studiepredictive analytics - computerwoche...das gute, alte microsoft excel ist immer noch die...
Post on 19-Jun-2020
2 Views
Preview:
TRANSCRIPT
RE
SE
AR
CH
SE
RV
ICE
S StudiePredictive Analytics2018
Silber-Partner
Bronze-Partner
Gold-Partner
Um vorherzusagen, dass Predictive Analytics
in den nächsten Jahren eine wichtige Rolle
spielen wird, braucht man kein Predictive
Analytics. Die technologische Eintritts-
barriere ist so tief gesunken, dass nahezu
jedes Unternehmen beginnen kann, Trends
zu analysieren und Wahrscheinlichkeiten –
etwa zu Kundenverhalten, Absatzchancen
oder auch Maschinenausfällen – zu errech-
nen.
Entsprechende Daten lassen sich im großen
Stil sammeln, konsolidieren und auswerten.
Der öffentliche Cloud-Speicher ist grenzen-
los groß, die in der Wolke verfügbaren
Analytics- und KI-Lösungen reichen weit.
Auch im Open-Source-Lager findet sich
ein gewaltiger Fundus an Werkzeugen, mit
dem Unternehmen einsteigen können. Und
an Tools, mit denen sich wunderbare Dash-
boards bauen lassen, mangelt es ebenfalls
nicht.
Dennoch gibt es limitierende Faktoren, die
nicht zu unterschätzen sind. Da ist zum
einen der chronische Mangel an gut aus-
gebildetem IT-Personal. Vor allem Data
Scientists sind knapp und teuer. Schwerer
noch wiegt aber die kulturelle Überforderung
von Entscheidern, die sich nun auf Daten
statt auf ihren Bauch verlassen sollen. Sonst
wird es nichts mit dem viel beschworenen
„Data-driven Enterprise“.
Die Mentalität des „Das haben wir schon
immer so gemacht“ ist der natürliche
Feind eines jeden Predictive-Analytics-
Projekts. Datengestützt zu entscheiden ver-
langt von Managern wie von Mitarbeitern,
Gewohn heiten abzulegen und den Zahlen zu
ver trauen. In den meisten Unternehmen ist
diese Umstellung der größte Hemmschuh.
Eine spannende Lektüre wünscht
Heinrich Vaske
Das Ende der Bauch- entscheidungen
Heinrich VaskeEditorial DirectorCOMPUTERWOCHE & CIO
Editorial 3
Inhalt
Die Key Findings im Überblick .......................................................... 14
Die Key Findings im Einzelnen
1. Predictive Analytics gehört die Zukunft .............................................16
2. Große Unternehmen gehen bei Analytics-Projekten voran ..........18
3. Vielfältige Einsatzszenarien: Firmen nutzen Ergebnisse aus Predictive Analytics für Geschäftsentscheidungen .........................19
4. Hohe Erfolgsquote: Der Aufwand lohnt sich .................................. 20
5. Predictive Analytics: Firmen investieren vor allem in die IT-Infrastruktur .........................................................................................21
6. Top-3-Herausforderungen: Komplexität, mangelnde Ressourcen und Skills ........................................................................... 22
7. Analytics soll die betrieblichen Prozesse und Entscheidungen optimieren ................................................................ 24
8. Firmen vertrauen bei Predictive Analytics auf externe Servicepartner .........................................................................................25
Management Summary
13
Editorial
3
Studiendesign
41
Studiensteckbrief ..................41
Stichprobenstatistik ..............42
© s
hu
tte
rsto
ck.c
om
/ S
erg
ey
Niv
en
s
Die Studienreihe
49
Unsere Autoren / Sales-Team / Gesamtstudienleitung .................50
Vorschau Studienreihe .................51
6
Viele Daten, aber noch kein Plan ..................................... 7
Wo Mehrwert noch an Grenzen stößt ........................10
Die Round Tables
1. Excel ist (noch) Analyse-Tool Nummer eins ....................................... 27
2. Lösungen für Predictive Analytics: Do it yourself vor Cloud ..........28
3. Firmen realisieren Umsätze mit Predictive-Analytics-Services .......29
4. Die IT-Abteilung dominiert das Thema Analytics ..............................30
5. Management nutzt Predictive Analytics am häufigsten ................... 31
6. Hoher Grad der Automatisierung bei IT-Prozessen für Predictive Analytics ................................................................................... 32
7. Vielschichtig: technologische Probleme mit Analytics-Software ............................ 33
8. Predictive Analytics: Management profitiert künftig am stärksten .......................................34
9. Mitarbeiter brauchen Datenkompetenz .............................................. 35
10. Das Vertrauen in den Dienstleister und Anbieter ist entscheidend ........................................................................................36
Weitere Studienergebnisse
26
© s
hu
tte
rsto
ck.c
om
/ S
erg
ey
Niv
en
s
Kontakt / Impressum
48
Unsere Gold- und Silber-Studienpartner
stellen sich vor
43
Lufthansa Industry Solutions .....................44
DATAVARD .....................................................46
Blick in die Zukunft
38
Hohe Erfolgsquote darf nicht blenden
Die Round Tables
Predictive Analytics
Viele Daten, aber noch kein Plan Den Nutzen von Predictive Analytics muss den Anwenderfirmen keiner mehr erklären.
