Business-Analytics-Ansätze zur Unterstützung des Control ... / 2 Überblick über Business-Analytics-Ansätze

Big Data als Ausgangspunkt

Durch verbesserte Speicher- und Zugangsmöglichkeiten, z. B. durch soziale Netzwerke oder Sensorik-Systeme, stehen dem Controlling immer größere Datenbestände zur Erfüllung seiner Informationsversorgungsfunktion zur Verfügung, so dass die früher oft aufwändige Datenerhebung und -aufbereitung eher in den Hintergrund tritt. In diesem Zusammenhang wird oft der Begriff Big Data genannt, der durch folgende Merkmale gekennzeichnet ist:^[1]

• Es liegen sehr große Datenmengen vor (Volume).
• Die Daten sind äußerst vielfältig z. B. in Bezug auf ihre Quellen (interne oder externe Daten) oder Struktur (strukturiert, halbstrukturiert, unstrukturiert) (Variety).
• Die Daten ändern sich permanent und erfordern eine Verarbeitung in Echtzeit (Velocity).
• Aufgrund der Menge, Vielfalt und Änderungsgeschwindigkeit gewinnt die Sicherstellung der Glaubwürdigkeit der Daten an Bedeutung (Veracity).
• Die systematische Nutzung der Daten und insbesondere die Anreicherung von Unternehmensdaten mit Daten aus dem Umfeld kann dem Unternehmen Wettbewerbsvorteile eröffnen.

Begriff und Formen von Business-Analytics-Ansätzen

Die veränderten Datenbestände sowie neue IT-Technologie ermöglichen und erfordern den Einsatz neuer Auswertungs- und Analyseverfahren im Controlling. Business Analytics kann als Sammlung unterschiedlicher fakten- und datenbasierter analytischer Modelle, Methoden und Techniken zur Unternehmenssteuerung verstanden werden. Grundlage von Business Analytics ist ein interdisziplinärer Ansatz, "der analytische Fähigkeiten aus den Bereichen der Statistik und der Künstlichen Intelligenz mit technischem Know-how aus dem Software- und Data-Engineering sowie einer zielgruppengerechten Visualisierung und Kommunikation verknüpft."^[2]

Es werden verschiedene Evolutionsstufen von Business-Analytics-Ansätzen unterschieden:^[3]

• Descriptive- und Diagnostic-Analytics-Ansätze beschreiben die Vergangenheitsentwicklung relevanter Zielgrößen und identifizieren mögliche Ursachen für diese Entwicklungen. Zu den Diagnostic-Analytics-Ansätze zählen klassische OLAP-Anwendungen sowie Assoziations- und Korrelationsanalysen. Sie können z. B. zur Weiterentwicklung von Früherkennungssystemen bei der Risikoidentifikation eingesetzt werden.
• Durch Real-time-Analytics-Ansätze werden aktuelle Entwicklungen der relevanten Zielgrößen in Echtzeit beobachtet, ausgewertet und überwacht. Dafür ist ein kontinuierliches Streaming der Datenströme notwendig. Auch hier können Bezüge zu Früherkennungssystemen hergestellt werden. Zudem können Forecasts und Planung in Echtzeit aktualisiert und damit Reaktionszeiten verkürzt werden.
• Predictive-Analytics-Ansätze versuchen, die Entwicklung relevanter Zielgrößen auf der Grundlage von statistischen Modellen, Kausalmodellen und komplexer Algorithmen vorherzusagen, z. B. in Form von Absatzprognosen. Dadurch können Risiken und Chancen z. B. durch einen Rolling Forecast schneller erkannt werden.
• Durch Prescriptive-Analytics-Ansätze sollen auf der Grundlage der vorangegangenen Ansätze Handlungsoptionen zur Optimierung der Zielgrößen entwickelt und ggf. automatisiert ausgeführt werden. Beispiele hierfür sind die Optimierung des Warenbestands im Einzelhandel durch eine automatisierte Disposition oder die Einleitung von Wartungsaufträgen im Predictive Maintenance z. B. bei Windkraftanlagen.^[4]
• Einige Autoren nennen Visual Analytics als weiteren eigenständigen Ansatz. Visual-Analytics-Ansätze ermöglichen es, Datenmengen grafisch z. B. durch Filtering, Drilling, Calculating, Sorting und Ranking und damit eher explorativ zu analysieren. Visual Analytics kann somit die algorithmische Datenanalyse sinnvoll ergänzen.^[5]

Die 4 letztgenannten Ansätze werden auch als Advanced Analytics bezeichnet. Mit zunehmender Evolutionsstufe steigen die Komplexität und der wirtschaftliche Nutzen der Ansätze.

Business-Analytics-Methoden und -Algorithmen

Business-Analytics-Ansätze verwenden fortgeschrittene Methoden und Techniken aus der Mathematik und Statistik, deren effiziente Nutzung durch innovative IT-Technologien möglich wird. Abb. 1 gibt einen Überblick über ausgewählte Analysekategorien und Algorithmen.

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 numerischer Zielvariablen. Die Vorhersage resultiert aus dem Lernen auf Basis bekannter Daten.	Linear Regression, Non-linear Regression, Logistic Regression	Ursache-/Wirkungsanalysen, Vorhersagen von Umsätzen, Wahrscheinlichkeiten
Anomaly Detection	Vorhersage, ob bestimmte Datenpunkte als Ausreißer im Vergleich zu anderen Datenpunkten innerhalb einer Datengrundlage gesehen werden.	Distance-based, Den...