.html. Zugegriffen: 14. Dez. 2020

  27. RapidMiner GmbH, Remove duplicates – RapidMiner documentation, 09.11.2020, https://docs.rapidminer.com/latest/studio/operators/cleansing/duplicates/remove_duplicates.html. Zugegriffen: 14. Dez. 2020

  28. RapidMiner GmbH, Automatic feature engineering – RapidMiner help. https://docs.rapidminer.com/latest/studio/operators/modeling/optimization/automatic_feature_engineering.html. Zugegriffen: 31. Aug. 2021

Download references

Author information

Authors and Affiliations

Authors

Corresponding author

Correspondence to Gabriele Roth-Dietrich .

Editor information

Editors and Affiliations

Rights and permissions

Reprints and permissions

Copyright information

© 2021 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

Cite this chapter

Roth-Dietrich, G., Gröschel, M., Reiner, B. (2021). Vergleich der Machine-Learning-Funktionalitäten von Business-Intelligence- und Analytics-Tools. In: Barton, T., Müller, C. (eds) Data Science anwenden. Angewandte Wirtschaftsinformatik. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-33813-8_7

Download citation

Publish with us

Policies and ethics