Upload
others
View
20
Download
1
Embed Size (px)
Citation preview
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 2 –
Autoren
Lars Iffert
Analyst
Dr. Carsten Bange
Geschäftsführer
Melanie Mack
Head of Research
Jevgeni Vitsenko
Analyst
Diese unabhängige Studie wurde von BARC erstellt, einem objektiven Marktanalysten.
Die Autoren danken Frank Niemann für seine Unterstützung.
Dank eines Sponsorings durch SAS, SDG und Sopra Steria Consulting kann diese Studie kostenfrei
verteilt werden.
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 3 –
Inhaltsverzeichnis
Advanced und Predictive Analytics Schlüssel zur zukünftigen Wettbewerbsfähigkeit?.............4
Management Summary ........................................................................................................................5
94 Prozent der befragten Unternehmen schätzen fortgeschrittene Analyse für zukünftig wichtig
ein ..............................................................................................................................................5
Key User im Fachbereich sind insgesamt die häufigsten Anwender, wobei Best-in-Class-
Unternehmen stark auf Data Scientists setzen .........................................................................6
Technische Hauptprobleme in der Umsetzung sind eine unzureichende Agilität der BI-
Infrastruktur sowie Probleme im Datenmanagement ................................................................6
Fehlende Ressourcen im Fachbereich und fehlendes Verständnis von datengetriebenen
Geschäftsmodellen sind die größten Projekthemmnisse ..........................................................7
Unternehmen für IT/Telekommunikation und der Finanzsektor sind Vorreiter in der Nutzung von
Advanced und Predictive Analytics, Handel und Industrie planen den Einsatz verstärkt .........8
Fortgeschrittene Analysen steigern den Geschäftsnutzen – selbst Nachzügler berichten „etwas
Advanced Analytics“ führt bereits zu spürbarem Nutzen ..........................................................9
Grundlagen von Advanced und Predictive Analytics ................................................................... 10
Ergebnisse der Umfrage .................................................................................................................. 12
Status quo Advanced Analytics in Unternehmen ........................................................................ 13
Organisation von Advanced und Predictive Analytics in Unternehmen ...................................... 16
Technologie für die Umsetzung von Advanced Analytics ........................................................... 22
Advanced Analytics Projekte in Unternehmen ............................................................................ 28
Branchenbetrachtung .................................................................................................................. 35
Nutzen von Advanced Analytics .................................................................................................. 39
BARC-Handlungsempfehlungen ..................................................................................................... 42
Anhang A: Methodik und Demografie............................................................................................. 45
Anhang B: Betrachtung der Unternehmen nach “Best in Class vs. Nachzügler ....................... 47
Anhang C: Glossar ........................................................................................................................... 48
Das Business Application Research Center (BARC) .................................................................... 51
SAS ..................................................................................................................................................... 52
SDG .................................................................................................................................................... 53
Sopra Steria Consulting ................................................................................................................... 54
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 4 –
Advanced und Predictive Analytics Schlüssel zur zu-künftigen Wettbewerbsfähigkeit?
ehr als nur Reporting machen – das
ist die Maßgabe, mit der viele BI-Ver-
antwortliche in das Jahr 2016 gestar-
tet sind. Gerade in der fortgeschrittenen Daten-
analyse und Vorhersagen (Advanced und Pre-
dictive Analytics) liegt großes Potential, aus den
bisherigen Investitionen in BI-Systeme und Da-
tenbestände mehr Nutzen zu ziehen.
Eine Vielzahl von Anwendungsfällen kann von
Advanced und Predictive Analytics profitieren.
Dies reicht von klassischen Kundenwert- und Er-
folgsprognosen, der Verhinderung von Vertrags-
kündigungen oder Preis-, Absatz- und Bedarfs-
prognosen bis zu neuen Aufgaben wie der Vor-
hersage von Maschinenausfällen, Social Media
Monitoring und Auswertung oder Predictive Poli-
cing.
Mit „Advanced Analytics“ werden Datenanalysen
beschrieben, die über einfache mathematische
Berechnungen wie Summen- und Durchschnitts-
bildung, Filterfunktion oder Sortierung hinausge-
hen. Fortgeschrittene Analysen nutzen mathe-
matische und statistische Formeln und Algorith-
men mit dem Ziel, neue Informationen zu erzeu-
gen, Muster zu erkennen und auch Vorhersage-
werte mit den zugehörigen Wahrscheinlichkeiten
zu berechnen. „Predictive Analytics“ stellt einen
Teilbereich von „Advanced Analytics“ dar und fo-
kussiert auf die Ermittlung von zukünftigen Er-
eignissen, Werten und Information mit ihren je-
weiligen Wahrscheinlichkeiten.
Die Anwenderstudie untersucht dabei folgende
Schwerpunkte:
Anwendungsbeispiele und erreichte Mehr-
werte
Reifegrad der Unternehmen und strategi-
sche Ausrichtung
Aktueller und geplanter Einsatz in verschie-
denen Branchen
Big Data und Predictive Analytics
Anforderungen an Software und IT-Dienst-
leister sowie Investitionsplanung
Organisatorische Umsetzung, (z.B. in Form
von Data Science Teams oder Competence
Centern)
Notwendige Qualifikationen des Personals
Einfluss von Trends (z.B. intuitive Benutzer-
oberflächen, agile, schnelle und flexible Bu-
siness-Intelligence-Infrastrukturen)
Die Studie wurde völlig unabhängig durch BARC
erstellt. Sie kann dank eines Sponsering von
SAS und SDG kostenfrei veröffentlicht werden.
Besonderer Dank gilt schon jetzt allen, die auch
an zukünftigen Befragungen von BARC teilneh-
men, denn nur so sind auch weiterhin Beiträge
zu Diskussionen mit empirisch fundierter Daten-
basis möglich.
Würzburg, 14. Januar 2016
Lars Iffert, Carsten Bange, Melanie Mack,
Jevgeni Vitsenko
M
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 5 –
Management Summary
Zur Umsetzung von Advanced und Predictive
Analytics müssen Verantwortliche in Unterneh-
men einige Entscheidungen treffen: Welche An-
wendungsfälle sollen angegangen werden, wel-
chen Stellenwert soll das Thema generell im
Unternehmen haben, welche Rollen mit wel-
chen Fähigkeiten sollen aufgebaut oder genutzt
werden und auf welche Technologie möchte
man sinnvollerweise setzen?
Mit 210 Teilnehmern aus der DACH-Region bei
einer breit gefächerten Branchenverteilung
deckt die Studie verschiedene Unternehmens-
größen ab und bietet einen objektiven Blick auf
den Status quo und die Planung von Unterneh-
men hinsichtlich Advanced und Predictive Ana-
lytics.
Die wesentlichen Erkenntnisse der Studie las-
sen sich zu sechs Hot Spots zusammenfassen.
94 Prozent der befragten Unternehmen schätzen
fortgeschrittene Analyse für zukünftig wichtig ein
Die Bedeutung von Advanced und Predictive
Analytics wird von den 210 teilnehmenden Un-
ternehmen hoch eingeschätzt: Über 40 Prozent
der Befragten berichten, dass fortgeschrittene
Analysen bereits heute für sie wichtig sind. Fast
alle (94 Prozent) sehen Advanced und Predic-
tive Analytics für zukünftig wichtig für ihr Unter-
nehmen.
Momentan setzen 37 Prozent der befragten Un-
ternehmen fortgeschrittene Analysen ein, aller-
dings von diesen nur fünf Prozent häufig und 32
Prozent vereinzelt. Neben diesen Praktikern
planen weitere 24 Prozent die kurzfristige und
21 Prozent die langfristige Einführung. 18 Pro-
zent der befragten Unternehmen planen keine
Nutzung von fortgeschrittener Analyse.
Die Ergebnisse decken sich mit den Erfahrun-
gen von BARC: in recht wenigen Unternehmen
ist die Erfahrung mit fortgeschrittenen Analyse-
verfahren, ihren Potentialen und der entspre-
chenden Umsetzung in Organisation, Prozes-
sen und Technologie heute bereits sehr weit
fortgeschritten, sodass eine häufige Nutzung
überhaupt möglich ist. Die meisten Unterneh-
men tasten sich noch an die Thematik heran
und wählen Anwendungsfälle (Use Cases) aus,
die mit verhältnismäßig wenig Aufwand einen
hohen Mehrwert versprechen. Ist fortgeschrit-
tene Analysen dem Unternehmen zukünftig
wichtig (so wie es 94 Prozent der Befragten an-
gegeben haben), so sollte ein Paradigmen-
wechsel von der rückwärtsgewandten in eine
zukunftsgerichtete und explorative Sicht auch in
der Unternehmensstrategie entsprechenden
Eingang finden. Aus dieser angepassten Stra-
tegie leiten sich Maßnahmen ab, um die Auf-
bau- und Ablauforganisation fit für fortgeschrit-
tene Analysen zu machen, sowie die Technolo-
gie anzupassen oder zu ergänzen um die soft-
waregestützte Umsetzung zu gewährleisten.
Hot Spot 1
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 6 –
Key User im Fachbereich sind insgesamt die
häufigsten Anwender, wobei Best-in-Class-
Unternehmen stark auf Data Scientists setzen
Eine Schlüsselrolle fällt auch den Key Usern im
Fachbereich zu, die insgesamt die häufigsten
Nutzer von Advanced Analytics sind (29 Pro-
zent). Idealerweise kombinieren sie Domänen-
wissen aus dem Fachprozess mit analytischen
Fähigkeiten.
Data Scientists, welche über fundierte statis-
tisch-mathematische und betriebswirtschaftli-
che Kenntnisse verfügen werden besonders
häufig bei Best-in-Class-Unternehmen einge-
setzt (54 Prozent Best-in-Class versus 15 Pro-
zent Nachzügler). Best-in-Class-Unternehmen
sind diejenigen Unternehmen, die von sich sa-
gen, im Bereich fortgeschrittener Analyse bes-
ser als der Wettbewerb aufgestellt zu sein. Fä-
higkeiten. Erste Unternehmen berichten aller-
dings schon über Schwierigkeiten bei der Rek-
rutierung. Eine Knappheit ist hier absehbar.
Unternehmen planen einen breiteren Einsatz
von fortgeschrittener Analyse: Im nächsten Jahr
sollen doppelt, darüber hinaus dreifach so viele
Mitarbeiter in sämtlichen Bereichen fortge-
schrittene Analysen anwenden.
Nur 14 Prozent dieser Unternehmen nutzen ak-
tuell externe Dienstleister. Kurz oder lang-
fristig wollen weitere zwölf beziehungs-
weise elf Prozent Hilfe hinzuziehen.
Technische Hauptprobleme in der Umsetzung
sind eine unzureichende Agilität der BI-
Infrastruktur sowie Probleme im
Datenmanagement
Als technisches Hauptproblem gibt jedes zweite
Best-in-Class-Unternehmen und 41 Prozent der
„Nachzügler“ eine unzureichend agile BI-Inf-
rastruktur an. Die für die Auswertungen und
Analysen zur Verfügung stehenden Technolo-
gien und Prozesse sind also nicht schnell genug
anpassbar, um neue Aufgabenstellungen zu lö-
sen.
Ferner geben über 30 Prozent der Unterneh-
men an, dass Probleme im Datenmanage-
ment (fehlender Zugriff auf Datenquellen, Feh-
ler im Datenmanagement, z.B. schlechte Da-
tenqualität) fortgeschrittene Analysen beein-
trächtigen.
Zehn bis 25 Prozent der Unternehmen klagt zu-
dem über eine unzureichende Softwareunter-
stützung (keine intuitiven Benutzeroberflä-
chen, unflexible Werkzeuge, fehlende Soft-
warefunktionen) sowie schlechte Systemper-
formance (fehlende Skalierbarkeit der Sys-
teme, schlechte Antwortzeiten der datenliefern-
den Systeme und der Advanced- und Predic-
tive-Analytics-Lösung).
Fortgeschrittene-Analyse-Initiativen können nur
dann erfolgreich sein, wenn die Beteiligten in
den unterschiedlichen Projektphasen auch
technologisch unterstützt werden. Doch einmal
mehr belegt auch die aktuelle Befragung, dass
Mitarbeiter, die sich eigentlich auf die Suche ei-
nes passenden statistischen Modells konzent-
rieren sollten, von zeitraubenden technischen
Problemen ausgebremst werden. Eine
Hot Spot 2
Hot Spot 3
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 7 –
schlechte Datenqualität, nicht angebundene o-
der schlecht dokumentierte Datenquellen und
fehlende Funktionen in der Software führen zu
Mehraufwand. IT-Abteilungen sollten dies als
Anlass nehmen und auf eine bessere Ausstat-
tung drängen! Schließlich profitieren von einer
höheren Datenqualität sowie einfacher nutzba-
ren und dokumentierten Daten auch viele an-
dere Mitarbeiter bei der täglichen Arbeit wie der
durchschnittliche BI-Anwender beim Ad-hoc
Reporting oder der Nutzung von „Self Service“-
Lösungen.
Fehlende Ressourcen im Fachbereich und
fehlendes Verständnis von datengetriebenen
Geschäftsmodellen sind die größten
Projekthemmnisse
Allgemein kämpfen Best-in-Class-Unterneh-
men als auch Nachzügler mit ähnlichen allge-
meinen Problemen in ihren Advanced- und Pre-
dictive-Analytics-Projekten: etwa die Hälfte be-
klagt fehlende Ressourcen im Fachbereich,
über ein Drittel fehlende Ressourcen in der IT,
sowie fehlendes Verständnis für datengetrie-
bene Geschäftsmodelle.
Technische Probleme (hohe Komplexität der
Lösung, hoher Implementierungsaufwand, feh-
lendes technisches Know-how) beeinträchtigen
etwa ein Viertel der Unternehmen.
Bei der Gegenüberstellung von Best-in-Class-
Unternehmen und Nachzüglern fallen beson-
ders zwei Ergebnisse auf – Datenschutz und
Organisation.
Nachzügler werden besonders oft durch eine
fehlende organisatorische Verankerung aus-
gebremst (31 Prozent), wohingegen nur elf Pro-
zent der Best-in-Class-Unternehmen dies an-
merken. Letztere haben demnach notwendige
organisatorische Maßnahmen bereits ergriffen.
Eine weitere Auffälligkeit ist die Bedeutung des
Datenschutzes (dem Schutz persönlicher Da-
ten) im Kontext fortgeschrittener Analysen. Fast
die Hälfte der Best-in-Class-Unternehmen sieht
sich hier mit Problemen konfrontiert, jedoch
schätzen nur elf Prozent der Nachzügler das
Thema als problembehaftet an. Der Grund kann
ein noch fehlendes Problembewusstsein der
Nachzügler sein oder aber auch dass Nachzüg-
ler sich bei ihren Advanced-Analytics-Projekten
vordergründig mit Daten beschäftigen, die noch
nicht als derart schützenswert eingestuft wer-
den müssen. Best-in-Class-Unternehmen hin-
gegen wünschen sich ggfs. für ihre weiter ent-
wickelten Projekte jedoch auch die Einbezie-
hung von schützenswerten Daten.
Hot Spot 4
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 8 –
Unternehmen für IT/Telekommunikation und der
Finanzsektor sind Vorreiter in der Nutzung von
Advanced und Predictive Analytics, Handel und
Industrie planen den Einsatz verstärkt
Vorreiter in der Anwendung von Advanced Ana-
lytics sind der Finanz- sowie der IT- und Tele-
kommunikationssektor. Hier gaben mehr als die
Hälfte der teilnehmenden Unternehmen an An-
wender zu sein. In beiden Branchen haben die
hohe Kundenzahl verknüpft mit wachsendem
Wettbewerbsdruck sowie die Verluste durch
Betrug den Einsatz fortgeschrittener Analysen
früh gefördert. In allen anderen Branchen ge-
ben nur ca. 30 Prozent der Unternehmen an,
bereits heute Advanced Analytics zu nutzen. Al-
lerdings planen die meisten Branchen, von fort-
geschrittenen Analysen in Zukunft zu profitie-
ren. Besonders hohe Planwerte haben hier
Handel und Industrie, in denen Digitalisierungs-
initiativen stark auf die Datennutzung abzielen.
