Studie Predictive Analytics 2018 - Gold-Partner - Seven Principles
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Ein aktuelles Studienprojekt von RESEARCH SERVICES Gold-Partner Silber-Partner Bronze-Partner Alle Angaben in diesem Ergebnisband wurden mit größter Sorgfalt zusammengestellt. Trotzdem sind Fehler nicht ausgeschlossen. Verlag, Redaktion und Herausgeber weisen darauf hin, dass sie weder eine Garantie noch eine juristische Verantwortung oder jegliche Haftung für Folgen, die auf fehlerhafte Informationen zurückzuführen sind, übernehmen. Der vorliegende Ergebnisberichtsband, einschließlich all seiner Teile, ist urheberrechtlich geschützt. Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen, auch auszugsweise, bedürfen der schriftlichen Genehmigung durch IDG Research Services.
Editorial 3 Das Ende der Bauch- entscheidungen Heinrich Vaske Editorial Director COMPUTERWOCHE & CIO Um vorherzusagen, dass Predictive Analytics Dennoch gibt es limitierende Faktoren, die in den nächsten Jahren eine wichtige Rolle nicht zu unterschätzen sind. Da ist zum spielen wird, braucht man kein Predictive einen der chronische Mangel an gut aus Analytics. Die technologische Eintritts gebildetem IT-Personal. Vor allem Data barriere ist so tief gesunken, dass nahezu Scientists sind knapp und teuer. Schwerer jedes Unternehmen beginnen kann, Trends noch wiegt aber die kulturelle Überforderung zu analysieren und Wahrscheinlichkeiten – von Entscheidern, die sich nun auf Daten etwa zu Kundenverhalten, Absatzchancen statt auf ihren Bauch verlassen sollen. Sonst oder auch Maschinenausfällen – zu errech- wird es nichts mit dem viel beschworenen nen. „Data-driven Enterprise“. Entsprechende Daten lassen sich im großen Die Mentalität des „Das haben wir schon Stil sammeln, konsolidieren und auswerten. immer so gemacht“ ist der natürliche Der öffentliche Cloud-Speicher ist grenzen- Feind eines jeden Predictive-Analytics- los groß, die in der Wolke verfügbaren Projekts. Datengestützt zu entscheiden ver- Analytics- und KI-Lösungen reichen weit. langt von Managern wie von Mitarbeitern, Auch im Open-Source-Lager findet sich Gewohnheiten abzulegen und den Zahlen zu ein gewaltiger Fundus an Werkzeugen, mit vertrauen. In den meisten Unternehmen ist dem Unternehmen einsteigen können. Und diese Umstellung der größte Hemmschuh. an Tools, mit denen sich wunderbare Dash- boards bauen lassen, mangelt es ebenfalls Eine spannende Lektüre wünscht nicht. Heinrich Vaske
Inhalt Die Round Tables Editorial Viele Daten, aber noch kein Plan...................................... 7 3 Wo Mehrwert noch an Grenzen stößt .........................10 6 Management Summary 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 13 Studiendesign Studiensteckbrief...................41 Stichprobenstatistik...............42 Die Studienreihe Unsere Autoren / Sales-Team / Gesamtstudienleitung..................50 41 Vorschau Studienreihe..................51 © shutterstock.com / Sergey Nivens 49
Weitere Studienergebnisse 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 26 Blick in die Zukunft Unsere Gold- und Hohe Erfolgsquote darf nicht blenden Silber-Studienpartner stellen sich vor 38 Lufthansa Industry Solutions......................44 DATAVARD......................................................46 43 Kontakt / Impressum 48
Die Round Tables 7 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. Von Christiane Pütter Data Lakes, in denen Informationen auf Nim- soll. So manch ein Manager ist froh, wenn er merwiedersehen verschwinden, wenn man das Thema mit dem Auftrag – „Hier sind mei- nicht aufpasst, CIOs im Konkurrenzkampf mit ne Daten, machen Sie was damit“ – an einen dem Digitalisierungschef und mittendrin ver- Data Scientisten weiterdelegieren kann. Dass lorene Data Scientists: Predictive Analytics vielfach keine zielgerichtete Strategie dahin- nimmt zwar allmählich Fahrt auf in den tersteckt, zeigt auch die Beobachtung, dass Unternehmen, doch der Weg zu auf Daten- Sachbearbeiter meist weder motiviert noch analysen beruhenden Vorhersagemodellen incentiviert werden, Daten zu pflegen. Einen ist weit und voller Stolpersteine. weiteren Schwachpunkt bildet oft die Tech- nik: In vielen Firmen kaufen die Fachabtei- Wie weit deutsche Unternehmen in Sachen lungen IT-Systeme ein. „Best-of-Breed re- Predictive Analytics heute sind, diskutierten giert“, wie einer der Diskussionsteilnehmer Ende Januar in der Redaktion der COMPU- sagt. Aber 20 bis 30 Systeme zu orchestrieren, TERWOCHE Jan-Henrik Fischer (Seven Prin- das ist „richtig viel Arbeit“. ciples), Arne Kaldhusdal (Alexander Thamm GmbH), Benjamin Krebs (Dell EMC), Hardy 2. Analytics in fünf Schritten Kremer (Deloitte), Vladislav Malicevic (Jedox), Analytics ist eine Reise. Mit den neuen tech- Lars Schwabe (Lufthansa Industry Solutions) nischen Möglichkeiten gibt es auch neue und Gregor Stöckler (Datavard). Die Experten Optionen für das Business. Die Experten spre- kamen dabei zu folgenden Schlüssen: chen von verschiedenen Phasen beziehungs weise Stufen, in denen sich Analytics im Un- 1. Der Wille zur Nutzung von Predictive ternehmen weiterentwickelt. Da war zunächst Analytics ist da, doch die Umsetzung das traditionelle Monitoring and Reporting. scheitert an verschiedensten Faktoren Predictive Analytics stellt erst Schritt zwei dar. Auf einer Skala von eins (für „wenig bereit“) bis Im dritten Schritt geht es um die Frage, was zehn („sehr bereit“) geben die Experten deut- Entscheider mit den Daten anfangen können. schen Unternehmen zwei unterschiedliche In Schritt vier schält sich dann heraus, wie Werte. In Sachen Aufmerksamkeit/Bewusstsein mit den Daten konkret Geld verdient werden für Predictive Analytics erreichen Anwender kann, und mit dem fünften Schritt wird das oft eine Neun oder Zehn – bei der Umsetzung datengetriebene Unternehmen erreicht. liegen die Werte jedoch deutlich niedriger und schwanken zwischen Zwei und Fünf. 3. Data Ownership oft ungeklärt, auch So sammeln zwar viele Entscheider Daten innerhalb der Unternehmen und legen Data Lakes an. Doch dann fehlt oft Analytics ohne Daten funktioniert nicht. ein greifbares Ziel oder ein konkreter Plan da- Doch damit fangen die Fragen erst an. Wem für, wie mit diesen Daten gearbeitet werden gehören eigentlich die Daten, mit denen man
