Kontroverser Wachstumsmarkt Advanced Analytics – ein Markt, den man nicht sieht

Autor / Redakteur: Ariane Rüdiger / Nico Litzel

Der Markt für Advanced Analytics wächst stark. Doch die meisten Applikationen aus diesem Bereich bleiben unsichtbar, weil sie sich in größeren Anwendungspaketen verstecken, die bestimmte Funktionen übernehmen.

Firmen zum Thema

Datenanalyse kennt vier Unterstützungsebenen. Die profundeste (im Bild ganz unten), Prescriptive Analytics, die letztlich zu automatisierten Entscheidungen führt, ist die Domäne von Advanced Analytics.
Datenanalyse kennt vier Unterstützungsebenen. Die profundeste (im Bild ganz unten), Prescriptive Analytics, die letztlich zu automatisierten Entscheidungen führt, ist die Domäne von Advanced Analytics.
(Bild: Gartner)

Gartner schätzt den Markt für Advanced Analytics derzeit auf rund eine Milliarde US-Dollar jährlich und seine Wachstumsrate auf 13 bis 14 Prozent. Fachlich führend sind derzeit laut Gartner Unternehmen wie SAS (Enterprise Miner) und IBM (Watson Analytics). Das ist mehr als beim Analytics-Lieblingskind der vergangenen Jahre, der Data Discovery, deren Wachstum Alexander Linden, ein auf Advanced Analytics spezialisierter Gartner-Analyst, auf derzeit nur noch acht bis neun Prozent jährlich schätzt, freilich bei vierfachem Marktvolumen.

Doch gerade das Marktvolumen könnte bei Advanced Analytics erheblich höher sein als in diesen Zahlen sichtbar wird, denn sie umfassen nur die Programmierumgebungen für die Technologie, mit denen sich Anwender ihre eigenen Lösungen stricken.

Viele komplexe Analytik-Funktionen stecken heute tief in einer Unzahl von Applikationen, die sehr spezifische Zwecke bedienen: autonome Fahrzeuge, Anwendungen zur Verringerung der Kundenwechselraten, Software für vorbeugende Wartung, Qualitätssicherung oder Risikomanagement. „Wir wissen von 120 bis 130 analytischen Apps“, sagt Linden. Verfolgen lasse sich dieser Markt nicht wirklich, dazu sei er zu heterogen und verändere sich zu rasch. Schließlich kommen ständig neue Anwendungen hinzu.

Handeln wird automatisiert

„Mit Advanced Analytics bewegen wir uns auf die Ebene der Handlungs- und Entscheidungsunterstützung und eine Stufe weiter der automatischen Entscheidungsfindung mit anschließendem automatischen Handeln“, erklärt Linden.

Was das bedeuten kann, macht der Analyst an einem Beispiel aus Australien deutlich: Dort ersetzen gerade autonome Zugfahrzeuge die bisherigen bemannten Lokomotiven der Minenbahnen. „Das ist natürlich für die Lokführer, die bisher im Jahr um die 250.000 australische Dollar verdient haben, keine gute Nachricht“, meint er. Das Beispiel lässt auch an die aktuellen Streiks bei Bahn und Fluggesellschaften denken.

Advanced Analytics wird also zweifellos für jede Menge gesellschaftlichen Disput sorgen: individuelle Preisfindung bei Gütern und Dienstleistungen – etwa Versicherungen – oder die datenbasierende Vorhersage darüber, wo vielleicht demnächst das nächste Verbrechen geschieht und wer es begehen könnte, gefolgt von entsprechenden vorbeugenden Maßnahmen (Predictive Policing) dürften zumindest hierzulande vielen zu weit gehen. Sie werden aber anderswo schon selbstverständlich eingesetzt.

Ein britisches Versicherungsunternehmen etwa stattet auf freiwilliger Basis seine Kunden mit intelligenten T-Shirts aus, die ständig die Körperfunktionen überwachen, dem Träger gesundheitsbezogene Verhaltenstipps geben und Daten an den Versicherer schicken. Dafür gibt es dann Boni oder kleine Geschenke.

Drei Prozent weniger Kundenverlust pro Jahr

Die materiellen Verlockungen der Technologie lassen anscheinend nicht viel Raum für ethische Überlegungen. Gerade für kommerzielle Unternehmen zahlen sich Investitionen in die richtigen Analytik-Anwendungen schnell aus. Linden: „Mit intelligenten Systemen können Unternehmen ein bis drei Prozent profitabler werden.“ Was drei Prozent weniger Kundenverlust pro Jahr auf längere Sicht bedeute, könne sich jeder ausrechnen. Freilich gilt der Vorteil nur so lange, bis jeder entsprechende Anwendungen verwendet.

Allen Advanced-Analytics-Applikationen ist gemeinsam, dass man mit ihnen reale Probleme zu lösen versucht, für die es bisher keine Lösungen gibt. Dafür werden von Datenwissenschaftlern komplexe mathematische Verfahren wie Pareto-Optimierung, Bayes-Statistik oder neuronale Netze in passende Algorithmen umgesetzt, die mit Wahrscheinlichkeiten statt mit Gewissheiten arbeiten. Die Technologie geht damit über die übliche Ebene der akkuraten Aggregation von Zahlen zu möglichst ansehnlichen und leicht verständlichen Reports oder Dashboards weit hinaus. Sie sprengt den bisher bekannten Erkenntnisrahmen analytischer Software – manche empfinden ihre Fähigkeiten deshalb als unheimlich oder bedrohlich.

Domänenwissen ist unentbehrlich

Die Anwendung von Advanced Analytics setzt tiefes Fachwissen über die Domäne voraus, für die ein Algorithmus entwickelt wird. Das macht die massenweise Ausbildung von Datenanalysten in auf Datenanalyse spezialisierten Studiengängen zu einem zweifelhaften Unterfangen, denn die Absolventen dieser Studiengänge bringen kein Domänenwissen mit, können also nicht sehen, was für die Lösung eines spezifischen Problems möglicherweise relevant ist.

Sie können zum Beispiel unter Umständen zufällige, aber unsinnige Korrelationen im Datenmaterial nicht von im konkreten Fall sinnvollen Zusammenhängen differenzieren. Außer Schule und Universität haben sie ja meist noch nicht viel kennengelernt. Linden schlägt deshalb vor, langfristig Data Science in jedes Studienfach und schon in die schulische Ausbildung zu integrieren.

Nicht jede Anwendung ist sinnvoll

Dazu kommt: Nicht jede mögliche Anwendung ist grundsätzlich sinnvoll. Wenig bringe, so Linden, etwa die derzeit sehr oft erwähnte Social-Media-Analyse. Linden: „Die Einträge bei Twitter oder Facebook lassen sich leicht fälschen – und das geschieht auch häufig. Aus solchen Daten lassen sich keine relevanten Schlüsse ziehen.“ Letzten Endes gilt also auch für den komplexesten Analytik-Algorithmus die alte Programmiererregel: Wo Müll hineingesteckt wird, kommt am Ende Müll heraus.

(ID:43032158)