Advanced Analytics: Einsatz, Techniken und Funktion

Digitale Analysemethoden helfen Unternehmen, langfristig die richtigen Entscheidungen zu treffen. Dafür gilt es, technologischen Fortschritt in Wettbewerbsvorteile zu verwandeln. Der geschickte Einsatz von Daten und künstlicher Intelligenz spielt dabei eine herausragende Rolle. Durch Datenanalyse und Business Intelligence können Unternehmen rückblickend wichtige Erkenntnisse erhalten. Wie Sie diese Erkenntnisse mithilfe von Advanced-Analytics-Methoden für sich nutzen können, erfahren Sie in diesem Artikel.

Optimierte Entscheidungsfindung mithilfe von Advanced Analytics

In einer digitalen und schnelllebigen Welt, die durch die Merkmale Volatilität, Unsicherheit, Komplexität und Ambiguität (VUKA-Welt) geprägt ist, ist es wichtig, zum richtigen Zeitpunkt die richtigen Entscheidungen zu treffen. Advanced-Analytics-Methoden können dabei helfen, eine bessere Basis für Managemententscheidungen zu gewinnen. Als „Störungsbeseitiger“ im Unternehmen können sie in vielen Use Cases die Effizienz und Performance von Systemen verbessern.

Datenanalysemethoden: Advanced Analytics und Business Intelligence

Lange dominierten Methoden der Business Intelligence die Nutzung von Big Data in Unternehmen und Institutionen. Diese Methoden lassen sich unter dem Begriff Descriptive Analytics zusammenfassen. Mit ihrer Hilfe lassen sich historische Daten rückschauend auswerten, um zu beschreiben, was in einem System zu einer bestimmten Zeit vor sich ging. 

Derlei Methoden liefern wertvolle Informationen für strategische Handlungen und zukünftige Maßnahmenplanung. Business Intelligence und Descriptive Analytics fallen in den Tätigkeitsbereich der Datenanalyse.

Advanced Analytics bezeichnet fortschrittlichere Methoden, die in ihren Möglichkeiten weit über die der Datenanalyse hinaus gehen. Sie basieren meist auf fortgeschrittener Programmierung und Modellierung und benötigen damit sehr große Datenmengen. Einige Advanced-Analytics-Methoden lassen sich aber auch auf überschaubare Datenmengen anwenden. 

Allgemein fallen diese in den Tätigkeitsbereich Data Science und lassen sich in drei Kategorien einordnen. Die Grenzen zwischen den Methoden sind mitunter fließend, ihre Zuordnung damit nicht zwingend eindeutig. In vielen Fällen lassen sich Methoden je nach Ziel ihrer Anwendung jedoch in die verschiedenen Kategorien einordnen.

1. Diagnostic Analytics

Diagnostic-Analytics-Methoden stellen Ereignisse, Personen, Produkte und weitere Faktoren in einen sinnvollen Zusammenhang. So können Sie Ereignisse rückschauend beschreiben und Aussagen über Gründe und Einflussfaktoren treffen. Sie erhalten damit belastbare, faktenbasierte Informationen über Stellschrauben, mit denen Sie die Systeme und Prozesse innerhalb Ihres Unternehmens weiter optimieren können.

2. Predictive Analytics

Prädiktive Analysen und Data-Mining erlauben die Vorhersage von Ereignissen, die mit hoher Wahrscheinlichkeit eintreten. Dieser Bereich von Machine Learning erlaubt Systemen, sich selbstständig zu optimieren und mit zunehmender Datengrundlage die vorgegebenen Ziele effektiver zu erreichen.

3. Prescriptive Analytics

In den Bereich der präskriptiven Analyse fallen Methoden, die durch datengetriebene Modellierung und statistische Vorhersage Handlungsfelder identifizieren und konkrete Handlungsempfehlungen formulieren. Das Ziel ist, nach vorgegebenen Parametern das bestmögliche Ergebnis zu erreichen. Die Anwendung kann automatisierte Vorschriften (prescriptions) oder selbsttätig ausgeführte Empfehlungen durch automatisierte Systeme umfassen.

Advanced-Analytics-Methoden im Überblick

Die Methoden, die zu Advanced Analytics zählen, sind zahlreich und vielfältig. Ein häufiger, gemeinsamer Nenner ist die aufwendige Modellierung und der Einsatz verschiedener Formen künstlicher Intelligenz.

1. Data-Mining

Diese Methode dient dazu, Muster, Trends und Abhängigkeiten in umfangreichen Datenbeständen zu identifizieren.

Mögliche Anwendung: Analyse von Kundenbedürfnissen.

2. Process-Mining

Mit dieser Methode analysieren Unternehmen ihre Prozesse und Abläufe. Die optimierte Darstellung erlaubt die Erkennung von Abhängigkeiten und Optimierungspotenzial.

Mögliche Anwendung: Optimierung von Supply-Chains im Automobilbau.

3. Clustering

Diese Methode kann Daten strukturieren, segmentieren und so in für die zielorientierte Weiterverwendung geeignete Gruppen ordnen.

Mögliche Anwendung: Segmentierung und Zielgruppenanalyse.

4. Empfehlungs-Algorithmen

Algorithmen treffen datenbasierte Vorhersagen über Bedürfnisse und Wünsche von Kundinnen und Kunden.

Mögliche Anwendung: Personalisierte Empfehlungen im B2C-Onlinehandel.

5. Kohortenanalyse

Mit dieser Methode lässt sich das Verhalten spezifisch definierter Gruppen über einen längeren Zeitraum analysieren. So erhalten Sie Erkenntnisse über Muster und Handlungsmotivationen.

Mögliche Anwendung: Identifikation von Einflussfaktoren bei Webseitenbesuchern.

