StudiePredictive Analytics - 7p-group.com · Vor allem Data Scientists sind knapp und teuer. Schwerer noch wiegt aber die kulturelle Überforderung von Entscheidern, die sich nun

RE

SE

AR

CH

SE

RV

ICE

S StudiePredictive Analytics2018

Silber-Partner

Bronze-Partner

Gold-Partner

Alle Angaben in diesem Ergebnisband wurden mit größter Sorgfalt zusammengestellt. Trotzdem sind Fehler nicht ausgeschlossen. Verlag, Redaktion und Herausgeber weisen darauf hin, dass sie weder eine

Garantie noch eine juristische Verantwortung oder jegliche Haftung für Folgen, die auf fehlerhafte Informationen zurückzuführen sind, übernehmen.

Der vorliegende Ergebnisberichtsband, einschließlich all seiner Teile, ist urheberrechtlich geschützt. Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen, auch auszugsweise, bedürfen der schriftlichen Genehmigung durch

IDG Research Services.

Ein aktuelles Studienprojekt von

RESEARCH SERVICES

Gold-Partner

Silber-Partner

Bronze-Partner

Um vorherzusagen, dass Predictive Analytics

in den nächsten Jahren eine wichtige Rolle

spielen wird, braucht man kein Predictive

Analytics. Die technologische Eintritts-

barriere ist so tief gesunken, dass nahezu

jedes Unternehmen beginnen kann, Trends

zu analysieren und Wahrscheinlichkeiten –

etwa zu Kundenverhalten, Absatzchancen

oder auch Maschinenausfällen – zu errech-

nen.

Entsprechende Daten lassen sich im großen

Stil sammeln, konsolidieren und auswerten.

Der öffentliche Cloud-Speicher ist grenzen-

los groß, die in der Wolke verfügbaren

Analytics- und KI-Lösungen reichen weit.

Auch im Open-Source-Lager findet sich

ein gewaltiger Fundus an Werkzeugen, mit

dem Unternehmen einsteigen können. Und

an Tools, mit denen sich wunderbare Dash-

boards bauen lassen, mangelt es ebenfalls

nicht.

Dennoch gibt es limitierende Faktoren, die

nicht zu unterschätzen sind. Da ist zum

einen der chronische Mangel an gut aus-

gebildetem IT-Personal. Vor allem Data

Scientists sind knapp und teuer. Schwerer

noch wiegt aber die kulturelle Überforderung

von Entscheidern, die sich nun auf Daten

statt auf ihren Bauch verlassen sollen. Sonst

wird es nichts mit dem viel beschworenen

„Data-driven Enterprise“.

Die Mentalität des „Das haben wir schon

immer so gemacht“ ist der natürliche

Feind eines jeden Predictive-Analytics-

Projekts. Datengestützt zu entscheiden ver-

langt von Managern wie von Mitarbeitern,

Gewohn heiten abzulegen und den Zahlen zu

ver trauen. In den meisten Unternehmen ist

diese Umstellung der größte Hemmschuh.

Eine spannende Lektüre wünscht

Heinrich Vaske

Das Ende der Bauch- entscheidungen

Heinrich VaskeEditorial DirectorCOMPUTERWOCHE & CIO

Editorial 3

Inhalt

Die Key Findings im Überblick .......................................................... 14

Die Key Findings im Einzelnen

1. Predictive Analytics gehört die Zukunft .............................................16

2. Große Unternehmen gehen bei Analytics-Projekten voran ..........18

3. Vielfältige Einsatzszenarien: Firmen nutzen Ergebnisse aus Predictive Analytics für Geschäftsentscheidungen .........................19

4. Hohe Erfolgsquote: Der Aufwand lohnt sich .................................. 20

5. Predictive Analytics: Firmen investieren vor allem in die IT-Infrastruktur .........................................................................................21

6. Top-3-Herausforderungen: Komplexität, mangelnde Ressourcen und Skills ........................................................................... 22

7. Analytics soll die betrieblichen Prozesse und Entscheidungen optimieren ................................................................ 24

8. Firmen vertrauen bei Predictive Analytics auf externe Servicepartner .........................................................................................25

Management Summary

13

Editorial

3

Studiendesign

41

Studiensteckbrief ..................41

Stichprobenstatistik ..............42

© s

hu

tte

rsto

ck.c

om

/ S

erg

ey

Niv

en

s

Die Studienreihe

49

Unsere Autoren / Sales-Team / Gesamtstudienleitung .................50

Vorschau Studienreihe .................51

6

Viele Daten, aber noch kein Plan ..................................... 7

Wo Mehrwert noch an Grenzen stößt ........................10

Die Round Tables

1. Excel ist (noch) Analyse-Tool Nummer eins ....................................... 27

2. Lösungen für Predictive Analytics: Do it yourself vor Cloud ..........28

3. Firmen realisieren Umsätze mit Predictive-Analytics-Services .......29

4. Die IT-Abteilung dominiert das Thema Analytics ..............................30

5. Management nutzt Predictive Analytics am häufigsten ................... 31

6. Hoher Grad der Automatisierung bei IT-Prozessen für Predictive Analytics ................................................................................... 32

7. Vielschichtig: technologische Probleme mit Analytics-Software ............................ 33

8. Predictive Analytics: Management profitiert künftig am stärksten .......................................34

9. Mitarbeiter brauchen Datenkompetenz .............................................. 35

10. Das Vertrauen in den Dienstleister und Anbieter ist entscheidend ........................................................................................36

Weitere Studienergebnisse

26

© s

hu

tte

rsto

ck.c

om

/ S

erg

ey

Niv

en

s

Kontakt / Impressum

48

Unsere Gold- und Silber-Studienpartner

stellen sich vor

43

Lufthansa Industry Solutions .....................44

DATAVARD .....................................................46

Blick in die Zukunft

38

Hohe Erfolgsquote darf nicht blenden

Die Round Tables

Predictive Analytics

Viele Daten, aber noch kein Plan Den Nutzen von Predictive Analytics muss den Anwenderfirmen keiner mehr erklären.

