Möchten Sie die Vergangenheit oder den gegenwärtigen Status Quo untersuchen, spricht man von Descriptive Analytics.
19. April 2023
Bereits 2017 war im „Economist” zu lesen, dass Öl nicht mehr die weltweit wertvollste Ressource ist, sondern Daten.¹ Routiniertes Zustimmen zur Cookie Nutzung auf Webseiten, zielgerichtete Instagram Werbung oder der tägliche Blick auf den Fitnesstracker zeigen, dass der Umgang mit Daten für Endverbraucher:innen bereits Normalität geworden ist.
Für die Wirtschaft ist die Digitalisierung ein enormer Katalysator und Daten sind in Hülle und Fülle vorhanden. Doch wie können Unternehmen von den ihnen zur Verfügung stehenden Daten profitieren?
Die Antwort lautet: Data Analytics.
01 // Was ist Data Analytics und wie hilft es Unternehmen?
Vereinfacht gesagt geht es bei Data Analytics um den Prozess, Rohdaten zu extrahieren, zu organisieren und zu analysieren. Bisher unbekannte oder ungenutzte Daten sollen in kohärente, verständliche Informationen umgewandelt werden.
Die einzelnen Disziplinen von Data Analytics hängen dabei vom Blickwinkel und Ziel der Betrachtung ab:
Somit liegt der Mehrwert von Data Analytics im besseren Verständnis der vorliegenden Daten, der Möglichkeit, Zusammenhänge zu identifizieren und daraus Maßnahmen abzuleiten. Anstatt auf Annahmen können strategische Entscheidungen oder operative Veränderungen nun mithilfe von Data Analytics mit einer belastbaren Datenbasis begründet werden.
Begriffsabgrenzungen
Data Analytics,
Business Analytics
und Co.
Big Data
Big Data = Sammelbegriff für eine Vielzahl von digitalen Technologien. Daten, die in großer Vielfalt sowie Menge und mit hoher Geschwindigkeit anfallen (Variety, Volume, Velocity). Größere und komplexere Datensätze und v.a. neue Datenquellen. In so umfangreicher Form, dass herkömmliche Datenverarbeitungssoftware die Daten nicht einfach bewältigen kann. Durch die Auswertung der Daten können Unternehmen und Individuen zu wertvollen Erkenntnissen, wie z.B. Verhaltensweisen, Mustern und Abhängigkeiten, gelangen, was nur möglich ist, wenn man sprichwörtlich über den Tellerrand blickt und so viel Input wie möglich berücksichtigt.
Data Analytics
Data Analytics = Übergreifender Begriff, der nicht nur die Prozesse und Vorgehensweisen zur Exploration, Transformation und Analyse von Daten beschreibt, sondern auch die Methoden und Werkzeuge umfasst, die bei dieser Arbeit zum Einsatz kommen.
Data Analysis
Data Analysis = Eine Disziplin bzw. ein Teilprozess von Data Analytics. Data Analysis umfasst die Prozessuntersuchung, Bereinigung, Aufbereitung und Modellierung von Datensätzen Bei der Modellierung der Daten werden diese so transformiert, dass die Wertigkeit und Brauchbarkeit der Informationen gesteigert wird.
Business Analytics
Business Analytics = ist wie Data Analysis auch eine Unterkategorie von Data Analytics, wobei der Fokus hier auf der Nutzung von Data Analytics Methoden und Tools, um damit das eigene Geschäft besser zu verstehen und zukünftige Entscheidungen zu optimieren.
Business Intelligence
Business Intelligence = Im Gegensatz zu Business Analytics beschreibt Business Intelligence nicht den Vorgang der Datenanalyse sondern die technische Infrastruktur und Software Lösungen, die diesen Vorgang ermöglicht. Beispiele sind die im Toolvergleich vorgestellten Programme Power BI, Tableau und QlikSense.
02 // Der Data Analytics Prozess
Datenanbindung:
Im ersten Schritt werden eine oder mehrere Datenquellen an das Business Intelligence Tool angebunden. Die Möglichkeiten einer sinnvollen Auswertung wachsen mit der Menge und Qualität der vorhandenen Daten. Dafür benötigen die Anwender:innen Wissen über die unterschiedlichen Systeme und Daten, sodass die einzelnen Datensätze und Systeme inhaltsorientiert angebunden werden können.
