Dank Advanced Analytics dem Kunden einen Schritt voraus

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?

Anzeige

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?

Anzeige

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“

Neue Kultur durch Business Intelligence & Advanced Analytics

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…

Advanced Analytics und eine neue Rolle im Unternehmen

Werden Big-Data-Projekte beschrieben, überwiegen üblicherweise technische Aspekte wie die Art der Datenbank, die Analytics-Software, die Schnittstellen und die Visualisierungslösungen. Gelegentlich wird als Voraussetzung für den Erfolg von Projekten im Bereich von Big Data Analytics außerdem ein kulturelles Umdenken im Anwenderunternehmen erwähnt. Das ist soweit richtig, unterschlägt jedoch einige Aspekte. Der Top-Down-Ansatz ist empfehlenswert Für Big-Data-Projekte…

Big Data und Advanced Analytics: Erfolgsfaktoren der Digitalisierung

Die Analyse von Big Data verspricht weitere und aktuellere Daten für die operative Steuerung und Entwicklung neuer Angebote. Doch bislang geht die Mehrheit der Unternehmen das Thema noch sehr vorsichtig an, wie jetzt eine gemeinsame Umfrage der QUNIS GmbH, Controller Akademie und Aquma GmbH zeigt [1]. Neben einen weiterhin hohen Informationsbedarf sind es vor allem…

Advanced, predictive, preventive: Data Analytics – Trend oder Zukunft?

Die Themen Digitalisierung und Big Data stehen bereits seit Jahren auf der »To-do-Liste« der Unternehmen und sind auch in den Fachmedien mehr als präsent. Allerdings steckt die Umsetzung in der Realität bei vielen Unternehmen noch in den Kinderschuhen. Das Potenzial, das Daten bieten, ist häufig nicht auf den ersten Blick ersichtlich. Erst durch eine detaillierte Analyse der Daten lassen sich diese optimal nutzen. Mittlerweile eröffnen sich hier mit Data Analytics ganz neue Möglichkeiten.

Studie zum Status quo von Advanced-und-Predictive-Analytics-Initiativen in der DACH-Region

Das Business Application Research Center (BARC) hat die Studie »Advanced und Predictive Analytics« vorgestellt. Mit 210 Teilnehmern aus der DACH-Region und einer breit gefächerten Branchenverteilung bietet die Studie einen objektiven Blick auf die gegenwärtige und geplante Nutzung von fortgeschrittenen Analysen durch Unternehmen. Dabei liegt der Fokus auf Data Science im Fachbereich und welche Unterschiede zu…

Markt der Anbieter von Advanced-Analytics-Plattformen

Anwendungen und Software für Advanced Analytics sind derzeit gefragt bei Unternehmen. Sie ermöglichen detaillierte und innovative Analysen von Daten, die gerade im Zusammenhang mit der Digitalisierung in immer vielfältigerer Form und Menge anfallen. Auch ergänzen sie bisherige Business-Intelligence-Lösungen und versprechen schnelle Ergebnisse. Der neue »BARC Score Advanced Analytics Platforms DACH« bewertet nun marktführende und interessante…

Der Mittelstand profitiert eindeutig von Predictive Analytics

Predictive Analytics ist mehr als nur ein Big-Data-Trend. Beispiele zeigen, dass gerade der Mittelstand ohne großen finanziellen Aufwand Daten nutzen kann, um zukünftige Ereignisse vorherzusagen. Der Wunsch ist vielerorts groß, Vorhersagen auf Basis von historischen Daten zu treffen. Aber wie stellen sich Mittelständler mit ihren vergleichsweise kleinen IT-Abteilungen wirkungsvoll auf? Wie können die innovativen Vorstellungen…

IoT im Jahr 2019: Analytics-Funktionen und IoT-Plattformen nehmen an Fahrt auf

Die Software AG stellt die zentralen Trends vor, die im Jahr 2019 die Entwicklung im Bereich Internet of Things (IoT) bestimmen werden.   Das Internet der Dinge (IoT) wird sich 2019 deutlich weiterentwickeln. Das zeigt sich an mehreren Trends. Dazu zählen die engere Verzahnung des Internet of Things mit Fachverfahren und Geschäftsprozessen sowie die Integration…

Analytics aus der Cloud – Datensicherheit und technologische Reife sind ausschlaggebend

