Data Analytics

Was ist Data Analytics?

Data Analytics (selten auch „Datenauswertung“) bezeichnet den Prozess der Exploration, Transformation und Analyse von Daten, um Trends und Muster zu finden, die aussagekräftige Erkenntnisse liefern und zu Effizienzsteigerungen führen, und so die Entscheidungsfindung unterstützen. Eine moderne Data-Analytics-Strategie ermöglicht es Systemen und Organisationen, auf Grundlage von automatisierten Echtzeit-Analysen zu handeln, um wirkungsvolle, sofortige Ergebnisse zu gewährleisten.

Der Data-Analytics-Prozess

Der Prozess der Datenanalyse (Data Analytics) basiert auf mehreren Schritten und Phasen. Erkenntnisse aus einer späteren Phase erfordern es möglicherweise, einen Schritt zurückzugehen, um eine frühere Phase zu überarbeiten, sodass es sich eher um einen zyklischen als um einen linearen Prozess handelt. Erfolgreiche Data-Analytics-Prozesse benötigen vor allem Wiederholbarkeit und Automatisierung zwischen den einzelnen Schritten.

Der Analyseprozess lässt sich am besten in die folgenden Schritte und Phasen unterteilen:

Dateneingabe: Bestimmen Sie die Anforderungen und sammeln Sie die Daten. Dazu gehört ein wenig Ermittlungsarbeit, wie z. B. Gespräche mit Stakeholdern zu führen, herauszufinden, wer über die Daten verfügt, und Zugriff auf die Daten selbst zu erlangen.

Datenvorbereitung: die Strategie und Taktik, Daten für ihren eigentlichen Zweck vorzubereiten, um Analyseerkenntnisse zu gewinnen. Dazu gehört das Bereinigen und Konsolidieren von Rohdaten in gut strukturierte Daten, die bereit zur Analyse sind. Das schließt auch das Testen der Ergebnisse an jedem Abschnitt des Vorbereitungsprozesses mit ein, um sicherzustellen, dass die Analyse die gewünschten Ergebnisse liefert.

Datenexploration oder explorative Datenanalyse bezeichnet die Prüfung und Untersuchung eines großen Datasets mithilfe von Stichproben, statistischer Analyse, Mustererkennung, visueller Profilierung und mehr. Die Datenanalyse-Methoden sind nicht notwendigerweise wissenschaftlich oder aussagekräftig, sondern dienen vielmehr dazu, ein Verständnis zu entwickeln, das zu einer fundierteren Datentransformation führt.

Datenanreicherung: Anreichern und Ergänzen von Daten mit zusätzlichen Eingaben und Datensätzen, um eine Analyse zu vertiefen. Dieser Schritt im Data-Analytics-Prozess ist für die Gewinnung neuer Erkenntnisse entscheidend, indem Daten aus einer neuen Perspektive betrachtet werden.

Data Science: Die Anwendung fortschrittlicherer Datenmethoden für tiefergehende, schwerer extrahierbare Bedeutungen und Erkenntnisse, die mit grundlegenden Datenverarbeitungsmethoden meist unzugänglich sind. Dazu gehören Algorithmen, Modelltraining, Machine Learning (oder ML), künstliche Intelligenz (oder KI), um nur einige zu nennen.

Business Intelligence: Das Gesamtergebnis der Daten, Software, Infrastruktur, Geschäftsprozesse und menschlichen Intuition einer Organisation. Die Ergebnisse liefern mithilfe von Berichten, Dashboards und Visualisierungen umsetzbare Erkenntnisse und ermöglichen so fundierte Geschäftsentscheidungen.

Berichterstellung: Die Ergebnisse der Data Analytics müssen auf effektive Weise weitergegeben werden, sodass das erworbene Wissen erhalten bleibt. Bei der Berichterstellung wird dieses Wissen mit den Ergebnissen in einem leicht verständlichen Format aufbereitet.

