Ein Datenanalyse-Projekt von der zu verbessernden Entscheidung bis zum echten Einsatz führen

## In Schritten arbeiten und zurückgehen, wenn sich eine Annahme als falsch erweist Organisiere das Projekt als zusammenhängenden Lebenszyklus statt als starre Abfolge. Durchlaufe Entscheidungsverständnis, Datenverständnis, Datenaufbereitung, Modellierung, Bewertung und Bereitstellung, kehre aber zu früheren Phasen zurück, sobald Erkenntnisse eine Annahme widerlegen oder eine neue Anforderung aufdecken. Lege für jede Phase ein erwartetes Ergebnis und einen Prüfpunkt fest. Dokumentiere Eingaben, Entscheidungen, Erkenntnisse, offene Fragen und die Gründe für das Vor- oder Zurückgehen. Je nach Problem darf der Lebenszyklus einzelne Phasen unterschiedlich gewichten, doch nachgelagerte Fragen dürfen nicht unbeachtet bleiben, nur weil eine Phase weniger wichtig erscheint. Halte das Entscheidungsproblem während des gesamten Projekts sichtbar. Analytische Arbeit ist nur dann nützlich, wenn sie eine Entscheidung, einen Ablauf, ein Produkt oder ein messbares Ergebnis verbessert. ## Die zu verbessernde Entscheidung in Analysefragen und einen Plan übersetzen Beschreibe zuerst den Entscheidungskontext, das gewünschte Ergebnis, den derzeitigen Ablauf, die Beteiligten und den erwarteten Wert der Arbeit. Lege messbare Erfolgskriterien sowohl aus Entscheidungssicht als auch aus analytischer Sicht fest. Halte beide getrennt, damit technische Leistung nicht unbemerkt den tatsächlichen Nutzen ersetzt. Erfasse verfügbare Personen, Daten, Werkzeuge, Zeit, finanzielle Mittel und Fachwissen. Dokumentiere Anforderungen, Annahmen, rechtliche oder betriebliche Einschränkungen, Begriffe, Risiken, Ausweichpläne, Kosten und erwarteten Nutzen. Überführe das Entscheidungsziel in analytische Fragen, Zielergebnisse und Abnahmekriterien. Erstelle einen Projektplan mit Phasen, Abhängigkeiten, Mitteln, Meilensteinen, Prüfpunkten und möglichen Verfahren. Überarbeite den Plan, wenn spätere Erkenntnisse das ursprüngliche Verständnis verändern. ## Die Daten erkunden und prüfen, ob sie die Frage beantworten können Sammle zunächst einen repräsentativen Datensatz und dokumentiere seine Quellen, Zuständigkeit, Erhebungsbedingungen, zeitliche Abdeckung und bekannten Grenzen. Beschreibe vor jeder Schlussfolgerung die Anzahl der Datensätze, Felder, Typen, Wertebereiche, Verteilungen, Beziehungen und wichtigen Metadaten. Untersuche die Daten, um frühe Hypothesen zu prüfen, unerwartete Muster aufzudecken und aussagekräftige oder unerhebliche Felder zu erkennen. Trenne Beobachtungen von Deutungen und führe jede Schlussfolgerung auf die Daten und das Verfahren zurück, die sie stützen. Prüfe Vollständigkeit, Gültigkeit, Einheitlichkeit, Eindeutigkeit, Aktualität und Eignung für die beabsichtigte Entscheidung. Halte fehlende Werte, Fehler, Störanteile, Verzerrungsrisiken und Erhebungslücken in einem Datenqualitätsbericht fest. Wenn die Daten das Ziel nicht tragen können, kehre zum Ziel, Erhebungsplan oder Projektumfang zurück, statt ein Modell zu erzwingen. ## Daten bereinigen und zusammenführen und jede Änderung festhalten Wähle Datensätze und Felder anhand ihrer Bedeutung, Qualität, technischen Einschränkungen und des geplanten Bewertungsaufbaus aus. Begründe die Aufnahme oder den Ausschluss von Daten, damit spätere Prüfer die Analysegrundgesamtheit reproduzieren können. Bereinige Fehler und fehlende Werte nach ausdrücklichen Regeln. Erzeuge abgeleitete Merkmale nur, wenn ihre Bedeutung und Berechnung dokumentiert sind. Führe Quellen anhand geprüfter Schlüssel und Granularität zusammen und bringe das Ergebnis anschließend in die für die gewählten Verfahren erforderliche Form, ohne seine beabsichtigte Bedeutung zu verändern. Führe ein Transformationsprotokoll über Quellversionen, Auswahlregeln, Bereinigungen, abgeleitete Felder, Verknüpfungen, Formatierungen und die daraus entstandene Qualität. Kehre zum Datenverständnis zurück, wenn die Aufbereitung Auffälligkeiten offenlegt oder die Deutung wichtiger Felder verändert. ## Modelle wählen und vor dem Bauen einen fairen Test festlegen Wähle