Datenanalyse und Aufbereitung:
Ziel dieses Schritts ist es, verschiedene Datenquellen auf Basis von Gemeinsamkeiten wie z.B. einer wiederkehrenden Identifikationsnummer zu verknüpfen um ein durchgängiges Datenmodell zu schaffen. Dafür müssen die Daten vorher entsprechend bereinigt und in ein verarbeitbares Format gebracht werden. Diese beiden Schritte werden den Nutzer:innen mittlerweile fast gänzlich von modernen BI-Tools abgenommen. Zusätzlich unterbreiten diese Tools Vorschläge zur Verknüpfung logisch zusammenpassender Datenpunkte, sodass die entstehenden Datenmodelle die Lösung komplexer Fragen und Problemstellungen ermöglichen
Visualisierung:
Bei der Visualisierung bieten BI-Tools unterschiedliche Optionen an, um die aggregierten Daten möglichst gewinnbringend darzustellen. Mithilfe von unterschiedlichen Auswertungsergebnissen wie Kennzahlen, Diagrammen oder Tabellen können ganze Dashboards erstellt werden. Der Fokus eines Dashboards liegt dabei auf den Nutzer:innen und ihren Bedürfnissen. Es sollen alle entscheidungsrelevanten Informationen auf einen Blick geliefert werden und die Nutzer:innen motiviert werden sich intuitiv mit den Daten auseinander zu setzen. Moderne Tools bieten hier die Möglichkeit mit wenigen Klicks interaktive und ansprechende Dashboards zu erstellen. Darüber hinaus können mithilfe animierter Schaubilder sogenannte Data Storys erzählt werden.
Beispiel für eine mit Tableau erstellte Data Story von Marc Reid / https://datavis.blog/
03 // Datengestützte Prozesse und Entscheidungen
Um gewinnbringende Maßnahmen abzuleiten, müssen den Entscheidungsträger:innen die Erkenntnisse verfügbar gemacht werden. Dies kann je nach Anwendungsfall durch den Export einzelner Reports, zusammenhängender Data Stories oder über interaktive Dashboards erfolgen. Die Sicherheit sensibler Daten wird hierbei durch die Verteilung von Zugriffsberechtigungen gewährleistet und ermöglicht somit die Kollaboration aller (auch externer) Stakeholder. Die grundlegende Bereitschaft, die neuen Erkenntnisse als Basis für zukünftige Entscheidungen heranzuziehen, ist ein erfolgskritischer Faktor bei der Nutzung von Data Analytics.
04 // Wie kann acterience Sie in diesem Prozess unterstützen?
Im Data Analytics Prozess bietet acterience Unterstützung entlang der gesamten Wertschöpfungskette. Sei es bei der Auswahl und Anbindung von Daten, der Analyse und Interpretation der Daten, sowie der Aufbereitung und Visualisierung. Unsere Kunden profitieren von unserer langjährigen Expertise im Projektmanagement und unserem Know-How in der Anbindung und Nutzung verschiedener BI-Tools. Wir assistieren ab Projektstart bis hin zur Umsetzung der abgeleiteten Maßnahmen und stehen jederzeit für Fragen auf Detail- und Konzeptebene zur Verfügung.
Zu Projektbeginn erörtern wir in einem gemeinsamen Workshop zunächst die unterschiedlichen Fragestellungen und Anforderungen. Gemeinsam definieren wir ein klares Ziel und identifizieren die wichtigsten Stakeholder. Unter Betrachtung des jeweiligen Projektkontext kann nun die Umsetzung wie z.B. die Einführung eines entsprechenden BI-Tools erfolgen.
Operative Expertise bringen wir in gängigen Tools wie Qlik Sense, Power BI und Tableau mit. Wir betreuen Schritt für Schritt die Integration der ausgewählten Software in die bestehende Systemlandschaft und sind Sparringspartner für die Bereitstellung und Interpretation der Ergebnisse. Die Auswertungen können automatisiert oder auf Abruf für die gewünschte Zielgruppe zur Verfügung gestellt werden. Die Anforderungen an Visualisierungen unterscheiden sich je nach Projektkontext in ihrer jeweiligen Detailtiefe und lassen sich unterschiedlich individualisieren. Fachabteilungen wie Sales, Marketing, HR, Produktmanagement, Finance oder Controlling arbeiten anschließend mit intuitiven und interaktiven Reports oder Berichten, die jederzeit als Self-Service-Anwendung zur Verfügung stehen.
Markus Barnet | Partner
Tel: +49 (0)89 1894 6833
info@acterience.com
Weitere Themen
#AndroidAutomotive
Der Einfluss von Android Automotive auf die Automobilindustrie – Die Zukunft digitaler Fahrzeugservices
#Konzeptsprints
Von der Konzeptidee zum Rollout – wie Konzeptsprints helfen Funktionen erlebbar zu machen.
Photos: Kiattisak/stock.adobe.com; Open Studio/stock.adobe.com; NDABCREATIVITY/stock.adobe.com; Maridav/stock.adobe.com
Quellen:
¹The Economist: https://www.economist.com/leaders/2017/05/06/the-worlds-most-valuable-resource-is-no-longer-oil-but-data;
²Tableau Data Story: https://public.tableau.com/app/profile/marc.reid/viz/Howhastheworldchangedsince1962/WorldIndicators
Quellen:
¹The Economist: https://www.economist.com/leaders/2017/05/06/the-worlds-most-valuable-resource-is-no-longer-oil-but-data;
²Tableau Data Story: https://public.tableau.com/app/profile/marc.reid/viz/Howhastheworldchangedsince1962/WorldIndicators
