Mit dem Begriff „Advanced Analytics“ wird eine in die Zukunft gerichtete Erweiterung der Business Intelligence bezeichnet, bei der Prognosen der zukünftigen Entwicklung stärker im Vordergrund stehen als die Analyse der Ist-Situation bzw. Vergangenheit . Damit möchte man nicht nur bestehende Prozesse betrachten sondern vielmehr auf wahrscheinlich eintretende Szenarien vorbereitet zu sein oder Auswirkungen potenzieller Änderungen in der Unternehmensstrategie vorab bewerten zu können. Aber wie fängt man in der Praxis an, diesen Nutzen von Advanced Analytics für sich einzulösen? Wie kann man eine Idee, mit der man sein Geschäft verbessern könnte, überprüfen? Wie geht man vor, wenn die Antwort darauf, ob sich diese Ideen verwirklichen lässt, sich zudem hinter verschiedenen Datensätzen verbirgt? In so einem Fall führt der Weg dahin über eine Strategie, die wir als Cross Analytics bezeichnen.
Quelle: Springer Gabler Verlag (Herausgeber), Gabler Wirtschaftslexikon, Stichwort: Advanced Analytics, online im Internet: https://wirtschaftslexikon.gabler.de/Archiv/1007164/advanced-analytics-v3.html
Daten für fundierte Entscheidungen
Wichtige Entscheidungen, die Geschäftsprozesse betreffen, sollten fundiert sein und auf einer Datengrundlage aufbauen. Aber was bedeutet das konkret, wenn bspw. bei einem Online Shop der Umsatz stagniert, auch wenn sich viele angebotene Produkte gut verkaufen? Welche Maßnahmen sind dann sinnvoll?
Um eine derartige Fragestellung richtig beantworten zu können, ist ein holistischer Ansatz vonnöten, der es erlaubt, die verschieden Datensilos miteinander zu kombinieren und analysieren zu können. Das kann technisch herausfordernd sein – die Hürde um damit anfangen zu können ist dank Open Source Software und flexibler Cloud-Infrastrukturen sehr niedrig geworden.
Die richtigen Schlüsse zu ziehen, um sinnvolle Veränderungen einzuleiten, erfordert oft verschiedene Datenquellen miteinander zu kombinieren.
Strategie: klein anfangen, um schnell scheitern zu können
Strategisch hat sich bewährt, sich zunächst auf eine bestimmte, geschäftsrelevante Fragestellung zu konzentrieren, die etwa im Rahmen eines Proof-Of-Concept-Projekts schnell validieren lässt. Man möchte am Anfang den Aufwand begrenzen, der nötig ist um einen Nutzen zu generieren. Bevor es an die Zusammenführung relevanter Daten geht, ist es sinnvoll die ursprüngliche Idee weiter zu präzisieren, indem man den nach dem konkreten Business fragt, nach Metriken, die Erreichung eines Ziels feststellen lassen, nach Datenquellen, die die Metriken abbilden, usw.
Cross-Analytics – Unabhängigkeit von der Datenstruktur
Ein System, das die verschiedenen Datenquellen integrieren kann, die die anvisierte Fragestellung beleuchten, muss auch mit semi-strukturierten und unstrukturierten Daten umgehen können. Ein Teil der nötigen Daten kann strukturiert in einem Data Warehouse, CRM, ERP, POS, oder Warenwirtschaftssystem vorliegen, wiederum kann es notwendig sein, Textdaten wie Social Media Posts und Kundenrezension zu analysieren. Ein kontinuierlicher Strom an bspw. Sensordaten stellt weitere Anforderungen an das System zu, in dem man sie speichert.
Von Big Data und Open Source längerfristig profitieren
Auch wenn es eventuell von den Datenmengen her in einem Startprojekt nicht gerechtfertigt erscheinen mag, lohnt sich es, auf Best Practices, Architekturmuster und nicht zuletzt Systeme aus dem Bereich Big Data zurückzugreifen. Dass hier Open Source Komponenten hier die Standards darstellen, trägt zur nötigen Flexibilität und erlaubt, eine auf den Use Case maßgeschneiderte Implementierung umzusetzen.
