Data Analytics bezeichnet den Prozess der Exploration, Transformation und Analyse von Daten, um aussagekräftige Erkenntnisse und Effizienzsteigerungen zu ermitteln und so die Entscheidungsfindung zu unterstützen.

Was ist Data Analytics?

Data Analytics bezeichnet den Prozess der Exploration, Transformation und
Analyse von Daten, um Trends und Muster zu finden, die aussagekräftige
Erkenntnisse liefern und zu Effizienzsteigerungen führen, und so die
Entscheidungsfindung unterstützen. Eine moderne Data-Analytics-Strategie
ermöglicht es Systemen und Organisationen, auf Grundlage von automatisierten
Echtzeit-Analysen zu handeln, um wirkungsvolle, sofortige Ergebnisse zu
gewährleisten.

Der Data-Analytics-Prozess

Der Prozess von Data Analytics basiert auf mehreren Schritten und Phasen.
Erkenntnisse aus einer späteren Phase erfordern es möglicherweise, einen
Schritt zurückzugehen, um eine frühere Phase zu überarbeiten, sodass es sich
eher um einen zyklischen als um einen linearen Prozess handelt. Erfolgreiche
Data-Analytics-Prozesse benötigen vor allem Wiederholbarkeit und
Automatisierung zwischen den einzelnen Schritten.

Der Prozess von Data Analytics lässt sich am besten in die folgenden Schritte
und Phasen unterteilen:

 

data input
Dateneingabe: Bestimmen Sie die Anforderungen und sammeln Sie die Daten. Dazu gehört ein wenig Ermittlungsarbeit, wie z. B. Gespräche mit Stakeholdern zu führen, herauszufinden, wer über die Daten verfügt, und Zugriff auf die Daten selbst zu erlangen.
data preparation
Datenvorbereitung: Tdie Strategie und Taktik, Daten für ihren eigentlichen Zweck vorzubereiten, um Analyseerkenntnisse zu gewinnen. Dazu gehört das Bereinigen und Konsolidieren von Rohdaten in gut strukturierte Daten, die bereit zur Analyse sind. Das schließt auch das Testen der Ergebnisse an jedem Abschnitt des Vorbereitungsprozesses mit ein, um sicherzustellen, dass die Analyse die gewünschten Ergebnisse liefert.
data exploration
Datenexploration: Datenexploration oder explorative Datenanalyse bezeichnet die Prüfung und Untersuchung eines großen Datasets mithilfe von Stichproben, statistischer Analyse, Mustererkennung, visueller Profilierung und mehr. Die Methoden sind nicht notwendigerweise wissenschaftlich oder aussagekräftig, sondern
dienen vielmehr dazu, ein Verständnis zu entwickeln, das zu einer fundierteren Datentransformation führt.
data enrichment
Datenanreicherung: Anreichern und Ergänzen von Daten mit zusätzlichen Eingaben und Datensätzen, um eine Analyse zu vertiefen. Dieser Schritt im Data-Analytics-Prozess ist für die Gewinnung neuer Erkenntnisse entscheidend, indem Daten aus einer neuen Perspektive betrachtet werden.
data science
Data science: Die Anwendung fortschrittlicherer Datenmethoden für tiefergehende, schwerer extrahierbare Bedeutungen und Erkenntnisse, die mit grundlegenden Datenverarbeitungsmethoden meist unzugänglich sind. Dazu gehören Algorithmen, Modelltraining, Machine Learning (oder ML), künstliche Intelligenz (oder KI), um nur einige zu nennen.
business intelligence
Business intelligence: Das Gesamtergebnis der Daten, Software, Infrastruktur, Geschäftsprozesse und menschlichen Intuition einer Organisation. Die Ergebnisse liefern mithilfe von Berichten, Dashboards und Visualisierungen umsetzbare Erkenntnisse, um fundierte Geschäftsentscheidungen treffen zu können.
reporting
Berichterstellung: Die Ergebnisse der Data Analytics müssen auf effektive Weise weitergegeben werden, sodass das erworbene Wissen erhalten bleibt. Bei der Berichterstellung wird dieses Wissen mit den Ergebnissen in einem leicht verständlichen Format aufbereitet.
optimization
Optimierung: Da sich Variablen im Laufe der Zeit ändern, müssen die Modelle optimiert und verbessert werden, um ihren ursprünglichen Zweck weiterhin zu erfüllen, oder um sich von diesem Zweck aus auf Grundlage neuer Eingaben oder sich ändernder Eigenschaften weiterzuentwickeln.

Arten von Data Analytics

Types of Data Analytics

Es gibt verschiedene Arten von Data Analytics. Diese sind wie folgt:

  • Diagnostic Analytics: beantwortet die Frage: „Was ist
    passiert?“ (Wie hoch war unser Umsatz in der letzten Woche?)
  • Diagnostic analytics: beantwortet die Frage: „Warum ist das
    passiert?“ (Warum ist unser Umsatz gegenüber der Vorwoche gestiegen?)
  • Predictive Analytics: beantwortet die Frage: „Was wird
    passieren?“ (Wie hoch wird unserer Meinung nach der Umsatz derselben
    Geschäfte während der Weihnachtszeit sein?)
  • Prescriptive Analytics: beantwortet die Frage: „Was soll
    ich tun?“ (Auf Grundlage unserer Prognosen empfehlen wir, mehr von einem
    bestimmten Produkt zu liefern, um einen Fehlbestand zu verhindern.)

Mithilfe von deskriptiven und diagnostischen Analysen können Datenanalysten
und Führungskräfte sich miteinander abstimmen. Diese Prozesse sind die
Bausteine, die den Weg für differenziertere Erkenntnisse aus Predictive und
Prescriptive Analytics ebnen.

