10 BI & Analytics Trends, die in keiner Datenstrategie fehlen dürfen

Tableau-Webinar zu den Top 10 der Business Intelligence Trends für das Jahr 2017
Tableau-Webinar zu den Top 10 der Business Intelligence Trends für das Jahr 2017

Noch vor einigen Jahren analysierte ich am CERN Daten im Petabyte-Bereich, die wir an den Experimenten des Large Hadron Collider einsammelten. Dazu war vor allem viel Arbeit in der Kommandozeile notwenig. R, Python, Gnuplot und SQL gehörten zu meinem Alltag. Dann habe ich Tableau kennengelernt und habe auf den Großteil meiner Skripte verzichten können. Meine Analysen waren fortan interaktiv, und die Datenstrategie hat sich grundlegend geändert.

Nicht nur in der Forschung hat sich hier viel getan. Auch Business Intelligence hat in den vergangenen Jahren tiefgreifende Änderungen erfahren. Standen 2015 noch Cloud Analytics, Data Science und die Anbindung von Big Data im Vordergrund, so sind 2016 eindeutig Self-Service-Analysen in den Fokus gerückt. Mehr Unternehmen gewähren ihren Mitarbeitern Zugriff auf ihre Daten. Mehr Menschen verstehen Daten als wichtiges Hilfsmittel zur Erfüllung ihrer Aufgaben.

Welche BI & Analytics Trends dürfen 2017 in keiner Datenstrategie fehlen?

1. Jeder kann die “moderne BI” nutzen

Moderne BI ist ein Modell der Business Intelligence, das Daten für mehr Mitarbeiter in den verschiedensten Rollen zugänglich macht. Dieser Aspekt wird auch im 2016 BI Magic Quadrant von Gartner erwähnt. Dort steht, dass wir „die entscheidende Wende eines mehr als 10 bis 11 Jahre währenden Übergangs von IT-zentrierten Berichtsplattformen zu modernen BI- und Analyseplattformen überschritten“ haben. Dies ist besonders wichtig für Unternehmen die möglicherweise Terabytes oder mehr Daten haben und sicherstellen müssen, dass die Anwender ihre Analysen mit bereinigten und von der IT genehmigten Datenbeständen durchführen.

2. Analysen werden kollaborativer

Bei der Zusammenarbeit werden wir 2017 eine Veränderung beobachten. Anstatt statische Berichte weiterzuleiten werden die Anwender interaktive Arbeitsmappen und Datenquellen gemeinsam nutzen, die als Grundlage für ihre Geschäftsentscheidungen dienen. Stellen Sie sich beispielsweise vor, dass Sie in einer wöchentlichen Geschäftsbesprechung ein interaktives Dashboard aufrufen, um KPIs zu prüfen. Es wird auch durchaus üblich sein, in diesen Dashboards direkt vom Browser oder dem iPad aus Analysen durchzuführen.

3. Alle Daten werden gleichberechtigt

2017 wird der Wert der Daten nicht mehr an Rangordnung oder Größe gebunden sein. Das Laden einer Datenbank mit Milliarden Zeilen sollte genauso vonstatten gehen wie das Laden einer Excel-Tabelle mit 150 Zeilen von Ihrem Desktop. Von Bedeutung wird sein, dass die Mitarbeiter schnell und einfach auf Daten zugreifen können und sie zusammen mit anderen Datentypen untersuchen können.

4. Selfservice wird auf die Datenvorbereitung ausgeweitet

Der Trend zu Benutzerfreundlichkeit und Agilität, der die Märkte für BI und Analysen umgewälzt hat, erreicht nun die Datenvorbereitung. Das bedeutet, dass gängige Aufgaben wie syntaktische Analyse, JSON- und HTML-Importe und die Durcharbeitung der Daten nicht mehr an Spezialisten delegiert wird. Stattdessen werden Nicht-Analysten in der Lage sein, diese Aufgaben als Teil ihres Analyse-Flows zu übernehmen.

5. Arbeiten mit Daten, ohne es zu wissen

Es ist nicht überraschend, dass Analytics am besten funktioniert, wenn es ein natürlicher Teil des Workflows ist. 2017 werden Analysen allgegenwärtig sein werden und sämtliche Geschäftsprozesse bereichern. Embedded BI wird die Reichweite der Analysen derart vergrößern, dass diese Entwicklung möglicherweise gar nicht bewusst wahrgenommen wird. Ähnlich ist es bereits bei der prädiktiven Analyse, die auf Netflix einen Film empfiehlt. Das sind die Ergebnisse von Analysen. Die meisten Menschen sind sich dessen gar nicht bewusst.

