22.06.2020

Datenauswertung: Die nächste Stufe mit digitalen Lösungen

Machine Learning eröffnet neue Analysemöglichkeiten für Ihre Daten. Dank des schnell wachsenden Markts AI-basierter Softwaretools wird das dafür erforderliche technische Know-how auf ein Minimum reduziert. Mit geringerem Hintergrundwissen in Datenaufbereitung und Methodenwissen erschliessen sich dem Anwender, dem sogenannten Citizen Data Scientist, damit bisher unbekannte, in dieser Art nicht mögliche Erkenntnisse aus seinen Daten. Es gilt, die Chancen zu nutzen!

Von: Franziska Deutschmann  DruckenTeilen 

Dr. Franziska Deutschmann

Dr. Franziska Deutschmann ist Data Science Consultant bei QUNIS GmbH und Referentin der CA Controller Akademie AG. Sie berät und unterstützt internationale Unternehmen in Advanced Analytics, Machine Learning und Data-Science-Projekten.

Datenauswertung

AI erweitert BI

Egal ob im Controlling, im Rechnungswesen oder im Finanzwesen: Die Datenauswertung bildet das Herzstück. Daten sind die Grundlage und das A und O für jede fundierte Unternehmensentscheidung. Mithilfe entsprechender Fachkenntnisse werden die Daten gesammelt, aufbereitet, ausgewertet und sachkundig interpretiert; danach fliessen sie in die Entscheidungsfindung unternehmenskritischer Fragestellungen ein. Denn Daten liefern Informationen über die historische Entwicklung einer Firma, aus ihnen lassen sich Indikatoren ableiten, um zu sehen, was in der Zukunft erwartet werden kann.

Business Intelligence (BI) ist hier die führende Disziplin. AI, also Artificial Intelligence oder auf Deutsch «KI» (künstliche Intelligenz), wird dies auch nicht ändern oder ersetzen. Vielmehr wird sie den Prozess der Datenaufbereitung und -auswertung um eine Vielzahl an Funktionalitäten erweitern. Und das nicht erst in ferner Zukunft.

Schon heute sehen wir in unserem täglichen Geschäft viele Entwicklungen und Veränderungen, die in diese Richtung weisen. Dashboards, die einfach und selbstständig per Drag & Drop aufbaubar sind, lösen Excel-Tapeten ab, lästige Excel-Schiebereien und sich wöchentlich wiederholende Berechnungen werden automatisiert, rollierende Forecasts eingeführt. War bis dato der grösste Arbeitsanteil oft der Datensammlung und Aufarbeitung zugeordnet, erhält der Fachanwender und Controller dank BI und der damit einhergehenden Automatisierung mehr Zeit, um sich den aus den Daten ergebenden Informationen zu widmen, diese zu betrachten, zu interpretieren und Auffälligkeiten sowie interessanten Zusammenhängen nachzuspüren. Artificial Intelligence erweitert die Möglichkeiten der Datenauswertung und bietet neue, spannende Ausbaupotenziale. Machine Learning (ML) ist der Schlüssel dazu.

Exkurs – Machine Learning und warum es sich damit wie mit einem Schlagbohrer verhält

Unter Machine Learning versteht man ein Werkzeug aus dem Bereich der künstlichen Intelligenz, das zur Datenanalyse genutzt werden kann. Die Erfahrung zeigt, dass es sich hier ebenso verhält wie mit jedem anderen Werkzeug: Auch wenn man auf einmal das neueste Werkzeug zur Verfügung hat, sollte man es sinnvoll einsetzen. Nur weil man den besten Schlagbohrer besitzt, läuft man ja nicht durch die gesamte Wohnung und bohrt überall Löcher in die Wände. Will man aber ein Bild aufhängen, so zeigt sich der Mehrwert des neuen Schlagbohrers. Denn das Bild hängt schneller, besser, gerader als mit Hammer und Nagel zuvor. Kurzum: Nutzen Sie Machine Learning wie einen neuen Schlagbohrer, also immer dann, wenn es für Sie von Nutzen sein kann. Suchen Sie nicht wahllos nach AI oder ML Use Cases, sondern seien Sie sich dessen bewusst, dass es AI und ML gibt und was diese können. Und denken Sie daran, deren Einsatz abzuwägen, wenn Sie eine Aufgabenstellung haben.

Maschine und Mensch – die Kombi macht’s!

