4 Methoden der Datenanalyse: ein Überblick für tiefere Einblicke

Alex Bekker

Alex Bekker

Alex Bekker

Alex Bekker

Alex Bekker ist Leiter der Abteilung Data Analytics in ScienceSoft, einem Unternehmen für IT-Beratung und Softwareentwicklung. Alex hat mehrere Projekte in den Bereichen wie Business Intelligence, Big Data, Data Analytics geleitet und auch den Unternehmen geholfen, die Vorteile von Data Science und maschinellem Lernen zu nutzen. Zu seinen größten Projekten gehören: Big-Data-Analyse für die Musterendeckung in der Mediennutzung in mehr als 10 Ländern; die Analyse von Eigenmarken-Produkten für mehr als 18.500 Produzenten, BI für 200 Gesundheitszentren.

Veröffentlicht:
Aktualisiert: 

Werfen wir einen Blick zurück ins 17. Jahrhundert, als John Dryden geschrieben hat: „Wer nach Perlen sucht, muß tief tauchen.“ Obwohl der Autor nicht Advanced Data Analytics gemeint hat, beschreibt dieses Zitat perfekt ihr Wesen. Basierend auf unserer Erfahrung in Data Analytics und Praxisbeispielen erörtern wir in diesem Blogbeitrag, wie tief man in Daten eintauchen sollte, um notwendige und auf Fakten basierende Einblicke zu gewinnen.

Methoden der Datenanalyse

Laut dem Analytics-Reifegradmodell von Gartner gibt es 4 Methoden der Datenanalyse, die von der einfachsten bis zur anspruchsvollsten Stufe differenziert werden. Je komplexer eine Analyse ist, desto mehr Wert - sprich Wettbewerbsvorteile - kann sie bringen.

4 Methoden der Datenanalyse im Überblick

Descriptive Analytics

Bei der Descriptive Analytics (deskriptiven bzw. beschreibenden Datenanalyse) geht es um Daten aus der Vergangenheit, die dabei helfen, die Frage zu beantworten: Was ist passiert? Eine Gesundheitseinrichtung kann z. B. erfahren, wie viele Patienten im letzten Monat stationär aufgenommen wurden; ein Händler – wie hoch der durchschnittliche Umsatz pro Woche ist; ein Hersteller – wie viele Artikel im letzten Monat zurückgegeben wurden usw. Aber betrachten wir lieber ein Beispiel aus unserer Praxis, um diese Methode zu veranschaulichen: unser Team half einem Hersteller, auf der Basis von Einnahmen, monatlichem Umsatz pro Produktgruppe, Einkommen nach Kundengruppen, Gesamtmenge an produzierten Metallteilen pro Monat Entscheidungen zu treffen, auf welche Kategorein er sich konzentrieren wird.

Die Descriptive Analytics ermöglicht, Rohdaten aus mehreren Datenquellen zu jonglieren, um wertvolle Einblicke in die Vergangenheit zu erhalten. Aber diese Ergebnisse zeigen nur, was falsch und was richtig ist, ohne zu erklären, warum es so ist. Aus diesem Grund setzen datengetriebene Unternehmen die Descriptive Analytics in Kombination mit anderen Methoden der Datenanalyse ein.

Diagnostic Analytics

In dieser Stufe können historische Daten mit anderen verglichen werden, um die Frage zu beantworten: Warum ist etwas passiert? Mit der Diagnostic Analytics (diagnostischen Analyse) ist es möglich, Ursachen und Aus- sowie Wechselwirkungen zu klären, Folgen zu analysieren und Muster zu identifizieren. Unternehmen entscheiden sich für diese Methode der Datenanalyse, um tiefgehende Einblicke in ein bestimmtes Problem zu erhalten. Gleichzeitig sollte ein Unternehmen über detaillierte Informationen verfügen, weil ansonsten die Datenerfassung für jedes Problem individuell durchgeführt werden muss, was sehr zeitaufwendig ist.

Unser Beispiel zeigt, wie eine BI-Lösung einem Kunden im Gesundheitswesen ermöglicht hat, Patientendaten von verschiedenen Gesundheitsdienstleistern auf einer Plattform zusammenzuführen, Berichte und Dashboards mit nutzvollen Informationen zu erstellen, um darauf basierend Ereigniswahrscheinlichkeiten bei anderen Patienten einzuschätzen und dadurch Risikos zu reduzieren.

Predictive Analytics

Die Predictive Analytics (prädiktive Analyse bzw. Vorhersageanalyse) steht zur Seite, um in die Zukunft zu blicken, und versucht das Folgende herauszufinden: Was könnte bzw. wird in Zukunft passieren? Diese Methode der Datenanalyse ermöglicht es, basierend auf den Ergebnissen von deskriptiven und diagnostischen Analysen, Tendenzen zu ermitteln, Abweichungen von Normwerten frühzeitig zu erkennen und zukünftige Trends möglichst genau vorherzusagen. Die Predictive Analytics verwendet ausgefeilte Algorithmen und moderne Technologien, um zukünftige Prognosen zu erstellen. Aber obwohl diese Methode zahlreiche Vorteile mit sich bringt, ist es wichtig zu verstehen, dass Prognosen nur Schätzungen sind, deren Genauigkeit in hohem Maße davon abhängt, wie hoch die Datenqualität ist und inwiefern die Situation stabil bleibt.