6. Die IT wird zum Datenhelden

Seit Jahrzehnten haben IT-Abteilungen damit zu kämpfen, endlos Berichte zu erstellen, um Anfragen vom Geschäftsbetrieb zu beantworten. Dieser Zyklus wird jetzt unterbrochen. IT-Abteilungen produzieren nicht mehr, sondern unterstützen und sorgen für Governance, Datensicherheit und Compliance. Die IT befähigt das Unternehmen, datenorientierte Entscheidungen mit der vom Markt geforderten Schnelligkeit zu treffen. So wird die IT gewissermaßen zum Datenhelden.

7. Die Mitarbeiter arbeiten auf natürlichere Weise mit Daten

SQL zu schreiben ist kein sehr natürlicher Weg, um mit Daten zu arbeiten. 2017 wird die Benutzeroberfläche für die Arbeit mit Daten noch natürlicher wird, und zwar durch natürliche Sprache. Analyse mit natürlicher Sprache bedeutet, dass Datenfragen mit gängigen Wörtern formuliert werden. So können Daten, Grafiken und Dashboards noch leichter zugänglich gemacht werden, indem Sie den Mitarbeitern die Möglichkeit geben, auf neue Art und Weise mit Daten zu interagieren.

8. Der Übergang zur Cloud beschleunigt sich

Datenschwerkraft ist die Idee, dass wir die Analysen dort ausführen wollen, wo sich die Daten befinden. Wenn Ihre Daten also in der Cloud gespeichert sind, wollen wir auch die Analysen dort ausführen. 2017 werden Daten in der Cloud genug „Schwerkraft“ entwickeln, um Unternehmen dazu zu bewegen, ihre Analysen dort bereitzustellen, wo sich die Daten befinden. Cloud-Data-Warehouses wie Amazon Redshift werden sehr beliebte Datenstandorte bleiben und in der Folge werden Cloud-Analysen allgegenwärtig sein.

9. Advanced Analytics wird leichter zugänglich

Nicht jeder Anwender  kann R oder Python programmieren. Insbesondere Geschäftsanwender werden sich diese Kenntnisse auch nicht aneignen wollen und vermeiden Analysefunktionen, die solche Skriptsprachen erfordern. 2017 werden Advanced Analytics (ausgefeilte, leistungsstarke Analysefunktionen) zugänglicher und für Geschäftsanwender für den täglichen Einsatz verfügbar sein.

10. Daten- und Analysekompetenz steht im Mittelpunkt

Es gibt keinen Beruf, der heute ohne Daten auskommt. Das bedeutet, dass Daten- und Analysekompetenz immer wichtiger werden wird – unabhängig von der Rolle und der Position im Unternehmen. Seit zwei aufeinanderfolgenden Jahren wurde diese Kompetenz als die wichtigste Einstellungsvoraussetzung bei LinkedIn aufgeführt. Am Arbeitsplatz werden intuitive Analytics-Plattformen eingeführt, die auf allen Ebenen Entscheidungsgrundlagen bereitstellen. Aber die Fähigkeiten der Mitarbeiter bilden das Fundament diese zu nutzen.

Möchten Sie mehr zu den neuesten Trends im Bereich Business Intelligence und Business Analytics erfahren? Dann freue ich mich Sie auf unserem Live-Webinar am 21. Februar 2017 begrüßen zu dürfen.

[Update 22 Feb 2017]: Sie haben das Webinar verpasst? Dann können Sie hier die Aufzeichnung ansehen:

Data Strategy: Steigern smarte Erkenntnisse den Business Impact?

Abbilding 2: Loth-Modell des Reifegrads von Advanced Analytics
Abbilding 2: Loth-Modell des Reifegrads von Advanced Analytics

Die voranschreitende digitale Transformation liefert Daten über nahezu jede Facette unseres Tuns. Jeder Besuch eine Webseite, jeder Klick, jede Suchanfrage und jeder Einkauf wird protokolliert und entweder mit unserer virtuellen Identität (wenn wir angemeldet sind) verknüpft, oder in einem System gespeichert, dass unsere Sitzung per Cookie oder digitalem Fingerabdruck verarbeitet.

