Checkliste: Wie Sie das richtige Datenanalyse-Tool finden

07.12.2020 - Nie war es wichtiger, dass Sie Datenanalysten in Ihrem Unternehmen haben. Es war allerdings auch noch nie so einfach, selbst Datenanalysen zu planen und durchzuführen. Viele der Data Analytics Tools können im Selfservice genutzt werden. Damit sowohl Datenanalysten als auch die Fachbereiche mit den Tools arbeiten können, müssen einige Kriterien

von Oliver Schonschek

Daten sind die wichtigste Ressource der Digitalisierung. Doch nur wenige Unternehmen in Deutschland erfassen und analysieren bislang ihre verfügbaren und relevanten Daten vollständig, so das Institut der deutschen Wirtschaft.

Lediglich acht Prozent der deutschen Unternehmen führen demnach bereits Big-Data-Analysen durch, fast die Hälfte der Unternehmen beschäftigt sich bislang überhaupt nicht mit dem Thema. Vielen Unternehmen fehlt es an Fachwissen - rund 62 Prozent der sein. Firmen weisen keine Kompetenzen in diesem Bereich auf.

Es ist einerseits erstaunlich, dass dann nur 13 Prozent der deutschen Unternehmen Stellen für Data Scientists ausschreiben. Laut Umfrage des Digitalverbandes Bitkom suchen dagegen 32 Prozent Programmierer, dahinter folgen IT-Anwendungsbetreuer, die von 18 Prozent der befragten Unternehmen gesucht werden. Andererseits ist es auch wieder nicht verwunderlich, da es noch nicht so viele Big-Data-Projekte gibt und die wenigen verfügbaren Data Scientists hohe hohe Gehaltsvorstellungen haben.

Aber eines ist klar: Die Zahl der Big-Data-Projekte und der Datenanalysen in deutschen Unternehmen muss ansteigen, um die Wettbewerbsfähigkeit zu erhalten. Man sollte Ihnen als Unternehmensentscheider aber nicht immer nur empfehlen, mehr Datenanalysten einzustellen. Es gibt gar nicht genug auf dem freien Markt. Stattdessen sollte man Sie dazu ermuntern, dass immer mehr Fachanwender in den Unternehmen selbst zu Data Analysts werden. Das ist gar nicht so schwierig, wie Sie vielleicht denken.

Data-Analytics-Tools auch für die Fachbereiche

Viele Data Analytics Tools sind inzwischen so bedienerfreundlich, dass Gespräche des Autors mit Data Scientists ergeben haben, dass so manche der Big-Data-Experten bereits um ihren Job fürchten. Viele Aufgaben, die bisher einen Data Scientists erfordert hätten, übernehmen die Tools und die integrierte KI (Künstliche Intelligenz) selbst. Aber nicht jedes Tool, das sich an Data Analysts richtet, kann auch von Experten und von ambitionierten Laien im Bereich Data Analytics genutzt werden. Damit Sie das richtige Data Analytics Tool finden, sollten Sie eine Reihe von Punkten beachten.

Was zuerst geklärt sein muss

Wenn Sie ein neues Data Analytics Tool anschaffen wollen, um die begrenzten Kapazitäten der eigenen Data Scientists zu entlasten oder um die Fachanwender selbst zu Datenanalysten zu machen, müssen Sie zuerst das wissen, was man bei jeder Anschaffung von Software klären sollte: Was sind die genauen Ziele der Datenanalysen? Für welche Zwecke sollen die Analysen kurz-, mittel- und langfristig genutzt werden?

Mit diesen Fragestellungen hängen viele weitere Punkte zusammen, die Ihre Auswahl bei Data Analytics Tools beeinflussen sollten: Wo befinden sich die zu analysierenden Daten (Datenquellen)? Wer ist für diese Daten verantwortlich und sollte einbezogen werden? Wer ist die Zielgruppe für die Ergebnisse der Analysen? Wie schnell müssen die Ergebnisse bereitstehen? Gibt es Bedarf für Echtzeitanalysen (Real Time Analytics)? Wer soll auf das Analytics Tool zugreifen können? Werden verschiedene Rollen und Berechtigungen benötigt? Wo sollen die Daten und die Ergebnisse gespeichert werden? In der Cloud? Wie steht es, abhängig von den Datenkategorien, um den Datenschutz? Ihre Überlegungen hierzu sollten Sie im Hinterkopf behalten, wenn Sie die erforderlichen Funktionen des Data Analytics Tools betrachten.

