Schlagwort: Digitalisierung

Data Operations: Wann sollten Sie Datenextrakte und wann Live-Verbindungen verwenden

#dataops: Folgen Sie der Diskussion auf Twitter
#dataops: Folgen Sie der Diskussion auf Twitter

Nachdem Sie Ihre Daten für die Analyse optimal vorbereitet haben, stellt sich die Frage auf welche Weise Sie Ihre Daten bereithalten wollen, damit Sie schnell erste Erkenntnisse erhalten.

Tableau bietet Ihnen für die meisten Datenquellen die Möglichkeit, zwischen einer Live-Verbindung, also einer direkten Verbindung zur Datenbank, und einem Datenextrakt, also einem Abzug der Daten zu wählen. Wie Abbildung 1.1 zeigt, können Sie einfach zwischen beiden Verbindungstypen wechseln.

Auswahlknöpfe, um zwischen Live-Verbindung und Datenextrakt zu wechseln
Abbildung 1.1: Auswahlknöpfe, um zwischen Live-Verbindung und Datenextrakt zu wechseln

Live-Verbindungen ermöglichen Ihnen die Arbeit mit den Daten, wie sie zum momentanen Zeitpunkt auf der Datenbank oder der Datei vorliegen. Wenn Sie Daten extrahieren, importieren Sie einige oder alle Daten in die Data Engine von Tableau. Dies gilt sowohl für Tableau Desktop als auch für Tableau Server. Welche Verbindungsmethode Sie bevorzugen sollten, hängt von Ihrer Situation und dem Anwendungsfall, Ihren Anforderungen sowie von der Verfügbarkeit der Datenbank und der Netzwerkbeschaffenheit ab.

Immer aktuell mit der Live-Verbindung

Durch die direkte Verbindung mit Ihrer Datenquelle visualisieren Sie immer die aktuellsten Daten, die Ihnen die Datenbank zur Verfügung stellt. Wenn Ihre Datenbank in Echtzeit aktualisiert wird, müssen Sie die Tableau-Visualisierung nur über die Funktionstaste F5 aktualisieren oder indem Sie mit der rechten Maustaste auf die Datenquelle klicken und die Option Aktualisieren auswählen.

Wenn Sie eine Verbindung zu großen Datenmengen herstellen, die Visualisierung sehr viele Details enthält oder Ihre Daten in einer leistungsstarken Datenbank mit entsprechend ausgestatteter Hardware gespeichert sind, können Sie mit einer direkten Verbindung eine schnellere Antwortzeit erzielen.

Die Auswahl einer direkten Verbindung schließt nicht die Möglichkeit aus, die Daten später zu extrahieren. Andersherum können Sie auch wieder von einem Extrakt zu einer Live-Verbindung wechseln, indem Sie mit der rechten Maustaste auf die Datenquelle klicken und die Option Extrakt verwenden deaktivieren.

Unabhängig mit einem Datenextrakt

Datenextrakte haben naturgemäß nicht den Vorteil, dass sie in Echtzeit aktualisiert werden, wie es bei einer Live-Verbindung der Fall ist. Die Verwendung der Data Engine von Tableau bietet jedoch eine Reihe von Vorteilen:

Leistungsverbesserung bei langsamen Datenquellen:

Vielleicht ist Ihre Datenbank stark mit Anfragen belastet oder bereits mit transaktionalen Operationen beschäftigt. Mithilfe der Data Engine können Sie Ihre Datenbank entlasten und die Datenhaltung von Tableau übernehmen lassen. Extrakte können Sie am besten außerhalb der Stoßzeiten aktualisieren. Tableau Server kann Extrakte auch zu festgelegten Zeitpunkten aktualisieren, zum Beispiel nachts um 3 Uhr.

Inkrementelles Extrahieren:

Durch das inkrementelle Extrahieren wird auch die Aktualisierungszeit beschleunigt, da Tableau nicht die gesamte Extraktdatei aktualisiert. Es fügt nur neue Datensätze hinzu. Um inkrementelle Extrakte auszuführen, müssen Sie ein Feld angeben, das als Index verwendet werden soll. Tableau aktualisiert die Zeile nur, wenn sich der Index geändert hat. Daher müssen Sie beachten, dass Änderungen an einer Datenzeile, die das Indexfeld nicht ändert, von der Aktualisierung nicht berücksichtigt werden.