Allein an der Umsetzung hapert es. Technische Aspekte, unklare Daten-Ownership

und manchmal auch nur das Bauchgefühl – sieben Branchenkenner diskutierten an

einem Round Table der COMPUTERWOCHE über die Gründe.

Data Lakes, in denen Informationen auf Nim-

merwiedersehen verschwinden, wenn man

nicht aufpasst, CIOs im Konkurrenzkampf mit

dem Digitalisierungschef und mittendrin ver-

lorene Data Scientists: Predictive Analytics

nimmt zwar allmählich Fahrt auf in den

Unternehmen, doch der Weg zu auf Daten-

analysen beruhenden Vorhersagemodellen

ist weit und voller Stolpersteine.

Wie weit deutsche Unternehmen in Sachen

Predictive Analytics heute sind, diskutierten

Ende Januar in der Redaktion der COMPU-

TERWOCHE Jan-Henrik Fischer (Seven Prin-

ciples), Arne Kaldhusdal (Alexander Thamm

GmbH), Benjamin Krebs (Dell EMC), Hardy

Kremer (Deloitte), Vladislav Malicevic (Jedox),

Lars Schwabe (Lufthansa Industry Solutions)

und Gregor Stöckler (Datavard). Die Experten

kamen dabei zu folgenden Schlüssen:

1. Der Wille zur Nutzung von Predictive

Analytics ist da, doch die Umsetzung

scheitert an verschiedensten Faktoren

Auf einer Skala von eins (für „wenig bereit“) bis

zehn („sehr bereit“) geben die Experten deut-

schen Unternehmen zwei unterschiedliche

Werte. In Sachen Aufmerksamkeit/Bewusstsein

für Predictive Analytics erreichen Anwender

oft eine Neun oder Zehn – bei der Umsetzung

liegen die Werte jedoch deutlich niedriger und

schwanken zwischen Zwei und Fünf.

So sammeln zwar viele Entscheider Daten

und legen Data Lakes an. Doch dann fehlt oft

ein greifbares Ziel oder ein konkreter Plan da-

für, wie mit diesen Daten gearbeitet werden

Von Christiane Pütter

soll. So manch ein Manager ist froh, wenn er

das Thema mit dem Auftrag – „Hier sind mei-

ne Daten, machen Sie was damit“ – an einen

Data Scientisten weiterdelegieren kann. Dass

vielfach keine zielgerichtete Strategie dahin-

tersteckt, zeigt auch die Beobachtung, dass

Sachbearbeiter meist weder motiviert noch

incentiviert werden, Daten zu pflegen. Einen

weiteren Schwachpunkt bildet oft die Tech-

nik: In vielen Firmen kaufen die Fachabtei-

lungen IT-Systeme ein. „Best-of-Breed re-

giert“, wie einer der Diskussionsteilnehmer

sagt. Aber 20 bis 30 Systeme zu orchestrieren,

das ist „richtig viel Arbeit“.

2. Analytics in fünf Schritten

Analytics ist eine Reise. Mit den neuen tech-

nischen Möglichkeiten gibt es auch neue

Optionen für das Business. Die Experten spre-

chen von verschiedenen Phasen beziehungs-

weise Stufen, in denen sich Analytics im Un-

ternehmen weiterentwickelt. Da war zunächst

das traditionelle Monitoring and Reporting.

Predictive Analytics stellt erst Schritt zwei dar.

Im dritten Schritt geht es um die Frage, was

Entscheider mit den Daten anfangen können.

In Schritt vier schält sich dann heraus, wie

mit den Daten konkret Geld verdient werden

kann, und mit dem fünften Schritt wird das

datengetriebene Unternehmen erreicht.

3. Data Ownership oft ungeklärt, auch

innerhalb der Unternehmen

Analytics ohne Daten funktioniert nicht.

Doch damit fangen die Fragen erst an. Wem

gehören eigentlich die Daten, mit denen man

7Die Round Tables

künftig immer ausgefeiltere Predictive-Ana-

lytics-Lösungen füttern wird? Um diese Frage

kreist zum Beispiel die Diskussion rund um

Connected Cars. Hier streiten sich nicht nur

die verschiedenen Player des Ecosystems,

sondern auch die Verbraucherschützer reden

mit. Ein anderes Beispiel: Wer auf dem Feld

regenerativer Energien Maschinen besitzt

und diese von Dritten betreiben lässt, wird zur

Kasse gebeten, wenn er die Daten dieser

seiner eigenen Maschinen nutzen will.

Innerhalb der Unternehmen stellt sich das

oft ganz ähnlich dar: Einzelne Abteilungen,

die auf „ihren“ Daten sitzen und diese nicht

herausrücken wollen, bremsen den Einsatz

von Predictive Analytics. Oder die Tochter-

firma untersagt dem Mutterkonzern die Nut-

zung von Daten.

4. Konflikte zwischen CIO und Chief

Digital Officer (CDO)

Idealiter kooperieren Chief Information

Officer (CIO) und Chief Digital Officer (CDO)

– auch in Sachen Analytics. Doch die Realität

sieht häufig anders aus. So mancher in der

Runde kennt Fälle, in denen der CIO den

Digitalisierungschef ausbremst, indem er

zum Beispiel benötige Daten nicht bereitstellt

oder Service Level Agreements (SLAs) vor-

schiebt. Ein weiterer Hemmschuh aus Sicht

der Experten: Viele CIOs seien schlicht und

einfach überfordert, weil ihre Abteilungen

zu mehr als 90 Prozent mit dem Betrieb der

Legacy-Systeme ausgelastet sind.

