Advanced Analytics

Andrea Gillhuber,

Die Grenzen von Advanced Analytics

Advanced-Analytics-Anwendungen können in vergangenheitsbezogenen Daten versteckte Muster und Zusammenhänge aufzeigen und diese auf zukünftige Ereignisse projizieren. Das macht Geschäftsplanungen wesentlich einfacher und schneller. Allerdings hat die Technologie auch ihre Grenzen. Nur wenn bestimmte Bedingungen erfüllt sind, lässt sich ihr Potenzial ausschöpfen. 

Advanced-Analytics-Anwendungen können in vergangenheitsbezogenen Daten versteckte Zusammenhänge aufzeigen und auf zukünftige Ereignisse projizieren. © Cubeware

Die digitale Transformation führt zu einer explosionsartigen Vermehrung der Datenbestände. Heutige Unternehmen müssen in der Lage sein, mit wachsenden Mengen an unterschiedlichen Daten umzugehen und immer wieder neue externe sowie interne Datenquellen nutzbar zu machen. Moderne Analyse-Tools leisten dabei wertvolle Dienste. Mit Advanced Analytics, einer logischen Erweiterung von Business Intelligence (BI) und Business Performance Management (BPM), lassen sich sogar künftige Entwicklungen und Ereignisse relativ genau vorhersagen.

Während traditionelle BI-Tools historische Daten untersuchen und analysieren, ist Advanced Analytics in der Lage, in bestehenden Daten versteckte Muster und Zusammenhänge automatisiert aufzuzeigen und sie mittels statistischer Verfahren auf die Zukunft zu projizieren. Verfügt die Anwendung über ein KI-Modul (Künstliche Intelligenz), lernt sie sogar, auf Basis der Ergebnisse weitere Prognosen aufzustellen. Dadurch lassen sich Planungsprozesse deutlich vereinfachen und beschleunigen sowie der Detailgrad von Planungen erhöhen. Zudem ermöglichen Advanced-Analytics-Anwendungen, What-if-Analysen zu erstellen – etwa um die Auswirkungen einer neuen Geschäftsstrategie vorwegzunehmen.

Anzeige

Immer mehr Organisationen wollen von diesen Vorteilen profitieren. Einer Studie des Business Application Research Centers (BARC) zufolge gaben Anfang letzten Jahres zehn Prozent der deutschen Unternehmen an, häufig Advanced Analytics zu nutzen. Anfang 2018 waren es noch fünf Prozent. Wichtige Treiber sind vor allem die Fachbereiche: In fast einem Drittel der befragten Unternehmen (31 Prozent) arbeiten Key User aus den Fachabteilungen mit Advanced Analytics. Die Analysten von BARC gehen aber davon aus, dass hier künftig auch die Zahl der Gelegenheitsanwender steigen wird. Denn nicht jede Auswertung basiert auf hochkomplexen Algorithmen, die modelliert und justiert werden müssen und fundierte analytische und statistische Kenntnisse erfordern. Einfache Prognosen können Mitarbeiter aus den Fachbereichen nach einer entsprechenden Schulung durchaus auch selber erstellen, sofern sie über gute Kenntnisse des jeweiligen Geschäftsfalls sowie über ein gewisses Datenverständnis verfügen.

Aussagekräftige Datenbasis, definierte Rahmenbedingungen

Allerdings hat auch Advanced Analytics seine Grenzen. Das reine Füttern statistischer Modelle oder künstlicher Intelligenzen mit Daten wird kurzfristig nicht zu fundamental neuen Ergebnissen führen. Es bedarf gewisser Rahmenbedingungen und einer realistischen Einschätzung, um hier erfolgreich zu sein. Um Muster und Zusammenhänge in bestehenden Daten entdecken und valide Vorhersagen daraus ableiten zu können, muss zunächst die Basis geschaffen werden. Das heißt: Es müssen die richtigen Daten in der erforderlichen Qualität und Granularität sowie mit ausreichender Historie ausgewählt und integriert werden.

Auch ein tiefes Verständnis für das eigene Geschäftsmodell ist entscheidend für die erfolgreiche Entwicklung von Modellen. Denn nur, wenn beobachtete Faktoren in einer Ursache-Wirkungs-Beziehung stehen, können daraus abgeleitete Maßnahmen die gewünschte Wirkung erzielen. Prognosen auf Basis von Korrelationen ohne Kausalität sind für die Unternehmenssteuerung in der Regel nicht hilfreich.

