Advanced Analytics

Aus der Vergangenheit für die Zukunft lernen

Peter Küssner, Geschäftsführer von Cubeware, im Interview über das Potential von Advanced Analytics.

Peter Küssner, Geschäftsführer von Cubeware

Laut Peter Küssner kommt früher oder später jedes Unternehmen an den Punkt, wo beschreibende und diagnostische Systeme das Interesse nicht mehr alleine befriedigen können.

IT-DIRECTOR: Was können neue Technologien wie Machine Learning inzwischen bei der Datenanalyse leisten – und was nicht?
P. Küssner:
Wie alles hat auch Advanced Analytics seine Grenzen. Das reine Füttern statistischer Modelle oder Künstlicher Intelligenz mit Daten wird kurzfristig nicht zu fundamental neuen Ergebnissen führen. Es bedarf gewisser Rahmenbedingungen und einer realistischen Einschätzung, um erfolgreich zu sein.

Während die Vorteile bei Geschwindigkeit, Datenvolumina und dem Detailgrad von Analysen und Planungen unbestritten sind, wird die Qualität der Ergebnisse, Prognosegüte und Nachvollziehbarkeit im Vergleich zu menschlichen Analysten heiß diskutiert. Wichtig ist also zu klären, in welchen konkreten Umgebungen und Anwendungsfällen sich Advanced Analytics bewährt und in welchen sie zwar viele Daten liefert, aber kaum verwertbare Einsichten. Bereiche, in denen die vorhersagende Algorithmik an die Grenzen stößt, sind Ereignisse, die nicht aus Vergangenheitsdaten erlernt werden können.

IT-DIRECTOR: Worin unterscheiden sich Advanced Analytics und Business Intelligence?
P. Küssner: Um eines gleich von vornherein klarzustellen: Ohne Business Intelligence kann es keine Advanced Analytics geben. Denn ohne die beschreibende und diagnostische Auseinandersetzung mit historischen Daten fehlt Advanced Analytics eine wichtige, wenn nicht sogar die wichtigste Grundlage. Um es stark verkürzt zu sagen: Ohne die Vergangenheit keine Zukunft.

Advanced Analytics hat für uns zwei wesentliche Ansätze: Zum einen ist es die in die Zukunft gerichtete Erweiterung der Business Intelligence, bei der Prognosen der zukünftigen Entwicklungen stärker im Vordergrund stehen als die Analyse der Ist-Situation beziehungsweise der Vergangenheit. Zum anderen kann Advanced Analytics aber auch für Anwendungen herangezogen werden, die den analytischen Aspekt – also einen vergangenheitsbezogenen – in den Vordergrund stellen.

Im Kontext von Business Intelligence (BI) und Business Performance Management (BPM) verstehen wir Advanced Analytics als die Erweiterung der historischen und gegenwärtigen Betrachtungen um eine zukunftsbezogene Perspektive. Klassische BI- und BPM-Ansätze analysieren Vergangenheitsdaten und beschreiben, warum ein Ereignis rückblickend betrachtet eingetreten ist. Hier spricht man von beschreibenden (deskriptiven) und diagnostizierenden Analysen.

IT-DIRECTOR: Welche Aspekte sind bei der Anbindung und Implementierung von Systemen für Advanced Analytics zu beachten?
P. Küssner:
Grundvoraussetzung ist das Wissen um das Geschäftsziel, auf welches die Anwendung einzahlen soll sowie die ausreichende Verfügbarkeit von Daten (Quantität) in entsprechender Güte (Qualität). Denn nur wenn diese Punkte erfüllt sind, lassen sich Hypothesen erarbeiten, prüfen, optimieren oder verwerfen.

