Was ist Analytik?

Im Mittelpunkt der geschäftlichen Analytik (Business Analytics) stehen die Auswirkungen der Daten auf das Geschäft – und welche Entscheidungen und Maßnahmen aus ihnen resultieren.

default

{}

default

{}

primary

default

{}

secondary

Analytik – ein Überblick

Unternehmen, Menschen und Dinge generieren täglich riesige Datenmengen. Innerhalb eines Tages senden wir zusammen 294 Milliarden E-Mails und posten 500 Millionen Tweets, stellen 3,5 Milliarden Suchanfragen in Google und erzeugen mit unseren vernetzten Autos vier Petabyte an Daten. Selbst unsere Uhren, Kühlschränke und TVs erstellen und teilen ununterbrochen Daten.

Verborgen in all diesen Daten sind Erkenntnisse, die für explosionsartiges Geschäftswachstum sorgen können. Die Herausforderung besteht darin, sie zu finden – und hier kommt die Analytik ins Spiel.

Grundlegende Definition der Analytik

Die Analytik ist ein Bereich der Informatik, in der mithilfe von Zahlen, Statistiken und maschinellem Lernen aussagekräftige Muster in Daten gefunden werden können. Mit der Analytik – oder Datenanalysen – können riesige Datenmengen durchsucht werden, um neue Erkenntnisse zu gewinnen, zu bewerten und auszutauschen.

Was ist Business Analytics?

Einfach ausgedrückt, ist Business Analytics die Anwendung der Analytik auf Geschäftsdaten. Im Mittelpunkt stehen dabei die Auswirkungen der Daten auf das Geschäft – und welche Entscheidungen und Maßnahmen aus ihnen resultieren.

Die Bedeutung von Business Analytics

Der Einsatz von Business-Analytics-Software macht heute oft den Unterschied zwischen Gewinnern und Verlierern aus. Führende Unternehmen nutzen Analysen, um alle Aspekte ihrer Abläufe – vom Marketing bis zur Lieferkette – in Echtzeit zu überwachen und zu optimieren. Dabei setzen sie auf Analysen, um schnelle, datengestützte Entscheidungen zu treffen, den Umsatz zu steigern, neue Geschäftsmodelle zu entwickeln, ihren Kunden erstklassigen Service zu bieten, Mitarbeiter zu unterstützen, einen Wettbewerbsvorteil zu erlangen und vieles mehr. Unternehmen ohne Analysen – oder ohne gute Analysen – sind gezwungen, Entscheidungen nur gestützt auf ihr Bauchgefühl und ihre Erfahrungen zu treffen.

„Führende Unternehmen in allen Branchen nutzen Daten und Analysen, um sich einen Wettbewerbsvorteil zu verschaffen.“

Gartner

Die wichtigsten geschäftlichen Vorteile von Analysen sind:

höhere Effizienz und Produktivität
schnellere, effizientere Entscheidungsfindung
besseres Finanzmanagement
Erkennung und Erschließung neuer Einnahmequellen
bessere Akquise und Bindung von Kunden

Die Unternehmensanalytik ist einer der am schnellsten wachsenden Märkte im Bereich der Unternehmenssoftware. Dieses Wachstum wurde durch die COVID-19-Pandemie noch beschleunigt, was viele Unternehmen dazu zwang, neue Geschäftsmöglichkeiten zu sondieren, Kosten zu senken und der turbulenten „neuen Normalität“ Herr zu werden. Laut Gartner¹ sind Analytics, Business Intelligence (BI) und Data Science die häufigsten Einsatzbereiche, die durch die Pandemie zusätzlich an Bedeutung gewonnen haben – und damit das Internet der Dinge (IoT) und Cloud-Anwendungen überholt haben. Problemlösungsfunktionen und vorausschauende Analysen unterstützen Unternehmen bei der Bewältigung dringender, pandemiebedingter Herausforderungen wie der Erstellung präziser Bedarfsprognosen, dem Schutz gefährdeter Mitarbeiter und der Identifizierung potenzieller Unterbrechungen der Lieferkette.

