Bestimmte Data-Science-Methoden wie Regression Analysis (auch „Regressionsanalyse“) lassen sich als gängige Analysemethoden bezeichnen. Davon abgrenzen lassen sich solche Methoden wie Machine Learning oder Neuronale Netzwerke, die im Vergleich zu den klassischen Methoden technologisch fortgeschrittener sind. Diese werden darum auch Advanced Analytics genannt.
Insbesondere die Fähigkeit große Datenmengen (Big Data) bei geringem Kostenaufwand auszuwerten, sorgten in den letzten Jahren zum Durchbruch von Advanced Analytics. Aber warum kommt den Advanced Analytics eine so große Bedeutung zu? Das lässt sich vor allem dann verstehen, wenn sie zunächst mit ihrem Vorläufer, der klassischen Business Intelligence, verglichen wird.
Lese-Tipp: In unserem Grundlagenartikel beschäftigen wir uns generell mit Big Data, Data Analytics und Data Science als Schlüssel zur digitalen Transformation.
Inhaltsverzeichnis
Business Intelligence vs. Advanced Analytics
Der Begriff Advanced Analytics lässt sich in Abgrenzung zum klassischen Konzept von Business Intelligence definieren. Aufgrund der prinzipiell anderen Herangehensweise wird anstatt von Advanced Analytics immer wieder auch verallgemeinernd von Predictive Analytics gesprochen. Dadurch wird betont, dass durch die Datenanalysen nicht einfach vergangene Ereignisse untersucht werden, sondern dass die Analysen zu Prognosen über zukünftige Ereignisse führen.
Anstatt nachträglich zu verstehen, warum etwas passiert ist, bringen sich Unternehmen mit Advanced Analytics in eine Position, in der sie proaktiv handeln können. Fortschrittlich im Vergleich zu klassischen Methoden ist Advanced Analytics aus mehreren Gründen wie die hier gezeigte Tabelle deutlich macht. Mit unterschiedlichen Methoden wie beispielsweise dem Maschinellen Lernen lassen sich alle möglichen Typen von Daten zum Teil automatisiert auswerten.
| Business Intelligence | Advanced Analytics | |
|---|---|---|
| Orientierung | Der Blick zurück | Zukunftsgerichtet |
| Fragetypen | - Was ist passiert? - Wann, Wer, Wie viel? | - Was wird passieren? - Was wird passieren, wenn wir diesen einen Parameter ändern? - Was passiert als nächstes? - Welche Handlungsempfehlungen gibt es? |
| Methoden | - Bericht erstatten (KPIs, Messgrößen) - Automatisierte Überwachung/Alarmierung (Schwellenwerte) - Dashboards - Scorecards - OLAP (Würfel, Sclice & Dice, Drilling) - Ad-hoc Abfrage | - Predictive Modeling - Data Mining - Text Mining - Big Data Analytics - Descriptive Modeling - Statistische/Quantitative Analyse - Simulation & Optimierung - Machine Learning - Künstlich Neuronale Netze |
| Big Data | Ja | Ja |
| Datentypen | Strukturiert, manche unstrukturiert | Strukturiert und unstrukturiert |
| Wissensgenerierung | Manuell | Automatisch |
| Benutzer | Gewerbliche Nutzer | Data Scientists, Wirtschaftsanalytiker, IT, Gewerbliche Nutzer |
| Unternehmerische Initiativen | Rückwirkend | Vorausschauend und Präskriptiv |
Zur Abgrenzung von Predictive und Prescriptive Analytics
Im Big-Data-Zeitalter geht der Trend immer mehr dahin, dass Unternehmen die großen Mengen an Daten in Data Lakes speichern. Mit explorativen Analysen lassen sich die hier verborgenen Erkenntnisse zutage fördern, wobei sich der Fokus entweder auf Vorhersagen (Predictive Analytics) oder auf Handlungsempfehlungen setzen lässt (Prescriptive Analytics).
Die Unterscheidung von Predictive Analytics und Prescriptive Analytics ist manchmal marginal, weil auch aus Vorhersagen beispielsweise wann die Wartung einer Maschine durchgeführt werden muss, eine Handlung abgeleitet wird. Dennoch lässt sich allgemein sagen, dass sich mit Predictive Analytics und Prescriptive Analytics die zwei wesentliche Teilaspekte von Advanced Analytics darstellen lassen.
Advanced Analytics in der Praxis
Die Anwendungsbereiche von Advanced Analytics lassen sich kaum auf bestimmte Branchen beschränken. Sinnvolle Use Cases lassen sich in nahezu allen Industrien und Wirtschaftsbereichen finden. Bestimmte Anwendungsszenarien liegen dabei mehr auf der Hand wie Risikomanagement oder Churn Prediction zur Verhinderung der Kundenabwanderung. Aber selbst zur besseren Einsatzplanung des Teams in einem Ladengeschäft können Advanced-Analytics-Methoden eingesetzt werden.
Durch die immer stärker wachsende Flut an Daten und deren leichte Verfügbarkeit beispielsweise durch Cloud-Lösungen bietet sich eine wertsteigernde Nutzung der Daten geradezu an, um die unternehmerischen Prozesse nicht nur besser zu verstehen, sondern auch besser steuern zu können.
Analysewerkzeuge und Analysetechniken
Ein großer Vorteil bei der Anwendung von Advanced Analytics ist, dass viele Analysewerkzeuge Open-Source-Tools sind und damit kostenlos verfügbar sind. Insbesondere in der initialen Phase, in der es um den Proof of Concept geht, bieten sich Tools wie Hadoop, Hive oder Spark an.
Darauf aufbauend wählt der Data Scientist dann anhand der konkreten Fragestellung eine der gängigen Analysetechniken, um bestimmte Fragestellungen zu beantworten. Zu den Advanced Analytics Methoden zählen beispielsweise:
- Deep Learning oder Machine Learning
- Neuronale Netzwerke
- Text Mining bzw. Data-Mining
- Clusterverfahren
- Entscheidungsbäume
Bessere Entscheidungsqualität durch Advanced Analytics
Einer der Treiber bei der Verwendung von Advanced-Analytics-Lösungen ist der Wunsch, bessere Entscheidungen zu treffen. Spätestens im Big-Data-Zeitalter ist es notwendig geworden, aus den täglich mehr werdenden Daten gewinnbringende Erkenntnisse zu fördern. Allein aufgrund der teilweise hohen Aufwendungen, die zur Erhebung, Speicherung und Verwaltung von Daten notwendig sind, ergibt es Sinn, diese zur Steigerung der wirtschaftlichen Erträge zu nutzen.
Advanced-Analytics-Methoden führen ganz allgemein dazu, dass die Qualität von Entscheidungen steigt, weil diese auf datenbasierten Prognosen beruhen. Dabei bietet es sich für den Beginn an, einzelne Anwendungsbereiche zu identifizieren, um positive Erfahrung mit Advanced Analytics zu sammeln, diese aber in eine umfassende, ganzheitliche Datenstrategie einzubetten.
0 Kommentare