Datenmenge mit Filtern einschränken:

Eine andere Möglichkeit, Extrakte zu beschleunigen, besteht darin, beim Extrahieren der Daten Filter anzuwenden. Wenn für die Analyse nicht die gesamte Datenmenge benötigt wird, können Sie den Extrakt so filtern, dass er nur die erforderlichen Datensätze enthält. Wenn Sie eine sehr große Datenmenge haben, müssen Sie nur selten den gesamten Inhalt der Datenbank extrahieren. Zum Beispiel kann Ihre Datenbank Daten für viele Regionen enthalten, aber Sie benötigen möglicherweise nur die Daten zur Region »Süd«.

Um einen Extrakt entsprechend anzulegen, wählen Sie als Verbindung Extrakt aus und klicken dann auf das nebenstehende Bearbeiten. Es öffnet sich das Fenster Daten extrahieren. Mit einem weiteren Klick auf Hinzufügen können Sie nun einen Filter erstellen, der für Ihren Extrakt angewandt wird (siehe Abbildung 1.2).

Der Datenextrakt kann mit Filtern eingeschränkt werden
Abbildung 1.2: Der Datenextrakt kann mit Filtern eingeschränkt werden

Weitere Funktionen für bestimmte Datenquellen:

Wenn Ihre Daten aus einer bestimmten Datenquelle stammen, so sind unter anderem Aggregationsfunktion wie Median (beispielsweise bei Access-Datenbanken ) bei einer Live-Verbindung nicht verfügbar. Arbeiten Sie mit einem Extrakt, können Sie diese Funktionen nutzen, auch wenn sie von der ursprünglichen Datenquelle nicht unterstützt werden.

Datenübertragbarkeit:

Sie können Extrakte lokal speichern und auch dann verwenden, wenn die Verbindung zu Ihrer Datenquelle nicht verfügbar ist. Eine Live-Verbindung funktioniert nicht, wenn Sie nicht über ein lokales Netzwerk oder das Internet auf Ihre Datenquelle zugreifen können. Extrakte werden außerdem komprimiert und sind normalerweise wesentlich kleiner als die ursprünglichen Datenbanktabellen, was dem Weitertransport der Daten zugutekommt.

Achten Sie auf Datenschutz und Data Governance

In Unternehmen spielen Datenschutz und Data Governance und damit verbunden Integrität und Sicherheit der Daten eine wichtige Rolle. Wenn Sie Extrakte an Mitarbeiter oder Geschäftspartner verteilen, sollten Sie die etwaige Vertraulichkeit Ihrer Daten berücksichtigen. Ziehen Sie in Betracht, den Inhalt des Extrakts über Filter einzuschränken und zu sichtbaren Dimensionen zu aggregieren.

Sind Sie sich unsicher, arbeiten Sie im Zweifelsfall besser mit einer Live-Verbindung, da in diesem Fall Ihre Datenbank das Rechte-Management steuert und so Ihre Daten nicht von Personen ohne ausreichende Berechtigungen gesehen werden können.

Dieser Beitrag ist der dritte Teil der Data-Operations-Serie:

Teil 1: Daten für die Analyse optimal vorbereiten
Teil 2: Wann sollten Sie Datenextrakte und wann Live-Verbindungen verwenden
Teil 3: Wie Sie die Performance Ihrer Datenanalyse und Dashboards steigern

Außerdem ist dieser Blog-Post ein Auszug aus dem Buch „Datenvisualisierung mit Tableau„, das am 31. Juli 2018 erschienen ist:

Datenvisualisierung mit Tableau
View on Amazon

Digitale Banken: Welche Digitalisierungstrends bewegen die Finanzbranche?

Eine Person nutzt die Microsoft HoloLens zur Visualisierung von Datenanalysen und Digitalisierungstrends in der Finanzbranche.
Digitalisierungstrends: Die Microsoft HoloLens ermöglicht eine Immersive und interaktive Analyse von Finanz- und Marktdaten mit Argumented Reality (Blockchain-Dashboard).

Jedes Jahr (2015, 2016, 2017 und 2018) stelle ich Digitalisierungstrends vor, die der Finanzbranche ein großes Potenzial bieten. Dabei geht es vor allem um einen Überblick darüber, welche Trends und Technologien zukünftig eine größere Rolle spielen werden oder könnten.

Für eine umfassendere Analyse zur Rolle von Blockchain, Künstlicher Intelligenz und Machine Learning in digitalen Banken empfehle ich meinen vorherigen Blogpost: Digitale Banken: Die Chancen von Blockchain, Künstlicher Intelligenz und Machine Learning.