Zudem ist Advanced Analytics keine Glaskugel. Bei Ereignissen, die nicht aus Vergangenheitsdaten erlernt werden können, stößt die vorhersagende Algorithmik an ihre Grenzen. Damit Modelle ihre Aussagekraft behalten, dürfen sich abgebildete Zusammenhänge in der Zukunft nicht ändern – sie müssen aus der Vergangenheit ableitbar sein. So lassen sich bei dynamischen Zusammenhängen, beispielsweise aus einem volatilen Geschäftsmodell, nur schwer historische Daten für valide und längerfristige Prognosen heranziehen. Auch extreme Werte oder bislang nicht bekannte Abhängigkeiten können die Vorhersagen verfälschen. Nur wenn sich die Rahmenbedingungen nicht häufig ändern, ergibt sich ein ausreichender historischer Kontext, der die beobachteten Faktoren in eine Ursache-Wirkungs-Beziehung stellen kann.

Mit Advanced Analytics lassen sich aus Vergangenheitsdaten verlässliche Prognosen für die Zukunft ableiten. © Cubeware

Auch ein einzelnes Vorhersagemodell, das für einen bestimmten Anwendungsfall konzipiert und trainiert wurde, hat keinen Anspruch auf Allgemeingültigkeit. Da sich beispielsweise die Marktbedingungen und das Kundenverhalten ändern können, müssen die entsprechenden Modelle und Prognosen regelmäßig überprüft und unter Umständen angepasst werden. Nur bei evolutionären Modellen lassen sich verlässliche Ergebnisse aus Daten ableiten und können so als Orientierung für Entscheidungen dienen.

Fachliches Know-how und analytisches Verständnis sind gefragt

Hinzu kommt: Algorithmen liefern zwar viele Daten, aber nicht immer verwertbare Erkenntnisse. Oft errechnen sie triviale, manchmal sogar falsche Kausalitäten und erkennen naheliegende Zusammenhänge nicht. Wichtig ist es daher, die algorithmisch erzeugten Korrelationen auf ihre tatsächliche Aussagekraft und Bedeutung zu interpretieren. Und dazu benötigt der Anwender fundiertes fachliches Know-how. Er muss einschätzen können, an welchem Punkt er aus fachlicher Sicht mit den Analysen ansetzen will und welche Datenquellen er zu diesem Zweck anzapfen muss. Die Technologie ist kein Selbstzweck, sondern ein „Enabler“: Nur ein Anwender, der die richtigen Fragen stellt, kann die Daten als Grundlage für innovative Gestaltungsoptionen nutzen.

Auch ein versierter Umgang mit den Analysetools sowie statistische Kenntnisse sind wichtige Voraussetzungen, um aus Daten die richtigen Erkenntnisse zu ziehen. Daran hapert es jedoch noch vielerorts. Mangelnde Ressourcen in der IT und den Fachbereichen, Datenschutzthemen sowie ein fehlendes analytisches Verständnis in den Fachabteilungen sind den BARC-Analysten zufolge derzeit die größten Hürden bei der Umsetzung von Advanced Analytics.

Externe Anbieter können in solchen Fällen Unterstützung bieten – etwa in Form von etablierten Vorgehensmodellen, die ihre Anwender dabei unterstützen, effiziente, transparente und agile Advanced-Analytics-Anwendungen zu entwickeln. Auf Basis der Cubeware Solutions Platform und dem Modul „Cubeware Advance“ beispielsweise sind Unternehmen in der Lage, solche Anwendungen innerhalb einer einzigen Software-Plattform zu erstellen und sie den Entscheidern gemäß ihren Aufgaben über verschiedene Kanäle zugänglich zu machen.

Christian Kleih, Cubeware / ag

Anzeige

Das könnte Sie auch interessieren

Anzeige

CeBIT 2017

Servicemanagement in Echtzeit

Die ams.group stellt die Weiterentwicklung ihres Industrie 4.0-Portfolios ins Zentrum ihres diesjährigen CeBIT-Auftritts. Dass Einzel-, Auftrags- und Variantenfertiger den Nutzen der vierten industriellen Revolution bereits jetzt erschließen können,...

mehr...
Anzeige
Anzeige
Anzeige

Cloud/ERP

Cosmo in der Cloud

Die Cosmo Consult-Gruppe, Europas größter Microsoft ERP-Partner, hat seit dem 30. Juni 2016 den Status eines Microsoft Cloud Solution Providers (CSP). Erste Aufträge konnte Cosmo Consult nun bereits vermelden.

mehr...
Anzeige
Anzeige
Anzeige

Newsletter bestellen

Immer auf dem Laufenden mit dem SCOPE Newsletter

Aktuelle Unternehmensnachrichten, Produktnews und Innovationen kostenfrei in Ihrer Mailbox.

AGB und Datenschutz gelesen und bestätigt.
Zur Startseite