Aber was ist Machine Learning genau? Unter Machine Learning versteht man Algorithmen, das heisst Methoden, mit denen der Computer Muster bzw. Zusammenhänge aus einer Vielzahl bereitgestellter Daten erkennt bzw. erlernt. Abhängig von der Art des Algorithmus ist es so möglich,

  • Anomalien aufzuspüren, die beispielsweise durch fehlerhafte Eingaben entstanden sind,
  • Bestell- und Absatzmengen von Aktionsprodukten zu prognostizieren,
  • Mitarbeitereinsatzplanungen zu optimieren,
  • Mitarbeiterfluktuationen vorherzusagen,
  • Effekte von Massnahmen, wie beispielsweise ein neues Werbedesign oder Filialneueröffnungen, zu ermitteln,
  • Zusammenhänge zu erkennen, wie welche Produkte oft gleichzeitig geliefert werden,
  • Wahrscheinlichkeiten von Kündigungen oder Kreditausfällen zu prognostizieren,
  • Kunden oder Produkte automatisch entsprechend ihrer Eigenschaften wie Kaufverhalten oder Umsatzstärke in ähnliche Gruppen zu clustern,
  • Gruppenzugehörigkeiten bzw. zukünftiges Verhalten von Neukunden vorherzusagen,
  • Video- sowie Audiodaten zu transkribieren,
  • Video- sowie Audiodaten und E-Mails strukturiert auszuwerten,
  • automatisiert die unterschwelligen Stimmungen in Kunden-E-Mails zu analysieren,
  • zukünftige Maschinenausfälle vorzeitig zu erkennen.

Der Vorteil der auf AI basierenden Analyseansätze ist, dass der Algorithmus Muster erkennt, die für den Menschen zu komplex oder nur mit sehr grossem Aufwand aufspürbar sind. Ein erkanntes Muster jedoch kann der Fachanwender leicht überprüfen und interpretieren. Dort, wo es für den Menschen zu komplex und umfangreich wird, zeigt ML seinen Mehrwert. Im Gegensatz dazu fehlt der Maschine das Fachwissen, um die Ergebnisse zu interpretieren und Handlungsempfehlungen abzuleiten. Das Zusammenspiel zwischen menschlichem Fachwissen und AI bietet den wahren Zugewinn.

Exkurs – AI-Methoden im Überblick

Für nahezu jede Fragestellung gibt es eine auf Machine Learning basierende Analysemöglichkeit. Sehr beliebte ML-Methoden sind das Clustering (Cluster-Analyse), die Classification (Klassifikation), die Regression, aber auch die Anomaly Detection (Anomalieerkennung), die Survival Analysis (Ereigniszeitanalyse), Time Series Forecasts (Zeitreihenvorhersage) und Natural Language Processing (maschinelle Sprachverarbeitung). Jede eignet sich für etwas anderes am besten und fordert die Verfügbarkeit von Daten in bestimmter Form. Die neun wichtigsten Methoden im Überblick mit Einsatzgebiet, typischen Fragestellungen und Anforderungen an die Daten finden Sie in den QUNIS AI FACTSHEETS kompakt auf einen Blick zusammengestellt. Sie können diese direkt und kostenfrei unter www.qunis.de/ai-factsheets herunterladen. 

Dies ist ein kostenloser Beitrag. Sie möchten von umfangreicherem Finanzwissen profitieren und über neue Entwicklungen informiert bleiben? Jetzt Print-Newsletter abonnieren.

Neue Rollen, Tools und Trends

Das Wissen darüber, welche ML-Methode sich für welche Fragestellung eignet, wie die Daten dazu passend aufzubereiten sind und wie diese ML-Algorithmen konfiguriert werden müssen, war bislang einer kleinen Gruppe an Spezialisten vorbehalten, den sogenannten Data Scientists. Mit stetig wachsenden Datenmengen steigt nicht nur der Datenumfang, den es zu monitoren gilt, sondern oft auch die Komplexität der Daten. Schliesslich steigt auch der Bedarf an Data Scientists – und dies sehr, wie sich in den letzten Jahren gezeigt hat. Überall wird nach erfahrenen Data Scientists mit vielfältigen mathematischen, technischen und prozessualen Skills gesucht. Doch sie sind rar und der Bedarf kann vom Markt alleine nicht mehr gedeckt werden. Als Lösung dieses Engpasses kristallisiert sich zunehmend ein neues Rollenbild heraus, der Citizen Data Scientist (CDS).

Der Citizen Data Scientist bringt die Lösung für den Spezialistenmangel

Die Rolle des CDS ist für einen neugierigen Fachanwender vorgesehen, der sich mit einem soliden Basiswissen in ML-Methoden und/oder in der Datenaufbereitung sowie einem geeigneten Tool viele Fragen schnell allein beantworten kann. Natürlich bedarf es für die optimale Konfiguration eines ML-Algorithmus und auch für komplexe Fragestellungen weiterhin des Einsatzes von Data Scientists, aber erste Antworten auf die beständig wachsende Masse an Fragestellungen kann sich der Fachanwender in der Rolle und mit der Kompetenz eines CDS schnell selber beantworten.

