Kontakt

KONTAKTIEREN SIE UNS.


STRIPED GIRAFFE
Innovation & Strategy GmbH
Lenbachplatz 3
80333 München



+49-89-416126-660

Zum Kontaktformular

von Striped Giraffe Team
8. Juni 2021
Lesezeit: 11 Minuten
Advanced Analytics

Was ist Advanced Analytics und warum ist es für Unternehmen so wichtig?

Advanced Analytics bezeichnet eine Sammlung verschiedener Werkzeuge zur Analyse von strukturierten und unstrukturierten Daten, die eine Vorhersage auf zukünftige Ereignisse zulässt.

Damit unterscheidet sich Advanced Analytics maßgeblich von Business Intelligence (BI), die sich ihrerseits hauptsächlich mit der Analyse historischer Daten und Ereignisse befasst und somit Erklärungen liefert, warum bestimmte Ereignisse in der Vergangenheit aufgetreten sind. Im Big Data-Zeitalter eröffnet der konsequente Einsatz von Big Data-Analytics Unternehmen potenzielle Wettbewerbsvorteile.

Advanced Analytics und Business Intelligence Vergleich

Allgemein geht Advanced Analytics damit über die klassischen Business Intelligence-Ansätze hinaus und kann sehr gut genutzt werden, um die folgenden Felder abzudecken:

  • Segmentierung bezeichnet die Gruppierung von Objekten basierend auf Ähnlichkeiten
  • Klassifikation von unklassifizierten Elementen gemäß gemeinsamen Eigenschaften
  • Korrelation steht für die Identifizierung von wechselseitigen Beziehungen zwischen den Eigenschaften von Elementen
  • Forecasting zur Ableitung von zukünftigen Werten
  • Assoziation bezeichnet die Identifizierung der Häufigkeit des gemeinsamen Auftretens und die Ableitung von der Regel

Dabei unterscheidet man verschiedene Ansätze, die je nach gegebenem Szenario Anwendung finden. Diese wollen wir im Folgenden kurz skizzieren.

Predictive Analytics

Predictive Analytics beschreibt vorausschauende Analyse-Ansätze, deren Ziel es ist Prognosen darüber zu treffen, was wahrscheinlich in der Zukunft eintreten wird. Dadurch werden dem Management wertvolle Einblicke bereitgestellt, um zukünftige Geschäftsentscheidungen auf einer fundierten Basis treffen zu können. Um eine derartige Vorhersage zu treffen, greift Predictive Analytics auf statistische Modelle zurück, die basierend auf historischen Daten und unter Einbeziehung weiterer externer Datenquellen beispielsweise Schlüsse auf die Geschäftsentwicklung in der Zukunft, die Nachfrage nach bestimmen Produkten oder Produktgruppen oder aber voraussichtliche Wartungsaufwände und Verschleiß von Maschinen, Fahrzeugen oder Produktionsmitteln zulassen.

So setzen zum Beispiel führende Hersteller von Fahrzeugen bereits auf Predictive Analytics, um anhand der Betriebs- und Umgebungsparameter, unter denen ihre Fahrzeuge im Einsatz sind, individuell abgestimmte, optimale Wartungs- und Service-Hinweise zu geben.

Prescriptive Analytics

Unter Prescriptive Analytics versteht man die Kombination von Methoden der Predictive Analytics mit Elementen aus dem Business Intelligence-Umfeld. Diese Methoden sind besonders geeignet, um vielversprechende Lösungsansätze für bestehende geschäftliche Herausforderungen zu finden. Prescriptive Analytics hilft Entscheidungsträgern, unter verschiedenen Handlungsalternativen die beste zur Erreichung ihrer Ziele auszuwählen.

Machine Learning

Machine Learning stellt einen Teilbereich der Künstlichen Intelligenz, kurz KI, dar und ist seit einigen Jahren in aller Munde. Mittels Machine Learning-Methoden werden Computersysteme in die Lage versetzt, Muster und Gesetzmäßigkeiten in Datenbeständen zu erkennen und diese mittels komplexer Algorithmen zur Analyse bestimmter Ereignisse oder zur Vorhersage von zukünftigen Ereignissen zu nutzen. Dabei generieren diese Lösungen ihr „Wissen“ aus zuvor gemachten Erfahrungen und historischen Daten. Machine Learning vereint ebenfalls verschiedene Tools, wie zum Beispiel Deep Learning, welches neuronale Netzwerke nutzt um komplexe innere Strukturen abzubilden und dabei versucht die Funktionsweise des menschlichen Gehirns nachzubilden.