6. Deep Learning mit neuronalen Netzen

Neuronale Netze modellieren menschliches Denken und erlauben damit zunehmend menschenähnliche Problemlösungen und Verhaltensvorhersagen.

Mögliche Anwendung: Spracherkennung und automatisierter Kundenservice.

Mit Advanced Analytics das Controlling zukunftsfähig machen

Die fortgeschrittene Analyse von Daten kann zur Grundlage einer optimierten strategischen Planung werden. Erfahrungen aus der Praxis zeigen, dass die Entscheidungsfindung durch Algorithmen auf Basis einer fundierter Datenlage der klassischen, erfahrungsbasierten Experteneinschätzung häufig überlegen ist und bessere Ergebnisse hervorbringt.

Die schrittweise Ablösung der manuellen Expertenprognose durch Prescriptive Advanced Analysis ist ein Übergang, der auch Risiken birgt. An vielen Stellen ist es wichtig, dass kritische Entscheidungen letztendlich von Experten und Expertinnen umgesetzt werden. In typischen Szenarien liefert der Output der Advanced Analytics optimal vorbereitetes Ausgangsmaterial für die gremienübergreifende Bewertung. Die Methoden machen dabei oft Elemente sichtbar, die aufgrund der Komplexität von Themen und Prozessen für Expertinnen Experten nicht erkennbar sind.

Viele Unternehmen sind bereits im Umsetzungsprozess: In einer Studie mit 267 Unternehmen der DACH-Region haben 70 Prozent bereits Prototypen für Use Cases entwickelt. 22 Prozent nutzen Advanced Analytics als Basis für die Entscheidungsfindung. Sechs Prozent der befragten Unternehmen automatisieren wichtige Geschäftsprozesse.

Die größten Herausforderungen liegen in der ausreichenden Flexibilität der technologischen Infrastruktur und der notwendigen Datenqualität. Eine weitere Herausforderung bei präskriptiven Methoden besteht darin, dass die Unternehmensführung einen Teil der Kontrolle abgeben muss. Bei vollständiger Implementierung steht das daten- und faktenbasierte Urteil der KI nämlich über dem eigenen Bauchgefühl bislang gesammelter Erfahrungen und der persönlichen Übersicht.

Use Cases für Advanced Analytics in der praktischen Anwendung

Die enorme Vielseitigkeit von Advanced Analytics zeigt sich am besten in der Gegenüberstellung verschiedener Praxisbeispiele und Use Cases.

Use Case 1: Analyse des Kundenverhaltens im B2C-Onlinehandel

Endverbrauchermarken sind mit personalisierter Kundenansprache im Retail-Bereich besonders erfolgreich. Um die Customer Journey optimal zu gestalten, streben sie eine 360-Grad-Sicht ihrer Kundinnen und Kunden an. 

Hier kommen Advanced-Analytics-Methoden ins Spiel. Diese ermöglichen eine Identifikation konkreter Gründe für das Verhalten von Kundinnen und Kunden an entscheidenden Punkten der Customer Journey und eine differenzierte Einteilung in Kundengruppen. Durch diese Segmentierung erreichen Online-Marketer eine hochgradig personalisierte Ansprache von Bestandskundinnen und Bestandskunden sowie höhere Effektivität bei der Neukundengewinnung. Selbst die Akzeptanz neuer Produkte lässt sich bei guter Datengrundlage modellieren und mit hoher Wahrscheinlichkeit vorhersagen.

Use Case 2: Verkürzung der Störungsbeseitigung im Automobilbau

In komplexen Fertigungsprozessen führen technische Störungen durch den Ausfall einzelner Stationen oft zu empfindlichen Verlusten. In Branchen wie der Automobilindustrie hat die Zeit zwischen dem Auftreten eines Fehlers und einer angemessenen Reaktion starke Auswirkungen auf die Produktionskosten.

Advanced Analytics ermöglicht die Beschleunigung der steuerungsrelevanten Informationsversorgung in Produktionsprozessen. Hochgradig automatisierte Ursachenermittlung und Maßnahmeninitiierung tragen damit zu einer massiven Senkung der Reaktionszeiten und der Einsparung nennenswerter Kosten bei.

Use Case 3: Dynamic Pricing in der chemischen Industrie

Branchen mit hohen Rohstoffkosten müssen oft kurzfristig auf volatile Preise reagieren. Um die Rentabilität zu garantieren, sind häufig flexible Anpassungen an die Beschaffungskosten notwendig, die auch regional unterschiedlich ausfallen können.

Durch Advanced Analytics konnten Unternehmen der chemischen Industrie eine konsistente und zielorientiert abgestimmte Preisfindung erreichen. Flexibel und in Echtzeit passten sie sich an die wechselhaften Bedingungen in unterschiedlichen Regionen, Kundensegmenten und Vertriebskanälen an und steigerten damit ihre Umsatzrentabilität um bis zu 3 Prozent.

Fazit: Advanced Analytics dienen dem langfristigen Unternehmenserfolg

Advanced Analytics bezeichnet Methoden aus dem Bereich der Data Science. Von Business Intelligence unterscheiden sie sich durch eine zukunftsgerichtete Perspektive und den Einsatz aufwendiger Technologien, insbesondere künstlicher Intelligenz. Sie ermöglichen Schlussfolgerungen aus historischen Daten (Diagnostic Analytics), Voraussagen von Ereignissen und Entwicklungen (Predictive Analytics) und die Formulierung optimaler Handlungsempfehlungen (Prescriptive Analytics). Die gesammelten Schlussfolgerungen können Unternehmen dazu nutzen, Verbesserungen in Geschäftsabläufen herbeizuführen und ihr Geschäft langfristig zu optimieren.

Titelbild: Farknot_Architect / iStock / Getty Images Plus