Fachbeiträge & Kommentare zu Analytics

Moderne BI & Analytics- bzw. Datenplattformen benötigen passende Governance-Standards, um eine effektive und effiziente Arbeit mit internen und externen Daten im Unternehmen zu ermöglichen. Dieses Rahmenwerk sollte möglichst funktionsübergreifend aufgebaut sein, unternehmens- oder bereichsweit gültig und einheitlich sein. Außerdem beinhaltet ein solcher Governance-Ansatz in ...mehr

Die Anzahl an Tools, welche KI nutzen, wächst – gleichzeitig wird jedoch die Transparenz der Funktionalitäten niedriger. Das ist ein Grund, warum es Unternehmen häufig schwerfällt, sich bei dem Wunsch zur Nutzung von KI für das richtige Tool zu entscheiden. Oft entsteht so eine ganze Tool-Landschaft von mehreren Anwendungen, welche teilweise unterschiedliche, teilweise jedoc...mehr

Eine BI & Analytics-Architektur mit ihren Lösungsbestandteilen erfordert zwei grundlegende Arten von Prozessen: Datenmanagement- und Data Governance-Prozesse. 2.3.1 Datenmanagement-Prozesse Das Datenmanagement bzw. die Datenbereitstellung umfasst dabei das Demand Management, welches sich mit der Sammlung der Datenbedarfe und dem anschließenden Aufbau von Datenpipelines befasst...mehr

Überblick Der Einsatz von KI-basiertem Dashboarding, also die Nutzung von KI-Funktionalitäten in Reporting-Standardsoftware, unterliegt einer kontinuierlichen Weiterentwicklung. Es gilt klar zu differenzieren, welche Grenzen diese integrierten KI-Funktionalitäten innehaben und wo der Einsatz von spezifischer KI-Software bzw. Programmierungen außerhalb eines Dashboards abzubil...mehr

KI-basierte Anwendungen bieten eine Reihe wichtiger Vorteil wie Natürliche Sprachverarbeitung: Microsoft Fabric integriert aktuell in einer öffentlichen Vorschau fortschrittliche KI-Algorithmen zur natürlichen Sprachverarbeitung, die es den Benutzern ermöglichen, komplexe Analysen in natürlicher Sprache durchzuführen. Dies erleichtert die Interaktion mit den Daten und ermögli...mehr

Künstliche Intelligenz kann für unterschiedliche Anwendungsfälle des Dashboardings genutzt werden – wir gehen hier auf eine Reihe ausgewählter Funktionalitäten ein und erläutern in diesem Zusammenhang die Vorteile und Möglichkeiten dieser Anwendungsfälle. Für beispielhafte visuelle Darstellungen nutzen wir die beiden Dashboarding-Tools SAP Analytics Cloud (SAC) sowie Microso...mehr

Die Verarbeitung solcher Transaktionsdaten stellt nur einen Teil der notwendigen Prozesse dar. Denn sowohl die Bewegungsdaten als auch Stammdaten und weitere Metadaten sind im Rahmen von Governance-Prozessen zu bearbeiten. Dieser zweite Typ von Prozessen in BI- und Analytics-Tools beschreibt die Governance bzw. die Nutzung von Standards, um z. B. die Bewegungsdaten korrekt z...mehr

Die Erfassung und Offenlegung von Daten für die Finanzberichterstattung stellen zahlreiche Unternehmen vor große Herausforderungen. Das Konzern-Reporting wird durch neue Anforderungen an die Berichterstattung über die Einhaltung der globalen Mindestbesteuerung (BEPS Pillar II) sowie Nachhaltigkeit, Soziales und Unternehmensführung (ESG) erweitert. Die Vernetzung der finanzie...mehr

Fasst man die bis hierhin genannten Punkte zusammen, lassen sich die genannten Anforderungen und damit verbundenen Herausforderungen für das Berichtwesen nicht kurzfristig umsetzen bzw. überwinden. Vielmehr gilt es, sehr genau das Vorgehen in einer Roadmap vorab zu definieren. Dies ist insbesondere deshalb relevant, da die Unternehmenssituation im jeweiligen Krisenstadium (s...mehr

Unabhängig von der individuellen Ausgangssituation ist es erforderlich, dass sich Unternehmen mit der digitalen Transformation auseinander setzen, da sie in jedem Fall die kulturellen, strategischen und strukturellen Ebenen betrifft. Hierzu gehören eine umfängliche Change-Begleitung sowie die Einbeziehung und das Commitment des Managements, um die Notwendigkeit der Veränderu...mehr

