Analytik-Reifegrad Canvas

Wie verwende ich das Analytik-Reifegrad Canvas?

1. Welchen analytischen Reifegrad besitzen mein Unternehmen, einzelne Abteilungen meiner Organisation oder meine Kunden?
2. Was sind mögliche datengetriebene Anwendungen und deren Anforderung an das Unternehmen, die Abteilung oder den Kunden hinsichtlich des analytischen Reifegrads?
3. Was sind die relevanten Anwendungsfälle, um mein Unternehmen, die Abteilungen oder die Kunden auf die nächste analytische Stufe zu heben?
4. Welche analytischen Werkzeuge benötige ich für die Realisierung der Anwendungen?

Erfahren Sie mehr über die Methode des Datenstrategie-Designs.

Start

Beginnen Sie die Arbeit an der Vorlage Analytik-Reifegrad damit, dass Sie den IST-Zustand in Ihrem Unternehmen, in Ihrer Abteilung oder den Ihrer Kunden dokumentieren. Richten Sie Ihr Augenmerk dabei auf folgende zwei Aspekte:

1. Anwendungsfälle: welche Analytics-Lösungen bzw. Anwendungen sind bereits in Ihrem Unternehmen im Einsatz und für welche Zwecke? Hierfür befüllen Sie die Boxen (Anwendungsfelder) im oberen grünen Bereich (= Verwertung) von links nach rechts mit entsprechenden Karten.
2. Werkzeuge: welche analytischen Werkzeuge, Verfahren oder Software-Systeme haben Sie dafür im Einsatz? Diese Frage beantworten Sie im unteren gelben Bereich (= Verfeinerung).

Die Boxen spiegeln den analytischen Reifegrad wieder und der analytische Reifegrad bestimmt die Komplexität der jeweiligen Anwendung bzw. des jeweiligen Werkzeugs. Die analytischen Reifegradstufen (gelber Bereich unten) bedingen einander: um prädiktive Analysen (also Prognosen) zu machen, benötigen Sie zunächst diagnostische Werkzeuge, um Muster in den Daten zu erkennen.

Entsprechend durchlaufen auch Unternehmen (grüner Bereich oben) einen Reifeprozess (von links nach rechts). Während die Komplexität von unten nach oben (gelber Bereich) steigt, nimmt die Wertschöpfung aus den Daten (grüner Bereich) von links nach rechts zu. Entsprechend ist es das Ziel von Unternehmen durch die Einführung entsprechender Werkzeuge und darauf basierender Anwendungen ihren Reifegrad kontinuierlich zu steigern. Eine ausführliche Erläuterung der einzelnen Reifegradstufen und Reifeprozessschritte finden Sie in den kommenden Slides.

Nachdem Sie also den IST-Zustand dokumentiert haben, beginnen Sie damit den SOLL-Zustand zu spezifizieren, indem Sie erneut die grünen Boxen oben und die gelben Boxen unten befüllen – jeweils von links nach rechts bzw. unten nach oben. Nutzen Sie dabei unterschiedliche Farben für die Karten:

• Grün: bestehende Anwendungen bzw. Werkzeuge
• Gelb: geplante oder in Umsetzung befindliche Anwendungen bzw. Werkzeuge
• Rot: erforderliche oder gewünschte Anwendungen bzw. Werkzeuge

Achten Sie bei der Befüllung auf Konsistenz:

1. Für jede Analytics-Anwendung muss es ein entsprechendes Analytics-Werkzeug geben. Ein Beispiel: für ein Marketing-KPI-Dashboard benötigen Sie beispielsweise ein (Self-Service-)Business-Intelligence-Werkzeug.
2. Umgekehrt sollte es zu einem Analytics-Werkzeug mindestens einen analytischen Anwendungsfall geben. Andernfalls bedeutet dies, dass das Werkzeug nicht in Gebrauch ist und daher möglicherweise unnötige Kosten für Ihr Unternehmen entstehen.
3. Der Reifegrad der analytischen Anwendung muss mit dem Reifegrad des analytischen Werkzeugs übereinstimmen. Um Vorhersagen zu erstellen, beispielsweise zur Umsatzprognose, benötigen Sie ein Predictive Analytics-Werkzeug.

