Business-Analytics

Was ist Business-Analytics?

Business-Analytics (BA) ist die systematische Auswertung von Unternehmensdaten, um Geschäftsentscheidungen zu treffen. Sie macht sichtbar, wie sich Kennzahlen entwickeln, untersucht die Gründe für Veränderungen und schätzt ab, welche Folgen eine Entscheidung haben dürfte. Dafür verbindet sie betriebswirtschaftliches Wissen mit Statistik, Datenanalyse und Planung.

Der Ausgangspunkt ist eine Entscheidung, die jemand tatsächlich treffen kann. Was lässt sich verändern? Welches Ergebnis soll sich dadurch verbessern? Eine Kennzahl kann präzise gemessen sein und trotzdem wenig zur Entscheidung beitragen. Der Umsatz verrät, wie viel verkauft wurde. Für die Frage, ob sich zusätzliche Verkäufe lohnen, braucht das Unternehmen auch die Kosten, die mit ihnen entstehen.

Welche vier Arten von Business-Analytics gibt es?

Business-Analytics umfasst die deskriptive, diagnostische, prädiktive und präskriptive Analytik. Die Begriffe bezeichnen unterschiedliche Fragen an dieselben Geschäftsdaten. Welche Analyse sinnvoll ist, hängt davon ab, was die entscheidende Person bereits weiß und welche Information ihr noch fehlt.

Deskriptive Analytik: Was ist passiert?

Ein Bericht fasst abgeschlossene Vorgänge zusammen. Aussagekräftig wird eine Kennzahl durch ihre Bezugsgröße. Bei einer Quote müssen Zähler und Nenner dieselbe Grundgesamtheit beschreiben. Eine Gesamtquote lässt sich deshalb aus den summierten Zählern und Nennern der Teilgruppen berechnen. Der einfache Durchschnitt ihrer Prozentwerte liefert bei unterschiedlich großen Gruppen unter Umständen ein anderes Ergebnis.

Ähnliches gilt für Zeitvergleiche. Ein Monatswert kann steigen, weil der Monat mehr Verkaufstage hatte. Ein Vergleich pro Verkaufstag beantwortet dann eine andere Frage als der Vergleich der Monatssummen. Gute Berichte machen Einheit, Zeitraum und Vergleichsbasis direkt an der Kennzahl sichtbar.

Diagnostische Analytik: Warum hat sich eine Kennzahl verändert?

Die Diagnose beginnt oft mit einem Drill-down. Dabei wird eine aggregierte Kennzahl nach feineren Merkmalen aufgeschlüsselt. Das zeigt, welche Produkte, Regionen oder Kundengruppen rechnerisch zu einer Abweichung beitragen. Ein niedrigerer Durchschnittspreis kann auf Rabatte zurückgehen. Er kann aber auch entstehen, weil sich der Absatz zugunsten günstigerer Produkte verschoben hat. Diese zweite Erklärung heißt Mixeffekt.

Eine rechnerische Zerlegung ist noch kein Nachweis für die Wirkung einer Maßnahme. Dafür stellt sich die Frage, wie sich die Kennzahl ohne die Maßnahme entwickelt hätte. Je nach Entscheidung helfen ein kontrollierter Test, eine geeignete Vergleichsgruppe oder zusätzliche Prozessdaten. Wie man mögliche Ursachen gezielt gegeneinander prüft, beschreibt die Root-Cause-Analyse.

Prädiktive Analytik: Was wird voraussichtlich passieren?

Prognosemodelle lernen Zusammenhänge aus historischen Daten und wenden sie auf einen zukünftigen Zeitraum an. Eine Zeitreihenanalyse kann dabei Trends und saisonale Schwankungen berücksichtigen. Für eine belastbare Beurteilung muss der Prognosehorizont zur Entscheidung passen. Wer vier Wochen im Voraus bestellen muss, braucht einen Test mit vier Wochen Vorlauf.