Siebzig Prozent der befragten weltgrößten Unternehmen sagen, dass Analytics langsamer als andere Geschäftsanwendungen in die Cloud wechselt. Datensicherheit und leistungsschwache, unausgereifte Technologien sind größte Hindernisse.   Für die Mehrheit der größten Unternehmen der Welt (83 Prozent) ist die Cloud der beste Ort für Analytics. Dies ist das Ergebnis der Studie »The State of Analytics in…

Analytics-Ratgeber – Wenn Unternehmen ihre Daten nicht in die Cloud legen wollen

Die Erhebung und Analyse von Daten ist für viele Unternehmen nicht mehr wegzudenken; egal ob in Marketing, Vertrieb oder der internen Kommunikation. Immer mehr Anbieter von Digital Analytics speichern die Daten dieser Unternehmen in der Cloud. Das Angebot an Web­analyse On-Premises, der Datenspeicherung vor Ort, wird geringer. Dabei gibt es viele Unternehmen, die aus Compliance- oder Strategie­gründen ihre Daten auf eigenen Servern hosten wollen. Worauf müssen diese Unternehmen achten?

Big Data: Analytics as a Service

In der aktuellen Studie »Experton Big Data Vendor Benchmark 2017« wurde die Anbieterlandschaft für Big-Data-Lösungen und -Services in sieben Kategorien untersucht. Eine Kategorie betrachtet die Angebote, bei denen Analytics-Umgebungen im Rahmen von Service-Modellen im Mittelpunkt stehen. Viele Anwenderunternehmen sind mittlerweile mit dem Unterschied zwischen dem unkontrollierten Sammeln von Daten, der Installation einer Hadoop-Distribution, der Verarbeitung…

Markt für Business Intelligence und Analytics wächst um 7 Prozent

Im weltweiten Markt für Business Intelligence (BI) und Analytics-Software werden im Jahr 2017 insgesamt 18,3 Milliarden US-Dollar umgesetzt werden, so das IT-Research und Beratungsunternehmen Gartner. Die Analysten erwarten damit ein Wachstum von 7,3 Prozent im Vergleich zum Vorjahr 2016. Bis zum Jahr 2020 soll der Markt auf 22,8 Milliarden US-Dollar anwachsen. Laut Gartner wachsen moderne…

Consulting 4.0: Data Analytics verändert die Beratungswelt

Bei Managementberatungen besteht Aufholbedarf in der Nutzung von Business-Intelligence-Software. Einsatz analytischer Software wichtiger Erfolgsfaktor für Beratungsangebote rund um die digitale Transformation. Managementberater erwarten, durch analytische Software den Zeitaufwand in der Analyse- und Umsetzungsphase zu halbieren. Egal ob im Vertrieb, der Fertigung oder in sozialen Netzwerken – heute werden überall Daten gesammelt und das Datenvolumen steigt…

Softwaremarkt für Customer Analytics

Die in Customer-Analytics-Projekten eingesetzte Software sollte den Nutzer möglichst in allen Phasen des Vorgehensmodells unterstützen. Neben den Möglichkeiten der analytischen Modellierung sollten auch Funktionalitäten im Bereich der Datenaufbereitung und Anbindungen an gängige Datenbanken und Fachsysteme (ERP, WAWI, CRM etc.) unterstützt werden. Die Software sollte die Evaluierung der erstellten Modelle anhand geeigneter Performance-Metriken, sowie eine Visualisierung…

Big-Data-Nutzung mit Interaction Analytics: Das Gold in der Kundenkommunikation

Daten gelten längst als die Goldminen der Zukunft. Für Unternehmen, die auf den noch unergründeten Goldschatz in ihrer Kundeninteraktion setzen, bietet eine innovative Analyse-Software einen Weg, das hier liegende Potenzial zu heben. Die Software eines Reutlinger Spezialisten für Automatisierungssoftware analysiert auf Basis eines neuronal-phonetischen Ansatzes alle schriftlichen und mündlichen Kundeninteraktionen und wandelt zuvor nicht verwertbare…

Wachsende Bedeutung von Security Analytics bei der Abwehr von Threats

Eine neue Studie dokumentiert die wachsende Bedeutung von Data-Driven-Security und Security Analytics. Die von Forrester Consulting im Auftrag von FireMon durchgeführte Studie zeigt: Das rasant zunehmende Datenvolumen und die immer raffinierteren Angriffe stellen Security-Teams und klassische SIEM-Lösungen vor erhebliche Herausforderungen. IT-Verantwortliche erweitern ihre Security-Architekturen daher immer öfter um dedizierte Security-Analytics-Lösungen, um die Analyse von Daten…