Was ist Data Analytics?

12.02.2021
Von  und
Thor Olavsrud ist Senior Writer bei CIO.com und beschäftigt sich mit IT-Security, Big Data, Open-Source-Technologie sowie Microsoft-Tools und -Servers. Er lebt in New York.


Florian beschäftigt sich mit vielen Themen rund um Technologie und Management. Daneben betätigt er sich auch in sozialen Netzen.
Data Analytics ist für moderne Unternehmen Pflicht und birgt viele Vorteile. Das sollten Sie wissen.
Data Analytics legt die Grundlage für optimierte Geschäftsprozesse und -entscheidungen. Das sollten Sie zum Thema wissen.
Data Analytics legt die Grundlage für optimierte Geschäftsprozesse und -entscheidungen. Das sollten Sie zum Thema wissen.
Foto: Oleksii Lishchyshyn - shutterstock.com

Geht es darum, Geschäftsprozesse zu analysieren und auszubilden, sowie bessere Entscheidungen zu treffen und Ergebnisse zu erzielen, führt kein Weg mehr an Data Analytics vorbei.

Data Analytics - Definition

Bei Data Analytics geht es darum, Erkenntnisse aus Daten zu extrahieren. Der Begriff umfasst dabei sämtliche Prozesse, Werkzeuge und Techniken, die zu diesem Zweck zum Einsatz kommen. Er beinhaltet auch das Sammeln, Organisieren und Speichern der Daten. Das wesentliche Ziel von Data Analytics ist es, mit Hilfe von Technologie und statistischen Analysen Trends zu ermitteln und Probleme zu lösen.

Beeinflusst wird der Data-Analytics-Bereich dabei von zahlreichen anderen Wissenschaften, beispielsweise der Informatik, Mathematik und Statistik. Die Analyse von Daten soll die Performance beschreiben, vorhersagen und letztendlich optimieren. Damit das zuverlässig funktioniert, bringen Data-Analytics-Teams zahlreiche verschiedene Datenmanagement-Techniken zum Einsatz, beispielsweise Data Mining, Data Cleansing, Data Modeling und andere.

Data Analytics - Methoden

Es gibt vier unterschiedliche Data-Analytics-Methoden:

  1. "Was ist in der Vergangenheit passiert?" und "Was passiert jetzt gerade" sind die entscheidenden Fragen bei Descriptive Analytics. Entsprechend werden aktuelle und historische Daten aus verschiedenen Quellen analysiert, um den Status Quo zu beschreiben und Trends und Muster in den Daten zu erkennen.

  2. Bei Diagnostic Analytics geht es um die Frage "Warum passiert das gerade?". Die Daten die hierbei genutzt werden, sind oft das Ergebnis von Descriptive Analytics. Ermittelt werden sollen hierbei Faktoren beziehungsweise Gründe für bestimmte historische Leistungswerte.

  3. "Was wird in Zukunft geschehen?" ist die Frage, um die sich alles bei Predictive Analytics dreht. Hierbei kommen unter anderem Techniken aus der Statistik sowie Deep- und Machine Learning zum Einsatz, um die Ergebnisse von Descriptive und Diagnostic Analytics zu verwerten und auf dieser Grundlage zukünftige Ergebnisse vorherzusagen. Predictive Analytics wird oft auch als Unterkategorie von Advanced Analytics bezeichnet.

  4. Auch Prescriptive Analytics ist eine Unterkategorie von Advanced Analytics und konzentriert sich auf die Frage: "Was muss getan werden, um das Ziel zu erreichen?". Prescriptive-Analytics-Lösungen nutzen Algorithmen, Application Testing, Machine Learning und andere Techniken, um Lösungen zu ermitteln, die zu definierten Ergebnissen führen.

Data Analytics - Techniken

Um Daten zu analysieren, bringen Data Analysts eine ganze Reihe von Techniken und Methoden zum Einsatz. Laut Emily Stevens, Managing Editor beim US-Karriereportal Career Foundry, sind das die sieben populärsten:

  • Bei der Regressionsanalyse wird ein Set von statistischen Prozessen dazu genutzt, die Beziehungen zwischen Variablen einzuschätzen. Dabei geht es auch darum, herauszufinden, wie sich Veränderungen an einer oder mehreren Variablen aufeinander auswirken. Zum Beispiel könnte es dabei um die Frage gehen, wie sich Social-Media-Investitionen auf das Sales-Geschäft auswirken.