Insgesamt will nur etwa jedes zehnte Unterneh-
men ganz auf Advanced Analytics verzichten
(allein im Dienstleistungsbereich ist es jedes
dritte).
Hot Spot 5
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 9 –
Fortgeschrittene Analysen steigern den
Geschäftsnutzen – selbst Nachzügler berichten
„etwas Advanced Analytics“ führt bereits zu
spürbarem Nutzen
Etwa die Hälfte der Best-in-Class-Unterneh-
men berichten, dass durch fortgeschrittene
Analyse die Planungssicherheit und der Um-
satz verbessert sowie neue Geschäftsmo-
delle, Produkte und Dienstleistungen entwi-
ckelt werden konnten.
Die Nachzügler, die Advanced Analytics be-
reits nutzen, sind den Best-in-Class-Unterneh-
men erstaunlich dicht auf den Fersen. Auch hier
gibt etwa jedes dritte Unternehmen an, in den
oben genannten Bereichen durch fortgeschrit-
tene Analysen zu profitieren. Das bedeutet:
selbst „etwas Advanced Analytics“ kann bereits
großen Nutzen erbringen.
Betrachtet man die Erwartungen an die unter-
schiedlichen aufgeführten Geschäftsnutzen, die
die Nachzügler angegeben haben, die noch
nicht über Advanced-Analytics-Konzepte, -Or-
ganisationsformen und -Technologien verfü-
gen, jedoch die Nutzung planen, so fällt auf,
dass die meisten dieser Erwartungen ähnlich
hoch gewichtet sind, wie sie später auch von
Best-in-Class oder sogar Advanced-Analytics-
nutzenden Nachzüglern erzielt werden (jeweils
ca. 30 bis 45 Prozent).
Hot Spot 6
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 10 –
Grundlagen von Advanced und Predictive Analytics
Mit „Advanced und Predictive Analytics“ werden
Datenanalysen beschrieben, die über einfache
mathematische Berechnungen wie Summen-
und Durchschnittsbildung, Filterfunktion oder
Sortierung hinausgehen. Diese fortgeschritte-
nen Analysen nutzen mathematische und sta-
tistische Formeln und Algorithmen mit dem Ziel,
neue Informationen zu erzeugen, Muster zu er-
kennen und auch Vorhersagewerte mit den zu-
gehörigen Wahrscheinlichkeiten zu berechnen
(vgl. Abbildung 1).
Abbildung 1: Advanced & Predictive Analytics in der Klassifizierung von BI-Software
Die Zahl möglicher Anwendungsfälle ist im-
mens und reicht von klassischen Kundenwert-
und Erfolgsprognosen, der Verhinderung von
Vertragskündigungen oder Preis-, Absatz- und
Bedarfsprognosen bis zu neuen Aufgaben wie
der Vorhersage von Maschinenausfällen,
Social Media Monitoring und Auswertung oder
Predictive Policing.
Allgemein kann zwischen „Optimierung“ und
„Innovation“ unterschieden werden: Fortge-
schrittene Analysen ermöglichen es, beste-
hende Prozesse beispielsweise in Form einer
genaueren Verkaufsplanung (und somit Pro-
duktions- und Einkaufsplanung) zu verbessern.
Zum anderen können jedoch auch neue Ein-
sichten, die fortgeschrittene Analysen ermitteln,
neue Geschäftspotentiale aufzeigen oder gar
neue Produkte und Dienstleistungen möglich
machen. So ist eine Kundenklassifikation nach
A-, B- und C-Kunden in Bezug auf den zukünf-
tigen Umsatz wertvoller als eine rein vergan-
genheitsbezogene Einstufung. Stellt man als
Maschinenhersteller die Wartung der Maschi-
nen beim Kunden von vergangenheitsorientier-
ten Expertenschätzungen auf die Analyse und
Interpretation aktueller Maschinensensordaten
um, so können Wartungen im Bedarfsfall erfol-
gen, was Zeit und Geld spart. Zudem könnten
dem Kunden zusätzliche Anwendungen ange-
boten werden, die beispielsweise die Sensorda-
ten visualisieren und zukünftige Wartungster-
mine aufzeigen, um so mehr Transparenz und
Unterstützung zu bieten.
Die Aufgaben, die fortgeschrittene Analysen lö-
sen helfen, lassen sich vereinfacht wie folgt un-
tergliedern:
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 11 –
Segmentierung: Erzeugung von Gruppen
aufgrund von Ähnlichkeiten der herange-
zogenen Objekte;
Assoziation: Identifikation der Häufigkeit
des gemeinsamen Auftretens und gegebe-
nenfalls die Ableitung von Regeln wie „Aus
A und B folgt meist C“;
Klassifikation: Bisher nicht Klassen zuge-
ordnete Elemente werden bestehenden
Klassen zugeordnet;
Regressionsanalyse: Identifizierung von
Beziehungen zwischen Elementeigen-
schaften;
Prognose: Ableitung zukünftiger Werte.
Ein wesentlicher Charakterzug von Projekten
im Umfeld der fortgeschrittenen Analysen ist die
vergleichsweise hohe Wahrscheinlichkeit des
Scheiterns: klassische Berichte zeigen nur Da-
ten – sind diese richtig, sind es die Berichte
höchstwahrscheinlich auch, da moderne BI-
Umgebungen seit Jahrzenten weiterentwickelt
werden und die Methoden und Konzepte zur
Berichtserstellung entsprechend gereift sind.
Demgegenüber ist nicht immer sichergestellt,
dass eine fortgeschrittene Analyse tatsächlich
im Stande ist, erwartete Ergebnisse zu liefern:
Für eine Kundenklassifikation steht heute eine
Vielzahl von Standard-Algorithmen bzw. Metho-
den bereit, und ständig werden neue entwickelt.
Genau die beste für die eigenen Daten zu fin-
den hängt von den Fähigkeiten des Experten o-
der dem genutzten Softwaresystem ab. Zudem
können die Algorithmen bei der Findung eines
geeigneten Ergebnisses (z.B. des Kundenklas-
sifikationsmodells) auch an mangelnden Daten
scheitern. Zeichnet sich im Rahmen der Umset-
zung eines fortgeschrittenen Analyseprojektes
ab, dass kein Ergebnis gefunden werden kann,
so sollte man es abbrechen und das nächste
Projekt beginnen.
Zusätzlich müssen Anwender von fortgeschrit-
tenen Analyseverfahren mehr Expertise in der
Arbeit mit Wahrscheinlichkeiten aufbauen:
Stellen klassische BI-Berichte korrekte Zahlen
dar, so sind Ergebnisse fortgeschrittener Analy-
sen unbedingt anhand ihrer Wahrscheinlichkei-
ten zu interpretieren! Die Güte einer Umsatz-
prognose oder Kundenklassifikation sollte somit
nicht nur auf jeder Auswertung vermerkt und
kommuniziert, sondern auch fortlaufend über-
wacht und optimiert werden.
Die Möglichkeiten und Potentiale von fortge-
schrittenen Analysen sind immens.1 Doch wie
häufig setzen Unternehmen Advanced und Pre-
dictive Analytics heute und zukünftig ein und für
wie relevant halten sie die Konzepte und Tech-
nologien?
1 weitere Anwenderbeispiele für erfolgreiche Initiativen im Umfeld von fortgeschrittenen Analysen sind im PAC In-
novation Register (http://www.innovation-register.com) aufgeführt
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 12 –
Ergebnisse der Umfrage
Unternehmen befindet sich oft in der Findungs-
phase, wie sie sich in Bezug auf fortgeschrittene
Analyse aufstellen wollen. In der Marktumfrage
wurden die Teilnehmer gebeten, ihre Kompeten-
zen gegenüber dem Wettbewerb einzuschätzen.
Darauf aufbauend wurden die Teilnehmer in
„Best-in-Class“ und „Nachzügler“ aufgeteilt.
Diese Klassifikation wird in vielen Analysen in
der Studie aufgegriffen, um zu differenzieren,
welche Erfahrungen von den beiden Gruppen je-
weils gemacht wurden, bzw. welche Herausfor-
derungen und Chancen sie sehen.
Die Studienergebnisse sind wie folgt gegliedert:
Status quo Advanced und Predictive Analy-
tics in Unternehmen - Ergebnisse zur aktuel-
len Nutzung und Bedeutung.
Organisation in Unternehmen - Welche Ab-
teilungen nutzen heute (und in Zukunft) fort-
geschrittene Analyse, welche Aufbauorgani-
sationen werden verwendet, welche Anwen-
dergruppen sind beteiligt, welche Fähigkeiten
sind besonders relevant?
Technologie für die Umsetzung - Welche
Werkzeuge werden für die Umsetzung von
fortgeschrittenen Analysen verwendet, wel-
che technischen Hemmnisse treten auf?
Erfahrungen aus Advanced-Analytics-Pro-
jekten - Welche allgemeinen Probleme treten
auf, was für Daten werden genutzt, welche
Verfahren werden für fortgeschrittene Analy-
sen genutzt, welche Rolle spielt Big Data im
Kontext von Advanced Analytics?
Branchenbetrachtung - Welche Branchen
nutzen aktuell und planen die Nutzung von
fortgeschrittenen Analysen, Auflistung von
Use Cases.
Nutzen von Advanced Analytics - Welcher
Geschäftsnutzen wird durch fortgeschrittene
Analysen erreicht (z.B. bessere Planung,
Umsatzsteigerung, etc.), welche Herange-
hensweisen haben sich für die Umsetzung
von fortgeschrittener Analyse als wertvoll ge-
zeigt?
.
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 13 –
Status quo Advanced Analytics in Unternehmen
Im Zuge der Digitalisierung sind Datenmanage-
ment und Datenanalyse typische Ansatzpunkte
für eine Effizienzsteigerung in Prozessen, neue
Produkte und Geschäftsmodelle. Wir haben die
Teilnehmer der Studie nach ihren aktuellen Her-
ausforderungen gefragt, um den Kontext von
Datennutzung und Datenanalyse zu verstehen.
Jedes zweite Unternehmen nennt demnach als
wichtigste Herausforderungen die Notwendig-
keit von Kostenreduktion, Steigerung von Pro-
zesseffizienz und bessere Prozesssteuerung
sowie die Entwicklung neuer Geschäftsmo-
delle, Produkte oder Dienstleistungen. Nachge-
lagert besteht Bedarf an der Unterstützung stra-
tegischer Entscheidungen, einer Umsatzerhö-
hung, dem Aufbau eines besseren Kundenver-
ständnisses, einer besseren Planbarkeit, Quali-
tätsverbesserungen und einem besseren
Marktverständnis (Abbildung 2).
Abbildung 2: Welches sind die wichtigsten Herausforderungen vor denen Ihr Unternehmen
heute steht? (n=209)
54%
50%
48%
44%
42%
40%
38%
36%
29%
9%
Kostenreduktion, Steigerung der Prozesseffizienz
Steuerung der Prozesse
Entwicklung neuer Geschäftsmodelle/Produkte
Unterstützung für strategische Entscheidungen
Erhöhung des Umsatzes
Besseres Kundenverständnis
Bessere Planbarkeit
Verbesserung der Qualität/Produkte
Verständnis des Marktes/Wettbewerbs
Einbindung von externen Partnern
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 14 –
Nur fünf Prozent der Unternehmen setzen fortgeschrittene Analysen heute häu-
fig ein – immerhin fast ein Drittel vereinzelt
Abbildung 3: „Nutzen Sie Advanced und Predictive Analytics in Ihrem Unternehmen?“
(n=210)
Die Auswertung der Anwenderbefragung über-
rascht: nur fünf Prozent der befragten Unter-
nehmen setzen aktuell Advanced Analytics
häufig ein; ein Drittel immerhin vereinzelt. Je-
doch plant ein weiteres Viertel die kurzfristige
und ein Fünftel die langfristige Einführung. Nur
18 Prozent der befragten Unternehmen planen
keine Nutzung fortgeschrittener Analysen.
5%
32%
24%
21%
18%
Ja, Advanced und Predictive Analyticshäufig genutzt
Ja, Advanced und Predictive Analyticsvereinzelt genutzt
Nein, innerhalb der nächsten 12Monate geplant
Nein, langfristig geplant
Nein
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 15 –
Fast alle Unternehmen (94 Prozent) schätzen fortgeschrittene Analyse für zu-
künftig wichtig für ihr Unternehmen ein
Abbildung 4: „Wie relevant ist Advanced und Predictive Analytics heute und zukünftig für Ihr
Unternehmen?“ (n=171)
Die Einschätzung könnte eindeutiger nicht aus-
fallen: bereits heute betrachten 40 Prozent aller
Unternehmen Advanced und Predictive Analy-
tics als strategisch wichtig, künftig werden es
fast alle sein (94 Prozent).
Doch wie viel Erfahrung haben Unternehmen
tatsächlich bereits mit fortgeschrittenen Analy-
sen praktisch gesammelt? Hier decken sich die
Ergebnisse der Umfrage sich mit den Projekter-
fahrungen von BARC: es sind erst recht weni-
gen Unternehmen, die heute das Potential fort-
geschrittener Analyseverfahren in größerem
Umfang nutzen und organisatorisch, in den Pro-
zessen und technisch umgesetzt haben. Die
meisten Unternehmen tasten sich hingegen
noch an die Thematik heran und wählen ein-
zelne Projekte aus, die mit verhältnismäßig we-
nig Aufwand einen hohen Mehrwert verspre-
chen. So bietet es sich an, beispielsweise für
das Marketing die Kundenklassifikationsfunkti-
onen des CRM-Systems zu nutzen, um nur
denjenigen Kunden teure Werbebriefe zukom-
men zu lassen, welche auch eine hohe Wahr-
scheinlichkeit für den Kauf aufweisen. Derartige
in die bestehenden operativen (z.B. CRM-) Sys-
teme eingebauten Funktionen sind allerdings
typischerweise recht beschränkt. Unterneh-
men, denen fortgeschrittene Analysen zukünftig
wichtig sind (so wie es 94 Prozent der Befragten
angegeben haben), sollten einen Wandel von
der bisherigen rückwärtsgewandten hin zu ei-
ner zukunftsgerichteten und explorativen Sicht
auch in der Unternehmensstrategie entspre-
chenden einleiten. Aus dieser modifizierten
Strategie leiten sich Maßnahmen zur Verbesse-
rung der Aufbau- und Ablauforganisation für
fortgeschrittene Analysen ab sowie die Anpas-
sung beziehungsweise Auswahl von Technolo-
gien, um die softwaregestützte Umsetzung zu
gewährleisten.
5%
46%
37%
48%
44%
6%
14%Heute
Zukünftig
Sehr wichtig Wichtig Weniger wichtig Überhaupt nicht wichtig
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 16 –
Organisation von Advanced und Predictive Analytics in
Unternehmen
Die Teilnehmer der Studie gaben Rückmeldun-
gen zu den Fragen, welche Fachbereiche fort-
geschrittene Analysen einsetzen und welche
Benutzertypen („Rollen“) mit deren Umsetzung
betraut werden. Zudem wurde analysiert, inwie-
fern Advanced-Analytics-Projekte institutionali-
siert sind – also mittels spezieller Organisati-
onseinheiten oder doch projektgetrieben durch-
geführt werden. Eine weitere Frage war, welche
Mitarbeiterqualifikationen besonders wichtig für
fortgeschrittene Analysen sind.
Advanced Analytics wird vor allem von Finanz-, IT- und Management genutzt
Abbildung 5: „Welche Fachbereiche setzen heute bzw. planen zukünftig Advanced- und Pre-
dictive-Analytics-Methoden einzusetzen?“ (n=170)
Aktuell wird Advanced Analytics vor allem in
den Bereichen Finanzen, IT und im Manage-
ment genutzt. Dies kann an dem Profil unserer
Stichprobe liegen, zeigt aber dennoch, dass es
auch viele Anwendungsfälle neben den am
häufigsten sichtbaren Anwendungsbeispielen
aus Marketing- und Vertrieb gibt.