Optimierung: Da sich Variablen im Laufe der Zeit ändern, müssen die Modelle optimiert und verbessert werden, um ihren ursprünglichen Zweck weiterhin zu erfüllen, oder um sich von diesem Zweck aus auf Grundlage neuer Eingaben oder sich ändernder Eigenschaften weiterzuentwickeln.

Arten von Data Analytics

Es gibt verschiedene Arten von Data Analytics. Diese sind wie folgt:

• Deskriptive Analysen liefern Antworten auf die Frage „Was ist passiert?“ (Wie hoch war unser Umsatz in der letzten Woche?)
• Diagnostic Analytics: Beantwortet die Frage „Warum ist das passiert?“ (Warum ist unser Umsatz gegenüber der Vorwoche gestiegen?)
• Predictive Analytics: Liefert Antworten auf die Frage „Was wird passieren?“ (Wie hoch wird unserer Meinung nach der Umsatz derselben Geschäfte während der Weihnachtszeit sein?)
• Prescriptive Analytics: Beantwortet die Frage: „Was soll ich tun?“ (Auf Grundlage unserer Prognosen empfehlen wir, mehr von einem bestimmten Produkt zu liefern, um einen Fehlbestand zu verhindern.)

Mithilfe von deskriptiven und diagnostischen Analysen können Datenanalyst:innen und Führungskräfte sich miteinander abstimmen. Diese Prozesse sind die Bausteine, die den Weg für differenziertere Erkenntnisse aus Predictive und Prescriptive Analytics ebnen.

Aufbau einer ausgereiften Data-Analytics-Grundlage

Daten sind heutzutage in jedem System und jeder Organisation allgegenwärtig. Viele Systeme und Organisationen nutzen Analysen, um ihre Prozesse zu verbessern oder wirkungsvolle Ergebnisse zu erzielen. Es steht daher außer Frage, dass Data Analytics wichtig ist. Das Hauptaugenmerk moderner Organisationen liegt auf der Entwicklung einer ausgereiften Strategie für Data Analytics – eine Strategie, die Erkenntnisse in Echtzeit sowie zukunftsorientierte Entscheidungen gewährleistet.

Eine moderne Analyselösung ist auf Automatisierung angewiesen

Innerhalb der praktischen Data Analytics gibt es eine Vielzahl von Punktlösungen, die auf die zuvor im Data-Analytics-Prozess erwähnten Schritte oder Phasen abgestimmt sind. Ein Kernproblem des Punktlösungsansatzes ist jedoch das Unvermögen, den End-to-End-Data-Science- und Analyseprozess einfach zu automatisieren. Analytics Automation ermöglicht eine Echtzeitanalyse, da sie auf einer Grundlage der Automatisierung während des gesamten Analysewegs in einer einzigen Analyselösung aufgebaut ist.

Mit der Einführung der Automatisierung von Data Analytics können Analyseteams und Organisationen jeden einzelnen Teil ihres Analyseprozesses automatisieren – von der anfänglichen Dateneingabe über Datenbereinigung, Datenanreicherung, Data Science und Machine Learning bis hin zum Schreiben der Daten in relevante Apps, Cloud-Datenbanken, BI-Plattformen usw. – alles in einer einzigen Analyselösung.

Eine moderne Organisation benötigt ein Kompetenzzentrum für Analysen

Darüber hinaus erfordert die Fähigkeit eines Unternehmens, in der aufstrebenden digitalen Wirtschaft wettbewerbsfähig zu sein, schnellere, zukunftsorientierte Entscheidungen. Moderne Systeme und Organisationen, die sich digital transformieren wollen, müssen daher eine moderne Strategie für Data Analytics als „wichtigsten Faktor“ ihrer Bemühungen betrachten.

