Wenn ein Unternehmen eine Business-Intelligence-Lösung einsetzt, behält es üblicherweise die neusten Trends weiter im Auge, um über das aktuelle Marktangebot auf dem Laufenden zu bleiben. Dabei wird oft deutlich, dass Business Intelligence und Data Analytics Hand in Hand gehen.
Die Frage ist, inwieweit sich eine bestehende BI-Lösung durch vielversprechende Data Analytics (DA) Trends erweitern lässt und ob der gemeinsame Einsatz von BI und DA Synergien birgt?
Business Intelligence und Data Analytics – zwei Seiten derselben Medaille
Schon eine schnelle Suche im Internet macht deutlich, dass die Begriffe Business Intelligence und Data Analytics unterschiedlich verwendet werden: Anbieter, Dienstleister und andere Marktteilnehmer halten sich an ihre jeweils eigenen internen Definitionen, einige Quellen betrachten Business Intelligence und Data Analytics als zwei unterschiedliche Konzepte, während andere die Begriffe synonym verwenden. Im Rahmen dieses Beitrags gehen wir von der folgenden Definition aus:
Business Intelligence (BI) ist ein technologiebasierter Prozess, in dem Daten analysiert und umsetzbare Erkenntnisse gewonnen werden, welche wiederum Geschäftsanwendern dabei helfen, fundierte Entscheidungen zu treffen. Die Implementierung von BI umfasst drei Hauptphasen:
- Entwicklung von Data Warehouse
- Entwerfen von OLAP-Würfeln (Online Analytical Processing)
- Datenvisualisierung
Data Analytics ist ein Sammelbegriff, der Business Intelligence sowie fortschrittliche Ansätze und Methoden zum Sammeln, Verarbeiten und Analysieren von Datensätzen umfasst, um Trends, Abhängigkeiten und Korrelationen zu identifizieren. Der Begriff hat eine breite Bedeutung und gilt sowohl im Business als auch in der Wissenschaft. Data Analytics umfasst:
- Data Mining
- Predictive und Prescriptive Analytics
- Big Data Analytics usw.
Synergien von BI und DA nutzen
Data Analytics ist normalerweise für Endbenutzer unsichtbar. Sie verwendet komplizierte Algorithmen und statistische Methoden, um zusätzliche Erkenntnisse zu liefern, die dann gewohnte Berichte bereichern können. Einige anschauliche Beispiele dafür, wie Business Intelligence und Data Analytics zusammenarbeiten können, werden hier angeführt.
- Die Kohortenanalyse (Cohort Analysis) ermöglicht es, Online-Shop-Besucher in verschiedene Benutzergruppen mit ähnlichen Verhaltensmustern aufzuteilen. Solche Gruppen können zu einer Dimension für den OLAP-Würfel werden. Die Entscheidungsträger können diese hinsichtlich Umsatz, Gewinn, Anzahl der Bestellungen pro Monat usw. vergleichen, um personalisierte Marketingaktivitäten zu entwickeln.
- Die Regressionsanalyse (Regression Analysis) ermöglicht es, Beziehungen zwischen Variablen zu identifizieren. Anders als bei der reinen Betrachtung von historischen Daten, können erkannte Abhängigkeiten (oder deren Mangel) dem Unternehmen wertvolle Einblicke verschaffen. Es ist zwar sicher interessant, den zeitlichen Verlauf der Gesamtzahl von Beschwerden und die Top-10-Beschwerden zu betrachten. Aber mit Hilfe der Regressionsanalyse kann zusätzlich anlysiert werden, ob beispielsweise die Wartezeit und die Anzahl der Beschwerden miteinander verbunden sind.
- Die Zeitreihenanalyse (Time Series Analysis) wird in Bezug auf historische Daten angewendet, um Prognosen zu erstellen. Um beispielsweise den Umsatz vorhersagen zu können, benötigt man die monatliche Aufstellung der Verkaufszahlen aus mehreren Vorjahren. Basierend auf diesen Daten identifiziert ein analytisches System historische Trends, monatliche Wachstums-/Abnahmeraten sowie etwaige sich wiederholende Muster und nimmt die bestmögliche Schätzung für die Zukunft vor.
Data Analytics Trends sind relevant
Einige Data Analytics Trends können bestehende BI-Lösungen bereichern. Die Aufwände für ihre Implementierung können allerdings sehr unterschiedlich sein: Einige sind in der Umsetzung „unproblematisch“, während andere erhebliche Änderungen im Technologie-Stack und/oder bei den bisher verwendeten Ansätzen und Methoden erfordern.