Im Folgenden habe ich die fünf Digitalisierungstrends identifiziert, die für Banken und Versicherungen in Zukunft besonders spannend sein dürften:

1. Maschinelles Lernen und Künstliche Intelligenz

Maschinelles Lernen und Künstliche Intelligenz transformieren die Finanzbranche. Maschine Learning und Deep Learning werden im Investment Banking angewandt, um Unternehmensbewertungen schneller und zuverlässiger durchzuführen. Mehr Daten denn je können hinzugezogen werden. Eine Gewichtung der Daten erfolgt komplett autonom. Da manuelle Analyse weitgehend entfällt, werden Entscheidungsprozesse drastisch beschleunigt. Investoren, die mit konventionellen Werkzeugen arbeiten, haben das Nachsehen.

Durch Künstliche Intelligenz gesteuerte Chatbots vermitteln den Kunden eine menschlichen-ähnliche Betreuung. Chatbots werden darüber hinaus in existierende Cloud-basierende Assistenten, wie Alexa oder Siri, eingebunden und sind in der Lage mittels Natural Language Processing, auch komplexere Anfragen zu verstehen. Recommender-Systeme liefern maßgeschneiderte Lösungen, die speziell auf die Bedürfnisse der Kunden abgestimmt sind.

2. Internet of Things

Das Internet der Dinge (IoT) revolutioniert die Art und Weise, wie Banken und Versicherungen Daten nutzen. Wearables und Sensoren liefern Echtzeitdaten über den Lebensstil von Kunden, die zur Berechnung individueller Tarife für Finanz- und Versicherungsprodukte herangezogen werden können. Diese Daten fließen in Recommender-Systeme ein, die personalisierte Angebote erstellen. Darüber hinaus ermöglichen IoT-gestützte Lösungen neue Sicherheitsmechanismen, indem sie Anomalien in Verhaltensmustern erkennen und frühzeitig Alarm schlagen.

3. Blockchain und Dezentrale Finanzsysteme (DeFi)

Die Blockchain-Technologie sorgt für sichere, transparente und kostengünstige Transaktionen. Verträge werden als Smart Contracts in der Blockchain gespeichert und automatisch ausgeführt. Dies reduziert den Bedarf an Intermediären und minimiert Fehlerquellen. Dezentrale Finanzsysteme (DeFi) erweitern diesen Ansatz, indem sie traditionelle Finanzprodukte wie Kredite und Versicherungen in offene, zugängliche Plattformen überführen. Banken können DeFi nutzen, um innovative Finanzprodukte zu entwickeln und neue Märkte zu erschließen.

4. Augmented Reality und Virtual Reality

Augmented Reality (AR) und Virtual Reality (VR) ermöglichen neue Formen der Datenvisualisierung und Zusammenarbeit. Lösungen wie Microsoft’s HoloLens schaffen immersive Arbeitsumgebungen, in denen Analysten und Händler Finanzdaten in Echtzeit interaktiv analysieren können. Diese Digitalisierungstrends fördern nicht nur die Zusammenarbeit, sondern eröffnen auch neue Möglichkeiten für Schulungen und Kundeninteraktionen. Kunden können Finanzprodukte virtuell erkunden und so fundiertere Entscheidungen treffen.

5. Automatisierung und Cloud-basierte Services

Die zunehmende Automatisierung von Prozessen und der Einsatz von Cloud-Technologien ermöglichen eine effizientere Verwaltung von Finanzdienstleistungen. Machine-to-Machine-Kommunikation (M2M) und automatisierte Abläufe reduzieren Kosten und verbessern die Geschwindigkeit von Transaktionen. Cloud-basierte Plattformen bieten skalierbare Lösungen für Datenverarbeitung und Sicherheit. Gleichzeitig treiben sie die Integration neuer Technologien wie Quantum Computing voran, die in der Zukunft die Verschlüsselung und Datenanalyse revolutionieren könnten.

Ausblick der Digitalisierungstrends

Die Finanzbranche steht an einem Wendepunkt. Digitale Banken haben die Chance, nicht nur Technologien zu adaptieren, sondern als Wegbereiter einer inklusiveren und effizienteren Finanzwelt aufzutreten. Die Verknüpfung von KI, IoT und Blockchain wird es ermöglichen, personalisierte Finanzprodukte anzubieten, die gleichzeitig sicher und skalierbar sind. Zukünftige Innovationen wie Quantum Computing könnten zudem die Sicherheitsstandards weiter erhöhen und die Datenverarbeitung revolutionieren.

Welcher ist der 6. Digitalisierungstrend?

