Datenanalyse erklärt: deskriptiv, prädiktiv, präskriptiv und mehr.

Understanding the different types of analytics

Die meisten führenden Unternehmen haben ein allgemeines Verständnis von Datenanalyse und viele Firmen haben dedizierte Abteilungen, die mit der Erfassung und Interpretation von Daten über Kundschaft, Prozesse und Märkte betraut sind. Aber es gibt mehr als nur eine Analysemethode – und jede Methode erzählt eine andere Geschichte über eure Geschäfte. Das Verständnis der verschiedenen Analyse-Arten kann euch dabei unterstützen, diejenigen auszuwählen, die euch am meisten nützen und Unternehmensziele schneller erreichbar machen.

In diesem Post betrachten wir die drei gängigsten Arten der Datenanalyse sowie ein weniger bekanntes Modell. Mit diesen Informationen erhaltet ihr bessere Erkenntnisse darüber, was eure Daten über eure Geschäfte aussagen, damit ihr auf dem Weg zu euren Zielen entsprechende Anpassungen vornehmen könnt.

Arten der Business-Analyse.

Der Prozess der Business-Analyse ist ein essenzielles Tool für die Interpretation und Nutzung der riesigen Datenmengen, die euer Unternehmen erfasst und verwaltet. Ob Kundenverhalten, Conversion Rates, Umsätze oder Geschäftsprozesse: Die Informationen, die euer Unternehmen im Betrieb generiert, enthalten wertvolle Einzelheiten, die ihr zu eurem Vorteil nutzen könnt. Die Business-Analyse ist der Prozess, mit dem ihr aus diesen Datenpunkten verwertbare Erkenntnisse gewinnt.

Die vier verschiedenen Arten von Business-Analysen sind deskriptiv, prädiktiv, präskriptiv und diagnostisch. Wenn ihr die Unterschiede zwischen diesen Modellen kennt, wisst ihr auch, wie ihr sie jeweils passend zu euren Unternehmenszielen einsetzen könnt.

Types of business analytics

Deskriptive Analysen.

Deskriptive Analysen untersuchen Vorgänge in der Vergangenheit. Ihr nutzt deskriptive Analysen, wenn ihr Datensätze aus der Vergangenheit auf Muster und Trends hin untersucht. Dies ist der Kern der meisten Business-Analysen, denn so erhaltet ihr Antworten auf wichtige Fragen, beispielsweise zu eurem Verkaufsvolumen und ob ihr bestimmte Vorgaben erreicht habt. Dies ist auch für Personen leicht verständlich, die keine Expertise in der Datenanalyse haben.

Bei deskriptiven Analysen ermittelt ihr zunächst, welche Metriken ihr messen möchtet, erfasst dann die entsprechenden Daten und analysiert sie. Der Faktenstrom, den euer Unternehmen erfasst hat, wird in Informationen umgewandelt, anhand derer ihr handeln, planen und messen könnt.

Beispiele für deskriptive Analysen:


Die Hauptschwierigkeit bei der deskriptiven Analyse besteht in ihren Einschränkungen. Sie ist ein hilfreicher erster Schritt für Entscheidende und das Management, geht aber nicht über die Analyse von Daten vergangener Ereignisse hinaus. Nachdem die deskriptive Analyse erfolgt ist, muss euer Team herausfinden, wie oder warum diese Trends aufgetreten sind, mögliche Reaktionen oder Lösungen entwickeln und über die weiteren Schritte entscheiden.

Use cases for descriptive analytics

Prädiktive Analyse.

Prädiktive Analyse tut das, was ihr Name sagt: Sie sagt wahrscheinliche Resultate vorher und erstellt fundierte Prognosen anhand historischer Daten. Prädiktive Analyse verlängert Trends in die Zukunft, um mögliche Ergebnisse abzuleiten. Dies ist eine komplexere Form der Datenanalyse, da hier Wahrscheinlichkeiten für Vorhersagen genutzt werden, anstatt lediglich bestehende Fakten zu interpretieren.

Setzt prädiktive Analyse ein, indem ihr zunächst festlegt, was ihr vorhersagen möchtet, und dann die vorhandenen Daten zusammenführt, um die Wahrscheinlichkeiten auf ein bestimmtes Datum zu projizieren. Bei der prädiktiven Analyse wird häufig statistische Modellierung oder maschinelles Lernen eingesetzt. So könnt ihr Planungsfragen beantworten, zum Beispiel, wie viel ihr wahrscheinlich verkaufen werdet oder ob die Ziele für ein Quartal noch erreichbar sind.

