QUIZ - Texte for Gecko Kapitel 3 PDF

**BUSINESS INTELLIGENCE UND PREDICTIVE ANALYTICS** **\"Das Ziel von Business Intelligence ist es, Daten in Informationen umzuwandeln, und Informationen in Erkenntnisse.\" - Carly Fiorina** In den bisherigen Kapiteln ging es darum, (1) welche Daten eine Organisation überhaupt sammelt und (2) wie un...

**BUSINESS INTELLIGENCE UND PREDICTIVE ANALYTICS** **\"Das Ziel von Business Intelligence ist es, Daten in Informationen umzuwandeln, und Informationen in Erkenntnisse.\" - Carly Fiorina** In den bisherigen Kapiteln ging es darum, (1) welche Daten eine Organisation überhaupt sammelt und (2) wie und wo sie diese Daten absichert. Nun widmen wir uns der Frage, wie man diese Daten effektiv für betriebliche Zwecke analysiert. Kurz gesagt, **Datenanalyse** [verwandelt Rohdaten in nützliche Erkenntnisse]. Es ist ein Prozess, der das Bereinigen, Interpretieren und Identifizieren von Mustern, Beziehungen und Lücken in verschiedenen Datenquellen umfasst - von den Online-Gewohnheiten eines Kunden bis hin zur Leistung einer Marketingkampagne. Früher stützten sich Unternehmen auf Vermutungen über Kundenverhalten und Produktpopularität, und Entscheidungen beruhten oft auf Intuition. Heute sammeln Firmen ständig Daten, analysieren Online-Interaktionen und Kundenerfahrungen in physischen Geschäften, um ein vollständiges Bild der Markeninteraktion zu erhalten. **Datenanalysten** - ob menschlich, KI-gesteuert oder eine Mischung aus beidem - beeinflussen diesen Wandel. [Sie übersetzen Rohdaten in praktische Empfehlungen, die die Unternehmensstrategie steuern können]. Ob es darum geht, Möglichkeiten für neue Produkte aufzuzeigen, bestehende Angebote zu verfeinern oder aussagekräftige Visualisierungen für den internen Gebrauch zu erstellen - die Datenanalyse versetzt Unternehmen in die Lage, intelligentere, datengestützte Entscheidungen zu treffen. In diesem Kapitel widmen wir uns der Datenanalyse und fokussieren insbesonder auf die Themenbereiche ‚**Business Intelligence (BI)**', ‚**Business Analytics**' und „**Datenvisualisierung**". **EXPLAINER VIDEO BUSINESS INTELLIGENCE UND PREDICTIVE ANALYTICS** **DIE KOMPONENTEN DER BUSINESS INTELLIGENCE (BI)** Die betriebliche Datenanalyse hängt eng mit dem Begriff „**Business Intelligence (BI)**" zusammen. IBM definiert Business Intelligence als \"[eine Reihe von technologischen Prozessen zum Sammeln, Verwalten und Analysieren von Unternehmensdaten, um Erkenntnisse zu gewinnen, die als Grundlage für Geschäftsstrategien und -abläufe dienen]\". Der Fokus der Business Intelligence liegt darauf, [aktuelle und historische Daten] zu analysieren, um den aktuellen Zustand des Unternehmens zu verstehen und strategische Entscheidungen zu treffen. Man könnte sagen, BI hilft dabei, auf Fragen wie \"**Was ist passiert?**\" und \"**Wo stehen wir gerade?**\" zu antworten.  Stellen Sie sich vor, Sie sind Führungskraft eines großen Einzelhandelsunternehmens. Jeden Tag fallen Unmengen von Daten an -- von Verkaufszahlen über Kundenverhalten bis hin zu Lagerbeständen. Hier kommt BI ins Spiel: Es hilft Ihnen, aus diesen Rohdaten sinnvolle Informationen zu extrahieren und visuell aufzubereiten. Das geschieht oft in Zusammenhang mit einem Data Warehouse. Kurz gesagt, BI ermöglicht es Ihnen, [aus historischen und aktuellen Daten Schlüsse zu ziehen und strategische Entscheidungen zu treffen]. Sehen wir uns einige der Komponenten einer modernen **Business Intelligence (BI)-Plattform** an: - **Data Warehouses** - **BI-Tools** - Integration von Daten aus verschiedenen Quellen - Berechnung und automatisierte Analyse von Schlüsselkennzahlen - Identifikation von Trends und Mustern innerhalb eines Datenpools - Echtzeit-Datenanalyse zur schnellen Reaktion auf Marktveränderungen - Einfache Visualisierung von Daten durch Diagramme und Graphen - Erstellung von benutzerdefinierten Berichten - Automatisierte Berichtserstellung - Nutzung von Filtern und **Pivot-Tabellen** (d.h. Tabellen, die es erlauben, Daten zu drehen und neu zu strukturieren, um verschiedene Ansichten und Zusammenfassungen zu erstellen) zur Datenuntersuchung - **Dashboards** - **Berichterstattung** - **Advanced Analytics** - **Predictive Analytics** - **Datenvisualisierung** - **Location Intelligence** **EXERCISE PROBIEREN SIE BUSINESS INTELLIGENCE AUS ([NOT RELEVANT FOR PDF, JUST LISTING FOR PURPOSES OF COMPLETION])** **ANWENDUNGSBEISPIELE DER BUSINESS INTELLIGENCE** Nun sehen wir uns einige erfundenen Beispiele dafür an, wie Unternehmen aus verschiedenen Branchen Business Intelligence (BI) einsetzen könnten **BEISPIEL 1: EINZELHANDEL - INTELLIGENTE LAGERVERWALTUNG UND KUNDENORIENTIERTE WERBEAKTIONEN** - - **BEISPIEL 2: GESUNDHEITSWESEN - VERBESSERUNG DER PATIENTENVERSORGUNG UND DER BETRIEBLICHEN EFFIZIENZ** - - - **BEISPIEL 3: GESUNDHEITSWESEN - VERBESSERUNG DER PATIENTENVERSORGUNG UND DER BETRIEBLICHEN EFFIZIENZ** - - - **UND WAS KANN BUSINESS ANALYTICS?** Business Intelligence bietet einen detaillierten Blick auf vergangene und aktuelle Daten. Sie beantwortet Fragen wie: \"Was ist im letzten Quartal passiert?\" oder \"Wie hat unsere letzte Kampagne abgeschnitten?\" BI verwendet in erster Linie deskriptive Analysen, um historische Daten zusammenzufassen und darüber zu berichten. Das Ziel ist es, eine klare Momentaufnahme der vergangenen Leistung zu liefern. - **Descriptive Analytics** - **Sammeln, Analysieren und Visualisieren von Daten** Während sich Business Intelligence hauptsächlich auf Descriptive Analytics konzentriert, um zu verstehen, was passiert ist, [richtet **Business Analytics** den Blick nach vorne]. Es nutzt fortschrittlichere Methoden, um Fragen wie \'**Was wird wahrscheinlich passieren**?\' oder \'**Wie können wir unsere Ziele erreichen?**\' zu beantworten. Business Analytics fokussiert insbesondere auf **Prescriptive Analytics** (d.h. [die Erstellung von Handlungsempfehlungen] zur Optimierung zukünftiger Entscheidungen). Vereinfacht kann man sagen: (1) „Descriptive Analytics" ist die Domäne der Business Intelligence, (2) „Prescriptive Analytics" ist die Domäne der Business Analytics und bei (3) „Predictive Analytics" treffen sich die beiden (d.h. als Schnittmenge) Während Business Intelligence eine solide Basis bietet, indem es aufzeigt, wo Sie bisher waren und wo Sie sich aktuell befinden, geht Business Analytics einen Schritt weiter, indem es [mögliche Zukunftsszenarien erkundet und Wege aufzeigt, diese zu erreichen]. **Denken Sie an Business Intelligence als eine Art ‚Berichtswerkzeug', das die Leistung überwacht und auf Probleme hinweist, und an Business Analytics als eine Art ‚Sparring Partner', der tiefer in die Materie eindringt und Ihnen auch nächste Schritte vorschlägt.