Dabei stellten die Diskussionsteilnehmer

grundsätzlich auch die Rolle eines CDOs in-

frage. „Man hat früher ja auch keinen ‚Chief

Dampfmaschinen Officer‘ eingestellt“ – dieses

Zitat sorgt für zustimmendes Gelächter. Die

Dampfmaschine war Chefsache. Ebenso

muss die Digitalisierung Chefsache sein.

5. Ein externer Data Scientist erreicht

manchmal mehr

Der Data Scientist als Mittler zwischen

Fachbereich einerseits und IT andererseits?

Theoretisch kann das funktionieren. Prak-

tisch kann das aber auch daran scheitern,

dass weder die eine noch die andere Seite den

Data Scientist akzeptiert und dieser damit

zwischen den Fronten in der Luft hängt. Das

gestaltet sich anders, wenn das Unternehmen

8 Die Round Tables

Data-Scientist-Know-how für teuer Geld

extern einkauft – dann ist der Druck da, mit

ihm kooperieren zu müssen.

Ein weiterer Aspekt, den es zu beachten

gilt: Ein guter Data Scientist arbeitet daran,

sich selbst überflüssig zu machen – weil das

gesamte Unternehmen lernt, wie es seine

Daten gewinnbringend einsetzt. Ein Beispiel

dafür liefert ein bekanntes Karrierenetzwerk.

Das Unternehmen hinter dem Netzwerk

konnte seine Data-Science-Abteilung nach

dem entsprechenden Projekt wieder auflösen.

Sicher ist: Dort, wo der Data Scientist heute

aufgehängt ist, wird er in drei Jahren schon

nicht mehr sein. Ebenso sicher ist: Die IT

muss sich wandeln, wenn sie der Schlüssel

zur digitalen Transformation sein will.

6. Es gibt ebenso wenig „die“ Plattform

wie „das“ Tool

Was die technische Seite von Predictive

Analytics angeht, zeigt sich die Runde prag-

matisch. Plattformen sind Hilfsmittel und

haben keinen Selbstzweck. Man würde kei-

nem Kunden raten, „die eine“ Plattform fin-

den zu wollen. Ebenso gibt es Unternehmen,

die sich aus übertriebener Angst vor mög-

lichen Abhängigkeiten nicht für eine Platt-

form entscheiden können. Stattdessen sollte

man sich auf das Ziel konzentrieren, Daten

visualisieren und orchestrieren zu können.

Genau so wenig gibt es dafür „das eine“ Tool.

Faktisch braucht man einen ganzen Werk-

zeugkasten. „Die jungen Leute bringen ihren

Werkzeugkasten schon mit“, beobachtet einer

der Experten.

Was die Cloud angeht, so fahren die

meisten Unternehmen hybride Ansätze. Das

Modell der Multi-Cloud setzt sich im Unter-

nehmensalltag mehr und mehr durch. Was

sich außerdem noch zeigt, ist ein Trend zu

Open Source. Seit etwa drei Jahren steige die

Adaption von Open-Source-Anwendungen

rasant, konstatieren die Experten.

Fazit

Predictive Analytics ist ein Indikator für den

Wandel. Das Ganze gleicht jedoch oft einer

Black Box: Meist weiß nur der, der diese

Black Box konfiguriert hat, auf welchen

Annahmen sie basiert und wie ihre Ergebnis-

se interpretiert werden dürfen. Das schließt

den Sach bearbeiter aus der Fachabteilung

ebenso aus wie den Vorstandschef. Einer der

Diskus sionsteilnehmer formulierte das so:

„Traut jemand einem Modell, das er nicht

versteht?“

Ein weiterer Punkt ist die Digital Literacy

(deutsch etwa „digitale Alphabetisierung“).

Derzeit gilt als alphabetisiert, wer lesen und

schreiben kann und die Grundrechenarten

beherrscht. Künftig werden digitale Fähig-

keiten dazugehören. Hier wird deutlich, wie

sich die Nutzung von Unternehmens- und

Alltags technologien angenähert haben.

Das bedeutet aber nicht, dass es im Praxis-

alltag nicht noch an der einen oder an deren

Stelle knirschen kann. Ein Diskus sions-

teilnehmer bringt das so auf den Punkt:

„Wenn das Navi sagt, ich soll auf die A8 fah-

ren, aber mein Bauchgefühl spricht dage-

gen – wie entscheide ich? Regt sich nicht

Widerstand gegen die digitale Versklavung?“

Diskutierten über den Stellenwert und die Zukunft von Predictive Analytics (v.l.n.r.): Lars Schwabe (Lufthansa Industry Solutions), Jan-Henrik Fischer (Seven Principles), Arne Kaldhusdal (Alexander Thamm), Gregor Stöckler (Datavard), Benjamin Krebs (Dell EMC), Hardy Kremer (Deloitte Deutschland), Vladislav Malicevic (Jedox) und Martin Bayer (COMPUTERWOCHE)

Foto: © Michaela Handrek-Rehle

9Die Round Tables

Daten sind das neue Gold. Doch im Gegen-

satz zu dem Edelmetall sind sie wertlos, wenn

man sie einfach nur in einen Schrank sperrt

und liegen lässt. Eine Wertsteigerung des

rasend schnell nachwachsenden Rohstoffs

tritt erst durch Aufbereitung, Analyse und

Nutzung ein. Wer es versteht, aus den Er-

gebnissen die richtigen Schlüsse zu ziehen,

dem fällt es leicht, Entscheidungen zu treffen,

die das Unternehmen nach vorne bringen.

Doch sind die Daten in den Unternehmen

auch schon so vorhanden, dass sie sich für

Predictive Analytics eignen? Die Methode

dahinter ist ja schließlich nicht neu. Zu den

Experten, die das Thema diskutierten, gehö-

ren Tom Becker (Alteryx), Michael Zielinski

(Sycor), Daniel Eiduzzis (Datavard), Stefan

Herbert (IBM), Christoph Elsas (Adastra),

Otto Neuer (Talend) und Thomas Ulrich

(DextraData).