Die Architektur ist ein integraler Bestandteil der BI-Strategie, die im TOM sowohl technologisch als auch datenarchitektonisch behandelt werden sollte. Um eine robuste Basis zu schaffen und eine nahtlose Integration in die Organisationsstrukturen zu gewährleisten, sind verschiedene Aspekte zu berücksichtigen. Dieser Prozess beginnt mit der Festlegung geeigneter Architektursc...mehr

Digitalisierung von Lieferketten Bereits heute sind Teilprozesse digital. Digitalisieren lassen sich das durchgängige Nachverfolgen von Waren, die Automatisierung der Abfertigung, die Organisation der Auslieferung, eine automatisierte Dokumentation und Prozesse im Lager, wo Aufbereitung für Auslieferung an Endkunden bzw. Bereitstellung für den Handel erfolgen. Digitalisierung ...mehr

Ungeachtet des konkreten Anwendungsfalls lässt sich mittlerweile ein "best practice" im Vorgehensmodell für die Umsetzung von Predictive-Analytics-Anwendungsfällen identifizieren. Im Folgenden werden die 9 Schritte in der Entwicklung eines Predictive-Analytics-Anwendungsfalls ("Use Case") beschrieben, die in Projekten von Horváth & Partners regelmäßig zur Anwendung kommen. Ab...mehr

Das Advanced-Analytics-Universum umfasst 4 Bereiche, die eindeutig voneinander abzugrenzen sind. Die Bereiche sind: Descriptive Analytics, Diagnostic Analytics, Predictive Analytics und Prescriptive Analytics. Diese lassen sich anhand der Achsen Komplexität und Nutzen ("Business Value") anordnen (vgl. Abb. 3). Abb. 3: Die 4 Bereiche des Advanced Analytics Descriptive Analytics...mehr

Der Einsatz von prädiktiven Analytics allein bewirkt jedoch noch nicht, dass der Forecast eine höhere Prognosegüte erhält und mit geringerem Aufwand realisierbar ist. In dieser Sektion wollen wir die Erfolgsfaktoren für den Einsatz von prädiktiven Analytics näher beleuchten. Im Wesentlichen lassen sich die Faktoren, von denen ein erfolgreicher Einsatz prädiktiver Analytics a...mehr

2.1 Terminologie Predictive Analytics beschreibt den Schnittpunkt von Statistik und Computer Science, der sich mit der Extraktion von Informationen aus Daten befasst, um diese zur Vorhersage von Trends und Mustern zu verwenden. Dabei kommen auch in Predictive Analytics statistische Methoden zum Einsatz, wie etwa Data Mining, Regressionsmodelle, Entscheidungsbäume, Clusteranal...mehr

Die Vorteile von prädiktiver Analytics lassen sich am besten veranschaulichen, wenn man sich die Charakteristika des klassischen Forecasts vergegenwärtigt: Ein solcher Forecast wird "von Menschenhand" in einem manuellen Prozess erstellt und dessen Erstellung folgt zumeist einer Mischung aus sehr einfachen Logiken und Experteneinschätzungen. Im Gegenzug hierzu weist die Foreca...mehr

Es liegt in der Natur von prädiktiver Analytics, dass diese eine objektive Prognose der Zukunft darstellen. Hinzu kommt, dass prädiktive Analytics automatisch auf einem granularen/operativen Level stattfinden können. Folglich kann ein Forecast mittels prädiktiver Analytics den Forecast-Prozess weitgehend automatisieren. Er ersetzt aber nicht den eigentlichen Planungsprozess....mehr

Der Zyklus aus strategischer Planung, Zielsetzung, operativer Planung und Forecasting bildet ein wichtiges Instrument der Unternehmenssteuerung. Entsprechend ist die Steigerung von Qualität und Effizienz im Bereich Planung und Forecasting für viele Unternehmen ein zentrales Ziel. Gleichzeitig stellen Planung und Forecasting in vielen Unternehmen aufwändige Prozesse dar, die ...mehr

Stochastische Anforderungen liegen i. d. R. in der Natur der vorherzusagenden Daten und können vom Unternehmen nicht beeinflusst werden; praktische Anforderungen können hingegen vom Unternehmen (z. B. durch Ausbau der IT-Infrastruktur) direkt beeinflusst werden. Mathematisch formuliert, stellen stochastische Anforderungen sicher, dass die Zufallsvariablen, welche einem Sample...mehr

