So lassen sich beispielsweise Informationen zur Altersstruktur der Kunden sowie zu ihren Interessen und Gewohnheiten transparent machen, um Erkenntnisse für die Ausrichtung der Geschäftsstrategie abzuleiten. Ein weiteres Beispiel wäre die Erkennung von Engpässen in der Produktion.
Das Potenzial hat im Zusammenhang mit den unter dem Begriff Big Data zusammengefassten Instrumenten enorm zugenommen, d. h. die Möglichkeit große Datenmengen zu analysieren, gegebenenfalls sogar in Echtzeit.
Wie funktioniert Data Analytics?
Ausgangspunkt für den Einsatz der Instrumente von Data Analytics ist eine konkrete betriebswirtschaftliche Fragestellung, die als Arbeitshypothese in die Auswertungen einfließt. Es gilt, die Frage möglichst substanziell, nachvollziehbar und transparent zu beantworten. Im Allgemeinen wird dazu eine vierstufige Vorgehensweise verfolgt.
1. Datenerfassung
Zunächst müssen die Daten aus den relevanten, meist verteilten Quellen bereitgestellt werden. In einem produzierenden Unternehmen erfolgt dies beispielsweise durch das Auslesen von Sensoren und Maschinenspeichern. Erfordert die Fragestellung die Auswertung von Daten, die noch nicht erhoben werden (können), so sind Maßnahmen erforderlich, dies sicherzustellen. Dabei werden drei Kategorien von Daten unterschieden.
- First-Party-Daten: Hierbei handelt es sich um Daten, die ein Unternehmen selbst über die eigenen Kunden, Website-Besuchern oder Fertigungsprozesse sammelt. Bei einem produzierenden Unternehmen werden sie auch "Shop-Floor-Daten" (Fertigungsdaten) bezeichnet.
- Second-Party-Daten: Unter Second-Party-Daten verstehen sich gesammelte Datenbestände durch eine bekannte Organisation, welche dem Unternehmen zur Verfügung gestellt werden.
- Third-Party-Daten: Als Third-Party-Daten werden aggregierte Datensätze bezeichnet, die ein Unternehmen auf einem Marktplatz kauft.
2. Datenspeicherung
Die erfassten Daten werden meist an unterschiedlichen, proprietären Stellen gespeichert. Für eine sinnvolle Auswertung ist es erforderlich, dass die Daten aus den verschiedenen IT-Systemen zusammengetragen und zusammengefasst werden. Dies erfolgt in Umgebungen, die meist als Data Warehouse oder Data Mart bezeichnet werden.
3. Datenanalyse
Bei Data Analytics kommen zahlreiche hypothesengestützte Analysemethoden zum Einsatz. Sie basieren auf Methoden der deskriptiven und auch schließenden Statistik. Im Mittelpunkt des Interesse steht die multidimensionale Auswertung der gewonnenen Rohdaten auf Basis von Belegen oder Events (d.h. Aktionen in den originären, operativen IT-Systemen). Gedanklich geht es um Datenwürfel, so genannte "Cubes", mit beliebig vielen Dimensionen. Durch Datenschnitte werden die Cubes systematisch zerlegt und ausgewertet. Diese Methodik wird heute mit dem Begriff des Online Transaction Processing (OLTP) - Online Analytical Processing (OLAP) verbunden.
4. Datennutzung
Die Analyseergebnisse werden als Kennzahlen ausgegeben oder in Reports eingebunden. Die so generierten Informationen dienen der Unterstützung der Entscheidungsträger. Fließen die Analyseergebnisse regelmäßig und standardisiert in die betrieblichen Entscheidungsprozesse ein, spricht man von "Business Intelligence". Hier werden die Methoden der Data Analytics häufig noch um Sensititivtätsanalysen und Simulationsrechnungen ergänzt.
Warum sollten sich Unternehmen mit Data Analytics beschäftigen?
Die Anwendung von Data Analytics kann in diversen Unternehmensbereichen erfolgen und viele positive Aspekte mit sich bringen. Wie bereits erwähnt ist es meist die Grundlage für ein besseres Kundenverständnis und kann somit zu einer schnelleren Entscheidungsfindung beitragen. Sowohl in der Produktentwicklung als auch im Marketingbereich kann diese Transparenz zu einer schnelleren Auswahl der Designs und der Inhalte führen und fördert somit die Effizienz des Unternehmens. Außerdem kann Data Analytics auch zu effizienteren Abläufen beitragen, da die Prozesse im Hinblick auf die Zielgruppe optimiert werden können. Daneben kann es zur Qualitätskontrolle eingesetzt werden, oder für eine vorausschauende Wartung von Maschinen, um Ausfällen vorzubeugen (Predictive Maintenance).