Was Tools für Datenanalysten können sollten: Flexibilität, Offenheit und Integration

Mit den auszuwertenden Datenkategorien hängt nicht nur der Schutzbedarf der Daten zusammen, sondern auch die notwendige Kategorie des Analysetools. Ausgehend von Ihren Überlegungen zu den Zwecken der Analysen und den Datenkategorien können Sie festlegen, ob Sie zum Beispiel nur ein spezialisiertes Tool benötigen, das sich um Social-Media- Daten oder Standortdaten oder Webnutzungsdaten kümmern soll.

Übergreifende Lösungen sind in der Regel besser als Toolsammlungen

Mit Blick auf die mittel- und langfristigen Ziele sollten Sie aber genau überlegen, ob ein Tool für Spezialanalysen reicht. Es ist in aller Regel besser, ein übergreifendes, flexibles Analysewerkzeug zu verwenden als eine Sammlung von spezialisierten Tools, die als Insellösungen arbeiten und alle unterschiedlich bedient werden müssen. Dies erhöht sonst den Aufwand für Administration, Pflege und Schulung der Lösungen.

Wenn Sie die Datenquellen in Erfahrung gebracht haben, müssen Sie nun wissen, wie das Analysetool an die Daten kommen soll. Muss das Tool selbst nach den Daten suchen können (Data Discovery)? Welche Schnittstellen und Datenformate müssen bedient werden können? Können die Daten durch vorhandene Lösungen bereits vorbereitet werden, oder braucht das Analysewerkzeug Funktionen für Data Preparation?

Die Offenheit zur Integration sollte sich nicht nur auf die Datenquellen, also den Input für das Analysetool, beziehen, sondern auch auf den Output. Müssen Cloudlösungen angebunden werden können? Auf welchem Kommunikationsweg sollen weiterverarbeitende Lösungen die Datenanalyse-Ergebnisse bekommen? Reicht es zum Beispiel, dass eine PDF-Datei als Bericht per E-Mail verschickt werden kann, oder soll eine Datei automatisch an einen Clouddienst übertragen oder exportiert werden, der auf Basis der Ergebnisse weitere Schritte automatisiert einleiten soll?

Wie soll das Tool genutzt werden?

Ebenso stellen sich Fragen nach der konkreten Nutzung. Sollen die Datenanalysten, ob im Fachbereich oder in der Abteilung Data Science, auch auf mobilen Endgeräten unterwegs Auswertungen starten können? Dann wird nicht nur eine mobile Version für den Browser oder eine App benötigt, es muss auch an die Endgerätesicherheit und an die Verschlüsselung der Daten gedacht werden, da es Dritten nicht möglich sein darf, an die Daten und Analysen zu kommen, wenn Smartphone & Co verloren gehen.

Wird das Tool im Rahmen von Projekten genutzt, bei denen Daten und Ergebnisse kommuniziert und ausgetauscht werden? Hier sind dann Funktionen rund um Sharing und Collaboration gefragt, mit der entsprechenden Sicherheit beim Datenaustausch versteht sich.

Wie stark muss unterstützt und automatisiert werden?

Nicht nur für den Laien im Bereich Data Analytics sind Funktionen zur Visualisierung der Daten und der Analyseergebnisse wichtig, wie zum Beispiel Dashboards. Gute Visualisierungen können dabei helfen, die verfügbaren Daten besser zu verstehen und neue Ideen für Datenanalysen zu entwickeln. Man spricht von der visuellen Erforschung der Daten (Visual Exploration).

Auf Datenmanagement-Funktionen sollte man viel Wert legen

Wenn sich Abfragen und Analysen möglichst in natürlicher Sprache (Natural Language) formulieren und definieren lassen, hilft dies gerade Anwendern, die nicht programmieren können (No-Code-Funktionen). Ebenso sind Vorlagen wie zum Beispiel Abfragetemplates hilfreich, die die Anwender für ihre Zwecke anpassen können. Um den Aufwand bei den Datenanalysen zu reduzieren und die Prozessqualität zu sichern, sind automatisierte Workflows nützlich, die einmal definiert immer durchlaufen und dadurch eine Anleitung darstellen.

Wie viel Hilfe brauchen die Fachabteilungen?

