Einführung in Advanced Data Analytics

Täglich werden weltweit 2,5 Trillionen Bytes erzeugt und die Zahl der Daten steigt rapide an [1]. Spektakulär daran ist, dass ca. 90 % der erzeugten Daten erst in den letzten zwei Jahren entstanden ist. Es wird prognostiziert, dass sich die aktuell existierende Datenmenge alle zwei Jahre sogar verdoppeln wird. Nicht verwunderlich, dass Daten als der wichtigste Rohstoff im 21. Jahrhundert gelten. Experten sprechen gar davon, dass Daten das “neue Öl im 21. Jahrhundert” sind [2,3].

Um Ihr Unternehmen erfolgreich für die Zukunft zu positionieren und die Digitalisierung umzusetzen, sind datengetriebene Geschäftsmodelle wie auch ein digitales Mindset erforderlich. Denn erst mit der Fähigkeit, aus Daten intelligente Entscheidungen und Handlungen abzuleiten, wird Mehrwert für Ihr Unternehmen generiert. Dieser Artikel vergleicht Business Intelligence mit Advanced Analytics. Es wird verdeutlicht, was Advanced Analytics charakterisiert und wie erfolgreiche Unternehmen Advanced Analytics für sich in der Praxis nutzen.#

Täglich werden weltweit 2,5 Trillionen Bytes erzeugt und die Zahl der Daten steigt rapide an [1]. Spektakulär daran ist, dass ca. 90 % der erzeugten Daten erst in den letzten zwei Jahren entstanden ist. Es wird prognostiziert, dass sich die aktuell existierende Datenmenge alle zwei Jahre sogar verdoppeln wird. Nicht verwunderlich, dass Daten als der wichtigste Rohstoff im 21. Jahrhundert gelten. Experten sprechen gar davon, dass Daten das “neue Öl im 21. Jahrhundert” sind [2,3].

Business Intelligence (BI) und Advanced Analytics

Der Begriff Business Intelligence (BI) bezeichnet die Untersuchung und Visualisierung früherer Ergebnisse [4]. Ziel ist es, zurückliegende Ereignisse auszuwerten und das Verständnis über die Zusammenhänge sowie wesentliche Einflussfaktoren zu erhöhen. Dies setzt voraus, dass Unternehmen ihre betrieblichen Informationen systematisch sammeln, integrieren, aufbereiten, analysieren und visualisieren [5]. Kennzeichnend für BI ist die Verwendung von Key Performance Indicators (KPI), Soll-Ist-Vergleiche und Scorecards. Dieser Ansatz ist dem Descriptive Analytics zuzuordnen und weist den geringsten Reifegrad in der Analytics-Reifegradkurve (siehe Abbildung 1) auf. Der Grund ist, dass lediglich die Vergangenheit beschrieben und geprüft wird, was geschehen ist [6]. Beispielsweise dienen monatlich erzielte Umsatzzahlen eines Discounters als Diskussionsgrundlage für zukünftige Entscheidungen der Filialleiter [7].

Zu den Werkzeugen der Descriptive Analytics zählen beispielsweise relationale Datenbanken, Tabellenkalkulationen oder Operational Data Stores. Ein prominentes Tool ist Microsoft Power BI. Das Tool unterstützt, cloud-basiert oder lokal (On-Premise), Anwender bei der Auswertung und Visualisierung von Daten, wie beispielsweise bei der Erstellung von Management Reports.

Screen%20Shot%202020-07-03%20at%2008.35.25.png

Abbildung 1: Unterscheidung zentraler Analytics-Ansätze im Reifegradmodell (angelehnt an [6; 7; 8])

Dem Reifegradmodell zufolge lässt sich eine klare Abgrenzung zwischen dem klassisch-traditionellen Ansatz des Descriptive Analytics und den fortschrittlicheren Advanced Analytics ziehen. Advanced Data Analytics gliedert sich in die zwei Komponenten Predictive Analytics und Prescriptive Analytics.