Prinzipiell gibt es mittlerweile verschiede Vorgehensmodelle, die Unternehmen dabei helfen, sich der Thematik anzunähern. Diese haben meist noch wenig mit technischen Details zu tun, sondern sind eher prozessualer Natur. Sie sollen dabei helfen, Anwendungen beziehungsweise Anwendungsmodelle strukturiert zu entwickeln und nachvollziehbar zu halten. Dadurch gewinnt die Entwicklung an Effizienz. Sprich: spart Zeit und bleibt agil. Die Entscheidung für welches System ist dann eher eine logische Konsequenz der grundsätzlichen Annäherung. Wir präferieren in unseren Projekten das Vorgehensmodell CRISP DM. Das Akronym steht für „Cross Industry Standard Process for Data Mining”. Alle diese Vorgehensmodelle folgen aber ähnlichen Strukturen.

IT-DIRECTOR: Wie unterscheiden sich die Anforderungen an die Anwender von Advanced-Analytics-Lösungen im Vergleich zu Self-Service-BI?
P. Küssner: Das hängt stark von der Entscheidung Buy or Make ab. Es gibt bereits sehr ausgereifte Tools (Buy-Variante), wie beispielsweise der SPSS Modeler Professional, die es erlauben, Advanced-Analytics-Modelle per grafischem User Interface zu erstellen und demnach dem Thema Self-Service zugeordnet sind. Dem gegenüber steht die Make-Variante, die nicht ohne Programmierkenntnisse in R, Phython etc. auskommt. Dass dies völlig unterschiedliche Nutzertypen anspricht, ist selbsterklärend. Letzten Endes ist es eine Entscheidung, die jedes Unternehmen in Abhängigkeit des Use Cases treffen muss. Beide Varianten haben ihre Vor- und Nachteile. Prinzipiell gilt aber für beide: Ohne das Verständnis für die Geschäftslogik, ist der Erfolg der Initiative von vornherein limitiert. Das gilt für Advanced Analytics genauso wie für Self-Service-BI.

IT-DIRECTOR: Lohnt es sich für Unternehmen, eigenständige Datenexperten einzustellen?
P. Küssner:
Das hängt stark vom jeweiligen Use Case und in letzter Instanz vom Geschäftsmodell eines Unternehmens ab. Aber wenn Sie mir die Pistole auf die Brust setzen, dann würde ich sagen ja. Denn die Digitalisierung wird weiter zunehmen, nicht abnehmen. Insofern wird der effiziente und effektive Umgang mit Daten noch wichtiger. Und früher oder später kommt dann jedes Unternehmen an den Punkt, wo beschreibende und diagnostische Systeme das Interesse nicht mehr alleine befriedigend werden können. Folgt man einem wie vorher beschriebenen Vorgehensmodell, dann kann man sich dem richtigen Zeitpunkt einer Einstellung annähern.

IT-DIRECTOR: Wie wird sich die Rolle von Datenanalysten im Unternehmensbereich prinzipiell verändern?
P. Küssner:
Schaut man sich die Entwicklung von Analysesystemen der letzten 60 Jahre an, dann wird schnell augenfällig, dass der Anteil an manuellen bzw. menschlichen Eingriffen in die Analysetätigkeit immer kleiner wird und sich immer weiter in Richtung der tatsächlich zu treffenden Entscheidung verschiebt. Das Schlagwort Decision Automation spiegelt diese Entwicklung eindrucksvoll wider. In der Vergangenheit hat die Datenpflege einen Großteil der Arbeit von Datenanalysten eingenommen. Dieser wird sukzessive immer weniger, je höher man die Evolutionsleiter von Analysesystemen erklimmt. Im gleichen Zuge wird der Anteil der Arbeit, der in die Auswertung von Entscheidungsvorlagen fließt, größer. Das ist unserer Meinung nach die größte Veränderung in der Rolle eines Datenanalysten.

Bildquelle: Cubeware

©2020Alle Rechte bei MEDIENHAUS Verlag GmbH

Unsere Website verwendet Cookies, um Ihnen den bestmöglichen Service zu bieten. Durch die weitere Nutzung der Seite stimmen Sie der Verwendung zu. Weitere Infos finden Sie in unserer Datenschutzerklärung.

ok