Der Prozentsatz der tatsächlichen Anwender je
Abteilung ist mit bis zu 18 Prozent noch recht
niedrig. Allerdings ist für die meisten Bereiche
eine kurz- und langfristige Nutzung geplant.
Hierbei planen insbesondere die klassischen
Finanz- und Vertriebsabteilungen eine entspre-
chende Nutzung (etwa 85 Prozent dieser Abtei-
lungen wollen von fortgeschrittener Analyse
profitieren). Wir gehen davon aus, dass im Fi-
nanzbereich ein besonderer Fokus auf Vorher-
sageverfahren zur Unterstützung und Automa-
tisierung von Planung und Forecasting liegt.
Vertriebs- und Marketingeinheiten nutzen Ad-
vanced Analytics inzwischen in sehr vielen An-
wendungsszenarien, von der Absatzprognose
und Sortimentsplanung über Preisfindung bis
hin zu genaueren Empfehlungen und Zielgrup-
penansprache.
18%
18%
15%
14%
13%
13%
10%
9%
6
4%
31%
16%
31%
38%
36%
19%
29%
22%
16%
8%
37%
26%
41%
29%
38%
27%
26%
31%
32%
25%
Finanzen und Controlling
IT
Management
Marketing
Vertrieb
Forschung & Entwicklung
Logistik/Supply Chain
Produktion
Beschaffungswesen/Einkauf
Personalwesen
Im Einsatz Geplant innerhalb von 12 Monaten Langfristig geplant
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 17 –
Abbildung 6: „Welche Fachbereiche setzen Advanced und Predictive Analytics ein?“ nach
Best-in-Class und Nachzügler (n=170)
In Best-in-Class-Unternehmen nutzt auf einer
Linie mit der IT und den Finanzabteilungen das
Management fortgeschrittene Analysen (36 bis
39 Prozent). Diese Erkenntnis zeigt die strate-
gische Bedeutung von Advanced Analytics,
überrascht aber dennoch: typische Werkzeuge
für fortgeschrittene Analysen sind noch immer
recht technisch und erfordern eine entspre-
chende Einarbeitung. Allerdings gestalten An-
bieter die Werkzeuge immer intuitiver oder fü-
gen den Produkten neue Ansätze der Benutzer-
führung hinzu. Entscheider im Management
profitieren von dieser Entwicklung.
39%
38%
36%
19%
18%
17%
17%
7%
6%
10%
14%
14%
13%
12%
12%
8%
3%
6%
Management
IT
Finanzen und Controlling
Marketing
Forschung & Entwicklung
Vertrieb
Produktion
Personalwesen
Beschaffungswesen/Einkauf
Best-in-Class-Unternehmen Nachzügler
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 18 –
Key User im Fachbereich sind insgesamt die häufigsten Anwender, wobei
Best-in-Class Unternehmen stark auf Data Scientists setzen
Abbildung 7: „Wer führt bei Ihnen im Unternehmen Advanced und Predictive Analytics durch
bzw. wird dies durchführen?“ (n = 170)
Abbildung 8: „Wer führt bei Ihnen im Unternehmen Advanced und Predictive Analytics durch
bzw. wird dies durchführen?“ nach Best-in-Class und Nachzügler (n=170)
Für die Umsetzung von fortgeschrittenen Ana-
lysen wie dem Ermitteln eines passenden Um-
satzprognose- oder Kundenklassifikationsmo-
dells sind gewisse mathematische und statisti-
sche Kenntnisse erforderlich. Data Scientists,
die 15 Prozent der Nachzügler aber 54 Prozent
29%
23%
21%
15%
14%
28%
29%
23%
10%
12%
32%
21%
23%
28%
11%
11%
27%
33%
47%
62%
Key User im Fachbereich
BI CC (Business Intelligence CompetenceCenter)
Data Scientist
Gelegenheitsanwender im Fachbereich
Externer Dienstleister
Aktuell Geplant innerhalb von 12 Monaten Langfristig geplant Nicht geplant
54%
48%
44%
10%
9%
15%
25%
19%
15%
16%
Data Scientist
Key User im Fachbereich
BI CC (Business IntelligenceCompetence Center)
Externer Dienstleister
Gelegenheitsanwender im Fachbereich
Best-in-Class-Unternehmen Nachzügler
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 19 –
der Best-in-Class-Unternehmen nutzen, verfü-
gen typischerweise über entsprechende Fähig-
keiten. Erste Unternehmen berichten allerdings
schon über Schwierigkeiten bei der Rekrutie-
rung. Eine Knappheit ist hier absehbar.
Eine Schlüsselrolle fällt auch den Key Usern im
Fachbereich zu, die insgesamt die häufigsten
Nutzer von Advanced Analytics sind. Idealer-
weise kombinieren sie Domänenwissen aus
dem Fachprozess mit analytischen Fähigkeiten.
Eine weitere starke Rolle spielen Business In-
telligence Competence Center (BICC). Auch
nach unserer Wahrnehmung werden in diesen
Organisationseinheiten verstärkt Ressourcen
für die Fortgeschrittene Analyse aufgebaut, um
der Nachfrage gerecht zu werden und die Ver-
knüpfung mit der BI sicherzustellen.
Unternehmen planen über alle Anwendergrup-
pen (Key User im Fachbereich, BICC, Data Sci-
entists, Gelegenheitsnutzer im Fachbereich,
externer Dienstleister) mehr fortgeschrittene
Analysen: Im nächsten Jahr sollen doppelt, dar-
über hinaus dreifach so viele Mitarbeiter in
sämtlichen Bereichen fortgeschrittene Analy-
sen anwenden.
Best-in-Class-Unternehmen setzen nach wie
vor wenig auf externe Dienstleister (aktuell 14
Prozent, kurzfristig beziehungsweise langfristig
planen diese weitere zwölf und elf Prozent).
Nachzügler verlassen sich etwas mehr auf ex-
terne Unterstützung. Insbesondere um Exper-
tise in dem recht neuen Gebiet der fortgeschrit-
tenen Analyse aufzubauen, ist es sinnvoll, sich
durch externe Unternehmen beraten zu lassen
und erste Pilotprojekte umzusetzen. Einige
Dienstleister bieten „Data Scientist as a Ser-
vice“ an um diesen Bedarf zu decken. Für die
Nutzung und kurzfristige Modifikation der erar-
beiteten Modelle und Algorithmen und die Etab-
lierung fortgeschrittener Analysen im Unterneh-
men, sollten jedoch verlässliche und fachlich
eingearbeitete Spezialisten bereit stehen, die
bestenfalls direkt im Unternehmen angesiedelt
sind.
Schlüsselkompetenzen zur Umsetzung: Datenaufbereitung ist wichtiger als ma-
thematisch-/statistisches Verständnis
Abbildung 9: Fortgeschrittene Analysen entlang des Analytischen Zyklus umsetzen
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 20 –
Für die Umsetzung fortgeschrittener Analysen
hat sich die in Abbildung 9 dargestellte Heran-
gehensweise als sinnvoll herausgestellt.
Aufgabenverständnis: Abstimmung von
Projektauftrag, Ausgangssituation, Er-
wartungshaltung an das Projekt, Dar-
stellung betriebswirtschaftlicher Ziele
Aufbau des Datenverständnisses, Da-
tenselektion, Datenintegration & Daten-
aufbereitung
Modellierung & Modellvalidierung: Er-
mittlung des günstigsten Modells (z.B.
Umsatzprognose- oder Kundenklassifi-
kationsmodell)
Ergebnisevaluation und Gütebewer-
tung: Prüfung des Modells auf Stimmig-
keit; Fehlerbetrachtung; Gegenüber-
stellung der Ergebnisse mit Projektauf-
trag
Operationalisierung: Verfügbarma-
chung der Ergebnisse in operativen
Prozessen (z.B. Einbau des Kunden-
klassifikationsmodells in das ERP-Sys-
tem zur automatischen Kundenklassifi-
kation)
Fortlaufende Bewertung der Güte des
Modells: Monitoring, inwiefern das Mo-
dell Ergebnisse in einer definierten
Güte liefert (z.B. Prüfung, ob die Kun-
denklassifikation bei geänderter Kun-
denstrategie weiterhin genutzt werden
kann oder justiert werden muss)
Typischerweise werden die unterschiedlichen
Aufgaben in den unterschiedlichen Phasen (Ko-
ordination, Datenintegration, Modellierung,
Operationalisierung) durch Mitarbeiter mit ent-
sprechenden Kenntnissen umgesetzt.2
Doch welche Mitarbeiter-Fähigkeiten stellen
sich in Unternehmen als besonders wichtig für
Fortgeschrittene-Analyse-Projekte heraus?
Abbildung 10: „Wie wichtig sind folgende Fähigkeiten für die Durchführung von fortgeschrit-
tenen Analysen?“ (n=170)
2 Weiterführende Erfolgsfaktoren von Advanced-Analytics-Projekten finden sich in der BARC-Marktübersicht „Marktübersicht Predictive Analytics Werkzeuge“ (http://barc.de/predictive)
60%
42%
36%
32%
20%
17%
5
36%
54%
53%
47%
61%
62%
25%
3
4
10%
19%
17%
19%
56%
1
1
2
2
1
14%
Fähigkeiten zur Datenaufbereitung
Statistisches, mathematisches Verständnis
Know-how über spezifische Geschäftsprozesse
Moderation zwischen Fachbereich und IT
Kommunikationsfähigkeit
Tool-Know-how
Programmierkenntnisse
Sehr wichtig Wichtig Weniger wichtig Überhaupt nicht wichtig
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 21 –
Es fällt auf, dass alle befragten Unternehmen
entsprechende Mitarbeiterfähigkeiten für „wich-
tig“ oder gar „sehr wichtig“ halten. Nach Häufig-
keit der Antworten sind dies: statistisch-mathe-
matisches Verständnis (96 Prozent), Fähigkei-
ten zur Datenaufbereitung (94 Prozent), Know-
how über spezifische Geschäftsprozesse /-Be-
reiche (86 Prozent), Kommunikationsfähigkeit
(81 Prozent), Moderation zwischen Fachbe-
reich und IT (79 Prozent), und Tool-Know-how
(79 Prozent).
Es ist dabei bemerkenswert, dass Datenaufbe-
reitungs-Kompetenzen als wichtiger einge-
schätzt werden als ein statistisch-mathemati-
sches Verständnis. Es scheint sich damit die
These zu bestätigen, dass Daten zwar das Öl
des 21. Jahrhunderts sind, allerdings erst dann
einen Mehrwert erzielen können, wenn sie auch
in einer akzeptablen Qualität, auffindbar und
nutzbar vorliegen.
Überraschenderweise werden Programmier-
kenntnisse nur von 30 Prozent, Tool-Know-how
jedoch von 79 Prozent der Unternehmen als
wichtig oder sehr wichtig eingeschätzt. Unter-
nehmen setzen also eher auf Standard-Werk-
zeuge. Immer wiederkehrende Anforderungen
können so mit geringerem Aufwand im Ver-
gleich zur Eigenprogrammierung umgesetzt
werden, insbesondere, da es sich bei vielen
Standard-Werkzeugen für Advanced Analytics
eher um flexibel einsetzbare Werkzeugkästen
handelt. Die Verwaltung von (Geschäfts-, Mo-
dell-, Datenaufbereitungs-) Logik, Rechtema-
nagement, Dokumentation und Nachverfolgung
sind typische Projektanforderungen, die in der
Eigenentwicklung aufwändiger selbst entwickelt
oder zusammengestellt werden müssten. Stan-
dard-Tools bringen sowohl diese Fähigkeiten
mit und darüber hinaus eventuell auch Best
Practices, Vorgehensmodelle sowie die Mög-
lichkeit für externe Unterstützung.3
Data Scientists in Best-in-Class-Unternehmen
setzen dabei insgesamt noch am häufigsten auf
eigene Programmierung. Sie scheinen die Fle-
xibilität zu schätzen oder bringen lieber ihre ei-
gene Expertise in Open-Source-Entwicklungs-
umgebungen zum Einsatz als lizenzpflichtige
Werkzeuge anzuschaffen.
3 Typische funktionale Anforderungen sowie Einschätzungen von Advanced Analytics Werkzeugen sind in der BARC Marktübersicht „Marktübersicht Predictive Analytics Werkzeuge“ (http://barc.de/predictive) beschrieben.
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 22 –
Organisation: Fortgeschrittene Analysen werden projektgetrieben umgesetzt,
häufig mit Unterstützung eines BICC
Abbildung 11: „Wie setzen Sie fortgeschrittene Analysen um?“ (n=165)
Unternehmen können unterschiedliche Strate-
gien wählen, um von fortgeschrittenen Analy-
sen zu profitieren. In der Anwenderbefragung
zeigt sich, dass drei Viertel der befragten Unter-
nehmen fortgeschrittene Analysen projektge-
trieben umsetzen. Das ist nicht verwunderlich –
fortgeschrittene Analysen können bei speziel-
len Anwendungsfällen oder Fragestellungen die
notwendigen Erkenntnissen liefern.
Interessanterweise beziehen 41 Prozent der
Unternehmen BICCs für fortgeschrittene Analy-
sen mit ein. BICCs sollten die Bedürfnisse der
Fachabteilungen hinsichtlich fortgeschrittenen
Analysen kennen und ihnen die notwendigen
Rahmenbedingungen schaffen. Diese Rah-
menbedingungen sind höchst individuell und
können zum Beispiel einen transparenten und
dokumentierten Zugriff auf Datenquellen, Sup-
port für die fortgeschrittenen Analysefunktionen
der bestehenden BI-Werkzeuge oder auch die
Koordination der Data Scientists umfassen.
Nur selten, nämlich in 15 Prozent der Unterneh-
men, kommen explizite „Analytics Competence
Center“ oder externe Dienstleister zum Einsatz.
Technologie für die Umsetzung von Advanced Analytics
Für die Umsetzung fortgeschrittener Analysen
können Unternehmen aus einer Vielzahl an
Softwareprodukten wählen. Grundsätzlich las-
sen sich dabei vier Klassen von Software un-
terscheiden. Das Spektrum reicht dabei von an-
wendungsspezifischen Lösungen, die einen
einfacheren Zugang zu den zum Teil komple-
xen statistischen und mathematischen Analyse-
verfahren bieten wollen, über Erweiterungen für
bestehende Business-Intelligence-Lösungen
und traditionelle Data-Mining-Software bis hin
zu Eigenentwicklungen, welche beispielsweise
mithilfe der umfangreichen und lizenzkosten-
freien „R-Bibliotheken“ umgesetzt werden
(siehe Abbildung 12).
76%
41%
15%
15%
15%
2%
Umsetzung in konkreten einzelnen Projekten(z.B. Preisvorhersagen)
Nutzung eines vorhandenen BusinessIntelligence Competency Centers
Einrichtung eines eigenen AnalyticsCompetence Centers
Auslagerung an externe Dienstleister
Fortgeschrittene Analyse ist durchgängigeStrategie im Unternehmen
Sonstige
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 23 –
Anwendungsspezifische Lösungen bieten
neben den für den Anwendungsfall notwendi-
gen Algorithmen und Verfahren zusätzlich auch
fachbereichstaugliche Benutzeroberflächen.
Diese verbergen die zuweilen recht komplizier-
ten Modelle und die entsprechenden Berech-
nungen vor dem Anwender. Mittels vorgedach-
ter Logik in Form von fertigen aufgabenspezifi-
schen Modulen machen die Anbieter ihre Sys-
teme möglichst benutzerfreundlich und schnell
anwendbar. Möchte ein Fachbereich also einfa-
che, regelmäßig notwendige Analysen wie Wa-
renkorbauswertungen oder Kundenklassifizie-
rungen vornehmen, so bietet der Softwaremarkt
dafür diverse Werkzeuge mit vordefinierten
Vorlagen, Inhalten und entsprechenden Benut-
zeroberflächen.
Anders verhält es sich, wenn die Anforderungen
komplexer werden, also wenn beispielsweise
nicht drei sondern 30 Kennwerte in das Data-
Mining-Modell einzubeziehen sind. Auch wenn
das Modell explizit angepasst werden muss,
das heißt wenn zum Beispiel neue Variablen er-
zeugt werden, stoßen die anwendungsspezifi-
schen Lösungen an ihre Grenzen. Die Modelle
müssen dann entsprechend weiterentwickelt
werden, was nicht trivial ist. Sie muss durch
Personen erfolgen, die über das notwendige
Verständnis verfügen. Funktionsreiche und gut
bedienbare Software unterstützt dabei den
Data-Mining-Prozess.