Die Vielfältigkeit der Daten, die Machine Learning-Lösungen verarbeiten können, ist dabei immens, da nahezu jede denkbare Form digital gespeicherter Daten genutzt werden kann. Dazu zählen zum Beispiel auch Bilder. Die verwendeten Machine Learning-Modelle werden dabei nach sorgfältiger Auswahl immer weiter trainiert, um ihre Genauigkeit der Vorhersagen kontinuierlich zu verbessern.

Machine Learning

Data Mining

Data Mining ist genau genommen keine eigene Analyse-Methode. Es wird genutzt, um in großen Rohdatensätzen Beziehungen und Abhängigkeiten sowie Sequenzen und Anomalien zu identifizieren. Dabei greift man üblicherweise ebenso auf statistische Anwendungen zurück und verfolgt dabei immer das Ziel, Informationen aus Daten zu extrahieren und in eine Struktur zu transformieren, die dann weiterverwendet werden kann.

Cluster-Analyse

Die Cluster-Analyse ist eine wichtige Methode des Data Minings. Dabei analysiert man große Datenbestände hinsichtlich ähnlicher Strukturen. Daten werden entsprechend ihrer Ähnlichkeit zueinander analysiert und ähnliche Objekte im Anschluss in Clustern zusammengefasst. Die Ergebnisse einer Cluster-Analyse lassen sich relativ einfach grafisch darstellen.

Kohorten-Analyse

Die Kohorten-Analyse ist ein Teilbereich der Verhaltens-Analyse. Dabei wird das Verhalten einiger Menschen in einer Gruppe beobachtet und analysiert, um Rückschlüsse zu ziehen, die für die gesamte Gruppe gelten. Personen sind dabei beispielsweise Anwender oder Kunden. In Bezug auf Daten, wird bei der Kohorten-Analyse nur ein Teil eines großen Datasets über einen gegebenen Zeitraum betrachtet. Man teilt die Gesamtheit der Daten also gemäß gegebener Attribute in kleinere Datasets auf und beginnt seine Analyse dann auf Basis dieser kleineren, bereits nach ihrer Relevanz selektierten Menge.

Data Science

Data Science ist die Disziplin, strukturierte und unstrukturierte Daten, wie zum Beispiel einem riesigen Data Lake, hinsichtlich nützlicher Informationen und Erkenntnisse zu untersuchen. Aus den gewonnenen Informationen leiten Data Scientists Handlungsempfehlungen ab, um Ihren Geschäftserfolg nachhaltig zu steigern. Dabei greifen sie auf ein breites Spektrum verschiedener Methoden, Prozesse und Tools zurück. Dazu gehören unter anderem die oben beschriebenen Analyse-Methoden.

Data Scientists haben dabei nicht nur die Datenbasis im Fokus, sondern sind in der Lage, diese auf Basis ihres betriebswirtschaftlichen Know-hows mit Blick auf komplexe betriebswirtschaftliche Zusammenhänge zu analysieren. Die Rolle der Data Science gehört damit zu den Bereichen in digitalen Unternehmen, die momentan am stärksten an Bedeutung gewinnen. Sie hilft maßgeblich dabei, die richtigen Fragen zu stellen, um aus Big Data wirklich wertvolle Erkenntnisse zu gewinnen.

Advanced Analytics-Lösungen

Innerhalb der letzten Jahre haben zahllose Anbieter Advanced Analytics-Lösungen entwickelt. Der Markt hält für eine Vielzahl von Herausforderungen die unterschiedlichsten Lösungswege bereit. Eine pauschale Aussage, welche Tools und Verfahren die individuellen Anforderungen eines Kunden erfüllen, ist daher ohne eine gründliche Analyse nicht möglich.

Prinzipiell können entsprechende Projekte sehr gut iterativ umgesetzt werden. So sollten nach genauer Analyse der Anforderungen zunächst eine Vorauswahl geeigneter Modelle getroffen werden und in einem nächsten Schritt ermittelt werden, ob die zur Verfügung stehenden Daten genug “Predictive Power” haben. Dabei kann auch gleich die Wirksamkeit der gewählten Modelle überprüft werden, bevor diese aufwändig trainiert werden. Somit kann der Einsatz einzelner Methoden verhältnismäßig kosteneffizient erprobt und letztendlich auch umgesetzt werden.