Schritt 1 von 11

Businessapplikationen

Geschäftsanwendungen verarbeiten Daten: sie speichern Daten und ermöglichen den Nutzern die Daten anzuzeigen, zu bearbeiten und zu verwalten, aber nicht sie zu analysieren. Geschäftsanwendungen sind eine potentielle und meist sehr wichtige Datenquelle.

Beispiele für Anwendungen:

• CRM-Software
• ERP-Systeme
• Unternehmens-Websites
• e-Commerce-Websites
• Mobile Apps
• IT-gestützte Produktionssysteme

Schritt 2 von 11

Deskriptive Analytik

Deskriptive Analysen beschreiben, was passiert ist. Sie beschäftigen sich mit Kennzahlen und Leistungsindikatoren (Key Performance Indicators, kurz „KPI“), welche die Zielerreichung messen. Eine deskriptive Analyse liefert einen Rückblick auf das Geschehen im Unternehmen und im Markt. Deskriptive Analytik nutzt in der Regel anonymisierte und aggregierte Daten. Die Ergebnisse der Analyse erfordern vom Entscheider noch ein hohes Maß an Interpretation der Zahlen. Oft schließt sich an eine deskriptive eine diagnostische Analyse an, um beispielsweise die Ursachen zu erforschen, warum ein Ziel nicht erreicht wurde. Als Basis für deskriptive Analysen dienen unter anderem Kennzahlenmodelle wie Treiberbäume, Balanced Scorecards oder das AARRR-Model (vgl. Kundenkontaktpunkte).

Beispiele für Werkzeuge:

• Klassische Business Intelligence-Lösungen
• Händisch erstellte Berichte in Tabellenkalkulationen
• (Online-)Analytics-Dienste
• Reporting-Tools

Schritt 3 von 11

Berichtswesen

Ein Berichtswesen extrahiert aus den Datenbanken (der Geschäftsanwendungen) die interessanten Daten und verdichtet sie zu relevanten Informationen. Beispielsweise werden die Unternehmenskennzahlen und Schlüsselindikatoren wöchentlich oder monatlich als PDF per Email an das Management verschickt.

Beispiele für Anwendungen:

• Marketing-KPI-Dashboards
• Sales-Berichte
• Produktionsstatistiken

Schritt 4 von 11

Diagnostische Analytik

Diagnostische Analysen erklären, warum etwas passiert ist. Sie beschäftigen sich mit Mustern in den Daten, zum Beispiel Trends, Korrelationen, Ausreißer etc. Eine diagnostische Analyse liefert einen Einblick in die Mechanismen eines Unternehmens oder eines Marktes. Diagnostische Analytik basiert in der Regel auf nicht-aggregierten Daten (Rohdaten). Ein Entscheider nutzt die Ergebnisse einer diagnostischen Analyse, um zukünftige Maßnahmen zu planen und anzupassen. Um zu entscheiden, bei welchen Kennzahlen sich eine diagnostische Analyse lohnt, gehen oftmals deskriptive Analysen voraus.

Beispiele für Werkzeuge:

• Business Discovery-Anwendungen
• Self-Service-BI-Lösungen
• Statistik-Werkzeuge
• Testing-Tools
• Visualisierungswerkzeuge
• Analytische Programmiersprachen

Schritt 5 von 11

Exploration

Das Unternehmen analysiert die Daten, Kennzahlen und Schlüsselindikatoren und sucht nach Erklärungen und Auffälligkeiten, um seine Geschäftsprozesse und seine Geschäftsmodelle zu verbessern.