8 Die Round Tables künftig immer ausgefeiltere Predictive-Ana- igitalisierungschef ausbremst, indem er D lytics-Lösungen füttern wird? Um diese Frage zum Beispiel benötige Daten nicht bereitstellt kreist zum Beispiel die Diskussion rund um oder Service Level Agreements (SLAs) vor- Connected Cars. Hier streiten sich nicht nur schiebt. Ein weiterer Hemmschuh aus Sicht die verschiedenen Player des Ecosystems, der Experten: Viele CIOs seien schlicht und sondern auch die Verbraucherschützer reden einfach überfordert, weil ihre Abteilungen mit. Ein anderes Beispiel: Wer auf dem Feld zu mehr als 90 Prozent mit dem Betrieb der regenerativer Energien Maschinen besitzt Legacy-Systeme ausgelastet sind. und diese von Dritten betreiben lässt, wird zur Dabei stellten die Diskussionsteilnehmer Kasse gebeten, wenn er die Daten dieser grundsätzlich auch die Rolle eines CDOs in- seiner eigenen Maschinen nutzen will. frage. „Man hat früher ja auch keinen ‚Chief Innerhalb der Unternehmen stellt sich das Dampfmaschinen Officer‘ eingestellt“ – dieses oft ganz ähnlich dar: Einzelne Abteilungen, Zitat sorgt für zustimmendes Gelächter. Die die auf „ihren“ Daten sitzen und diese nicht Dampfmaschine war Chefsache. Ebenso herausrücken wollen, bremsen den Einsatz muss die Digitalisierung Chefsache sein. von Predictive Analytics. Oder die Tochter firma untersagt dem Mutterkonzern die Nut- 5. Ein externer Data Scientist erreicht zung von Daten. manchmal mehr Der Data Scientist als Mittler zwischen 4. Konflikte zwischen CIO und Chief Fachbereich einerseits und IT andererseits? Digital Officer (CDO) Theoretisch kann das funktionieren. Prak- Idealiter kooperieren Chief Information tisch kann das aber auch daran scheitern, Officer (CIO) und Chief Digital Officer (CDO) dass weder die eine noch die andere Seite den – auch in Sachen Analytics. Doch die Realität Data Scientist akzeptiert und dieser damit sieht häufig anders aus. So mancher in der zwischen den Fronten in der Luft hängt. Das Runde kennt Fälle, in denen der CIO den gestaltet sich anders, wenn das Unternehmen
Die Round Tables 9 die sich aus übertriebener Angst vor mög lichen Abhängigkeiten nicht für eine Platt- form entscheiden können. Stattdessen sollte man sich auf das Ziel konzentrieren, Daten visualisieren und orchestrieren zu können. Genauso wenig gibt es dafür „das eine“ Tool. Faktisch braucht man einen ganzen Werk- zeugkasten. „Die jungen Leute bringen ihren Diskutierten über den Werkzeugkasten schon mit“, beobachtet einer Stellenwert und die Zukunft von Predictive der Experten. Analytics (v.l.n.r.): Lars Schwabe (Lufthansa Was die Cloud angeht, so fahren die Industry Solutions), Jan-Henrik Fischer meisten Unternehmen hybride Ansätze. Das (Seven Principles), Arne Kaldhusdal (Alexander Modell der Multi-Cloud setzt sich im Unter- Thamm), Gregor Stöckler nehmensalltag mehr und mehr durch. Was (Datavard), Benjamin Krebs (Dell EMC), sich außerdem noch zeigt, ist ein Trend zu Hardy Kremer (Deloitte Deutschland), Vladislav Open Source. Seit etwa drei Jahren steige die Malicevic (Jedox) und Martin Bayer Adaption von Open-Source-Anwendungen (COMPUTERWOCHE) rasant, konstatieren die Experten. Foto: © Michaela Handrek-Rehle Fazit Predictive Analytics ist ein Indikator für den Data-Scientist-Know-how für teuer Geld Wandel. Das Ganze gleicht jedoch oft einer extern einkauft – dann ist der Druck da, mit Black Box: Meist weiß nur der, der diese ihm kooperieren zu müssen. Black Box konfiguriert hat, auf welchen Ein weiterer Aspekt, den es zu beachten Annahmen sie basiert und wie ihre Ergebnis- gilt: Ein guter Data Scientist arbeitet daran, se interpretiert werden dürfen. Das schließt sich selbst überflüssig zu machen – weil das den Sachbearbeiter aus der Fachabteilung gesamte Unternehmen lernt, wie es seine ebenso aus wie den Vorstandschef. Einer der Daten gewinnbringend einsetzt. Ein Beispiel Diskussionsteilnehmer formulierte das so: dafür liefert ein bekanntes Karrierenetzwerk. „Traut jemand einem Modell, das er nicht Das Unternehmen hinter dem Netzwerk versteht?“ konnte seine Data-Science-Abteilung nach Ein weiterer Punkt ist die Digital Literacy dem entsprechenden Projekt wieder auflösen. (deutsch etwa „digitale Alphabetisierung“). Sicher ist: Dort, wo der Data Scientist heute Derzeit gilt als alphabetisiert, wer lesen und aufgehängt ist, wird er in drei Jahren schon schreiben kann und die Grundrechenarten nicht mehr sein. Ebenso sicher ist: Die IT beherrscht. Künftig werden digitale Fähig muss sich wandeln, wenn sie der Schlüssel keiten dazugehören. Hier wird deutlich, wie zur digitalen Transformation sein will. sich die Nutzung von Unternehmens- und Alltagstechnologien angenähert haben. 6. E s gibt ebenso wenig „die“ Plattform Das bedeutet aber nicht, dass es im Praxis- wie „das“ Tool alltag nicht noch an der einen oder anderen Was die technische Seite von Predictive Stelle knirschen kann. Ein Diskussions Analytics angeht, zeigt sich die Runde prag- teilnehmer bringt das so auf den Punkt: matisch. Plattformen sind Hilfsmittel und „Wenn das Navi sagt, ich soll auf die A8 fah- haben keinen Selbstzweck. Man würde kei- ren, aber mein Bauchgefühl spricht dage- nem Kunden raten, „die eine“ Plattform fin- gen – wie entscheide ich? Regt sich nicht den zu wollen. Ebenso gibt es Unternehmen, Widerstand gegen die digitale Versklavung?“
10 Die Round Tables Wo Mehrwert noch an Grenzen stößt Heute schon wissen, was in Zukunft passiert – mit Predictive Analytics lassen sich Verkaufsstrategien oder Geschäftsmodelle erfolgreicher gestalten. Inwieweit das Konzept bereits zum Unternehmensalltag gehört und welche Hürden es noch zu meistern gilt, diskutierten sieben Experten am Round Table der COMPUTERWOCHE. Von Iris Lindner Daten sind das neue Gold. Doch im Gegen- zuspielen ist deshalb wenig zielführend. Was satz zu dem Edelmetall sind sie wertlos, wenn es braucht, ist die Erkenntnis, dass Data man sie einfach nur in einen Schrank sperrt Science ein Teamsport ist, der andere Skills und liegen lässt. Eine Wertsteigerung des voraussetzt. Es braucht Leute, die sich sowohl rasend schnell nachwachsenden Rohstoffs mit der Datenaufbereitung auskennen als tritt erst durch Aufbereitung, Analyse und auch den fachlichen Background von Daten Nutzung ein. Wer es versteht, aus den Er verstehen. Das sind die Voraussetzungen, um gebnissen die richtigen Schlüsse zu ziehen, aus den Analyseergebnissen einen Mehrwert dem fällt es leicht, Entscheidungen zu treffen, erhalten zu können. die das Unternehmen nach vorne bringen. Die IT als Enabler für den Data Scientist im Doch sind die Daten in den Unternehmen Fachbereich – im Vergleich zum technischen auch schon so vorhanden, dass sie sich für Reifegrad wird diese Kruste eher langsam auf- Predictive Analytics eignen? Die Methode gebrochen. Und auch die Voraussetzungen dahinter ist ja schließlich nicht neu. Zu den Experten, die das Thema diskutierten, gehö- ren Tom Becker (Alteryx), Michael Zielinski (Sycor), Daniel Eiduzzis (Datavard), Stefan Herbert (IBM), Christoph Elsas (Adastra), Otto Neuer (Talend) und Thomas Ulrich (DextraData). Data Science ist ein Teamsport Beobachtungen der Round-Table-Teilnehmer zeigen, dass es gerade in großen Unterneh- men durchaus noch Datenqualitätsprobleme gibt. Zum einen, weil sie zu viele Systeme im Einsatz haben, die eine Harmonisierung der Daten erschweren. Zum anderen ist Data Quality im Fachbereich noch nicht verankert. Vielen ist nicht klar, warum manche Felder in den Systemen ausgefüllt werden müssen, weil sie nicht wissen, was man hinterher daraus machen kann. Dabei ist es gerade der Fachbe- reich, der sowohl über die Daten als auch über die Fragestellungen verfügt, die eine Analyse erlauben. Den Daten-Ball der IT zu-