Data Science ist ein

Teamsport

Beobachtungen der Round-Table-Teilnehmer

zeigen, dass es gerade in großen Unterneh-

men durchaus noch Datenqualitätsprobleme

gibt. Zum einen, weil sie zu viele Systeme im

Einsatz haben, die eine Harmonisierung der

Daten erschweren. Zum anderen ist Data

Quality im Fachbereich noch nicht verankert.

Vielen ist nicht klar, warum manche Felder in

den Systemen ausgefüllt werden müssen, weil

sie nicht wissen, was man hinterher daraus

machen kann. Dabei ist es gerade der Fachbe-

reich, der sowohl über die Daten als auch

über die Fragestellungen verfügt, die eine

Analyse erlauben. Den Daten-Ball der IT zu-

zuspielen ist deshalb wenig zielführend. Was

es braucht, ist die Erkenntnis, dass Data

Science ein Teamsport ist, der andere Skills

voraussetzt. Es braucht Leute, die sich sowohl

mit der Datenaufbereitung auskennen als

auch den fachlichen Background von Daten

verstehen. Das sind die Voraussetzungen, um

aus den Analyseergebnissen einen Mehrwert

erhalten zu können.

Die IT als Enabler für den Data Scientist im

Fachbereich – im Vergleich zum technischen

Reifegrad wird diese Kruste eher langsam auf-

gebrochen. Und auch die Voraussetzungen

Wo Mehrwert noch an Grenzen stößt Heute schon wissen, was in Zukunft passiert – mit Predictive Analytics lassen sich

Verkaufsstrategien oder Geschäftsmodelle erfolgreicher gestalten. Inwieweit das Konzept

bereits zum Unternehmensalltag gehört und welche Hürden es noch zu meistern gilt,

diskutierten sieben Experten am Round Table der COMPUTERWOCHE.

Von Iris Lindner

10 Die Round Tables

auf Skill-Ebene zu schaffen braucht etwas

mehr Zeit, was aber kein Hindernis sein sollte,

jetzt schon mit Data Science und Data Ana-

lytics loszulegen. Und das ist laut der Exper-

tenrunde ein Muss, denn wer heute nicht mit

Daten arbeitet, verschläft den Markt und wird

ziemlich schnell abgehängt. Doch wie fängt

man an? Nur die Werkzeuge zu ändern bringt

nichts. Alter Wein in neuen Schläuchen sieht

zwar besser aus, das Ergebnis ist aber das glei-

che. Der Rat der Runde: erste Geh versuche

über ein Projekt initialisieren und Use Cases

finden, anhand derer sich relativ schnell ein

Mehrwert ergibt, um der Geschäftsführung

gegenüber einen ROI nachweisen zu können.

Beispiele hierfür wären unter anderem höhere

Gewinne durch Kunden- oder Marketingkam-

pagnen-Analyse oder eine Qualitätssteigerung

durch Predic tive Maintenance. Zudem brau-

chen Unternehmen Impulse von außen, die

ihnen aufzeigen, was mit Datenanalyse alles

möglich ist, wie etwa das Erkennen von Be-

trug. Versicherungsunternehmen sollen durch

eine entsprechende Datenanalyse schnell

erkennen können, wo es sich lohnt, den Fall

zu bearbeiten. Gleiches gilt auch für Banken,

die durch Realtime Analytics Kreditkarten-

transaktionen überwachen und schnell

reagieren können.

Use Cases entstehen nicht

an der Spitze

Natürlich ist der Nutzen von Data Analytics

nicht in jedem Unternehmen gleich. Die-

jenigen, die daraus aber einen echten Mehr-

wert generieren können, müssen auch den

zweiten Schritt gehen: ein organisatorischer

Umbruch mit geänderten Unternehmens-

prozessen. Dazu muss, und darüber waren

sich alle einig, der Ansatz bottom-up in

den Unternehmen verbreitet werden. Gleich-

zeitig braucht es die Unterstützung der

Geschäftsführung. Die Grundlage für die

Generierung neuer Use Cases auf den unte-

ren Ebenen besteht oftmals schon darin, dem

Mitarbeiter aus dem Fachbereich Werkzeuge

Die Teilnehmer des zweiten Round Tables zu Predictive Analytics, zu dem COMPUTERWOCHE ins IDG Conference Center eingeladen hatte (v.l.n.r.): Otto Neuer (Talend), Thomas Ulrich (DextraData), Tom Becker (Alteryx), Wolfgang Herrmann (COMPUTER-WOCHE), Christoph Elsas (Adastra), Daniel Eiduzzis (Datavard), Michael Zielinski (Sycor) und Stefan Herbert (IBM)

Foto: © Michaela Handrek-Rehle

11Die Round Tables

zur Verfügung zu stellen, mit denen er die

Daten so aufbereiten kann, dass er sie auch

versteht.

Obwohl dies einfach klingt, wird oft fest-

gestellt, dass die Quellen zwar vorliegen, die

Daten aber nicht abgerufen werden, weil die

Werkzeuge dazu entweder nicht eingeführt

oder schlichtweg nicht genutzt werden. Dies

ist nicht immer einer mangelnden Usability

geschuldet, sondern auch den unterschied-

lichen Anforderungen an die Werkzeuge.

So steht die IT nun vor der Herausforderung,

sich zu öffnen und nach passenden Lösungen

zu suchen, die am Markt On-Premises,

Cloud-basiert oder On-Demand verfügbar

sind.

Passende Tools müssen

bedienbar sein

Fakt ist, dass es mittlerweile für keinen

Anwendungsfall das richtige Tool gibt. Die

IT-Abteilung „von gestern" muss nur heute

dazu bereit sein, statt einer allumfassenden

Standardrezeptur die beste Lösung für die

jeweilige Aufgabenstellung zu finden. Der

Anspruch an das Werkzeug ist immer un-

terschiedlich: Für das Management soll

es einfach zu nutzen sein, um sich die

benötigten Informationen möglichst auf

einen Blick holen zu können. Für eine

Analyse hingegen müssen die Daten sicht-

bar sein. Der Detailgrad und die Art der

Visualisierung sind hier völlig anders.