Aufbau eines Kompetenzzentrums für Data Analytics

Ein Kompetenzzentrum meint eine zentralisierte Analyse-Rolle, die im gesamten Unternehmen eine Kultur effektiv etabliert und implementiert, bei der Data Analytics an erste Stelle steht. Das Ziel besteht darin, betriebliche Effizienz und Prozesse zu verbessern, was zu einer wirkungsvollen, organisationsweiten Entscheidungsfindung und Geschäftsergebnissen in Echtzeit führt. Mit einem effektiven Kompetenzzentrum können Unternehmen intern geleitete Trainings, Beratung, Hilfestellung und Unterstützung erhalten, Best Practices fördern, ein Framework für Methoden zur Analysemodellierung implementieren und den ROI von Analyseinvestitionen maximieren.

Ein erfolgreiches Kompetenzzentrum ist außerdem das Mittel, um Daten, Analysen, Prozesse und Menschen miteinander zu verbinden. Durch das Zusammenspiel dieser vier Säulen wird sichergestellt, dass Daten in der gesamten Organisation demokratisiert werden. Es befähigt Analyst:innen dazu, sich zu Citizen Data Scientists zu entwickeln, es automatisiert den Analyseprozess auf dem gesamten Analyseweg und vereinfacht die Weiterbildung der Mitarbeiter:innen.

Die Daten untermauern die Investition in ein starkes Kompetenzzentrum: Eine kürzlich durchgeführte Umfrage weist auf den Katalysatoreffekt eines einzigen, unternehmensweit einheitlichen Satzes von Tools und Methoden für den Zugriff auf und die Analyse von Daten hin und stellt fest, dass von den 26 % der Unternehmen, die dies richtig machen, 80 % ihre Geschäftsziele übertroffen haben. Und in Unternehmen, in denen die gesamte Belegschaft in der Nutzung von Daten geschult war, übertrafen 88 % die Geschäftsziele, im Vergleich zu lediglich 61 % der Unternehmen mit wenigen geschulten Mitarbeiter:innen.

Anwendungsfälle moderner Data Analytics

Die Anwendungsfälle für Data Analytics in einer digitalen Welt sind nahezu endlos – von der Prognose von Kundenverhalten auf der Grundlage von Omnichannel-Interaktionen bis hin zur Vorhersage von Veränderungen innerhalb einer Lieferkette aufgrund von Naturkatastrophen. Sehen wir uns einige der gängigsten Beispiele aus unterschiedlichen Branchen an.

Lieferkette

• Effizienzsteigerung durch Berichterstellung: Alteryx und Daimler Trucks North America
• Optimierung des Sicherheitsbestands: Kundenvideo: Amway
• Omnichannel-Logistik: Omnichannel-Logistik bei Seko

Konsumgüter/Einzelhandel

• Werbeerkenntnisse: 7-Eleven
• Vorhersage der Kundenstimmung: Mayborn
• A/B-Tests zur Produktplatzierung: Barnes & Noble

Gesundheitswesen

• Medizinische Forschung zu COVID-19 rettet Leben: Castor und The Information Lab, Niederlande
• Risikominimierung: Kaiser Permanente
• Self-Service-Mitgliedschaft und Schadensabwicklungsprozess: Blue Cross Blue Shield North Carolina (BCBS NC)

Öffentlicher Sektor

• Kritische Bedarfs- und Ressourcenszenarien: Integratis
• Vorhersage des Ausmaßes struktureller Schäden: FEMA
• Kontaktverfolgung: Informationen zum öffentlichen Bereich

Finanzdienstleistungen

• Compliance bei internationalen Finanzdelikten: MUFG Bank
• Zentralisierte Analysestrategie: UBS
• Personalisierte Steuerberatung: Brookson

Finanzabteilung

• Betrug, Verschwendung und Missbrauch reduzieren: Aprio
• Automatisierung von Buchhaltungs-, Steuer- und Finanzprozessen: Capitalize
• Verbesserte Genauigkeit bei komplizierten Entitätsstrukturen: On-Demand-Webinar