Die Round Tables 11 auf Skill-Ebene zu schaffen braucht etwas eine entsprechende Datenanalyse schnell mehr Zeit, was aber kein Hindernis sein sollte, erkennen können, wo es sich lohnt, den Fall jetzt schon mit Data Science und Data Ana- zu bearbeiten. Gleiches gilt auch für Banken, lytics loszulegen. Und das ist laut der Exper- die durch Realtime Analytics Kreditkarten- tenrunde ein Muss, denn wer heute nicht mit transaktionen überwachen und schnell Daten arbeitet, verschläft den Markt und wird reagieren können. ziemlich schnell abgehängt. Doch wie fängt man an? Nur die Werkzeuge zu ändern bringt Use Cases entstehen nicht nichts. Alter Wein in neuen Schläuchen sieht an der Spitze zwar besser aus, das Ergebnis ist aber das glei- Natürlich ist der Nutzen von Data Analytics che. Der Rat der Runde: erste Gehversuche nicht in jedem Unternehmen gleich. Die über ein Projekt initialisieren und Use Cases jenigen, die daraus aber einen echten Mehr- finden, anhand derer sich relativ schnell ein wert generieren können, müssen auch den Mehrwert ergibt, um der Geschäftsführung zweiten Schritt gehen: ein organisatorischer gegenüber einen ROI nachweisen zu können. Umbruch mit geänderten Unternehmens Beispiele hierfür wären unter anderem höhere prozessen. Dazu muss, und darüber waren Gewinne durch Kunden- oder Marketingkam- sich alle einig, der Ansatz bottom-up in pagnen-Analyse oder eine Qualitätssteigerung den Unternehmen verbreitet werden. Gleich- durch Predictive Maintenance. Zudem brau- zeitig braucht es die Unterstützung der chen Unternehmen Impulse von außen, die Geschäftsführung. Die Grundlage für die ihnen aufzeigen, was mit Datenanalyse alles Generierung neuer Use Cases auf den unte- möglich ist, wie etwa das Erkennen von Be- ren Ebenen besteht oftmals schon darin, dem trug. Versicherungsunternehmen sollen durch Mitarbeiter aus dem Fachbereich Werkzeuge Die Teilnehmer des zweiten Round Tables zu Predictive Analytics, zu dem COMPUTERWOCHE ins IDG Conference Center eingeladen hatte (v.l.n.r.): Otto Neuer (Talend), Thomas Ulrich (DextraData), Tom Becker (Alteryx), Wolfgang Herrmann (COMPUTER- WOCHE), Christoph Elsas (Adastra), Daniel Eiduzzis (Datavard), Michael Zielinski (Sycor) und Stefan Herbert (IBM) Foto: © Michaela Handrek-Rehle
12 Die Round Tables zur Verfügung zu stellen, mit denen er die Lakes entstehen, auf die niemand zugreifen Daten so aufbereiten kann, dass er sie auch kann. Eine Cloud-basierte Plattform mit versteht. Open-Source-Schnittstellen, die auch einer Obwohl dies einfach klingt, wird oft fest- Data Governance unterliegt, kann dabei hel- gestellt, dass die Quellen zwar vorliegen, die fen, die einzelnen Silos wieder zusammenzu- Daten aber nicht abgerufen werden, weil die führen. Wie auch immer die Lösung am Ende Werkzeuge dazu entweder nicht eingeführt aussehen mag, entscheidend ist, dass jeder, oder schlichtweg nicht genutzt werden. Dies vom Fachbereich bis zur IT, mit dieser neuen ist nicht immer einer mangelnden Usability Technologie arbeiten kann. Auch der Um- geschuldet, sondern auch den unterschied gang mit den Daten muss von der Erfassung lichen Anforderungen an die Werkzeuge. über den Zugriff bis hin zur Archivierung ge- So steht die IT nun vor der Herausforderung, regelt sein. sich zu öffnen und nach passenden Lösungen zu suchen, die am Markt On-Premises, Technisch ist alles möglich, Cloud-basiert oder On-Demand verfügbar gesellschaftlich nicht sind. Dass sich der Aufwand für Data Science lohnt, zeigen einige Beispiele aus der Praxis. Künst- Passende Tools müssen liche Intelligenz (KI) analysiert für Steuer bedienbar sein berater oder Rechtsanwälte Dokumente, fasst Fakt ist, dass es mittlerweile für keinen diese zusammen und übernimmt bei Bedarf Anwendungsfall das richtige Tool gibt. Die die Compliance-Prüfung. Der Mehrwert IT-Abteilung „von gestern" muss nur heute daraus, die Zeitersparnis, liegt auf der Hand. dazu bereit sein, statt einer allumfassenden Auch im Servicebereich spart KI in Form von Standardrezeptur die beste Lösung für die Chatbots Zeit und Geld: Dank dieser muss ein jeweilige Aufgabenstellung zu finden. Der Mitarbeiter eines Callcenters ein und dieselbe Anspruch an das Werkzeug ist immer un Frage am Tag nicht zig Mal beantworten. terschiedlich: Für das Management soll Auch auf Online-Anfragen zu Produkten es einfach zu nutzen sein, um sich die können Chatbots rund um die Uhr Auskunft benötigten Informationen möglichst auf geben. Allerdings auch nur, weil ein Mensch einen Blick holen zu können. Für eine dahintersteht, der dieses System trainiert. Analyse hingegen müssen die Daten sicht- Künstliche Intelligenz wird immer eine Er- bar sein. Der Detailgrad und die Art der gänzung zu menschlichen Tätigkeiten sein, Visualisierung sind hier völlig anders. denn eine KI kann die Ergebnisse noch nicht Dennoch sollen die Tools intuitiv und ohne interpretieren. Schulungen nutzbar sein. Was sie ebenfalls nicht kann: ethische Gespalten waren die Meinungen am run- Entscheidungen treffen. In der Medizin zum den Tisch hinsichtlich des Ansatzes, der hin- Beispiel ist Predictive Analytics eine große ter den Tools steckt. Proprietäre Lösungen in Chance, um Krankheiten vorauszusehen. den Fachbereichen können zur Silo-Proble- Doch will das unsere Gesellschaft und darf matik führen. Best-of-Breed wäre ein Ansatz, man in diesen Bereich überhaupt so weit einzelne Nischen besonders gut abzudecken. vordringen? Beratungsunternehmen und Allerdings muss hier der Use Case des Kun- Softwarehersteller können dies nur bedingt den genau betrachtet werden, um eine ange- beantworten. Deshalb verlangen einige der messene Kosten-Nutzen-Situation zu schaf- Experten am Tisch selbst nach unabhängigen fen. Soll Predictive Analytics in Unternehmen Instanzen, die helfen, die Nutzung von Ana- eingepflanzt werden, dann muss der Gedanke lytics transparenter und die Daten für den zu Ende gedacht werden, damit keine Data Kunden sicherer zu machen.
