Operationalisierung von Advanced Analytics – Erfahrungen aus aktuellen BARC-Anwenderbefragungen und Projekten

Viele Unternehmen stoßen heute mit ihrer Analytics-Strategie an Grenzen: Zwar verfügen sie über BI-, Analytics- und Data-Mining-Plattformen und generieren aus diesen auch wertvolle Ergebnisse und Erkenntnisse, um bessere Entscheidungen treffen zu können. Allerdings sind diese Analytics-Systeme leider noch sehr oft von den anderen bestehenden Systemen losgelöst, was zu Problemen führt: Die Ergebniswerte, Tabellen, Auswertungen und Analysen werden oft nur für einmalige Initiativen verwendet oder es fällt wiederkehrender manueller Aufwand für deren mehrfache Verwendung an. Soll beispielsweise eine Kampagne zur Bewerbung eines Produkts durchgeführt werden, so lassen sich hierfür sehr gut Analyse- und Data-Mining-Werkzeuge nutzen, um die notwendigen Kundeninformationen zu generieren (wie wahrscheinlich ist es, dass der Kunde kauft, welche Kunden sollen per E-Mail, per Postmailing oder Anruf erreicht werden). Nur leider geschieht dann der Medienbruch im weiteren Prozess und hinsichtlich der operativen Systeme: Die CSV-Tabellen, die das Werkzeug generieren, müssen in eine Form gebracht werden, die die operativen Systeme (z.B. Kampagnensysteme, Call-Center-Management-Systeme, CRM-System, etc.) unterstützen, um den eigentlichen Mehrwert der Analyse zu erreichen: Kosteneinsparung und Umsatzsteigerung. Der Schlüssel liegt in der Operationalisierung wertvoller Advanced-Analytics-Artefakte: Ihre Überführung aus (Advanced Analytics) Labs in stabile IT-Lösungen mit regelmäßigen Wartungszyklen führt dazu, dass Advanced Analytics dem Unternehmen echten Nutzen bringt, indem es die operativen Geschäftsprozesse unmittelbar unterstützt.

BARC-Anwenderumfragen zeigen, dass Unternehmen mit der Operationalisierung von Advanced Analytics noch Schwierigkeiten haben: Über 50% der befragten Unternehmen, die angeben, aktuell Advanced Analytics zu nutzen, befinden sich derzeit in der Prototypisierung von Use Cases bzw. der Evaluation der Prototypen. Nur 22% haben diese Phase bereits abgeschlossen und setzen Advanced Analytics regelmäßig zur Entscheidungsunterstützung ein (15%) oder haben wichtige Geschäftsprozesse automatisiert (7%).

Abbildung 1: „In welcher Phase der Umsetzung befinden Sie sich derzeit hauptsächlich?“ Befragt wurden fachbereichsgetriebene und IT- & Data-Scientist-getriebene Unternehmen (n=74; BARC-Anwenderstudie „Advanced & Predictive Analytics – Data Science im Fachbereich“, 2017)

 

Das Überführen der Prototypen aus (Advanced Analytics) Labs in stabile IT-Lösungen mit regelmäßigen Wartungszyklen birgt fachliche, technische und organisatorische Herausforderungen. Diese müssen von Data Labs, der IT und den Fachbereichen, die in diesen Prozess involviert sind, berücksichtigt werden.

Labs („Systems of Innovation“) und Factories („Systems of Record“) sind häufig getrennte Einheiten

„Data Science Labs“ können auch als „Systems of Innovation“ aufgefasst werden. Sie stellen einen Raum für agiles Experimentieren und Entdecken dar. Versuch und Irrtum sind daher Teil des Arbeitsprozesses und Lösungen werden sowohl danach beurteilt, welchen Mehrwert sie potenziell stiften, als auch, wie innovativ sie sind. Oft werden Lösungen verworfen oder als Benchmark für weitere Iterationsstufen verwendet. Die klassische BI-Umgebung kann im Gegensatz dazu als „System of Record“ aufgefasst werden. Ihr Fokus liegt auf stabilen und hochqualitativen Lösungen, die der Befriedigung von wiederkehrenden analytischen Fragestellungen dienen. Effizienz wird durch Standardisierung, Automatisierung und gesicherte Prozesse ermöglicht. Im Kontext Advanced Analytics kommt eine weitere Aufgabe auf diese Systems of Records zu: Wurden im Lab Modelle oder Use Cases von hoher Relevanz identifiziert, so sind diese in die entsprechenden Systeme zu integrieren. Dies können sowohl dispositive BI-Systeme oder operative ERP- oder CRM-Systeme sein.

Das Überführen der Prototypen in die stabilen IT-Umgebungen mit regelmäßigen Wartungszyklen birgt fachliche, technische und organisatorische Herausforderungen, die von Data Scientists, der IT und den Fachbereichen, die in diesen Prozess involviert sind, verstanden und umgesetzt werden müssen.

