Was ist Datenanalyse? Ihr Leitfaden zur Datenanalyse

Datenanalyse ist die computergestützte Untersuchung von Daten, Statistiken oder anderen Informationsformen, um Wissen, Verhaltensmuster oder andere umsetzbare Erkenntnisse zu gewinnen.

Durch Datenanalyse lassen sich zahlreiche Erkenntnisse gewinnen. Dazu gehören unter anderem:

• Bestimmte Zeiten und Tage erkennen, an denen die Verkäufe stark ansteigen oder einbrechen.
• Ungewöhnliche Netzwerkaktivitäten aufdecken, die auf Hacker hindeuten könnten.
• Anwendungen identifizieren, die unverhältnismäßig viele Systemressourcen nutzen.
•  Veränderungen im Kunden- bzw. Verbraucherverkehr aufgrund externer Einflüsse erkennen.

Bei der Datenanalyse geht es vor allem um bessere Entscheidungen. Dieser komplexe Prozess wird hauptsächlich von Datenanalysten und Data Scientists durchgeführt, kann in manchen Fällen und mit den richtigen Tools aber auch von nichttechnischem Personal übernommen werden. Der Prozess beginnt häufig mit Rohdaten, die durch Data Mining nach wertvollen Erkenntnissen durchsucht werden – denn der Wettbewerbsvorteil ist das Ziel der Datenanalyse in Unternehmen.

Um Datenanalyse besser zu verstehen, springen Sie zu den folgenden Themen:

• Die Bedeutung der Datenanalyse
  
• Arten der Datenanalyse
  
• Vorteile der Datenanalyse
  
• Herausforderungen der Datenanalyse
• Datenanalyse und KI
  
• Anbieter von Datenanalyselösungen
  
• Zertifizierungen für Datenanalyse
  
• Datenanalyse vs. Data Science
  
• Fazit: Die Zukunft der Datenanalyse
  

Die Bedeutung der Datenanalyse

Da die digitale Transformation zunehmend eingesetzt wird, ist die Praxis der Datenanalyse sprunghaft gewachsen. Ganz gleich, in welcher Branche Sie arbeiten: Datenanalyse spielt wahrscheinlich eine zentrale Rolle bei der Entwicklung Ihrer Strategie. Viele Unternehmen beschäftigen heute Datenanalysten, die Data-Mining-Techniken auf Rohdaten anwenden und dabei die zahlreichen umsetzbaren Erkenntnisse gewinnen, die sich aus diesem Prozess ergeben.

Als Reaktion darauf ist der Markt für Datenanalysesoftware schnell gewachsen. Laut IDC werden die weltweiten Ausgaben für Big Data und Business-Analytics-Lösungen 2021 um 10,1 Prozent auf 215,7 Milliarden US-Dollar steigen. Unternehmen stellen kontinuierlich Data Scientists und Datenanalysten ein. Das aktuelle Mantra lautet: „datengestützte Entscheidungsfindung“.

Bemerkenswert ist außerdem, dass die Investitionen in Datenanalyse selbst in den dunkelsten Tagen der weltweiten Coronavirus-Pandemie nicht zurückgingen. „Anders als viele andere Bereiche des IT-Services-Marktes wuchsen Big-Data- und Analytics-Services 2020 weiter, da sich Unternehmen auf Datenerkenntnisse und intelligente Automatisierungslösungen verließen, um die COVID-19-Pandemie zu überstehen“, sagte Jennifer Hamel, Research Managerin bei IDC. „Die nächste Phase der digitalen Resilienz wird verstärkte Investitionen in Services anstoßen, um sowohl anhaltende als auch neue Herausforderungen im Zusammenhang mit Initiativen zur Unternehmensintelligenz zu bewältigen.“

Die wachsende Bedeutung der Datenanalyse umfasst ein breites Spektrum an Aktivitäten, die in modernen Unternehmen üblich sind. Datenanalyse kann beispielsweise Folgendes umfassen:

• Data Mining
• Textanalyse
• Datenvisualisierung
• Business Intelligence
• Datenkataloge
• Data Warehouses
• Data Lakes
• Data Fabric
• Datenmodellierung
• Künstliche Intelligenz (KI)
• Maschinelles Lernen (ML)
• Deep Learning

Darüber hinaus nutzen zahlreiche Disziplinen Datenanalyse und verschiedene Big-Data-Trends, von Finanzwesen und Buchhaltung über Produktmanagement bis hin zur Fertigung. Auch eine Reihe verwandter Maßnahmen und Technologien spielt eine Rolle, darunter Datenvisualisierung und relationale Datenbanken, die häufig große Datensätze verwenden.