Dank der Predictive Analytics und ihrem proaktiven Charakter kann ein Telekommunikationsunternehmen beispielsweise Abonnenten identifizieren, die am wahrscheinlichsten ihre Kosten reduzieren können, und gezielte Marketingaktivitäten planen und durchführen, um das zu vermeiden; ein Managementteam kann die Risiken mittels Cashflow-Analysen und -Prognosen abwägen, bevor es in den Ausbau seines Unternehmens investiert. Eines unserer Praxisbeispiele beschreibt, wie Advanced Data Analytics einem führenden FMCG-Unternehmen ermöglichte, vorherzusagen, was es nach einer Änderung der Markenpositionierung erwarten kann.

Prescriptive Analytics

Die Prescriptive Analytics (präskriptive bzw. verordnende Analyse) ist darauf abgezielt, buchstäblich zu verordnen: Welche Maßnahmen sind zu treffen, um ein künftiges Problem zu beseitigen oder zu verhindern und das Potenzial vielversprechender Trends voll auszuschöpfen. Ein Beispiel für die Prescriptive Analytics aus unserem Projektportfolio: Ein multinationales Unternehmen konnte in seinem CRM-System auf der Basis von Customer Analytics und Verkaufshistorie Opportunities für Wiederholungskäufe identifizieren.

Diese modernste Methode der Datenanalyse erfordert nicht nur historische Daten, sondern auch aktuelle Informationen aus externen Datenquellen, was ermöglicht, Vorhersagen laufend zu aktualisieren. Dabei werden verschiedene fortschrittliche Tools und Technologien wie maschinelles Lernen, Business Regeln, Szenarien, Simulationsmodelle, neurale Netze eingesetzt, was die Implementierung und das Management noch komplexer macht. Aus diesem Grund sollte ein Unternehmen erforderliche Anstrengungen mit dem erwarteten Mehrwert vergleichen, bevor es diese Methode der Datenanalyse ins Spiel kommen lässt.

Welche Methoden sind nachgefragt?

Um zu verstehen, ob es eine bevorzugte Methode der Datenanalyse gibt, untersuchen wir Ergebnisse verschiedener Studien zu diesem Thema für den Zeitraum 2016-2019.

Für das 2016 Global Data and Analytics Survey: Big Decisions hat PwC mehr als 2.000 Geschäftsführer gefragt, welche aus 3 angebotenen Kategorien den Entscheidungsprozess ihres Unternehmens am besten beschreibt und wie muss die Entscheidungserfindung 2020 aussehen? Außerdem wurden Führungskräfte aus der Reihe der Chief Officers (C-Level) auch befragt, auf welche Methode der Datenanalyse sie sich am meisten verlassen. Die Studie liefert die folgenden Ergebnisse:

  • In der Kategorie „Die Entscheidungsfindung ist selten datengetrieben“ dominiert die Descriptive Analytics (58%).
  • In der Kategorie „Zum Teil datengetrieben“ wird die Diagnostic Analytics bevorzugt (34%);
  • Die Predictive Analytics lag in der Kategorie „Hoch datengetrieben“ an der Spitze (36%).

Diese Umfrage ergab, dass verschiedene Methoden der Datenanalyse in verschiedenen Phasen der Unternehmensentwicklung nachgefragt sind. Die Unternehmen, die danach streben, datengetriebene Entscheidungen zu treffen, halten die Descriptive Analytics für unzureichend und verwenden auch die Diagnostic Analytics oder gehen noch einen Schritt weiter und lassen die Predictive Analytics ins Spiel kommen.

Für eine andere Umfrage – BARC’s BI Trend Monitor 2017 – haben 2.800 Topmanager ihre Meinung über die wachsende Bedeutung von Advanced und Predictive Analytics geteilt. Der Begriff „Advanced Analytics“ gilt dabei als Oberbegriff für solche Methoden wie die Predictive und Prescriptive Analytics.

Laut dem 2018 Advanced and Predictive Analytics Market Research haben die meisten Befragten zum ersten Mal die Advanced und Predictive Analytics als „entscheidend“ oder „sehr wichtig“ betrachtet.

Im BARC's BI Trend Monitor 2019 Survey glauben die Führungskräfte aus dem C-Level, dass die Advanced Analytics eines der wichtigsten und aktuellsten Business Intelligence Trends ist.

Zusammenfassend

Je nachdem, wie tief Unternehmen in die Datenanalyse eintauchen und datengetrieben handeln möchten, können sie unter verschiedenen Methoden der Datenanalyse eine passende auswählen, die ihre Geschäftsanforderungen am besten erfüllen kann. Dabei muss man auch berücksichtigen, dass die Descriptive und Diagnostic Analytics einen reaktiven Ansatz verfolgen, während die Predictive und Prescriptive Analytics einen proaktiven Charakter haben. Mittlerweile zeigen die aktuellen Trends, dass Advanced Analytics mit jedem Jahr an Bedeutung gewinnt und immer mehr Anwendungsmöglichkeiten in verschiedenen Branchen anbietet.

Datenanalyse und Beratung

Möchten Sie datengetriebene Entscheidungen treffen? Wir helfen Ihnen, Ihre historischen und Echtzeitdaten in umsetzbare Erkenntnisse zu verwandeln und Prognosen zu erstellen.