Als Referenz dient eine einfache Prognose, etwa der Wert der entsprechenden Vorwoche. Ein komplexes Modell rechtfertigt seinen Aufwand erst, wenn es auf späteren, beim Training unbekannten Daten einen relevanten Vorteil zeigt. Auch die Richtung der Abweichung zählt. Eine Unterschätzung kann teurer sein als eine gleich große Überschätzung. Ein durchschnittlicher Prognosefehler in Stück bildet diesen Kostenunterschied noch nicht ab.

Präskriptive Analytik: Welche Handlung empfiehlt sich?

Eine Handlungsempfehlung benötigt eine Zielgröße und einen Spielraum für Entscheidungen. Die Zielfunktion legt fest, ob das Unternehmen einen Deckungsbeitrag maximieren, Wartezeit verkürzen oder Kosten minimieren will. Nebenbedingungen beschreiben, was zulässig ist. Dazu gehören verfügbare Arbeitsstunden, Budgets, Lieferfristen oder Mindestmengen.

Bei wenigen Alternativen reicht eine transparente Vergleichsrechnung. Bei vielen voneinander abhängigen Entscheidungen kommen Optimierungsverfahren aus dem Operations Research zum Einsatz. Der errechnete Vorschlag gilt für die gewählte Zielfunktion. Fehlt darin ein wichtiges betriebliches Ziel, kann eine rechnerisch optimale Lösung im Alltag ungeeignet sein.

Business-Analytics und Business Intelligence: Was ist der Unterschied?

Business Intelligence (BI) schafft eine gemeinsame Sicht auf das Unternehmen. Ihr klassischer Schwerpunkt liegt auf verlässlichen Ist-Daten, wiederkehrendem Reporting und interaktiven Dashboards. Business-Analytics nutzt diese Grundlage auch für Ursachenanalysen, Prognosen und den Vergleich konkreter Maßnahmen. Beide Bereiche überschneiden sich. Eine moderne BI-Plattform kann Prognosen berechnen, und ein gutes Dashboard kann Teil einer präskriptiven Analyse sein.

Business-Analytics, Business-Analyse und Data Science

Business-Analyse, englisch Business Analysis, beschäftigt sich mit den Anforderungen an eine betriebliche Veränderung. Ein Business Analyst klärt unter anderem, welche Arbeitsabläufe betroffen sind und woran die Beteiligten eine gute Lösung erkennen. Business-Analytics legt den Schwerpunkt auf die quantitative Untersuchung. Beide Aufgaben können bei derselben Person liegen.

Data Science ist methodisch breiter. Sie umfasst auch die Entwicklung von Algorithmen und datenbasierten Produkten. Business-Analytics lässt sich dagegen über den Entscheidungszweck abgrenzen. Eine sorgfältige Tabellenrechnung mit wenigen Eingaben kann eine geschäftliche Frage vollständig beantworten. Ein aufwendiges Modell mit hoher Vorhersagegenauigkeit hilft wenig, wenn aus seinem Ergebnis keine andere Entscheidung folgt.

Wie funktioniert Business-Analytics im Unternehmen?

Von der Geschäftsfrage zur messbaren Zielgröße

Zu Beginn legen Fachbereich und Analyst gemeinsam fest, wer entscheidet, welche Alternativen zur Wahl stehen und bis wann das Ergebnis vorliegen muss. Anschließend definieren sie eine Zielkennzahl, auch Key Performance Indicator (KPI) genannt, sofern sie für das Unternehmensziel wesentlich ist. Zur Definition gehören Berechnungsregel, Datenquelle, Bezugszeitraum und die Person, die die Kennzahl fachlich verantwortet.

Eine ergänzende Kontrollkennzahl erfasst unerwünschte Folgen. Eine kürzere Bearbeitungszeit ist nur dann ein Fortschritt, wenn die Qualität auf einem akzeptablen Niveau bleibt. Welche Abweichung tolerierbar ist, gehört vorab zur Entscheidung. Andernfalls lässt sich die Bewertung im Nachhinein so lange ändern, bis die bevorzugte Maßnahme gut aussieht.