Aufbau einer ausgereiften Data-Analytics-Grundlage

Daten sind heutzutage in jedem System und jeder Organisation allgegenwärtig.
Viele Systeme und Organisationen nutzen Analysen, um ihre Prozesse zu
verbessern oder wirkungsvolle Ergebnisse zu erzielen. Es steht daher außer
Frage, dass Data Analytics wichtig ist. Das Hauptaugenmerk moderner
Organisationen liegt auf der Entwicklung einer ausgereiften Strategie für Data
Analytics – eine Strategie, die Erkenntnisse in Echtzeit sowie
zukunftsorientierte Entscheidungen gewährleistet.

Eine moderne Analyselösung ist auf Automatisierung angewiesen

Innerhalb der praktischen Data Analytics gibt es eine Vielzahl von
Punktlösungen, die auf die zuvor im Data-Analytics-Prozess erwähnten Schritte
oder Phasen abgestimmt sind. Ein Kernproblem des Punktlösungsansatzes ist
jedoch das Unvermögen, den End-to-End-Data-Science- und Analyseprozess einfach
zu automatisieren.
Analyseautomatisierung
ermöglicht eine Echtzeitanalyse, da sie auf einer Grundlage der
Automatisierung während des gesamten Analysewegs in einer einzigen
Analyselösung aufgebaut ist.

Mit der Einführung der Automatisierung von Data Analytics können Analyseteams
und Organisationen jeden einzelnen Teil ihres Analyseprozesses automatisieren
– von der anfänglichen Dateneingabe über Datenbereinigung, Datenanreicherung,
Data Science und Machine Learning bis hin zum Schreiben der Daten in relevante
Apps, Cloud-Datenbanken, BI-Plattformen usw. – alles in einer einzigen
Analyselösung.

Eine moderne Organisation benötigt ein Kompetenzzentrum für
Analysen

Darüber hinaus erfordert die Fähigkeit eines Unternehmens, in der
aufstrebenden digitalen Wirtschaft wettbewerbsfähig zu sein, schnellere,
zukunftsorientierte Entscheidungen. Moderne Systeme und Organisationen, die
sich digital transformieren wollen, müssen daher eine moderne Strategie für
Data Analytics als
„wichtigsten Faktor“ ihrer Bemühungenbetrachten.

Aufbau eines Kompetenzzentrums für Data Analytics

Ein Kompetenzzentrum meint eine zentralisierte Analyse-Rolle, die im gesamten
Unternehmen eine Kultur effektiv etabliert und implementiert, bei der Data
Analytics an erste Stelle steht. Das Ziel besteht darin, betriebliche
Effizienz und Prozesse zu verbessern, was zu einer wirkungsvollen,
organisationsweiten Entscheidungsfindung und Geschäftsergebnissen in Echtzeit
führt. Mit einem effektiven Kompetenzzentrum können Unternehmen intern
geleitete Trainings, Beratung, Hilfestellung und Unterstützung erhalten, Best
Practices fördern, ein Framework für Methoden zur Analysemodellierung
implementieren und den ROI von Analyseinvestitionen maximieren.

Ein erfolgreiches Kompetenzzentrum ist außerdem das Mittel, um Daten,
Analysen, Prozesse und Menschen miteinander zu verbinden. Durch das
Zusammenspiel dieser vier Säulen wird sichergestellt, dass Daten in der
gesamten Organisation demokratisiert werden. Es befähigt Analysten dazu, sich
zu Citizen Data Scientists zu entwickeln, es automatisiert den Analyseprozess
auf dem gesamten Analyseweg und vereinfacht die Weiterbildung der Mitarbeiter.

Die Daten untermauern die Investition in ein starkes Kompetenzzentrum: Eine
kürzlich durchgeführte Umfrageweist auf den Katalysatoreffekt eines einzigen, unternehmensweit
einheitlichen Satzes von Tools und Methoden für den Zugriff auf und die
Analyse von Daten hin und stellt fest, dass von den 26 % der Unternehmen, die
dies richtig machen, 80 % ihre Geschäftsziele übertroffen haben. Und in
Unternehmen, in denen die gesamte Belegschaft in der Nutzung von Daten
geschult war, übertrafen 88 % die Geschäftsziele, im Vergleich zu lediglich 61
% der Unternehmen mit wenigen geschulten Mitarbeitern.

Anwendungsfälle moderner Data Analytics

Die Anwendungsfälle für Data Analytics in einer digitalen Welt sind nahezu
endlos – von der Prognose von Kundenverhalten auf der Grundlage von
Omnichannel-Interaktionen bis hin zur Vorhersage von Veränderungen innerhalb
einer Lieferkette aufgrund von Naturkatastrophen. Sehen wir uns einige der
gängigsten Beispiele aus unterschiedlichen Branchen an.

 

Lieferkette

Konsumgüter/Einzelhandel

Gesundheitswesen

Öffentlicher Bereich

Finanzdienstleistungen

  • Compliance bei internationalen Finanzdelikten:
    MUFG Bank
  • Zentralisierte Analysestrategie:
    UBS
  • Personalisierte Steuerberatung:
    Brookson

Finanzabteilung

  • Betrug, Verschwendung und Missbrauch reduzieren:
    Aprio
  • Automatisierung von Buchhaltungs-, Steuer- und Finanzprozessen:
    Capitalize
  • Verbesserte Genauigkeit bei komplizierten Entitätsstrukturen:
    On-Demand Webinar

Erkunden Alteryx
Plattformtour Kostenlose Testphase
Next Term
Cloud Data Warehouse (CDW)