Mit Advanced Analytics Informationsvorsprung generieren
Advanced Analytics ist das Schlagwort rund um fortgeschrittene analytische Verfahren und Methoden für Planung, Simulationen und Forecasts sowie (Risiko-)Analysen im Controlling. Neben klassischen statistischen Verfahren spielt heute auch immer mehr der Einsatz von Künstlicher Intelligenz (KI) eine Rolle.
Aufgesetzt werden die Analysen dabei auch auf unstrukturierte und polystrukturierte Daten. Durch die fortschreitende Digitalisierung werden über Sensoren, Internet of Things (IoT) und digitale Fußabdrücke immer mehr Daten gesammelt. Diese liegen in unterschiedlichsten Formaten und Strukturen vor. Durch explorative Methoden besteht die Möglichkeit, Zusammenhänge zu entdecken, die bisher unbekannt waren oder nur vermutet werden konnten. Damit geht die Informationsgewinnung weit über eine reine Analyse hinaus. Aus den gewonnenen Erkenntnissen lassen sich wiederum Berechnungsmodelle entwickeln und validieren, die Predicts ermöglichen.
In der Forschung wird die Data Analytics bereits seit vielen Jahren eingesetzt, um anhand von Daten Modelle und Hypothesen zu verifizieren – oder aber auch zu widerlegen. Dabei ist für Wirtschaft und Forschung ist die Bedeutung von Data Analytics inzwischen so groß geworden, dass die International Data Corporation bis 2020 eine Steigerung des weltweiten Umsatzes für Big Data und Business Analytics von 130,1 Milliarden US-Dollar im Jahr 2016 auf mehr als 203 Milliarden US-Dollar im Jahr 2020 erwartet.
Generell bietet Data Analytics Lösungen für fast alle Unternehmensbereiche; weshalb das Thema auch aus einer übergeordneten Sicht der Unternehmensführung heraus betrachtet werden sollte.
Die folgenden Beispiele aus einem Fachbeitrag von Deloitte beschreiben den unterschiedlichen Einsatz von Data Analytics, zeigen aber auch, dass das Thema einen gezielten Kompetenzaufbau in vielen Fachbereichen erfordert:
Im Finanz- und Rechnungswesen beispielsweise unterstützt Finance Analytics vorausschauendes Handeln, beschleunigt Prozesse und hilft damit Risiken rechtzeitig zu erkennen, Performance-Abweichungen zu deuten, neue Potenziale zu erschließen, Prozesse zu gestalten oder Steuerrisiken zu identifizieren.
Bei der Regulierung optimiert Risk & Regulatory Analytics das Risikomanagement und verbessert die Außenwirkung. Mit Hilfe analytischer Verfahren werden hier z. B. Abweichungen von internen und externen Vorschriften identifiziert oder Analysen der Unternehmensprozesse hinsichtlich Effektivität, Effizienz und Compliance unterstützt.
Customer Analytics hingegen ermöglicht die Zielorientierte Steuerung von Umsatz und Gewinn durch differenziertes Customer Relationship Management (CRM). So lassen sich potenzielle Verkaufsmöglichkeiten erkennen, Kundenverhalten und Kundenbeziehungen effizient analysieren, Risiken der Kundenabwanderung rechtzeitig ausfindig machen, zielgerichtete Marketing-Kampagnen für die Kundenbindung und Neukundengewinnung initiieren aber auch Produkte verbessern und die Preisfindung optimieren.
Im Personalmanagement unterstützt Workforce Analytics Human-Resources-Strategien durch Prozessoptimierungen in der Rekrutierung und Bindung von Talenten.
In der Absatzsteuerung erlaubt Supply Chain Analytics Vorhersagen in Hinblick auf Bedarfsplanung, Beschaffungsprozesse, Produktion und Distributionsprozesse, oder das frühzeitige Erkennen von potenziellen Störungen.
Die wichtigsten Voraussetzungen für das Gelingen der Implementierung von Data Analytics, egal in welchem Bereich, sind ein gesamthaftes Verständnis der Information Management Strategie innerhalb der Organisation und die darauf abgestimmte Ausrichtung der gesamten Unternehmenskultur.
Dies bedeutet, dass zu allererst im Management die strategischen Ziele des Unternehmens in Bezug auf die Datenstrategie festgelegt werden müssen. Anschließend sind die dafür relevanten KPIs für die Erstellung der Datenbasis zu definieren. Was so einfach klingt, erweist sich in der Strategiefindung häufig als sehr umfangreich. Welche Ziele für den Datenbedarf definiert der Konzern und sind diese identisch mit den Zielen und den abzuleitenden KPIs der Niederlassungen und/oder den einzelnen Fachbereichsverantwortlichen?
Bei der Umsetzung kommt es darauf an, dass Data Analysts und Data Scientists mit den Anwendern in den Fachbereichen im Unternehmen bereichsübergreifend zusammenarbeiten. Die unterschiedlichen Anwender wiederum sollten darin geschult werden, komplexe Datenanalysen ergebnisorientiert zu interpretieren.
Nur wenn das Prinzip der faktenbasierten Entscheidungsfindung in die Unternehmenskultur eingebettet ist, lässt sich der Wert von Datenanalysen von innen heraus vollständig ausschöpfen.