Dennoch sollen die Tools intuitiv und ohne

Schulungen nutzbar sein.

Gespalten waren die Meinungen am run-

den Tisch hinsichtlich des Ansatzes, der hin-

ter den Tools steckt. Proprietäre Lösungen in

den Fachbereichen können zur Silo-Proble-

matik führen. Best-of-Breed wäre ein Ansatz,

einzelne Nischen besonders gut abzudecken.

Allerdings muss hier der Use Case des Kun-

den genau betrachtet werden, um eine ange-

messene Kosten-Nutzen-Situation zu schaf-

fen. Soll Predictive Analytics in Unternehmen

eingepflanzt werden, dann muss der Gedanke

zu Ende gedacht werden, damit keine Data

Lakes entstehen, auf die niemand zugreifen

kann. Eine Cloud-basierte Plattform mit

Open-Source-Schnittstellen, die auch einer

Data Governance unterliegt, kann dabei hel-

fen, die einzelnen Silos wieder zusammenzu-

führen. Wie auch immer die Lösung am Ende

aussehen mag, entscheidend ist, dass jeder,

vom Fachbereich bis zur IT, mit dieser neuen

Technologie arbeiten kann. Auch der Um-

gang mit den Daten muss von der Erfassung

über den Zugriff bis hin zur Archivierung ge-

regelt sein.

Technisch ist alles möglich,

gesellschaftlich nicht

Dass sich der Aufwand für Data Science lohnt,

zeigen einige Beispiele aus der Praxis. Künst-

liche Intelligenz (KI) analysiert für Steuer-

berater oder Rechtsanwälte Dokumente, fasst

diese zusammen und übernimmt bei Bedarf

die Compliance-Prüfung. Der Mehrwert

daraus, die Zeitersparnis, liegt auf der Hand.

Auch im Servicebereich spart KI in Form von

Chatbots Zeit und Geld: Dank dieser muss ein

Mit arbeiter eines Callcenters ein und dieselbe

Frage am Tag nicht zig Mal beantworten.

Auch auf Online-Anfragen zu Produkten

können Chatbots rund um die Uhr Auskunft

geben. Allerdings auch nur, weil ein Mensch

dahintersteht, der dieses System trainiert.

Künstliche Intelligenz wird immer eine Er-

gänzung zu menschlichen Tätigkeiten sein,

denn eine KI kann die Ergebnisse noch nicht

interpretieren.

Was sie ebenfalls nicht kann: ethische

Entscheidungen treffen. In der Medizin zum

Beispiel ist Predictive Analytics eine große

Chance, um Krankheiten vorauszusehen.

Doch will das unsere Gesellschaft und darf

man in diesen Bereich überhaupt so weit

vordringen? Beratungsunternehmen und

Softwarehersteller können dies nur bedingt

beantworten. Deshalb verlangen einige der

Experten am Tisch selbst nach unabhängigen

Instanzen, die helfen, die Nutzung von Ana-

lytics transparenter und die Daten für den

Kunden sicherer zu machen.

12 Die Round Tables

Die Key Findings im Einzelnen


Die Key Findings im Überblick

Management Summary

Vielfältige Einsatzszenarien Überwältigende 94 Prozent der Firmen nutzen Predictive Analytics für bessere Geschäftsentscheidungen, insbesondere im IT-Bereich, im Management und in der Produktion.

Der Aufwand lohnt sich Das Gros der Firmen ist mit den bisherigen Predictive-Analytics- Maßnahmen und dem Kosten-Nutzen- Verhältnis sehr zufrieden oder zufrieden.

Predictive Analytics gehört die Zukunft

66 Prozent der Unternehmen rechnen damit, dass Predictive Analytics innerhalb der

nächsten drei Jahre für sie wichtig bis sehr wichtig wird. Aktuell sind es 47 Prozent.

47 % 66 %

Status quo Etwas mehr als ein Drittel der

Unternehmen hat bereits Analytics-Projekte umgesetzt,

die Hälfte davon im Bereich Predictive Analytics.

37 % 56 %Projekte umgesetzt Predictive Analytics

94 %

59 %

„Sehr zufrieden“ oder

„Zufrieden“

11 %

„Eher unzufrieden“ bis

„Sehr unzufrieden“

Breite Palette an Zielen

Primäre Antreiber für Analytics-Aktivitäten sind die Optimierung betrieb-licher Prozesse und eine bessere Datenbasis für strategische Entschei-

dungen.

© s

hu

tte

rsto

ck.c

om

/ S

erg

ey

Niv

en

s

Vertrauen in Partner Die große Mehrheit der Unternehmen holt sich

für Analytics-Projekte externe Servicepartner ins Boot, insbesondere für strategische und tech-

nische Beratung.

Mehr Geld Die Mehrheit der Firmen wird in den nächsten zwölf Monaten verstärkt in Predictive Analytics investieren. Der

Fokus liegt dabei auf der IT-Infrastruktur und dem Aufbau interner Skills.

Hürden Fehlende Ressourcen im Fachbereich oder in der IT sowie die Komplexität der Analytics-Lösungen sind die größten Herausforderungen bei Predictive Analytics.

47 %40 %

… investieren sicher … investieren wahrscheinlich

24 % 26 %

Fehlende Ressourcen im Fach- bereich / in der IT

Komplexität der Analytics-

Lösungen

32 %

Bessere Datenbasis

Optimierung betrieblicher Prozesse

29 %

17 %

Kein Partner für Analytics

Ein oder mehrere (strategische) Partner

76 %

1. Predictive Analytics gehört die Zukunft Predictive Analytics wirft auf Basis von komplexen Datenanalysen einen Blick in die

Zukunft. In den nächsten zwei bis drei Jahren wird das Thema in den Unternehmen

stark an Bedeutung gewinnen.