4
Abbildung 12: Advanced Analytics lässt sich mit verschiedenen Tools und Methoden umset-
zen; Quelle: BARC
4 Eine ausführliche Beschreibung und Einordnung gängiger Produkte für Predictive Analytics sowie viele Tipps zur Auswahl bietet die „BARC-Marktübersicht – Softwarevergleich Predictive Analytics Werkzeuge“ (http://barc.de/predictive).
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 24 –
Software: Fortgeschrittene Analysen werden zumeist durch BI-Software und
Data Mining Werkzeuge umgesetzt
Abbildung 13: „Welche softwareseitige Unterstützung für fortgeschrittene Analysen haben
Sie in Ihrem Unternehmen im Einsatz bzw. planen zukünftig den Einsatz?“ (n=169)
Fortgeschrittene Analysen werden zumeist
durch BI-Software und Data-Mining-Werk-
zeuge umgesetzt, unabhängig von der Advan-
ced-Analytics-Reife der Unternehmen. Jedes
zweite Unternehmen nutzt diese Technologien.
Etwa 1/4 der Unternehmen setzt zudem auf Ei-
gen- oder Individualentwicklungen oder
Spezialanwendungen für einen Anwen-
dungsfall (z.B. Bedarfsprognose).
64%
50%
25%
21%
65%
50%
23%
29%
67%
37%
15%
34%
Fortgeschrittene Analyse als Teil einerBI-Umgebung
Data-Mining-Software
Eigen- oder Individualentwicklung
Spezialanwendung für denAnwendungsfall (z.B.
Bedarfsprognose-Anwendung)
Best-in-Class-Unternehmen
Nachzügler: Ja, wir nutzen Advanced und Predicitive Analytics
Nachzügler: Die Nutzung wird geplant
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 25 –
Abbildung 14: „Welche softwareseitige Unterstützung für fortgeschrittene Analysen haben
Sie in Ihrem Unternehmen im Einsatz bzw. planen zukünftig den Einsatz?“ nur Unterneh-
men, die Advanced Analytics einsetzen, nach Mitarbeiterzahl (n=169)
Betrachtet nach Unternehmensgrößen zeigt
sich, dass Data-Mining-Software eher von gro-
ßen und kleinen Unternehmen eingesetzt wird,
während die mittelgroßen (250 bis 5.000 Mitar-
beiter) stärker auf die Integration in BI-Umge-
bungen setzen. Spezialanwendungen finden
sich verstärkt in größeren Unternehmen.
64%
54%
36%
18%
71%
39%
18%
29%
55%
60%
25%
25%
Fortgeschrittene Analyse als Teileiner BI-Umgebung
Data-Mining-Software
Spezialanwendung für denAnwendungsfall (z.B.
Bedarfsprognose-Anwendung)
Eigen- oder Individualentwicklung
5.000 und mehr 250 bis 5.000 Weniger als 250
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 26 –
Eine unzureichend agile BI-Infrastruktur und Probleme im Datenmanagement
sind technische Hauptprobleme
Abbildung 15: „Welche technischen Faktoren beeinträchtigen Ihre Advanced- und Predic-
tive-Analytics-Projekte?“ nach Best-in-Class und Nachzügler (n=87)
Neben Softwarewerkzeugen zur Modellierung
und Auswertung müssen weitere technische
Voraussetzungen geschaffen werden, um fort-
geschrittene Analyse erfolgreich umsetzen zu
können. Die Teilnehmer dieser Befragung wur-
den gebeten, typische Hemmnisse zu identifi-
zieren, die nach BARC-Erfahrung regelmäßig
den Erfolg von fortgeschrittenen Analyseinitiati-
ven schmälern oder diese gar scheitern lassen.
Als technisches Hauptproblem gibt jedes zweite
Best-in-Class-Unternehmen und 41 Prozent der
Nachzügler eine unzureichend agile BI-Infra-
struktur an. Die für die Auswertungen und Ana-
lysen zur Verfügung stehenden Technologien
5 Die deutschsprachige Studie „Time is Money“ ist kostenlos verfügbar über http://barc.de/docs/time-is-money
und Prozesse sind nicht schnell genug anpass-
bar, um neue Aufgabenstellungen zu lösen.
Diese Erkenntnis deckt sich auch mit anderen
BARC-Anwenderbefragungen, wie z.B. „Time is
Money“, in der 60 Prozent der Unternehmen
eine schnellere Bereitstellung von Informatio-
nen für die Entscheidungsfindung als eines ih-
rer wichtigsten Ziele definieren.5
Daneben geben über 30 Prozent der Unterneh-
men an, dass Probleme im Datenmanage-
ment (fehlender Zugriff auf Datenquellen, Feh-
ler im Datenmanagement, z.B. schlechte Da-
tenqualität) fortgeschrittene Analysen beein-
trächtigen. Dies gilt sowohl für Best-in-Class-
Unternehmen als auch für Nachzügler.
54%
46%
32%
29%
25%
21%
18%
14%
11%
41%
44%
37%
17%
25%
19%
25%
22%
8%
BI-Infrastruktur nicht agil genug
Fehlender Zugriff auf Datenquellen
Fehler im Datenmanagement
Benutzeroberfläche nicht intuitiv
Werkzeuge nicht flexibel genug
Fehlende Funktionen in Software
Fehlende Skalierfähigkeit der Systeme
Lange Antwortzeiten der datenlieferndenSysteme
Lange Antwortzeiten der Advanced- undPredictive-Analytics-Lösung
Best-in-Class-Unternehmen Nachzügler
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 27 –
Nachzügler kämpfen stärker mit Performance- und Skalierungsproblemen
Jedes vierte bis fünfte Unternehmen klagt über
unzureichende Softwareunterstützung (Be-
einträchtigungen durch nicht intuitive Benutzer-
oberflächen, unzureichend flexible Werkzeuge,
fehlende Softwarefunktionen) sowie schlechte
Systemperformance (fehlende Skalierbarkeit
der Systeme, schlechte Antwortzeiten der da-
tenliefernden Systeme und der Advanced- und
Predictive-Analytics-Lösung). Dabei fällt auf,
dass Nachzügler mit ca. 23 Prozent größere
Probleme in Bezug auf Performance- und Ska-
lierungsproblemen haben als Best-in-Class-Un-
ternehmen (ca. 16 Prozent).
Fortgeschrittene-Analyse-Initiativen können
aber nur dann erfolgreich sein, wenn die Betei-
ligten in den unterschiedlichen Projektphasen
auch technologisch unterstützt werden: einmal
mehr fällt im Rahmen der Befragung auf, dass
Mitarbeiter, die sich eigentlich auf die Suche ei-
nes passenden statistischen Modells konzent-
rieren sollen, von ärgerlichen und zeitrauben-
den technischen Problemen ausgebremst wer-
den wie beispielsweise schlechter Datenquali-
tät, nicht angebundenen oder schlecht doku-
mentierten Datenquellen und fehlenden Funkti-
onen in der Software. IT-Abteilungen sollten
dies als Anlass nehmen und auf eine bessere
Ausstattung drängen, um den Anwendern die
Arbeit zu erleichtern. Schließlich profitieren von
einer höheren Datenqualität sowie einfacher
nutzbaren und dokumentierten Daten auch
viele andere Mitarbeiter in der täglichen Arbeit,
wie der durchschnittliche BI-Anwender beim
Ad-hoc Reporting oder der Nutzung von „Self
Service“-Lösungen.
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 28 –
Advanced Analytics Projekte in Unternehmen
Wie werden fortgeschrittene Analysen in Unter-
nehmen konkret gemacht? In diesem Kapitel
widmen wir uns den Herausforderungen, ge-
nutzten Daten und Verfahren sowie der Rele-
vanz von Big Data in Kombination mit Advanced
Analytics.
Fehlende Ressourcen im Fachbereich und fehlendes Verständnis von datenge-
triebenen Geschäftsmodellen sind die Haupthemmnisse von Advanced-Analy-
tics-Projekten
Abbildung 16: „Welche allgemeinen Faktoren beeinträchtigen Ihre Advanced- und Predic-
tive-Analytics-Projekte?“ (n=89)
54%
46%
46%
43%
39%
36%
36%
32%
29%
29%
21%
21%
14%
11%
11%
7%
48%
36%
11%
44%
34%
28%
34%
34%
23%
31%
20%
16%
7%
10%
31%
10%
Fehlende Ressourcen im Fachbereich
Fehlendes Verständnis für datengetriebeneGeschäftsmodelle/Kultur
Datenschutz (Schutz persönlicher Daten)
Geschäftlicher Nutzen schwierig zuquantifizieren
Fehlende Ressourcen in IT
Zu geringe Managementunterstützung
Fehlendes fachliches Know-how imUnternehmen
Hohe Komplexität von Predictive-Analytics-Lösungen
Hoher Implementierungsaufwand
Fehlendes technisches Know-how imUnternehmen
Probleme in der Kommunikation zwischenFachbereich und IT
Kosten
Schulungsspezifische Probleme
Mangelndes Projektmanagement
Fehlende organisatorische Verankerung
Kein nutzen für Fachanwender
Best-in-Class-Unternehmen Nachzügler
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 29 –
Allgemein kämpfen Best-in-Class-Unterneh-
men als auch Nachzügler mit ähnlichen allge-
meinen Problemen im Rahmen ihrer Advanced-
und Predictive-Analytics-Projekte: etwa die
Hälfte gibt fehlende Ressourcen im Fachbe-
reich und in der IT, sowie fehlendes Ver-
ständnis (für datengetriebene Geschäftsmo-
delle/ Kultur, schwierig zu begründen bzw. zu
quantifizierender geschäftlicher Nutzen, zu ge-
ringe Managementunterstützung) als Probleme
an.
Technische Probleme (hohe Komplexität der
Lösung, hoher Implementierungsaufwand, feh-
lendes technisches Know-how) beeinträchtigen
etwa ein Viertel der Unternehmen.
Es fällt auf, dass 31 Prozent der Nachzügler
eine fehlende organisatorische Verankerung
als Problem erkannt haben, wohingegen nur
elf Prozent der Best-in-Class-Unternehmen
dies anmerken. Letztere haben notwendige or-
ganisatorische Maßnahmen also scheinbar
schon ergriffen, während Nachzügler diese an-
gehen sollten.
Auch aus BARC-Sicht ist eine klare Definition
von Rollen, ihren Fähigkeiten und Verantwort-
lichkeiten entlang der verschiedenen Phasen in
Advanced-Analytics-Projekten ein Schlüssel für
den Erfolg (siehe Kapitel „Organisation und An-
wender von Advanced Analytics in Unterneh-
men“).
Eine weitere Auffälligkeit ist die Frage des Da-
tenschutzes (dem Schutz persönlicher Daten)
im Kontext fortgeschrittener Analysen. Fast die
Hälfte der Best-in-Class-Unternehmen sieht
sich hier mit Problemen konfrontiert, jedoch
schätzen nur elf Prozent der Nachzügler das
Thema als problembehaftet an. Der Grund kann
ein noch fehlendes Problembewusstsein der
Nachzügler sein oder aber auch dass Nachzüg-
ler sich bei ihren Advanced-Analytics-Projekten
vordergründig mit Daten beschäftigen, die noch
nicht als derart schützenswert eingestuft wer-
den müssen. Best-in-Class-Unternehmen hin-
gegen wünschen sich ggfs. für ihre weiter ent-
wickelten Projekte jedoch auch die Einbezie-
hung von schützenswerten Daten.
Datenquellen: Externe Daten gehen in die Analyse ein und dürfen auch etwas
kosten
Abbildung 17: „Woher stammen die von Ihnen analysierten Daten?“ nach Best-in-Class und
Nachzügler (n=158)
Selbstverständlich nutzen Unternehmen für ihre
Analysen interne Daten. Allerdings ist ersicht-
lich, dass auch externe Datenquellen bei zwei
Drittel der Best-in-Class-Unternehmen in die
Analyse einbezogen werden. 44 Prozent der
Best-in-Class-Unternehmen kaufen sogar ex-
terne Daten hinzu. Ein Trend, den auch BARC
beobachtet: Aus vielen Unternehmensprozes-
sen ist die Nutzung von Daten von Wirtschafts-
auskunfteien wie Dun & Bradstreet, Hoppens-
100%
64%
44%
96%
39%
31%
Interne Daten
Externe frei verfügbare Daten
Extern zugekaufte Daten
Best-in-Class-Unternehmen Nachzügler
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 30 –
tedt, Creditreform oder Schufa nicht mehr weg-
zudenken. Und auch immer mehr Marketing-
Abteilungen nutzen die gesammelten und auf-
bereiten Daten von Marktforschungsinstitu-
ten wie TNS Infratest oder GfK.
Ebenso hat die IT-Branche die gesteigerte
Nachfrage nach Daten als weiteres Geschäfts-
feld entdeckt: Große Softwarekonzerne wie
Microsoft und Oracle eröffnen kommerzielle
„Daten-Märkte“, auf denen Kunden, Entwick-
ler und Partner ihre Daten einstellen und ent-
geltlich anderen Marktteilnehmern zur Verfü-
gung stellen können. Diese Daten können bei-
spielsweise direkt durch sie gesammelte Daten
sein, wie erhobene Maschinen- oder Wetterda-
ten. Zudem kann auch softwarespezifische Lo-
gik veröffentlicht werden – also aus Projekten
entwickelte Konzepte, Logikmodule oder Appli-
kationen. Derartige „App Stores“ werden auch
zunehmend von kleineren Softwareanbietern
ins Leben gerufen, um den Austausch mit den
Kunden und dieser untereinander anzuregen,
sodass durch die Weitergabe von Daten und
Logik die Weiterentwicklung von Software, Ver-
fahren, Denkmustern und Ideen vorangetrieben
wird.6
Datentypen: Aktuell wenig Experimente in Bezug auf die analysierten Datenar-
ten, jedoch besteht die Absicht, umfassender zu analysieren
Abbildung 18: „Welche Arten von Daten verwenden Sie bzw. planen zu verwenden für Ad-
vanced und Predictive Analytics?“ (n=88)
Die Rückmeldung, welche Datentypen in die
Analysen eingehen, zeigt, dass Unternehmen
6 Weitere Informationen zu Datenmärkten siehe BARC BI Manager Februar 2015 „Datenhandelsplätze – Wis-senstankstellen des 21. Jahrhunderts“.
vordergründig die Transaktionsdaten des Un-
ternehmens analysieren. Zugleich werten fast
36%
18%
11%
9%
9%
9%
8
5
29%
19%
19%
14%
19%
23%
17%
10%
50%
27%
35%
37%
32%
41%
37%
32%
19%
29%
Transaktionsdaten
Logdaten von IT-Systemen
Dokumente/Texte
Sensor, RFID Daten
Social Media Daten
Interne Daten
Clickstream Daten
Videos/Bilder
Strukturierte Daten
Im Einsatz Geplant innerhalb von 12 Monaten Langfristig geplant
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 31 –
20 Prozent der Unternehmen die Logdaten
von IT-Systemen aus.
Andere Daten wie Textdaten, maschinengene-
rierte, Social Media und Clickstream-Daten
werden zwar heute nur von unter zehn Prozent
der Befragten analysiert; halten die Unterneh-
men jedoch an ihrer Planung fest, so werden sie
im nächsten Jahr doppelt so viele Datentypen
auswerten. Langfristig wollen etwa 2/3 der Un-
ternehmen Daten aus den genannten Berei-
chen auswerten.
Allein die Analyse von Video- und Bilddaten
spielt hingegen eine untergeordnete Rolle.
Unternehmen setzen auf klassische Data-Mining-Verfahren
Abbildung 19: „Was sind die am weitesten verbreiteten Techniken für Advanced und Predic-
tive Analytics in Ihrem Unternehmen? Welche werden getestet?“ (n=158)
Im Rahmen der Anwenderbefragung sollte
auch eine Tendenz ermittelt werden, welche
Data-Mining-Verfahren Anwender im DACH-
Raum einsetzen, testen oder für nicht erforder-
lich halten.