Die Key Findings im Einzelnen Predictive Analytics
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. Management Summary 47 % 66 % Die Key Findings im Überblick 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 Der Aufwand lohnt sich Das Gros der Firmen ist mit den bisherigen 94 % Predictive-Analytics- Maßnahmen und dem Kosten-Nutzen- Verhältnis sehr zufrieden oder Vielfältige zufrieden. Einsatzszenarien 59 % Überwältigende 94 Prozent der Firmen nutzen Predictive Analytics für bessere Geschäftsentscheidungen, insbesondere im IT-Bereich, im Management und in der Produktion. 11 % „Sehr zufrieden“ „Eher unzufrieden“ oder bis „Zufrieden“ „Sehr unzufrieden“
Mehr Geld Die Mehrheit der Firmen wird in den nächsten zwölf Monaten verstärkt in Predictive Analytics investieren. Der Fokus liegt dabei auf der IT-Infrastruktur und dem Aufbau interner Skills. 47 % 40 % Hürden Fehlende Ressourcen im Fachbereich oder in der IT sowie die Komplexität der Analytics-Lösungen sind die größten Herausforderungen … investieren sicher … investieren wahrscheinlich bei Predictive Analytics. Breite Palette an Zielen 24 % 26 % Primäre Antreiber für Analytics-Aktivitäten sind Komplexität Fehlende die Optimierung betrieb- der Analytics- Ressourcen licher Prozesse und eine Lösungen im Fach- bereich / in bessere Datenbasis für der IT strategische Entschei- dungen. 32 % 29 % 76 % Bessere Optimierung Datenbasis betrieblicher Prozesse Vertrauen in Partner 17 % Die große Mehrheit der Unternehmen holt sich für Analytics-Projekte externe Servicepartner ins © shutterstock.com / Sergey Nivens Boot, insbesondere für strategische und tech- nische Beratung. Kein Partner Ein oder mehrere für Analytics (strategische) Partner
16 Management Summary 1. P redictive 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 33,4 32,6 Gesamtergebnis 29,0 19,8 19,7 17,8 16,0 10,3 Derzeit 7,5 7,3 4,1 Künftig 2,6 Sehr große Große Eher größere Eher geringere Geringe Sehr geringe Bedeutung Bedeutung Bedeutung Bedeutung Bedeutung Bedeutung
Management Summary 17 Jahren. Bei den kleinen Unternehmen mit bis zu 99 Mitarbeitern sind es nur 27 Prozent (derzeit) beziehungsweise 54 Prozent (in den nächsten drei Jahren). Das bestätigt sich auch beim Blick auf den IT-Etat: 22 Prozent der Firmen mit einem IT-Etat von bis zu einer Million Euro sehen die Relevanz von Predictive Analytics aktuell als sehr hoch bis hoch, bei den Firmen mit einem IT-Etat von mehr als zehn Millionen Euro sind es 71 Prozent. Auffällig sind zudem die hohen Werte bei den Managern im C-Level (CEO, CIO): Sie messen Predictive Analytics schon heute große bis sehr große Be- deutung bei (54 Prozent). Was die künftige Geschäftsentwicklung angeht, sind es sogar satte 75 Prozent. Ergebnis-Split nach Unternehmensgröße (Anzahl Beschäftigte) < 100 100 – 999 1.000 + 5,0 11,9 8,9 7,1 18,9 7,6 19,3 23,9 14,9 12,6 13,0 Derzeit 9,0 14,9 32,5 21,8 33,6 25,4 19,5 3,1 0,9 11,8 6,2 6,9 25,0 0,6 3,4 4,4 36,6 34,5 10,3 18,6 20,7 Künftig 19,1 29,4 34,8 33,6 Sehr große Bedeutung Große Bedeutung Eher größere Bedeutung Eher geringere Bedeutung Geringe Bedeutung Sehr geringe Bedeutung
18 Management Summary 2. G roße Unternehmen gehen bei Analytics-Projekten voran Über ein Drittel der Unternehmen hat bereits Analytics-Projekte umgesetzt, mehr als die Hälfte davon im Bereich Predictive Analytics. Besonders aktiv sind hier die großen Firmen. Fünf Prozent der Unternehmen verfügen über ein umfangreiches Ana- lytics-System, zwölf Prozent betreiben Analytics regelmäßig, und 20 Prozent haben zumindest erste Analytics-Projekte abgeschlossen oder gestartet. Vorreiter sind, wie so häufig, die großen Unternehmen. Der Anteil der Unternehmen, die hier über umfangreiche Analytics-Systeme verfügen, ist doppelt so hoch wie in kleinen und mittelständischen Firmen. 17 Prozent der Firmen (19 Prozent der großen Unternehmen) planen in den nächsten zwölf Monaten konkrete Analytics-Aktivitäten, 30 Prozent der Unternehmen haben Analytics-Aktivitäten allgemein angedacht. Immerhin 15 Prozent der Firmen planen weder Analytics-Projekte noch haben sie bereits welche umgesetzt. Bei den kleinen Firmen ist es knapp ein Drittel (31 Prozent). Wichtigste Analytics-Verfahren in den Firmen sind Descriptive Analytics (Was ist passiert?) mit 66 Prozent und Diagnostische Analytics (Warum ist es passiert?) mit 61 Prozent. Wie lässt sich der aktuelle Analytics- Welche der folgenden Analytics- Status in Ihrem Unternehmen am besten Verfahren finden in Ihrem Unternehmen beschreiben? bereits regelmäßige Anwendung? Angaben in Prozent. Basis: n = 453 Angaben in Prozent. Mehrfachantworten möglich. Basis: n = 169 Unternehmen verfügt Noch keinerlei über umfangreiches Analytics-Aktivitäten Analytics-System durchgeführt und geplant 66,3 Descriptive Unternehmen Analytics betreibt Analytics 5,3 (Was ist 11,9 15,2 passiert?) 60,9 Erste Analytics- Diagnostische Aktivitäten / erste Gesamt- Analytics Pilotprojekte be- (Warum ist es 20,3 ergebnis passiert?) reits durchgeführt 30,0 Analytics- Aktivitäten 17,2 allgemein 56,2 angedacht Analytics-Aktivitäten Predictive konkret in den nächsten Analytics zwölf Monaten geplant (Was wird passieren?) 27,2 Prescriptive Analytics (Was müssen wir tun, dass es passiert?)