Quelle: datenbasiert.de

Welche Daten braucht eine Geschäftsanalyse?

ERP-Systeme liefern Buchungen, Bestände und Informationen zu Geschäftsprozessen. CRM-Systeme erfassen Kundenkontakte und Vertriebschancen. Hinzu kommen Produktnutzung, Finanzdaten und Rückmeldungen aus dem Service. Vor dem Zusammenführen muss klar sein, was eine einzelne Tabellenzeile bezeichnet. Ein Auftrag kann mehrere Positionen und mehrere Zahlungen haben. Werden beide Tabellen allein über die Auftragsnummer verknüpft, können sich die Beträge vervielfachen.

Ein Data Warehouse führt aufbereitete Unternehmensdaten für Auswertungen zusammen. Ein Lakehouse kombiniert einen skalierbaren Datenspeicher mit Funktionen, die man aus analytischen Datenbanken kennt. Bei ETL werden Daten vor dem Laden ins Zielsystem transformiert, bei ELT erst danach. Für den Fachbereich ist bei beiden Verfahren entscheidend, ob sich der Weg von einer Berichtskennzahl bis zu den zugrunde liegenden Buchungen nachvollziehen lässt.

Eine semantische Schicht legt gemeinsame Definitionen und Beziehungen fest. Dadurch können Controlling und Vertrieb dieselbe Umsatzkennzahl nach unterschiedlichen Dimensionen auswerten. Zur Data Governance gehört auch, wer Berechnungsregeln ändern, sensible Daten einsehen und einen geänderten Datenstand freigeben darf. Selbstbedienung im Reporting funktioniert besser, wenn diese fachlichen Entscheidungen bereits getroffen sind.

Wer setzt das Ergebnis um?

Data Engineers stellen Datenflüsse und geprüfte Tabellen bereit. BI-Analysten modellieren Kennzahlen und entwickeln Berichte. Je nach Fragestellung übernehmen Analysten oder Data Scientists auch Prognosen und Simulationen. Der Fachbereich entscheidet, ob eine Empfehlung umsetzbar ist, und dokumentiert die gewählte Maßnahme. In kleineren Unternehmen können mehrere dieser Aufgaben bei einer Person liegen.

Nach der Umsetzung folgt der Soll-Ist-Vergleich. Dabei sind zwei Fragen getrennt zu prüfen. Wie gut traf die Prognose ein? Welchen Beitrag leistete die Maßnahme zum Geschäftsergebnis? Eine Prognose kann zutreffen, während die gewählte Maßnahme zu teuer war. Umgekehrt kann eine vernünftige Entscheidung bei einem einzelnen ungünstigen Ausgang schlecht aussehen. Für eine systematische Bewertung braucht es mehrere vergleichbare Entscheidungen.

Business-Analytics-Beispiel: Wie viele Mittagessen sollte eine Kantine vorbereiten?

Eine Kantine muss vor dem Mittagsgeschäft entscheiden, ob sie 80, 100 oder 120 Portionen vorbereitet. Ein verkauftes Essen bringt acht Euro Nettoerlös. Zutaten und zusätzliche Zubereitung kosten drei Euro je vorbereiteter Portion. Übrig gebliebene Essen bringen keinen Erlös. Die Küche hat höchstens für 120 Portionen Kapazität. Sämtliche Zahlen sind Annahmen für diese Modellrechnung.

Vom Kassenbericht zur Nachfrageprognose

Die deskriptive Analyse der letzten 20 vergleichbaren Öffnungstage ergibt einen gleichförmigen Kassenbericht. Bei einer Produktionsmenge von 80 Portionen verkaufte die Küche an jedem dieser Tage genau 80 Essen. Wer nur diese Verkäufe betrachtet, könnte 80 Portionen für eine perfekte Planung halten. Die Kasse erfasst aber ausschließlich die bediente Nachfrage.