Die Begriffe sind wie folgt abgegrenzt:

  • Predictive Analytics extrahiert Informationen aus Daten mit dem Ziel, Muster und Trends vorherzusagen (engl.: to predict). Es greift weiter als der klassische Business Intelligence Ansatz, da Forecasts bezüglich der Zukunft modelliert werden. Der Horizont ist also auf zukünftige Ereignisse gerichtet. Dabei werden die Zusammenhänge zwischen Parametern und Zielvariablen vergangener Ereignisse zur Prognose unbekannter Ergebnisse genutzt [7]. Im Reifegradmodell (siehe Abbildung 1) ist Predictive Analytics aufgrund seiner höheren Komplexität und dem potentiell ableitbaren Geschäftswert auf einer höheren Stufe als Descriptive Analytics einzuordnen. Lassen Sie uns das Beispiel des Discounters erneut aufgreifen: Bei Predictive Analytics besteht nicht der Mehrwert darin, vergange Umsätze zu visualisieren. Das differenzierende Merkmal ist, dass zu erwartende Verkaufszahlen mit Forecasts skizziert und zukünftige Entwicklungen modelliert werden [7].
  • Auf der höchsten Stufe im Reifegradmodell steht der Bereich Prescriptive Analytics. Algorithmen schlagen konkrete Maßnahmen vor, um gewünschte Ergebnisse in der Zukunft zu erreichen [7]. Das bedeutet, dass die Vorhersage aus dem Bereich Predictive Analytics in spezifische Handlungsempfehlungen überführt wird. Dies könnte beinhalten, dass einem leitenden Angestellten eine Marketingkampagne zu einem bestimmten Zeitpunkt empfohlen wird, um das betriebliche Ergebnisse zu maximieren.

Bei Predictive und Prescriptive Analytics verschiebt sich der Fokus von der Auswertung vergangener Ereignisse zu mehr Zukunftsorientierung. Dadurch können Unternehmen proaktiv ihre unternehmerischen Prozesse steuern und zukünftige Entwicklungen durch die Wahl von geeigneten Maßnahmen beeinflussen [9].

Tabelle 1 stellt die wichtigsten Methoden und gängige Werkzeuge des Advanced Analytics dar:

Tabelle 1: Advanced AnalyticsTools zur Datenananlyse

Werkzeuge und Analysetechniken des Advanced Analytics
Deep Learning / Machine Learning (Supervised & Unsupervised Learning)
(Convolutional) Neural Networks
Text-Mining
Data-Mining
Clusterverfahren
Entscheidungsbäume

 

Wie nutzen erfolgreiche Unternehmen Advanced Analytics in der Praxis?

Erfolgreiche Unternehmen wissen, dass sie mit ausgewählten Advanced Analytics Lösungen ihre Wettbewerbsfähigkeit in der heutigen durch zunehmende Digitalisierung geprägten Arbeitswelt steigern können [6]. Sie nutzen fortschrittlichste Werkzeuge, um schnellere und bessere Entscheidungen treffen zu können. Da diese auf Daten basieren, erhöht dies ebenfalls die Qualität der Entscheidung.

Die folgenden Aspekte sollten unbedingt berücksichtigt werden, so dass Ihr Unternehmen den maximalen Nutzen aus Advanced Analytics zieht:

  1. Mensch:

Advanced Analytics erfordert die Zusammenarbeit von mehreren Experten verschiedener Fachabteilungen. Es entstehen neue Rollen durch die Einbettung von Advanced Analytics im Unternehmen. Deshalb sind neben den fachlichen und technischen Fähigkeiten Kompetenzen im Hinblick auf die Kommunikation und Präsentation notwendig. Teams sind mehr denn je interdisziplinär aufgestellt. Das bedeutet, dass Data Scientists, Data Engineers, Statistiker, Mathematiker und Experten aus dem Bereich Business Knowledge gemeinsam an der Lösung eines Problems arbeiten.

Diese Diversität ist ein großer Vorteil. Jedoch ist entscheidend, dass die operativen Experten die erzielten Ergebnisse und Prognosen kritisch hinterfragen und diese interpretieren. Eine enge Bindung und fachübergreifender Austausch zwischen Advanced Analytics Experten und den operativen Spezialisten liefern die besten Resultate.