  • Mit der Monte-Carlo-Simulation kann die Wahrscheinlichkeit bestimmter Ergebnisse bestimmt werden, die wegen der Verflechtung vieler unterschiedlicher Variablen nur schwer vorherzusagen sind. Sie kommt regelmäßig bei der Risikoanalyse zur Anwendung.

  • Die Faktorenanalyse ist eine statistische Methode, um große Datenmengen zu komprimieren. Das birgt den Vorteil, dass dabei oft versteckte Muster zum Vorschein kommen. Im Business-Umfeld wird die Faktorenanalyse zum Beispiel im Bereich Customer Loyalty eingesetzt.

  • Mit der Kohortenanalyse wird ein Datenset zu Analysezwecken in verschiedene Gruppen aufgeteilt, die ähnliche Charakteristiken (Kohorten) aufweisen. Diese Analysetechnik wird zum Beispiel genutzt, um Kundensegmente zu analysieren.

  • Mit Hilfe der Clusteranalyse lassen sich Objekte klassifizieren und in sogenannten Clustern zusammenfassen. Diese Technik kann dazu genutzt werden, bestimmte Strukturen in Daten aufzudecken. Versicherungsunternehmen könnten so zum Beispiel ermitteln, warum sich bestimmte Schadensfälle an spezifischen Orten häufen.

  • Auch die Zeitreihenanalyse ist eine Technik aus der Statistik, die zur Analyse von Zeitreihen und für Trendanalysen genutzt wird. Sie kommt vorwiegend für Forecasts in den Bereichen Wirtschaft und Sales zum Einsatz.

  • Bei der Sentimentanalyse kommen Tools wie Natural Language Processing oder Textanalyse zum Einsatz, um die Intention hinter den Daten "herauszulesen". Während die anderen hier aufgeführten Techniken sich auf die Analyse von quantitiven Daten beschränken, interpretiert und klassifiziert die Sentimentanalyse qualitative Daten, indem sie sie in "Themes" ordnet. Diese Art der Analyse kommt regelmäßig zum Einsatz, um die Meinungen der Kunden zu bestimmten Marken, Produkten oder Services zu ermitteln.

Data Analytics - Begriffsabgrenzung

Data Analytics vs. Data Analysis

Die beiden Begriffe werden häufig synonym gebraucht, allerdings ist die Data Analysis eine Unterkategorie von Data Analytics, die die Untersuchung, Bereinigung und Modellierung von Daten beschreibt, um daraus Schlüsse zu ziehen. Data Analytics beinhaltet die Tools und Techniken, die bei der Data Analysis zur Anwendung kommen.

Data Analytics vs. Data Science

Data Analytics und Data Science sind eng verwandte Disziplinen, wobei erstgenannte eine Komponente der Datenwissenschaft darstellt. Die Ergebnisse von Data Analytics werden im Regelfall in Form von Reports und Visualisierungen präsentiert. Data Analytics beschreibt den aktuellen oder historischen Zustand der Realität, wohingegen Data Science diese Daten nutzt, um Vorhersagen oder Rückschlüsse für die Zukunft daraus zu ziehen.

Data Analytics vs. Business Analytics

Auch Business Analytics ist eine Unterkategorie von Data Analytics. Sie nutzt Datenanalysetechniken wie Data Mining, um optimierte Geschäftsentscheidungen herbeizuführen. Gartner definiert Business Analytics als "Lösungen, die mit Analysemodellen und Simulationen Szenarien kreieren, mit denen die Realität verstanden und die Zukunft vorhergesagt werden kann".

Data Analytics - Beispiele

Unternehmen aus allen Branchen nutzen Data Analytics, um ihre Prozesse zu optimieren, ihre Gewinne zu steigern und ihre eigene Transformation voranzutreiben. Im Folgenden drei Beispiele.

BMW:

DHL:

Linde:

Dieser Beitrag basiert auf einem Artikel unserer US-Schwesterpublikation CIO.com.