Für die diagnostische Analyse hat die Kantine auch eindeutige Bestellwünsche nach dem Ausverkauf gezählt. An fünf Tagen blieb es bei 80 nachgefragten Portionen. An zehn Tagen hätten 100 Gäste gekauft, an fünf Tagen 120. Die konstante Verkaufszahl erklärt sich aus der Produktionsgrenze. An 15 von 20 Tagen fehlten Essen.

Für die prädiktive Analyse verwendet die Küche die beobachteten Häufigkeiten als einfache Prognose für den nächsten vergleichbaren Tag. Sie rechnet mit 25 Prozent Wahrscheinlichkeit für 80 Essen, 50 Prozent für 100 und 25 Prozent für 120. Die erwartete Nachfrage beträgt damit 100 Portionen. Ob 100 auch die wirtschaftlich beste Produktionsmenge ist, entscheidet sich erst im Kostenvergleich.

Welche Menge ergibt den höchsten erwarteten Deckungsbeitrag?

Bei 100 vorbereiteten Essen verkauft die Küche in einem Viertel der Fälle nur 80, sonst alle 100. So ergeben sich im Mittel 95 Verkäufe. Bei 120 vorbereiteten Essen ist der erwartete Erlös höher. Die zusätzlichen Verkäufe reichen aber nicht aus, um die Kosten aller zusätzlich gekochten Portionen zu decken. Unter diesen Annahmen liefern 100 Portionen den höchsten erwarteten Deckungsbeitrag. Unveränderte Fixkosten spielen für den Vergleich keine Rolle.

Die Entscheidung hat eine überprüfbare Schwelle. Der Schritt von 100 auf 120 kostet zusätzlich 60 Euro. An einem Tag mit hoher Nachfrage erlöst die Küche dafür 160 Euro mehr, an den übrigen Tagen nichts. Erst wenn die Wahrscheinlichkeit für 120 nachgefragte Essen über 37,5 Prozent steigt, lohnt sich die größere Menge gegenüber 100 Portionen. Am Schwellenwert sind beide Alternativen wirtschaftlich gleichwertig. Verlangt die Kantinenleitung zusätzlich, dass jeder Bestellwunsch erfüllt wird, muss sie dieses Serviceziel separat berücksichtigen.

Wie stark die Definition der Kennzahl wirkt, zeigt der Servicegrad bei 100 vorbereiteten Portionen. An 15 von 20 Tagen würde die Küche alle Wünsche erfüllen, also an 75 Prozent der Tage. Über alle 20 Tage könnte sie aber 1.900 von 2.000 nachgefragten Portionen ausgeben. Mengenbezogen liegt der Servicegrad bei 95 Prozent. Für den Küchenleiter sind beide Angaben wertvoll: Die erste beschreibt, wie oft das Essen ausgeht, die zweite, wie viele Bestellwünsche unerfüllt bleiben.

Welche Methoden werden in der Business-Analytics eingesetzt?

Die Methode richtet sich nach der Art der Daten und der Entscheidung. Data Mining sucht in umfangreichen Datenbeständen nach wiederkehrenden Mustern. Text Mining erschließt unstrukturierte Texte, indem es Themen, Begriffe oder Kategorien erfasst. Für die Auswertung zählt die passende Bezugsgröße. Die Zahl der Beschwerden kann mit dem Geschäftsvolumen steigen, obwohl der Anteil unzufriedener Kunden gleich bleibt.

Big-Data-Analysen bezeichnen die Arbeit mit Daten, deren Umfang, Vielfalt oder Verarbeitungsgeschwindigkeit besondere technische Anforderungen stellt. Sie können dieselben statistischen Methoden nutzen wie eine kleine Datenanalyse. Der Unterschied liegt oft in der Verarbeitung. Für wiederkehrende Analysen können verteilte Abfragen und automatisierte Datenpipelines sinnvoll sein. Für eine einmalige Entscheidung kann eine repräsentative Stichprobe genügen.

In welchen Unternehmensbereichen wird Business-Analytics eingesetzt?

