Kommentar von Michael Krause, ThoughtSpot Embedded Analytics 2.0 erschließt neue Geschäftsmöglichkeiten

Von Michael Krause |

Anbieter zum Thema

Im vergangenen Jahr veröffentlichte Harvard Business Review eine Studie über die Vorteile, die sich ergeben, wenn Mitarbeiter und Mitarbeiterinnen an der vordersten Front Daten nutzen: Die Umsätze sind höher, die Abläufe effizienter, der Kundenservice besser und die Belegschaft ist zufriedener. Dennoch machen nur wenige Unternehmen ihre BI-Tools an der vordersten Front zugänglich. Schuld daran sind technische Einschränkungen, widersprüchliche Prioritäten und veraltete Einstellung gegenüber Analytics-Tools. Hier könnte Embedded Analytics 2.0 weiterhelfen.

Der Autor: Michael Krause ist Customer Success Manager bei ThoughtSpot
Der Autor: Michael Krause ist Customer Success Manager bei ThoughtSpot
(Bild: ThoughtSpot)

Embedded Analytics 2.0 ist eine neue Kategorie, die Search mit Low-Code-Entwicklungsplattformen kombiniert, um so Einblicke dort zu ermöglichen, wo Entscheidungen getroffen werden: innerhalb geschäftlicher Anwendungen, sogenannter Daten-Apps. Während ein Großteil von Analytics und BI als interne Anwendungsfälle begann, nutzen datenorientierte Unternehmen Data Apps als Einnahmequelle und Unterscheidungsmerkmal zur Steigerung der Kundenloyalität.

Embedded Analytics 1.0

Die ersten Embedded-Plattformen wiesen die gleichen Schwächen wie die BI-Plattformen dieser Generation auf. Als Reporting-Tools intern durch Data Discovery verdrängt wurden, wollten auch Kunden visuelle Discovery-Funktionen einbetten. Der Markt teilte sich in Anbieter mit SDKs für eingebettete Berichte auf einer Seite und visuell basierte Data Discovery-Tools, bei denen die Entwickler-Tools zu kurz kamen, auf der anderen Seite. In beiden Fällen war die Nutzererfahrung begrenzt. Bei parametrisierten Berichten oder Dashboards muss der Analyseprozess vordefiniert und die Fragen der Anwender antizipiert werden. Wollten die Anwender zusätzliche Datenvergleiche oder Drilldowns, mussten sie sich an die BI-Abteilung wenden. Eine weitere Einschränkung war, dass der Umfang der Funktionalität, die über offene APIs zugänglich war, von Anbieter zu Anbieter erheblich variierte. Selten waren alle Komponenten der zugrunde liegenden BI-Plattform über APIs zugänglich. Zudem fehlte oft eine Entwicklerumgebung, um neue APIs auszuprobieren oder zu testen.

Embedded Analytics 2.0

Im Vergleich zu den eingebetteten Analytics-Plattformen der ersten Generation ermöglicht die nächste Generation dank APIs und Low-Code-Entwicklungsplattformen ein hohes Maß an Anpassungen mit nur geringem Aufwand.

Was die Produktmanager bei Embedded Analytics 2.0 jedoch bedenken müssen ist, dass nur das, was in der Kern-Analytics-Plattform enthalten ist, auch über eine API zugänglich gemacht werden kann. Daher sollte das Datenproduktteam und die Analytik- und BI-Abteilung zusammenarbeiten, um die Unterscheidungsmerkmale der Analyseplattformen zu evaluieren. Wichtige Funktionen wären zum Beispiel Search und Insight-to-Action. Erstere ermöglicht es Entwicklern und Produktmanagern, differenzierte Analyse-Erfahrungen zu liefern, die so einfach zu bedienen sind wie Verbraucheranwendungen. Die zweite Funktion erlaubt es, Daten-Apps mit anderen Apps und Workflows zu verbinden, um automatisch bestimmte Aktionen, Prozesse und Workflows auszulösen.

Diese neue Generation von Embedded Analytics kommt aus der Cloud, sodass das größere Cloud-Ökosystem in der gesamten App-Erfahrung eingebunden und genutzt werden kann. So kann der gesamte Analytics-Workflow von der Erkenntnis bis zur Aktion neu gestaltet und überarbeitet werden. Auch die Ansätze fürs White Labeling haben sich mit der nächsten Embedded-Generation deutlich verbessert, doch das Alleinstellungsmerkmal von Search und Insight-to-Action gilt auch hier. Zum Beispiel bei Anwendungsfällen für kundenorientierte Analytics, die die Leistungsfähigkeit von Search für externe Kunden nutzbar machen.

Widersprüchliche Prioritäten

Embedded Analytics, kundenorientierte Analytics und interne Self-Service-Analysen konkurrieren oft um die gleichen begrenzten Ressourcen. Die Analytik- und BI-Abteilung konzentriert sich meist zuerst auf die dringendsten Bedürfnisse – dazu zählen auch die, die am lautesten schreien (meist die Datenanalysten).