Beispiele für Anwendungen:

• Ad-Hoc-Analysen für Customer Insights
• A/B Testing von Website-Designs
• Multivariates Testing im Rahmen von Online-Advertising
• Korrelations- und Trendanalysen auf Basis von Social Media Monitoring
• Analyse von Fehlerursachen in der Produktion
• Kundensegmentierung

Schritt 6 von 11

Prädiktive Analytik

Prädiktive Analysen sagen voraus, was passieren wird oder könnte. Sie erstellen statistische oder stochastische Modelle, um Werte und deren Wahrscheinlichkeit zu prognostizieren. Eine prädiktive Analyse liefert einen Ausblick auf kommende Entwicklungen. Prädiktive Analytik basiert auf nicht-aggregierten und oft nicht-anonymisierten Daten. Ein Entscheider evaluiert auf Basis der Vorhersagen Handlungsoptionen und trifft entsprechend Entscheidungen. Für die Modellierung werden oft im Vorfeld diagnostische Analysen angewendet, um Muster zu identifizieren und mit Fach- oder Branchenwissen zu verifizieren. Deskriptive Analysen validieren im Produktivbetrieb die Gültigkeit und Nützlichkeit der Vorhersagen.

Beispiele für Werkzeuge:

• Predictive Modelling-Tools
• Data Mining-Werkzeuge
• Data Science Suiten
• Analytische Programmiersprachen
• Machine-Learning-as-a-Service

Schritt 7 von 11

Vorhersagen

Das Unternehmen nutzt seine Daten, um Vorhersagen über die Zukunft des Unternehmens, der Kunden oder des Marktes zu erstellen. Hierfür nutzt es fortgeschrittene Analysetechniken (“Business Analytics”).

Beispiele für Anwendungen:

• Umsatzprognosen
• Vorhersage von Kündigungen
• Kundenbewertung (“Lead Scoring“)
• Berechnung des Kundenlebenswertes (“Customer Lifetime Value”)

Schritt 8 von 11

Präskriptive Analytik

Präskriptive Analysen empfehlen, was passieren sollte. Sie evaluieren Handlungsoptionen auf Basis von Vorhersagen (Prädiktive Analytik), simulieren unterschiedliche Szenarien und geben Handlungsempfehlungen auf Basis der Simulationsergebnisse. Präskriptive Analysen erfordern vom Entscheider die Entscheidung für eine Handlungsoption und die anschließende Ausführung der Handlung.

Beispiele für Werkzeuge:

• Modellierungswerkzeuge
• Simulationswerkzeuge
• Data Science Suiten
• Analytische Programmiersprachen

Schritt 9 von 11

Optimierung

Das Unternehmen sucht in den Daten nach Optimierungspotentialen. Hierfür simuliert es mögliche Lösungen und analysiert deren Ausgang. Anschließend werden die gefundenen Lösungen mit dem höchsten Nutzenerwarten implementiert.

Beispiele für Anwendungen:

• Aussteuerung von Werbeanzeigen
• Empfehlungssysteme für Produkte
• Vorausschauende Wartung (“Predictive Maintenance“)
• Kündigungsvermeidung

Schritt 10 von 11

Autonome Analytik

Eine autonome Analytik entscheidet selbstständig, was passieren soll. Sie nutzt dafür präskriptive Analytik und führt die Handlungen selbst aus. Ein Entscheider ist nicht mehr involviert.

Beispiele für Werkzeuge:

• Marketing-Automation-Lösungen
• Service-Orchestrierungs-Werkzeuge
• Agenten-Systeme
• Künstliche Intelligenz-Systeme

Schritt 11 von 11

Automatisierung

Maschinen übernehmen selbstständig die Steuerung und fortlaufende Optimierung von Prozessen. Die Mitarbeiter des Unternehmens haben nur noch eine kontrollierende Funktion.

Beispiele für Anwendungen:

• Dynamische Preise (“Dynamic Pricing”)
• Autonome Fahr- oder Flugzeuge
• Intelligente Lagerhaltung
• Hochfrequenzaktienhandel

Abschluss

Nachdem Sie den IST-Zustand vollständig dokumentiert und den SOLL-Zustand ausreichend definiert haben, sollten Sie noch einmal eine abschließende Konsistenzprüfung vornehmen (vgl. Checkliste oben).