Operationalisierungsschritte zeigen sich als getrennte Phasen im analytischen Zyklus

Der analytische Zyklus wird üblicherweise zur Strukturierung von Advanced-Analytics-Projekten verwendet. Er setzt sich aus den folgenden Phasen zusammen:

In der Aufgabendefinition werden die Ziele der Analyse dokumentiert und die Aufgabe hinsichtlich der strategischen und operativen Dimensionen beleuchtet. Dies ist die Referenz für das gesamte Projekt. Datenverständnis, -auswahl und -vorbereitung generieren eine solide Datenbasis für die Umsetzung der Aufgabe. Ziel der Modellierung und Modellevaluation ist die Identifikation eines geeigneten mathematischen Modells. Dies erfordert u.U. mehrere Iterationen bzgl. der Datenaufbereitung. Die Ergebnisevaluation dient dem Qualitätsmanagement und ist Grundlage für die Entscheidung, wie weiter mit dem Lösungsansatz verfahren werden soll. Alle Schritte werden dabei noch einmal untersucht und es wird eine Entscheidung dahingehend getroffen, ob die Ergebnisse als einmalige Untersuchung verbreitet, die Analyse abgebrochen oder die Lösung operationalisiert werden soll. Das Model Deployment umfasst die Schritte der Integration des Modells in die bestehende IT-Infrastruktur, das Model Scoring, ggf. das Erstellen von User Interfaces oder die Anpassung bestehender Anwendungen sowie der Organisation des Modellmanagements und der Modellevaluation. In der kontinuierlichen Modellevaluation werden schließlich die Ergebnisse der Analyse regelmäßig geprüft und die Lösungen ggf. überarbeitet. Dies beinhaltet das periodische Retraining der Algorithmen basierend auf den jeweils neuesten Daten.

Die letzten beiden Phasen, Model Deployment und Modellevaluation, bilden die Operationalisierung von Advanced Analytics. Sofern eine Analyse nicht nur einmalig durchgeführt, sondern im operativen Betrieb regelmäßig auf den jeweils neuesten Daten erfolgen soll, wird die Operationalisierung notwendig. Diese Aufgabe wird zusammen von den Entwicklern der Lösung, den Data Scientists und den Betreibern der IT-Umgebung, der IT oder des BICC realisiert.

 

Abbildung 2: Prototypisierung und Operationalisierung im analytischen Zyklus

 

Advanced Analytics Manager berichten von unterschiedlichen Herangehensweisen bei der Operationalisierung von Advanced Analytics

In BARC-Kamingesprächen für Advanced-Analytics-Entscheider (https://barc.de/bi-leaders) tritt das Thema Operationalisierung von Advanced-Analytics-Ergebnissen und auch der Medienbruch zwischen der Lab-Umgebung und den operativen Systemen immer mehr in den Vordergrund. Unternehmen behelfen sich hier über unterschiedliche Wege: Einige legen ihren Data-Science-Teams nahe, die Data-Mining-Prototypen gut dokumentiert an die IT-Abteilungen zu übergeben und als Ansprechpartner zur Verfügung zu stehen, wenn die Modelle in ERP-, CRM- und sonstige Systeme integriert werden. So können dem Anwender unmittelbar in seinem täglichen Geschäftsprozess wichtige Informationen geliefert werden. In anderen Unternehmen arbeiten Data Scientists und IT bereits in den Prototypisierungs-Phasen früh und eng zusammen; zudem tragen Data Scientists häufiger Mitverantwortung für die Wartung der operationalisierten Lösungen.

Neue Software-Unterstützung für die Operationalisierung von Advanced Analytics

Unumstritten unterstützen BI-, Analyse- und Advanced-Analytics-Technologien Unternehmen heute besser denn je in ihrer Entscheidungsfindung, basierend auf einer Vielzahl von Funktionen und Visualisierungsmöglichkeiten. Doch immer mehr Unternehmen möchten nicht nur effektiv sein – also zum gewünschten Ergebnis gelangen – sondern vielmehr das Ergebnis effizienter – mit möglichst wenig Aufwand – erreichen. Ein Schlüssel kann in einer besseren Kopplung von Analytics und dem operativen Bereich bestehen. Dies haben auch Software-Anbieter erkannt und entwickeln heute interessante Konzepte, Methoden und Technologien, um das Potential von Analytics noch viel breiter und unmittelbarer – nämlich in den täglichen Geschäftsprozessen und operativen Umgebungen – zu nutzen. So bietet beispielsweise Apteco eine Analyse- und Kampagnenlösung bestehend aus spaltenbasierter Datenbank, Datenintegrationsmodul und Advanced-Analytics-Komponenten für die Analyse von Kundeninformationen zum Zweck der Optimierung und Realisierung von Marketing-Kampagnen: Nachdem der Anwender im Analysewerkzeug die relevanten Kunden und ihre Eigenschaften definiert hat, können diese Informationen direkt in das Modul für die Planung und Abwicklung von Kampagnen überführt und genutzt werden. Data-Mining-Plattformen wie von Dataiku, IBM, SAS oder Tibco Statistica können Advanced-Analytics-Modelle als Service mittels API für externe Anwendungen und Systeme zur Verfügung stellen. Durch die sinnvolle Operationalisierung von Analytics sparen Unternehmen Kosten und können Chancen schneller und besser erkennen.

Lernen Sie weitere spannende Möglichkeiten und Best Practices der Operationalisierung von Advanced Analytics auf dem Data Festival am 17. und 18. April 2018 in München kennen (https://www.datafestival.de). Und merken Sie sich bereits den BARC Congress für Business Intelligence und Datenmanagement am 20. und 21. November 2018 in Würzburg vor, um sich mit anderen Teilnehmern, Ausstellern, Experten und Gleichgesinnten zu vernetzen und in moderierten Workshops auszutauschen (http://barc.de/congress).