94 der Unternehmen geben an, dass Analysen für ihr Wachstum und ihre digitale Transformation entscheidend sind¹

59 der Unternehmen setzen aktuell auf komplexe und vorausschauende Analysen¹

65 der global tätigen Unternehmen planen, bis 2020 mehr für Analysen auszugeben¹

Die vier Analysearten

Deskriptive Analysen Deskriptive Analysen beantworten die Frage „Was ist passiert?“. Diese einfache Form der Analyse nutzt grundlegende mathematische Berechnungen wie durchschnittliche und prozentuale Veränderungen, um aufzuzeigen, was in einem Unternehmen bereits passiert ist. Deskriptive Analysen, auch Business Intelligence (BI) genannt, sind der erste Schritt im Analyseprozess, der als Ausgangspunkt für weitere Untersuchungen dient.
Diagnostische Analysen Diagnostische Analysen beantworten die Frage „Warum ist etwas passiert?“. Sie bilden eine Erweiterung der deskriptiven Analyse, wobei die verfügbaren Daten identifiziert, untersucht und Zusammenhänge zwischen ihnen ermittelt werden, um ihnen genauer auf den Grund zu gehen und die Ursachen von Ereignissen und Verhaltensweisen zu ermitteln.
Vorausschauende Analysen Vorausschauende Analysen beantworten die Frage „Was wird in Zukunft voraussichtlich passieren?“. Diese Teildisziplin der fortschrittlichen Analyse nutzt die Ergebnisse aus der deskriptiven und diagnostischen Analyse – zusammen mit komplexen Prognosemodellen, maschinellem Lernen und Deep-Learning-Methoden –, um vorherzusagen, was als Nächstes geschehen wird.
Präskriptive Analysen Präskriptive Analysen beantworten die Frage „Welche Maßnahmen sollten wir ergreifen?“. Diese hochmoderne Form der Analyse baut auf den Ergebnissen der deskriptiven, diagnostischen und vorausschauenden Analyse auf und verwendet moderne Tools und Techniken, um die Auswirkungen möglicher Entscheidungen zu bewerten und das beste Vorgehen in einer Situation zu ermitteln.

Allgemeine Komponenten von Business Analytics

Business Analytics umfasst viele verschiedene Komponenten und Tools. Zu den gängigsten Komponenten zählen:

Datenaggregation: Bevor Daten analysiert werden können, müssen sie aus vielen verschiedenen Quellen zusammengetragen, organisiert und bereinigt werden. Eine solide Datenmanagementstrategie und ein modernes Data Warehouse sind für Analysen unerlässlich.
Data Mining: Das Data Mining nutzt statistische Analysen und Algorithmen für maschinelles Lernen, um große Datenbanken zu durchsuchen, Daten aus verschiedenen Blickwinkeln zu analysieren und bisher unbekannte Trends, Muster und Beziehungen zu finden.
Big-Data-Analyse: Die Big-Data-Analyse nutzt komplexe Verfahren wie Data Mining, vorausschauende Analysen und maschinelles Lernen, um große Mengen strukturierter und unstrukturierter Daten in Datenbanken, Data Warehouses und Hadoop-Systemen zu analysieren.
Textmining: Das Textmining untersucht unstrukturierte Textdatensätze wie Dokumente, E-Mails, Social-Media-Beiträge, Blogposts, Call-Center-Skripte und andere textbasierte Quellen für qualitative und quantitative Analysen.
Prognosen und vorausschauende Analysen: Prognosen nutzen historische Daten, um mögliche Ergebnisse vorherzusagen. Vorausschauende Analysen verwenden fortschrittliche Verfahren, um vorherzusagen, mit welcher Wahrscheinlichkeit diese Ergebnisse eintreffen werden.
Simulation und Was-wäre-wenn-Analyse: Anhand von Prognosen und Vorhersagen können Simulationen und Was-wäre-wenn-Analysen verschiedene Szenarios durchspielen und potenzielle Entscheidungen im Vorfeld optimieren.
Datenvisualisierung und Storytelling: Mit Datenvisualisierungen wie Diagrammen und Grafiken lassen sich Trends, Ausreißer und Muster in Daten besser erfassen und verständlich machen. Diese Visualisierungen können – zusammen im Kontext betrachtet – ein umfassenderes Bild vermitteln und die Entscheidungsfindung unterstützen.

Beispiele für die Verwendung von Analysen

Analysen werden von Unternehmen jeder Größe in allen Branchen eingesetzt – von Einzelhändlern, dem Gesundheitswesen und sogar Sportvereinen. Viele Analyselösungen sind auf eine bestimmte Branche, einen bestimmten Zweck oder einen bestimmten Geschäftsbereich zugeschnitten. Analysesoftware wird heutzutage beispielsweise eingesetzt für:

Finanzanalysen

Bisher wurden Finanzanalysen in der Regel zum Generieren von Standardberichten verwendet. Heute, wo das Finanzwesen eine zentrale Rolle in einem Unternehmen einnimmt, haben sich Finanzanalysen weiterentwickelt und vereinen nun Finanz- und Betriebsdaten mit externen Datenquellen, um eine Fülle von geschäftlichen Fragen zu beantworten: Fragen wie „Investieren wir in die richtigen Gelegenheiten?“, „Wie werden unsere zukünftigen Margen von den Entscheidungen beeinflusst, die wir heute treffen?“ und viele mehr.