Dabei wurde erkannt, dass etwa die Hälfte der
Unternehmen lineare Regression und Entschei-
dungsbäume im Einsatz hat. Etwas weniger (40
Prozent) nutzen andere Regressionsverfahren,
hierarchische Cluster, logistische Regression
und Assoziationsanalysen.
54%
48%
44%
41%
40%
39%
32%
25%
22%
18%
15%
7%
6%
43%
46%
44%
46%
47%
49%
38%
49%
39%
41%
41%
37%
35%
36%
59%
3
5%
12%
13%
12%
12%
30%
25%
39%
41%
44%
57%
59%
64%
41%
Lineare Regression
Entscheidungsbäume
Andere Regressionsanalysen
Hierarchisches Clustern
Logistische Regression
Assoziationsregeln
K-Means
Neuronale Netze
Support Vector Machines
Survival Analysis
ARIMA
GARCH
Sonstige
ES
Ensemble Learning
Im Einsatz Im Test Nicht erforderlich
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 32 –
Weiter im Einsatz befindlich (unter 32 Prozent)
sind die spezielleren Verfahren K-Means, Neu-
ronale Netze, Support Vector Machines, Survi-
val Analysis, ARIMA und GARCH.
Es fällt somit auf, dass sich hauptsächlich klas-
sische Data-Mining-Verfahren im Einsatz befin-
den. Demgegenüber experimentiert aber etwa
die Hälfte der Unternehmen (35 bis 59 Prozent)
mit sämtlichen in der Anwenderbefragung ge-
nannten Data-Mining-Verfahren.
Die Befragungsergebnisse decken sich mit
BARC-Projekterfahrungen: Unternehmen ha-
ben vergleichsweise viel Erfahrung mit klassi-
schen Verfahren wie Regression oder Ent-
scheidungsbäumen. Auch sind sie nützlich oder
gar notwendig für die Bewertung von Sachver-
halten im Unternehmen und werden entspre-
chend stark produktiv genutzt.
Parallel dazu werden andere Verfahren getes-
tet. Überraschend sind die recht hohen Umfra-
gewerte von diesen im Test befindlichen Data-
Mining-Verfahren (etwa die Hälfte der Unter-
nehmen testet sämtliche in der Anwenderbefra-
gung genannten Data-Mining-Verfahren). Die
Gründe können vielgestaltig sein: Optimierung
von Modellen in bestehenden Kontexten und
Anwendungsfällen oder Test im Rahmen neuer
Aufgabenstellungen.
Insgesamt bleibt festzuhalten, dass fortge-
schrittene Analyse als nützliches aber auch
dynamisches Thema gesehen wird, welches
beispielsweise im fortlaufenden Test anderer
als bereits etablierter Data-Mining-Verfahren im
Unternehmen weiterentwickelt wird.
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 33 –
Fast die Hälfte der Best-in-Class-Unternehmen setzt auf Big-Data-Konzepte und
-Technologie
Abbildung 20: „Welche der Aussagen trifft am besten auf Ihr Unternehmen bezüglich Advan-
ced und Predictive Analytics gegenüber Big Data zu?“ nach Best-in-Class und Nachzügler
(n=81)
Die Anwenderbefragung wollte auch ein Stim-
mungsbild zeigen, in welchem Zusammenhang
„Big Data“ mit Advanced Analytics steht.
In BARC-Projekten hat sich folgende Definition
von Big Data als hilfreiche Diskussionsgrund-
lage herausgestellt: „Big Data bezeichnet Me-
thoden und Technologien für die hochskalier-
bare Erfassung, Speicherung und Analyse po-
lystrukturierter Daten.“
Entsprechend wurden die Teilnehmer gefragt,
wie wichtig sie das Thema Big Data im Kontext
Advanced Analytics einschätzen und wie sie
sich technologisch, organisatorisch und fachlich
positionieren. Das Thema „Big Data“ hat dem-
nach einen hohen Stellenwert – nur jedes vierte
Unternehmen (egal ob sie sich als Best-in-
Class-Unternehmen oder Nachzügler verste-
hen) hält Big Data für nicht relevant im Kon-
text Advanced Analytics.
Ganze 43 Prozent der Advanced Analytics
Best-in-Class-Unternehmen nutzen Big Data
projektgetrieben in ihren Advanced Analy-
tics Projekten.
Sieben Prozent der Best-in-Class-Unterneh-
men sind noch mit der Evaluation von Big
Data beschäftigt, bei den Nachzüglern ist es ein
Drittel.
Ein Viertel der Best-in-Class-Unternehmen und
ein Drittel der Nachzügler steht eine hohe
Menge an Daten zur Verfügung, deren Poten-
tial aber noch nicht genutzt wird.
Big Data spielt für die im Advanced Analytics
Bereich erfolgreichen Unternehmen eine
Schlüsselrolle.
25%
25%
7%
43%
0%
23%
33%
34%
9%
1%
Big-Data-Konzepte sind nicht relevant
Potential der internen und externenDatenquellen wir nicht genutzt wird
Wir befinden uns in der Evaluation vonBig-Data-Konzepten
Big-Data-Konzepte werdenprojektgetrieben genutzt
Big-Data-Konzepte werdenunternehmensübergreifend eingesetzt
Nachzügler Best-in-Class-Unternehmen
Hoch
Niedrig
Relevanz von
Big Data
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 34 –
Für die Etablierung von Advanced- und Predictive-Analytics investieren Unter-
nehmen insbesondere in Software und die Weiterbildung ihres Personals
Abbildung 21: „Wohin fließen hauptsächlich die Advanced- und Predictive-Analytics-Investiti-
onen Ihres Unternehmens?“ nach Best-in-Class und Nachzügler (n=169)
Für die Umsetzung von Advanced- und Predic-
tive-Analytics investieren Unternehmen insbe-
sondere in Software und die Weiterbildung ihres
Personals. Jedes dritte Best-in-Class-Unter-
nehmen will dabei neue Stellen und eine eigene
Organisationseinheit mit eigenem Budget
schaffen. Zudem setzen sowohl Best-in-Class-
Unternehmen als auch Nachzügler auf externe
fachliche Beratung (14 Prozent, 19 Prozent).
54%
43%
43%
36%
29%
25%
14%
14%
7%
36%
38%
24%
23%
8%
28%
16%
19%
27%
Weiterbildung des bestehendenPersonals
Anschaffung von Software
Implementierung/Migration
Personalaufbau/Schaffung neuerStellen
Schaffung einer eigenenOrganisationseinheit mit eigenem
Budget
Externe fachliche Beratung
Anschaffung von Hardware
Externe technische Beratung
Keine neuen Investitionen
Best-in-Class-Unternehmen Nachzügler
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 35 –
Branchenbetrachtung
Unternehmen für IT/Telekommunikation und der Finanzsektor sind Vorreiter in
der Nutzung von Advanced und Predictive Analytics, Handel und Industrie pla-
nen den Einsatz verstärkt
Abbildung 22: Nutzung von Advanced und Predictive Analytics nach Branche (n=207) 7
Die Anwenderbefragung deckt einen breiten
Branchenschnitt ab. Unsere Stichprobe spiegelt
sehr gut die BARC-Erfahrung wieder; Vorreiter
in der Anwendung von Advanced Analytics sind
tendenziell der Finanz- sowie der IT- und Tele-
kommunikationssektor, wo sich mehr als die
Hälfte der teilnehmenden Unternehmen als An-
wender bezeichnen. In beiden Branchen haben
die hohe Kundenzahl verknüpft mit wachsen-
dem Wettbewerbsdruck sowie die Verluste
durch Betrug den Einsatz fortgeschrittener Ana-
lysen früh gefördert. In allen anderen Branchen
geben nur ca. 30 Prozent der Unternehmen an,
bereits heute Nutzer von Advanced Analytics zu
sein. Allerdings planen die meisten Branchen,
von fortgeschrittenen Analysen in Zukunft zu
profitieren. Besonders hohe Planwerte haben
hier Handel und Industrie, in denen Digitalisie-
rungsinitiativen stark auf die Datennutzung ab-
zielen. Insgesamt will nur etwa jedes zehnte
Unternehmen ganz auf Advanced Analytics ver-
zichten. (allein im Dienstleistungsbereich ist es
jedes dritte).
7 Bitte beachten Sie, dass der relativ hohe Wert für den Finanzsektor der geringen Fallzahl geschuldet sein kann.
53%
50%
30%
29%
27%
39%
36%
39%
55%
64%
IT und Telekommunikation n=36
Finanzsektor n=14
Dienstleistung n=64
Industrie n=55
Handel n=22
Ja, wir nutzen Advanced und Predicitive Analytics Die Nutzung wird geplant
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 36 –
Advanced Analytics Use Cases je Branche
Im Rahmen der Befragung haben die Teilneh-
mer Anwendungsfälle notiert, die sie mit Advan-
ced und Predictive Analytics umsetzen. Diese
Rückmeldung ist im Folgenden branchenorien-
tiert zusammengefasst aufgeführt und kann als
Inspirationsquelle dienen. Es bleibt jedem Un-
ternehmen anzuraten, seine Initiativen im Ad-
vanced und Predictive Analytics strukturiert an-
zugehen. So bietet es sich an, wettbewerbsdif-
ferenzierende Use Cases im Unternehmen zu
erarbeiten und einige Pilotprojekte umzusetzen,
die einen hohen Lerneffekt hinsichtlich explora-
tiver Vorgehensweise („fail fast“), Datenqualität
und möglicher organisatorischer Effekte und
Nutzung versprechen (siehe auch Kapitel
„BARC-Handlungsempfehlungen“).
IT und Telekommunikation:
Die Telekommunikationsbranche nutzt fortge-
schrittene Analysen am häufigsten und dies
auch schon sehr lange. Dies ist darauf zurück-
zuführen, dass die Branche sehr marketingge-
trieben aufgestellt ist, um ihren Hauptprozess,
die Kundengewinnung, zu unterstützen. Zudem
verfügt diese Branche über hohe Kundenzah-
len, Betrugsausfälle und generell sehr große
Datenmengen. Insbesondere die Nutzung der
Lokationsdaten zeigt hier sowohl das immense
Potential, als auch die großen Herausforderun-
gen des Datenschutzes.
Teilnehmer der BARC-Anwenderstudie haben
folgende Einsatzbereiche von Advanced und
Predictive Analytics angegeben: Absatz- und
Umsatzplanung, Bedarfsplanung auf der Ab-
satzseite, Bessere Einschätzung des Vertriebs,
Churn, Einkauf, Ermitteln von Cross Selling Po-
tentialen, Finanzielle Unternehmensplanung
basierend auf aktuellen Monatswerten, Vorjah-
reswerten und Businessplan, Maschinenaus-
fallvorhersage, Mengen- und Umsatzoptimie-
rung, Netzwerkauslastung, Optimierung von
Serviceeinsätzen/SLAs, Personalplanung, Prei-
soptimierung, Prognose der 'Lebensdauer' ei-
ner Kundenbeziehung, Qualitäts-Optimierung,
Segmentation, Serverausfallvorhersage, Simu-
lationen, Up-Selling/ Cross-Selling, Vorhersage
von Kündigungen, What-If-Szenarien in Marke-
ting, What-If-Szenarien in Vertrieb, optimale
Serviceerbringung.
Finanzsektor (Banken und Versicherungen):
Die Nutzung von fortgeschrittene Analysen ist
im Finanzsektor ebenfalls sehr verbreitet (50
Prozent). Typischerweise werden die Konzepte
und Technologien für die Optimierung der Kun-
dengewinnung, Kundenbindung und Kredit-
vergabe, Börsenhandel aber auch Betrugser-
kennung genutzt.
In der BARC-Anwenderstudie haben die Teil-
nehmer folgende expliziten Angaben gemacht:
Kampagnenmanagement, Customer Experi-
ence, Schadenprüfung, Schadensvorhersagen,
Service-Optimierung.
Dienstleistung
Die weitreichende Branche der Dienstleistung
sieht entsprechend unterschiedliche Einsatz-
möglichkeiten von fortgeschrittenen Analysen.
Im Rahmen der BARC-Anwenderstudie wurden
folgende Einsatzbereiche explizit genannt:
Dienstleistung Beratung:
Absatzauswertung, Auslastungen, Finden
neuer Kunden, Kunden-Clustering, Organisa-
tion, Prozessoptimierungen, TCO, Umsatzent-
wicklung, Vertriebsplanung.
Dienstleistung Gesundheitswesen: Absatz-
optimierung, Bestandsoptimierung, Buy-ins-
Optimierung, CRM-Optimierung, Kundenbe-
darfvorhersage, Kündiger-Analysen, Predictive
Maintenance, Preisoptimierung, Versorgungs-
steuerung.
Dienstleistung Transportwesen und Logis-
tik: Fahrzeugwartung, Kundenansprache,
Maintenance, Retourenprognose, Überführung.
Handel
Im Handel können Konzepte und Technologien
der fortgeschrittenen Analyse über die gesamte
Prozesskette Mehrwerte erbringen. Folgende
Angaben haben die Teilnehmer der Befragung
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 37 –
angegeben: Bestandsoptimierung, Marketing,
Preisoptimierung, Responseoptimierung, Sco-
ring-Modelle zur Werbemittelstreuung, techni-
sche Wartung.
Industrie
Die erzeugende und verarbeitende Industrie
werden entlang der gesamten Wertschöpfungs-
kette Potentiale für Advanced und Predictive
Analytics entdecken. Unternehmen wie Thys-
senKrupp nutzen beispielsweise Sensor- und
anderweitige Systemdaten für die Optimierung
der Wartung ihrer Aufzüge beim Kunden („Pre-
dictive Maintenance“). Neben diesem häufig
genannten Beispiel für „Industrie 4.0“ wird aber
deutlich, dass Datenanalysen eine hohe Rele-
vanz im Zuge der Modernisierung und Digitali-
sierung haben. Die Teilnehmer der BARC-Be-
fragung sehen folgende Einsatzmöglichkeiten:
Industrie Energie und Versorgungswirt-
schaft: Churn Prediction, Churn Reduzierung,
Prognoseverfahren.
Industrie Fertigungsindustrie (z.B. Automo-
tive, Maschinenbau): Absatzprognose, Be-
schaffungspreisprognose, Bestandsoptimie-
rung, Kapazitätsauslastung, Lieferoptimierung,
Order Backlog & Order Intake Planning, Quali-
tätsmanagement, Qualitätsverbesserungen in
der Produktion, Ressource Planning, Sensor-
Analyse und -Vorhersagen, Vertriebsplanung,
Vertriebsunterstützung, Wechselkursprognose.
Industrie Prozessindustrie (z.B. Chemie,
Pharma, Lebensmittelherstellung): Churn
Prevention, Demand Planning, Promotion Ana-
lysis, Out-of-Shelf Analysis, Risiken und Nutzen
sowie die Sicherheit und Wirksamkeit bei der
Entwicklung von neuen Wirkstoffen in der klini-
schen Forschung, Umsatz-Forecast, Verbesse-
rung der internen Prozesse.
Öffentlicher Sektor
Auch die diversen Prozesse und Aufgaben des
öffentlichen Sektors können von fortgeschritte-
nen Analysen profitieren. So arbeitet das Land
Nordrhein Westfalen an „Predictive Policing“,
also dem Vorhersagen von potentiellen Strafta-
ten, um den Einsatz der Polizisten zu optimie-
ren. Die Teilnehmer der BARC-Befragung ga-
ben folgende Anwendungsfälle an, die von fort-
geschrittenen Analysen profitieren können: Ca-
tegory Management, Churn Management,
Fraud Detection, Pricing, Produktionssteue-
rung, Sequencing in Consulting-Projekten, Be-
standsoptimierung, Dynamic Pricing, Kunden-
segmentierung zur Optimierung der Beratungs-
leistung, Problemidentifizierung, Prognosen.