Sind diese Daten erst einmal erhoben, werden sie für gewöhnlich in Silos der einzelnen Funktionen (vertikales Silo), Abteilungen (horizontales Silo), oder sogar in individuellen Projektsilos abgelegt. Um aus diesen Daten eine wertvolle und nützliche Ressource zu machen, müssen wir diese Silos aufbrechen. Dem stehen allerdings oft Fragen zur Inhaberschaft, Regularien und Governance im Weg.

Das Sammeln von Daten allein generiert aber keinen Mehrwert. Der tatsächliche Business Impact hängt davon ab, wie “smart” die gewonnen Erkenntnisse sind. Und das wiederum wird von der Vollständigkeit der Advanced-Analytics-Lösung (siehe Abbildung 2) und der Komplexität der eingesetzten Modelle bestimmt. Präskriptive und Semantische Analysen sind unter Umständen nur sehr schwer umzusetzen, insbesondere wenn es zunächst gilt, semi-strukturierte Daten – wie etwa Social Media-Streams – zu klassifizieren.

Vergessen Sie also über die Umsetzung komplexer Modelle nicht, die leichte Beute einzusacken: lassen Sie all Ihre quantitativen Informationen einfließen (beispielsweise Umsatzdaten), um Ihre diagnostischen Möglichkeiten zu skalieren.

Für die meisten Entscheidungsträger besteht die Herausforderung nicht in einem Mangel an Daten oder Datenquellen, sondern dass die zur Verfügung stehenden Datenquellen oftmals unterschiedliche Ergebnisse liefern oder schlichtweg nicht geeignet sind, die jeweils anstehende Entscheidung sinnvoll zu informieren.

Leider wird die Rolle der IT dabei oft unterschätzt. Die größte Herausforderung für Entscheidungsträger im Analytics-Zeitalter ist die eingefahrene Sichtweise, dass Unternehmen ihrer eigenen Datenbasis bestehend aus Interaktionen mit potentiellen Kunden, Kunden, Lieferanten und Partnern weniger vertrauen können, als externen Erkenntnisquellen.

Dieser Beitrag ist der zweite Teil der Datenstrategie-Serie:

Teil 1: Die Notwendigkeit einer modernen Datenstrategie im Zuge der digitalen Transformation
Teil 2: Steigern smarte Erkenntnisse den Business Impact?
Teil 3: Wie unterstützen Analysen Ihre Entscheidungsfindung?
Teil 4: Erstickt Innovation zwischen Berichtswesen und Data Discovery?

Data Strategy: Die Notwendigkeit einer modernen Datenstrategie im Zuge der digitalen Transformation

Abbildung 1: Analysten schätzen, dass das Datenvolumen in den kommenden Jahren rasant steigend wird
Abbildung 1: Analysten schätzen, dass das Datenvolumen in den kommenden Jahren rasant steigend wird

Traditionell sind es die Mitarbeiter, die gute – oder zumindest glückliche – Entscheidungen treffen, die die Karriereleiter innerhalb von Unternehmen erklimmen. Und diese Kultur des Respekts gegenüber guten Instinkten durchdringt auch heutzutage noch die Entscheidungsfindung in vielen Unternehmen.

In manchen Fällen werden Berater hinzugezogen, um unliebsamen oder rein präferentiellen Entscheidungen den Anschein externer Validierung zu geben; in anderen Fällen verlässt man sich auf die Weisheit von Vorgesetzten, Mentoren oder Gurus. Es zeichnet sich jedoch ab, dass bei Entscheidungen, die ein Unternehmen von sich aus nicht ohne weiteres unterstützen kann, immer mehr das Kollektiv herangezogen wird und man sich bei Entscheidungsfindung und Problemlösung der Kraft großer Zahlen bedient.

In unserer digital vernetzten Welt fallen jeden Tag Unmengen von Daten an (siehe Abbildung 1). Das exponentielle Wachstum der Menge an generierten Daten führt unweigerlich zur digitalen Transformation ganzer Geschäftsmodelle. Nur Unternehmen, die große Datenmengen aus unterschiedlichen Quellen in umsetzbare Erkenntnisse verwandeln können, werden langfristig wettbewerbsfähig bleiben. Dazu bedarf es einer modernen Strategie, die den Fokus auf Daten legt und weit über deren reine Erhebung hinausgeht.

