Advanced Analytics in Corporate Strategy – Warum Advanced Analytics auf strategischer Ebene mehr Anwendung finden sollte

Während sich Business Intelligence auf die Auswertung historischer Ereignisse konzentriert, versucht Advanced Analytics Vorhersagen über die Zukunft zu machen und wie sich Parameteränderungen auf zukünftige Ereignisse auswirken. In zahlreichen Unternehmensbereichen kommt Advanced Analytics bereits zum Einsatz, um beispielsweise Marketingstrategien an Zielgruppen anzupassen, bedarfsgerechte Wartungszyklen zu definieren oder Ausfallrisiken von Maschinen zu minimieren. Doch auf strategischer Ebene findet Advanced Analytics in vielen Unternehmen bislang wenig Anwendung – trotz zahlreicher Mehrwerte. Ein wichtiger Erfolgsfaktor bei der Einführung von Advanced Analytics ist das Schaffen einer Kultur, in der Daten integraler Bestandteil der Arbeit sind.

Die Anwendungsvielfalt von Advanced Analytics

Der enorme Zuwachs an Datenmengen bei Unternehmen und die Möglichkeiten große Datenmengen bei geringen Kosten zu verarbeiten und auszuwerten, hat die Anwendung von Advanced Analytics maßgeblich gefördert. Als Teilbereich der Datenverarbeitung setzt Advanced Analytics den Fokus auf das Vorhersagen der Zukunft und agiert damit gegensätzlich zu Business Intelligence, bei dem es um historische Ereignisse und deren Auswertung geht. Advanced Analytics soll helfen zu verstehen, was in der Zukunft passieren wird und wie sich die Änderung eines Parameters auf zukünftige Ergebnisse auswirken wird.

Aufgrund des Fortschrittscharakters setzen die Erstellung und Anwendung von Modellen im Bereich Advanced Analytics fortgeschrittene statistische Methoden- und Programmierkenntnisse voraus. Häufig eingesetzte Tools sind beispielsweise Clusteranalysen, Text bzw. Data Mining, Regressionsanalysen, Machine Learning und künstliche neuronale Netze. Advanced Analytics findet mittlerweile in allen Unternehmensbereichen Anwendung. Clusteranalysen werden häufig im Marketing angewandt. Mithilfe von Algorithmen werden Verbraucherdaten analysiert und gruppiert. Auf diese Weisen können Marketingstrategien und Werbekampagnen besser auf Zielgruppen abgestimmt werden. Sentiment-Analysen sind eine Form des Text Mining. Dabei werden Textphrasen zu beispielsweise einem Unternehmen und dessen Produkten durchsucht, um die aktuelle Stimmungslage festzustellen, da es praktisch nicht möglich ist, alles durch Mitarbeiterinnen und Mitarbeiter zu erfassen.

Im Bereich von Manufacturing ist Predictive Maintenance ein bedeutendes Thema. Bei Unternehmen mit großer Infrastruktur und technischer Ausrüstung sind die Kosten von Ausfallzeiten maschineller Anlagen aufgrund von Maschinenproblemen sehr kostspielig. Mithilfe der Auswertung von Daten und Metriken können bedarfsgerechte Wartungszyklen definiert werden und so die Effizienz der Maschine gesichert und ein potenzielles Ausfallrisiko minimiert werden. Dynamic Pricing fällt ebenfalls in den Bereich von Advanced Analytics. Mithilfe variabler Preise sollen bestmögliche Umsatzergebnisse erreicht werden. Die Preisanpassungen richten sich nach prognostizierten Bedarfsschwankungen und versuchen die größtmögliche Preisbereitschaft der Kunden abzuschöpfen.

Bedeutend ist, dass Advanced Analytics zwar in allen Unternehmensbereichen eingesetzt wird, allerdings wenig Anwendung auf strategischer Ebene findet. Strategische Entscheidungen basieren auf Daten und der Erfahrung des Managements. Es fließen Kreativität, out-of-the-box Denken und konzeptionelles Denken ein. Mithilfe von Advanced Analytics können strategische Entscheidungen um ein Vielfaches besser werden. Zahlreiche Mehrwerte sollten die Strategieebene eines Unternehmens davon überzeugen.