Allein an der Umsetzung hapert es. Technische Aspekte, unklare Daten-Ownership
und manchmal auch nur das Bauchgefühl – sieben Branchenkenner diskutierten an
einem Round Table der COMPUTERWOCHE über die Gründe.
Data Lakes, in denen Informationen auf Nim-
merwiedersehen verschwinden, wenn man
nicht aufpasst, CIOs im Konkurrenzkampf mit
dem Digitalisierungschef und mittendrin ver-
lorene Data Scientists: Predictive Analytics
nimmt zwar allmählich Fahrt auf in den
Unternehmen, doch der Weg zu auf Daten-
analysen beruhenden Vorhersagemodellen
ist weit und voller Stolpersteine.
Wie weit deutsche Unternehmen in Sachen
Predictive Analytics heute sind, diskutierten
Ende Januar in der Redaktion der COMPU-
TERWOCHE Jan-Henrik Fischer (Seven Prin-
ciples), Arne Kaldhusdal (Alexander Thamm
GmbH), Benjamin Krebs (Dell EMC), Hardy
Kremer (Deloitte), Vladislav Malicevic (Jedox),
Lars Schwabe (Lufthansa Industry Solutions)
und Gregor Stöckler (Datavard). Die Experten
kamen dabei zu folgenden Schlüssen:
1. Der Wille zur Nutzung von Predictive
Analytics ist da, doch die Umsetzung
scheitert an verschiedensten Faktoren
Auf einer Skala von eins (für „wenig bereit“) bis
zehn („sehr bereit“) geben die Experten deut-
schen Unternehmen zwei unterschiedliche
Werte. In Sachen Aufmerksamkeit/Bewusstsein
für Predictive Analytics erreichen Anwender
oft eine Neun oder Zehn – bei der Umsetzung
liegen die Werte jedoch deutlich niedriger und
schwanken zwischen Zwei und Fünf.
So sammeln zwar viele Entscheider Daten
und legen Data Lakes an. Doch dann fehlt oft
ein greifbares Ziel oder ein konkreter Plan da-
für, wie mit diesen Daten gearbeitet werden
Von Christiane Pütter
soll. So manch ein Manager ist froh, wenn er
das Thema mit dem Auftrag – „Hier sind mei-
ne Daten, machen Sie was damit“ – an einen
Data Scientisten weiterdelegieren kann. Dass
vielfach keine zielgerichtete Strategie dahin-
tersteckt, zeigt auch die Beobachtung, dass
Sachbearbeiter meist weder motiviert noch
incentiviert werden, Daten zu pflegen. Einen
weiteren Schwachpunkt bildet oft die Tech-
nik: In vielen Firmen kaufen die Fachabtei-
lungen IT-Systeme ein. „Best-of-Breed re-
giert“, wie einer der Diskussionsteilnehmer
sagt. Aber 20 bis 30 Systeme zu orchestrieren,
das ist „richtig viel Arbeit“.
2. Analytics in fünf Schritten
Analytics ist eine Reise. Mit den neuen tech-
nischen Möglichkeiten gibt es auch neue
Optionen für das Business. Die Experten spre-
chen von verschiedenen Phasen beziehungs-
weise Stufen, in denen sich Analytics im Un-
ternehmen weiterentwickelt. Da war zunächst
das traditionelle Monitoring and Reporting.
Predictive Analytics stellt erst Schritt zwei dar.
Im dritten Schritt geht es um die Frage, was
Entscheider mit den Daten anfangen können.
In Schritt vier schält sich dann heraus, wie
mit den Daten konkret Geld verdient werden
kann, und mit dem fünften Schritt wird das
datengetriebene Unternehmen erreicht.
3. Data Ownership oft ungeklärt, auch
innerhalb der Unternehmen
Analytics ohne Daten funktioniert nicht.