Eine weitere Ausbaustufe der Automatisierung innerhalb der Planungsprozesse, die sich aktuell bei dem genannten Unternehmen in der Umsetzung befindet, bildet die Nutzung von modernen Analytics-Methoden. Predictive Analytics nutzt fortschrittliche Datenanalysemethoden, um Vorhersagen über zukünftige Ereignisse und Ergebnisse zu treffen. Es handelt sich dabei um einen dynamisc...mehr

Vollmert/Lück, Google Analytics, 2015. Javis, Was würde Google tun?, 2009.mehr

Werfen wir nun einen Blick auf die praktischen Anforderungen, die direkt vom Unternehmen beeinflusst werden können. Hierzu zählen vor allem folgende Bedingungen: Verfügbarkeit der Einflussfaktoren: Die benötigten Inputdaten zur Erstellung des algorithmischen Forecasts sollten mit geringem Aufwand verfügbar sein und automatisiert abgerufen werden können. Insbesondere kann ein ...mehr

Durch die in den letzten Jahren gestiegenen Möglichkeiten der IT ist eine punktuelle oder umfassende IT-Unterstützung der Prozesse möglich, was im Controlling-Prozessmodell 2.0 durch die verbindende "Schicht" der Analytics verdeutlicht wird. Je nach Unternehmen, Geschäfts-, Führungs- oder Steuerungsmodell können analytische Unterstützungen punktuell oder umfassend eingesetzt...mehr

Predictive Analytics beschreibt den Schnittpunkt von Statistik und Computer Science, der sich mit der Extraktion von Informationen aus Daten befasst, um diese zur Vorhersage von Trends und Mustern zu verwenden. Dabei kommen auch in Predictive Analytics statistische Methoden zum Einsatz, wie etwa Data Mining, Regressionsmodelle, Entscheidungsbäume, Clusteranalysen, sowie Meth...mehr

Bishop, Pattern Recognition and Machine Learning, 2006. Gleich/Grönke/Kirchmann, Strategische Unternehmensführung mit Advanced Analytics, 2017. Hastie/Tibshirani/Witten/James, An Introduction to Statistical Learning, 2013. Oehler, Advanced Analytics für Controller, 2019. Provost/Fawcett, Data Science für Unternehmen, 2017. Stephan, Strategietransformation, 2014.mehr

Spezielle Datenverarbeitungssysteme wie ein Data Warehouse oder Business-Intelligence-Systeme (Werkzeug 7 in Abb. 3) dienen dazu, die Daten zu aussagekräftigen Informationen weiterzuverarbeiten. Zum Teil ermöglichen auch bereits ERP-, CRM- oder SCM-Systeme Datenauswertungen. Ziel eines BI-Systems ist die Gewinnung von Erkenntnissen aus den im Unternehmen vorhandenen Daten zur...mehr

Business Analytics als Oberbegriff umfasst die Sammlung von fakten- und datenbasierten Modellen, Methoden und Technologien der Nutzung von Big Data zur Unternehmenssteuerung. Es handelt es sich somit um einen interdisziplinären Ansatz, der analytische Kompetenzen aus der Mathematik, der Statistik und der künstlichen Intelligenz (KI) mit technisch-methodischen IT-Kompetenzen ...mehr

Im ersten Schritt werden grundlegende Potenziale hinsichtlich des Einsatzes von Predictive Analytics mit dem Unternehmen diskutiert, die Hauptprozesse betrachtet und mögliche Use Cases evaluiert. Bei der Identifizierung und Evaluation der möglichen Use Cases kommt insbesondere die Stärke der Kombination von Branchenexperten, die das Marktumfeld genau kennen, und Fachexperten...mehr

Nach Abschluss der Modellierung werden die Modellergebnisse aufbereitet und gemeinsam mit den Fachexperten des Kunden hinsichtlich ihrer Güte und Einsatzfähigkeit evaluiert. Hier werden die letzten Stellschrauben der Modellierung angepasst, um das Optimum aus den Algorithmen herauszuholen. Gegebenenfalls kann hier aber auch das Ergebnis sein, dass eine weitere Modellierungss...mehr