** In der Praxis könnte ein Unternehmen Business Intelligence verwenden, um einen Bericht zu erstellen, der einen konstanten Umsatzrückgang an Wochenenden in einige Filialen aufzeigt. Business Analytics würde dann die Gründe dafür untersuchen (z.B. ob der Rückgang auf Personalmangel, Lagerprobleme oder Aktionen der Konkurrenz zurückzuführen ist). Darüber hinaus würde es vorhersagen, wie sich diese Trends auf den zukünftigen Umsatz auswirken könnten, und Strategien zur Steigerung des Umsatzes vorschlagen (z.B. Anpassung der Wochenendangebote, Aufstockung des Personals). - *Tableau* - *Microsoft Power BI* - *SAS Business Intelligence* - *Google Analytics* - *Oracle BI* - *IBM Cognos Analytics* - *SAP BusinessObjects* - *QlikView* - *Qlik Sense* - *MicroStrategy* - *Looker* - *Alteryx* - *Domo* **\-\-\-\-\--** **Datenvis** **DATENVISUALIERUNG: KÜR ODER PFLICHT?** Fakten sind Fakten. Ist es da nicht egal, wie ich sie VISUELL an meine Stakeholder kommuniziere? Natürlich nicht, wird Ihnen jeder Statistiker sagen. Und nicht nur der. Die Art und Weise, wie Informationen präsentiert werden, ist ENTSCHEIDEND dafür, wie diese von anderen verstanden und genutzt werden. Wir stellen uns das Unternehmen ‚Lamböck' vor, das gerade vor der Entscheidung steht, wie und in welchen seiner Absatzmärkte es weiter investieren sollen. Szenario EINS. Die Daten werden mittels eines interaktiven Dashboards visualisiert, das nicht nur die reinen Umsatzzahlen zeigt, sondern auch Kundenfeedback und Marktanteile farblich kodiert und in Bezug zu regionalen Wirtschaftsdaten setzt. Dadurch sieht die Geschäftsführung auf einen Blick, dass zwar der UMSATZ in Tirol hoch ist, das KUNDENfeedback aber durchgehend schlecht ausfällt. Sie entscheidet daher, stark in den Tiroler Kundenservice zu investieren, um den Umsatz dort weiterhin zu stärken. Szenario ZWEI. Die entscheidungsrelevanten Daten werden in einer langen Excel-Tabelle präsentiert, in der Zahlenkolonnen einfach nebeneinanderstehen - ganz ohne klare visuelle Abgrenzungen, geschweige denn intuitiver Aufbereitung. Die Geschäftsführung überfliegt die Zahlenkolonnen und bemerkt die schlechten Feedback-Werte aus Tirol nicht. Sie beschließt, in alle Absatzmärkte gleichmäßig zu investieren. Ein Jahr später stellt sich heraus, dass in Tirol massive Kundenabwanderungen erfolgt sind. Das Ergebnis: Verluste in Millionenhöhe und ein beschädigter Ruf im heiligen Land. In der Geschäftswelt werden täglich Entscheidungen auf Basis von Daten getroffen. Ob es um Umsatzanalysen, Kundenverhalten, Markttrends oder interne Prozessoptimierungen geht -- all diese Informationen liegen zunächst einmal in Form von rohen Daten vor. Die Herausforderung besteht darin, diese Datenmengen SO aufzubereiten, dass sie schnell und leicht verständlich sind. Dieser Visualisierungsprozess spielte IMMER schon eine Schlüsselrolle, im Zeitalter der Datenbank wird er aber noch um ein Eckhaus wichtiger -- ganz einfach, weil es bei ständig höheren Datenmengen immer wahrscheinlicher wird, das man etwas ZENTRALES übersieht, wenn es optisch nicht ausreichend betont wird. Da kommt die Datenvisualisierung ins Spiel. Ganz gleich, ob es sich um die Aufbereitung der Daten für einen Projektbericht, um die Erstellung einer Powerpoint-Präsentation für den Vorstand, oder um die Entwicklung einer KPI-Dashboard handelt: Sie müssen Sie sich im Vorfeld bewusst sein, dass Ihre Entscheidungen, WELCHE Daten da reinkommen und WIE die dann angezeigt werden, ganz erheblichen Einfluss darauf haben werden, welche Kernbotschaften Ihr Publikum als Takeaway verinnerlichen wird. So kann die