Datenanalyse ist ein wesentlicher Bestandteil von Forschung und Entwicklung, Engineering und strategischer Planung. Und natürlich bildet sie das Herzstück von Logistik und Supply-Chain-Management. Mit jedem Jahr spielt Analytics eine größere Rolle in Informationstechnologie und Cybersicherheit. Kurz gesagt: Kaum eine Branche kommt ohne Datenanalyse aus.

Heute haben viele Unternehmen einen Chief Data Officer, der für die Überwachung aller Aspekte des Datenmanagements innerhalb der Organisation zuständig ist, einschließlich Datenanalyse und Data Science.

Arten der Datenanalyse

Nicht jede Datenanalyse ist gleich. Die meisten Experten unterteilen Datenanalyse in vier zentrale Arten: deskriptive, diagnostische, prädiktive und präskriptive Analyse.

Deskriptive Analyse beschreibt, was in der Vergangenheit geschehen ist oder derzeit geschieht. Diese Art der Analyse beantwortet Fragen wie wer, was, wo, wann und wie. Ein Verkaufsbericht, der Ihre monatlichen Umsätze der vergangenen vier Quartale zeigt, ist beispielsweise ein Beispiel für deskriptive Analyse. Dies ist die am einfachsten durchzuführende Analyseart, ihr Wert für das Unternehmen ist jedoch begrenzt. Darauf verzichten können Sie dennoch nicht, denn die deskriptive Analyse bildet die notwendige Grundlage für die fortgeschritteneren Analysearten.

Diagnostische Analyse sagt Ihnen, warum etwas geschehen ist. Wenn Ihre deskriptive Analyse beispielsweise ergeben hat, dass die Umsätze im vergangenen Quartal zurückgegangen sind, hilft Ihnen die diagnostische Analyse herauszufinden, was schiefgelaufen ist. Diese Analyseart umfasst in der Regel die Kombination mehrerer Datensätze, um eine umfassendere und genauere Bewertung Ihrer Situation zu erstellen. Vielleicht ist der Umsatzrückgang auf Probleme in der Lieferkette, schlechtes Wetter oder den Verlust eines wichtigen Kunden nach der Einstellung eines neuen Vertriebsmitarbeiters zurückzuführen. Die diagnostische Analyse kann Ihnen helfen, das herauszufinden.

Prädiktive Analyse hilft Ihnen zu verstehen, was wahrscheinlich als Nächstes passieren wird. Sie untersucht historische Trends und sucht nach Mustern, die Erkenntnisse über die Zukunft liefern. Häufig verlassen sich prädiktive Analyse Tools auf fortschrittliche Datenmodelle und Technologien des maschinellen Lernens. Diese können die wichtigen Faktoren herausfiltern, die sich auf die Leistung in der Vergangenheit ausgewirkt haben, und auf die aktuelle Situation anwenden. Dies ist eine deutlich fortschrittlichere und spekulativere Form der Analyse mit hohem potenziellem Nutzen. Sie wird besonders in großen Unternehmen zu einem sehr gängigen Werkzeug.

Präskriptive Analyse versucht Ihnen zu sagen, was Sie angesichts der wahrscheinlichen Entwicklungen in der Zukunft tun sollten. Wenn Ihre prädiktive Analyse beispielsweise für das nächste Quartal sinkende Umsätze prognostiziert, kann die präskriptive Analyse Ihnen zeigen, wie sich dies verändern könnte, wenn Sie Ihre Preise senken, Ihre Marketingstrategie ändern oder Produkte von einem anderen Lieferanten beziehen. Der potenzielle Nutzen der präskriptiven Analyse ist offensichtlich enorm, gleichzeitig ist es sehr schwierig, sie richtig umzusetzen. Derzeit verfügen nur wenige Unternehmen über die Ressourcen und Fähigkeiten, präskriptive Analysen in großem Maßstab durchzuführen.

Die meisten Unternehmen beginnen ihre Reise in die Datenanalyse mit der deskriptiven Analyse. Mit der Zeit erweitern sie dies um diagnostische und anschließend um prädiktive Analysen. Viele streben letztlich ein erfolgreiches Programm für präskriptive Analysen an, um ihre geschäftlichen Entscheidungen besser zu unterstützen.

Ein Vergleich der verschiedenen Arten der Datenanalyse.