In den nachfolgenden Abschnitten werden 3 aktuelle Praxisbeispiele in anonymisierter Form vorgestellt, um einen Eindruck zu vermitteln, in welchen Bereichen heute schon erfolgreich mit Predictive Analytics gearbeitet werden kann, wie jeweils vorgegangen wurde und welcher Nutzen für das projektgebende Unternehmen erreicht wurde. 4.1 Accounts Receivable Forecast Ausgangslage und Zi...mehr

Predictive Analytics zielt darauf ab, auf Basis von strukturierten Daten Prognosen für zukünftige Ereignisse/Entwicklungsverläufe zu treffen. Die Verfügbarkeit großer Datenmengen bei gleichzeitiger Fähigkeit, diese effizient zu verarbeiten, eröffnet heute neue Möglichkeiten und Anwendungsgebiete. Algorithmisch erstellte Prognosen sind gegenüber klassischen Prognosen höher auto...mehr

Zusammenfassung Überblick Früher kannte der Vertrieb seine Interessenten und Kunden persönlich. Heute erfolgen viele Kontakte mit einem Unternehmen über das Internet und damit erst einmal anonym und unstrukturiert. Erst wenn diese einzelnen Kontaktinformationen erhoben, strukturiert und ausgewertet werden, ergibt sich ein Bild von den einzelnen Web-Besuchern. Über smarte Analys...mehr

Zusammenfassung Predictive Analytics zielt darauf ab, auf Basis von strukturierten Daten Prognosen für zukünftige Ereignisse/Entwicklungsverläufe zu treffen. Die Verfügbarkeit großer Datenmengen bei gleichzeitiger Fähigkeit, diese effizient zu verarbeiten, eröffnet heute neue Möglichkeiten und Anwendungsgebiete. Algorithmisch erstellte Prognosen sind gegenüber klassischen Progn...mehr

Unter Predictive Analytics (PA) versteht man Prozesse, Konzepte und Methoden, mit denen auf Basis von strukturierten (Vergangenheits-)Daten und mithilfe von klassischer Statistik und/oder maschinellem Lernen (Machine Learning), Vorhersagen von Ereignissen gemacht werden können. Vereinfacht geht es darum eine Vorhersage zu machen, welche Entwicklung sich auf Basis einer vorli...mehr

Predictive Analytics ist kein monolithischer Baustein in Form einer einfach zu aktivierenden Funktion, sondern selbst ein Prozess. Der Standard CRISP-DM (Cross Industry Standard Process for Data Mining) skizziert ein mögliches Vorgehensmodell.[1] Beim CRISP-DM handelt es sich um einen Ansatz, Predictive Analytics in klar abgegrenzte Prozessschritte zu strukturieren.[2] Es ze...mehr

Ein wesentliches Einsatzgebiet von Predictive Analytics ist das im Zentrum dieses Beitrags stehende Management Reporting bzw. die Unterstützung der Unternehmenssteuerung in Planung, Budgetierung und Forecasting. Innerhalb des Forecasting bieten sich insb. Prognosen von Absätzen/Umsätzen ("Sales Forecast"), Kosten (z. B. Materialeinkauf, Lagerhaltung) und Geldbewegungen (z. B...mehr

Ausgangslage und Zielsetzung Ein großer Flugzeugturbinenhersteller fragte an, ob durch den Einsatz von Predicitve Analytics der Prozess von Maintenance, Repair and Overhaul (MRO) schneller und effizienter gestaltet werden könnte. Das Unternehmen prüft in regelmäßigen Abständen die im Einsatz befindlichen Triebwerke auf Schäden an den Turbinenschaufeln und tauscht diese gegebe...mehr

Ausgangslage und Zielsetzung Im Rahmen des Planungsprojekts mit einem Energiedienstleister sollte das Potenzial von Predictive Analytics für die Energieversorgerbranche eruiert werden. Dazu sollte beispielhaft auf Grundlage historischer Nachfragemuster und ausgewählter externer Faktoren eine verbesserte Vorhersage des Energieverbrauchs erreicht und somit eine verbesserte Ress...mehr

Die 3 Praxisbeispiele zeigen typische Anwendungsfälle von Predictive Analytics. Auch wenn alle Beispiele auf den gleichen Prinzipien beruhen, bei genauerem Hinschauen unterscheiden sie sich sowohl im Vorgehen als auch der Komplexität der finalen Lösung. Der "one-size-fits-all"-Ansatz ist Stand heute noch nicht gefunden, auch wenn sich insb. im Bereich des Forecasting erste S...mehr