Marketinganalysen

Marketinganalysen verwenden Daten aus verschiedenen Kanälen wie sozialen Medien, dem Internet, E-Mails und mobilen Anwendungen, um Marketingspezialisten den Erfolg ihrer Programme zu veranschaulichen. Nutzer können Millionen von Datensätzen auswerten, um die Effektivität ihrer Kampagnen zu optimieren, Marketingbotschaften exakt zu adressieren, Stimmungen in den sozialen Medien zu analysieren, potenzielle Kunden genau im richtigen Zeitpunkt anzusprechen und vieles mehr.

Supply-Chain-Analysen

Das explosionsartige Wachstum von E-Commerce, die zunehmende Marktvolatilität, die Globalisierung und andere Kräfte haben Lieferketten noch komplexer gemacht. Mit Supply-Chain-Analysen können Unternehmen Lieferunterbrechungen vorbeugen, den stetigen Warenfluss gewährleisten sowie die Stabilität und Flexibilität der Lieferkette optimieren. Dabei nutzen sie Daten aus einer Vielzahl von Quellen wie IoT-Sensoren in Echtzeit, um alles – von der Beschaffung über die Fertigung und den Bestand bis hin zu Transport und Logistik – zu optimieren.

Moderne Analysetechnologien

Nahezu unbegrenzte Datenspeicherung und Hochgeschwindigkeitsverarbeitung haben das Zeitalter von künstlicher Intelligenz (KI) und maschinellem Lernen eingeläutet. Diese Technologien „erweitern“ Analysen und machen sie leistungsfähiger als je zuvor.

KI- und Machine-Learning-Analysen können Muster erkennen, Ausreißer entdecken und Zusammenhänge in Big Data wesentlich schneller und mit weitaus höherer Genauigkeit herstellen als bisher. Mit der Cloud sind sie zudem in der Lage, auf noch mehr Daten aus verschiedenen Quellen zuzugreifen – u. a. soziale Medien und IoT-Sensoren – und Erkenntnisse, Gelegenheiten und Risiken sichtbar zu machen, die anderenfalls verborgen geblieben wären.

Algorithmen für maschinelles Lernen können auch einige der kompliziertesten Schritte im Analyseprozess automatisieren, weshalb relativ ungeschulte Fachanwender – und nicht nur Datenwissenschaftler – komplexe und vorausschauende Analysen erstellen können. Die Verarbeitung natürlicher Sprache – eine Art von künstlicher Intelligenz – geht einen Schritt weiter und ermöglicht Nutzern, geschäftliche Fragen zu ihren Daten zu stellen (und Antworten zu erhalten) – als würden sie etwas googeln oder Siri fragen.

Und das alles ist auch auf Mobilgeräten möglich. Nutzer erhalten also Antworten auf Ad-hoc-Abfragen, wo und wann immer sie möchten.

Analytik – FAQs

Was sind erweiterte Analysen?

„Erweiterte Analysen“ ist der Oberbegriff für Analysen, die komplexe Tools und Techniken verwenden, um Daten autonom (oder halbautonom) zu analysieren. Diese Tools und Techniken gehen in der Regel über die herkömmlichen BI-Funktionen hinaus und umfassen Prognosemodelle, Daten- und Textmining, Stimmungserkennung, maschinelles Lernen, neuronale Netzwerke, statistische Algorithmen, komplexe Ereignisverarbeitung und vieles mehr.

Was sind Big-Data-Analysen?

Die Big-Data-Analyse ist eine Form der erweiterten Analyse, die sehr große Datenmengen aus einer Vielzahl von Quellen untersucht, einschließlich strukturierter, halbstrukturierter und unstrukturierter Daten. Mithilfe komplexer Tools und Techniken wie Prognosemodellen, Was-wäre-wenn-Analysen und Algorithmen für maschinelles Lernen können Big-Data-Analysen verborgene Trends, bisher unbekannte Zusammenhänge und andere aussagekräftige Erkenntnisse in Datensätzen sichtbar machen, die zu umfangreich oder vielfältig für herkömmliche Analysen sind.

Was sind erweiterte Analysen?

Erweiterte Analysen sind Analysen, die durch KI-Technologien „erweitert“ werden, u. a. durch maschinelles Lernen und Verarbeitung natürlicher Sprache. Diese leistungsstarken KI-gestützten Analysen sind nicht nur in der Lage, schneller bessere Erkenntnisse zu liefern. Sie sind durch die Möglichkeit zur Automatisierung komplexer Prozesse auch zugänglicher und erlauben Nutzern, mit nur wenigen Vorkenntnissen Fragen zu formulieren und Antworten zu erhalten.

defaultImageType

middle-media