Siehe auch: Trends im Echtzeit-Datenmanagement

Vorteile der Datenanalyse

Die meisten Experten sind sich einig, dass Datenanalyse für moderne Unternehmen von großer Bedeutung ist, weil sie ihnen hilft, wettbewerbsfähiger zu werden. Unternehmen setzen Datenanalyse – mithilfe von Datenanalysten – aus zahlreichen Gründen ein. Zu den häufigsten Einsatzmöglichkeiten der Datenanalyse gehören:

Kunden besser verstehen

Die meisten Unternehmen haben Zugriff auf eine große Bandbreite an Kundendaten, darunter demografische Daten, Bestellhistorie, Interaktionen mit dem Kundenservice, soziale Medien, Browserverlauf, Umfrageantworten und vieles mehr. Datenanalysten mit der Analyse dieser Daten zu beauftragen, kann Unternehmen dabei helfen, ein umfassenderes Bild jedes einzelnen Kunden sowie ein Gesamtbild ihrer Kundschaft zu erstellen. Außerdem können sich dadurch Möglichkeiten ergeben, Kundenbedürfnisse besser zu erfüllen oder neue Käufergruppen zu erreichen.

Geschäftsabläufe optimieren

Viele Prozesse in Ihrem Unternehmen – von der Auftragsannahme über die Auftragsabwicklung und das Lieferkettenmanagement bis hin zu Kundenservice, IT-Betrieb und mehr – sind messbar. Und alles, was Sie messen können, können Sie verbessern. Datenanalyse hilft Ihnen, den Fortschritt bei wichtigen Leistungsindikatoren (KPIs) zu verfolgen und Engpässe zu erkennen, die Ihr Unternehmen derzeit ausbremsen könnten.

Neue Chancen erkennen

Einer der interessantesten Bereiche der Datenanalyse ist die sogenannte Whitespace-Analyse. Diese Methode hilft Unternehmen, Geschäftsbereiche zu identifizieren, in denen sie heute noch nicht aktiv sind, es aber sein könnten. So lassen sich neue Kunden, Produkte und Partnerschaften finden, die verfolgt werden könnten, um Umsatz und Margen zu steigern.

Bestehende Trends nutzen

Selbst die einfachsten Datenvisualisierungen machen sichtbar, in welche Richtung sich KPIs bewegen und wie schnell. Indem Sie diese Trends erkennen – häufig durch das Durchsuchen von Rohdaten –, können Sie mehr von dem tun, was gut funktioniert, und versuchen, Fehlentwicklungen zu korrigieren.

Effektiver vermarkten

Marketing ist eine der Unternehmensdisziplinen, die durch Datenanalyse am stärksten verändert wurde. Da ein großer Teil des Marketings digital stattfindet, verfügen Marketingteams über eine Fülle an Daten. Diese können ihnen helfen zu erkennen, welche Zielgruppen am wahrscheinlichsten zu Kunden werden, welche Kunden wahrscheinlich erneut kaufen, bei welchen Kunden die Abwanderung zu einem Wettbewerber droht und vieles mehr. Häufig nutzen sie Datenvisualisierung, um durch Data Mining Erkenntnisse für das Unternehmen zu gewinnen.

Preisstrategie verbessern

Was wäre, wenn eine Verbesserung Ihrer Preise um nur 1 Prozent die Gesamtmargen Ihres Unternehmens um bis zu 10 Prozent steigern könnte? Analytics kann Ihnen helfen, die Variablen zu analysieren. Datenanalyse kann Preisteams dabei unterstützen, zu erkennen, wo sie Preise erhöhen – und wo sie sie senken – sollten, um die Rentabilität zu maximieren.

Bessere Entscheidungen treffen

Menschen sind stets versucht, Entscheidungen aus emotionalen Gründen zu treffen, häufig auf Grundlage vorgefasster Annahmen, die wahr sein können oder auch nicht. Datenanalyse wirkt diesem Instinkt entgegen und ermöglicht Führungskräften zu erkennen, ob ihre Bauchentscheidungen wahrscheinlich zum Erfolg führen. In einem sehr weit gefassten Sinn kann Datenanalyse Unternehmen dabei helfen, ihre Entscheidungsfindung in der gesamten Organisation zu verbessern.

Herausforderungen der Datenanalyse

Wie jede Technologielösung bringt Datenanalyse für alle, die sie einsetzen möchten, Herausforderungen mit sich. Dazu gehören der Mangel an geschultem Personal und Schwierigkeiten bei der Datenvisualisierung.