Mehrwerte von Advanced Analytics für Corporate Strategy

Advanced Analytics kann helfen neue Wachstumschancen und Trends zu identifizieren. Dabei kann es sich um neue Produktideen, neuartige Anwendungsmöglichkeiten für bereits bestehende Produkte handeln oder attraktive Akquisitionsobjekte, die in der Zukunft ein Trendthema bedienen und derzeit noch stark unterbewertet sind. Zum Einsatz kommen dabei Data und Text Mining und Netzwerkanalyse. Öffentlich zugängliche Quellen können nach Produkten des Unternehmens und Verbindungen zu anderen Begriffen analysiert werden. So kann beispielsweise abgeleitet werden, falls ein Produkt in einem gewissen Zusammenhang Anwendung findet, wofür es ursprünglich nicht vorgesehen wurde. Auf diese Weise lassen sich neue Anwendungsmöglichkeiten für existierende Produkt identifizieren. Auch die Auswertung der Häufigkeit von bestimmten Begriffen und Textphrasen kann als Instrument zur Trendidentifikation dienen. Mit Sentimentanalysen kann ergänzend auch erkannt werden, ob es eine positive oder negative Haltung zu dem Begriff gibt, um die allgemeine Stimmungstendenz abzufangen. Zentrale Herausforderung ist der Zugang zu öffentlichen Daten, die zur Analyse hinzugezogen werden können. Versteckte Innovationen, über die noch keine Daten öffentlich vorliegen, lassen sich daher nicht erkennen.

Ein weiterer zentraler Mehrwert von Advanced Analytics ist es Entscheidungen herauszufordern und zu benchmarken. Es ist unbestritten, dass strategische Entscheidungen ressourcen- und kapitalintensiv sind. Basieren diese zu stark auf der internen Perspektive des Unternehmens bzw. sogar einzelner Mitarbeiter, besteht die Tendenz, dass Aufwendungen, Kosten und Projektlaufzeiten unterschätzt werden. Advanced Analytics kann die Entscheidungsfindung dahingehend unterstützen, dass der Markt nach ähnlichen Vorhaben und deren Ergebnissen analysiert wird. Durch derartige Datenanalysen können Wahrscheinlichkeiten von Erfolg und Misserfolg geliefert werden, bevor Kapital und Ressourcen eingesetzt werden. So kann beispielsweise die Analyse von M&A Transaktionen innerhalb einer Branche helfen zu verstehen, ob die anvisierten Profitabilitätsziele tatsächlich mit diesem Vorhaben erreichbar sind oder Anpassungen der Strategie erforderlich sind. Herausforderung ist, dass ähnliche Entscheidungsfälle und deren Ergebnisse in der Vergangenheit existierten und deren Informationen abrufbar sind.

Neben der Entscheidungsunterstützung können mithilfe von Advanced Analytics komplexe Zusammenhänge und Entwicklungen besser verstanden werden. Die Marktdynamik ist vielschichtig und durch eine Vielzahl von Variablen geprägt, die Akteure und deren Entscheidungen repräsentieren. Das menschliche Verständnis kann diese nicht alle erfassen. Mathematische Modelle und Simulationen können ein Abbild der Realität schaffen und helfen die Auswirkungen strategischer Entscheidungen anschaulicher zu machen. Wie werden beispielsweise Wettbewerber und Kunden bei der Reduktion von Produktpreisen reagieren und wie wird sich das Verhalten von Kunden verändert, könnten Anwendungsbeispiele sein. Dabei werden den Akteuren Regelsätze zugewiesen, die deren Entscheidungsmuster repräsentieren. Simulationsmodelle, Machine-Learning-Ansätze und Systemdynamik sind angewandte Advanced Analytics Werkzeuge. Die Schwierigkeit besteht dabei, die für das Modell einzubindenden Variablen zu finden und deren Entscheidungsmuster zu identifizieren, um das Modell so real wie möglich zu gestalten.