Doch damit fangen die Fragen erst an. Wem
gehören eigentlich die Daten, mit denen man
7Die Round Tables
Die Key Findings im Einzelnen
Predictive Analytics
Die Key Findings im Überblick
Management Summary
Vielfältige Einsatzszenarien Überwältigende 94 Prozent der Firmen nutzen Predictive Analytics für bessere Geschäftsentscheidungen, insbesondere im IT-Bereich, im Management und in der Produktion.
Der Aufwand lohnt sich Das Gros der Firmen ist mit den bisherigen Predictive-Analytics- Maßnahmen und dem Kosten-Nutzen- Verhältnis sehr zufrieden oder zufrieden.
Predictive Analytics gehört die Zukunft
66 Prozent der Unternehmen rechnen damit, dass Predictive Analytics innerhalb der
nächsten drei Jahre für sie wichtig bis sehr wichtig wird. Aktuell sind es 47 Prozent.
47 % 66 %
Status quo Etwas mehr als ein Drittel der
Unternehmen hat bereits Analytics-Projekte umgesetzt,
die Hälfte davon im Bereich Predictive Analytics.
37 % 56 %Projekte umgesetzt Predictive Analytics
94 %
59 %
„Sehr zufrieden“ oder
„Zufrieden“
11 %
„Eher unzufrieden“ bis
„Sehr unzufrieden“
1. Predictive Analytics gehört die Zukunft Predictive Analytics wirft auf Basis von komplexen Datenanalysen einen Blick in die
Zukunft. In den nächsten zwei bis drei Jahren wird das Thema in den Unternehmen
stark an Bedeutung gewinnen.
Derzeit bewerten „nur“ 47 Prozent der Unternehmen die Relevanz von Pre-
dictive Analytics als sehr hoch (18 Prozent) oder hoch (29 Prozent), immerhin
ein Drittel der Firmen als eher niedrig bis sehr niedrig.
Ganz anders sieht es bei den Werten für die Zukunft aus. Zwei Drittel der
Unternehmen gehen davon aus, dass Predictive Analytics binnen drei Jahren
für sie wichtig oder sehr wichtig wird. Nur noch 14 Prozent der Firmen stufen
dessen künftige Bedeutung als eher gering bis sehr gering ein.
Der Relevanz-Wert steigt mit der Unternehmensgröße. So messen 53 Pro-
zent der Unternehmen mit mehr als 1.000 Mitarbeitern Predictive Analytics
derzeit eine große bis sehr große Bedeutung zu, 68 Prozent in den nächsten
Welche Bedeutung haben in Ihrem Unternehmen fortgeschrittene Analyse-techniken wie Predictive Analytics heute und für die künftige Geschäftsentwicklung (in zwei, drei Jahren)?Angaben in Prozent. Abfrage auf einer Skala von 1 („Sehr große Bedeutung“) bis 6 („Sehr geringe Bedeutung“). Basis: n = 417
Sehr große Bedeutung
Große Bedeutung
Eher größere Bedeutung
Eher geringere Bedeutung
Geringe Bedeutung
Sehr geringe Bedeutung
Derzeit
Künftig
17,8
32,6
29,0
33,4
19,8 19,7
16,0
7,5 7,3
2,6
10,3
4,1
Gesamtergebnis
16 Management Summary
Predictive Analytics
Weitere Studienergebnisse
1. Excel ist (noch) Analyse-Tool Nummer eins Das gute, alte Microsoft Excel ist immer noch die wichtigste Analytics-Software in
Unternehmen vor Reporting sowie Datenvisualisierung. Investiert wird vor allem
in die Analyse von Datenströmen.
69 Prozent der Firmen setzen bei der Analyse ihrer Daten auf Microsoft Excel,
knapp gefolgt von Software für Abfragen und Reporting (65 Prozent). Auch
Datenvisualisierung kommt in mehr als der Hälfte der Firmen zum Einsatz
(53 Prozent).
Weitere wichtige Software betrifft die Gebiete Data Mining (49 Prozent),
Data Warehouse (46 Prozent) oder Business Intelligence (BI) mit 44 Prozent.
Zentral für Predictive Analytics sind Vorhersagemodelle, die immerhin
43 Prozent der Unternehmen einsetzen. 41 Prozent wollen in diese wichtigen
Tools investieren.
Etwas mehr als ein Drittel der Firmen setzt bei der Analyse großer Daten-
mengen auf Künstliche Intelligenz (KI). Damit steht diese wichtige Analyse-
form auf dem drittletzten Rang knapp vor der Sprachanalyse (32 Prozent) und
der Videoanalyse (30 Prozent).