Helfen Sie den 6. Digitalisierungstrend zu benennen? Nehmen Sie hierzu an der Twitter-Umfrage teil. Selbstverständlich freue ich mich auch über Kommentare und eine spannende Diskussion:

Data Operations: Daten für die Analyse optimal vorbereiten

#dataops: Folgen Sie der Diskussion auf Twitter
#dataops: Folgen Sie der Diskussion auf Twitter

Kürzlich habe ich einige Blog-Posts zum Thema Datenstrategie veröffentlicht. Für viele Unternehmen geht die Entwicklung und Einführung einer Datenstrategie nicht tief genug. Häufig habe ich ähnliches gehört: „So weit ist unser Unternehmen noch gar nicht. Wir haben noch viel operativ vorzubereiten, bevor wir eine Datenstrategie voll umfänglich etablieren können.“

Ich habe in diesen Gesprächen nachgehakt, wo diese grundlegenden Lücken in den Unternehmen bestehen, und entschlossen eine neue Blog-Post-Serie aufzusetzen, um zum Thema Data Operations (#dataops) konkrete und einfach umsetzbare Vorschläge zu geben.

Daten für die Analyse vorbereiten

Eine der wesentlichen Fragen, die sich Datenanalysten immer wieder stellen, lautet: „Gibt es eine Möglichkeit meine Daten für die Verwendung mit Analysewerkzeugen, wie Tableau, optimal vorzubereiten?“

Daten können auf unterschiedliche Arten strukturiert sein. Die meisten neuen Tableau-Anwender erliegen der Versuchung, Tableau mit einem bereits formatierten und voraggregierten Excel-Bericht (siehe Abbildung 1.1) zu verbinden und diesen in Tableau zu visualisieren. Heißt es nicht mit Tableau können Daten jeder Art einfach und intuitiv verwenden werden? Sehr schnell stellt man fest, dass ein solches Vorgehen nicht funktioniert, wie erwartet und sich so auch keine Visualisierungen erstellen lassen.

Abbildung 1.1: Bereits formatierter und voraggregierter Excel-Bericht
Abbildung 1.1: Bereits formatierter und voraggregierter Excel-Bericht

Dieses Szenario, dem viele Einsteiger begegnen, ist nicht ungewöhnlich und tatsächlich ein häufiger Stolperstein bei der Einarbeitung in Tableau, der die Analyse Ihrer Daten erschweren kann.

Die folgenden Punkte zeigen Ihnen Vorschläge zur sauberen Vorbereitung Ihrer Daten anhand des Beispielberichts:

  • Verzichten Sie auf den einleitenden Text („Temperaturmessung zum Monatsbeginn“).
  • Überführen Sie hierarchische Überschriften („Frankfurt“, „Berlin“) auf eine Spalteninformation (neue Spalte „Ort“).
  • Pivotisieren Sie Daten von einer „weiten“ Kreuztabelle mit Variablen in Spalten („Früh“, „Mittag“, „Abend“) in eine „lange“ Tabelle, die die Variablen stets in den Zeilen trägt (in diesem Beispiel die Uhrzeit).
  • Nutzen Sie vollständige Datums- und ggf. Zeitformate („01.04.2018 06:00“) anstatt z.B. nur den Monatsnamen („April“).
  • Überprüfen Sie, dass Zahlen im Zahlenformat und nicht im Textformat gespeichert sind.
  • Verzichten Sie voraggregierte Daten („Durchschnitt“, „Gesamtdurchschnitt“).
  • Entfernen Sie leere Zeilen.
  • Achten Sie darauf, dass jede Spate eine aussagekräftige Spaltenüberschrift trägt.

Haben Sie diese Vorschläge befolgt, ist aus Ihrer „weiten“ Kreuztabelle nun eine „lange“ Zeilen-basierte Tabelle geworden, und damit die perfekte Basis zur umfangreichen Datenanalyse (siehe Abbildung 1.2).

Abbildung 1.2: Zur Datenanalyse geeignete „lange Tabelle“ ohne Aggregationen
Abbildung 1.2: Zur Datenanalyse geeignete „lange Tabelle“ ohne Aggregationen

Dieser Beitrag ist der dritte Teil der Data-Operations-Serie:

Teil 1: Daten für die Analyse optimal vorbereiten
Teil 2: Wann sollten Sie Datenextrakte und wann Live-Verbindungen verwenden
Teil 3: Wie Sie die Performance Ihrer Datenanalyse und Dashboards steigern

Außerdem ist dieser Blog-Post ein Auszug aus dem Buch „Datenvisualisierung mit Tableau„, das am 31. Juli 2018 erscheinen wird:

Datenvisualisierung mit Tableau
View on Amazon

How to Diversify a Long-term Crypto Portfolio

Close-up of a golden Bitcoin, representing digital currency and its role in building a diversified crypto portfolio for long-term investments.
Bitcoin coin symbolizing cryptocurrency investments and crypto portfolio strategies.