Mangel an qualifizierten Fachkräften

Analytics, Big Data und KI sind allesamt aufstrebende Technologien, die sich erst in den vergangenen Jahren wirklich durchgesetzt haben. Das bedeutet, dass auch die entsprechende Aus- und Weiterbildung noch weiter zurückliegt. Viele Universitäten stellen Bachelor- und Masterprogramme zusammen, und technische Bildungseinrichtungen wie CompTIA und Coursera bemühen sich ebenfalls um die Ausbildung von Fachkräften. Dennoch herrscht weiterhin ein Fachkräftemangel, der verschiedene Gründe hat, etwa die Kosten der Ausbildung. Es ist nicht absehbar, dass dieser Mangel in naher Zukunft behoben wird.

Entscheidungsträger ins Boot holen

Die Geschäftsbereiche eines Unternehmens sitzen möglicherweise alle im selben Boot, sehen das aber allzu oft nicht so. Laut einer Studie von Forbes Insights und Cisco sagen 70 % der Führungskräfte, dass eine erfolgreiche Analytics-Strategie von einer engen Zusammenarbeit zwischen IT und Geschäftsbereichen abhängt. Insgesamt bewerten jedoch nur 15 % der Führungskräfte weltweit die Interaktionen zwischen diesen beiden Gruppen als „ausgezeichnet“, während 39 % die Zusammenarbeit zwischen Business und IT als „ausreichend“ einstufen.

Die Folgen dieser Spaltung sind, dass Investitionen in Analytics den Menschen nicht die benötigten Informationen liefern, während mehr als ein Drittel der Befragten dieses Defizit als Hinderungsgrund für die Nutzung technologischer Innovationen betrachtet. Daher ist es wichtig, IT und Geschäftsbereiche auf eine gemeinsame Linie mit einer gemeinsamen Vision zu bringen.

Unübersichtliche Daten

Die Art und Weise, wie Daten heute empfangen bzw. erfasst werden, unterscheidet sich deutlich von früher. Bei der manuellen Eingabe in Datenbanken wurde alles in ordentlichen Zeilen und Spalten abgelegt. Heute gibt es unstrukturierte Daten, eine Datenflut aus dem Edge-Bereich und neue Quellen wie soziale Medien.

Das Ergebnis sind häufig isolierte Daten, die nicht ohne Weiteres verfügbar sind. Die erfassten Daten müssen verarbeitet werden, was viel Zeit in Anspruch nehmen kann. Daten aus unterschiedlichen Quellen zusammenzuführen, bringt zahlreiche Herausforderungen mit sich: von ihrer Befreiung aus unübersichtlichen Datenspeichern bis hin zur Zusammenführung in einem einheitlichen Format. Data Scientists müssen viel Arbeit investieren, um Daten überhaupt nutzbar zu machen – Zeit, die dann für ihre Analyse fehlt.

Visualisierung

Wenn Sie versuchen, Informationen aus einer Datenbank zu gewinnen, werden Ihre Augen beim Blick auf Zeilen und Spalten voller Zahlen und Text schnell ermüden. Um wirklich Erkenntnisse zu gewinnen, müssen Sie die Daten visualisieren und in Formen darstellen, die Informationen wie Trends, Anomalien und Ausnahmen sichtbar machen.

Datenvisualisierungstools sind zwar äußerst hilfreich, aber nicht einfach zu bedienen. Die Auswahl ist jedoch groß – vom Einsteiger-Tool Microsoft Excel bis hin zu einem fortgeschritteneren Tool wie Tableau. Alle haben allerdings steile Lernkurven und erfordern Zeit und Schulung.

Datenanalyse und KI

Datenanalyse und künstliche Intelligenz stehen in einer synergetischen Beziehung. Bis zu einem gewissen Grad brauchen sie einander. KI benötigt für Training und maschinelles Lernen riesige Datenmengen, aber nicht jedes einzelne Datum ist nützlich oder hilfreich. Sie benötigen eine Methode, um die Daten nach relevanten, nützlichen Informationen zu durchsuchen und nicht benötigte Daten auszusortieren.

Durch den Einsatz von KI für eine bessere Datenanalyse können Sie die verbleibenden Daten besser nutzen und leichter für fortschrittliche Analysefunktionen wie prädiktive Analysen einsetzen. Die Kombination beider Technologien kann Ihr Unternehmen auf vielfältige Weise verbessern:

• Indem Sie aufkommende Markttrends vorhersehen, können Sie der Entwicklung einen Schritt voraus sein.
• Durch die Analyse des Verbraucherverhaltens können Sie Trends erkennen, während sie entstehen, statt erst danach.
• Indem Sie Kundenmuster erkennen, können Sie digitale Marketingkampagnen auf einzelne Kunden personalisieren und optimieren, statt eine Einheitslösung für alle einzusetzen.
• Nutzen Sie Big Data, KI und prädiktive Analysen, um intelligente Entscheidungsunterstützungssysteme aufzubauen.