vermeintlich BANALE Entscheidung, ob Sie ein Datenaggregat als Liste, als Balkendiagramm, oder als Flussdiagramm darstellen, ein Stück weit mitbeeinflussen, ob Ihre Stakeholder die strategisch RICHTIGE oder die strategisch FALSCHE Entscheidung treffen. Bei der Datenvisualiserung gehen Sie am Besten wie folgt vor. **1. Ziele definieren** Zunächst definieren Sie klare Ziele für Ihre Visualisierung Ihrer Daten. WAS soll hier eigentlich kommuniziert werden? Welche EntSCHEIDUNGEN sollen später auf Basis der Daten getroffen werden? **2. Zielgruppenbedarf und -präferenzen analysieren** Im nächsten Schritt beschäftigen Sie sich mit jenen Personen, die diese Entscheidungen TREFFEN werden, also der ZIELgruppe. Für WEN sind die Daten gedacht? Welche konkreten Daten benötigen die? Was sind die „Must Haves"? Welche Anzeigereihenfolge der Daten ist für die Zielgruppe am leichtesten zu verarbeiten? Wie wird der voraussichtliche VerARBEITUNGSPROZESS in den Gehirnen der Zielgruppe ablaufen? Gibt es gewisse Darstellungsmethoden -- zum Beispiel bestimmte Diagramme oder sogar SCHRIFTgrößen -- mit denen ich diesen gedanklichen Verarbeitungsprozess erleichtern kann? Wie kann ich visuELL den Blick auf das Wesentliche richten? Welche stilistischen PräferENZEN hat diese Zielgruppe? Wir sehen: das geht sehr stark ins Neurowissenschaftliche - also, wie das menschliche Gehirn funktioniert und wie es Information aufnimmt. **3. Daten für die Darstellung auswählen und Datenqualität prüfen** Anhand dieser Überlegungen legen Sie die konkreten Daten fest, die Sie darstellen werden. Diese sammeln Sie und stellen sicher, dass die Datenqualität tauglich ist -- das haben wir bereits an anderer Stelle besprochen. **4. Visualisierungstool und Darstellungsmethoden auswählen** NUN erst wählen Sie konkrete Visualisierungstools und Darstellungsmethoden aus. Das müssen Tools und Methoden sein, die zum ZIEL und zur ZIELgruppe passen, und nicht welche, die Sie bereits im Vorfeld auf Basis persönlicher Vorlieben oder Gewohnheit festgelegt haben. **5. Entwurf und Layout planen** Sie planen den Entwurf und das Layout der Visualisierungen. Die Filterfrage dabei ist immer, „Wie kann ich die Informationen am logischsten und für die Zielgruppe am ästhetisch ansprechendsten präsentieren?" **6. Daten gemäß Entwurf umwandeln** Steht das Layout fest, dann wandeln Sie Ihre Daten entsprechend Ihrem Entwurf gegebenenfalls in Fließtext, Listen, Tabellen, Grafiken oder andere Diagrammarten um. **7. Feedback einholen und anpassen** Nun Holen Sie sich Feedback von Kollegen oder -- noch besser -- der Zielgruppe selbst ein und passen Ihre Visualisierungen entsprechend an. **8. Daten in Übetragungsmedium integrieren** Integrieren Sie die finalen Datenvisualisierungen schließlich in die entsprechenden Medien, um sicherzugehen, dass sie ihre Zielgruppen effektiv erreichen. Das wär's vorerst. Ich hoffe, dass verständlich rübergekommen ist, dass „Datenvisualisierung" in einer Ära, in der wir mit Daten überFLUTET werden, keine Kür ist, sondern PFLICHT -- und dass es sich dabei nicht um eine Nebentätigkeit handelt, sondern um ein zentrales, aufwändiges „To Do". **\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\--** **BI Predictive analytics** **BUSINESS INTELLIGENCE UND PREDICTIVE ANALYTICS** Wenn Sie einmal so alt sind, wie ich -- oder NOCH jünger -- dann werden Sie feststellen, dass jeder Konjunkturzyklus seine eigenen Hype-Begriffe hat, die