Daten-Glossar

A

Advanced Analytics

Eine Sammlung fortgeschrittener Datenanalysetechniken – darunter Machine Learning, Predictive Modeling und AI –, die darauf ausgelegt sind, tiefere Erkenntnisse zu gewinnen, Trends vorherzusagen und datengetriebene Entscheidungen in komplexen Szenarien zu unterstützen.

Aggregate Data

Daten, die gesammelt und zusammengefasst wurden, um Analysen zu ermöglichen – etwa durch das Summieren von Gesamtverkäufen oder das Bilden durchschnittlicher monatlicher Nutzeraktivität.

Algorithm

Eine Reihe von Regeln oder Schritten zur Lösung eines bestimmten Problems oder zur Durchführung einer Aufgabe – häufig eingesetzt in der Datenanalyse, im Machine Learning und in der AI.

Analytics

Der Prozess der Analyse von Datensätzen, um Schlussfolgerungen zu ziehen, Muster zu erkennen und Entscheidungsprozesse zu unterstützen – einschließlich Methoden wie deskriptive, prädiktive und präskriptive Analytik.

Anomaly Detection

Das Erkennen von Datenpunkten, die erheblich vom Normalzustand abweichen – häufig genutzt, um Betrug, Fehler oder ungewöhnliche Muster in Datensätzen aufzudecken.

API (Application Programming Interface)

Ein Satz von Protokollen und Tools, der es unterschiedlichen Softwareanwendungen ermöglicht, miteinander zu kommunizieren – häufig genutzt, um Verbindungen zu Datenquellen herzustellen und mit ihnen zu interagieren.

Artificial Intelligence (AI)

Die Simulation menschlicher Intelligenz in Maschinen, die es ihnen ermöglicht zu lernen und Entscheidungen zu treffen – weit verbreitet in Automatisierung und Datenanalyse.

Association Rule Mining

Eine Data-Mining-Technik zur Identifizierung von Beziehungen zwischen Variablen in großen Datensätzen, häufig eingesetzt in der Warenkorbanalyse, um Kaufmuster von Produkten zu erkennen.

Attribute

Ein Merkmal oder eine Eigenschaft von Daten in einem Datensatz, das häufig eine Spalte in einer Datenbank darstellt – etwa „Alter“ oder „Standort“ in Kundendaten.

B

Bayesian Analysis

Eine Methode des Predictive Modeling, die Wahrscheinlichkeiten aktualisiert, sobald neue Daten verfügbar werden. Sie unterstützt Führungskräfte bei Entscheidungen unter sich verändernden Informationen und ist besonders nützlich für Risikobewertungen.

Behavioral Analytics

Techniken zur Analyse des Kunden- und Nutzerverhaltens, um Muster zu erkennen und datenbasierte Anpassungen vorzunehmen, die das Engagement und die User Experience verbessern.

Benchmarking

Der Prozess des Vergleichs der Leistungskennzahlen eines Unternehmens mit Branchenstandards, um die Wettbewerbsposition zu verstehen und Verbesserungsziele festzulegen.

BI (Business Intelligence)

Tools und Prozesse zur Analyse und Visualisierung von Geschäftsdaten, die Führungskräften Echtzeit-Einblicke liefern und fundierte Entscheidungen unterstützen.

Bias (in Data)

Ein systematischer Fehler bei der Datenerhebung oder -analyse, der Ergebnisse verzerren kann. Das Erkennen und Managen von Bias ist entscheidend, damit Führungskräfte genaue und objektive Entscheidungen treffen können.

Big Data

Extrem große und komplexe Datensätze, deren Analyse Einblicke in Trends, Muster und Korrelationen liefert und strategische Entscheidungen im Unternehmen unterstützt.

Box Plot

Eine grafische Darstellung der Datenverteilung, die Median, Quartile und Ausreißer zeigt. Sie hilft dabei, die Variabilität von Daten schnell zu beurteilen und potenzielle Ausreißer in Leistungskennzahlen zu erkennen.

Bucketization

Die Praxis, Daten in definierte Bereiche oder „Buckets“ zu gruppieren, um die Analyse zu vereinfachen. Sie unterstützt die Trendidentifikation und Segmentierung, etwa bei der Kategorisierung von Kunden nach ihrem Ausgabeverhalten.