Hierzu zählt sicherlich Hadoop, das einen verteilten Datenspeicher bereitstellt, und dadurch ein ganzes Technologie Stack von Konnektoren bis hin zu Bibliotheken für Maschinelles Lernen begründet. Apache NiFi sorgt beispielsweise hochskalierbarer und fehlertoleranter Datentransport. Mit Apache Solr steht eine noSQL Datenbank mit eingebauten Analyse-Fähigkeiten zu Verfügung, die sich besonders für von textuelle Daten eignet.
Cross Analytics als Treibstoff unterschiedlicher Applikationen
Nach der Zusammenführung der unterschiedlichen relevanten Datenquellen, kann man sich mit den eigentlichen Fragen beschäftigen. Generell durchläuft man dabei verschiedene Schritte, die aufeinander aufbauen:
- Descriptive Analytics: Was ist passiert, was der Ist-Zustand? Hier lassen sich klassische BI-Themen abbilden, etwa ein genaueres Bild der Realität durch Visualisierung von Daten herzustellen.
- Predictive Analytics: Was wird passieren? Hier betritt man schon den Bereich von Advanced Analytics. Oftmals spielt Machine Learning hier eine Rolle, um auf Basis historischer Daten Prognosen für die Zukunft treffen zu können oder bestimmte Prozesse zu automatisieren, etwa Kundenanfragen zu klassifizieren.
- Prescriptive Analytics: Was soll ich tun? Bei dieser Disziplin werden Aktionen spezifiziert, die eintreten müssen, damit ein vorhergesagtes Ereignis (aus einer Predictive Analyse) oder Ziel auch tatsächlich erreicht wird. Beispiel: anhängig von der Nachfrage den Preis von Waren oder Dienstleistungen automatisch optimieren.
Advanced Analytics ermöglicht, aus der Kombination unterschiedlicher Daten, Prozesse zu optimieren. Hier wird am Beispiel eines Online Shops die gemeinsame Analyse der am besten verkauften Produkte und der Retouren zu Verbesserung von personalisierten Produktempfehlungen dargestellt.
Den Nutzen von Cross-Analytics einlösen und den Wert der eigenen Daten erkennen
Nach dem Analytics Prozess ist man in der Lage, eine bestimmte Voraussage zu machen, bekommt man im besten Fall eine Handlungsempfehlung oder hat man einen Prozess ein Stück weiter automatisiert. Im schlimmsten Fall hat man eine These widerlegt, die zu einer neuen Fragestellung führt.
Da sich die Realität fortwährend ändert, nicht zuletzt durch diese mittels Analytics gewonnenen Einsichten, müssen längerfristig die verschiedene Analytics Stufen immer wieder in einen iterativen Prozess wiederholt und aktualisiert werden. Dabei können dieselben Daten gleichzeitig für unterschiedliche Use Cases verwendet werden können – das macht sie so wertvoll. Voraussetzung hierfür ist eine geeignete Infrastruktur zu verfügen, die diesen Prozess unterstützt und mit wechselnden Anforderungen und zunehmenden Datenmengen umgehen kann.
Fazit
Cross-Analytics beschreibt eine Vorgehensweise, mit der fundierte Entscheidungen, die sich auf Daten stützen, im Unternehmen ermöglicht werden. Dadurch wird das Versprechen von Advanced Analytics eingelöst, wichtige Zusammenhänge in den bestehenden Geschäftsprozessen zu erkennen, vorauszusagen und zu optimieren, und somit das eigene Geschäft nachhaltig zu verbessern.
Auf den Weg dahin müssen Daten unterschiedlicher Natur aus verschiedenen Quellen miteinander kombiniert werden, wobei man hierbei auf eine Vielzahl von Open Source Komponenten und Methoden aus dem Big Data zurückgreifen kann, die jedem zu Verfügung stehen und die nötige Flexibilität bieten, um auf unterschiedliche Ausgangslagen und Anwendungsszenarien einzugehen. Strategisch erfolgt der Einstieg durch die Fokussierung auf eine bestimmte Fragestellung, aus der sich kurzfristig mit einem übersichtlichen Aufwand einen Nutzen gewinnen lässt.
Wollen Sie mehr erfahren zum Thema Data Analytics, speziell für den Bereich E-Commerce? Dann könnte die Studie Data Analytics im E-Commerce für Sie interessant sein!