1.1 Definition Unter Predictive Analytics (PA) versteht man Prozesse, Konzepte und Methoden, mit denen auf Basis von strukturierten (Vergangenheits-)Daten und mithilfe von klassischer Statistik und/oder maschinellem Lernen (Machine Learning), Vorhersagen von Ereignissen gemacht werden können. Vereinfacht geht es darum eine Vorhersage zu machen, welche Entwicklung sich auf Bas...mehr

2.1.1 Ist jeder Besucher einer Seite eines Shops etc. ein Lead? Nicht jeder Homepage-Besucher ist ein Lead Je nach Standpunkt des Betrachters – zumindest ist es jedoch ein potenzieller Lead. Zu bewerten bleibt, ob der Besucher sich nur auf die Seite verirrt hat oder wirkliches Interesse am Unternehmen bzw. den Produkten/Dienstleistungen zeigt. Eine klassische Kenngröße für dies...mehr

Vertrieb identifiziert Potenziale Die Aufgabe des Vertriebs ist natürlich, neue Verkaufspotenziale bei bestehenden bzw. neuen Kunden zu identifizieren. Daraus wird dann der Versuch dem "richtigen" Kunden die optimalen Problemlösungen anzubieten, möglichst zur richtigen Zeit oder ggfs. zu versuchen mit ihm in Kontakt zu bleiben. Kein persönlicher Kontakt zu Online-Kunden Das ist...mehr

Spätestens vor der Bereitstellung und Analyse der Unternehmensdaten ist es wichtig, entsprechende Datensicherheitsregelungen wie Non-Disclosure-Agreements (NDAs) zwischen den beteiligten Unternehmen zu vereinbaren. Sind die Verträge abgeschlossen und die Datensicherheit gewährleistet, kann mit dem Angleichen und Harmonisieren der Daten begonnen werden. Dazu sind projektindiv...mehr

Parallel zur Modellentwicklung findet der zur Verankerung im Prozess entscheidende Wissenstransfer zwischen Data Scientists und den späteren Anwendern der algorithmischen Lösung statt. Hierbei sollten unbedingt mögliche Bedenken adressiert und Unklarheiten beseitigt werden, etwa durch Einführungen in die konzeptionellen Grundzüge der verwendeten Modelle und Methoden. Auch so...mehr

Ein nicht zu unterschätzender Faktor, der die Produktivsetzung der algorithmischen Lösung begleiten sollte, um eine nachhaltige und erfolgreiche Lösung zu garantieren, ist ein professionelles Change Management. Adressiert werden sollten dabei insbesondere die Themen Leadership & Team, Organisational Change, Culture Development und Communication Change. Horváth & Partners unt...mehr

Zusammenfassung Die Entwicklungen der letzten Jahre im Bereich Advanced Analytics und Machine Learning werden von vielen Unternehmen als wichtige Hebel gesehen, bisherige manuelle Forecasts zu digitalisieren. Die Vorteile eines algorithmischen Forecasts sind seine höhere Objektivität, ein geringer Aufwand, eine höhere Frequenz und unter bestimmten Voraussetzungen auch eine ver...mehr

Nicht jeder Homepage-Besucher ist ein Lead Je nach Standpunkt des Betrachters – zumindest ist es jedoch ein potenzieller Lead. Zu bewerten bleibt, ob der Besucher sich nur auf die Seite verirrt hat oder wirkliches Interesse am Unternehmen bzw. den Produkten/Dienstleistungen zeigt. Eine klassische Kenngröße für diese Einschätzung wäre hier die Dauer des Besuchs: Je länger der B...mehr

Im zweiten Schritt muss die Ist-Situation umfassend analysiert werden, um zu verstehen, ob die zugrundeliegende Fragestellung für den ausgewählten Use Case richtig gesetzt ist. Die Erfahrung der letzten Jahre zeigt deutlich, dass die meisten Firmen schon in diesem ersten Schritt die größten Fehler machen. Praxis-Beispiel Forecast-Methoden im Sales-Bereich Zur besseren Antizipa...mehr

Die Modellentwicklung (der komplexeste Teil des Projektes) und das Training der Algorithmen erfolgt in Schritt 4. Abhängig von Fragestellung und Datenlage werden verschiedene Modellvarianten erprobt und grundlegende Designentscheidungen zum optimalen Modell getroffen. Vergleichbar dem Verhältnis von Profisportler und Trainer werden Trainingspläne entwickelt, absolviert und d...mehr