Management Summary 19 3. V ielfältige Einsatzszenarien: Firmen nutzen Ergebnisse aus Predictive Analytics für Geschäftsentscheidungen Überwältigende 94 Prozent der Firmen nutzen Predictive Analytics für bessere Geschäfts entscheidungen. Davon profitieren vor allem die IT-Abteilung und das Management. Nur sechs Prozent der Firmen nutzen die Ergebnisse aus Predictive Analytics nicht für Geschäftsentscheidungen. 28 Prozent der Firmen setzen Predictive Analytics grundsätzlich ein, um ihr Business voranzubringen, jeweils ein Fünftel der Unternehmen sehr häufig, häufig oder immerhin vereinzelt. Die Mehrheit der kleinen Firmen ist in den beiden letzteren Kategorien zu finden. Die mittleren und großen Unternehmen befinden sich mehrheitlich in den ersten beiden Kategorien (grundsätzlich, sehr häufig). Die drei wichtigsten Einsatzgebiete für Predictive Analytics in Unter nehmen sind der IT-Bereich (63 Prozent; Anwendung geplant 31 Prozent), Geschäftsführung / Management (57 Prozent; geplant 25 Prozent) und Produktion / Fertigung (54 Prozent; geplant 30 Prozent). Rund die Hälfte der Firmen nutzt Predictive Analytics in den Bereichen Finanzen / Steuer / Controlling, Forschung und Entwicklung sowie Einkauf / Beschaffung. Auch Fachbereiche wie Service, Marketing, Vertrieb, Logistik und HR ver- suchen mithilfe von Datenmodellen, Vorhersagen über mögliche Ereignisse in der Zukunft zu treffen. Nutzt Ihr Unternehmen Ergeb- In welchen der folgenden Bereiche Ihres Unternehmens nisse aus Predictive Analytics, (bzw. für welche dieser Bereiche) findet Predictive Analytics um darauf basierend Geschäfts- bereits Anwendung? entscheidungen zu treffen? Angaben in Prozent. Basis: n = 104 (Filter: Nur Unternehmen, die angegeben h aben, dass Angaben in Prozent. Basis: n = 95 Predictive-Analytics-Verfahren regelmäßig Anwendung finden) (Filter: Nur Unternehmen, die angegeben haben, dass Predictive-Analytics-Verfahren regelmäßig Anwendung finden) 16,3 18,0 57,3 19,3 23,0 36,4 52,3 47,1 Geschäfts- HR / Finanz / Einkauf / führung / Personal- Steuer / Ja, grundsätzlich 28,4 Beschaffung Management abteilung Controlling Ja, sehr häufig 22,1 24,7 44,3 31,4 29,9 Ja, häufig 21,1 Ja, vereinzelt 22,1 19,6 18,0 18,5 16,5 41,3 44,9 44,6 53,8 Nein, eher nicht 5,3 Service- Produktion / Vertrieb Marketing bereich Fertigung Nein 1,1 39,1 37,0 29,7 37,1 6,8 13,8 25,3 37,9 Anwendung Forschung / Anwendung Logistik IT-Bereich Entwicklung geplant 30,7 62,5 36,8 35,6 50,6 Keine Anwendung geplant
20 Management Summary 4. H ohe Erfolgsquote: Der Aufwand lohnt sich Das Gros der Firmen ist mit den bisherigen Predictive Analytics-Maßnahmen und dem Kosten-Nutzen-Verhältnis sehr zufrieden oder zufrieden. Voraussetzung für den Erfolg ist ein klarer Business Case. Sechs von zehn Unternehmen sind mit ihren bisherigen Maßnahmen rund um Predictive Analytics sehr zufrieden (23 Prozent) oder zufrieden (37 Pro- zent). Auffällig ist der hohe Wert von 90 Prozent bei den kleinen Unternehmen. Eine mögliche Erklärung: Die Analytics-Projekte sind in kleinen Firmen bis- lang überschaubar und von schnellem Erfolg gekrönt. Eher zufrieden sind 27 Prozent der Befragten, unzufrieden zeigen sich nur elf Prozent. Genau diese elf Prozent der Firmen antworteten auch bei der Frage nach der Aufwand / Kosten-Nutzen-Relation, dass ihre bisherigen Predictive- Analytics-Projekte keine Erfolge zeigten beziehungsweise sich nicht gelohnt hätten. In 58 Prozent der Firmen hat sich der Aufwand gelohnt, in 26 Prozent halten sich Aufwand und Nutzen die Waage. Das positive Ergebnis ist damit zu erklären, dass die Firmen einen klaren Business Case für ihre entsprechen- den Projekte definieren. Denn 84 Prozent der Befragten stimmten folgender Aussage zu: „Bevor wir ein Predictive-Analytics-Projekt starten, machen wir daraus eine Business-Initiative und definieren genau, was das Ziel des Projek- tes ist und welchen Effekt es erzielen soll.“ Wie zufrieden sind Sie mit den bisherigen Wie beurteilen Sie die Aufwand / Kosten- Predictive-Analytics-Maßnahmen Ihres Nutzen-Relation Ihrer Predictive-Analytics- Unternehmens? Anstrengungen? Angaben in Prozent. Abfrage auf einer Skala von 1 („Sehr zufrieden“) Angaben in Prozent. Abfrage auf einer Skala von 1 („Haben sich bis 6 („Sehr unzufrieden“). Basis: n = 101 sehr gelohnt“) bis 5 („Haben sich bisher definitiv nicht gelohnt“). (Filter: Nur Unternehmen, die angegeben haben, dass Predictive- Basis: n = 93 Analytics-Verfahren regelmäßig Anwendung finden) (Filter: Nur Unternehmen, die angegeben haben, dass Predictive- Analytics-Verfahren regelmäßig Anwendung finden) Sehr Weiß nicht Haben sich bisher Weiß nicht Haben sich sehr unzufrieden definitiv nicht gelohnt gelohnt Unzufrieden 3,0 5,4 Sehr zufrieden Haben sich 8,9 bisher (eher) 3,2 Eher 1,0 22,8 nicht gelohnt 7,5 unzufrieden 1,0 26,9 Gesamt- Gesamt- 26,7 ergebnis ergebnis Eher 25,8 Kosten und zufrieden Nutzen halten 36,6 sich die Waage 31,2 Zufrieden Haben sich (eher) gelohnt
