Diverse Unternehmen beschäftigen Analytics-Teams mit dem Ziel, Analytics möglichst gewinnbringend anzuwenden. Tatsächlich wird das Potential von Analytics nicht immer ausgeschöpft. Stattdessen entsteht eine Flut von Reports und Dashboards, welche bestenfalls teilweise im Tagesgeschäft Anwendung findet.
Im Folgenden wird dargelegt, was Analytics ist und wie das Potential von Analytics ausgeschöpft werden kann.
Was ist Analytics?
Gemäss Wolniak & Grebski lässt sich Analytics in 5 auf sich aufbauende Stufen unterteilen. Diese Stufen sind «Descriptive Analytics», «Real-time Analytics», «Diagnostic Analytics”, “Predictive Analytics” und “Prescriptive Analytics”. Nachfolgend werden diese 5 Stufen beschrieben.
Descriptive Analytics umfasst das Untersuchen und Interpretieren historischer Daten, um Einblicke in die erbrachte Leistung zu gewinnen und zu verstehen, was in einem unternehmen geschehen ist.
Real-time Analytics, auch bekannt als Streaming Analytics oder Instant-Analytics, ist der Prozess der Analyse von Daten, sobald sie erzeugt oder empfangen werden, ohne jegliche Verzögerung. Sie ermöglicht es Unternehmen, Ereignisse, Transaktionen und Datenströme in Echtzeit zu überwachen und darauf zu reagieren.
Diagnostic Analytics geht über Descriptive Analytics hinaus, indem sie zu verstehen versucht, warum bestimmte Ereignisse oder Muster in den Daten aufgetreten sind. Dazu gehört die Analyse historischer Daten, um die Ursachen für bestimmte Ergebnisse oder Anomalien zu ermitteln.
Predictive Analytics verwendet historische Daten und statistische Algorithmen, um Vorhersagen über zukünftige Ereignisse oder Ergebnisse zu treffen.
Prescriptive Analytics hebt die Datenanalyse auf die nächste Stufe, indem sie auf der Grundlage von Descriptive, Diagnostic und Predivtive Analytics gewonnenen Erkenntnisse spezifische Massnahmen zur Optimierung empfiehlt.
Potential von Analytics ausschöpfen
Reports erstellen, um Geschehenes zu verstehen ist Teil des Fundaments zur Unternehmensführung. Es ist eine Voraussetzung, um Unternehmen effizient steuern zu können. Deskriptive Analytics unterstütz diese Notwendigkeit.
Es ist verständlich, dass Businessanwender nach immer mehr Reports und Dashboards verlangen, um die Unternehmung noch effizienter steuern zu können. Tatsächlich besteht aber die Gefahr, dass Reports und Dashboards erstellt und gewartet werden, die im Tagesgeschäft kaum Anwendung finden. Die Übersicht der vorhandenen Auswertungen geht verloren. Die Businessanwender verlangen daher nach noch mehr Reports und verschärfen damit das Problem. Das Analytics-Team fokussiert sich so immer mehr auf Descripitve Analytics und kann daher das tatsächliche Potential von Analytics aus Mangel an Ressourcen nicht ausschöpfen.
The world’s most valuable resource is no longer oil, but data
(From The Economist, May 6th 2017).
Denn erst mit Diagnostic, Predictive oder gar Presciptive Analytics eröffnet sich einer Unternehmung unzählige Möglichkeiten, die vor dem Zeitalter der Digitalisierung nicht zur Verfügung standen.
Es ist daher mit geeigneten Massnahmen darauf einzuwirken, dass Analytics nicht nur für das Erstellen von Reports und Dashboards eingesetzt wird. Dabei ist wesentlich, innerhalb der Unternehmung zu einem gemeinsamen Verständnis bezüglich Analytics und dessen Einsatz zu gelangen. Genauso über das Potential von Analytics und wie es ausgeschöpft werden soll. Es genügt nicht ein Analytics-Team in der Unternehmung zu beschäftigen, es muss allen Beteiligten klar sein, was es leisten soll und auch leisten kann.
Quellen und weiterführende Links
- Balali, F., Nouri, J., Nasiri, A., & Zhao, T. (2020). Data Intensive Industrial Asset Management: IoT-based Algorithms and Implementation. Springer International Publishing.
- Charles, V., Garg, P., Gupta, N., & Agrawal, M. (2023). Data Analytics and Business Intelligence: Computational Frameworks, Practices, and Applications. CRS Press.
- Economist The, (May 6th, 2017). The world’s most valuable resource is no longer oil, but data.
- Hurwitz, J., Kaufman, M., & Bowles, A. (2015). Cognitive Computing and Big Data Analytics. Wiley.
- Hwang, K., & Chen, M. (2017). Big-Data Analytics for Cloud. IoT and Cognitive Computing. Wiley.
- Lawton, G. (2019). Prescriptive analytics.
- Peter, G. S., Amit, C. B., Deokar, V., & Patel, N. R. (2023). Machine Learning for Business Analytics: Concepts, Techniques and Applications in RapidMiner. Wiley.
- Scappini, A. (2016). 80 Fundamental Models for Business Analysts: Descriptive, Predictive, and Prescriptive Analytics Models with Ready-to-Use Excel Templates. Create Space.
- Wolniak, R., & Grebski, W. (2023). The five stages of business analytics. 2023.