- Auf maschinellem Lernen basierte künstliche Intelligenz (KI)
BI-Lösungen helfen zu verstehen, wie viele Kunden das Unternehmen in der letzten Woche bzw. im letzten Monat/Quartal verloren hat. Wenn man sich die Abwanderungsraten ansieht, denkt man natürlich darüber nach, wie man diese Kunden zurückgewinnen kann. Es ist jedoch nicht auszuschließen, dass die Kunden bereits zu einem Wettbewerbsunternehmen gewechselt sind. Mit maschinell lernender KI können Unternehmen Kundensegmente mit hohem Abwanderungsrisiko frühzeitig erkennen. Das analytische System kann die Aktivitäten der Kunden über alle Kanäle hinweg bewerten und signalisieren, wenn sich eine mögliche Abwanderung zu einem Wettbewerber abzeichnet. Zum Beispiel, wenn ein Kunde das Support Center überdurchschnittlich oft kontaktiert, bestimmte Dienstleistungen seltener in Anspruch nimmt oder seine durchschnittlichen Ausgaben deutlich abnehmen. Natürlich sind diese Symptome häufig branchen- und fast immer auch unternehmensspezifisch: Jedes Unternehmen muss seine relevanten Kunden identifizieren, die Wertigkeit der Symptome bewerten und das analytische System lernen lassen. Das System kann dann auf mögliche Abwanderungen hinweisen, damit rechtzeitig entsprechende Maßnahmen ergriffen werden, z. B. gezielte Marketingkampagnen. - Predictive Analytics
Zeitnahe und genaue Berichte auf der Basis historischer Daten sind von großer Bedeutung. Viele Unternehmen finden das jedoch vielleicht nicht ausreichend. Im Grunde genommen müssen Unternehmen auch verstehen, was in der Zukunft wahrscheinlich passieren wird, um heute präventive Maßnahmen zu ergreifen. Hier setzt Predictive Analytics an:
Wenn beispielsweise ein Bekleidungshersteller sein Sortiment für die kommende Wintersaison plant, kann er sich die letzten Verkäufe nach Kategorien ansehen und das Produktionsvolumen entsprechend planen. Alternativ kann er wie oben beschrieben eine Zeitreihenanalyse durchführen. Da Mode schnelllebig ist, benötigt der Hersteller noch mehr Erkenntnisse, um die Kundennachfrage zu prognostizieren, sich für das Winterangebot zu entscheiden und das Produktionsvolumen für jeden Artikel zu planen. Zum Beispiel kann der Produzent zusätzlich Wettervorhersagen oder auch die Trends aus den sozialen Medien in seine Analysen einbeziehen. - Big Data
Ein Unternehmen steht vielleicht an der Schwelle zu einer wichtigen Veränderung. Und diese Veränderung erfordert das Sammeln, Verarbeiten und Analysieren von Big Data (z. B. die Installation von Sensoren an Maschinen, um eine vorbeugende Wartung zu fördern, oder die Einführung eines E-Stores zusätzlich zu einem stationären Geschäft). Deshalb sollte das Analysesystem imstande sein, auch diese neue Herausforderung zu bewältigen. Eine herkömmliche BI-Lösung sollte in diesem Fall erweitert werden. Big Data erfordert ein dediziertes Technologie-Stack wie Apache Hadoop, Apache Hive, Apache Spark usw. Um wertvolle Erkenntnisse aus großen Datenmengen zu erhalten, steht eine Vielzahl von Methoden und Techniken für Data Analytics zur Verfügung, z. B. Mustervergleich.
Fazit
Wenn eine BI-Lösung implementiert wurde, bedeutet das nicht, dass die Obergrenze erreicht ist. Der Markt entwickelt sich weiter und bietet immer wieder neue Business-Intelligence-Leistungen an. Es gibt immer Möglichkeiten, die bestehende Lösung zu verbessern.
Dabei ist es durchaus empfehlenswert, sich nicht nur auf BI zu beschränken. Für einige Unternehmen mag herkömmliche Business Intelligence ausreichen, für andere kann es durchaus sinnvoll sein die bestehende Lösung durch Data Analytics zu bereichern, um mehr Einsichten zu erhalten.
Der Autor
Alex Bekker ist Leiter der Abteilung Data Analytics bei ScienceSoft, einem Unternehmen für IT-Beratung und Softwareentwicklung mit Sitz in McKinney, Texas.