Das Ausrollen von Self-Service-Analysen für nicht-technische Geschäftsanwender hingegen ist sowohl ein Push- (Anwender befähigen und weiterbilden) als auch ein Pull-Prozess (Anwender, die keine Lust haben, auf Dashboards zu warten und andere Lösungen einfordern). Im Gegensatz zu den Datenanalysten fragen operative Anwender und Frontline-Mitarbeiter oft gar nicht nach Embedded Analytics. Und doch profitiert das Unternehmen erheblich davon, wenn gerade diese Gruppe Zugriff auf eingebettete Analysen zur Unterstützung der Entscheidungsfindung hat.

So wie jedes Unternehmen danach strebt, datengesteuert zu sein, muss auch die gemeinsame Nutzung von Daten über die gesamte Wertschöpfungskette hinweg neu gedacht werden. Dazu gehört unter anderen die Monetarisierung von Daten, aber die größere Wertsteigerung liegt vermutlich in der Verbesserung der Kundenloyalität. So teilen etwa Unternehmen wie Just Eat und OpenTable Daten mit ihren Kunden, um sie über die am stärksten frequentierten Zeiten zu informieren, um die Personalbesetzung besser anpassen zu können, oder darüber, welches die beliebtesten Gerichte sind. Einzelhändler, die Verkaufsdaten mit ihren Lieferanten teilen, sorgen für eine effizientere Lieferkette und höhere Umsätze, indem sie den richtigen Bestand zur Verfügung stellen können.

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Vor diesem Hintergrund sollten Unternehmen überdenken, wie sie ihre Embedded-Analytics-Projekte finanzieren und priorisieren. Nur sehr wenige erstellen einen formalen Renditebericht für die Finanzierung oder um zu beurteilen, ob die Projekte einen Mehrwert liefern. Doch selbst eine einfache Renditeberechnung auf einem Bierdeckel hilft schon, konkurrierende Projekte zu priorisieren. Darüber hinaus sollte Analytics nicht mehr als Kostenstelle, sondern vielmehr als Wertschöpfungsfaktor betrachtet werden.

Build vs. Buy

Build vs. Buy ist bei Analyseanwendungen eine häufige Debatte, besonders wenn es um kundenorientierte Datenanwendungen geht.

Folgende Argumente sprechen für die Eigenentwicklung (Build) einer kundenorientierten Datenanwendung:

  • volle Kontrolle über die Benutzererfahrung
  • konsistentes Branding innerhalb einer größeren Anwendung
  • kein Anbieter Lock-in

Die ersten beiden Argumente werden von Embedded Analytics 2.0 weitgehend erfüllt. Der dritte Punkt ist schwieriger. Hier gilt es den Embedded-Partner mit Bedacht auszuwählen und sich ausreichend über dessen Produkt-Roadmap zu informieren.

Folgende Argumente sprechen hingegen für den Kauf (Buy) einer Analytics-Plattform zur Bereitstellung einer kundenorientierten Data-App:

  • schnellere Markteinführung
  • robuste, sofort einsatzbereite Funktionalität
  • Möglichkeit, sich auf Schlüsselkompetenzen zu konzentrieren, die ein Alleinstellungsmerkmal darstellen

In Bezug auf robuste Out-of-the-Box-Funktionalität sollten Unternehmen allerdings prüfen, inwieweit die gesamte Funktionalität der Kern-Analyseplattform tatsächlich über APIs verfügbar ist.

Was Unternehmen bei der Nutzung von Embedded Analytics beachten sollten

Zusammenfassend lässt sich sagen, dass Unternehmen hinsichtlich Embedded Analytics folgendes beachten sollten:

  • Erkundung möglicher Anwendungsfälle, in denen Embedded die Demokratisierung von Daten, die Verknüpfung von Einblicken mit Maßnahmen und die Stärkung der Kundenbindung beeinflussen kann.
  • Schaffung eines wertschöpfenden und differenzierten Analytics-as-a-Service-Ansatzes, der über die einfache Monetarisierung von Daten hinausgeht.
  • Evaluierung der Embedded-Funktionalitäten der Analytics-Anbieter, einschließlich offener APIs und Entwicklerumgebung.
  • Identifikation der Funktionen der Kern-Analyseplattform, die in einer Embedded Data App eingesetzt werden können.
  • Auf Einwände von Entwicklern, die die App lieber von Grund auf neu entwickeln wollen, eingehen. Dabei aber realistisch bleiben und die Risiken und Vorteile von Build vs. Buy miteinander abwägen.

Daten-Einblicke in Geschäftsanwendungen zu bringen und diese zu nutzen, um Prozesse zu steuern und zu automatisieren, schafft eine intelligentere Welt. Embedded Analytics 2.0 macht es einfach, leistungsfähige Datenerlebnisse in Anwendungen einzubetten und zu skalieren und so neue Geschäftsmöglichkeiten zu erschließen.

Artikelfiles und Artikellinks

(ID:47502333)