Zuletzt sei noch auf das Thema Überzeugung von Mitarbeiterinnen und Mitarbeitern mit tiefgründiger Datenanalyse hingewiesen. Menschen für eine Idee oder neue strategische Ausrichtung zu überzeugen und zu begeistern ist eine Herausforderung – besonders wenn es um innovative Themen und starke Veränderungen im Umfeld der Personen geht. Eine solide Datengrundlage kann dabei helfen, Menschen zu überzeugen, da die Entscheidung auf einer Kette valider Argumente mit Szenarien, mehreren Perspektiven und gut durchdachter Annahmen basiert. Bauchgefühl, Intuition und unbegründete Meinungsbildung verlieren an Bedeutung, wodurch Entscheidungen zu besseren Ergebnissen führen. Trotz der Attraktivität von Daten, darf der Mensch nicht im Entscheidungsprozesse vergessen werden.

Abbildung 1: Mehrwerte von Advanced Analytics auf Strategieebene

Erfolgsfaktoren für Advanced Analytics auf Strategieebene

Die Mehrwerte machen deutlich, warum Advanced Analytics auf Strategieebene Anwendung finden sollte. Zu beachten sind dabei einige Erfolgsfaktoren, die für nachhaltig positive Resultate sorgen und nachfolgend vorgestellt werden.

Advanced Analytics hat enormes Wertschöpfungspotenzial und kann deutlich bessere Lösungen für Geschäftsprobleme identifizieren als ohne Anwendung. Viele Führungskräfte sind sich des Potenzials gar nicht bewusst und finden keine konkreten Anwendungsfälle innerhalb ihrer Geschäftsbereiche und Funktionen. Es mangelt an einem unternehmensweiten Überblick über die Möglichkeiten sowie falsche Kommunikation an alle Mitarbeiter. Das Management muss daher ein Bewusstsein schaffen und eine Daten- und Analysestrategie beschließen. Hilfreich ist auch, Pilotprojekte zu starten in Bereichen mit dem größten Potenzial und daraus weitere Projekte zu initiieren.

Die Menge an Daten und damit verbunden auch die möglichen Datenquellen wachsen rasant. Häufig besteht eine Überforderung, welche Daten erforderlich sind und welche Quellen genutzt werden sollen. Abhilfe kann dabei das Denken in Form von Use Cases helfen. An konkreten Anwendungsfällen wird erarbeitet was für Daten gebraucht werden, um dann gezielt auf die Suche nach Quellen zu gehen. Zu empfehlen ist auch die Etablierung einer Data Governance und Prozessen im Umgang mit Daten. Ziel ist es ein hohes Qualitätsniveau sicherzustellen und Zugriffsrechte für spezifische Personengruppen zu gewährleisten.

Viele Unternehmen zögern, das Potenzial von Advanced Analytics voll auszuschöpfen und für Entscheidungszwecke einzusetzen. Es besteht auch die Furcht vor Fehlschlägen bei der Anwendung in Unternehmen. Ganz im Gegenteil hierzu sind viele Start-ups, die stark datengetrieben sind und bei denen eine aktive Test- und Lernkultur besteht. Fehler sind Lernquellen, die zu Verbesserungen führen. Eine derartige Kultur muss ebenfalls in Unternehmen geschaffen werden. Daten müssen integraler Bestandteil der Arbeit werden. Daher sollte die Schaffung einer datengetriebenen Test- und Lernkultur, die Schulung der Mitarbeiter und die Bereitstellung der richtigen Tools und Technologien auf der Agenda stehen.

Data Scientists sind derzeit sehr gefragt, daher ist eine ausgeklügelte Einstellungsstrategie entscheidend, um diese Talente anzuziehen und langfristig zu binden. Neben dieser Personengruppe sind auch Business Experten mit Analytics-Kenntnissen wichtig, die Anwendungsfälle für Advanced Analytics identifizieren, Probleme formulieren und die Ergebnisse in Unternehmen nutzbar machen können. Sie agieren als „Datenübersetzer“ in der Schnittstelle der Data Scientists und der Business Units.

Sind diese vier Erfolgsfaktoren gesichert, kann Advanced Analytics im Unternehmen gewinnbringend eingesetzt werden – mit einer hohen Akzeptanz aller Mitarbeitenden des Unternehmens.

Abbildung 2: Erfolgsfaktoren für Advanced Analytics auf Strategieebene

Weiterführende Inhalte