Eine wesentliche Aufgabe kommt den Entscheidungsträgern im Unternehmen zu, denn die Implementierung und feste Verarnkerung von Advanced Analytics erfordert eine darauf ausgerichtete Unternehmenskultur. Es ist wichtig, dass Manager ihre Teams und Entwickler dazu animieren, unvoreingenommen und offen an generierte Prognosen und Empfehlungen heranzugehen. Unternehmenslenker müssen eine hohe Akzeptanz und Toleranz für Empfehlungen von Algorithmen schaffen. Das Engagement sorgt dafür, dass das Vertrauen ihrer Mitarbeiter in die neuen technologischen Möglichkeiten und datenbasierte Entscheidungen wächst.

  • Prozesse:

Die Prozesse (von der Datengewinnung bis hin zur Schaffung eines Mehrwerts) in Advanced Analytics müssen klar strukturiert sein und in die Organisation integriert werden [10]. Es ist entscheidend, Daten gegenüber offen eingestellt zu sein und die Fähigkeit zu besitzen, diese sammeln zu können. Ein agiles Mindset sowie Flexibilität sind hier gefragt. Starre Denkweisen und Schubladendenken ist fehl am Platz.

Mittels Proof of Concepts kann die Funktionalität der Ansätze gezeigt werden. Durch die gewonnenen Erkenntnisse aus der Evaluierung lässt sich die kontinuierliche Verbesserung weiter voran treiben.

  • Moderne Technologien:

Die letzte Voraussetzung für den Erfolg von Advanced Analytics ist eine zeitgemäße Infrastruktur und das Arbeiten mit modernen Technologien. Natürlich spielen Datenbanken vor dem Hintergrund der wachsenden Zahl an vernetzten Systemen, Geräten und Unternehmensinformationen eine zentrale Rolle.

Data Lakes werden zunehmend bei der Speicherung eines großen Datenvolumens wichtig, da durch sie für mehrere Unternehmensbereiche und Anwender unbekannte Erkenntnisse gewonnen werden können [11]. Außerdem braucht es leistungsfähige und zuverlässige Netzwerke zur Datenübertragung.

Neben geeigneten Visualisierungstools (wie z. B. Microsoft Power BI) sind Tools für die Erstellung von Algorithmen gefragt. Diese beinhalten beispielsweise Software- und integrierte Entwicklungsumgebungen wie

  • Azure Machine Learning Workbench,
  • Amazon SageMaker,
  • IBM Watson Studio,
  • Google Cloud AI Platform,
  • DataRobot, Python (Anaconda),
  • R, RapidMiner,
  • KNIME Analytics Platform, oder
  •  MATLAB.

Die folgende Tablle zeigt abschließend einige beispielhafte Use Cases von Predictive und Prescriptive Analytics in verschiedenen Abteilungen.

Tabelle 2: Überblick über Anwendungsbeispiele von Predictive Analytics und Prescriptive Analytics

AbteilungPredictive AnalyticsPrescriptive Analytics
HRRekrutierung passender neuer Mitarbeiter oder Vorhersage der Wahrscheinlichkeit eines Unternehmenswechsels von Kollegen [12]Erhöhung der Unternehmensbindung: Einleiten von Gegenmaßnahmen zum Vermeiden von wechselgefährdeten Mitarbeitern [15]
FinanceBetrugsprävention: Verhinderung der Anfälligkeit gegenüber betrügerischen TransaktionenAutomatisches Auslösen von Käufen oder Verkäufen bei Kursschwankungen im algorithmischen Handel [16]
Produktion/MontagePredictive Maintenance: Vorausschauende Wartung in der Produktion von Zylinderköpfen bei Daimler [13]Optimierung der Logistik und der innerbertrieblichen Warenwirtschaft [17]
VertriebPrognostizierte Absatzplanung auf Basis von Kundenverhalten-Modellen [14]Optimiertes Bestandsmanagements [18]

Fazit

Advanced Analytics ist die nächste Evolutionsstufe des Business Intelligence und erlaubt eine zukunftsgerichtete, proaktive Steuerung des Unternehmens. Mit Predictive sowie Prescriptive Analytics können bessere und qualitative hochwertigere Entscheidungen getroffen werden. Es ist also höchste Zeit, sich mit diesen Schlüsseltechnologien und den zugehörigen Werkzeugen intensiv zu beschäftigen und in diese modernen Technologien zu investieren.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert