Thought Leadership
Nachdem Sie vor längerer Zeit eine Business Intelligence Lösung implementiert haben, behalten Sie die neuesten Trends weiter im Auge, um zu verstehen, was der Markt anbieten kann. Während Ihrer Forschung müssen Sie festgestellt haben, dass Business Intelligence oft mit Data Analytics Hand in Hand geht.
Bedeutet das, dass Sie Ihre bestehende BI-Lösung durch vielversprechende Data Analytics Trends erweitern können? Ist die Synergie von BI und DA möglich? Lassen wir uns das herausfinden.
Business Intelligence und Data Analytics – zwei Seiten derselben Medaille
Eine schnelle Suche im Internet reicht aus, um zu verstehen, dass diese beiden Begriffe widersprüchlich verwendet werden: verschiedene Anbieter, Dienstleister und andere Marktteilnehmer halten sich an ihre internen Definitionen von beiden Begriffen. Aus diesem Grund betrachten einige Quellen Business Intelligence und Data Analytics als zwei unterschiedliche Konzepte, während die anderen diese Begriffe synonym verwenden. Wir definieren sie wie folgt:
Business Intelligence (BI) ist ein technologiebasierter Prozess der Analyse von Daten und der Gewinnung von umsetzbaren Erkenntnissen, die Geschäftsanwendern helfen, fundierte Entscheidungen zu treffen. Die Implementierung von BI umfasst drei Hauptphasen:
- Entwicklung von Data Warehouse.
- Entwerfen von OLAP-Würfeln (Online Analytical Processing).
- Datenvisualisierung.
Data Analytics ist ein Sammelbegriff, der Business Intelligence sowie fortschrittliche Ansätze und Methoden zum Sammeln, Verarbeiten und Analysieren von Datensätzen umfasst, um Trends, Abhängigkeiten und Korrelationen zu identifizieren. Der Begriff hat eine breite Bedeutung und gilt sowohl für Business als auch für Wissenschaft. Data Analytics umfasst:
- Data Mining.
- Predictive und Prescriptive Analytics.
- Big Data Analytics usw.
Quelle: ScienceSoft
Wie man Synergien von BI und DA erreicht
ata Analytics ist normalerweise für Endbenutzer unsichtbar. Sie verwendet komplizierte Algorithmen und statistische Methoden, um zusätzliche Erkenntnisse zu liefern, die dann gewohnte Berichte bereichern können. Hier zeigen wir einige anschauliche Beispiele dafür, wie Business Intelligence und Data Analytics zusammenarbeiten können.
1. Die Kohortenanalyse (Cohort Analysis) ermöglicht es, Online-Shop-Besucher nicht als Ganzes zu betrachten, sondern in verschiedene Benutzergruppen mit ähnlichen Verhaltensmustern aufzuteilen. Solche Gruppen können zu einer Dimension für den OLAP-Würfel werden. Die Entscheidungsträger können diese nach Umsatz, Gewinn, Anzahl der Bestellungen pro Monat usw. vergleichen, um personalisierte Marketingaktivitäten zu entwickeln.
2. Die Regressionsanalyse (Regression Analysis) ermöglicht es, Beziehungen zwischen Variablen zu identifizieren. Die Abhängigkeit (oder der Mangel an Abhängigkeit) dazwischen kann dem Unternehmen im Gegensatz zu historischen Daten allein zusätzliche Einblicke verschaffen. Zum Beispiel ist es interessant, die Gesamtzahl der Beschwerden und Top-10-Beschwerden zu betrachten. Aber mit der Regressionsanalyse können Sie auch feststellen, ob die Wartezeit und die Anzahl der Beschwerden miteinander verbunden sind.
3. Die Zeitreihenanalyse (Time Series Analysis) wird in Bezug auf historische Daten angewendet, um Prognosen zu erstellen. Nehmen wir an, Sie möchten den Umsatz vorhersagen. Dazu benötigen Sie Verkaufszahlen für mehrere Vorjahre, aufgeteilt nach Monaten. Basierend auf diesen Daten wird ein analytisches System vergangene Trends, monatliche Wachstums-/Abnahmeraten, eventuell sich wiederholende Muster identifizieren und die bestmögliche Schätzung für die Zukunft vornehmen.
Data Analytics Trends sind auf jeden Fall beachtenswert
Sehen wir uns einige Data Analytics Trends an und erfahren wir, wie sie Ihre bestehende BI-Lösung bereichern können. Übrigens können Sie den gleichen Trend sowohl in den BI- als auch in den Data-Analytics-Listen finden (erinnern Sie sich an die oben erwähnte Widersprüchlichkeit der Begriffe?). Die Umsetzung einiger Initiativen wird wenig Schmerz verursachen, während die anderen erhebliche Änderungen in dem Technologie-Stack, Ansätzen und Methoden erfordern können.