Vorteile von Advanced Analytics

Die beschriebenen Data Analytics-Methoden helfen dabei, eine immer größer werdende Anzahl an Daten schneller zu analysieren, Insights zu erlangen und darauf basierend bessere Business-Entscheidungen treffen zu können.

Mit Advanced Analytics präzise Entscheidungen treffen

Advanced Analytics gewährt Anwendern tiefe Einblicke in ihre Daten und hilft ihnen dabei, profunde Erkenntnisse zu erlangen. Im Gegensatz zur Intuition oder einem erfahrungsbasierten Entscheidungsansatz macht der datengetriebene Ansatz von Advanced Analytics Vorhersagen auf der Grundlage von Fakten und leitet Sie so zu der Handlungsalternative mit dem höchsten zu erwartendem Nutzen.

Personalisierung von Sales & Marketing

Advanced Analytics-Tools ermöglichen es, Muster selbst aus weniger aggregierten Datensätzen zu erkennen. Anstatt zum Beispiel einfach auf die Nachfrage eines gesamten Kundensegments zu schließen und allen Kunden aus diesem Segment dieselben Lieblingsprodukte anzubieten, ermöglichen Advanced Analytics-Methoden die persönlichen Präferenzen bis hin zum einzelnen Kunden zu erfassen. Mithilfe agiler Architekturansätze können verschiedene Datenquellen integriert werden, um ein vollständigeres Bild des Kunden zu erhalten und ihm somit eine völlig neue Customer Experience zu bieten. Die richtigen Analyse-Modelle können sowohl die Effektivität von Marketinginitiativen als auch die Zufriedenheit Ihrer Kunden deutlich erhöhen.

Personalisierung

Personalisierung ist im E-Commerce eines der wichtigsten Themen unserer Zeit. Aufgrund der hohen Bedeutung haben wir das Thema „Personalisierung“ von allen Seiten beleuchtet und die Ergebnisse in einer E-Book-Reihe zusammengefasst.

Mehr Zeit für strategisch wichtige Initiativen

Die Auswahl der passenden Advanced Analytics-Methoden ermöglicht es, die Aufwände für die Datenanalyse zu reduzieren und somit wertvolle Ressourcen auf wichtigere Aufgaben zu fokussieren. Große Datenmengen lassen sich schnell und effizient analysieren, wodurch in kürzester Zeit Insights erlangt werden können, die Unternehmen eine kurzfristige Entscheidungsfindung ermöglichen. Analysten sind somit für weitere spannende Projekte verfügbar. Dem Management bleibt damit die Zeit sich auf strategische Initiativen zur nachhaltigen Entwicklung und Optimierung ihrer Geschäftsprozesse zu konzentrieren.

Durch Advanced Analytics einen besseren ROI erzielen

Mit fortschrittlichen Analyse-Tools können Unternehmen effektiv entscheiden, wo und wann sie Ressourcen einsetzen. Dies senkt Kosten und steigert die Effizienz. Weiterhin identifiziert Advanced Analytics Kundenbedürfnisse, so dass Produkte und Dienstleistungen zielgruppengerecht weiterentwickelt und Innovationen vor dem Wettbewerb am Markt platziert werden können.

Gemeinsame Nutzung von Daten

Durch den Einsatz von Advanced Analytics-Tools werden Data Integration-Initiativen unterstützt und eine sichere gemeinsame Nutzung von Daten im gesamten Unternehmen ermöglicht. Wenn Daten für die Mitarbeiter zugänglich sind, sind diese in der Lage, Chancen frühzeitig zu erkennen und darauf zu reagieren – um nachhaltig zum Erfolg des Unternehmens beizutragen.

Use Cases für Advanced Analytics

Wenn bereits klassische Business Intelligence-Methoden implementiert sind, ist die Einführung erster Advanced Analytics-Tools der nächste logische Schritt. Eine solide Data Integration ist allerdings die Mindestvoraussetzung zum Beginn einer entsprechenden Initiative. Die Implementierung eines modernen Data Warehouse, in der Cloud oder on premise ist im Allgemeinen ein guter Anknüpfungspunkt. Nahezu alle Branchen und Geschäftsbereiche können von einem konsequenten Einsatz entsprechender Methoden und Prozesse profitieren.