Verfahren anhand des analytischen Ziels, der Dateneigenschaften, Annahmen, Anforderungen an die Erklärbarkeit, betrieblichen Einschränkungen und Erfolgskriterien. Dokumentiere, warum jedes mögliche Verfahren geeignet ist und unter welchen Bedingungen es ungültig wäre. Entwirf die Bewertung vor der Modellanpassung. Lege Lern- und Prüfdatenbereiche, Vergleichsgrundlagen, Kennzahlen, Stichprobenregeln und Verfahren fest, die verhindern, dass Bewertungsdaten die Modellerstellung beeinflussen. Nutze beim Vergleich möglicher Ansätze denselben Aufbau. Erstelle mehrere begründete Modelle, wenn die Unsicherheit einen Vergleich erfordert. Dokumentiere für jeden Durchlauf Datenversionen, Merkmale, Parameter, Annahmen, Ausführungsbedingungen und Ergebnisse. Beurteile die Modellqualität anhand der vorher festgelegten technischen Kriterien und untersuche Fehlschläge, statt ein Ergebnis nur wegen seiner höchsten Platzierung auszuwählen. ## Ergebnisse danach bewerten, ob sie der Entscheidung helfen, nicht nur nach Punktzahl Prüfe die analytischen Ergebnisse sowohl anhand der technischen Kriterien als auch anhand der ursprünglichen Erfolgskriterien der Entscheidung. Bestätige, dass die Erkenntnisse genau genug, für das genannte Problem relevant, für Beteiligte verständlich und unter den betrieblichen Einschränkungen umsetzbar sind. Überprüfe den vollständigen Ablauf auf übersehene Anforderungen, schwache Annahmen, Datengrenzen, Sackgassen, überraschende Ergebnisse und alternative Entscheidungen. Kehre zu früheren Phasen zurück, wenn die Erkenntnisse nicht ausreichen. Wiederholungen werden erwartet und sollen dokumentiert, nicht verborgen werden. Wähle den nächsten Schritt ausdrücklich: zur Bereitstellung übergehen, den aktuellen Ansatz verfeinern, ihn ersetzen, bessere Daten erheben oder das Vorhaben beenden. Dokumentiere die Entscheidungsgrundlage. Ein technisch starkes Ergebnis darf nicht weitergeführt werden, wenn es das Entscheidungsziel verfehlt. ## Ergebnisse einsetzen und beobachten, ob ihre Genauigkeit nachlässt Bereitstellung kann bedeuten, ein Modell in ein betriebliches System einzubinden oder Erkenntnisse so zu vermitteln, dass Menschen eine Entscheidung oder einen Ablauf ändern können. Bestimme für jedes Ergebnis Zielgruppe, Verantwortlichen, Übermittlungsweg, Abhängigkeiten, Umsetzungsschritte, technische Anforderungen und Ausweichplan. Lege die Überwachung vor der Freigabe fest. Bestimme die zu beobachtenden Faktoren, Maße für Gültigkeit und Genauigkeit, Berichtsintervall, Warnschwellen und Bedingungen, die eine schleichende Verschiebung, ein Veralten oder den Verlust des Nutzens anzeigen. Entscheide im Voraus, ob die jeweilige Bedingung eine Neukalibrierung, einen Neuaufbau, einen Austausch oder ein neues Projekt erfordert. Stimme dich mit den Personen ab, die Systeme betreiben, Daten pflegen, Entscheidungen treffen oder vom Ergebnis betroffen sind. Automatisiere routinemäßige Überwachung, wo es sinnvoll ist, behalte aber menschliche Prüfung für Urteile bei, die vom Kontext oder von vertretbaren Zielkonflikten abhängen. ## Einen Abschlussbericht schreiben und Erkenntnisse für das nächste Projekt sichern Erstelle eine Abschlussdokumentation zum ursprünglichen Problem, zu Erfolgskriterien, Verfahren, Kosten, Planabweichungen, Datengrenzen, Ergebnissen, Bereitstellungsweg, Überwachungsplan und empfohlenen Folgearbeiten. Passe die Erklärungstiefe an die jeweilige Zielgruppe an, ohne die zugrunde liegenden Nachweise zu verändern. Prüfe jede Phase auf ihren Wertbeitrag, vermeidbare Arbeit, Fehlschläge, Sackgassen, Überraschungen und bessere Alternativen. Hole nach Möglichkeit Rückmeldungen von Projektbeteiligten und von Personen ein, die vom bereitgestellten Ergebnis betroffen sind. Bewahre Entscheidungen, Berichte, wiederverwendbare Transformationen, Bewertungsaufbauten und Erkenntnisse so auf, dass künftige Projekte sie finden und verstehen können. Beurteile das Projekt nicht nur anhand der Modellqualität, sondern auch danach, ob es den beabsichtigten Nutzen erbracht und die Fähigkeit der Organisation zur nächsten Analyse verbessert hat.