Definition - Epizyklischer Prozess der Datenanalyse

• Typen:
  • KDD-Prozess
• Generalisierungen:
  • Data Science Vorgehensmodell
  • Data Science Life Cycle
• Involvierte Definitionen:
  • Datenqualität
  • Explorative Datenanalyse
  • Visuelle explorative Datenanalyse
  • Baseline-Modell
  • Performanzfunktionen
• Veranstaltung: EDS
• Referenz:
  • @beecks2024 (LE3, Epizyklischer Prozess der Datenanalyse)
  • The Art of Data Science, Peng and Matsui

⠀

Definition: Epizyklischer Prozess der Datenanalyse

Als epizyklischen Prozess der Datenanalyse definieren wir ein iteratives Vorgehensmodell zur Datenanalyse. Es umfasst fünf Kernaktivitäten, für die jeweils ein Verfeinerungsschritt durchgeführt wird.

Die fünf Kernaktivitäten umfassen:

• Entwicklung einer Fragestellung
  • Benötigt: Anwendungs- und Domänenwissen,
  • Einbezug des aktuellen Forschungsstandes (Literaturrecherche)
• Explorative Analyse der Daten
  • Filtern, aggregieren, explorative Visualisierung
• Erstellung von Analysemodellen
  • Überwachte vs. unüberwachte Methoden
• Interpretation der Ergebnisse
  • Funktioniert unser Ansatz?
  • Beantwortet das Analysemodell unsere Frage?
• Kommunikation der Ergebnisse
  • Zielgruppenorientierte Präsentation, Inhalt, Stil

Die Kernaktivitäten werden wie folgt iterativ verfeinert:

• Erwartungen für die Kernaktivität festlegen,
  • Bspw: welche Datenattribute betrachten wir? welche Modelle möchte ich anwenden?
• Kernaktivität durchführen und mit den Erwartungen vergleichen
  • Bspw: waren die gewählten Analysemethoden angemessen und ausreichend zur Beantwortung der Fragestellung?
• Erwartungen oder Voraussetzungen der Kernaktivität anpassen
  • Bspw: Anderen Datensatz oder anderes Modell auswählen.

Anmerkung

Beispiel für Kernaktivitäten und Verfeinerungen

	Erwartungen für die Kernaktivität festlegen	Kernaktivität durchführen und mit Erwartungen vergleichen	Erwartungen oder Voraussetzungen anpassen
Fragestellung	Fragestellung sollte für die Zielgruppe relevant sein	Literaturrecherche und Domänenexperten befragen	Fragestellung nachschärfen
Explorative Analyse	Datensatz ist der Fragestellung angemessen	Explorative Visualisierungen erstellen	Fragestellung überarbeiten oder weitere Daten sammeln
Erstellung von Analysemodellen	Modell sollte die Fragestellung beantworten	Vergleich mit Baseline-Modellen, Berechnung geeigneter Performanzfunktionen	Modell um neue Features erweitern
Interpretation	Interpretation der Analyse ermöglicht eine spezifische und bedeutungsvolle Antwort für die Fragestellung	Gesamtheit aller Analysen betrachten; Kontentration auf Effektgröße und Unsicherheit	Explorative Analyse oder Analysemodelle überarbeiten
Kommunikation	Analysevorgehen und die Ergebnisse sind für die Zielgruppe nachvollziehbar und wertvoll	Feedback von der Zielgruppe erhalten	Überarbeitung der Analyse oder des Vortragsstils