Eine unternehmensweite Bereitstellung von Advanced Analytics und Data Science as a Service (DSaaS) kann hier einen Wettbewerbsvorteil bedeuten, insbesondere wenn sie den Schwerpunkt darauf legt, die Mitarbeiter mit den richtigen analytischen Werkzeugen auszustatten. Sind diese Werkzeuge einfach zu verwenden und gut in die tägliche Arbeit integriert, lässt sich die Akzeptanz – und somit Wirkung – maximieren.

Dieser Beitrag ist der erste Teil der Datenstrategie-Serie. In den kommenden Wochen folgen weitere Beiträge, die Fragen zur modernen Datenstrategie näher beleuchten werden:

Teil 1: Die Notwendigkeit einer modernen Datenstrategie im Zuge der digitalen Transformation
Teil 2: Steigern smarte Erkenntnisse den Business Impact?
Teil 3: Wie unterstützen Analysen Ihre Entscheidungsfindung?
Teil 4: Erstickt Innovation zwischen Berichtswesen und Data Discovery?

Tableau: How to find the most important variables for determining Sales

Random Forest Animation
Interactive dashboard displaying the most important variables for determining the Sales measure in Tableau 10.0 (click screenshot to enlarge)

During the Q&A session of a recent talk on Data Strategy, I was challenged with a rather technical question: I was asked how to identify the variables that are heavily influencing a certain measure – with an interactive solution that matches a modern data strategy as suggested in my presentation.

Of course, this could be done by executing a script. The result however would be static and it would be not convenient for a Business Analyst to run it over and over again. Instead of applying a script every time the data changes, it would be much more innovative to get the answer immediately with every data update or interactivity such as a changed filter.

So why not solve this with Tableau? The magic underneath this easy-to-use Tableau dashboard is a nifty R script, embedded in a calculated field. This script calls a statistical method known as Random Forest, a sophisticated machine learning technique used to rank the importance of variables as described in Leo Breiman’s original paper.

The Tableau Packaged Workbook (twbx) is available here. Do you have more ideas or use cases? Feel free to leave a comment or send me an email: aloth@tableau.com

3 Essential Components to building a Data Strategy

data-strategy-slide
Three core elements of a Data Strategy Plan for telecommunications industry

Does your enterprise manage data as corporate asset? Many companies don’t. Here’s how to get started with the three core elements for your Data Strategy Plan.

1. Data

The ongoing digital transformation of our environment has created an enormous amount of data about just every aspect of what we are doing. Every website we visit, every link we click, every search engine term, every purchase is recorded associated either with our online identity if we have logged in, or in a system that saves our session through cookies or digital fingerprinting.

Once gathered, data across the enterprise are typically stored in silos belonging to   business functions (vertical silos), business units (horizontal silos), or even different projects within the same division (segmented silo). Making this data a valuable and useful asset will require to break down the silos. This may not be so easy to accomplish, due to ownership issues, regulatory concerns, and governance practices.

2. Analytics

Collecting data alone does not generate value. The completeness of your Advanced Analytics stack and the complexity of the applied models determine how “smart” your insights will be and therefore how deep the level of business impact will get. Prescriptive and Semantic Analytics might be tough to implement, especially, if you need to find a way to classify semi-structured data, such as social media streams.

While you look to apply sophisticated models, you should not forget to collect the low-hanging fruits, and see if you put in all your quantitative information, such as revenue data, to scale out your diagnostic capabilities.

3. Decision-support Tools

Now you need intuitive tools that integrate data into sustainable processes and apply your analytic models to generate information that can be used for your business decisions. Depending on the stakeholder, the outcome might be presented as a self service web front end, such as a Network Performance Monitor that allows predictive maintenance, or an Executive dashboard that provides your CFO the latest numbers for upcoming M&A.

An important consideration for your decision-support tools is user acceptance. Decision-support tools should be easy to use and should not make processes more complicated. Instead, consider to add buttons that trigger actions directly from the user interface.

This content is part of the session “3 Essential Components to building a Data Strategy” that I delivered at Telekom Big Data Days 2016. Have a look on my upcoming sessions!