Management Summary 21 5. P redictive Analytics: Firmen investieren vor allem in die IT-Infrastruktur Die Mehrheit der Firmen wird in den nächsten zwölf Monaten verstärkt in Predictive Analytics investieren. Der Fokus liegt dabei auf der IT-Infrastruktur und dem Aufbau interner Skills. In 87 Prozent der Unternehmen kommt es in den nächsten zwölf Monaten sicher (40 Prozent) oder wahrscheinlich (47 Prozent) zu Investitionen in Predictive Analytics. Insbesondere die großen Firmen mit einem hohen IT-Etat von mehr als zehn Millionen Euro (59 Prozent) schaufeln sicher zusätzliches Budget für entsprechende Projekte frei. Überdurchschnittlich hoch ist hier auch der Wert beim C-Level-Management (53 Prozent). 13 Prozent der Unternehmen werden im kommenden Jahr nicht in Predictive Analytics investieren. Bei den kleinen Firmen sind es 18 Prozent. Das Geld wandert vor allem in die IT-Infrastruktur (46 Prozent) für den Kauf von Hardware und Software, die Implementierung der Analytics-Services oder die Vorbereitung und Migration von Daten. 40 Prozent der Firmen setzen den Schwerpunkt auf die Förderung interner Skills. Dazu gehören Investitionen in den Aufbau einer eigenen Organisa tionseinheit mit eigenem Budget, die Schaffung neuer Stellen oder die Wei terbildung des bestehenden Personals. Nur rund jedes zehnte Unternehmen investiert in die Zusammenarbeit mit externen Dienstleistern, etwa für technische und fachliche Beratung oder die Auslagerung von Analytics.. Sind seitens Ihres Unternehmens in den Welche Strategie verfolgt Ihr Unternehmen nächsten zwölf Monaten Investitionen in bei den weiteren Investitionen in Predictive Predictive Analytics geplant? Analytics? Wird vor allem in IT investiert, in Skills Angaben in Prozent. Basis: n = 244 oder eher in externe Dienstleister? (Filter: Nur Unternehmen, die Predictive-Analytics-Aktivitäten Angaben in Prozent. Basis: n = 207 bereits durchführen oder in den nächsten zwölf Monaten (Filter: Nur Unternehmen, die in den nächsten zwölf Monaten wahr- planen) scheinlich oder sicher in Predictive Analytics investieren werden) Nein, es wird definitiv Ja, es wird sicher Fokus auf Weiß Fokus auf IT keine Investitionen geben. Investitionen etwas anderem nicht (Anschaffung geben. von Software / Hardware, Nein, es wird eher 1,6 2,4 11,5 Fokus auf exter- 11,1 Implementierung, keine Investitionen ne Dienstleister 1,0 Migration etc.) geben. 40,2 (Auslagerung 45,9 von Analytics, Gesamt- externe techni- Gesamt- ergebnis sche Beratung, ergebnis externe fach- liche Beratung 46,7 etc.) 39,6 Ja, wahrschein- lich wird es Investitionen geben. Fokus auf (interne) Skills (Aufbau einer eigenen Organisationseinheit mit eigenem Budget, Schaffung neuer Stellen, Weiter bildung des bestehenden Personals etc.)
22 Management Summary 6. T op-3-Herausforderungen: Komplexität, mangelnde Ressourcen und Skills Fehlende Ressourcen im Fachbereich oder in der IT, die Komplexität der Analytics- Lösungen und mangelnde analytische Skills sind die größten Herausforderungen bei Predictive Analytics. Damit Predictive-Analytics-Projekte erfolgreich verlaufen und entsprechen- den Nutzen bringen, müssen Firmen eine Reihe von Hürden überwinden. Als größte Herausforderung nannten 26 Prozent fehlende Ressourcen im Fachbereich oder in der IT-Abteilung Jeweils knapp ein Viertel der Firmen sieht Hemmnisse durch die Kom plexität der Analytics-Lösungen, fehlende analytische Skills im Unternehmen oder die mangelnde Datenqualität. Mit dem hohen Aufwand für die Implementierung von Analytics-Lösungen und für die Schulung und Weiterbildung der Mitarbeiter (jeweils 19 Prozent) folgen zwei weitere Hindernisse, die im Kontext der Komplexität der Projekte zu sehen sind. Was sind aus Ihrer Sicht die größten Herausforderungen für erfolgreiche und nutzbringende (Predictive-)Analytics-Projekte? Angaben in Prozent. Mehrfachantworten möglich. Basis: n = 431 Gesamtergebnis Fehlende Ressourcen im Fachbereich oder in der IT 25,8 Komplexität der Analytics-Lösungen 24,1 Mangelnde Datenqualität 23,0 Fehlende analytische Skills im Unternehmen 22,7 Hoher Implementierungsaufwand bei Analytics-Lösungen 19,3 Hoher Schulungs- und Weiterbildungsaufwand 18,6 Probleme beim Sicherstellen von Datenschutz und Datensicherheit 18,1 Fehlende technische Skills im Unternehmen 16,0 Unzureichende Verfügbarkeit von historischen / externen Daten 15,5 Nicht funktionierende Datenintegration 15,5 Mangelndes Verständnis für Datennutzung 15,3 Mangelnde Unterstützung durch das Management 14,8 Fehlender Beweis für die Wirtschaftlichkeit (RoI) 14,8 Das Fehlen einer geeigneten IT-Infrastruktur 14,4 Wissen im Markt nicht verfügbar / zu teuer 13,7 Governance-Probleme / fehlende organisatorische Verankerung 11,1 Weiß nicht 5,1
Management Summary 23 Weitere wichtige Hemmnisse betreffen Datenschutz und Datensicherheit (18 Prozent), die unzureichende Verfügbarkeit von historischen oder externen Daten sowie eine nicht funktionierende Datenintegration (jeweils 16 Prozent). Knapp dahinter folgen Herausforderungen wie mangelndes Verständ- nis für Datennutzung, mangelnde Unterstützung durch das Management oder der fehlende Beweis für die Wirtschaftlichkeit (RoI) mit jeweils 15 Pro- zent. Das Fehlen einer geeigneten IT-Infrastruktur und nicht auf dem Markt verfügbares oder zu teures Wissen stufen 14 Prozent als Hemmschuh für Predictive-Analytics-Projekte ein. Ergebnis-Split nach Unternehmensgröße (Anzahl Beschäftigte) < 100 100 – 999 1.000 + 19,0 28,4 28,0 28,6 19,7 31,1 25,0 24,0 20,5 23,8 23,0 23,5 11,9 22,4 21,2 13,1 18,0 24,2 13,1 16,9 25,0 15,5 14,2 19,7 25,0 10,9 15,2 23,8 14,2 13,6 8,3 18,6 16,7 11,9 15,3 18,9 13,1 15,8 16,7 13,1 14,2 15,9 11,9 14,8 13,6 6,0 12,6 14,4 10,7 3,8 3,0