Im entscheidenden nächsten Schritt wählen Sie die Anwendungen aus, die den analytischen Reifegrad Ihres Unternehmens erhöhen – ohne dabei eine Stufe zu überspringen, um Risiken, Aufwände, Kosten sowie die Projektdauer zu minimieren und in Folge einen schnellen Return-On-Investment zu erzielen und von den analytischen Optimierungspotentialen zeitnah zu profitieren.

Lieber viele kleine und schnelle Schritte als ein großer und langsamer Schritt. Wer schon mal versucht hat, zwei oder mehr Stufen einer Treppe auf einmal zu nehmen, weiß, wie anstrengend das ist und wie gefährlich das sein kann.

Bei der Auswahl der relevanten Anwendungen sind entsprechend folgende Punkte zu berücksichtigen:

1. Anwendungsfälle in Anwendungsfeldern mit einer hohen Dichte an grünen Karten (also bestehenden Anwendungen und Lösungen) steigern voraussichtlich die Effizienz und Effektivität des Unternehmens nur geringfügig. Das Optimierungspotential beispielsweise durch Business Intelligence-Lösungen ist bereits erschöpft, wenn bereits für alle Abteilungen ein entsprechendes Berichtswesen eingeführt ist.
2. Unbesetzte Anwendungsfelder bzw. Boxen mit vielen roten Karten (also fehlenden Anwendungen) lassen dagegen auf ein hohes Wertschöpfungspotential schließen.

3. Zu prüfen ist allerdings, ob die entsprechenden analytischen Werkzeuge dafür im Unternehmen zur Verfügung stehen. Beispielsweise benötigen Anwendungen zur Optimierung präskriptive Analytik-Werkzeuge. Wenn diese Werkzeuge noch nicht vorhanden sind, müssen sie zunächst beschafft und im Unternehmen eingeführt werden. Dies erfordert meist eine aufwendige Evaluierung der Werkzeuge sowie langwierige Schulungen der Mitarbeiter.
4. Entsprechend ist darauf zu achten, dass keine analytische Reifegradstufe übersprungen wird. Setzt das Unternehmen beispielsweise derzeit nur deskriptive Analytik-Werkzeuge für das Berichtswesen ein und möchte Vorhersagen nutzen, also Predictive Analytics-Lösungen entwickeln, um folglich im Reifegradmodell zwei Stufen zu nehmen, so sollten zunächst Diagnostikwerkzeuge eingeführt und entsprechende Anwendungsfälle identifiziert werden, um direkten Nutzen aus den Werkzeugen zu ziehen und den Reifegrad im Unternehmen und insbesondere bei den Mitarbeitern schrittweise zu erhöhen.

Abschließend wählen Sie also die Anwendungsfälle aus, welche den Reifegrad des Unternehmens auf die nächste Stufe heben. Sie können anschließend das Datenstrategie-Canvas nutzen, um die jeweiligen Anwendungsfälle zu konkretisieren.

Verweise:

• Analytik-Anwendungsfall: um beispielsweise datengetriebene Anwendungen und Lösungen (Wertangebote) für Kunden zu identifizieren, die als Produkte oder Services angeboten werden.
• Geschäftsmodell: Aktivitäten wie beispielsweise Marketing-Controlling erfordern analytische Anwendungen (zum Beispiel KPI-Reporting). Auch können Kundenbeziehungen auf analytischen Anwendungen wie Chatbots basieren. Schließlich sind die analytischen Lösungen womöglich eine Ressource.
• Datenstrategie: um bestimmte Anwendungsfälle zu konkretisieren und um den erforderlichen Analytik-Reifegrad (also die Analytics-Werkzeuge) zu bestimmen.
• Datenlandschaft: um mögliche analytische Anwendungsfälle auf Basis der vorhandenen Daten zu identifizieren.