Cookies helfen uns bei der Bereitstellung von ControllingWiki. Durch die Nutzung von ControllingWiki erklärst du dich damit einverstanden, dass wir Cookies speichern. Weitere Informationen

Business Analytics

Aus ControllingWiki

Wechseln zu: Navigation, Suche
Achtung. Sie nutzen eine nicht mehr unterstützte Version des Internet Explorer. Es kann zu Darstellungsfehlern kommen. Bitte ziehen Sie einen Wechsel zu einer neueren Version des Internet Explorer in Erwägung oder wechseln Sie zu einer freien Alternative wie Firefox.

Begriffsdefinition

Mit „Analytics“ ist die umfassende Nutzung von Daten, statistischen und quantitativen Analysen sowie erklärenden und voraussagenden Modellen gemeint (vgl. Davenport/Harris, 2007). Der Begriff „Business“ unterstreicht in diesem Zusammenhang, dass diese Methoden und Modelle im betrieblichen Kontext eingesetzt werden, um datengetriebene Managemententscheidungen herbeizuführen. Insbesondere durch datengetriebene Vorhersagen, Prognosen und Optimierungen lassen sich verbesserte Managemententscheidungen erzielen und somit Wettbewerbsvorteile erschließen (vgl. Abb. 1).

Analysemethoden im Überblick
Abb. 1: Analysemethoden im Überblick (in Anlehnung an Davenport/Harris, 2007)

In Abhängigkeit der zugrundegelegten Grundprinzipien lassen sich Business Analytics-Methoden unterscheiden in deskriptive, prädiktive und präskriptive Analysemethoden (vgl. Davenport/Kim, 2014):

  • Zu deskriptiven Analysemethoden zählen beschreibende Analysen, welche die Auswertung von zur Verfügung stehender Daten zum Ziel haben.
  • Prädiktive Analysemethoden zielen auf die Vorhersage zukünftiger Ereignisse auf Basis historischer Wirkungszusammenhänge ab.
  • Mithilfe von präskriptiven Analysemethoden werden neben den Prognosen Handlungsempfehlungen abgeleitet. Im Fokus steht das Aufzeigen geeigneter Maßnahmen zur Erreichung eines bestimmten Ziels

Hintergrund

Seit jeher ist die datenbasierte Planung und Steuerung zentraler Bestandteil des Controllings. In den letzten Jahren haben sich Detailgrad und Erkenntnisgewinn der zum Einsatz kommenden Datenanalysen stetig weiterentwickelt. Statistische Analysen sowie erklärende und voraussagende Modelle gewannen dabei immer mehr an Bedeutung. Thomas Davenport unterteilt diese Entwicklung in drei grundsätzliche Phasen: Traditionelle Analysen, Big Data und datengetriebene Wirtschaft (vgl. Davenport 2013 sowie Abb. 2). Davenport ist Mitgründer und wissenschaftlicher Leiter des International Institute for Analytics und gilt als führender Experte im Bereich „Business Analytics“.

1. Phase - Traditionelle Analysen
Die erste Entwicklungsphase (Mitte 1950er bis 2000) war gekennzeichnet durch vorwiegend deskriptive Analysen bzw. durch „klassisches“ Reporting. Ziel war es, auf Basis von internen und strukturierten Daten die in der Vergangenheit liegenden Vorgänge zu beschreiben. Prädiktive oder präskriptive Analysen kamen hier kaum zum Einsatz. Die Durchführung umfangreicher statistischer Analysen dauerte oft mehrere Tage oder Wochen. Dabei war die Aufbereitung der Daten eine größere Herausforderung als die Analyse der Daten selbst. So verbrachten Analysten mehr Zeit mit der Aufbereitung der Daten als mit der eigentlichen Analyse.
2. Phase - Big Data
Die zweite Entwicklungsphase (2000 bis heute) begann mit der profitablen Verwertung von Daten aus dem World Wide Web. Online-Unternehmen wie Google oder eBay schafften es innerhalb kürzester Zeit ihre datenbasierten Geschäftsmodelle umzusetzen. Zwar liegt der Fokus in dieser Phase noch immer auf deskriptiven Analysen, allerdings werden nun auch unstrukturierte Daten analysiert. Zudem gewinnen unternehmensexterne Daten immer mehr an Bedeutung. Neue Technologien wie In-Memory-Datenbanken oder Hadoop ermöglichen es, große Datenmengen in Echtzeit auszuwerten. Komplexe Analysen können so um ein Vielfaches schneller durchgeführt werden.
3. Phase - Datengetriebene Wirtschaft
Heute befinden wir uns auf der Schwelle zur dritten Entwicklungsphase. Kennzeichnend für diese Entwicklungsphase ist, dass die meisten betrieblichen Entscheidungen datengetrieben sind. Dabei erzielen nicht nur Online-Unternehmen, sondern auch Unternehmen aus traditionellen Branchen erhebliche Wettbewerbsvorteile. Diese Wettbewerbsvorteile lassen sich insbesondere auf den Einsatz prädiktiver und präskriptiver Analysen zurückführen. Deskriptive Analysen spielen in diesem Zusammenhang lediglich eine untergeordnete Rolle. Zudem werden strukturierte und unstrukturierte sowie interne und externe Daten je nach Zielsetzung bedarfsweise kombiniert.

Entwicklung der Datenanalyse
Abb. 2: Entwicklung der Datenanalyse (entnommen aus Davenport 2013)


Literatur

Davenport, T., The Rise of Analytics 3.0 – How to Compete in the Data Economy, Oregon 2013.
Davenport, T./Harris, J., Competing on Analytics – The New Science of Winning, Boston 2007.
Davenport, T./Kim, J., Keeping Up with the Quants – Your Guide to Understanding and Using Analytics, Boston 2014.


Ersteinstellender Autor

Goran Sejdić, International Performance Research Institute gGmbH (IPRI)