Ein Unternehmen profitiert immer, wenn es sich realistische Ziele setzt und Risiken vermeidet, indem es Daten heranzieht, um eine Liste potenzieller Resultate zu erstellen. Mit prädiktiver Analyse könnt ihr euer Team oder das ganze Unternehmen auf dieselbe strategische Vision ausrichten.

Beispiele für prädiktive Analyse:

Die größte Herausforderung bei der prädiktiven Analyse besteht darin, dass die gelieferten Erkenntnisse auf die Daten beschränkt sind. Das bedeutet erstens, dass kleinere oder unvollständige Datensätze nicht so genaue Vorhersagen erlauben wie größere Datensätze. Wenn ihr gute Business Intelligence (BI) aus prädiktiven Analysen gewinnen möchtet, benötigt ihr ausreichend viele Daten. Was „ausreichend“ ist, hängt jedoch von der Branche, dem Unternehmen, der Zielgruppe und dem Use Case ab.

Zweitens bedeutet die Einschränkung auf die Daten schlicht, dass selbst die besten Algorithmen mit den größten Datensätzen keine Unwägbarkeiten oder menschlichen Faktoren berücksichtigen können. Plötzlich veränderte ökonomische Rahmenbedingungen oder sogar nur eine Wetteränderung können sich auf das Kaufverhalten auswirken. Variablen dieser Art können jedoch im prädiktiven Analysemodell nicht einbezogen werden.

Use cases for predictive analytics

Präskriptive Analyse.

Präskriptive Analyse nutzt Daten aus einer Vielzahl von Quellen, zum Beispiel Statistiken, maschinellem Lernen und Data-Mining, um mögliche zukünftige Ergebnisse zu identifizieren und die beste Option zu zeigen. Bei der präskriptiven Analyse handelt es sich um die fortschrittlichste der drei Arten, da sie umsetzbare Erkenntnisse statt Rohdaten liefert. Diese Methode sagt euch, was geschehen sollte, nicht nur, was geschehen könnte.

Mit präskriptiver Analyse könnt ihr künftige Resultate nicht nur prognostizieren, sondern auch verstehen, warum sie eintreten. Außerdem kann präskriptive Analyse die Auswirkungen künftiger Entscheidungen vorhersagen, einschließlich der Dominoeffekte, die solche Entscheidungen auf andere geschäftliche Aspekte haben können. Und dies funktioniert für jede denkbare Reihenfolge der Entscheidungen.

Präskriptive Analyse ist ein komplexer Prozess mit vielen Variablen und Tools wie Algorithmen, maschinellem Lernen und Big Data. Für diese Art der Analyse müssen entsprechende Dateninfrastrukturen implementiert sein, sonst ist sie nur schwierig zu verwalten.

Beispiele für präskriptive Analyse:


Das häufigste Problem im Zusammenhang mit präskriptiver Analyse liegt darin, dass für aussagekräftige Ergebnisse sehr viele Daten nötig sind, die Daten aber nicht immer im erforderlichen Umfang verfügbar sind. Diese Art der Analyse wird für die meisten Unternehmen schnell unzugänglich.

Zwar kann der Einsatz von maschinellem Lernen das Risiko menschlicher Fehler drastisch reduzieren, doch ein weiterer Nachteil ist, dass nicht immer alle externen Variablen in Betracht gezogen werden können, da häufig alles von den Algorithmen für maschinelles Lernen abhängt.

Questions that prescriptive analytics can answer

Diagnostische Analyse.

Eine weitere gängige Art von Analyse ist die diagnostische Analyse, die bei der Erklärung hilft, warum etwas eingetreten oder passiert ist. Sie ist eine komplexere Version der deskriptiven Analyse, die über das „was ist geschehen“ hinausgeht und untersucht, warum es geschehen ist.

Diagnostische Analyse erkennt Trends oder Muster in der Vergangenheit und geht dann einen Schritt weiter, um zu erklären, warum die Trends genau so aufgetreten sind. Dies ist ein logischer Schritt nach der deskriptiven Analyse, denn hier wird zum Beispiel beantwortet, warum eine bestimmte Menge verkauft wurde oder warum die Quartalsziele für Q1 erreicht wurden.