Business Strategy

Ein übergeordneter Plan, der beschreibt, wie eine Organisation ihre Ziele erreicht und sich einen wettbewerbsfähigen Vorteil sichert. Er steuert Entscheidungen zu Investitionen, Abläufen und datenbezogenen Initiativen, die langfristige Ziele unterstützen.

Business Value

Der messbare Nutzen, den ein Unternehmen durch eine Initiative, einen Prozess oder ein Produkt erzielt. Im Datenkontext bezeichnet Business Value die Auswirkungen datengetriebener Maßnahmen, wie etwa Umsatzsteigerungen, Kosteneinsparungen oder eine verbesserte Customer Experience.

C

Classification

Eine Machine-Learning-Technik, die Datenpunkten vordefinierte Kategorien zuweist und häufig im Data Mining sowie in der Predictive Analytics eingesetzt wird.

Cloud Data Storage

Die Nutzung von Cloud-Diensten zur Speicherung und Verwaltung von Daten – mit Skalierbarkeit, Flexibilität und hoher Zugänglichkeit über verteilte Netzwerke hinweg.

Clustering

Eine Methode zur Gruppierung ähnlicher Datenpunkte ohne vordefinierte Kategorien, häufig eingesetzt für Kundensegmentierung und Mustererkennung.

Cohort Analysis

Eine Analysemethode, bei der Nutzer oder Elemente mit gemeinsamen Merkmalen über einen bestimmten Zeitraum gruppiert werden, um Trends und Muster in den Daten zu erkennen.

Confidential Computing

Eine fortschrittliche Technologie, die sicherstellt, dass Daten während der Verarbeitung im Speicher verschlüsselt und geschützt bleiben und so Datenschutz und Sicherheit verbessert werden.

Correlation Analysis

Eine statistische Methode zur Messung und Analyse der Beziehung zwischen zwei Variablen, um Muster und Abhängigkeiten in Daten sichtbar zu machen.

Cross-Validation

Eine Modellbewertungstechnik, die Daten in mehrere Teilmengen aufteilt, um Modelle zu testen und zu trainieren und so deren Genauigkeit und Robustheit zu verbessern.

Curation

Der Prozess des Organisierens, Verwalten und Pflegens von Daten, sodass sie leicht zugänglich, korrekt und nützlich sind – ein entscheidender Faktor für die Sicherstellung der Datenqualität.

Customer Data Platform (CDP)

Ein zentralisiertes System, das Kundendaten aus verschiedenen Quellen sammelt, integriert und verwaltet, um eine einheitliche Sicht auf den Kunden zu ermöglichen.

Cybersecurity Analytics

Die Anwendung von Datenanalysen zur Erkennung, Prävention und Reaktion auf Cybersecurity-Bedrohungen, um die Datensicherheit zu gewährleisten.

D

DAG (Directed Acyclic Graph)

Eine Art Graphstruktur, die zur Modellierung von Prozessen oder Aufgaben mit Abhängigkeiten verwendet wird. In Daten-Workflows stellen DAGs die Abfolge von Tasks dar, bei der jeder Schritt auf den nächsten verweist, ohne Zyklen zu erzeugen – und so eine effiziente Datenverarbeitung ermöglicht.

Data Catalog

Ein zentrales Repository, das Informationen über Datenbestände bereitstellt und Nutzern hilft, die innerhalb einer Organisation verfügbaren Daten zu entdecken und zu verstehen. Es umfasst häufig Metadaten, Klassifizierung und Suchfunktionen.

Data Crunching

Der Prozess der Analyse und Verarbeitung großer Datenmengen, um nützliche Informationen zu gewinnen. Dabei werden Rohdaten in ein strukturiertes und aussagekräftiges Format überführt.

Data Lake

Ein zentralisiertes Speicher-Repository, das große Mengen Rohdaten in ihrem ursprünglichen Format aufbewahren kann, bis sie für Analysen benötigt werden. Data Lakes unterstützen verschiedene Datentypen wie strukturierte, semi-strukturierte und unstrukturierte Daten.