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 38 –
Investitionen in Advanced Analytics je Branche
Finanz-sektor
Indust-rie
Dienst-leistung
Han-del
IT und Te-lekom-munika-
tion
Öffentli-cher Sek-
tor
Weiterbildung des bestehenden Per-sonals
20% 49% 33% 40% 42% 46%
Anschaffung von Software 30% 44% 35% 30% 52% 23%
Implementierung/Migration 50% 18% 28% 20% 33% 38%
Personalaufbau/Schaffung neuer Stellen
0% 24% 26% 35% 36% 8%
Schaffung einer eigenen Organisati-onseinheit mit eigenem Budget
0% 4% 21% 10% 15% 8%
Externe fachliche Beratung 50% 27% 16% 40% 24% 31%
Anschaffung von Hardware 20% 16% 19% 10% 18% 8%
Externe technische Beratung 60% 22% 9% 20% 15% 15%
Keine neuen Investitionen 30% 22% 28% 25% 18% 23%
Abbildung 23: „Wohin fließen hauptsächlich die Advanced- und Predictive-Analytics-Investiti-
onen Ihres Unternehmens?“ nach Branche (n=169)
Abbildung 23 zeigt die Investitionsbereiche je
Branche. Danach geben 50 Prozent der Teil-
nehmer aus dem Finanzsektor an, unmittelbar
in die Implementierung bzw. Migration zu inves-
tieren. Hierbei möchte jedes zweite Unterneh-
men externe Unterstützung für fachliche und
technische Beratung einholen - die höchsten
Werte in der Befragung. Neue Stellen sollen in
unserer Stichprobe in dieser Branche nicht ge-
schaffen werden.
Fast die Hälfte der Unternehmen der Industrie
sowie der IT- und Telekommunikationsbran-
che geben an, in die Mitarbeiterweiterbildung
und neue Software zu investieren. Jedes dritte
Unternehmen dieser Branchen investiert in
neue Stellen.
Etwa jedes dritte Unternehmen im Dienstleis-
tungs- und Handelsbereiche investiert in die
Weiterbildung interner Mitarbeiter und neue
Software, sowie die Schaffung neuer Stellen. 40
Prozent der Handelsunternehmen wollen zu-
sätzliche externe fachliche Beratung in An-
spruch nehmen.
Der öffentliche Sektor setzt neben der Weiter-
bildung seiner Mitarbeiter (46 Prozent) auf die
Anschaffung neuer Software (23 Prozent) und
externe fachliche Beratung (31 Prozent); jedoch
nicht auf einen Personalaufbau (acht Prozent).
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 39 –
Nutzen von Advanced Analytics
Abbildung 24: Welchen Nutzen konnten Sie durch den Einsatz von fortgeschrittenen Analy-
sen in Ihrem Projekt erzielen?“ n = 75
Fast die Hälfte der Unternehmen, die fortge-
schrittene Analysen einsetzen, profitieren von
einer besseren Planbarkeit. Auch in diversen
anderen Bereichen stiften fortgeschrittene Ana-
lysen Nutzen.
Im Folgenden soll untersucht werden, welchen
Nutzen Best-in-Class-Unternehmen und Nach-
zügler durch den Einsatz von Advanced Analy-
tics erzielen konnten. Ebenso wird gezeigt, wel-
che Erwartungen Unternehmen an haben, die
derartige Methoden, Konzepte und Technolo-
gien noch nicht nutzen dies aber planen.
48%
37%
37%
37%
36%
36%
35%
29%
29%
4%
Bessere Planbarkeit
Bessere Steuerung der operativen Prozesse
Kostenreduktion, Steigerung derProzesseffizienz
Entwicklung neuer Geschäftsmodelle/Produkte
Bessere Unterstützung für strategischeEntscheidungen
Erhöhung des Umsatzes
Besseres Kundenverständnis
Verbesserung der Qualität der Produkte
Besseres Verständnis des Marktes/Wettbewerbs
Bessere Einbindung von externen Partnern
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 40 –
Fortgeschrittene Analysen steigern den Geschäftsnutzen
Abbildung 25: „Welchen Nutzen konnten Sie durch den Einsatz von fortgeschrittenen Analy-
sen in Ihrem Projekt erzielen?“ nach Best-in-Class und Nachzügler (n=86)
Etwa die Hälfte der Best-in-Class-Unterneh-
men berichten, dass durch fortgeschrittene
Analyse die Planbarkeit und der Umsatz ge-
steigert, sowie neue Geschäftsmodelle, Pro-
dukte und Dienstleistungen entwickelt wer-
den konnten. Weiteren Nutzen konnte etwa je-
des dritte Best-in-Class-Unternehmen in den
anderen Bereichen erzielen (besseres Kunden-
verständnis/Verbesserung der Kundenerfah-
rung, bessere Steuerung der operativen Pro-
zesse, bessere Unterstützung für strategische
Entscheidungen, Kostenreduktion/ Steigerung
der Prozesseffizienz, Verbesserung der Quali-
tät der Produkte und Dienstleistungen, besse-
res Verständnis des Marktes/ Wettbewerbs).
68%
46%
46%
43%
39%
39%
39%
32%
29%
11%
0%
36%
32%
30%
30%
36%
34%
36%
28%
30%
0%
2%
82%
45%
55%
36%
73%
64%
27%
27%
27%
0%
9%
Bessere Planbarkeit
Entwicklung neuer Geschäftsmodelle,Produkte oder Dienstleistungen
Erhöhung des Umsatzes
BesseresKundenverständnis/Verbesserung der
Kundenerfahrung
Bessere Steuerung der operativenProzesse
Bessere Unterstützung für strategischeEntscheidungen
Kostenreduktion, Steigerung derProzesseffizienz
Verbesserung der Qualität derProdukte und Dienstleistungen
Besseres Verständnis desMarktes/Wettbewerbs
Bessere Einbindung von externenPartnern
Sonstige
Best-in-Class-Unternehmen: Ja, wir nutzen Advanced und Predicitive Analytics
Nachzügler: Ja, wir nutzen Advanced und Predicitive Analytics
Nachzügler: Die Nutzung wird geplant
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 41 –
Nachzügler berichten: selbst „etwas Advanced Analytics“ führt bereits zu spür-
baren Nutzen für das Unternehmen
Die Nachzügler, die Advanced Analytics be-
reits nutzen, sind den Best-in-Class-Unterneh-
men erstaunlich dicht auf den Fersen. Auch hier
gibt etwa jedes dritte Unternehmen an, in den
oben genannten Bereichen durch fortgeschrit-
tene Analysen zu profitieren. Das bedeutet:
selbst „etwas Advanced Analytics“ kann bereits
großen Nutzen erbringen.
Noch nicht alle erhofften Geschäftsziele lassen sich durch fortgeschrittene
Analysen erfüllen
Betrachtet man die Erwartungen an die unter-
schiedlichen aufgeführten Geschäftsnutzen, die
die Nachzügler angegeben haben, die noch
nicht über Advanced-Analytics-Konzepte, -Or-
ganisationsformen und -Technologien verfü-
gen, jedoch die Nutzung planen, so fällt auf,
dass die meisten dieser Erwartungen ähnlich
hoch gewichtet sind, wie sie später auch von
Best-in-Class oder sogar Advanced-Analytics-
nutzenden Nachzüglern erzielt werden (jeweils
ca. 30 bis 45 Prozent).
Die Erwartungen und die Erfüllungen gehen in
zwei Bereichen auseinander: 73 Prozent der
Nachzügler ohne Advanced Analytics hoffen
auf eine bessere Steuerung der operativen
Prozesse, was jedoch nur von ca. 37 Prozent
der Advanced Analytics nutzenden Unterneh-
men auch berichtet wird. Allem Anschein nach
bereitet die Operationalisierung – also der Ein-
bau der gewonnenen Modelle (z.B. einer Kun-
denklassifikation) in operative Systeme (z.B.
ERP-Systeme) und die entsprechende Nutzung
Probleme in der Praxis.
Daneben hoffen 64 Prozent der Nachzügler
ohne Advanced Analytics auf eine bessere Un-
terstützung für strategische Entscheidun-
gen, was jedoch nur ca. 36 Prozent der Advan-
ced Analytics nutzenden Unternehmen auch
berichten können. Der Grund ist sicherlich darin
zu finden, dass fortgeschrittene Analysen
hauptsächlich projektgetrieben für einen spezi-
fischen Anwendungsfall umgesetzt werden.
Strategische Entscheidungen werden jedoch
hinsichtlich breiterer Themenbereiche disku-
tiert. Die zumeist komplexen Algorithmen und
Methoden fortgeschrittener Analyseverfahren
sind hierbei wohl noch nicht adäquat nutzbar.
Kaum Interesse an der Einbindung externer Partner
Sofern die erreichten Nutzeneffekte ein Spie-
gelbild der umgesetzten Anwendungsfälle sind,
dann sind diese sehr stark auf das Unterneh-
men konzentriert. Die bessere Einbindung ex-
terner Partner spielt dagegen kaum eine Rolle.
Hauptgrund könnte eine Zurückhaltung in Be-
zug auf das Teilen von Daten mit externen Part-
nern sein.
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 42 –
BARC-Handlungsempfehlungen
In BARC-Projekten und der Forschungsarbeit
für diese Studie zeigte sich, dass der DACH-
Markt das Thema Advanced Analytics interes-
siert beobachtet und vermehrt Schritte für den
innerbetrieblichen Einsatz ableitet.
Dies ist auch dringend anzuraten. Unser Infor-
mations- und Digitalisierungszeitalter bietet
neue Technologien und Methoden zur Verbes-
serung des eigenen Geschäftsbetriebes und
Erhaltung von Wettbewerbsvorteilen. Neue
„Big-Data“-Technologie ermöglicht die preis-
werte Speicherung, Verarbeitung und Analyse
großer Datenmengen. Moderne und intuitive
Benutzeroberflächen ermöglichen mehr An-
wendergruppen, Erkenntnisse zu ziehen und
fundierte Entscheidungen zu treffen. Advanced-
Analytics-Software ermöglicht bessere Auswer-
tungen und Analysen über Zusammenhänge
und zukünftige Ereignisse. Da auch der Wettbe-
werb die modernen Technologien nutzen kann,
um Entscheidungen oder Prozesse entlang der
Wertschöpfungskette zu beschleunigen oder
anderweitig zu verbessern, gilt es, den Einsatz
von Advanced Analytics im Unternehmen zu
evaluieren und voranzutreiben. Aus den Stu-
dienergebnissen und der BARC-Erfahrung las-
sen sich folgenden Handlungsempfehlungen
ableiten um eine Bewertung und Positionierung
von Advanced Analytics im Unternehmen vor-
zunehmen.
Fortgeschrittene Analysen erzielen Ge-
schäftsnutzen – sammeln Sie Erfahrun-
gen! Etwa die Hälfte der Best-in-Class-Un-
ternehmen berichten, dass durch Advan-
ced Analytics die Planbarkeit und der Um-
satz gesteigert, sowie neue Geschäftsmo-
delle, Produkte und Dienstleistungen ent-
wickelt werden konnten. Auch Nachzügler
berichten, dass selbst „etwas Advanced
Analytics“ bereits großen Nutzen erbringt.
Es ist also jedem Unternehmen anzuraten,
sich mit Advanced Analytics zu beschäfti-
gen. Dies muss nicht mit großem Aufwand
verbunden sein. Bereits bestehende Busi-
ness-Intelligence- oder CRM-Werkzeuge
enthalten neben Standard-Reporting- und
Analyse-Funktionen oft bereits fortge-
schrittene Funktionen für (Umsatz-) Prog-
nosen oder Klassifikationen. Open-
Source-Data-Mining-Werkzeuge sind frei
nutzbar und eignen sich in Verbindung mit
Beispiel-Modellen für kurzfristige Experi-
mente.
Es gilt grundsätzliche Fragen zu klären
– holen Sie externe Hilfe! Für die Umset-
zung von fortgeschrittenen Analysen kön-
nen Unternehmen heute aus einem um-
fangreichen Fundus an Technologien, Vor-
gehensmodellen, Anwendungsbeispielen
und Organisationskonzepten schöpfen.
Das Überangebot macht es jedoch schwie-
rig, schnell und zielgerichtet zu starten, gilt
es doch, einige wesentliche grundsätzliche
Fragen zu klären: Welche Werkzeuge sind
sinnvoll für unsere Advanced-Analytics-
Aufgabenstellungen, sind anwendungs-
spezifische Lösungen, moderne BI-Werk-
zeuge, generische Data-Mining-Plattfor-
men oder gar Entwicklungsumgebungen
der richtige Weg, welche Mitarbeiter/ Rol-
len sollten eingesetzt/geschult werden,
welchen Stellenwert soll Advanced Analy-
tics im Unternehmen haben und wie ist die
Positionierung der entsprechenden organi-
satorischen Einheit gegenüber BI, Fachbe-
reich und IT, welche Anwendungsfälle
bringen dem Unternehmen Mehrwert und
sind mit wenig Aufwand umsetzbar?
Unternehmen, die sich am Anfang befin-
den, sollten die Gelegenheit wahrnehmen,
von Externen zu lernen: Besuchen Sie
Fachvorträge, führen Sie Gespräche auf
Messen, lassen Sie sich coachen, indem
Sie ihre ersten Advanced-Analytics-Pro-
jekte mit internen Mitarbeitern und exter-
nen Data Scientists besetzen.
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 43 –
Scheitern muss im Advanced-Analy-
tics-Bereich erlaubt sein – ein Um-
denken ist erforderlich! Im Vergleich
zu typischen IT-Projekten zeichnet sich
fortgeschrittene Analyse durch eine ex-
plorative Vorgehensweise aus: Wie in
einem Labor werden verschiedenste
Hypothesen getestet und bei vielen
Versuchen wird es keine befriedigen-
den Ergebnisse geben. Es ist gut mög-
lich, dass für manche Ideen kein Modell
gefunden wird, der Aufwand zur Ermitt-
lung des Modells seinen Wert über-
steigt oder einfach nicht die notwendi-
gen Daten bereit stehen. Eine Projekt-
Vorgehensweise mit definiertem Zeit-
bedarf, Budget und Ergebnis ist daher
nicht zielführend.
Daten sind Fundament und Treib-
stoff Ihrer Advanced-Analytics-Pro-
jekte – sorgen Sie für eine ausrei-
chende Menge, Qualität und Verfüg-
barkeit! Die Befragung zeigt wieder
einmal, dass (teure) Mitarbeiter, die
sich eigentlich mit der Suche und Eva-
luation eines passenden Modells be-
fassen sollen, von schlechter Daten-
qualität und nicht angebundenen oder
schlecht dokumentierten Datenquellen
ausgebremst werden. Sicherlich aus
diesem Grund schätzen die befragten
Unternehmen Kompetenzen zur Daten-
aufbereitung wichtiger ein als statis-
tisch-mathematisches Verständnis.
Um den Anwendern die Arbeit zu er-
leichtern sollten IT-Verantwortliche auf
eine bessere Ausstattung drängen.
Von einer höheren Datenqualität sowie
einfacher nutzbaren und dokumentier-
ten Daten profitieren auch viele andere
Mitarbeiter in der täglichen operativen
Arbeit sowie in Entscheidungsprozes-
sen. Evaluieren Sie moderne Konzepte
wie visuelle Datenintegrations- und Me-
tadatenmanagementwerkzeuge, Da-
tenvirtualisierung und Business Glos-
sare um für Transparenz und Nachvoll-
ziehbarkeit zu sorgen. Prüfen Sie, ob
sich Hadoop-Technologie lohnt, um
auch große Mengen an Daten kosten-
günstig abzulegen und dabei weiterhin
zugreifbar für ihre Anwender zu halten.
Lernen Sie, auch komplizierte Sach-
verhalte verständlich zu dokumen-
tieren und zu kommunizieren! Oft ha-
ben Unternehmen bereits bei einfachen
BI-Berichten das Problem, die Inhalte
verständlich an ihre Adressaten zu
kommunizieren. Tortendiagramme ver-
zerren die dargestellten Mengen, Le-
genden fehlen, Soll-, Ist- und Planwerte
sind nicht deutlich voneinander abge-
grenzt. Erkenntnisse aus fortgeschritte-
nen Analysen sind typischerweise
nochmals schwieriger zu kommunizie-
ren, stellen Sie doch Daten oft in min-
destens drei neuen weiteren Dimensio-
nen dar (z.B. Prognosewerte, Wahr-
scheinlichkeiten, mögliche Modelle).
