Advanced Analytics: Treiber sind Tools, Fähigkeiten und Strategie

Obwohl Advanced Analytics schon seit mehreren Jahren ein heiß diskutiertes Thema darstellt, haben nur wenige Unternehmen einen zufriedenstellenden Reifegrad auf diesem Gebiet erreicht. Denn die Umsetzung von Analytics in Unternehmen erfordert eine Mischung aus richtiger Technologie, Nutzertraining, Strategie und internem Marketing des Themas. Automated Machine Learning und Augmented Analytics bieten Unterstützung für Experten, ersetzen den Menschen aber nicht.

Wie wichtig sind die folgenden Punkte für den erfolgreichen Einsatz von Advanced Analytics in Ihrem Unternehmen? (n=298) © BARC

97 Prozent der Teilnehmer an der Studie „The Future of Analytics“ von BARC halten es für wichtig, Kompetenzen im Bereich Analyse und Datenverständnis innerhalb ihrer Organisation zu fördern. Die Identifizierung der richtigen Werkzeuge für die richtigen Anwender folgt mit 95 Prozent an zweiter Stelle.

Einen weiteren wichtigen Aspekt stellt die Definition einer ganzheitlichen Datenstrategie dar. In Bezug auf zukünftige Prioritäten bei Investitionen wird die Verbesserung des Datenmanagements von 64 Prozent der Befragten an oberster Stelle genannt.

„Es ist nicht überraschend, dass die Optimierung des Datenmanagements als Erfolgsfaktor angesehen wird“, sagt Alexander Rode, Analyst und Data Scientist bei BARC sowie Co-Autor dieser Studie. „Advanced Analytics erfordert den Zugang zu Daten für ganz neue Nutzergruppen, welche wiederum neue Datenquellen erschließen und Beziehungen zwischen Daten herstellen, die von herkömmlichen Data-Warehouse-Strukturen nicht abgebildet werden können.“

AutoML: Data Scientists und Business-Analysten werden effizienter 

Mit Automated Machine Learning (AutoML) werden Machine-Learning-Modelle auf Grundlage eingespeister Daten automatisiert erstellt, optimiert und ausgewertet. Mehr als 80 Prozent der Befragten sehen in AutoML-Lösungen die Möglichkeit, Business Analysten und Data Scientists effizienter zu machen.

Für die Nutzung dieser Lösungen und die Interpretation der Ergebnisse ist jedoch nach wie vor Expertenwissen erforderlich. Während 79 Prozent der Befragten bestätigen, dass AutoML zunehmend von Data Scientists eingesetzt wird, nehmen nur 53 Prozent der Befragten wahr, dass Business Analysten, denen oft tiefergehendes statistisches Wissen fehlt, diese Werkzeuge ebenfalls nutzen.

Wie sehr stimmen Sie allgemein den folgenden Aussagen in Bezug auf Automated Machine Learning (AutoML) zu? (n=277) © BARC

Nur rund 20 Prozent der Teilnehmer gehen davon aus, dass die Rollen des Data Scientists und Business Analysten durch Automated Machine Learning ersetzt werden. „Das leuchtet auch ein, da es viele analytische Aufgaben gibt, die menschliches Eingreifen erfordern, wie die Problemformulierung, die Auswahl der richtigen Methode sowie die Bewertung und Interpretation von Fehlern und Ergebnissen“, erklärt Rode. „Data Science erfordert nach wie vor menschlichen Input, z. B. bei der Definition von Anwendungsfällen, der Auswertung sowie bei Entscheidungen in Bezug auf die Operationalisierung von Prototypen und deren Integration in die Organisation“.

Methodik: Für die Studie wurden weltweit mehr als 300 Unternehmen unterschiedlicher Branchen und Größen. Im Fokus der Studie stehen neben dem aktuellen Stellenwert von Advanced Analytics auch Erfolgsfaktoren für die Nutzung von Advanced Analytics sowie die Themen Augmented Analytics und Automated Machine Learning. Die Autoren der Studie sind die BARC-Analysten Dr. Sebastian Derwisch und Alexander Rode.