1. Auf maschinellem Lernen basierte künstliche Intelligenz (KI)
Lassen Sie uns hier über das Problem der Kundenabwanderung sprechen. Traditionelle BI-Lösungen helfen Ihnen zu verstehen, wie viele Kunden Sie in der letzten Woche/Quartal/Monat verlassen haben. Wenn Sie sich die Abwanderungsraten ansehen, denken Sie natürlich darüber nach, wie Sie diese Kunden zurückkehren lassen können. Dennoch ist der Augenblick vorbei – die Kunden sind bereits zu Ihren Wettbewerbern gewechselt, und jetzt müssen Sie Ihr Bestes tun, um sie zurückzugewinnen.
Mit maschinell lernender KI können Unternehmen Kundensegmente mit hohem Abwanderungsrisiko frühzeitig erkennen. Das analytische System kann die Aktivitäten der Kunden über alle Kanäle hinweg bewerten und signalisieren, ob ihr Verhalten so aussieht, dass sie zum Wettbewerber abzuwandern vorhaben. Zum Beispiel kontaktiert ein Kunde das Support Center häufiger als der durchschnittliche Kunde, oder sie beginnen, Ihre Dienstleistungen seltener zu nutzen, oder ihre durchschnittlichen Ausgaben nehmen deutlich ab. Natürlich werden die Symptome für jede Branche spezifisch sein. Und Sie müssen diejenigen identifizieren, die für Ihr Unternehmen wichtig sind, als auch jedes Symptom bewerten und Ihr analytisches System lernen lassen. Daher informiert Sie Ihr System im Voraus über eine mögliche Abwanderung, damit Sie Maßnahmen ergreifen können, z. B. gezielte Marketingkampagnen.
2. Predictive Analytics
Zeitnahe und genaue Berichte, die historische Daten darstellen, sind großartig. Viele Unternehmen finden das jedoch vielleicht nicht ausreichend. Im Grunde genommen müssen Unternehmen auch verstehen, was in der Zukunft wahrscheinlich passieren wird, um präventive Maßnahmen heute zu ergreifen. Predictive Analytics kommt hier zur Rettung.
Stellen Sie sich einen Hersteller der Oberbekleidung vor, der sein Sortiment für die folgende Wintersaison plant. Er kann sich die letzten Verkäufe nach Kategorien ansehen und das Produktionsvolumen entsprechend planen. Aber wird es einsichtsvoll sein? Alternativ kann er eine Zeitreihenanalyse durchführen, die wir oben beschrieben haben.
Da Mode schnelllebig ist, benötigt der Hersteller noch mehr Erkenntnisse, um die Kundennachfrage zu prognostizieren, sich für das Winterangebot zu entscheiden und das Produktionsvolumen für jeden Artikel zu planen. Zum Beispiel kann der Produzent zusätzlich Wettervorhersagen (je kälter der Winter ist, desto weniger Mäntel mit 3/4-Ärmeln sollte man im Sortiment haben) und die Trends, die in den sozialen Medien populär werden, analysieren.
3. Big Data
Ihr Unternehmen steht vielleicht an der Schwelle von einer wichtigen Veränderung. Und diese Veränderung erfordert das Sammeln, Verarbeiten und Analysieren von Big Data (z. B. die Installation von Sensoren an Ihren Maschinen, um eine vorbeugende Wartung zu fördern, oder die Einführung eines E-Stores zusätzlich zu einem stationären Geschäft). Deshalb sollte Ihr Analysesystem imstande sein, auch diese neue Herausforderung zu bewältigen. Eine herkömmliche BI-Lösung sollte erweitert werden. Big Data erfordert einen dedizierten Technologie-Stack wie Apache Hadoop, Apache Hive, Apache Spark usw. Um wertvolle Erkenntnisse aus großen Datenmengen zu erhalten, steht Ihnen eine Vielzahl von Methoden und Techniken für Data Analytics zur Verfügung, z. B. Mustervergleich.
Und zu guter Letzt
Wenn Sie eine BI-Lösung implementiert haben, bedeutet das nicht, dass Sie die Obergrenze erreicht haben. Der Markt entwickelt sich weiter und bietet immer wieder neue Business Intelligence Leistungen an. Es gibt immer Möglichkeiten, die bestehende Lösung zu verbessern.
Während Sie die neuesten Trends überprüfen, beschränken Sie sich nicht nur auf Business Intelligence. Sehen Sie sich auch die Liste an, die für Data Analytics verfügbar ist. Für einige Unternehmen mag herkömmliche Business Intelligence ausreichen, aber andere Unternehmen finden es möglicherweise sinnvoller, die bestehende Lösung durch Data Analytics zu bereichern, um mehr Einsichten zu erhalten.