Nutzen Sie Visualisierungsstandards
im Unternehmen, wie sie beispiels-
weise von Hichert oder Tufte entwickelt
wurden! Und verankern Sie eine Rolle
zur Visualisierung und Kommunikation
von Information und Analyseergebnis-
sen im Unternehmen (z.B. den „Data
Artist“)!
Optimieren Sie Ihre Advanced-Ana-
lytics-Organisation, Technologie
und Prozesse schrittweise! Fortge-
schrittene Analyse lebt von ihrer Dyna-
mik und Flexibilität. Sie benötigen für
die Umsetzung Mitarbeiter aus dem
Fachbereich, der IT, Statistiker und
Projektkoordinatoren, die in virtuellen
oder physischen Teams zusammenar-
beiten müssen.
Stellen Sie sich darauf ein, verschie-
dene Technologien wie In-memory-Da-
tenbanken und -Processing, Hadoop,
NoSQL, Self-Service-Datenintegration
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 44 –
und Datenvirtualisierung auf ihre Nütz-
lichkeit hin zu prüfen. Die notwendige
Agilität kann Cloud-Computing-Ange-
bote attraktiv machen. Führen Sie
strukturierte Anbieterpräsentationen o-
der Proof-of-Concepts mit etablierten
Softwareanbietern und aussichtsrei-
chen Start Ups durch.
Falls Sie erkennen, dass die Advanced-Analy-
tics-Thematik in Ihrem Unternehmen einen ho-
hen Stellenwert einnimmt, so ist eine starke
Verflechtung und Interaktion unterschiedlicher
Abteilungen unvermeidlich. Die verschiedenen
Unternehmensbereiche sollten dann mit ihren
Daten, Softwaresystemen, Beteiligten und Pro-
zessen in einer möglichst integrierten Umge-
bung zusammenarbeiten können, um Rei-
bungsverluste zu reduzieren und schnell zu Er-
gebnissen zu kommen. Eine fortwährende Prü-
fung der eigenen Technologie, Strategie und
Organisation gegen aktuelle Konzepte und Me-
thoden ermöglicht die zukunftsfähige Positio-
nierung des Unternehmens am Markt.
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 45 –
Anhang A: Methodik und Demografie
Die Online-Anwenderumfrage erfolgte von Ok-
tober 2015 bis November 2015 in der DACH-
Region. Die Befragung wurde von BARC über
Webseiten, Veranstaltungen und im E-Mail-
Newsletter beworben. Es beteiligten sich insge-
samt 215 Teilnehmer an der Erhebung – nach
der Datenbereinigung blieben 210 ausgewer-
tete Fragebögen übrig.
Aufgrund von Rundungen können sich bei Sum-
menbildungen geringfügige Abweichungen er-
geben.
Es wurde eine breit gefächerte Branchenvertei-
lung der Studienteilnehmer erreicht (vgl. Abbil-
dung 26). Besonders häufig sind die Dienstleis-
tungsbranche (31 Prozent), die Industrie
(27 Prozent), IT- und Telekommunikation (17
Prozent), der Handel (11 Prozent), der Finanz-
sektor (7 Prozent) und der öffentliche Sektor (7
Prozent) vertreten.
Abbildung 26: Branchenverteilung (n=207)
Die Unternehmensgröße nach Mitarbeiteranzahl
geht aus Abbildung 27 hervor. Mit 43 Prozent
sind Unternehmen der Größenklasse 250 bis
5.000 Mitarbeiter in der Studie am häufigsten
vertreten. Die Studie deckt mit 26 Prozent (mehr
als 5.000 Mitarbeiter) und 30 Prozent (weniger
als 250 Mitarbeiter) aber auch andere Unterneh-
mensgrößen repräsentativ ab.
Abbildung 27: Unternehmensgröße (Mitarbeiterzahl, n=207)
31%
27%
17%
11%
7%
7%
1%
Dienstleistung
Industrie
IT und Telekommunikation
Handel
Finanzsektor
Öffentlicher Sektor
Sonstige
30%
43%
26%
Weniger als 250
250 bis 5.000
5.000 und mehr
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 46 –
Abbildung 28: „Nutzung von Advanced und Predictive Analytics nach Unternehmensgröße“
(n=207)
Die Befragung zeigt, dass die Anwendung von
fortgeschrittener Analyse keine Frage der Un-
ternehmensgröße ist: Etwa 1/3 der kleinen und
mittelständischen Unternehmen bis 5.000 Mit-
arbeiter und etwa die Hälfte der Großkonzerne
wenden fortgeschrittene Analysen an.
32%
31%
52%
Weniger als 250
250 bis 5.000
5.000 und mehr
Ja, wir nutzen Advanced und Predicitive Analytics Die Nutzung wird geplant
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 47 –
Anhang B: Betrachtung der Unternehmen nach “Best in Class vs. Nachzügler
Die Anwenderbefragung zeigt, dass zukünftig
fast alle Unternehmen (94 Prozent) Advanced
und Predictive Analytics für wichtig für ihr Un-
ternehmen halten. Allerdings wenden erst ein
Drittel der Unternehmen fortgeschrittene Analy-
sen auch tatsächlich an. Wie sollen die restli-
chen zwei Drittel der Unternehmen nun Erfah-
rungen mit dem Thema fortgeschrittener Ana-
lyse sammeln und sich positionieren?
Informationen von Marketingabteilungen der
Software- und Serviceanbieter belegen leider
oftmals nicht, ob durch den entsprechenden
Einsatz von fortgeschrittenen Analysen tatsäch-
lich Mehrwerte für das Unternehmen erzielt
werden können.
Im Fokus dieser Studie stehen deshalb insbe-
sondere diejenigen Unternehmen, die sich
selbst in der fortgeschrittenen Analyse als über-
durchschnittlich gut einstufen. Die Studie wid-
met sich daher an vielen Stellen der Frage, was
diese Unternehmen beim Thema fortgeschritte-
ner Analyse besser machen, wodurch sie sich
von ihren Wettbewerbern abheben und was
man von ihnen lernen kann.
Abbildung 29: „Wie schätzen Sie die Fähigkeiten und Kompetenz im Bereich Advanced und
Predictive Analytics in Ihrem Unternehmen im Vergleich zu Ihren Hauptwettbewerbern ein?“
(n=85)
Hierzu wurden die Teilnehmer gefragt, wie sie
die Fähigkeiten und Kompetenzen ihres Unter-
nehmens im Bereich Advanced und Predictive
Analytics im Vergleich zu ihren größten Wettbe-
werbern einschätzen (vgl. Abbildung 29). Auf
Grundlage dieser Frage wurde die Klassifika-
tion von Best-in-Class-Unternehmen vorge-
nommen. Um als Best-in-Class-Unternehmen
eingestuft zu werden, mussten die Teilnehmer
bei der entsprechenden Frage ihre Fähigkeiten
und Kompetenzen im Bereich Advanced und
Predictive Analytics als „viel besser“ oder „et-
was besser“ einschätzen.
Dies trifft auf nur 13 Prozent der Befragten (28
Teilnehmer) zu. Diese Gruppe bezeichnen wir
als „Best-in-Class“. Wir stellen diese Best-in-
Class-Unternehmen in dieser Studie den ande-
ren 87 Prozent gegenüber, um herauszufinden,
was sie besser machen.
7%
26%
32%
26%
9%
Viel besser
Etwas besser
Gleich
Etwas schlechter
Viel schlechter
Best-in-Class-
Unternehmen
Nachzügler
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 48 –
Anhang C: Glossar
Analytische Datenbank: Datenbanktechnologie, die auf Aufgabenstellungen der Datenanalyse opti-
miert ist (z.B. Abruf großer Datenmengen und deren Summierung).
Advanced Analytics (fortgeschrittene Analysen): Datenanalysen, die über einfache mathematische
Berechnungen wie Summen- und Durchschnittsbildung, Filterfunktion oder Sortierung hinausgehen.
Fortgeschrittene Analysen nutzen mathematische und statistische Formeln und Algorithmen mit dem
Ziel, neue Informationen zu erzeugen, Muster zu erkennen und auch Vorhersagewerte mit den zugehö-
rigen Wahrscheinlichkeiten zu berechnen.
Analytics: Sammelbegriff für mathematische Methoden der systematischen Auswertung von Daten wie
etwa OLAP-Analysen, Predictive Analytics, Optimierung oder Statistik. Im Gegensatz zu Business In-
telligence ist Analytics nach vorne ausgerichtet und erlaubt Einsichten in kommende Entwicklungen und
Szenarien. Eine Aufgabenstellung ist zum Beispiel: „Welche Produkte muss ich zu welchem Preis wel-
chem Kunden anbieten, damit mein Umsatz profitabel wächst?“
Business Intelligence: Methoden und Werkzeuge zur Entscheidungsunterstützung in Unternehmen.
Daten werden aus operativen oder anderweitigen Systemen (Warenwirtschaft, Kundendaten, etc.) ge-
sammelt und aufbereitet (z.B. gefiltert, summiert, verknüpft) um die resultierenden Daten in Dashboards,
Berichten und (OLAP-) Analysen darzustellen und so für die Entscheidungsunterstützung zu verwen-
den. Eine typische Frage ist etwa: „Wie viele Produkte habe ich zu welchem Preis in welcher Region
verkauft?“.
Data Mining: Methode und Softwarewerkzeuge um mittels ungerichteter Datenanalyse in Datenbestän-
den mit statistischen und anderen Verfahren (z.B. maschinelles Lernen, neuronale Netze) Datenmuster
zu erkennen und Zusammenhänge zu entdecken. Als Teilgebiet von Analytics geht es um die Beant-
wortung komplexer Fragestellungen wie etwa „Warum kauft ein Kunde genau diese Produkte in dieser
Kombination?“, um daraus Rückschlüsse auf die Optimierung der zugrundeliegenden Prozesse zu
schließen.
Data Scientist: Domänenexperte in Statistik, Mathematik, Stochastik mit sehr hoher Daten- und IT-
Affinität und Kommunikationsfähigkeit; Werkzeugexperte für ausgewählte Werkzeugumgebung.
Big Data: Mittlerweile etablierter Begriff für das Phänomen rasant steigender Datenmengen aus unter-
schiedlichsten Quellen. Getrieben durch überall vorhandene Sensoren und weiter fortschreitende Digi-
talisierung stehen Unternehmen immer mehr Daten zur Verfügung. Das fordert zum einen die vorhan-
dene IT-Infrastruktur heraus (speichern und verwalten der Daten) und erzeugt zum anderen neue Chan-
cen durch mehr Auswertmöglichkeiten (Analytics).
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 49 –
Data Warehouse: Konzept und technische Infrastruktur zur Sammlung und Aggregation von Unterneh-
mensdaten im Rahmen von Business Intelligence und Analytics. In den 90er Jahren hat sich dieses
Konzept in der Unternehmenswelt großflächig durchgesetzt, weil dadurch immer neue Anforderungen
nach Auswertungen und Analysen bedient werden können. Die dafür typischerweise eingesetzten Da-
tenbanktechnologien genügen allerdings oft nicht mehr den Big-Data-Anforderungen von Unternehmen.
Hadoop: Open-Source-Framework für das verteilte Speichern und Rechnen mit großen Datenmengen.
Mittlerweile entstehen im Hadoop-Kontext eine ganze Reihe von Projekten (Spark, Hive, Pig, Yarn, Im-
pala, etc.), die sich damit beschäftigen, kostengünstig, schnell und einfach zugänglich mit einer Vielzahl
von Daten (Big Data, strukturiert/ unstrukturiert) umgehen zu können.
In-Memory-Analyse: Technologie, die datenintensive Berechnungsmethoden in den Hauptspeicher
verschiebt und damit Geschwindigkeitsvorteile gegenüber herkömmlichen Ansätzen erzielt. Bedingt
durch sinkende Preise für Arbeitsspeicher verfolgen viele Softwarefirmen mittlerweile den Ansatz, Daten
im Hauptspeicher zu halten und damit den Transfer von Festplatten oder Cache-Speichern zu umgehen.
Auch Analytics wird dadurch beschleunigt und ist daher eine Möglichkeit, den Herausforderungen von
Big Data zu begegnen.
Optimierung: Methode und Softwarewerkzeuge, um komplexe Abhängigkeiten zu berechnen und Lö-
sungen zu finden. Ein klassisches Beispiel ist das „Handelsvertreterproblem“: Welche Route soll der
Vertreter nehmen, um mit möglichst wenig Umwegen möglichst viele Kunden besuchen zu können?
Dabei gibt es typische Einschränkungen („Restriktionen“) wie Reisezeit pro Tag, Zwischenlagerstand-
orte für Waren, Geschwindigkeit des Fortbewegungsmittels etc. Vermehrt nutzen Optimierungsalgorith-
men dabei iterative Verfahren und In-Memory-Analyse.
Polystrukturierte Daten: übergreifende Bezeichnung für strukturierte (z.B. tabellarische) Daten und
unstrukturierte Daten (z.B. Text-, Audio-, oder Videodaten): Traditionell stark verbreitete Datenbanksys-
teme arbeiten vornehmlich mit sogenannten strukturierten Daten. Diese lassen sich in Form von Tabel-
lenzeilen und Tabellenspalten erfassen. Viele typische Fragestellungen in einem Unternehmen sind mit
solchen Datensätzen lösbar, etwa eine Kundendatenbank, Lagerbestände und Unternehmensprozesse
wie Einkauf, Rechnungslegung etc. Big Data stellt neue Herausforderungen: Texte, Bilder, Videos und
Maschinendaten folgen nicht mehr der eingeführten („relationalen“) Logik, sondern sind aus Sicht der
klassischen Datenbanksysteme „unstrukturiert“. Um diese Daten verwalten und auswerten zu können,
sind daher neue Technologien nötig, wie etwa Hadoop.
Predictive Analytics (Forecasting): Teilbereich von „Advanced Analytics“, Fokus liegt auf der Ermitt-
lung von zukünftigen Ereignissen, Werten und Information mit ihren jeweiligen Wahrscheinlichkeiten.
Ein häufiges Einsatzgebiet ist die Prognose von Nachfrage aufgrund saisonaler oder anderer Schwan-
kungen.
R: Programmiersprache und Bibliotheken mit Fokus auf statistischem Rechnen.
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 50 –
Skalierung: Erhöhung der Leistungsfähigkeit durch Hinzufügen von Ressourcen (z.B. im Kontext Ha-
doop: durch das Hinzufügen weiterer Computer).
Statistik: Mathematische Teildisziplin, die Methoden der Wahrscheinlichkeitsrechnung entwickelt und
nutzt. Durchschnitte, Mittelwerte, Standardabweichungen sowie Korrelationen helfen dabei, Daten zu
durchdringen und zu verstehen. Statistik ist wiederum eine Teilmenge von Analytics.
Text Mining: Genau wie Data Mining sowohl Methode als auch Software, die das Erschließen von
Texten ermöglicht. Gerade in Zeiten von Big Data stehen immer mehr Daten in Form von Texten zur
Verfügung. Beispiele sind Internetinhalte wie Foren, soziale Netzwerke oder Nachrichtenseiten, aber
auch schriftliche Call-Center-Daten, Kunden-E-Mails oder Werkstattprotokolle mit Freitextfeldern. Dabei
können sowohl Inhalte als auch Stimmungen automatisiert erfasst und Auswertungen zum genaueren
Verständnis von Kunden und Prozessen verwendet werden.
Vorhersagemodell: Mathematische Abbildung von Erkenntnissen, um Aussagen über zukünftige Er-
eignisse treffen zu können. Anhand von vielen Daten aus der Vergangenheit, etwa dem Abverkauf von
Produkten, versuchen Analytiker Muster zu entdecken und in mathematische Formeln zu fassen. Wenn
dieses Vorsagemodell auf genügend vielen und genügend aussagekräftigen Daten basiert, werden die
daraus abgeleiteten Prognosen in ihrer Qualität besser.