Anbieter von Datenanalyselösungen

Viele der größten IT-Unternehmen im Enterprise-Bereich sind auf Datenanalyse spezialisiert. Die folgende Liste enthält wichtige Anbieter, ist jedoch keineswegs vollständig und umfasst nicht alle Unternehmen in diesem Bereich.

IBM: IBM bietet sowohl lokale als auch cloudbasierte Analytics-Lösungen auf Basis seiner Cognos-Produktlinie für Analytics-Software an, beginnend mit IBM Cloud Pak Analytics Cartridges für die skalierbare Bereitstellung von Cognos Analytics.

Oracle: Analytics ist Bestandteil praktisch aller Aktivitäten von Oracle, da Oracle in erster Linie ein Datenbankunternehmen ist. Darüber hinaus konzentriert sich das Unternehmen auf erweiterte Analytics mithilfe natürlichsprachlicher Abfragen. Oracle bietet einen vollständigen Stack lokaler Enterprise-Anwendungen, etwa für interaktive Analysen, Berichte und Dashboards. Für Cloud-Nutzer verfügt Oracle über die Cloud Data Science Platform.

Amazon Web Services: AWS bietet mehr als 50 Services zum Speichern, Verarbeiten und Visualisieren von Daten – von S3 für Objektspeicher und Glacier für langfristige Backups und Archivierung über AWS Glue für die Datenkatalogisierung und Amazon Athena für interaktive Analysen bis hin zu Elastic MapRedue (EMR) für die Big-Data-Verarbeitung und Redshift für Data Warehousing sowie zahlreichen weiteren Services.

SAP: SAP ist mit seinen In-Memory-Datenmarts und Data Warehouses SAP HANA eines der führenden Unternehmen im Bereich Business Intelligence. Das Unternehmen bietet eine Vielzahl von Anwendungen für verschiedene Geschäftsbereiche, und SAP Analytics Cloud bietet integrierte Analysen mit seiner Palette an Geschäftsanwendungen.

Teradata: Teradata begann mit seinen Data-Warehouse- und Analyseprodukten im Bereich analytischer Datenplattformen. Seitdem hat das Unternehmen sein Angebot erweitert und bietet Echtzeit- sowie intelligente Antworten On-Premises, in der Cloud oder in einer hybriden Umgebung.

Informatica: Informatica ist auf Datenmanagementlösungen für die Cloud, On-Premises oder hybride Umgebungen spezialisiert. Die Produkte des Unternehmens sind vollständig auf Analysen und die Bereitstellung der Informationen ausgerichtet, die Kunden für ihren geschäftlichen Erfolg benötigen.

Zertifizierungen für Datenanalyse

Es gibt viele Möglichkeiten, eine formale Ausbildung in Datenanalyse zu absolvieren. Viele renommierte Universitäten bieten Kurse und Studiengänge an, darunter Cornell und Stanford. Zahlreiche führende Anbieter, die auf Analysen spezialisiert sind, bieten Zertifizierungen an. Diese sind weniger umfangreich als ein vollständiger Hochschulabschluss, reichen aber völlig aus, um die nötigen Aufgaben zu erledigen und den Einstieg in die Branche zu schaffen. Sie sind über Online-Bildungsplattformen wie Coursera verfügbar. Dazu gehören:

Google Data Analytics Professional Certificate: Sechsmonatiges Programm, das Anfängern ohne Vorkenntnisse eine umfassende Einführung in die Datenanalyse bietet.

IBM Data Analyst Professional certificate: Für Personen ohne Vorkenntnisse geeignet, um eine Einstiegsposition als Datenanalyst zu bekommen. Umfasst acht Onlinekurse, deren Abschluss ungefähr 11 Monate dauert.

Microsoft Certified: Power BI Data Analyst Associate: Speziell darauf ausgelegt, Nutzer in der Analyse mit Microsofts Power BI zur Datenvisualisierung zu schulen. Vorkenntnisse in Datenprozessen und Datenrepositorien sind erforderlich.