24 Management Summary 7. A nalytics soll die betrieblichen Prozesse und Entscheidungen optimieren Welche Ziele verfolgen die Firmen mit ihren Analytics-Aktivitäten? Die Antworten sind relativ gleichmäßig verteilt. Primäre Antreiber sind die Optimierung betrieblicher Prozesse und eine bessere Datenbasis für strategische Entscheidungen. Die befragten Firmen verfolgen mit (Predictive) Analytics eine breite Palette an Zielen. Daher sind die Antworten breit gestreut, und es gibt kein absolutes „Killer-Ziel“. Knapp ein Drittel der Firmen (32 Prozent) will mithilfe von Analytics seine betrieblichen Prozesse optimieren. Bei den großen Unternehmen sind es 40 Prozent. Zum Stichwort „Effizienz“ gehören ferner Punkte wie Verbesserung der Qualität bestehender Produkte und Dienstleistungen (27 Prozent), höherer Umsatz (26 Prozent), höhere Kosteneffizienz (23 Prozent) und die Optimierung der Lieferkette (15 Prozent). 29 Prozent der Firmen erhoffen sich durch Analytics eine bessere Daten basis für strategische Entscheidungen. Der Kunde steht im Mittelpunkt bei Zielen wie höhere Kundenzufrieden- heit / besseres Kundenverständnis (27 Prozent) oder der Digitalisierung der gesamten Kundenbeziehung (DCX) mit 20 Prozent. In die Zukunft gerichtet sind Punkte wie die Entwicklung neuer Produkte, Geschäftsmodelle, Geschäftsfelder oder Zielgruppen (22 Prozent), die Entwick- lung datengetriebener Geschäftsmodelle („Data as a Product“, 18 Prozent) oder die Aufwertung bestehender Produkte durch digitale Services (13 Prozent). Was sind die konkreten Zielsetzungen Ihres Unternehmens, die den Analytics- Aktivitäten zugrunde liegen? Angaben in Prozent. Maximal fünf Nennungen möglich. Basis: n = 363 Optimierung betrieblicher Prozesse 32,0 Bessere Datenbasis für strategische Entscheidungen 28,9 Verbesserung der Qualität bestehender Produkte und Dienstleistungen 27,0 Höhere Kundenzufriedenheit / besseres Kundenverständnis 26,7 Höherer Umsatz 26,4 Höhere Kosteneffizienz 22,9 Entwicklung neuer Produkte / Geschäftsmodelle / Geschäftsfelder / Zielgruppen 21,5 Erkenntnisse zu Markt und Wettbewerb 20,4 Digitalisierung der gesamten Kundenbeziehung (DCX) 19,8 Optimierung beim Risk-Management 17,9 Entwicklung datengetriebener Geschäftsmodelle („Data as a Product“) 17,6 Erkenntnisse zu Produkten und Dienstleistungen 17,6 Dynamisierung / Flexibilisierung der IT 17,1 Höhere Mitarbeiterzufriedenheit 16,0 Lieferkettenoptimierung / Bessere Einbindung von Geschäftspartnern 15,4 Aufwertung bestehender Produkte durch digitale Services 12,7 (Weiterer) Schritt auf dem Weg zur Einführung von IoT-Lösungen 11,6
Management Summary 25 8. F irmen vertrauen bei Predictive Analytics auf externe Servicepartner Die große Mehrheit der Unternehmen holt sich für Analytics-Projekte die Kompetenz von externen Dienstleistungspartnern an Bord, insbesondere für die strategische und technische Beratung. Vier von zehn Unternehmen suchen bei fortgeschrittenen Analysen wie Predictive Analytics sogar Hilfe von mehreren Partnern. Dies gilt vor allem für die großen Firmen (58 Prozent). Bei den kleinen und mittleren Firmen sind es ein Viertel beziehungsweise knapp ein Drittel. Auf einen (strategischen) Partner setzen 35 Prozent der Befragten. Über- durchschnittlich hoch ist hier der Wert für mittlere Unternehmen mit 43 Pro- zent und beim Management auf Vorstandsebene (44 Prozent). 17 Prozent der Unternehmen haben keinen Analytics-Partner, bei den kleinen Firmen mit bis zu 99 Mitarbeitern ist es fast die Hälfte (47 Prozent). Firmen, die mit einem oder mehreren Partnern zusammenarbeiten, benö- tigen vor allem strategische Beratung (40 Prozent; große Firmen 54 Prozent), allgemeine technische Beratung (33 Prozent; IT-Abteilung 44 Prozent) und allgemeine fachliche Beratung (22 Prozent). Immerhin 12 Prozent der befragten Unternehmen haben das Thema Analytics komplett ausgelagert. Wie viele externe Dienstleistungspartner In welchen Analytics-Bereichen werden Sie durch unterstützen Ihr Unternehmen bei Analytics? externe Dienstleistungspartner unterstützt? Angaben in Prozent. Basis: n = 146 Angaben in Prozent. Mehrfachantworten möglich. Basis: n = 154 (Filter: Nur Unternehmen, die bereits (erste) Predictive-Analytics- (Filter: Nur Unternehmen, die bereits (erste) Predictive-Analytics- Aktivitäten durchführen) Aktivitäten durchführen) Weiß Ein (strategischer) 39,6 nicht Partner 6,8 32,5 34,9 Kein 17,1 Analytics- Partner Gesamt- 22,1 ergebnis 41,1 11,7 Mehrere Partner 6,5 3,9 Das Thema Strate- Allge- Allgemeine In Weiß Analytics gische meine fachliche a nderem nicht wurde Beratung tech- Beratung Bereich komplett nische ausge Beratung lagert.