Last Friday, it was my pleasure to give an Executive Talk at the Frankfurt School of Finance & Management. While the focus of my presentation was Digital Transformation, plenty of the questions raised by the audience were about cryptocurrencies and how to build a diversified crypto portfolio.

Frankfurt School (@FrankfurtSchool) highlighted the session on Twitter, noting: „Our #FSEMBA students are especially interested in the use cases of today’s Executive Talk.„

After receiving follow-up emails from participants seeking guidance, I decided to expand on the topic in this blog post. For additional insights into blockchain and artificial intelligence trends, I recommend reading my related post: Digital Banking: The Opportunities of Blockchain, AI, and Machine Learning.

Why Invest in Cryptocurrencies?

The cryptocurrency market has shown explosive growth, with returns exceeding 1200% since early 2017. Finding this kind of return on investment (ROI) elsewhere is challenging. For example, a $500 investment in January 2017 could have grown to $6000 within a year!

This guide provides a framework for building a long-term cryptocurrency portfolio based on diversification and risk management principles.

Crypto Portfolio Allocation Strategy

I recommend balancing your portfolio with up to five coins in the Top 10 market cap, making up 70-85% of your investment, and complementing it with smaller altcoins in promising projects for the remaining 15-30%. This mirrors Timothy Chong’s analysis of Markowitz-style crypto optimization.

Top Cryptocurrencies for Long-term Investment

Bitcoin (40%)

Bitcoin (BTC) remains the foundation of most crypto portfolios, often referred to as „digital gold.“ It is considered a safer long-term investment due to its market dominance and steady growth.

  • Price (as of time of writing): $16,708
  • Gain Over Past Year: 2,170%
  • Market Cap: $278 B (#1)
  • Circulating Supply: 16,734,237 BTC

Ethereum (30%)

Ethereum (ETH) is the leading platform for decentralized applications (dApps) and smart contracts, driving significant innovation in decentralized finance (DeFi).

  • Price (as of time of writing): $470
  • Gain Over Past Year: 5740%
  • Market Cap: $45 B (#2)
  • Circulating Supply: 96,272,074 ETH

Litecoin (10%)

Litecoin (LTC) is often referred to as the „silver“ to Bitcoin’s „gold.“ Its faster block generation time (2.5 minutes) and lower transaction fees make it ideal for payments.

  • Price (as of time of writing): $170
  • Gain Over Past Year: 4690%
  • Market Cap: $10 B (#5)
  • Circulating Supply: 54,255,483 LTC

Ripple (10%)

Ripple (XRP) focuses on enabling fast and low-cost international money transfers. It has gained traction among financial institutions for cross-border payments.

  • Price (as of time of writing): $0.25
  • Gain Over Past Year: 3500%
  • Market Cap: $9.6 B (#4)
  • Circulating Supply: 38,739,144,847 XRP

Monero (10%)

Monero (XMR) is a privacy-focused cryptocurrency that uses advanced cryptography to ensure transaction anonymity. It has become a go-to option for users seeking privacy.

  • Price (as of time of writing): $264
  • Gain Over Past Year: 3370%
  • Market Cap: $4 B (#9)
  • Circulating Supply: 15,449,232 XMR

Outlook

As cryptocurrencies continue to evolve, they are likely to become the backbone of decentralized economies. Technologies like smart contracts and blockchain interoperability will pave the way for a seamless global financial ecosystem. In the next decade, we may see tokenized assets replacing traditional stocks and bonds, making financial services more accessible worldwide.

Additionally, privacy-focused coins like Monero will grow in importance as regulators impose stricter oversight, driving demand for anonymous transactions.

Quantum-resistant blockchains could also emerge as a critical innovation, securing cryptocurrencies against future quantum computing threats. The integration of artificial intelligence in blockchain governance may further revolutionize decision-making processes in decentralized networks.

FAQs About Crypto Portfolios

Q: Isn’t it too late to start buying cryptocurrencies now?
A: No. With growing adoption, Bitcoin could still reach 100,000 EUR/BTC and beyond in the coming years.

