Data Wrangling

Was Ist Data Wrangling?

Unternehmen haben mit großen Mengen an Rohdaten zu tun und die Vorbereitung dieser Daten für die Analyse kann zeit- und kostenaufwendig sein. Wrangling verringert diese Belastung durch Umwandlung, Bereinigung und Anreicherung von Daten, um sie anwendbarer, brauchbarer und praktischer zu machen. Im Gegensatz zur Vorverarbeitung oder Vorbereitung von Daten erfolgt das Wrangling während der Analyse- und Modellerstellungs- Phasen des Datenanalyseprozesses.

Data Wrangling verbessert die Qualität der analysierten Daten. Das bedeutet, dass Unternehmen keine Zeit und Ressourcen zu verschwenden brauchen, um sich mit den Konsequenzen von schlechten Daten zu befassen. Stattdessen können sie genaue, aussagekräftige Analysen erstellen, die bessere Lösungen, Entscheidungen und Ergebnisse ermöglichen.

So funktioniert Data Wrangling

Erkunden: Die Datenexploration oder -erkundung ist eine Möglichkeit zur Identifikation von Mustern, Trends und fehlenden oder unvollständigen Informationen in einem Dataset. Der größte Teil der Erkundung findet vor der Erstellung von Berichten, Datenvisualisierungen oder dem Training von Modellen statt, aber es ist durchaus üblich, auch während der Analyse auf Überraschungen und Erkenntnisse in einem Dataset zu stoßen.

Umwandlung: Die Umwandlung oder Strukturierung von Daten ist wichtig; wenn sie nicht frühzeitig durchgeführt wird, kann sie den Rest des Wrangling-Prozesses gefährden. Bei der Datentransformation müssen die Daten in die richtige Form und in das richtige Format gebracht werden, damit sie für einen Bericht, eine Datenvisualisierung oder einen Analyse- oder Modellierungsprozess verwendet werden können. Dazu kann es gehören, neue Variablen (auch Features genannt) zu erstellen und mathematische Funktionen auf die Daten anzuwenden.

Bereinigen: Daten enthalten häufig Fehler, die auf eine manuelle Eingabe, unvollständige Daten, automatisch von Sensoren erfasste Daten oder sogar auf Fehlfunktionen von Geräten zurückzuführen sind. Die Datenbereinigung korrigiert diese Eingabefehler, entfernt Duplikate und Ausreißer (falls zutreffend), eliminiert fehlende Daten und errechnet fehlende Werte auf der Grundlage statistischer oder bedingter Modellierung, um die Datenqualität zu verbessern.

Anreichern: Anreichern oder Zusammenführen macht ein Dataset nützlicher, indem zusätzliche Quellen wie zuverlässige Daten von Drittanbietern, firmografische oder demografische Daten integriert werden. Der Anreicherungsprozess kann auch dabei helfen, zusätzliche Erkenntnisse aus den Daten innerhalb eines Unternehmens zu gewinnen oder neue Ideen für die zukünftige Erfassung und Speicherung zusätzlicher Kundeninformationen zu entwickeln. Dies gibt Gelegenheit dazu, strategisch darüber nachzudenken, welche zusätzlichen Daten zu einem Bericht, Modell oder Geschäftsprozess beitragen können.

Speichern: Der letzte Teil des Data Wrangling besteht darin, das Endprodukt zusammen mit allen Schritten und Umwandlungen, die durchgeführt wurden, zu speichern oder zu erhalten, damit es in Zukunft geprüft, verstanden und wiederholt werden kann.

Die Zukunft des Data Wrangling

Erste Schritte mit Data Wrangling

Die Alteryx Analytic Process Automation Plattform™ verwendet eine grafische Benutzeroberfläche, sodass wichtige Daten einfach dokumentiert, geteilt und skaliert werden können. Data Wrangling funktioniert auf eine Art und Weise, die prüfbar und wiederholbar ist. No-Code-/Low-Code-Modi ermöglichen es Benutzenden, entweder per Drag & Drop zu arbeiten oder eine Programmierzeile nach der anderen in Angriff zu nehmen. Benutzende können ihre Arbeit auch in Formaten speichern, die einer Tabellenkalkulationsdatei ähneln, oder als Teil eines größeren Datenmodells auf einer gemeinsamen Plattform.

• Transformations-Tools, einschließlich Anordnen, Zusammenfassen und Umstellen
• Vorbereitungs- und Bereinigungs-Tools, wie Formulieren, Filtern und Bereinigen
• Datenanreicherungs-Tools, einschließlich Location Insights, Business Insights und Verhaltensanalyse