Data Lineage

Die Fähigkeit, den Ursprung, die Bewegung und die Transformation von Daten über ihren gesamten Lebenszyklus hinweg nachzuverfolgen. Sie zeigt, woher Daten stammen, wie sie durch Systeme fließen und wie sie sich im Verlauf verändern – und stellt so Transparenz, Genauigkeit und Vertrauen in Daten sicher.

Data Literacy

Die Fähigkeit, Daten zu lesen, zu verstehen, zu erstellen und als Information zu kommunizieren. Data Literacy befähigt Menschen, Datenerkenntnisse korrekt zu interpretieren, datenbasierte Entscheidungen zu treffen und effektiv mit Daten in ihrer Arbeit umzugehen.

Data Products

Modulare, wiederverwendbare und zweckmäßig entwickelte Services oder Anwendungen, die Daten als zentrales Angebot bereitstellen. Sie werden häufig vollständig Ende-zu-Ende verantwortet und für Skalierbarkeit sowie die Bedürfnisse der Nutzer konzipiert.

Data Quality

Das Maß dafür, wie gut Daten Kriterien wie Genauigkeit, Vollständigkeit, Validität, Konsistenz, Eindeutigkeit, Aktualität und Zweckmäßigkeit erfüllen. Hohe Datenqualität ist entscheidend für Data Governance und stellt vertrauenswürdige Daten für bessere Entscheidungen und effiziente Abläufe sicher.

Data Silos

Isolierte Datensätze, die für andere Bereiche einer Organisation nicht zugänglich sind und oft zu Ineffizienzen, doppelten Aufwänden und inkonsistenten Informationen führen. Der Abbau von Data Silos verbessert die Zusammenarbeit und den Datenaustausch.

Data Universe

Die vollständige Sammlung aller Daten, auf die eine Organisation Zugriff hat – einschließlich interner und externer Datenquellen. Sie bietet einen ganzheitlichen Überblick über alle verfügbaren Datenbestände für Analyse und Entscheidungsfindung.

Data Use Case

Ein konkretes Szenario oder Problem, bei dem Daten genutzt werden, um Erkenntnisse zu gewinnen oder Maßnahmen anzustoßen. Data Use Cases verbinden datenbezogene Fähigkeiten mit geschäftlichen Anforderungen – etwa bei der Prognose von Nachfrage oder der Optimierung von Lieferketten.

Data Warehouse

Ein System für Reporting und Datenanalyse, das strukturierte Daten aus verschiedenen Quellen an einem zentralen Ort speichert. Data Warehouses unterstützen Business Intelligence und helfen dabei, fundierte Entscheidungen zu treffen.

Data-Centric

Ein System- oder Organisationsdesign, das Daten als primäres und dauerhaftes Asset behandelt und Prozesse, Architektur sowie Strategie entlang ihres Flusses und Werts strukturiert.

Data-Driven

Ein Entscheidungsansatz, der den Einsatz von Daten und Analytics gegenüber Intuition oder reiner Beobachtung priorisiert und so objektive und messbare Ergebnisse sicherstellt.

Daten Strategie

Ein umfassender Plan, der beschreibt, wie eine Organisation Daten nutzt, um ihre geschäftlichen Ziele zu erreichen. Er umfasst Datenerfassung, Verwaltung, Analyse und Governance, damit Daten wirksam zur Entscheidungsfindung beitragen.

Datenverwaltung

Der Prozess des Sammelns, Speicherns, Schutzes und Verarbeitens von Daten, um deren Zugänglichkeit, Zuverlässigkeit und Aktualität für Nutzer sicherzustellen. Effektives Data Management ermöglicht bessere Entscheidungen und eine höhere operative Effizienz.

Datenverwaltung

Ein Rahmenwerk, das Richtlinien, Standards und Verfahren für den Umgang mit Daten in einer Organisation definiert. Es gewährleistet Datenqualität, Konsistenz, Datenschutz und Compliance in allen Abteilungen.

E

Edge Computing

Datenverarbeitung, die in der Nähe der Datenquelle stattfindet (z. B. IoT-Geräte), um die Latenz zu reduzieren und Echtzeit-Einblicke zu verbessern.