Derzeit bewerten „nur“ 47 Prozent der Unternehmen die Relevanz von Pre-

dictive Analytics als sehr hoch (18 Prozent) oder hoch (29 Prozent), immerhin

ein Drittel der Firmen als eher niedrig bis sehr niedrig.

Ganz anders sieht es bei den Werten für die Zukunft aus. Zwei Drittel der

Unternehmen gehen davon aus, dass Predictive Analytics binnen drei Jahren

für sie wichtig oder sehr wichtig wird. Nur noch 14 Prozent der Firmen stufen

dessen künftige Bedeutung als eher gering bis sehr gering ein.

Der Relevanz-Wert steigt mit der Unternehmensgröße. So messen 53 Pro-

zent der Unternehmen mit mehr als 1.000 Mitarbeitern Predictive Analytics

derzeit eine große bis sehr große Bedeutung zu, 68 Prozent in den nächsten

Welche Bedeutung haben in Ihrem Unternehmen fortgeschrittene Analyse-techniken wie Predictive Analytics heute und für die künftige Geschäftsentwicklung (in zwei, drei Jahren)?Angaben in Prozent. Abfrage auf einer Skala von 1 („Sehr große Bedeutung“) bis 6 („Sehr geringe Bedeutung“). Basis: n = 417

Sehr große Bedeutung

Große Bedeutung

Eher größere Bedeutung

Eher geringere Bedeutung

Geringe Bedeutung

Sehr geringe Bedeutung

Derzeit

Künftig

17,8

32,6

29,0

33,4

19,8 19,7

16,0

7,5 7,3

2,6

10,3

4,1

Gesamtergebnis

16 Management Summary

Jahren. Bei den kleinen Unternehmen mit bis zu 99 Mitarbeitern sind es nur

27 Prozent (derzeit) beziehungsweise 54 Prozent (in den nächsten drei Jahren).

Das bestätigt sich auch beim Blick auf den IT-Etat: 22 Prozent der Firmen

mit einem IT-Etat von bis zu einer Million Euro sehen die Relevanz von

Predictive Analytics aktuell als sehr hoch bis hoch, bei den Firmen mit einem

IT-Etat von mehr als zehn Millionen Euro sind es 71 Prozent.

Auffällig sind zudem die hohen Werte bei den Managern im C-Level (CEO,

CIO): Sie messen Predictive Analytics schon heute große bis sehr große Be-

deutung bei (54 Prozent). Was die künftige Geschäftsentwicklung angeht, sind

es sogar satte 75 Prozent.

Ergebnis-Split nach Unternehmensgröße (Anzahl Beschäftigte)

Derzeit

Künftig

< 100 100 – 999 1.000 +

Sehr große Bedeutung

Große Bedeutung

Eher größere Bedeutung

Eher geringere Bedeutung

Geringe Bedeutung

Sehr geringe Bedeutung

11,9

14,9

14,9

25,4

9,0

23,918,9

32,5

8,9

19,5

13,0

7,1 19,3

33,621,8

12,6

7,65,0

11,825,0

29,419,1

10,3

4,436,6

34,8

3,1

18,6

6,2

0,6

34,5

33,6

20,7

6,93,4

0,9

17Management Summary

2. Große Unternehmen gehen bei Analytics-Projekten voran

Über ein Drittel der Unternehmen hat bereits Analytics-Projekte umgesetzt,

mehr als die Hälfte davon im Bereich Predictive Analytics. Besonders aktiv sind

hier die großen Firmen.

Fünf Prozent der Unternehmen verfügen über ein umfangreiches Ana-

lytics-System, zwölf Prozent betreiben Analytics regelmäßig, und 20 Prozent

haben zumindest erste Analytics-Projekte abgeschlossen oder gestartet.

Vorreiter sind, wie so häufig, die großen Unternehmen. Der Anteil der

Unternehmen, die hier über umfangreiche Analytics-Systeme verfügen,

ist doppelt so hoch wie in kleinen und mittelständischen Firmen.

17 Prozent der Firmen (19 Prozent der großen Unternehmen) planen in

den nächsten zwölf Monaten konkrete Analytics-Aktivitäten, 30 Prozent der

Unternehmen haben Analytics-Aktivitäten allgemein angedacht.

Immerhin 15 Prozent der Firmen planen weder Analytics-Projekte noch

haben sie bereits welche umgesetzt. Bei den kleinen Firmen ist es knapp ein

Drittel (31 Prozent).

Wichtigste Analytics-Verfahren in den Firmen sind Descriptive Analytics

(Was ist passiert?) mit 66 Prozent und Diagnostische Analytics (Warum ist es

passiert?) mit 61 Prozent.

Wie lässt sich der aktuelle Analytics- Status in Ihrem Unternehmen am besten beschreiben?Angaben in Prozent. Basis: n = 453

Welche der folgenden Analytics- Verfahren finden in Ihrem Unternehmen bereits regel mäßige Anwendung?Angaben in Prozent. Mehrfachantworten möglich. Basis: n = 169

Gesamt- ergebnis

Unternehmen betreibt Analytics

Noch keinerlei Analytics-Aktivitäten durchgeführt und geplant

15,2

Analytics- Aktivitäten allgemein angedachtAnalytics-Aktivitäten

konkret in den nächsten zwölf Monaten geplant

Unternehmen verfügt über umfangreiches

Analytics-System

30,0

17,2

20,3

11,95,3

Erste Analytics- Aktivitäten / erste Pilotprojekte be-

reits durchgeführt

66,3Descriptive Analytics (Was ist

passiert?) 60,9Diagnostische

Analytics (Warum ist es

passiert?)

56,2Predictive Analytics (Was wird

passieren?) 27,2Prescriptive

Analytics (Was müssen

wir tun, dass es passiert?)


