1.2 Beschreibung der Software Landschaft im Umfeld Data Analytics und Artificial Intelligence

Aus technologischer Sicht erlebte der Big Data Trend bereits 2014 einen Abschwung nachdem das Analystenhaus Gartner Big Data in seinem Hype Cycle nach dem Peak in 2013 bereits im „Tal der Desillusionierung“ sah[1]. Dies führte Gartner darauf zurück, dass einige Big Data Projekte, die mit der Einführung von Data Lakes begannen, nicht die gewünschten Analysergebnisse lieferten und die Einführung der Technologien durch die hohe Komplexität vor allem nicht IT-affine Unternehmen vor große Herausforderungen stellte.

Nichts desto trotz konnte sich ab 2010 der Trend zu Predictive Analytics und damit zur Vorhersage zukünftiger Geschäftsentwicklung mit Hilfe statistischer Verfahren auf der Grundlage historischer Massendaten (Big Data) etablieren, der 2013 in den Mega-Trend Data Science mündete.  Während moderne Verfahren der statistischen Auswertungen bereits auf Forschungsarbeiten in den sechziger Jahren des 20. Jahrhunderts zurückgehen, dauerte es bis in die 80er Jahre bis sich die Methodik auch vermehrt in der Wirtschaft etablieren konnte. Erste Mehrwerte wurden hier zum Beispiel durch die Warenkorbanalysen im Einzelhandel erzielt und damals noch unter dem Begriff Data Mining gefasst.

In 1999 wurde dann erstmals der Begriff Data Science durch den Statistik Professor William S. Cleveland an der Universität Purdue geprägt, der damit die Disziplinen Statistik, Maschinelles Lernen sowie mathematische Optimierung und deren Verfahren und Algorithmen in einer neuen Gruppierung zusammenfasste.

Erst ab 2010 wurde durch die Verfügbarkeit einer großen Menge strukturierter und unstrukturierter Daten sowie effizienter Software und ausreichender Rechenkapazität durch Cloud Computing die Analyse von Massendaten möglich und lieferte zunehmend Mehrwerte für Geschäftsentscheidungen.