Enterprise Data Model

Ein übergeordnetes, strategisches Datenmodell, das als Blaupause für das Management von Daten innerhalb einer Organisation dient.

ETL (Extract, Transform, Load)

Der Prozess des Extrahierens von Daten aus Quellen, deren Transformation in ein geeignetes Format und das Laden in ein Zielsystem wie ein Data Warehouse.

F

Feature Engineering

Der Prozess des Auswählens, Anpassen oder Erstellens neuer Features aus Rohdaten, um die Modellleistung in fortgeschrittener Analytik zu verbessern.

Federated Learning

Ein Machine-Learning-Ansatz, bei dem Modelle über mehrere Geräte oder Server hinweg trainiert werden, während die Daten dezentral bleiben, um Sicherheit und Datenschutz zu erhöhen.
Yoast Meta Description (DE):

Forecasting

Die Nutzung historischer Daten, um Vorhersagen über zukünftige Entwicklungen zu treffen – besonders wertvoll für Business Intelligence und Analytics.

G

Golden Record

Eine einzige, konsolidierte und verifizierte Version aller Datenobjekte in einer Organisation – entscheidend für Data Governance und Datenqualität.

Governance Framework

Der Satz an Richtlinien, Rollen und Verantwortlichkeiten, der sicherstellt, dass Daten effektiv, sicher und ethisch verwaltet und genutzt werden.

Graph Database

Eine Datenbank, die Beziehungen zwischen Daten als ebenso wichtig betrachtet wie die Daten selbst – ideal zur Analyse von Netzwerken und Verbindungen.

H

Hadoop

Ein Open-Source-Framework für die verteilte Verarbeitung großer Datensätze, weit verbreitet in Datenplattformen und Big-Data-Analytics.

High Availability

Ein Systemdesign-Ansatz, der kontinuierliche Betriebsbereitschaft und hohe Zuverlässigkeit sicherstellt – entscheidend für Datenplattformen und Business-Intelligence-Systeme.

Hybrid Cloud

Eine IT-Umgebung, die lokale Infrastruktur mit öffentlichen und privaten Cloud-Diensten kombiniert und dadurch flexible Möglichkeiten für Datenspeicherung und -verarbeitung bietet.

I

Identity and Access Management

Ein Rahmenwerk, das sicherstellt, dass die richtigen Personen Zugriff auf Daten erhalten und so die Datensicherheit verbessert wird.

In-Memory Computing

Ein Datenverarbeitungsansatz, bei dem Daten im Arbeitsspeicher (RAM) gespeichert werden, um schnelleren Zugriff und verbesserte Echtzeit-Analysefähigkeiten zu ermöglichen.

IoT Analytics

Analyse von Daten, die von IoT-Geräten erzeugt werden, oft mithilfe spezialisierter Plattformen zur Verarbeitung großer Datenmengen und hoher Geschwindigkeit.

J

Job Scheduling

Die automatisierte Ausführung von Prozessen und Aufgaben in Daten-Workflows – essenziell für die Verwaltung von Datenpipelines.

Join Operations

Operationen, die Daten aus verschiedenen Quellen oder Tabellen anhand eines gemeinsamen Attributs kombinieren – weit verbreitet im Datenmanagement und in der Analytics.

JSON (JavaScript Object Notation)

Ein leichtgewichtiges Datenformat, das häufig für den Datenaustausch zwischen Systemen verwendet wird – insbesondere in APIs und Webdiensten.

K

Kafka

Eine Open-Source-Plattform zur Verarbeitung von Echtzeit-Datenströmen, die weit verbreitet für Data Streaming und Integration in Datenplattformen genutzt wird.

Key Performance Indicator (KPI)

Ein messbarer Wert, der zeigt, wie effektiv ein Unternehmen seine Ziele erreicht – häufig in Business-Intelligence-Systemen überwacht.

Knowledge Graph

Eine vernetzte Struktur von Datenpunkten, die Beziehungen abbilden und in AI sowie Advanced Analytics nützlich ist, um Kontext und Bedeutung zu verstehen.

L

Linear Regression

Eine statistische Methode zur Modellierung von Beziehungen zwischen Variablen, die häufig in Predictive Analytics und Business Intelligence eingesetzt wird.