3. Vielfältige Einsatzszenarien: Firmen nutzen Ergebnisse aus Predictive Analytics für Geschäftsentscheidungen

Überwältigende 94 Prozent der Firmen nutzen Predictive Analytics für bessere Geschäfts-

entscheidungen. Davon profitieren vor allem die IT-Abteilung und das Management.

Nur sechs Prozent der Firmen nutzen die Ergebnisse aus Predictive Analytics

nicht für Geschäftsentscheidungen.

28 Prozent der Firmen setzen Predictive Analytics grundsätzlich ein,

um ihr Business voranzubringen, jeweils ein Fünftel der Unternehmen sehr

häufig, häufig oder immerhin vereinzelt.

Die Mehrheit der kleinen Firmen ist in den beiden letzteren Kategorien

zu finden. Die mittleren und großen Unternehmen befinden sich mehrheitlich

in den ersten beiden Kategorien (grundsätzlich, sehr häufig).

Die drei wichtigsten Einsatzgebiete für Predictive Analytics in Unter-

nehmen sind der IT-Bereich (63 Prozent; Anwendung geplant 31 Prozent),

Geschäftsführung / Management (57 Prozent; geplant 25 Prozent) und

Produktion / Fertigung (54 Prozent; geplant 30 Prozent).

Rund die Hälfte der Firmen nutzt Predictive Analytics in den Bereichen

Finanzen / Steuer / Controlling, Forschung und Entwicklung sowie Einkauf /

Beschaffung.

Auch Fachbereiche wie Service, Marketing, Vertrieb, Logistik und HR ver-

suchen mithilfe von Datenmodellen, Vorhersagen über mögliche Ereignisse in

der Zukunft zu treffen.

Nutzt Ihr Unternehmen Ergeb-nisse aus Predictive Analytics, um darauf basierend Geschäfts-entscheidungen zu treffen? Angaben in Prozent. Basis: n = 95 (Filter: Nur Unternehmen, die angegeben haben, dass Predictive-Analytics-Verfahren regelmäßig Anwendung finden)

In welchen der folgenden Bereiche Ihres Unternehmens (bzw. für welche dieser Bereiche) findet Predictive Analytics bereits Anwendung? Angaben in Prozent. Basis: n = 104 (Filter: Nur Unternehmen, die angegeben haben, dass Predictive-Analytics-Verfahren regelmäßig Anwendung finden)

28,4

22,1

21,1

22,1

5,3

1,1

Ja, grundsätzlich

Ja, sehr häufig

Ja, häufig

Ja, vereinzelt

Nein, eher nicht

Nein

Geschäfts - führung /

Management

HR / Personal - abteilung

Finanz / Steuer /

Controlling

Einkauf / Beschaffung

Vertrieb MarketingService- bereich

Produktion / Fertigung

Logistik IT-BereichForschung / Entwicklung

Anwendung

Anwendung geplant

Keine Anwendung geplant

57,3

24,7

18,036,4

44,3

19,352,3

31,4

16,347,1

29,9

23,0

41,3

39,1

19,644,9

37,1

18,044,6

37,0

18,553,8

29,7

16,5

37,9

36,8

25,3

62,530,7

6,8

50,635,6

13,8


4. Hohe Erfolgsquote: Der Aufwand lohnt sich Das Gros der Firmen ist mit den bisherigen Predictive Analytics-Maßnahmen und dem

Kosten-Nutzen-Verhältnis sehr zufrieden oder zufrieden. Voraussetzung für den Erfolg

ist ein klarer Business Case.

Sechs von zehn Unternehmen sind mit ihren bisherigen Maßnahmen rund

um Predictive Analytics sehr zufrieden (23 Prozent) oder zufrieden (37 Pro-

zent).

Auffällig ist der hohe Wert von 90 Prozent bei den kleinen Unternehmen.

Eine mögliche Erklärung: Die Analytics-Projekte sind in kleinen Firmen bis-

lang überschaubar und von schnellem Erfolg gekrönt.

Eher zufrieden sind 27 Prozent der Befragten, unzufrieden zeigen sich nur

elf Prozent.

Genau diese elf Prozent der Firmen antworteten auch bei der Frage nach

der Aufwand / Kosten-Nutzen-Relation, dass ihre bisherigen Predictive-

Analytics-Projekte keine Erfolge zeigten beziehungsweise sich nicht gelohnt

hätten.

In 58 Prozent der Firmen hat sich der Aufwand gelohnt, in 26 Prozent

halten sich Aufwand und Nutzen die Waage. Das positive Ergebnis ist damit

zu erklären, dass die Firmen einen klaren Business Case für ihre entsprechen-

den Projekte definieren. Denn 84 Prozent der Befragten stimmten folgender

Aussage zu: „Bevor wir ein Predictive-Analytics-Projekt starten, machen wir

daraus eine Business- Initiative und definieren genau, was das Ziel des Projek-

tes ist und welchen Effekt es erzielen soll.“

Wie zufrieden sind Sie mit den bisherigen Predictive-Analytics-Maßnahmen Ihres Unternehmens?Angaben in Prozent. Abfrage auf einer Skala von 1 („Sehr zufrieden“) bis 6 („Sehr unzufrieden“). Basis: n = 101 (Filter: Nur Unternehmen, die angegeben haben, dass Predictive- Analytics-Verfahren regelmäßig Anwendung finden)

Wie beurteilen Sie die Aufwand / Kosten- Nutzen-Relation Ihrer Predictive- Analytics-Anstrengungen?Angaben in Prozent. Abfrage auf einer Skala von 1 („Haben sich sehr gelohnt“) bis 5 („Haben sich bisher definitiv nicht gelohnt“). Basis: n = 93 (Filter: Nur Unternehmen, die angegeben haben, dass Predictive- Analytics-Verfahren regelmäßig Anwendung finden)

Gesamt- ergebnis

Sehr unzufrieden

Sehr zufrieden

22,8

Zufrieden

Eher unzufrieden

Weiß nicht

36,6

26,7

8,9

1,0

3,0Unzufrieden

Gesamt- ergebnis

Haben sich bisher definitiv nicht gelohnt

Haben sich sehr gelohnt

26,9

Haben sich (eher) gelohnt

Kosten und Nutzen halten

sich die Waage

Weiß nicht

31,2

25,8

7,53,2

5,4Haben sich bisher (eher)

nicht gelohnt

Eher zufrieden

1,0


Gesamt- ergebnis

40,2

46,7

11,51,6

Gesamt- ergebnis

45,9

Fokus auf (interne) Skills (Aufbau einer eigenen Organisationseinheit mit eigenem Budget, Schaffung neuer Stellen, Weiter-bildung des bestehenden Personals etc.)

