Alles zu Advanced Analytics: Definition, Methoden und Beispiele

Oft herrscht Unklarheit wie die Begriffe Advanced Analytics, Analytics, Business Intelligence, Data Science und Machine Learning definiert und differenziert werden können. Daher stellen wir Advanced Analytics in diesem Artikel anhand seiner Kategorien Diagnostic Analytics, Predictive Analytics und Prescriptive Analytics vor und zeigen Beispiele, wie Advanced Analytics eingesetzt werden kann, um in einem Unternehmen Mehrwert zu schaffen.

Inhaltsverzeichnis

Definition von Advanced Analytics

Als “Advanced Analytics”, zu Deutsch “Fortgeschrittene Analysen”, bezeichnet man einen Teilbereich der Datenverarbeitung der sich nicht nur auf deskriptive, rückwärtsgerichtete Datenanalysen fokussiert sondern versucht Vorhersagen über die Zukunft zu treffen. Im Vergleich zu Business Intelligence ist Advanced Analytics somit nicht nur auf historische Ereignisse und deren Auswertung bezogen, sondern lebt durch die von Modellierung unterstützte Vorhersage von zukünftigen Ereignissen.

Es gibt drei Teilbereiche von Advanced Analytics: Diagnostic Analytics, Predictive Analytics und Prescriptive Analytics. Diagnostic Analytics, zu deutsch diagnostische Analyse, beschäftigt sich nicht nur mit der Frage “Was” historisch passiert ist, sondern mit analysiert auch das “Warum”. Hierbei werden statistisch Methoden wie beispielsweise Analysis of Variance (ANOVA) oder Interaktionsanalysen eingesetzt um die Zusammenhänge von Ereignissen und anderen Entitäten wie Zeit, Person und Produkt zu analysieren.  

Predictive Analytics ist der vorherrschende Bereich des Machine Learning. Die Vorhersage von Ereignissen, also prädiktive Analysen, basieren auf statistische Modellierung die meist auf vergangenen Daten basieren (Supervised Learning). Hier kommen eine Vielzahl an Data Mining Methoden zum Einsatz, um die Frage nach dem “Was wird passieren” zu beantworten. 

Spätestens im Bereich von Predictive Analytics unterscheidet sich der Data Analyst vom Data Scientist und somit Advanced Analytics von Analytics, da fortgeschrittene statistische Methoden und Programmierkenntnisse notwendig sind um solche Modell umzusetzen. Auch die Anforderungen an Datenumfang und Datenqualität ist für dieses Vorgehen massiv erhöht. Daher auch die  Unterscheidung zwischen Analytics (klassisches Business Intelligence) und Advanced Analytics (eher dem Bereich Data Science zuzuordnen). 

Die vierte Kategorie “Prescriptive Analytics” beschäftigt sich nicht nur nach der Frage was passieren wird, sondern versucht zu beantworten wie am besten zu handeln ist. Daher haben die Analysen der präskriptiven Modellierung zum Ziel, das eine klare Handlungsempfehlung von einem auf künstlicher Intelligenz basierten System gegeben wird. Der Unterschied zur prädiktiven Analyse ist, dass nicht nur vorhergesagt wird was passieren könnte, sondern versucht wird die bestmögliche Handlung zu identifizieren. Fortgeschrittene Systeme führen diese Handlung dann auch direkt und selbstständig aus .

Prescriptive Analytics, zu Deutsch “verordnende Analysen”, basieren meist auf selbstoptimierenden Systemen, die verschiedene Machine Learning Modelle gegeneinander antreten lassen und das beste Ergebnis zu einem bestimmten Zeitpunkt und in einer bestimmten Situation zum Einsatz bringen. Folglich sind Prescriptive Analytics Methoden hoch adaptiv und flexibel, aber dennoch sehr beschränkt auf die Problemstellung die vorgegeben wird. 

Im nächsten Abschnitt möchten wir etwas detaillierter auf mögliche Algorithmen, Methoden und Tools eingehen, die im Bereich Advanced Analytics eingesetzt werden.

Beispiele für Tools und Methoden im Bereich Advanced Analytics 

Wie bereits skizziert ist Advanced Analytics ein breiter Bereich. Entsprechend breit sind auch die Methoden die eingesetzt werden können. Gerne möchten wir hier zumindest einen Auszug an möglichen Methoden vorstellen und wie diese eingesetzt werden können.

Clustering

Clustering ist eine Methode im Bereich Machine Learning, genauer im Unsupervised Machine Learning. Mittels Clusteranalysen werden Daten in Gruppen geordnet, zum Beispiel sich ähnlich verhaltende Kunden in Segmente gruppiert. In allen drei Teilbereichen von Advanced Analytics, also Diagnostic Analytics, Predictive Analytics und Prescriptive Analytics kann Clustering eine Rolle spielen. 