AWS Certified Data Analytics: Darauf ausgelegt, AWS-Nutzer für die Erstellung und Wartung analytischer Lösungen zu schulen. Für erfahrene Nutzer konzipiert, die bereits mit der Verwendung von Data Lakes auf AWS vertraut sind. Amazon empfiehlt potenziellen Teilnehmern zwei Jahre praktische Erfahrung mit AWS.

CompTIA Data Analytics Plus certification: Für Anfänger mit 1–2 Jahren Erfahrung, die Daten-Mining, -Manipulation, -visualisierung und -reporting erlernen möchten. Für den Kurs ist eine Prüfung erforderlich. CompTIA empfiehlt, dass Teilnehmer dieser Prüfung zuvor 18–24 Monate in einer Analyse- oder Reportingposition gearbeitet haben.

Datenanalyse vs. Data Science

Obwohl sie ähnlich und eng miteinander verbunden sind – und häufig verwechselt werden –data science und Datenanalyse nicht dasselbe sind.

Kurz gesagt ist Datenanalyse ein geschäftlicher Fachbereich, während Data Science ein technologischer Fachbereich ist. Ziel der Datenanalyse ist es, eine bestimmte geschäftliche Frage zu beantworten, während Data Science Daten aufbereitet, transformiert und organisiert, damit sie nutzbar sind. Datenanalyse erfordert umfassende Kenntnisse einer bestimmten Geschäftsdomäne, etwa Finanzen oder Marketing, während Data Science tiefgehende Kenntnisse mathematischer und technologischer Disziplinen wie statistischer Modellierung und Programmierung voraussetzt.

Harvard Business Review erklärt, „Datenanalyse bezeichnet den Prozess und die Praxis, Daten zu analysieren, um Fragen zu beantworten, Erkenntnisse zu gewinnen und Trends zu erkennen … Data Science konzentriert sich auf die Erstellung, Bereinigung und Organisation von Datensätzen.“

In der Praxis arbeiten Data Scientists und Datenanalysten oft sehr eng zusammen und gehören innerhalb einer Organisation möglicherweise sogar demselben Team an.

Siehe auch: Was ist Datenvisualisierung

Fazit: Die Zukunft der Datenanalyse

In den nächsten Jahren wird die Nutzung von Datenanalysen mit ziemlicher Sicherheit weiter dramatisch zunehmen. Allerdings werden nicht alle Organisationen mit ihren Analysevorhaben erfolgreich sein.

Kurz gesagt: Analysen sind heute unverzichtbar. Gartner warnt, „Bis 2025 werden 80 % der Organisationen, die ihr digitales Geschäft skalieren wollen, scheitern, weil sie keinen modernen Ansatz für Data- und Analytics-Governance verfolgen.“

Neben Data Governance gehören zu den wichtigsten Trends, die beobachtet werden sollten, die folgenden:

Cloud Computing: Heute findet der Großteil der Datenanalyse in der Cloud, und dieser Trend dürfte sich verstärken. Da Organisationen einen großen Teil ihrer Daten bei Cloud-Anbietern speichern, ist es sinnvoll, sie dort zu analysieren, wo sie gespeichert sind, um Kosten zu minimieren und die Skalierbarkeit und Zuverlässigkeit von Cloud-Diensten zu nutzen.

Künstliche Intelligenz und maschinelles Lernen: Viele der komplexesten Formen der Datenanalyse, darunter prädiktive und präskriptive Analysen, stützen sich auf die Fähigkeiten der künstlichen Intelligenz und des maschinellen Lernens . Mit der Weiterentwicklung dieser Technologien werden Analysen noch leistungsfähiger.

Synthetische Daten: Datenschutzbestimmungen schränken häufig den Umfang der Analysen ein, die Organisationen direkt anhand von Kundendaten durchführen können. Eine Möglichkeit, dies zu umgehen, sind synthetische Daten, die anonym sind und in der Regel durch Datenmodelle und Algorithmen erzeugt werden.

Mehrere Analyselösungen und -plattformen: Die meisten Großunternehmen stellen fest, dass keine einzelne Analyselösung alle ihre Anforderungen in der gesamten Organisation erfüllt. Experten zufolge werden wahrscheinlich diejenigen Unternehmen am erfolgreichsten sein, die innovative Wege finden, ihre verschiedenen Analyselösungen und Datenrepositorien zu kombinieren.

Organisationen, die diese und weitere Trends, die sich aus ihren Datenanalyseaktivitäten ergeben, im Blick behalten, dürften langfristig am erfolgreichsten sein.

Siehe auch: Leitfaden zu Datenpipelines