Advanced und Predictive Analytics: Daten allein genügen nicht [5 Lesetipps]

Grafik:Oliver Tacke
Grafik:Oliver Tacke
Daten sind das neue Öl. Intelligenz das neue Benzin. So drückte Gerd Leonhard es während der Handelskraft-Konferenz 2017 im März in Leipzig aus. Hinter seiner Aussage stecken zwei Erkenntnisse.
 
Erstens: Wir konsumieren, produzieren und sammeln rund um die Uhr Unmengen an Daten. Je mehr digitale Systeme und Geräte genutzt werden, desto stärker steigt diese Menge zukünftig noch. Stichwort: IoT, vernetzte Mobilität, smart Industry.
 
Zweitens: Daten allein sind wertlos. Ihre Menge ist zu groß und unstrukturiert, um einfach Erkenntnisse ablesen und Handlungen ableiten zu können. Es benötigt also Übersetzer, Menschen und Maschinen, die in der Lage sind Daten in Informationen – und somit in Intelligenz – zu verwandeln.
 
Advanced und Predictive Analytics wollen diese Übersetzung leisten. Advanced Analytics nutzt dazu mathematische und statistische Formeln und Algorithmen, die über simple Durchschnittswerte und Filter hinausgehen. Ziel ist es Muster zu erkennen und neue Informationen zu erzeugen. Predictive Analytics fokussiert als Teilbereich der Advanced Analytics auf die Vorhersage von zukünftigen Ereignissen und ihren Wahrscheinlichkeiten. Wie weit sind Advanced und Predictive Analytics in Unternehmen schon verbreitet?

Anwenderstudie beschreibt Potentiale und Herausforderungen

Das Business Application Research Center (BARC) hat über 200 Unternehmen zu Advanced und Predictive Analytics befragt. In ihrer Studie und der zugehörigen Infrografik gehen die Autoren auf die Herausforderungen und den Ist-Stand ein.

Aktuell nutzen nur fünf Prozent der befragten Unternehmen fortgeschrittene Analyseformen. 18 Prozent nutzen es gar nicht und 21 Prozent planen es langfristig auch nicht. Diese Erkenntnis überrascht, sagen doch 94 Prozent der befragten Unternehmen, dass Advanced und Predictive Analytics zukünftig wichtig, bzw. sehr wichtig wären.

Bisher am erfolgreichsten werden fortgeschrittene Analysen in Management, IT und Finanzen & Controlling genutzt. Dort, sowie in Marketing, Vertrieb und Logistik liegen auch zukünftig die größten Geschäftschancen.

Wer, wie und wo?

Die zu verarbeitenden Datenmengen sind enorm. Die analytischen Methoden komplex. Die Fragestellungen individuell. In diesem Spannungsdreieck liegen die Gründe für den bisher überschaubaren Verbreitungsgrad. Fähigkeiten zur Datenaufbereitung, mathematisches Verständnis, Know-how der Geschäftsprozesse und Kommunikationsfähigkeit auch zur Moderation zwischen den beteiligten Abteilungen sind Voraussetzung.

Es verwundert daher wenig, dass die Verfahren daher in erster Linie in konkreten Einzelprojekten – 76 Prozent – zum Einsatz kommen. Dabei am häufigsten innerhalb eines vorhandenen Business Intelligence Competency Centers. Unternehmen, die fortgeschrittene Analysen generisch anwenden wollen benötigen neben Tools zum Data-Mining auch eine generische Entwicklungsumgebung und Data-Scientists. Insbesondere an letzteren herrsche laut Studie enormer Mangel.

Wollen und Können liegen weit auseinander

Betrachtet man die Erfahrungen der best-in-class Anwender sowie deren Erwartungen und jene der Nachzügler wird klar: Advanced und Predictive Analytics sorgen für bessere Planbarkeit, bessere Prozesssteuerung, unterstützen strategische Entscheidungen und helfen bei der Identifikation neuer Geschäftsmodelle, Produkte und Dienstleistungen. Kundenverständnis und Umsatzsteigerung gibt es quasi standardmäßig oben drauf.

Die Verkaufsargumente für fortgeschrittene Analysen liegen klar auf der Hand. Keinen bestätigten oder erwarteten Effekt könnte ein Unternehmen nicht wollen. Tragischerweise ist mangelt es bisher nicht am Willen, nein, es scheitert am Können.

Die Infrastruktur für Business-Intelligence ist nicht agil genug. Das Datenmanagement genügt den hohen Anforderungen nicht bzw. sind die Quellen nicht messbar. Ein enormes Problem ist außerdem die unausgereifte Usability. Den meisten Tools mangelt es an intuitiven Benutzeroberflächen.

Doch es gibt Hoffnung. Neben dem Faktor Zeit motiviert die Erkenntnis, dass auch schon kleine Advanced und Predictive Analytics Projekte wertvolle Erkenntnisse produzieren. Es muss also nicht gleich das gesamte Unternehmen durch data-driven Business-Intelligence umgekrempelt werden. Wichtiger ist ein zeitnaher Start in konkreten Fragestellungen, zum Beispiel zu Marketing, Vertrieb und Services. Beispielweise im Rahmen eines MVP-Projektes.

Unsere 5 Lesetipps der Woche

Bosch bejubelt Durchbruch beim autonomen Fahren [t3n]

The HomePod’s story is Apple at its product marketing best [NEXT blog]

Organizing your marketing tech stack [TECHCRUNCH]

Chatbots, KI und Machine Learning: Wo endet die Macht der Maschinen? [INTERNET WORLD Business]

E-Commerce-Logistik: Berlin-Brandenburg wird Metropol-Region Nr. 1 [NEUHANDELN]

(1 Bewertung(en), Schnitt: 5,00 von 5)
Loading...