Recommendation-Algorithmen

Empfehlungen wie beispielsweise “Kunden die dies kauften, kauften auch” oder “Empfohlene Serien” beruhen auf Machine Learning und Big Data, um eine möglichst akkurate und passgenaue Vorhersage der Bedürfnisse jedes Kunden zu treffen. Folglich passen sie sehr genau in die Sparte von Predictive oder als Empfehlungssystem auch in Prescriptive Analytics als Sparten von Advanced Analytics.

Kohortenanalysen

Eine Kohorte ist eine Gruppe, die mittels Kohortenanalyse über einen Zeitraum betrachtet wird. Interessant sind Kohortenanalysen vor allem deshalb, weil sie einerseits das “Warum” von Verhalten genauer definieren können, andererseits aber auch die Möglichkeit geben, eine Abschätzung zu treffen was in Zukunft passiert. Speziell durch den Umstand, dass Kohorten eigens geschnitten werden können, ist die Kohortenanalyse interessant für Advanced Analytics.

Regressionen

Eine Regression ist ein statistisches Modell, das aus vorliegenden Daten zukünftige Werte vorhersagen kann. Folglich ist dies klar präskriptive Statistik, die in Advanced Analytics eingesetzt wird, um Vorhersagen über zukünftige Ereignisse, Zahlen oder Verhalten zu erstellen.

Neuronale Netze

Die Methode, die inzwischen als Wunderwerkzeug für viele Probleme im Bereich Data Science und somit in Advanced Analytics eingesetzt wird sind Neuronale Netze, beziehungsweise Deep Learning. Sie können Objekte erkennen, Bilder sortieren, Sprache generieren und vieles mehr, was in Advanced Analytics von Relevanz ist.

Use Cases und Beispiele: Wofür kann Advanced Analytics eingesetzt werden?

Um ein besseres und vor allem praktisches Verständnis für die Definition von Advanced Analytics zu schaffen, möchten wir im folgenden konkrete Beispiele aufführen, die im Bereich Advanced Analytics stattfinden. Um die Bandbreite an Anwendungsfällen grob zu umreißen haben wir aus jeder Kategorie ein Beispiel gewählt, die sich zudem in verschiedenen Branchen und Problembereichen befinden.

Beispiel für Diagnostic Analytics: Statistische A/B Tests einer Website

Webanalytics ist inzwischen jedem Besitzer einer Homepage ein Begriff. Die Optimierung des Inhalts und Designs wird oft über sogenanntes A/B Testing durchgeführt, welches zwei Varianten an die Besucher ausliefert und dann bestimmte KPIs (Key Performance Indicators) vergleicht. 

Der “diagnostische” Teil der Analysen kommt in der Auswertung ins Spiel. Indem man die variierten Features (zum Beispiel die Farbe eines Website-Elements) statistisch auswertet (zum Beispiel mittels eine T-Tests, der zwei Konditionen auf statistische Signifikanz testet), kann man definieren was der Auslöser für verändertes Verhalten ist.

Dieses Vorgehen kann auf viele Datensätze angewandt werden, die vergleichbare Konditionen bereit halten. Zum Beispiel Kundendaten (Mitgliedsdauer, Anzahl an gekauften Kategorien, Bestellhäufigkeit) können auf die Bestellhöhe analysiert werden oder Produktionsdaten auf die beteiligten Mitarbeiter.

Insgesamt kann man mittels Diagnostic Analytics mehr Wissen über Daten generieren als rein über die deskriptive Auswertung von Zahlen. Daher ist Advanced Analytics ein guter Ansatz, die nächsten Schritte nach klassischer Business Intelligence zu gehen.

Beispiel für Predictive Analytics: Objekterkennung mittels einer Smartphone-App

Ein Beispiel für Advanced Analytics aus dem Bereich Predictive Analytics ist die Objekterkennung mittels einer Smartphone-App. Ein aufgenommenes Bild kann zum Beispiel mittels einer Klassifikation (Supervised Machine Learning) in eine Kategorie eingeordnet werden. Als Kategorien können zum Beispiel Produktkategorien definiert werden, so dass der Endkunde direkt weiß, was er vor sich hat.

Die prädiktive Analyse bei diesem Beispiel ist der Einsatz von Neuronalen Netzen (bzw. Deep Learning), um ein Bild mit einer Wahrscheinlichkeit in eine Kategorie zu ordnen. Diese Annäherung an ein möglichst optimales Ergebnis erlaubt es, basierend auf bisherigen Daten neuen Inhalt zu klassifizieren.

Durch den Einsatz von künstlicher Intelligenz in seinen Analysewerkzeugen kann Advanced Analytics schnell über klassische historische Auswertungen hinaus Vorhersagen und Klassifizierungen von neuem Inhalt treffen, weshalb es klar von herkömmlicher Datenanalyse abzugrenzen ist.

Beispiel für Prescriptive Analytics: Dynamic Pricing 

Als letztes Beispiel für die Anwendung von Advanced Analytics möchten wir Dynamic Pricing in der Kategorie Prescriptive Analytics anführen. Dynamic Pricing hat, wie der Name bereits andeutet, zum Ziel mittels eines variablen Preises das bestmögliche Ergebnis zu erzielen. Hierzu kann der Algorithmus zwischen Preissenkungen und -steigerungen abwägen, um einerseits eine möglichst hohe Marge zu erzielen, aber gleichermaßen den Absatz möglichst hoch zu halten.