Im Controlling stehen Planabweichungen und Ergebnisbeiträge im Vordergrund. Eine Preis-Mengen-Analyse trennt Preis- und Mengeneffekte, bei mehreren Produkten kommt der Produktmix hinzu. Für die Liquiditätsplanung zählt dagegen der Zeitpunkt eines Zahlungsstroms. Ein profitabler Auftrag kann die Liquidität belasten, wenn das Unternehmen Material und Löhne vorfinanziert.

Im Marketing und Vertrieb geht es häufig um die Wirkung einer zusätzlichen Ausgabe. Der Umsatz der erreichten Kunden enthält auch Käufe, die ohne Werbung stattgefunden hätten. Um die Budgetverteilung zu verbessern, interessiert daher der zusätzliche Deckungsbeitrag, den eine Kampagne auslöst. Ein randomisierter Vergleich mit einer Kontrollgruppe kann diesen Effekt schätzen. Eine reine Zuordnung von Käufen zum letzten Werbekontakt beantwortet eine andere Frage.

In Produktion und Logistik stehen Bestände, Lieferfähigkeit und Durchlaufzeiten im Mittelpunkt. Hier lohnt sich der Blick auf die Verteilung der Messwerte. Ein günstiger Durchschnitt kann mit langen Wartezeiten für einen Teil der Aufträge einhergehen. Das 90. Perzentil der Durchlaufzeit gibt an, bis zu welcher Dauer rund 90 Prozent der Beobachtungen liegen. Für eine zugesagte Lieferfrist kann dieser Wert aussagekräftiger sein als der Mittelwert.

Welche Tools eignen sich für Business-Analytics?

Excel eignet sich für überschaubare Datenmengen und nachvollziehbare Modellrechnungen. Pivot-Tabellen fassen Geschäftsdaten zusammen. Der Solver sucht für eine Zielzelle passende Werte der veränderbaren Zellen unter vorgegebenen Nebenbedingungen. Für ein Team wird die Tabellenkalkulation aufwendig, wenn mehrere Arbeitsmappen unterschiedliche Versionen derselben Kennzahl enthalten.

Power BI verbindet semantische Datenmodelle mit Berichten und Dashboards. Tableau legt einen Schwerpunkt auf interaktive Datenvisualisierung und die visuelle Erkundung von Zusammenhängen. Beide kommen infrage, wenn Fachanwender regelmäßig filtern, vergleichen und auf Detaildaten zugreifen sollen. Ob ein Bericht tatsächlich entscheidungsreif ist, hängt weiterhin von den Definitionen und vom Aktualisierungsrhythmus der Datenquelle ab.

Databricks bündelt Datenverarbeitung, SQL-Analysen und Machine Learning auf einer Plattform. Mit Genie können berechtigte Nutzer Geschäftsdaten in natürlicher Sprache abfragen. SAP Analytics Cloud verbindet Business Intelligence mit Planung und prädiktiven Funktionen. Für Analysten, die eigene statistische Verfahren entwickeln oder Auswertungen reproduzierbar ausführen wollen, sind außerdem SQL, Python und R relevant.

Welche Rolle spielt KI in der Business-Analytics?

Bei dialogorientierter BI übersetzt ein Sprachmodell eine Frage in eine Abfrage und kann das Ergebnis erläutern. Das beschleunigt die Exploration, besonders wenn die Datenplattform bereits gepflegte Kennzahlen bereitstellt. Ein KI-Assistent kann allerdings eine technisch gültige SQL-Abfrage für die falsche fachliche Definition erzeugen. Eine flüssig formulierte Antwort macht weder den verwendeten Filter noch eine falsche Verknüpfung sichtbar.

Für Self-Service-Analytics ist deshalb entscheidend, was Fachanwender mit der Antwort prüfen können. Hilfreich sind eine Anzeige der verwendeten Kennzahl, der Filter und des Datenstands sowie der Zugriff auf die zugrunde liegende Abfrage. Wenn sich eine Frage mit dem freigegebenen Datenbestand nicht beantworten lässt, ist auch diese Information ein brauchbares Ergebnis.

Quelle: datenbasiert.de