Immerhin wollen 37 Prozent der Firmen in nächster Zeit in Analysever-
fahren mit KI investieren. Hauptfelder für Investitionen sind die Analyse von
Datenströmen (Streaming Analytics), Dashboards und Vorhersagemodelle.
Welche Arten von Analytics-Software haben Sie in Ihrem Unternehmen bereits im Einsatz? Wo sind Investitionen geplant?Angaben in Prozent. Basis: n = 207 (Filter: Nur Unternehmen, die in den nächsten zwölf Monaten wahrscheinlich oder sicher in Predictive Analytics investieren werden)
Steht zur Verfügung Investition geplant Keine Investition geplant
Künstliche Intelligenz (KI) /
Machine Learning
35,3
37,4
27,3
Geodaten- analyse
35,5
28,0
36,6
Video- analyse
29,5
33,9
36,6Analyse von Datenströmen /
Streaming Analytics
36,6
46,4
16,9
Data Lake
38,4
35,1
26,5
Sprach- analyse
31,6
32,6
35,8
Business- Intelligence- Suite / Tools
(BI)
43,9
39,7
16,4
Data Discovery / Dashboards
41,8
41,8
16,3
Simulation
42,5
34,9
22,6
Optimierung
42,5
45,3
12,2
Process Mining
39,7
36,4
23,9
Vorhersage- modelle
42,6
41,1
16,3
Microsoft Excel
68,719,0
12,3
Planungs- tools
45,8
41,1
13,2
Daten- visualisierung
52,6
36,8
10,5
Data Warehouse
46,3
33,0
20,7
Data Mining / Data Science
49,2
37,0
13,8
Abfragen und
Reporting64,7
27,3
8,0
27Weitere Studienergebnisse
Predictive Analytics
Blick in die Zukunft
Hohe Erfolgsquote darf nicht blenden Predictive Analytics gewinnt in den Unternehmen zunehmend an Relevanz.
Zudem sind die meisten Firmen mit den bisherigen Analyseprojekten und dem
Kosten-Nutzen-Verhältnis sehr zufrieden oder zufrieden. Doch noch besteht
großer Nachholbedarf, nicht nur in kleinen und mittleren Unternehmen.
Um wettbewerbsfähig zu bleiben, müssen Firmen mehr Ressourcen bereitstellen
und vor allem in die Skills ihrer Mitarbeiter investieren.
Was wird passieren? Predictive Analytics trifft auf Basis von Datenmodellen
Voraussagen darüber, wie sich eine Situation in Zukunft entwickeln wird
oder kann. In den Unternehmen gewinnt die fortschrittliche Datenanalyse
zunehmend an Bedeutung, sei es für Absatzprognosen für ein bestimm-
tes Produkt in verschiedenen Regionen, dynamische Preisgestaltung
oder Predictive Maintenance. Das zeigen die Ergebnisse der Studie von
COMPUTERWOCHE und CIO.
Derzeit bewerten „nur“ 47 Prozent der Unternehmen die Relevanz von
Predictive Analytics als sehr hoch oder hoch, immerhin ein Drittel der Firmen
als eher niedrig bis sehr niedrig. Ganz anders sieht es bei den Werten für die
Zukunft aus. Zwei Drittel (66 Prozent) der Unternehmen gehen davon aus,
dass Predictive Analytics binnen drei Jahren für sie wichtig oder sehr wichtig
wird. Nur noch 14 Prozent der Firmen stufen dessen künftige Bedeutung als
eher niedrig bis sehr niedrig ein.
Hohe Erfolgsquote: Der Aufwand lohnt sich
Gut ein Drittel der Unternehmen hat bereits Analytics-Projekte umgesetzt,
mehr als die Hälfte davon im Bereich Predictive Analytics. Vorreiter sind die
großen Unternehmen. Aber: Immerhin 15 Prozent der Firmen planen weder
Analytics-Projekte noch haben sie bereits welche umgesetzt. Bei den kleinen
Firmen ist es knapp ein Drittel. Hier besteht also Nachholbedarf.
Die hohe Erfolgsquote sollte Ansporn genug sein. Nur elf Prozent der
be fragten Firmen sind unzufrieden oder sagen, dass sich ihre bisherigen
Predictive-Analytics-Projekte nicht gelohnt hätten. 60 Prozent der Firmen
sind mit den bisherigen Predictive-Analytics-Maßnahmen und dem
Kosten-Nutzen-Verhältnis sehr zufrieden oder zufrieden. Das positive
Ergebnis ist damit zu erklären, dass die Firmen einen Business Case mit
klaren Zielen für ihre entsprechenden Projekte definieren.
Von Jürgen Mauerer
39Blick in die Zukunft
top related