Die Bedeutung von Datenanalysten wird weiter zunehmen, Anwendungsbeispiele sind vielfältig. Mithilfe von künstlicher Intelligenz lassen sich beispielsweise Abwanderungspotenziale von Kunden frühzeitig identifizieren – und somit rechtzeitig verhindern. Ähnliches gilt für Bestandsprognosen, einen kosteneffizienten Lagerbetrieb und eine höhere Kundenzufriedenheit. Advanced Analytics kann Unternehmen also in vielerlei Hinsicht unterstützen.

Wir fragten Niels Pothmann, Head of AI bei Arvato Systems zum Themenkomplex Advanced Analytics.

Worin unterscheiden sich Advanced Analytics und Business Intelligence?

Um diese Frage zu beantworten, ist es zunächst einmal notwendig, beide Begriffe zu definieren: Bei Business Intelligence handelt es sich um eine Methodik, mit der Unternehmen Prozesse systematisch analysieren können. Dazu sammelt ein BI-System Daten aus unterschiedlichen Quellen, wertet diese anschließend aus und visualisiert sie. Ziel von BI-Lösungen ist es, eine solide Grundlage für unternehmerische Entscheidungen zu schaffen. BI-Tools stellen allerdings ausschließlich Auswertungen bereit, die sich auf die aktuelle Ist-Situation oder die Vergangenheit beziehen. Das ist der wesentliche Unterschied zu Advanced Analytics, da sich diese Technologie mit Zukunftsprognosen beschäftigt. Advanced-Analytics-Tools dienen zum Aufbau von Analysemodellen oder Simulationen. Sie helfen Unternehmen dabei, den Ist-Zustand besser nachvollziehen und für die Zukunft bessere Vorhersagen treffen zu können. Advanced Analytics umfasst Bereiche wie Data Mining oder auch Predictive Analytics, das für Unternehmen verlässliche Antworten auf die Frage liefern kann, was in Zukunft höchstwahrscheinlich passieren wird.

Welche Aspekte sind bei der Anbindung und Implementierung von Systemen für Advanced Analytics zu beachten?

Wesentliche Voraussetzung für Advanced Analytics ist der Einsatz von Data Science, Machine Learning (ML) und künstliche Intelligenz (KI). Solche Systeme sind inzwischen dank Big Data in der Lage, anhand von großen Datenmengen sehr granu-lare Einblicke in Prozesse zu eröffnen. Im Medienbereich verwenden Redakteure beispielsweise KI, um sich bei ihrer Recherchetätigkeit unterstützen zu lassen. KI ist mittels Natural Language Processing (NLP) in der Lage, relevante Informationen aus Texten zu ziehen, zuzuordnen und inhaltliche Zusammenhänge zu erkennen. Anhand der gewonnenen Daten können Journalisten anschließend eine tiefergehende Recherche angehen. Für Unternehmen besteht allerdings generell die große Herausforderung darin, relevante Daten gewinnbringend zu nutzen – denn nicht alle stehen in digitalisierter Form zur Verfügung. Für erfolgreiche Advanced-Analytics-Anwendungen müssen sie daher Daten zunächst digital verfügbar machen und konsolidieren.

Wie unterscheiden sich die Anforderungen an die Anwender von Advanced-Analytics-Lösungen im Vergleich zu Self Service BI?

Schon jetzt nutzen viele Anwender Self Service BI, um eigene Reports zu erstellen und individuelle Analysen durchzuführen. Hierfür sind keine tiefergehenden technologischen Kenntnisse erforderlich. Das ist der Vorteil gegenüber Advanced Analytics, denn diese Methodik erfordert die Zusammenarbeit von verschiedenen Disziplinen und Rollen in Unternehmen – und setzt damit ein höheres technisches Verständnis voraus. In der Regel erstellt ein Team aus Spezialisten Lösungen, die Endanwender im Unternehmen anschließend nutzen können.

Lohnt es sich für Unternehmen, eigenständige Datenexperten einzustellen? Falls ja, wann ist der richtige Zeitpunkt für solch einen Schritt?

Diese Frage lässt sich nicht pauschal beantworten, man sollte differenzieren. Im Umfeld von Data Science und KI gibt es zunehmend unterschiedliche Rollenprofile, die sich auf einzelne Aspekte einer Advanced-Analytics-Lösung fokussieren. Es gibt nicht nur Datenexperten, sondern beispielsweise auch Data Engineers, die die Infrastruktur und die Daten für die Datenexperten bereitstellen. Denn um diese analysieren zu können, benötigen die Experten Zugriff auf die Daten und die passende technische Infrastruktur. Das bedeutet, dass sehr unterschiedliche Kompetenzen notwendig sind, um Advanced Analytics nutzen zu können. Und diese Kompetenzen müssten Unternehmen selbst aufbauen. Dieses Know-how zu festigen und vor allem stetig zu erweitern, ist mit hohen Anstrengungen verbunden. Diese Kapazitäten sind vor allem von der Struktur und Aufstellung des Unternehmens abhängig. Daher besteht für Unternehmen auch die Möglichkeit auf Dienstleister zurückzugreifen, ohne Datenexperten selbst zu beschäftigen. Voraussetzung für den richtigen Zeitpunkt zum Einsatz von Datenexperten im eigenen Unternehmen ist, dass die Basis an digitalen Daten existiert. Idealerweise ist bereits eine Technologie (Data Management) zur Verwaltung dieser Daten im Einsatz. Ein erfolgreiches Data Management ist die Grundlage für die Datenexperten.