Q: Where can I buy Bitcoin, Ethereum, and other coins?
A: Coinbase and Binance are popular exchanges for buying and selling cryptocurrencies. Sign up on Coinbase now and receive $10 in BTC!

Q: How can I securely store my cryptocurrencies?
A: Use hardware wallets like the Ledger Nano S or create paper wallets for offline storage.

Final Thoughts on Building a Crypto Portfolio

Building a diversified cryptocurrency portfolio requires careful planning and research. The examples shared in this guide highlight promising projects and balanced strategies to help manage risks.

I welcome your thoughts and questions in the comments or on Twitter:

Disclaimer: This blog post is for informational purposes only and does not constitute investment advice.

Data Strategy: Erstickt Innovation zwischen Berichtswesen und Data Discovery?

Abbildung 4: Interaktives Dashboard zur Darstellung von variablen Abhängigkeiten in Tableau
Abbildung 4: Interaktives Dashboard zur Darstellung von variablen Abhängigkeiten mit TensorFlow in Tableau

Der erste Schritt auf dem Weg zu besserer Entscheidungsfindung im Unternehmen, ist zu verstehen, wie gute (oder schlechte) Entscheidungen zustande kamen. Genau wie manche Unternehmen formale Prozesse für Aktivitäten haben, wie z. B. What-if-Analysen, prädiktive Wartung und Bestimmung von Abhängigkeiten in Korrelationen (siehe Abbildung 4), so müssen sie formale Prüfprozesse für Entscheidungen im gesamten Unternehmen einführen. Dies soll jedoch keinesfalls dazu dienen, die an schlechten Entscheidungen Beteiligten zu bestrafen, sondern den Entscheidungsfindungsprozess und -stil des Unternehmens im Allgemeinen verbessern.

Die Rolle der IT nähert sich hierbei wieder ihren Wurzeln an und statt eine Berichtefabrik für den Rest des Unternehmens zu unterhalten, wird die IT wieder zum Dienstleister und Partner, der die Infrastruktur für eine Data Discovery bereitstellt. IT-Mitarbeiter werden entlastet und erhalten den Freiraum, ihre professionelle Energie und Kreativität in den Dienst der Innovation zu stellen, und die Mitarbeiter in den Abteilungen sehen ihre Datenfragen nicht am Flaschenhals Berichtswesen verhungern. Nur so lassen sich die Investitionen in Business Intelligence und Analytics optimal in den Dienst der strategischen Ziele des Unternehmens stellen.

Abbildung 5: Anforderungen, Fähigkeiten und Ziele einer Datenstrategie (TC17-Präsentation)
Abbildung 5: Anforderungen, Fähigkeiten und Ziele einer Datenstrategie (TC17-Präsentation)

Moderne Unternehmen sehen sich vielen analytischen Anforderungen (siehe Abbildung 5) gegenüber, und diese Anforderungen werden unweigerlich schneller wachsen, als Unternehmen sie bedienen können. Es ist daher unerlässlich, Analytics als lebenswichtigen Teil der eigenen Datenstrategie zu verstehen und entsprechend zu planen.

Dabei ist ein umfassender Betrachtungswinkel sinnvoll, denn die wachsende Nachfrage nach Analysen und Erkenntnissen wird mehr und mehr von den kundenbezogenen Abteilungen wie Marketing oder Support ausgehen. Dementsprechend wird auch das Budget für Analytics verstärkt aus diesen Abteilungen kommen, statt aus einem zentralisierten IT- oder BI-Budget. Dort, wo viele Kundendaten vorhanden sind, wird der CMO bald mehr für Analytics ausgeben als der CIO. Und dort, wo Mitarbeiter über gut integrierte, intuitive Werkzeuge für komplexe Analysen verfügen, können gute Instinkte und datenbasierte Entscheidungen Hand in Hand für den Erfolg sorgen.

Dieser Beitrag ist der fünfte 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: 10 BI & Analytics Trends, die in keiner Datenstrategie fehlen dürfen
Teil 4: Wie unterstützen Analysen Ihre Entscheidungsfindung?
Teil 5: Erstickt Innovation zwischen Berichtswesen und Data Discovery?

TC17 Data Strategy Title Slide Möchten Sie mehr zu den neuesten Trends im Bereich Datenstrategie erfahren? Dann freue ich mich, wenn Sie an meinem Vortrag „Building an Enterprise Big Data & Advanced Analytics Strategy“ auf unserer Tableau Conference TC17 (9.-12. Okt., Las Vegas) teilnehmen.