Die Cloud demokratisiert Angebot und Zugang zur Datenanalyse Wissen für alle!

Anbieter zum Thema

Fivetran Germany GmbH

Bissantz & Company GmbH

QUNIS GmbH

Vorhersagen werden oftmals als Glücksspiel abgetan. Dabei sind sie dank moderner Technologien und Funktionen zur Datenanalyse heute besser denn je. Das ist vor allem auf den zunehmenden Einsatz von Business Intelligence (BI) und Data Science, einschließlich von Machine-Learning-Modellen (ML), zurückzuführen.

Viele Unternehmen stützen ihre Business-Entscheidungen bereits auf diese Techniken. Allerdings ist es nicht immer einfach, die unzähligen Einsatzmöglichkeiten von BI und ML zu durchblicken. Daher werden diese oft nicht berücksichtigt oder gelten als technisch zu komplex. Dabei können Unternehmen jeder Größenordnung damit gewinnbringende Ergebnisse erzielen. Manuelles Data Engineering und die damit verbundene Inflexibilität sowie die eingeschränkte Auswahl und der hohe Aufwand gehören dank der Entwicklung moderner Analysetechnologien zunehmend der Vergangenheit an. Das Stichwort ist hier: Modern Data Stack.

Der Begriff Modern Data Stack umfasst eine automatisierte Integration und Transformation der Daten, ein zentralisiertes Cloud Data Warehousing bzw. einen Data Lake sowie eine Business-Intelligence-Lösung. In Verbindung miteinander lassen sich so die Rohdaten aus verschiedenen Anwendungen in fundierte Erkenntnisse umwandeln. Diese bilden die Grundlage für Benchmarking, operative Verbesserungen und entsprechende Vorhersagen. Business Intelligence fällt dabei die Aufgabe zu, Geschäftstrends aufzuspüren und darzustellen.

Die Rolle von Business Intelligence und Data Science

BI kann Antworten auf eine Vielzahl von Fragen geben. Dazu gehören zum Beispiel Abweichungen in den Unternehmensprozessen oder wiederholte Verzögerungen bei Dienstleistungen. Anhand der Entwicklung von Wachstum, Fluktuation, Gewinn und Kosten kann BI zudem Trends prognostizieren. Daher nutzen Führungskräfte BI für ihre Planung.

Doch so wertvoll diese Informationen sind, sie unterliegen auch zwei Einschränkungen: Zum einen sind alle BI-Prozesse „rückwärtsgewandt“, d.h. sie können nur Verbindungen in den bereits vorhandenen Daten herstellen. Zum anderen werden die Informationen immer von einem Menschen interpretiert, nicht von einer Maschine. Genau darin liegt die Herausforderung. Denn die explosionsartige Zunahme verfügbarer Daten in Verbindung mit der Weiterentwicklung der Analysemöglichkeiten bedeutet, dass BI heute zwar eine notwendige, aber nicht hinreichende Bedingung für die Zukunftsfähigkeit von Unternehmen ist.

Wer die nächste Reifestufe in der Digitalisierung erreichen und schnell skalieren will, muss zunehmend in Data Science investieren. Das wiederum verlangt nach deutlich robusteren und besser gelenkten Datenprozessen. Für Unternehmen ist dies ein entscheidender Schritt. Denn bisher wurde BI auch eingesetzt, wenn es Schwächen in der Datenqualität gab. Alle Ergebnisse, die mit dem gesunden Menschenverstand unvereinbar und aufgrund entsprechender Erfahrung unrealistisch waren, wurden von den Menschen, die die Daten prüften, herausgefiltert. Sobald aber jetzt Machine Learning ins Spiel kommt, gibt es neue Möglichkeiten.

Gute Daten bringen gute Vorhersagen

Die Stärke von Machine Learning liegt darin, Daten viel weitgehender auswerten zu können, als dies mit BI möglich ist. Mit ML lassen sich Ereignisse in einer Weise aufdecken und prognostizieren, die über das hinausgeht, was auf der Grundlage bisheriger Erfahrungen zu erwarten ist. Mit BI kann ein Unternehmen beispielsweise zukünftige Aufwendungen anhand der aktuellen Geschäftszahlen und Ausgaben prognostizieren. Mit ML ist es zudem in der Lage, diese Trends im Kontext weitergefasster (interner und externer) Faktoren zu analysieren und genauere Ergebnisse vorherzusagen.

