Einblick in Advanced Analytics

Die Glaskugel für Unternehmen

Dank Advanced Analytics erhalten Unternehmen wertvolle Informationen für zukünftige Entscheidungen. Warum es erst noch in den Kinderschuhen steckt, liegt weniger an den Kosten als an der richtigen Kommunikation und Firmenkultur.

23.05.2018Text: tnt-graphics0 Kommentare
Advanced Analytics_Glaskugel

Egal, ob im Verkauf, im Marketing, in der IT oder im Controlling: Unternehmen versuchen, in den unterschiedlichsten Bereichen Erkenntnisse aus Daten zu gewinnen. Mit dem wachsenden Datenvolumen werden auch die Fragestellungen komplexer, die durch Analyse-Verfahren beantworten werden sollen: «Früher war man mit der Auswertung von kleinen Datensätzen zufrieden», erklärt Diyako Palizi, Data Scientist und Software Engineer bei bbv. «Heute sammeln Unternehmen Unmengen an Daten, um noch wertvollere Insights zu erhalten. Herkömmliche Business-Intelligence-Verfahren reichen dazu nicht mehr aus – oder man braucht sehr viel Zeit und Ressourcen.»

Dank Advanced Analytics gelingt es Unternehmen, Big Data bei angemessenem Kostenaufwand auszuwerten. Möglich machen es die neuen Technologien: Machine und Deep Learning sowie Data Mining gehören zum gängigen Repertoire solch gross angelegter Analyse-Verfahren. Lieferten die Reports klassischer BI-Systeme Einblicke in vergangene Ereignisse, führt Advanced Analytics nun zu geschäftsrelevanten Prognosen: «Was wird passieren?», «Was wird passieren, wenn ich Parameter ändere?» oder «Welches ist das beste Ereignis, das eintreffen kann?». Die Erkenntnisse, die aus vergangenen Ereignissen und Verhaltensweisen gewonnen wurden, bilden dabei die Grundlage für die Simulation künftiger Ereignisse. Daher fallen im Zusammenhang mit Avanced Analytics auch oft die Begriffe «Predictive Analytics» und «Prescriptive Analytics.»

Auf Kommunikation und Kultur kommt es an

Aus technologischer Sicht ist die Einführung von Advanced Analytics unproblematisch: «Die Technologien, mit denen man arbeitet, sind in der Implementierung nicht viel komplexer als die meisten Software-Produkte. Sie müssen einfach angepasst werden», erklärt Palizi. Darüber hinaus sind viele Analyse-Werkzeuge Open-Source-Tools und damit kostenlos verfügbar – wie etwa Hadoop, Hive oder Spark. Unternehmen haben die Qual der Wahl: «Es gibt unzählige Tools, doch nur wenige sind auch ausgereift. Viele Unternehmen tun sich schwer, sich für einzelne davon zu entscheiden», stellt Palizi fest. «Die gute Nachricht ist, dass allmählich Standards entstehen, die sich durchsetzen – im Bereich Deep Learning etwa Googles Tensorflow oder Keras.»

Die grösste Hürde für den Einsatz von Advanced Analytics sind daher nicht die Tools, sondern das Know-how: Die «Data Scientists», die mit den Tools Erkenntnisse aus den Datenbergen zu gewinnen versuchen, sind meistens mathematisch und technisch orientiert. Oft fehlt ihnen aber das Wissen über betriebswirtschaftliche Prozesse und über die Branche, in der sie arbeiten. Deshalb ist Kommunikation der Schlüssel für eine effektive Datenanalyse. «Ein Datenwissenschaftler, der Marktanalysen erstellt, aber keine Ahnung vom Markt hat, kann Advanced Analytics kaum richtig anwenden», erklärt Palizi. «Das Wissen über den Kontext eines Problems können ihm Kollegen aus dem Business vermitteln.» Eine enge Zusammenarbeit zwischen den Daten-Analysten und dem Business ist daher unabdingbar. So ist garantiert, dass die «richtigen» Auswertungen erstellt werden, die einen Mehrwert für das Unternehmen schaffen.

Darüber hinaus müssen Unternehmen eine Data-Driven-Kultur einführen: Sie müssen verstehen, wie wertvoll Daten sind, und welcher Nutzen sich daraus ziehen lässt. So werden Unternehmen immer mehr von den Erkenntnissen profitieren können.  «Informationen einfach zu sammeln,  führt nicht unbedingt zu optimalen Resultaten», erklärt Palizi. «Wenn man sich aber systematisch mit Daten beschäftigt, und weiss, welche Prognosen und Handlungsanweisungen daraus für ein Unternehmen entstehen können – ganz im Sinne von Feature Engineering – wird Advanced Analytics zu einem mächtigen Werkzeug für Unternehmen.»

Der Experte

Diyako Palizi

Diyako Palizi war als Senior Software-Ingenieur bei bbv tätig. Als Softwareentwickler beschäftigt er sich seit über zwanzig Jahren mit allen Aspekten der Softwareentwicklung und hat sich auf Analytics und Data Science spezialisiert.

Unser Wissen im Abo

Künstliche Intelligenz

KI-Training mit begrenzten Daten: Wie Sie Ihre KI-Modelle auch mit weniger Daten optimieren

AI/KI
Revenue Design

In vier Schritten zu neuen Ertragsquellen

Digitale Transformation
Von Daten, Uses Cases und der Akzeptanz von KI

Daten, Daten, Daten! So gelingt der Einsatz von KI in Ihrem KMU

AI/KI

Attention!

Sorry, so far we got only content in English for this section.

Achtung!

Entschuldigung, bisher haben wir für diesen Abschnitt nur deutschsprachige Inhalte.