Wie wird sich die Rolle von Datenanalysten im Unternehmensbereich prinzipiell verändern?

KI-Lösungen werden von Unternehmen zum jetzigen Zeitpunkt vorrangig genutzt, um interne Prozesse zu verbessern. Im Zuge dessen wird sich die Rolle von Datenanalysten zu einem zunehmend wichtigeren Bestandteil entwickeln. Dabei fällt auch immer häufiger der Begriff des Citizen Data Scientists, der als User mit einem mathematisch-statistischen Grundverständnis sowie Interesse an Analytics und mithilfe der richtigen Tools in der Lage ist, analytische Aufgaben zu übernehmen und Datenmodelle zu erstellen. Solche Rollenprofile entstehen deshalb, weil der Zugang zu Data Science und KI für Nutzer immer einfacher wird. Heute sind stetig mehr Standard-Bibliotheken im Einsatz und schon jetzt ist KI Bestandteil vieler Branchenlösungen. Die Bedeutung von Datenanalysten nimmt trotzdem weiter zu. Sie können sich nun aber stärker auf die Analyse und Verwertung von Daten konzentrieren, anstatt eigene KI-Anwendungen entwickeln zu müssen.

Wie unterscheiden sich kommerzielle Analytics-Lösungen von Open-Source-Angeboten?

Auch hier sollte man differenzieren, denn je nach Anwendungsfall gibt es unterschiedliche Stärken. Fakt ist aber, dass sich Open-Source-Anwendungen im Bereich Advanced Analytics einer immer größeren Beliebtheit erfreuen. Ein Trend ist hier ersichtlich: Mittlerweile besteht zunehmend die Möglichkeit, Open-Source-Code auch in kommerzielle Lösungen oder in die Datenverarbeitungsstrecke zu integrieren. Der hybride Ansatz ist für viele Unternehmen ein großer Vorteil, denn so lassen sich die Stärken unterschiedlicher Lösungen kombinieren.

Was können neue Technologien wie Machine Learning bei der Datenanalyse leisten – und was nicht?

Neue Technologien wie KI oder Machine Learning sind schon jetzt eine große Unterstützung für Unternehmen. Um zu erklären, was diese Technologien heute leisten können und was nicht, ist eine kurze Definition notwendig. Denn man unterscheidet – Stand jetzt – zwischen einer starken und schwachen Form von KI. Während starke KI in der Lage ist, eigenständig zu planen, logisches Denkvermögen einzusetzen und eigene Entscheidungen für bislang unbekannte Aufgaben zu treffen, kann schwache KI lediglich zuvor fest definierte Aufgaben lösen. Das bedeutet, dass sie klar definierte Ziele benötigt. Ein Beispiel aus dem Handel: Digitale Butler sind in vielen Haushalten angekommen und lassen sich verwenden, um bequem online zu bestellen. Dank KI und NLP lassen sich komplexe Anfragen wie »Finde eine schmal geschnittene Jacke, die zu T-Shirt der Marke x passt« erkennen. Dafür arbeitet das System mithilfe von mehrstufigen Algorithmen. Das Audio-Signal des Nutzers wird zunächst in Phoneme unterteilt. Die Logik ermittelt den exakten Wunsch des Nutzers und wandelt diesen in textbasierte Befehle an das Backend des Systems um. Das geschieht normalerweise durch den Aufruf von Webservices. Im letzten Schritt wird das Suchergebnis durch Text-to-Speech-Algorithmen in Sprache umgewandelt und an den Nutzer ausgespielt. Damit können Unternehmen ihren Kunden einen weiteren attraktiven Verkaufspunkt anbieten.

Bild: © Arvato

172 Artikel zu „Advanced Analytics“

NEWS | BUSINESS INTELLIGENCE | BUSINESS PROCESS MANAGEMENT | DIGITALE TRANSFORMATION

Neue Kultur durch Business Intelligence & Advanced Analytics

16. Juli 2019

Im Zuge des rasant fortschreitenden technischen Wandels stehen Unternehmen heute neue Analysemethoden zur Verfügung. Im Gegensatz zur vergangenheitsorientierten klassischen Business Intelligence (BI) verfolgen diese modernen Analysewerkzeuge einen in die Zukunft gerichteten Verwendungszweck. Dadurch ist es nun möglich, nicht nur den operativen und strategischen Mehrwert von Daten erheblich zu steigern, sondern Informationen als entscheidenden Erfolgsfaktor zu…