Data Analytics: So finden Sie Use Cases für Ihr Unternehmen

Prozesse automatisieren, Prognosen erstellen, Risiken kalkulieren – Data Science hilft Unternehmen dabei, effizienter zu arbeiten und bessere Entscheidungen zu treffen. Die Einsatzmöglichkeiten sind vielfältig. Und genau das ist die Herausforderung. Denn: Wo anfangen, wenn alles möglich scheint? Und ist alles, was machbar ist, auch tatsächlich wirtschaftlich sinnvoll? Wir geben Antworten.

 

Inhalt

  1. Definition: Data Science, was ist das eigentlich?
  2. Data Science: Methoden und Anwendungsbeispiele
    2.1 Deskriptive Datenanalyse

    2.2 Diagnostische Datenanalyse
    2.3 Prädiktive Datenanalyse
    2.4 Präskriptive Datenanalyse
    2.5 KI-gestützte Datenanalyse
  3. Datenanalyse und KI: So finden Sie passende Anwendungsfälle in Ihrem Unternehmen
    3.1 Einsatzbereich und Problemstellung definieren
    3.2 Ideen entwickeln und priorisieren
    3.3 Erste Aufwands- und Machbarkeitsanalyse
  4. Fazit und Ausblick

 

Definition: Data Science, was ist das eigentlich?

215 Milliarden US-Dollar – diese Summe investierten Firmen auf der ganzen Welt im Jahr 2021 in die Sammlung, Verarbeitung und Analyse ihrer Unternehmensdaten. Das entspricht einem Anstieg von 10 % im Vergleich zum Vorjahr¹ .

Das zeigt: Immer mehr Unternehmen vertrauen auf die Macht der Data Science. Dabei geht es – vereinfacht gesagt – darum, Daten aus unterschiedlichen Quellen miteinander zu kombinieren, um daraus neue Informationen zu gewinnen, Trends zu erkennen oder Prognosen abzuleiten. Die Ergebnisse dienen als Grundlage für u. a. (kosten-)effiziente Arbeitsprozesse und eine optimierte Ressourcenplanung.

 

Data Science: Methoden und Anwendungsbeispiele

Die Einsatzgebiete für Data Science innerhalb eines Unternehmens sind extrem vielfältig: Angefangen in der Produktion über Einkauf und Logistik bis hin zu Vertrieb und Controlling. Je nach Erkenntnisinteresse kommen dabei unterschiedliche Methoden der Datenanalyse zum Einsatz:

  • Deskriptive Analyse
  • Diagnostische Analyse
  • Prädiktive Analyse
  • Präskriptive Analyse
  • KI-gestützte Analyse

Deskriptive Datenanalyse

Die deskriptive Analyse ist die einfachste Form der Datenanalyse. Dabei werden historische Daten aus unterschiedlichen Quellen miteinander kombiniert, um die Vergangenheit zu beschreiben. Klassische Anwendungsbeispiele sind die Nachverfolgung von Lagerbeständen, der Umsatzentwicklung oder das Nachzeichnen von Kundenverhalten.

Diagnostische Datenanalyse

Genau wie die deskriptive Analyse befasst sich die diagnostische Datenanalyse ausschließlich mit der Vergangenheit. Sie geht jedoch einen Schritt weiter und fragt nicht nur „Was” passiert ist, sondern „Warum”. Diese Data Science Methode kommt beispielsweise zum Einsatz, um die Entwicklung von Kosten und Margen über einen bestimmten Zeitraum zu untersuchen.

Prädiktive Datenanalyse

Die prädiktive Analyse kombiniert aktuelle Daten mit den Erkenntnissen aus deskriptiven und diagnostischen Analysen, um zukünftige Ereignisse zu prognostizieren. Eingesetzt wird diese Methode unter anderem im Rahmen von Risiko- und Stresstests oder zur Vorhersage von Kauf- und Kundenverhalten (zum Beispiel customer churn).

Präskriptive Datenanalyse

Diese Data Science Methode geht nochmal einen Schritt weiter. Anstatt die Zukunft nur zu beschreiben, geht es hier darum, diese aktiv zu gestalten. Die Kernfrage lautet: „Durch welche Maßnahmen lässt sich Ziel X in der Zukunft erreichen?” Damit kommt diese Methode insbesondere bei der Strategieentwicklung zum Einsatz.

KI-gestützte Datenanalyse

Die Integration von künstlicher Intelligenz, Machine Learning Algorithmen oder Deep Learning Funktionen hebt die Datenanalyse schließlich auf ein neues Level: Während die bisher erläuterten Analysemethoden menschliche Entscheidungen vorbereiten, können KI-gestützte Systeme selbst Entscheidungen treffen. Alltägliche, risikoarme Prozesse können so automatisiert werden. Das spart Zeit und schafft neue Kapazitäten an anderer Stelle.

Data Science: Methoden und Anwendungsbeispiele_Grafik

 

Datenanalyse und KI: So finden Sie passende Anwendungsfälle in Ihrem Unternehmen

Sie merken: Das Potenzial KI-gestützter Data Science ist enorm, die Einsatzmöglichkeiten vielfältig. In fast jedem Unternehmen lassen sich entsprechende Anwendungsbeispiele finden, um Kosten zu reduzieren und Prozesse effizienter zu gestalten. Die Frage ist nur: Wie?