Klassischerweise findet man Dynamic Pricing und Abarten im Bereich Flugportale und Hotelbuchungen. Hier ist oft das Angebot höher als die Nachfrage, weshalb die Kunden durch niedrige Preise angelockt oder durch höhere Preise bei kurzfristigen Buchungen geschröpft werden. Die jeweils darunter liegenden adaptiven Modelle versuchen daher immer je nach Verhaltenshistorie des Kunden den bestmöglichen Preis auszuwählen – ob nun jemand viel im Vorlauf bucht und die Nachfrage noch gering ist oder jemand kurzfristig einen wichtigen Businesstrip bucht ist somit entscheidend.

Dass mit Prescriptive Analytics bereits eine neue Stufe von Advanced Analytics erreicht wird, sollte offensichtlich sein. Der Algorithmus entscheidet nicht nur weshalb etwas wichtig ist, was er empfehlen würde, sondern bietet auch noch im operativen Betrieb neue Preise an. Somit wird die Frage “was soll ich tun” vollautomatisiert beantwortet und direkt als Preisangebot umgesetzt. 

Weitere Beispiele für Advanced Analytics und künstliche Intelligenz

Häufig gestellte Fragen zum Thema Advanced Analytics 

Was ist der Unterschied zwischen Advanced Analytics und Analytics / Business Intelligence (BI)?

Analytics (Business Intelligence), zu deutsch Datenanalyse, bezeichnet die klassische Auswertung und Visualisierung von historischen Daten um die Frage “Was ist passiert” zu beantworten. Advanced Analytics (Data Science)  hingegen beschäftigt sich mit den Fragen nach dem “Warum ist etwas passiert”, “Was wird passieren” und “Was soll ich tun”.

Was ist der Unterschied zwischen Advanced Analytics und Data Science?

Data Science bezeichnen den gesamten Datenauswertung Prozess inklusive Use-Case Identifikation und Datenbereitstellung, während Advanced Analytics sich als Begriff nur auf die Auswertungsmethoden bezieht.

Was ist der Unterschied zwischen Advanced Analytics und Big Data?

Big Data bezeichnet eine neue Ära von Daten Auswertung und Verfügbarkeit. Advanced Analytics nutzt sehr häufig Big Data in der Vorgehensweise, jedoch ist auch der Einsatz von herkömmlichen kleinen Datenmengen oft zu finden.  big data erlaubtes allerdings fortgeschrittenere Methoden mit höherer Genauigkeit einzusetzen was dem Ziel von advanced Analytics entspricht.

Was ist der Unterschied zwischen Advanced Analytics und Machine Learning?

Machine Learning Methoden werden oft im Bereich Advanced Analytics vor allem im Bereich predictive Analytics und prescriptive Analytics eingesetzt. Daher ist Advanced Analytics ein zusammenfassender Oberbegriff der allerdings auch nicht Machine Learning Methoden aus dem Bereich der künstlichen Intelligenz oder auch deskriptive Methoden einsetzt.

Was ist der Unterschied zwischen Advanced Analytics und Künstlicher Intelligenz?

Künstliche Intelligenz ist ein sehr breites Feld das unter anderem Machine Learning und neuronale Netze umfasst. Advanced Analytics nutzt viele dieser Methoden fokussiert sich als Begriff aber eher auf die Fragestellungen als auf die Differenzierung der Methoden die zum Ziel führen. 

Wer führt Advanced Analytics durch?

Es gibt also viel zu tun im Bereich Advanced Analytics. Doch wer erfüllt all diese Aufgaben? Am Ende ist es nicht nur eine Rolle, die all diese Fähigkeiten abdecken kann. Advanced Analytics benötigt eine Kombination aus Data Analysts, Data Engineers und Data Scientists, um die Daten zu erfassen, auszuwerten und Machine Learning Modelle zu trainieren.

Die Rolle von Advanced Analytics in der Data Driven Company

Einer der Hauptaspekte der Data Driven Company ist der strategische Einsatz von Daten. Rein deskriptive Analysen basierend auf Business Intelligence genügen in diesem Zusammenhang ganz offensichtlich nicht. Daher ist Advanced Analytics, ebenso wie die ähnlich angelegten Bereiche Data Science, Big Data Analytics, künstliche Intelligenz, etc absolut zentral für die Entwicklung zur Data Driven Company. 

Nur wer bereit und befähigt ist, sich mit dem Thema Advanced Analytics auseinander zu setzen, wird es schaffen, Datenkultur zu fördern und das Thema als zentral für die Organisation zu etablieren. Daher gilt es bereits jetzt, sich an den verschiedenen Bereichen von Advanced Analytics zu probieren und Erfahrung zu sammeln, damit iterativ die Wissensbasis aufgebaut und die Fähigkeit trainiert werden kann.