Hohe Dynamik bestimmt den Markt der Analytics Tools

Neben dem notwendigen methodischen Wissen ist hier für einen CDS das richtige Softwaretool mit entscheidend. Das hat der Markt bemerkt. Denn kaum ein anderes Softwaresegment unterliegt in der Businesswelt aktuell so vielen Veränderungen wie der Markt der analytischen Tools. Jedes Jahr entstehen neue Produkte und sprudeln auf den Markt: branchenspezifi sche Nischenprodukte, Nischenprodukte für spezielle Aufgabenstellungen wie Textanalysen, Produkte für spezielle Fachabteilungen wie das Marketing und und und. Hinzu kommen noch umfangreiche Analytics-Plattformen, die versuchen, viele Anwendungsbereiche abzudecken oder Nutzer verschiedenster Fähigkeitsstufen anzusprechen. Manche Tools setzen zudem auf einfache Zusammenarbeit in Teams, andere auf automatisiertes Reporting oder auf gute Visualisierungsmöglichkeiten. Jedes Produkt hat seine eigenen Vor- und Nachteile und ist noch nicht am Ende seiner Fähigkeiten angekommen. Vermutlich werden sich auf Dauer nicht alle Produkte am Markt durchsetzen können. Gleichzeitig werden sich mit Sicherheit alle Produkte weiterentwickeln.

Augmented Analytics liegt im Trend

Der derzeitige Markttrend geht in Richtung Augmented Analytics. Mittels AI und Machine Learning werden Analyseschritte wie die Auswahl des richtigen ML-Algorithmus automatisiert, sodass der Nutzer kein Data-Science-Profi sein muss, um bestimmte Data-Science-Analysen durchführen zu können. Das notwendige technische Know-how wird auf ein Minimum gesenkt. So werden zum Beispiel Kunden, Produkte oder Rohstoffe mit einer Clusteranalyse gruppiert, ohne dass Sie als Fachanwender verstehen müssen, was im Hintergrund passiert. Ebenso ist es möglich, mit einem Klick Umsätze oder ähnliche geschäftsrelevante Daten mittels Zeitreihenanalysen vorherzusagen. In manchen Tools kann zudem die Einbettung von AI die Suche nach relevanten Daten mittels Sprachsteuerung oder Google-ähnlichen Suchfunktionen erleichtern. All das zählt zu Augmented Analytics und gibt einen Einblick, wie sich der Markt an Analytics-Werkzeugen gerade weiter wandelt.

Welches Tool passt zu mir?

Die Auswahl des passenden Tools ist entscheidend für den Erfolg beim Arbeiten mit AI und ML. Denn wie es auch unsere Erfahrung als Data Scientists gezeigt hat: «Nichts erschwert die Kreativität bei der explorativen Analyse mehr als eine Software, mit der man sich nicht wohlfühlt.» Es gilt also, das zu den Nutzeranforderungen passende Tool zu fi nden. Aspekte wie die Erfahrungen des Fachanwenders im Umgang mit Daten, sein statistisches und mathematisches Vorwissen, die Bereitschaft und die verfügbare Arbeitszeit, um sich in neue Software einzuarbeiten, der Grad an gelebter Teamarbeit, die Unternehmensgrösse, die Fragestellungen, mit denen an die Daten herangetreten wird, die typische Projektgrösse und auch die technischen Voraussetzungen sowie die Datenmanagementstrategie spielen bei der Auswahl eines Tools eine Rolle. Demgemäss kommt ein Tool infrage oder eben auch nicht. Die Bandbreite der möglichen Tools reicht dabei vom einfachen Reportingwerkzeug über BI und Analytics-Suiten bis hin zu dezidierten Machine-Learning- und Data-Science-Plattformen oder sogar IDEs und Notebooks.

Segmentierung des Markts der Analysetools

Starten wir also die Suche nach dem richtigen Tool damit, uns die Nutzeranforderungen bewusst zu machen und zu hinterfragen, was der Nutzer vom Analysewerkzeug erwartet:

  • Reichen starre und einfache Visualisierungen von Daten, die sich als Bilddatei oder Tabelle abspeichern lassen?
  • Sollen mehrere Nutzer in einer explorativen Analyse zusammenarbeiten können? Wenn ja, inwiefern soll die Zusammenarbeit unterstützt werden?
  • Nutzer welcher Fähigkeitsstufen sollen kollaborieren?
  • Wie ist deren Aufgabenverteilung?
  • Welche Anforderungen bestehen bezüglich Visualisierungen, statistischen und Machine-Learning-Funktionalitäten?
  • Inwiefern soll das Tool auch zur Produktivsetzung genutzt werden?