Log Management

Die Praxis des Sammelns und Analysierens von Logdateien – entscheidend für Monitoring, Auditing und Troubleshooting in der Datensicherheit und im Plattformmanagement.

Low-Code/No-Code Platforms

Entwicklungsumgebungen, die es Nutzern ermöglichen, Anwendungen mit minimalem Coding zu erstellen und so die Datenzugänglichkeit und Demokratisierung verbessern.

M

Machine Learning Operations (MLOps)

Praktiken zur Verwaltung des Lebenszyklus von Machine-Learning-Modellen, die Skalierbarkeit, Zuverlässigkeit und Compliance in Advanced Analytics sicherstellen.

Master Data Management (MDM)

Eine Strategie zur Sicherstellung der Konsistenz und Genauigkeit der zentralen Dateneinheiten einer Organisation über alle Systeme hinweg.

Metadata Management

Der Prozess der Verwaltung von Daten über Daten, der die Datenqualität, Governance und Auffindbarkeit verbessert.

N

Natural Language Processing (NLP)

Ein Bereich der AI, der sich auf die Interaktion zwischen Computern und menschlicher Sprache konzentriert und zur Gewinnung von Erkenntnissen aus unstrukturierten Daten verwendet wird.

Neural Networks

Eine Machine-Learning-Technik, die die Struktur des menschlichen Gehirns nachahmt, um Muster und Beziehungen in Daten zu erkennen.

Normalization

Der Prozess der Organisation von Daten, um Redundanz zu reduzieren und die Integrität zu verbessern – essenziell für das Datenmanagement.

O

Object Storage

Eine Methode zur Speicherung von Daten als diskrete Einheiten (Objekte), die skalierbar ist und häufig in Big-Data- und Datenplattform-Lösungen eingesetzt wird.

On-Premises Data

Daten, die innerhalb der physischen Infrastruktur einer Organisation gespeichert und verarbeitet werden – statt in der Cloud –, häufig aus Compliance-Gründen erforderlich.

Operational Analytics

Analysen, die sich auf die Überwachung und Verbesserung von Echtzeit-Geschäftsabläufen konzentrieren und häufig in Business-Intelligence-Systeme integriert sind.

P

Pipeline Automation

Der automatische Fluss von Daten von einem System zum anderen – essenziell für effiziente Datenverarbeitung und Plattformmanagement.

Predictive Analytics

Techniken zur Vorhersage zukünftiger Ergebnisse auf Basis historischer Daten – zentral für Advanced Analytics und Business Intelligence.

Privacy by Design

Ein Ansatz im Datenmanagement, bei dem Datenschutz von Anfang an in die Gestaltung und den Betrieb von IT-Systemen integriert wird, um die Datensicherheit zu erhöhen.

Q

Quality Assurance

Praktiken zur Sicherstellung der Genauigkeit und Zuverlässigkeit von Daten – entscheidend für die Aufrechterhaltung hoher Datenqualität in Analytics und BI.

Quantum Computing

Ein aufstrebendes Feld mit dem Potenzial, komplexe Datenprobleme zu lösen, die mit klassischem Computing derzeit nicht realisierbar sind.

Query Optimization

Techniken zur Verbesserung der Effizienz von Datenbankabfragen, um schnellere Antwortzeiten und einen geringeren Ressourcenverbrauch zu gewährleisten.

R

Real-Time Data Processing

Die sofortige Verarbeitung eintreffender Daten, die unmittelbare Erkenntnisse und Entscheidungen ermöglicht – besonders in der Business Intelligence.

Relational Database

Ein Datenbanktyp, der Daten in Tabellen speichert und weit verbreitet für strukturierte Datenspeicherung und -verwaltung genutzt wird.

Role-Based Access Control (RBAC)

Eine Methode zur Beschränkung des Systemzugriffs basierend auf Rollen, die Datensicherheit und Compliance verbessert.

S

Semantic Layer

Eine benutzerfreundliche Schicht, die auf Datenquellen aufsetzt und komplexe Daten in Begriffe übersetzt, die für Business-User verständlich sind.