ML ist aber genau wie BI auf verlässliche Daten angewiesen. Denn ML kann keine Anomalien verwerfen, so wie dies ein Mensch tun würde. Stattdessen „lernen“ ML-Algorithmen und leiten aus Datenmuster ab, also auch aus qualitativ schlechten Daten. Dies kann zu ungenauen oder falschen Vorhersagen führen die potenziell riskante und geschäftsschädigende Entscheidungen nach sich ziehen können.

Der Erfolg von Unternehmen wird künftig nicht davon abhängen, wie schnell diese ML nutzen können, sondern wie gut sie darin sind. Ohne strikte Data-Governance-Prozesse werden sie für jeden Schritt nach vorne zwei Schritte zurück machen.

Multi-Cloud-Umgebungen erleichtern BI und Data Science

Es mag sich komplex anhören, aber die Entwicklung der Cloud und insbesondere die Entwicklung in Richtung Multi-Cloud-Umgebungen hat zur Folge, dass sich die Kombination von BI und Data Science heute leichter bewerkstelligen lässt als je zuvor. Diese Entwicklung resultiert auch aus der Erkenntnis der Unternehmen, dass unterschiedliche Cloud-Services notwendig sind, um unterschiedliche Analysen durchführen zu können.

So sind Data Warehouses mit ihren strukturierten Daten beispielsweise sehr gut für BI-Prozesse geeignet, nicht aber für die hochentwickelte Data Science. Im Unterschied dazu sind Data Lakes, die komplexe Analysen sogar mit unstrukturierten Daten wie beispielsweise Bildern durchführen können, besser für fortgeschrittene Analysen geeignet. Sie lassen aber, wie ein „Datensumpf“, möglicherweise eine klare Organisation missen. Dank der Entwicklung der Cloud können sich Unternehmen heute die Funktionalität aussuchen, die sie benötigen, ohne sich auf eine bestimmte Technologie festlegen zu müssen. In einer Multi-Cloud-Umgebung können sie einen Analyse-Stack wählen, der nicht nur technisch erstklassig ist, sondern auch den höchsten geschäftlichen Nutzen für ihren konkreten Anwendungsfall bietet.

In diesem Sinne ist die Evolution der Cloud tatsächlich eine Entwicklung unter den Gesichtspunkten Auswahl und Zugang zu Data Science. Mit dem Modern Data Stack, der diese Multi-Cloud-Strategie unterstützt, machen Unternehmen BI und Data Science für Benutzer im gesamten Unternehmen zugänglich. Auf die Frage, wer die Daten nutzt, ist es naheliegend, an Data Engineers, Data Scientists und Data Analysts zu denken. Tatsächlich ist aber mittlerweile jede Tätigkeit im Unternehmen mit Daten verbunden. Die Demokratisierung eines geordneten Datenzugangs ist nur der erste Schritt in die richtige Richtung. Im Laufe der Zeit wird die Multi-Cloud breiter aufgestellte Datenteams in die Lage versetzen, Machine Learning für eine Vielzahl von Anwendungsfällen zu nutzen und das Unternehmenswachstum zu fördern.

Die Zukunft gehört BI und ML

Unternehmen, die die wertvollen Erkenntnisse aus der BI erfolgreich integrieren und gleichzeitig die Prognosefähigkeit von Data Science nutzen wollen, kommen in Zukunft nicht an einer Multi-Cloud-Strategie vorbei. Mit der simultanen Nutzung von BI- und ML-Prozessen erhalten Führungskräfte einen umfassenden Überblick über ihre Daten und die möglichen Entscheidungswege.

Wer die nächste Phase dieser Entwicklung einläuten will, muss jedoch zunächst seine Data-Governance-Strategie evaluieren. Ein gemeinsamer Governance-Rahmen für alle Clouds vermeidet Datenduplizierung und daraus resultierende Compliance-Probleme. Unternehmen, die in robuste Datenpipelines und Automatisierung investieren, werden von einer zentralen Datenquelle profitieren. Das wiederum ermöglicht es ihnen, erfolgswichtige Erkenntnisse in kürzester Zeit zu erlangen – und letztlich den Wert ihrer Daten, Beschäftigten und Technologieinvestitionen zu maximieren.

(ID:48457591)