von allen Führungskräfte, die auf sich was halten, verwendet werden. Zwei aktuelle solche Begriffe sind „Business Intelligence" und „Predictive Analytics". Wenn man nicht weiß, was diese beiden Technologien sind, dann wird man bei den WIRKLICHEN Strategiegesprächen oft nicht als vollwertiger Gesprächspartner wahrgenommen. Sie SIND natürlich vollwertig, und deswegen schauen wir uns das in diesem Kapitel näher an. Zuerst einmal den Oberbegriff „Business Intelligence". Bei Business Intellegence geht es darum, große Datenmengen aus verschiedenen Quellen des Unternehmens zu SAMMELN, zu ANALYSIEREN und sinnvoll AUFZUBEREITEN -- mit dem Ziel, die Performance Ihrer Organisation auf Grundlage DATENbasierende Entscheidungen zu verbessern. Das ist vom VORGANG her nichts Neues -- gute Führungskräfte haben IMMER schon Daten gesammelt, analysiert und dann Entscheidungen getroffen. Der Unterschied liegt in der MENGE der Daten und der DigitaliSIERUNG des Analyseprozesses. Wenn Sie Kundentrends verstehen wollen, dann bekommen Sie anhand der 100 Beobachtungen, die Sie dazu im Geschäftsalltag gemacht haben, NIE so einen umfassenden Einblick, wie anhand der 100 Millionen Daten, die sich in Ihrem Data Lake gesammelt haben. Und wenn Sie diese 100 Millionen Daten MANUELL analysieren, dann ist der Kundentrend wahrscheinlich schneller vorbei als Ihr Analysevorgang: ein gesunder Algorithmus und ein Rechner mit ausreichender Pferdestärke schaffen das hingegen in wenigen Minuten. Business Intelligence setzt fortschrittliche statistische Methoden, maschinelles Lernen und künstliche Intelligenz ein, um in einer riesigen Datenmenge Muster und Trends zu erkennen, die sonst verborgen bleiben würden. Damit können Führungskräfte in der Praxis dann Marktlücken identifizieren, Kundenverhalten vorhersagen, Prozesse verbessern, Risiken managen und Produktinnovationen vorantreiben - um Ihnen nur ein PAAR Beispiele zu nennen. Eine besonders wichtige Sub-Kategorie der Business Intelligence sind „Predictive Analytics". Die Predictive Analytics haben EINEN Hauptzweck: sie sollen auf Basis historischer Daten die Wahrscheinlichkeit ZUKÜNFTIGER Entwicklungen vorhersagen. Auch DAS ist konzeptuELL nichts Neues. Schon die Erkenntnisse des Isaac Newton, die Militärkampagnen eines Napoleon Bonaparte., und selbst der Bauernkalender der Freiwilligen Feuerwehr Kuchl sind dadurch entstanden, dass man Daten aus der VERGANGENHEIT analysiert hat und auf Basis derer eingeschätzt hat, was in der Zukunft passieren beziehungsweise funktionieren wird. Der große Unterschied zu früher ist wieder der Digitalisierungsaspekt. Wenn Sie Ihre Vorhersagen auf Big Data in Kombination mit maschinellem Lernen und KI stützen, dann wird die Eintrittswahrscheinlichkeit Ihrer Prognose halt wesentlich stichhaltiger, als wenn Sie sich auf drei müde Post-its und Ihr Bauchgefühl verlassen. Und schneller geht's auch. Wir sehen also in diesem Kapitel: Die Business Intelligence und ihr Sprößling die „Predictive Analytics": die sind ein Hauptgrund dafür, WARUM das Datenmanagement in den meisten Organisationen DERART an Bedeutung gewonnen hat -- und weiter gewinnen wird. Unter der Voraussetzung, dass die zugrundeliegende Datenqualität gut ist, können wir damit MARKTtrends erkennen, Kundenverhalten vorhersagen, erfolgsversprechende Strategien prognostizieren, Lieferengpässe antizipieren, unsere Personalfluktuation vorhersagen. The list goes on and on and never stops.