Big-Data-Anwendungsprozess

EVALUATION 

In einem nächsten Schritt müssen die analysierten Muster, Zusammenhänge oder Prognosen interpretiert (präskriptive Analysen) und daraus Handlungsempfehlungen abgeleitet werden.

Bevor diese in einem Report den Entscheidern vorgelegt werden, sollte der gesamte Datenanwendungsprozess jedoch noch einer Evaluation unterzogen werden. Hier wird geprüft, ob die richtigen Analysen mit den passenden Daten verlässlich durchgeführt wurden. Als Referenzpunkt werden die Ziele aus dem ersten Schritt herangezogen.

ERGEBNISBERICHT

Der letzte Schritt ist die Aufbereitung und Vermittlung der Kernergebnisse in einer aggregierten und visualisierten Form für Entscheider, z. B. in Form von Netzwerkgraphen, Diagrammen oder mit Hilfe von Realtime-Dashboards. Grundsätzlich sollten Datenanalysten und Kommunikatoren absprechen, in welcher Form und wann bzw. wie oft Reports erstellt werden sollen.

Entscheidend ist, dass die für das Kommunikationsziel passenden Kernergebnisse mit den richtigen KPIs verständlich aufbereitet werden. Es sind auch automatisierte Verfahren möglich, z. B. Alarmmeldungen, wenn das Unternehmen vermehrt kritisch genannt wird.

ZIELDEFINITION

Damit Big-Data-Anwendungen die einzelnen Phasen der strategischen Kommunikationsplanung (von der Situationsanalyse bis zur Evaluation) maßgeblich unterstützen, müssen klare Ziele und Fragestellungen für die Datenauswertung formuliert werden. Dabei können für jede Phase des strategischen Kommunikationsplanungsprozesses eigene Ziele definiert und entsprechende Datenanalysen durchgeführt werden.

DATENSAMMLUNG/-SELEKTION

Nachdem die Ziele definiert wurden, muss ein Datenpool aufgebaut werden. Die befragten Experten prüfen je nach Anwendungsfall welche Daten bereits zur Verfügung stehen und welche weiteren Datenquellen genutzt werden können.

Dann wird entsprechend der 3 V’s – Variety, Volume und Velocity spezifiziert: Welche Daten müssen in welchem Umfang und in welcher Geschwindigkeit bzw. über welchen Zeitraum vorliegen, um die formulierten Ziele zu erreichen? Die Generierung der Daten ist nicht banal, denn es gibt unterschiedliche Datenformate, für die wiederum unterschiedliche Generierungs- und Speichermethoden benötigt werden.

DATENANALYSE

In diesem Schritt wird mittels statistischer Methoden aus den bereinigten Daten computergestütztes Wissen gewonnen (Data Mining). Die Analysephase beginnt damit, Ziele für das Data Mining festzulegen: Was genau soll analysiert werden? Welches Verfahren eignet sich hierfür? Dementsprechend wird der passende Algorithmus ausgewählt, der nach Mustern, Korrelationen oder Trends sucht.

Dann schließt sich zumeist eine deskriptive Analyse an. Hierbei werden Häufigkeiten, wie die Zahl der Follower, Likes oder Page Views ausgewertet.

Im nächsten Schritt gehen die Analysen mehr in die Tiefe und es werden Gründe, Zusammenhänge und Muster in einer diagnostischen Analyse geprüft.

Auch prädiktive Analysen, d. h. eine Vorhersage zu den Wahrscheinlichkeiten von zukünftigen Ereignissen, können Teil des Data Minings sein.

DATENTRANSFORMATION

Der Schritt der Datentransformation beschreibt die Umwandlung der Rohdaten in andere Datenformate. Die Daten müssen so transformiert werden, dass sie von den jeweiligen Analysetools bearbeitet werden können, beispielsweise wenn Text- oder Bilddateien in großer Menge aber in unterschiedlichen Datenformaten vorliegen.

Ein Hauptziel dieser Phase liegt darüber hinaus in der Datenreduktion, indem so viele Variablen wie möglich zu einzelnen Merkmalen zusammengefasst werden. Wie die Transformation im Detail durchgeführt werden muss, ist abhängig von der eigentlichen Fragenstellung aus Schritt 1. 

DATENBEREINIGUNG

Nach der Datensammlung müssen diese bereinigt und für die weitere Bearbeitung vorbereitet werden. Das heißt, der Datensatz muss von Spam und anderen irrelevanten Daten gesäubert werden, beispielsweise von Bot-generierten Inhalten. Zumeist erfolgt dies durch einen entsprechenden Algorithmus.

Im Anschluss werden die Texte häufig noch einmal stichprobenartig gelesen, händisch geprüft, eingruppiert und gegebenenfalls korrigiert. Diese Phase wird von den meisten Experten als aufwändiger, aber entscheidender Schritt beschrieben. Nur wenn die gesammelten Daten bezogen auf die Fragestellungen richtig erhoben wurden und verlässlich sind, können damit wertschöpfende Analysen durchgeführt werden.