Weitere Studienergebnisse Predictive Analytics
Weitere Studienergebnisse 27 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) 12,3 8,0 10,5 13,8 13,2 20,7 49,2 45,8 Abfragen Microsoft 27,3 Daten- 52,6 Data Mining / Data 46,3 Planungs- und 19,0 Excel 64,7 visualisierung Data Science Warehouse tools Reporting 68,7 36,8 37,0 33,0 41,1 16,4 16,3 12,2 16,3 43,9 22,6 23,9 Business- 42,6 42,5 41,8 42,5 Data 39,7 Intelligence- Vorhersage- Process Optimierung Simulation Discovery / Suite / Tools modelle Mining Dashboards (BI) 39,7 41,1 45,3 34,9 41,8 36,4 16,9 36,6 27,3 35,3 26,5 35,8 Analyse von 36,6 35,5 Künstliche 31,6 36,6 29,5 38,4 Datenströmen / Geodaten- Intelligenz (KI) / Sprach- Video- Data Lake Streaming analyse Machine analyse analyse Analytics Learning 35,1 46,4 28,0 37,4 32,6 33,9 Steht zur Verfügung Investition geplant Keine Investition geplant
28 Weitere Studienergebnisse 2. L ösungen für Predictive Analytics: Do it yourself vor Cloud Bei den Lösungen für fortgeschrittene Analysen hat sich noch kein Königsweg herauskristallisiert. Die Bandbreite reicht von der Eigenentwicklung über einen Cloud-Service bis hin zur Partnerlösung. 43 Prozent der befragten Firmen setzen bei Predictive Analytics auf eine selbst entwickelte Lösung. Das gilt vor allem für die kleinen und großen Unterneh- men, bei denen jeweils rund die Hälfte auf internes Know-how baut. Auch die C-Level-Manager und die IT-Leiter präferieren eine Eigenentwicklung (51 und 52 Prozent). Knapp dahinter und nahezu gleichauf folgen Cloud-Service (39 Prozent), Speziallösung/Best of Breed (38 Prozent) und eine Partnerlösung (37 Prozent). Die Cloud-Lösung bevorzugen vor allem die mittleren Unternehmen zwischen 100 und 999 Mitarbeitern (44 Prozent) und die Firmen mit einem hohen IT-Etat von mehr als zehn Millionen Euro (54 Prozent). Die großen Unternehmen setzen bei Predictive Analytics sowohl auf Speziallösungen / Best of Breed (51 Prozent) als auch auf Software von Part- nern (54 Prozent). 27 Prozent der Firmen nutzen die fortgeschrittenen Analysen als Teil funktionalität einer größeren BI-Suite. Auffällig hoch mit 42 Prozent ist hier der Wert bei den großen Unternehmen mit einem IT-Etat von mehr als zehn Millionen Euro. Welche Art Lösung setzen Sie für fortgeschrittene Analysen wie Predictive Analytics ein? Mehrfachantworten möglich. Angaben in Prozent. Basis: n = 100 (Filter: Nur Unternehmen, die angegeben haben, dass Predictive-Analytics- und Prescriptive-Analytics-Verfahren regelmäßig A nwendung finden) 43,0 39,0 38,0 37,0 27,0 6,0 Selbst entwickelt Cloud-Service Speziallösung / Partnerlösung Teilfunktionalität einer Weiß nicht Best of Breed größeren BI-Suite
Weitere Studienergebnisse 29 3. F irmen realisieren Umsätze mit Predictive- Analytics-Services Knapp ein Viertel der Unternehmen erzielt signifikante Umsätze mit datengetriebenen Produkten und / oder Services, die letztendlich auf Predictive Analytics basieren. 72 Prozent der Firmen haben datengetriebene Produkte und / oder Services im Angebot, die auf Predictive Analytics basieren. Diese verteilen sich relativ gleichmäßig auf drei verschiedene Reifegrade. Ein Viertel der Firmen (24 Prozent) realisiert mit diesen Services oder Pro- dukten signifikante Umsätze. Dies gilt vor allem für die kleinen (30 Prozent) und mittleren Unternehmen (31 Prozent). Die großen Firmen stehen hier bei 16 Prozent. 26 Prozent der Befragten realisieren damit eine stärkere Kundenbindung, aber noch keine signifikanten Umsätze. 23 Prozent der Firmen sind in der PoC-Phase (Proof of Concept mit Prototypen) oder der MVP-Phase (Minimum Viable Product (MVP), wörtlich: „minimal überlebensfähiges Produkt“). Hier ist der Anteil bei den großen Unternehmen (30 Prozent) und der IT-Abteilung (29 Prozent) überdurch- schnittlich hoch. Von den Firmen, die aktuell noch keine Services auf Basis von Predictive Analytics anbieten, planen 20 Prozent gerade entsprechende Initiativen (große Unternehmen 27 Prozent). Acht Prozent planen keine entsprechenden Aktivitäten. Hat Ihr Unternehmen datengetriebene Produkte und / oder Services im Angebot, die letztendlich auf Predictive Analytics basieren? Angaben in Prozent. Basis: n = 93 (Filter: Nur Unternehmen, die angegeben haben, dass Predictive-Analytics- und Prescriptive-Analytics-Verfahren regelmäßig Anwendung finden) Nein, ist auch Ja, wir realisieren damit nicht geplant signifikante Umsätze. 7,5 23,7 Ergebnis-Split nach Unternehmensgröße Nein, ist 20,4 (Anzahl Mitarbeiter) aber in Planung Gesamt- < 100 30,0 ergebnis 100 – 999 30,8 25,8 22,6 1.000 + 16,2 Ja, wir realisieren Ja, wir sind in damit eine stärkere der POC- oder Kundenbindung, MVP-Phase. aber noch keine signifikanten Um- sätze.
30 Weitere Studienergebnisse 4. D ie IT-Abteilung dominiert das Thema Analytics Die IT-Abteilung gibt in den meisten Firmen beim Thema Analytics den Ton an. In 36 Prozent der Firmen ist der IT-Leiter mit seiner Abteilung für die Analytics-Initiativen zuständig. Auffällig hoch sind hier die Werte bei den mittleren und großen Unternehmen (43 und 42 Prozent). Zählt man noch die Ergebnisse für den CIO oder IT-Vorstand (28 Prozent) hinzu, kommt man auf 64 Prozent. Das heißt, in fast zwei Dritteln der Firmen ist Analytics ein IT-Thema. In 28 Prozent der Unternehmen ist die Geschäftsführung wichtigster Treiber von Analytics. Auffallend ist hier der hohe Wert mit 45 Prozent bei den kleinen Unternehmen mit bis zu 99 Mitarbeitern sowie im C-Level selbst mit 53 Prozent. Auch die Leiter eines Fachbereichs wie Marketing, Vertrieb oder Kunden- service (17 Prozent), der CTO / Technikvorstand (14 Prozent) oder der CDO (Chief Digital Officer) mit elf Prozent übernehmen Verantwortung. Durchaus bemerkenswert ist aber auch der Umstand, dass in sieben Prozent der Unter- nehmen noch kein Verantwortlicher definiert wurde. Wer in Ihrem Unternehmen ist dediziert für das Thema Analytics zuständig? Angaben in Prozent. Mehrfachantworten möglich. Basis: n = 436 IT-Leiter / IT-Abteilung 35,6 Geschäftsführer 28,2 CIO / IT-Vorstand 28,0 Leiter eines Fachbereichs (z.B. Marketing, Vertrieb, Kundenservice) 17,0 CTO / Technikvorstand 14,2 CDO (Chief Digital Officer) / Head of Digital 10,8 Anderer Vorstand 4,8 Anderer Verantwortlicher 0,9 Noch kein Verantwortlicher definiert 7,3 Weiß nicht 2,5
Sie können auch lesen