Tatsächlich geht es bei der Suche nach passenden Anwendungsbeispielen im ersten Schritt weniger um Mathematik, als vielmehr um Kreativität. Denn bevor Modelle aufgestellt, Hypothesen getestet und konkrete Funktionen entwickelt werden, müssen Sie zunächst eine ganz andere Herausforderung meistern: Formulieren Sie eine konkrete Idee bzw. eine Fragestellung, die Sie mithilfe von AI und Data Analytics  umsetzen möchten.

Die folgenden Schritte helfen Ihnen auf dem Weg zu Ihrem Data Science Use Case:

  1. Einsatzbereich und Problemstellung definieren
  2. Ideen entwickeln und priorisieren
  3. Erste Aufwands- und Machbarkeitsanalyse

Einsatzbereich und Problemstellung definieren

Zuerst sollten Sie sich darüber klar werden, in welchem Bereich Ihres Unternehmens Sie ansetzen möchten – und welches Ziel Sie dort mit dem Einsatz von KI und Data Science erreichen wollen. Möchten Sie zum Beispiel Marketing und Vertrieb durch zusätzliche Informationen zum Verhalten Ihrer Kunden stärken oder dank verbesserter Prognosen Ihre Lieferketten optimieren?

Gerade wenn Data Science in Ihrem Unternehmen bislang noch keine Rolle spielt, konzentrieren Sie sich erst einmal auf einen Unternehmensbereich. Von hier aus treiben Sie das Thema Schritt für Schritt weiter voran.

Ideen entwickeln und priorisieren

Gemeinsam mit den Verantwortlichen aus dem Fachbereich entwickeln Sie konkrete Ideen zur Lösung der Problemstellung. Dabei helfen klassische Kreativitätstechniken wie Brainstormings, informelle Workshops oder Ideen-Skizzen.

Im nächsten Schritt werden die so gesammelten Ideen priorisiert. Das gelingt etwa durch Einordnen in eine Einfluss-Komplexitäts-Matrix. Dabei werden alle gesammelten Vorschläge anhand von zwei Fragestellungen bewertet:

  • Welcher Impact wird der Idee zugetraut?
  • Wie leicht ist die Idee umsetzbar?

Haben Sie einen oder mehrere Vorschläge mit potenziell hohem Impact identifiziert, lohnt es sich im nächsten Schritt in puncto Machbarkeit noch einmal genauer hinzusehen.  

iteratec_LP_Blog_Social-posts_2

Erste Aufwands- und Machbarkeitsanalyse

Haben Sie eine vielversprechende Idee gefunden, verschaffen Sie sich im nächsten Schritt einen ersten, groben Überblick über die damit verbundenen Aufwände. Das gelingt beispielsweise mithilfe einer Gap-Analyse. Dabei betrachten Sie die wichtigsten Rahmenbedingungen Ihres Datenprojekts und überprüfen, an welchen Stellen Sie aktiv werden müssen, damit Ihr Projekt Erfolg haben kann.

Beziehen Sie folgende Parameter in Ihre Gap-Analyse mit ein:

Technische Infrastruktur

Verfügt Ihr Unternehmen über die grundlegende technische Infrastruktur für den Betrieb einer Data Science Applikation? Inwiefern können neue Funktionen in Ihre bestehende Systemlandschaft integriert werden?

Stakeholder

Wer ist alles an dem Projekt beteiligt? Wen müssen Sie gegebenenfalls überzeugen und inwiefern sind bei der Umsetzung Probleme durch mangelnde Akzeptanz des Projekts zu erwarten?

Datenschutz & Verfügbarkeit

Sind alle benötigten strukturierten und unstrukturierten Daten verfügbar? Wo und wie werden Daten gesammelt und dürfen die vorhandenen Daten überhaupt so verwendet werden, wie geplant?

Know-how

Ist in Ihrem Unternehmen das nötige Wissen für die erfolgreiche Umsetzung vorhanden? Sind Ihre Mitarbeitenden  in der Lage, mit der fertigen Lösung zu arbeiten? Welche Schulungen sind nötig und wer müsste geschult werden?

iteratec_LP_Blog_Social-posts-1 Vorlage zum Download

 

Fazit und Ausblick

Einsatzgebiet definieren, Ideen priorisieren, Machbarkeit überprüfen – am Ende dieser drei Schritte haben Sie die erste Hürde auf dem Weg zum Einsatz von Data Science in Ihrem Unternehmen genommen. Nun haben Sie ein klares Ziel mit einem klaren Nutzen vor Augen, auf das Sie hinarbeiten können. Nicht mehr, aber auch nicht weniger.

Von hier aus geht es in die Umsetzung mithilfe von Mathematik und Statistik: Daten sammeln, Datenqualität überprüfen, mathematische Analysemodelle aufstellen und validieren – und das Ergebnis schließlich in eine Software übersetzen.

Klingt kompliziert? Wir helfen Ihnen gerne!

 

 

 

Quellen:

¹ IDC Pressemitteilung vom 17.08.2021: https://www.idc.com/getdoc.jsp?containerId=prUS48165721

 

Tags: Artificial Intelligence, Data

Verwandte Artikel

Data Engineering schafft die Grundlage der KI-basierten Datenanalyse. Denn egal ob Produktionsprozesse analysiert,...

Mehr erfahren

Topics: Artificial Intelligence, Data

Als im Mai 2017 AlphaGo dreimal den Weltranglistenersten Ke Jie im Strategiespiel Go besiegte, überschlugen sich die Medien mit...

Mehr erfahren

Topics: Artificial Intelligence, Data

Die Weltgesundheitsorganisation schätzt, dass alleine im Jahr 2016 4.2 Millionen Menschen aufgrund von Feinstaubverschmutzungen...

Mehr erfahren

Topics: Artificial Intelligence, Data