Machine Learning unterstütztes Produktmanagement

Machine Learning-Technologien können im Produktmanagement eingesetzt werden, um damit präzise Vorhersagen zur zukünftigen Entwicklung und Performance einzelner Produkte entlang ihres Lebenszyklus zu erlangen.

Das hat ein führender Verpackungsmittelanbieter für sich entdeckt und auf Basis von Machine Learning einen Product Lifecycle Advisor entwickeln lassen. Die Lösung ermöglicht den Produktmanagern tiefe Einblicke in ihr Portfolio und identifiziert in Echtzeit Handlungsbedarfe bei einzelnen Produkten. Dadurch sind sie in der Lage ihr gesamtes Produktportfolio von über 8.000 Artikeln mit einem Team von 6 Produktmanagern zu verwalten.

Customer Churn Detection

Im Bereich der Kundenzufriedenheits- und der Abwanderungs-Analyse leisten Advanced Analytics-Lösungen einen wichtigen Beitrag, um tiefe Einblicke in den eigenen Kundenstamm zu erhalten und gegebenenfalls frühzeitig reagieren zu können. Spezielle Modelle analysieren detailliert verschiedenste Aspekte des Kundenverhaltens einerseits und des Absatzes andererseits, um rechtzeitig auf bevorstehende Veränderungen hinweisen zu können. Customer Churn Prediction geht über die reine Analyse noch hinaus und ermöglicht damit sogar die Vorhersage der Auswirkungen zukünftiger Entscheidungen auf die Kundenzufriedenheit. Diese Lösungen können mit verschiedenen Kommunikations- und Marketing-Tools kombiniert eingesetzt werden, um Kunden beispielsweise automatisch mit einer entsprechenden E-Mail-Kommunikation entgegenzukommen.

Es gibt einen Anbieter für Betriebs- und Geschäftsausstattung in Süddeutschland, bei dem eine solche Lösung nachhaltig zur positiven Geschäftsentwicklung beiträgt, indem sie ihm eine schnelle und präzise Reaktion auf negative Trends ermöglicht.

Warenkorb Templates

Durch die Nutzung einzelner Advanced Analytics-Methoden zur Analysierung des Kaufverhaltens von einzelnen Personen können Händler präzise Vorschläge für ihre Kunden vorbereiten. Im Falle eines Händlers für Büroausstattung werden den Kunden Vorschläge für anpassbare, individuelle Warenkörbe generiert. Dadurch lassen sich sowohl die Customer Experience nachhaltig verbessern, als auch positive Effekte auf die Geschäftsentwicklung ableiten.

Wettbewerbsvorteile für die Finanzbranche durch Advanced Analytics

Finanzinstitute und Fintechs stehen in einem ständigen internationalen Wettbewerb. Um sich hier zu behaupten, müssen sie ihre Kunden bestmöglich bedienen und gleichzeitig hohen regulatorischen Anforderungen gerecht werden. Advanced Analytics liefert wertvolle Einblicke, um die Finanzindustrie nachhaltig wettbewerbsfähig auszurichten. Beispielsweise kann mit Hilfe einer Analyse von Nutzungsdaten der optimale Standort für die Errichtung von Self-Service-Terminals oder Geldautomaten bestimmt werden.

Einsatz von Advanced Analytics in der Finanzbranche

Risiken im Kreditgeschäft können besser bewertet werden. Zudem lassen sich genauere Risikoprofile potenzieller Kreditnehmer generieren. Dadurch werden Risiken und Betrugsfälle frühzeitig erkannt und effizient reduziert. Gerade die konsequente Überwachung der Nutzungsdaten anhand aller sechs Dimensionen der Datenqualität hilft Compliance-Risiken nachhaltig zu minimieren. Data Analytics ermöglicht weiterhin eine kurzfristige und präzise Beantwortung regulatorischer Anfragen.

Nichts mehr verpassen!

    * Bitte füllen Sie die Pflichtfelder aus

    Ein Klick fehlt noch

    Wir haben Ihnen aus datenschutzrechtlichen Gründen eine E-Mail gesendet.

    Bitte öffnen Sie diese E-Mail in Ihren Postfach

    Klicken Sie auf den Link in unserer E-Mail, um Ihre E-Mail-Adresse zu bestätigen.

    Wir freuen uns über Ihr Interesse.

    Nach oben