Digitale Transformation und Analytics
14
Kern der so genannten Advanced Analytics
bilden dabei analytische Verfahren sowie
zugehörige Algorithmen. Abbildung 3 zeigt
ausgewählte Verfahren im Überblick.
Das in BI und Analytische Plattformen zuneh-
mend integrierte Visual Analytics ermöglicht
es dagegen, dem Anwender Datensets gra-
fisch, explorativ zu analysieren. Anwender
interagieren dabei grafisch mit dem System,
etwa durch filtering, drilling, calculating, sor-
ting and ranking. Beispielsweise lassen sich
durch Mouse Selection (“lasso”) bestimmte
Datenpunkte in einem Scatter Plot markie-
ren, um auf diese Weise neue Gruppen zu
generieren und diese als Filter für neue Aus-
wertungen zu benutzen. Zunehmend wer-
den auch einfache statistische Verfahren wie
zum Beispiel Zeitreihenanalysen unterstützt.
Ein Trend ist die Integration von Advanced
und Visual Analytics. Der kombinierte Ana-
lyseprozess von den Rohdaten zum Wissen
kann dabei sowohl über visuelle Datenexplo-
ration als auch modellgetriebene Datenana-
lyse erfolgen, wobei beide Analysemethoden
durch die Verbindungen zwischen Visuali-
sierung und Modellen ergänzt werden. Die
Analyse kann explorativ erfolgen, das heißt
ein Analyst kann in verschiedenen Prozess-
schritten einen der beiden Analysepfade
beschreiten oder auch eine Kombination aus
beiden Verfahren verwenden. Nach Anwen-
dung einer algorithmisch, modellgetriebenen
Methode kann der Analyst sich die Ergeb-
nisse oder Modellparameter visualisieren
lassen (Modellverständnis) und sehen, wie er
sein Modell adaptieren muss (Modellanpas-
sung). Oder er lässt sich die Daten zunächst
aggregiert anzeigen, um so erste Muster in
den Daten zu entdecken und geeignete auto-
matische Methoden auszuwählen.
Implikationen für das Controlling
Die eingangs skizzierte Herausforderung der
Unternehmen die Informationsversorgung
immer agiler zu organisieren, lässt sich
anhand des so genannten Latency Modells
veranschaulichen. Es veranschaulicht einer-
seits, dass der Wert mit zunehmender Zeit-
dauer abnimmt, andererseits welche Zwi-
schenschritte im Analyseprozess für Verzö-
gerungen verantwortlich sind. Wertvolle Zeit
verstreicht häufig zu Beginn des Prozesses
schon dadurch, dass relevante Informati-
onen zunächst in den Analyse-Systemen
erfasst werden müssen (Data Latency). Der
Zugriff auf diese Rohdaten, die Vernetzung
Analysekategorie Beschreibung
Algorithmen (Beispiele)
Einsatzbeispiele
Classification
Vorhersage, ob bestimmte Datenpunkte zu einer
vorher definierten Klasse gehören. Die Vorhersage
resultiert aus dem Lernen auf Basis bekannter
Daten
Decision Trees, Neural
Networks, Bayesian Models,
Induction Rules, K-Nearest
Neighbors
Zuordnung von Kunden zu
einer vorher definierten Klasse
(z. B. Kreditwürdigkeit)
Regression
Zusammenhang zwischen Daten, Vorhersage nume-
rischer Zielvariablen. Die Vorhersage resultiert aus
dem Lernen auf Basis bekannter Daten
Linear Regression, Non-
Linear Regression, Logistic
Regression
Ursache-/Wirkungsanalysen,
Vorhersage von Umsätzen,
Wahrscheinlichkeiten
Anomaly Detection Vorhersage, ob bestimmte Datenpunkte als Ausrei-
ßer im Vergleich zu anderen Datenpunkten inner-
halb der Datengrundlage gesehen werden
Distance based, Density
based, Local outlier Factor
(LOF)
Betrugserkennung in der
Kreditkartenbenutzung
Time Series
Vorhersage der Zielvariablen für zukünftige
Perioden basierend auf historischen Werten
Exponential Smoothing,
Autoregressive Integrated
Moving Average (ARIMA)
Regression
Absatz-, Produktions-, Umsatz-
prognosen
Clustering
Identifikation von Mustern in Datenbeständen
K-Means, Density based
Clustering
Erkennen von Kundensegmen-
ten auf der Basis Ähnlichkeiten
in Kundendaten
Association Analysis Identifikation von Zusammenhängen in Datenbe-
ständen auf der Basis von Transaktionsdaten
Frequent Pattern Growth
(FP-Growth) Algorithm,
Apriori Algorithm
Erkennen von Cross-Selling-
Potenzialen, Clickstream-
Analysen
Abb. 3: Advanced Analytics: Ausgewählte Analysekategorien und Algorithmen
(in Anlehnung an Seufert/Oehler 2016)