Streaming Analytics

Die Analyse von Daten in Echtzeit, während sie durch ein System fließen – nützlich in Advanced Analytics für sofortige Erkenntnisse.

Structured Query Language (SQL)

Eine Programmiersprache zur Verwaltung und Abfrage relationaler Datenbanken – essenziell im Datenmanagement.

T

Text Mining

Der Prozess, wertvolle Informationen aus Text zu gewinnen – häufig in Advanced Analytics genutzt, um unstrukturierte Daten zu analysieren.

Time Series Analysis

Eine statistische Technik, die Datenpunkte über die Zeit analysiert und häufig für Prognosen und Business Intelligence eingesetzt wird.

Tokenization

Der Prozess, bei dem sensible Daten durch eindeutige Identifikatoren ersetzt werden, um die Datensicherheit zu erhöhen.

U

Unified Data Platform

Eine Plattform, die alle Datenquellen in einem einzigen System integriert und so besseres Management und leistungsfähigere Analytics ermöglicht.

Unstructured Data

Daten ohne vordefiniertes Format – etwa E-Mails oder Social-Media-Beiträge –, die spezielle Analysetechniken erfordern.

Usage Analytics

Die Analyse der Nutzung von Daten und Systemen, die Einblicke zur Optimierung von Datenplattformen und zur Verbesserung der User Experience liefert.

V

Version Control

Eine Methode zur Verwaltung von Änderungen an Dokumenten, Code oder Daten – unverzichtbar für das Nachverfolgen und Managen von Updates in Datenprojekten.

Virtual Data Warehouse

Ein logisches – statt physisches – Datenspeichersystem, das die Echtzeit-Integration von Daten aus verschiedenen Quellen ermöglicht.

Visualization

Die grafische Darstellung von Daten, entscheidend für die Interpretation von Analytics und dafür, Erkenntnisse für Business-User zugänglich zu machen.

W

Wearable Data

Daten, die von Wearable-Geräten erfasst werden und Einblicke in Gesundheit und Aktivität bieten – relevant im IoT-Umfeld und in der Datenanalytik.

Web Scraping

Der Prozess des Extrahierens von Daten aus Websites, der häufig für Datensammlung und Analytics im Bereich Competitive Intelligence genutzt wird.

Workflow Automation

Die Automatisierung von Geschäftsprozessen, einschließlich Datenflüssen, um Effizienz zu steigern und manuelle Aufgaben zu reduzieren.

X

XaaS (Anything as a Service)

Eine breite Kategorie von Services, die über das Internet bereitgestellt werden – einschließlich Datendiensten wie DBaaS (Database as a Service).

XGBoost

Ein effizienter und skalierbarer Machine-Learning-Algorithmus für Klassifikations- und Regressionsaufgaben, der häufig in der Advanced Analytics eingesetzt wird.

XML (eXtensible Markup Language)

Ein Datenformat, das Informationen in einer gut lesbaren und maschinenverarbeitbaren Struktur organisiert und häufig für den Datenaustausch verwendet wird.

Y

YAML (YAML Ain’t Markup Language)

Ein gut lesbarer Standard zur Serialisierung von Daten, der häufig für Konfigurationsdateien und den Datenaustausch verwendet wird.

Yield Analysis

Eine Bewertung der Produktionseffizienz oder -ergebnisse, die in der Analytics zur Gewinnung betrieblicher Erkenntnisse eingesetzt werden kann.

Yottabyte

Eine Einheit der digitalen Informationsspeicherung, die einem Septillion Byte entspricht und das enorme Potenzial von Big Data verdeutlicht.

Z

Z-score

Ein statistisches Maß, das die Beziehung eines Wertes zum Mittelwert beschreibt und häufig zur Erkennung von Anomalien verwendet wird.

Zero Trust Security

Ein Sicherheitsmodell, das strikte Identitätsüberprüfung für jeden Nutzer und jedes Gerät erfordert und so die Datensicherheit erhöht.

Zipf’s Law

Ein Prinzip, das besagt, dass eine kleine Anzahl von Datenpunkten für einen großen Anteil der Vorkommnisse verantwortlich ist – häufig genutzt bei der Analyse von Datenverteilungen.