Mit Antworten auf diese Fragen sieht man schnell, in welchem Marktsegment sich Ihr passendes Tool befindet. Reicht ein traditionelles Visualisierungstool aus (Marktsegment 1) oder suchen Sie eher ein Tool für einen Power-User (Marktsegment 2)?

Oder gehen die Nutzer schon einen Schritt weiter in Richtung Data Science (Marktsegment 3)? Oder wollen Ihre Nutzer vollste Flexibilität und scheuen sich nicht vor anspruchsvoller Programmierung in Entwicklungsumgebungen (Marktsegment 4)? Das passende Softwaretool können Sie sich wie einen Werkzeugkoffer vorstellen, der mit allen ML-Werkzeugen ausgestattet ist, die für die Beantwortung Ihrer Fragestellungen nützlich sind.

Üblicherweise variieren die Fähigkeiten und Fragestellungen der Nutzer innerhalb des Unternehmens. Dann identifi zieren sie meist nicht nur ein relevantes Marktsegment, sondern zwei oder sogar drei. Unsere Erfahrung ist, dass man sich dann der Thematik strategisch annähert und die Kombinierbarkeit von diversen Tools mitberücksichtigt. In der Regel findet sich auch dann immer eine Lösung, mit der alle gerne arbeiten.

Kluge Köpfe geht voran!

Artificial Intelligence erweitert also die Möglichkeiten der Business Intelligence und der Datenauswertung um die Methoden des Machine Learnings. Sie eröffnet in Kombination mit einem klugen Kopf viele neue Chancen der Dateninterpretation und der Erkenntnisgewinnung. Die Maschine im Sinne von Softwaretools steht bereit. Nun gilt es, die klugen Köpfe zu finden und einzusetzen, die diese Maschine nutzen. Im Grunde bietet sich dafür jeder an, der ein gutes Vorwissen im Umgang mit Daten mitbringt oder über ein grundlegendes statistisches sowie mathematisches Verständnis verfügt. Als besonders geeignet empfehlen sich zudem BI-Power-User und Controller, die lernbereit und neugierig darauf sind, Data Science und vorhersagende Algorithmen für ihre Geschäftsprozesse zu erkunden. An ihnen ist es nun, den Umgang mit Self-Service-Data-Science-Werkzeugen zu erlernen und an den passenden Stellen miteinzubeziehen. Besser gestern als morgen, denn das Rad der Datenevolution dreht sich mit hoher Geschwindigkeit weiter!

Seminar-Empfehlung

Praxis-Seminar, 2 Tage, ZWB, Zürich

Excel-Training: Szenarien, Simulationen und Sensitivitätsanalysen

Planungen professionell vornehmen und umsetzen

Nächster Termin: 28. Oktober 2020 und 29. Oktober 2020

mehr Infos

Produkt-Empfehlungen

  • Planung & Unternehmenssteuerung

    Planung & Unternehmenssteuerung

    Das Controlling-Cockpit für die erfolgreiche Planung und Steuerung.

    ab CHF 168.00

  • Controller Leitfaden

    Controller Leitfaden

    Das Standardwerk für wirksames Controlling und eine effektive Controller-Tätigkeit.

    Mehr Infos

  • Controlling mit Excel

    Controlling mit Excel

    Schluss mit Excel-Frust im Controlling, dank über 1600 fertigen Vorlagen.

    Mehr Infos

Seminar-Empfehlungen

  • Modulares Programm, 1 Tag, ZWB, Zürich

    Zertifizierter Lehrgang Business Intelligence mit Excel WEKA/SIB

    Nächster Termin: 15. September 2020

    mehr Infos

  • Praxis-Seminar, 1 Tag, ZWB, Zürich

    Excel-Training für Rechnungswesen und Controlling - Advanced

    Daten anschaulich visualisieren und professionelle Prognosen erstellen

    Nächster Termin: 16. September 2020

    mehr Infos

  • Praxis-Seminar, 1 Tag, ZWB, Zürich

    Excel-Training: Power BI

    Daten aus vielen Quellen interaktiv präsentieren

    Nächster Termin: 20. Oktober 2020

    mehr Infos

Um unsere Website laufend zu verbessern, verwenden wir Cookies. Durch die Nutzung dieser Website stimmen Sie der Verwendung von Cookies zu. Mehr Infos