Die diagnostische Analyse ist auch ein hilfreiches Tool für Unternehmen, die mit mehr Verlässlichkeit gute Ergebnisse replizieren und negative Ergebnisse vermeiden möchten. Die deskriptive Analyse kann euch sagen, was geschehen ist, aber dann müsst ihr selbst herausfinden, was mit den Daten zu tun ist. Die diagnostische Analyse nutzt Daten, um zu ermitteln, warum etwas geschehen ist, damit ihr bessere Strategien mit weniger „Trial and Error“ entwickeln könnt.

Beispiele für diagnostische Analyse:


Das größte Problem bei der diagnostischen Analyse ist die Einschränkung auf Ereignisse in der Vergangenheit. Das macht es schwierig, umsetzbare Beobachtungen für die Zukunft anzustellen. Das Verständnis der kausalen Zusammenhänge mag für manche Unternehmen schon ausreichen. Andere dagegen erhalten vielleicht nicht die gewünschten Antworten. Letztere benötigen für das Management von Big Data wahrscheinlich fortgeschrittenere Analysefunktionen und müssen weitere Tools implementieren, die prädiktive oder präskriptive Analysen ermöglichen, um sinnvolle Erkenntnisse zu gewinnen.

Die Zukunft der Analyse.

Der Einsatz von Analyse in Unternehmen ist nicht neu, erlebt aber gerade ein rasantes Wachstum. Angesichts der riesigen Daten-Streams aus dem Internet der Dinge, der Fortschritte bei KI und des Wachstums der Self-Service-BI-Tools hat der Einsatz von Analyse in Unternehmen noch lange nicht seinen Höhepunkt erreicht.

Das US Bureau of Labor Statistics prognostiziert für die kommenden Jahre eine stark zunehmende Anzahl von Forschungsanalystinnen und -analysten und spricht von einer „erheblich überdurchschnittlichen“ Wachstumsrate von 19 %. Außerdem rechnen einige der besten Fachkräfte im Bereich Datenwissenschaft und Analyse damit, dass die idealen Kandidatinnen und Kandidaten für Unternehmen künftig die sein werden, die Daten nicht nur verstehen, sondern auch formulieren können.

Mit dem wachsenden Bedarf an Analysefachkräften wächst auch der Markt für Self-Service-Tools. Ein Report von Allied Market Research rechnet damit, dass der Self-Service-BI-Markt bis 2026 14,19 Milliarden USD erreicht. Gartner kommt zu dem Schluss, dass sich das Wachstum unternehmensgenerierter Daten und Analysen, die sich auf Menschen fokussieren, „von der IT in den Geschäftsbereich verschiebt“.

Für Unternehmen jeder Größe wird es immer wichtiger, fortgeschrittenere Analyse zu implementieren, und manche Unternehmen müssen die Analyse in ihre Unternehmensstrategie einbinden.

Erste Schritte in der Business-Analyse.

Mit den vier Arten der Datenanalyse erhaltet ihr die Tools, mit denen ihr verstehen könnt, was geschehen ist (deskriptiv), was als Nächstes geschehen könnte (prädiktiv), was künftig geschehen sollte (präskriptiv) und warum etwas in der Vergangenheit geschehen ist (diagnostisch). Wie gut ihr strategische und datengestützte Entscheidungen für euer Unternehmen treffen könnt, hängt von den erfassten Fakten ab und davon, wie ihr diese nutzt.

Wenn ihr bereit seid, über die bloße Datenerfassung hinauszugehen, wählt die für eure Unternehmensanforderungen geeignetste Art der Analyse aus. Überlegt euch, welche Antworten ihr benötigt oder welche Entscheidungen ihr treffen müsst, und beginnt mit der passenden Analyse.

Adobe Analytics unterstützt Unternehmen beliebiger Größen und aus allen Branchen dabei, Daten in Business Intelligence umzuwandeln. Erfasst und organisiert alle Daten an einem zentralen Ort und nutzt die Stärken von KI für Analysen, die euch sinnvolle und umsetzbare Erkenntnisse bereitstellen.

Seht euch das Video an oder fordert eine kostenlose individuelle Demo an, um herauszufinden, wie Adobe die volle Power der Analyse auch für eure Marke nutzen kann.