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 51 –
Das Business Application Research Center (BARC)
www.barc.de
Firmenprofil
Das Business Application Research Center
(BARC) ist ein Forschungs- und Beratungsinsti-
tut für Unternehmenssoftware mit Fokus auf die
Bereiche Business Intelligence, Enterprise Con-
tent Management (ECM), Customer Relation-
ship Management (CRM) und Enterprise
Ressource Planning (ERP). BARC-Mitarbeiter
sind seit 1994 in der Evaluation von Business-
Intelligence- und ECM-Produkten und Beratung
von Unternehmen tätig. Dabei vereinen die
BARC-Analysten Markt-, Produkt- und Einfüh-
rungswissen. Know-how-Basis sind die seit Jah-
ren ständig durchgeführten Marktanalysen und
Produktvergleichsstudien, die ein umfassendes
Detailwissen über den Leistungsumfang aller
marktrelevanten Software-Anbieter und neueste
Entwicklungen im Markt sicherstellen.
Neben dem Firmensitz in Würzburg unterhält
BARC heute Niederlassungen in München, Lon-
don, Wien und Zürich. BARC formt mit den Ana-
lystenhäusern CXP und PAC die führende euro-
päische Analystengruppe für Unternehmenssoft-
ware und IT Services mit Vorortvertretungen in
acht Ländern.
BARC ist aus den komparativen Produktanaly-
sen am Lehrstuhl Wirtschaftsinformatik der Uni-
versität Würzburg, Prof. Dr. R. Thome hervorge-
gangen. In seiner Stellung als unabhängiges
Institut beobachtet und analysiert BARC den
Markt für Business Applications. In Beratungs-
projekten, Software-Vergleichsstudien und auf
Fachtagungen bringt BARC Transparenz und
Vergleichbarkeit in den Software-Markt. Dabei
ist BARC strikt unabhängig von Software-Anbie-
tern. Dies bedeutet, dass keine Gebühren für die
Aufnahme in Studien oder Provisionen bei der
Empfehlung von Software erhoben werden.
BARC bietet auch keine Implementierung von
Software an, um keine internen Interessen zu er-
zeugen.
BARC-Mitarbeiter evaluieren seit mehr als 20
Jahren Business-Intelligence- und Enterprise-
Content-Management-Produkte und nutzen das
so erlangte Wissen in Beratungsprojekten zur
Software-Auswahl und IT-Strategie.
Über 1.200 Kunden jährlich, darunter mehr als
90 Prozent der DAX100-Unternehmen nutzen in
vielfältiger Weise das Know-how der BARC-
Analysten. BARC-Beratungsprojekte sind hoch
effizient und gewährleisten ein Höchstmaß an
Sicherheit bei Software-Auswahl und IT-Strate-
gie. BARC-Studien bieten einen qualifizierten
Marktüberblick und einen detaillierten Software-
Vergleich. BARC-Tagungen und Seminare ge-
ben einen konzentrierten Eindruck aller relevan-
ten Anbieter in verschiedenen Segmenten des
Marktes für Geschäftsanwendungen.
.
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 52 –
SAS
www.SAS.de
Firmenprofil
SAS ist mit über drei Milliarden US-Dollar Um-
satz einer der weltweit größten Softwareher-
steller und der größte Anbieter von Big-Data-
Analytics-Software. Unternehmen an weltweit
75.000 Standorten setzen SAS Lösungen ein,
um aus ihren vielfältigen Geschäftsdaten auch
im Zusammenspiel mit externen Daten (Big
Data) konkrete Informationen für strategische
und operative Unternehmensentscheidungen zu
gewinnen (Analytics) und so ihre Wettbewerbs-
fähigkeit zu steigern.
Big Data Analytics ist der Schlüssel dazu, die Di-
gitale Transformation nicht nur zu bewältigen,
sondern davon zu profitieren und die notwendi-
gen disruptiven Prozesse im Unternehmen er-
folgreich umzusetzen. Dank fast 40 Jahren Er-
fahrung auf dem Gebiet der Datenanalyse ver-
fügt SAS dafür nicht nur über weitreichende Vi-
sionen – die Technologie ist zugleich pragma-
tisch, bewährt, sicher und schnell produktiv ein-
setzbar.
SAS kommt in der gesamten Wirtschaft und öf-
fentlichen Verwaltung zum Einsatz. Kernbran-
chen sind Banken, Versicherungen, Handel und
die Fertigungsindustrie. Banken steuern mit SAS
ihre Prozesse und erfüllen mit SAS die Vorschrif-
ten von Aufsichtsbehörden. Versicherungen
kommen mit SAS Versicherungsbetrügern auf
die Spur. Händler optimieren ihre Kundenan-
sprache und ihr Kampagnenmanagement oder
steigern das Kundenerlebnis beim Online-Shop-
ping. Industrieunternehmen steuern ihre Ser-
vice- und Wartungsprozesse zum Beispiel so,
dass Teile ersetzt werden, bevor sie auszufallen
drohen.
Big Data Analytics von SAS hilft Unternehmen,
das Maximum aus ihren Daten herauszuho-
len. Ganz gleich, wie groß und wie komplex die
Datenbestände sind – SAS Software erkennt die
relevanten Strukturen und Zusammenhänge. So
werden Daten zu Erkenntnissen, die als Basis
für sichere und vorausschauende Geschäftsent-
scheidungen dienen.
SAS High-Performance Analytics nutzt inten-
siv die Möglichkeiten von Hadoop und In-Me-
mory Computing für die wirtschaftliche und ext-
rem schnelle Verarbeitung von Big Data. Zudem
bietet SAS Unternehmen eine Plattform, um Da-
ten zu analysieren, zu verbessern und zu kon-
trollieren und trägt somit dazu bei, die Datenqua-
lität und Data Governance entscheidend zu ver-
bessern.
Alle Lösungen von SAS sind auch als Managed
Services verfügbar und lassen sich sowohl in
der Public Cloud, der Private Cloud oder in hyb-
riden Cloud-Umgebungen nutzen. Ein Schwer-
punkt liegt dabei auf Lösungen für Self-Service
Business Analytics, mobile Business Analytics
oder Datenvisualisierung, die es auch Fachab-
teilungen und der Managementebene ermögli-
chen, ohne besondere Statistikkenntnisse oder
Unterstützung der IT-Abteilung wertvolle Er-
kenntnisse aus dem Datenmaterial zu ziehen.
Hintergrund: SAS entstand im Rahmen eines
Forschungsprojekts an der North Carolina State
University. Das 1976 gegründete Unternehmen
mit Sitz im US-amerikanischen Cary, North
Carolina, beschäftigt rund 14.000 Mitarbeiter
und unterhält 400 Niederlassungen in 56 Län-
dern weltweit. SAS Deutschland hat seit 1982
seine Zentrale in Heidelberg mit weiteren Nie-
derlassungen in Berlin, Frankfurt, Hamburg,
Köln sowie München und beschäftigt aktuell
rund 550 Mitarbeiter. Zu den deutschen Kunden
gehören zum Beispiel Allianz, Continental, Com-
merzbank, HUK Coburg, Fraport, REWE Touris-
tik, Nestlé, Galeria Kaufhof, BASF und die Meyer
Werft.
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 53 –
SDG
www.sdggroup.com
Firmenprofil
Seit Gründung im Jahr 1991 hat sich die SDG
Group zu einer global agierenden Management-
und IT-Beratung entwickelt, spezialisiert auf die
Bereiche:
• Reporting und Analyse
• Predictive & Advanced Analytics
• End2End-Planungslösungen
• Datenmanagement & DWH
• Big Data Architekturen
Über 400 Berater an international 16 Standorten
betreuen mehr als 350 aktive Kunden. Dazu ge-
hören namhafte Unternehmen aus Branchen wie
Handel, Konsumgüter, Pharma, Dienstleistung
und Industrie.
Fokus: Advanced & Predictive Analytics
Die Anwendung modernster Prognose- und
Data-Mining-Modelle, insbesondere in Verbin-
dung mit neuen Ansätzen wir z.B. Big Data oder
Cloud Computing, ermöglicht die Verarbeitung
von bisher überhaupt nicht vorhandenen oder
nur unzureichend genutzten Daten. Dadurch
sind wir in der Lage unsere Lösungen um früher
nicht für möglich gehaltene Analysen und daraus
resultierend bedeutende Erkenntnisse zu erwei-
tern.
Ein solcher datengetriebener Ansatz auf Basis
von State of the Art-Software in Kombination mit
einem klaren Verständnis für sinnvolle fachliche
Fragestellungen ist ein Kernelement des SDG-
Leistungsangebots, welches sich in die folgen-
den drei Themenfelder gliedert:
Predictive & Forecasting: In unseren aktuellen
Projekten spielt die intelligente Nutzung histori-
scher Daten zur Vorhersage zukünftiger Ent-
wicklungen eine immer stärker werdende Rolle.
Fachlich bietet diese Methodik in vielerlei Hin-
sicht große Potentiale, wie z.B. die quantitative
Prognose der künftigen Nachfrage für einzelne
Produkte zur operativen Optimierung der Supply
Chain oder die Vorhersage des Erfolgs von Mar-
ketingkampagnen, der Ausfälle von technischen
Anlagen (Predictive Maintenance) sowie Kun-
denwanderung oder Betrugserkennung.
Stream Mining: Darüber hinaus nutzen wir kon-
tinuierlich generierte Datenströme (z.B. Sensor-
daten technischer Anlagen) zur Ableitung des
„Normalzustands“ und der Identifikation von sig-
nifikanten Abweichungen. Auf diese Weise las-
sen sich Lösungen realisieren, die Realtime- o-
der Near-Realtime-Vorhersagen über die Ent-
wicklung kritischer Systemzustände, z.B. in Pro-
duktionsprozessen oder Kraftwerksanlagen zu-
lassen. Ein frühzeitiges Eingreifen wird ermög-
licht und kostspielige Ausfallzeiten sowie grö-
ßere Schäden reduziert.
Data Science: Unter das Thema „Data Science“
fallen Lösungen für ein breites Anwendungs-
spektrum, wie z.B. die Identifikation der kausa-
len Wirkung von Marketingaktionen, die Analyse
der Preiselastizität von einzelnen Produkten in
unterschiedlichen Shops einer Retail-Kette, die
Erstellung von – um quantitative Bedingungen
bereinigte – Vergleichen innerhalb dezentraler
Vertriebsstrukturen oder ganz allgemein gesagt
das „Entwirren“ komplexer Daten in interpretier-
bare und aussagefähige Erkenntnisse.
In den drei genannten Bereichen spielen die Da-
ten neben den eigentlichen Prognose und Mi-
ning Algorithmen eine zentrale Rolle. Erst durch
die Verfügbarkeit aller relevanten Daten und die
Schaffung einer Datability – den intelligenten
Umgang mit Daten, egal welcher Herkunft – er-
geben sich für Unternehmen echte neue Ge-
schäftspotentiale.
Von der Identifizierung der richtigen Datenquel-
len (insbesondere auch externer), dem Daten-
konzept zur Speicherung der heterogenen Da-
ten über Abfragetechniken bis hin zur Visualisie-
rung der Daten bietet SDG umfassenden Exper-
tise. So entstehen aus explorativer Analyse
komplexer Datenstrukturen wertvolle Business
Informationen.
Kontakt:
Telefon: +49 40 4689964 0
Mail: [email protected]
BARC-Anwenderstudie: Advanced und Predictive Analytics 2016 – Schlüssel zur zukünftigen Wettbewerbsfähigkeit
- 54 –
Sopra Steria Consulting
www.soprasteria.de
Firmenprofil
Sopra Steria Consulting zählt heute zu den Top
Business Transformation Partnern in Deutsch-
land. Als ein führender europäischer Anbieter für
digitale Transformation bietet Sopra Steria eines
der umfassendsten Angebotsportfolios für End-
to-End-Services am Markt: Beratung, Systemin-
tegration, Softwareentwicklung, Infrastrukturma-
nagement und Business Process Services.
Unternehmen und Behörden vertrauen auf die
Expertise von Sopra Steria, komplexe Transfor-
mationsvorhaben, die geschäftskritische Her-
ausforderungen adressieren, erfolgreich umzu-
setzen. Im Zusammenspiel von Qualität, Leis-
tung, Mehrwert und Innovation befähigt Sopra
Steria seine Kunden, Informationstechnologien
optimal zu nutzen. 1968 gegründet, erzielte
Sopra Steria 2014 mit mehr als 37.000 Mitarbei-
tern in über 20 Ländern einen Pro-forma-Umsatz
in Höhe von 3,4 Mrd. Euro.
In Deutschland ist Sopra Steria Consulting mit
1700 Mitarbeitern in Hamburg, Berlin, Leipzig,
Frankfurt, Köln, München und Wilhelmshaven
vertreten.
Wodurch zeichnet sich Sopra Steria Consul-
ting aus?
Sopra Steria Consulting verbindet seine tiefge-
hende Kenntnis der Geschäftsprozesse seiner
Kunden mit einer umfassenden internationalen
Expertise in IT und Business Process Outsour-
cing. Im Bereich Business Intelligence (BI) und
Big Data unterstützt Sopra Steria Consulting
seine Kunden mit über 120 BI-Beratern in
Deutschland sowie 850 BI-Beratern weltweit bei
der digitalen Transformation in sämtlichen Fra-
gestellungen von der BI-Strategie und BI-
Governance, über Technologie & Architektur bis
hin zu Data Management- und Reporting & Ana-
lytics-Themen.
Die Lösungen und praxiserprobten Frameworks
und Methoden von Sopra Steria Consulting hel-
fen Entscheidungsträgern in einer Welt stetig
wachsender Datenvolumina, komplexer Daten-
ströme und steigender Vernetzung, einen
schnellen Zugriff auf präzise aufbereitete Infor-
mationen zu erhalten und valide Entscheidun-
gen für ein nachhaltiges Unternehmenswachs-
tum zu treffen.
Reporting & Analytics
Die Branchen- und BI-Experten von Sopra Steria
Consulting gestalten analytische Applikationen
mit einer optimalen Informationsbereitstellung
entlang branchenspezifischer Geschäftspro-
zesse und schaffen damit Entscheidungssicher-
heit durch Transparenz. Die Einbindung externer
Faktoren – über Predictive-Modelle – in die Re-
porting- und Planungsprozesse ist für die Aussa-
gekraft der Informationen und damit für die Wett-
bewerbsfähigkeit von zentraler Bedeutung.
Data Management
Das Data Integration Framework von Sopra Ste-
ria Consulting gewährleistet eine robuste, ska-
lierbare Data Management-Infrastruktur mit
stabiler Performance. Dieses Framework liefert
die Grundlage für eine nachhaltige Behandlung
großer Datenmengen und schafft die Basis für
die optimale Informationsbereitstellung.
Architecture & Technology
Auf Grundlage ihrer anbieterübergreifenden Er-
fahrung entwickeln die Spezialisten von Sopra
Steria Consulting innovative Architektur- und
Prozessmodelle unter Einbeziehung modernster
Technologien.
Strategy & Governance
Sopra Steria Consulting erarbeitet basierend auf
seiner praxiserprobten Methodik und Vorge-
hensweise gemeinsam mit seinen Kunden Stra-
tegien für die Produktion und den Einsatz von In-
formation. Dabei sichert der Bereich Gover-
nance ein bereichsübergreifendes, strategiekon-
formes Handeln und schafft Organisationsstruk-
turen für eine effiziente Nutzung und Weiterent-
wicklung
Copyright © BARC GmbH 2016. All rights reserved.
Business Application Research Center – BARC GmbH
Germany
BARC GmbH
Berliner Platz 7
D-97080 Würzburg
+49 (0) 931 880651-0
www.barc.de
Austria
BARC GmbH
Goldschlagstraße 172 / Stiege 4 / 2.OG
A-1140 Wien
+43 (1) 8901203-451
Switzerland
BARC Schweiz GmbH
Buchhaldenstraße 7
CH-5442 Fislisbach
+41 (0) 763403516
Rest of the World
+44 1536 772 451
www.barc-research.com