Onlinehilfen, die das Data Analytics Tool bietet, sind eine sinnvolle Ergänzung zu den Schulungsmaterialien, die es für das Tool geben sollte, wobei die Schulung und die Hilfe speziell auf den Anwender aus einem Fachbereich zugeschnitten sein sollte, also auf die Marketingabteilung und nicht auf die Abteilung Data Science, wenn es denn eine solche gibt.
Verschiedene Tools haben auch eine mehr oder weniger rege Community, in der sich Anwender austauschen können. Die ist kein Ersatz für einen Support des Herstellers, aber eine wichtige Unterstützung.

Zunehmend werden Funktionen auf Basis von Machine Learning (ML) und Artificial Intelligence (AI) in den Analysetools Einzug halten, die dem Anwender viele Schritte abnehmen können, also passende Abfragen vorschlagen und die geplanten Analysen auf Stimmigkeit der Definition überprüfen.

Müssen auch Expertenfunktionen verfügbar sein?

Wenn Anpassungen am Standardtool notwendig werden, die über die Bedienung des Anwendermenüs und Auswahl von Optionen hinausgehen, sind in der Regel Data Scientists und Programmierer gefragt. Da stellt sich die Frage, ob es denn auch einen wirklichen "Profi-Mode" gibt, der eine Anpassung und Programmierung zulässt. Es kann aber auch sein, dass es bereits Module zur Erweiterung gibt, die sich zum Beispiel über den Marktplatz zu dem Analysetool beziehen lassen. Je nach Tool können Marketplaces auch bereits komplette Definitionen von Analysen vorhalten, die man sich herunterladen und installieren kann.

Die größten Knackpunkte bei Data-Analytics-Tools

In der Praxis gibt es einige Problembereiche, die die Auswahl und die spätere Nutzung von Data Analytics Tools erschweren. Oftmals sind es nicht die teils fehlenden Berichte und Visualisierungen, die ein Tool nicht brauchbar erscheinen lassen. Datenanalysen stehen und fallen mit den Daten, also mit der verfügbaren Datenqualität, mit den Funktionen zur Datenaufbereitung, mit den Datenquellen, die sich integrieren lassen. Nicht zuletzt spielt auch das Datenvolumen eine große Rolle, das sich in vertretbarer Zeit analysieren lässt.
Viele Tools werden hauptsächlich nach den Analysefunktionen beurteilt und ausgewählt. Doch die Schritte davor sind mindestens genauso wichtig. Wenn Sie also ein Data Analytics-Tool suchen, dann sollten Sie nicht nur daran denken, dass Sie oftmals Ersatz für den Analysten brauchen. Hier können die Selfservice- Funktionen eine große Hilfe sein, um die Anwender aus den Fachbereichen bis zu einem gewissen Grad zu Data Analysts zu machen.

Es sind meistens die Funktionen, die die Daten sammeln, aufbereiten, bereinigen sollen, die einen großen Unterschied machen können. Bei Data Analytics Tools geht es eben nicht nur um Tools und Analysten, sondern hauptsächlich um Daten. Legen Sie deshalb sehr viel Wert auf Datenmanagement-Funktionen bei dem Data Analytics Tool der Wahl.

Ihr Guide im New Marketing Management - ab 6,23 im Monat!

Hat Ihnen diese Beitrag weiter geholfen? Dann holen Sie sich die ONEtoONE-Premium-Mitgliedschaft. Sie unterstützen damit die Arbeit der ONEtoONE-Redaktion. Sie erhalten Zugang zu allen Premium-Leistungen von ONEtoONE, zum Archiv und sechs mal im Jahr schicken wir Ihnen die aktuelle Ausgabe.

Vorträge zum Thema:

  • Bild: Stéphanie Röhrig
    Stephanie Röhrig
    (ARAG SE)

    Mit Kunden sprechen? Echt jetzt?

    Machen Online-Kunden-Communities in Zeiten von Big Data, Data Analytics, KI etc. überhaupt noch Sinn?

    Die Präsentation ist ein Plädoyer für den direkten Dialog mit Kunden und dafür, das beste aus zwei Welten zu kombinieren.

    Vortrag im Rahmen der DMEXCO Digital DialogStage 2023 am 20.09.23, 10:30 Uhr

Anzeige
www.hightext.de

HighText Verlag

Mischenrieder Weg 18
82234 Weßling

Tel.: +49 (0) 89-57 83 87-0
Fax: +49 (0) 89-57 83 87-99
E-Mail: info@onetoone.de
Web: www.hightext.de

Kooperationspartner des

Folgen Sie uns:



Besuchen Sie auch:

www.press1.de

www.ibusiness.de

www.neuhandeln.de