39,6

11,11,0

2,4

5. Predictive Analytics: Firmen investieren vor allem in die IT-Infrastruktur

Die Mehrheit der Firmen wird in den nächsten zwölf Monaten verstärkt in Predictive Analytics

investieren. Der Fokus liegt dabei auf der IT-Infrastruktur und dem Aufbau interner Skills.

In 87 Prozent der Unternehmen kommt es in den nächsten zwölf Monaten

sicher (40 Prozent) oder wahrscheinlich (47 Prozent) zu Investitionen in

Predictive Analytics.

Insbesondere die großen Firmen mit einem hohen IT-Etat von mehr als

zehn Millionen Euro (59 Prozent) schaufeln sicher zusätzliches Budget für

entsprechende Projekte frei. Überdurchschnittlich hoch ist hier auch der

Wert beim C-Level-Management (53 Prozent).

13 Prozent der Unternehmen werden im kommenden Jahr nicht in

Predictive Analytics investieren. Bei den kleinen Firmen sind es 18 Prozent.

Das Geld wandert vor allem in die IT-Infrastruktur (46 Prozent) für den

Kauf von Hardware und Software, die Implementierung der Analytics-Services

oder die Vorbereitung und Migration von Daten.

40 Prozent der Firmen setzen den Schwerpunkt auf die Förderung interner

Skills. Dazu gehören Investitionen in den Aufbau einer eigenen Organisa-

tionseinheit mit eigenem Budget, die Schaffung neuer Stellen oder die Wei-

terbildung des bestehenden Personals.

Nur rund jedes zehnte Unternehmen investiert in die Zusammenarbeit mit

externen Dienstleistern, etwa für technische und fachliche Beratung oder die

Auslagerung von Analytics.

Sind seitens Ihres Unternehmens in den nächsten zwölf Monaten Investitionen in Predictive Analytics geplant?Angaben in Prozent. Basis: n = 244 (Filter: Nur Unternehmen, die Predictive-Analytics-Aktivitäten bereits durchführen oder in den nächsten zwölf Monaten planen)

Welche Strategie verfolgt Ihr Unternehmen bei den weiteren Investitionen in Predictive Analytics? Wird vor allem in IT investiert, in Skills oder eher in externe Dienstleister?Angaben in Prozent. Basis: n = 207 (Filter: Nur Unternehmen, die in den nächsten zwölf Monaten wahr-scheinlich oder sicher in Predictive Analytics investieren werden)

Nein, es wird definitiv keine Investitionen geben.

Ja, es wird sicher Investitionen geben.

Ja, wahrscheinlich wird es Investitionen geben.

Nein, es wird eher keine Investitionen geben.

Weiß nicht

Fokus auf IT (Anschaffung von Software / Hardware, Implementierung, Migration etc.)

Fokus auf exter-ne Dienstleister (Auslagerung von Analytics, externe techni-sche Beratung, externe fach-liche Beratung etc.)

Fokus auf etwas anderem


6. Top-3-Herausforderungen: Komplexität, mangelnde Ressourcen und Skills

Fehlende Ressourcen im Fachbereich oder in der IT, die Komplexität der Analytics-

Lösungen und mangelnde analytische Skills sind die größten Herausforderungen bei

Predictive Analytics.

Damit Predictive-Analytics-Projekte erfolgreich verlaufen und entsprechen-

den Nutzen bringen, müssen Firmen eine Reihe von Hürden überwinden.

Als größte Herausforderung nannten 26 Prozent fehlende Ressourcen im

Fachbereich oder in der IT-Abteilung

Jeweils knapp ein Viertel der Firmen sieht Hemmnisse durch die Kom-

plexität der Analytics-Lösungen, fehlende analytische Skills im Unternehmen

oder die mangelnde Datenqualität.

Mit dem hohen Aufwand für die Implementierung von Analytics- Lösungen

und für die Schulung und Weiterbildung der Mitarbeiter (jeweils 19 Prozent)

folgen zwei weitere Hindernisse, die im Kontext der Komplexität der Projekte

zu sehen sind.

Was sind aus Ihrer Sicht die größten Herausforderungen für erfolgreiche und nutzbringende (Predictive-)Analytics-Projekte?Angaben in Prozent. Mehrfachantworten möglich. Basis: n = 431

Fehlende Ressourcen im Fachbereich oder in der IT

Komplexität der Analytics-Lösungen

Mangelnde Datenqualität

Fehlende analytische Skills im Unternehmen

Hoher Implementierungsaufwand bei Analytics-Lösungen

Hoher Schulungs- und Weiterbildungsaufwand

Probleme beim Sicherstellen von Datenschutz und Datensicherheit

Fehlende technische Skills im Unternehmen

Unzureichende Verfügbarkeit von historischen / externen Daten

Nicht funktionierende Datenintegration

Mangelndes Verständnis für Datennutzung

Mangelnde Unterstützung durch das Management

Fehlender Beweis für die Wirtschaftlichkeit (RoI)

Das Fehlen einer geeigneten IT-Infrastruktur

Wissen im Markt nicht verfügbar / zu teuer

Governance-Probleme / fehlende organisatorische Verankerung

Weiß nicht

25,8

24,1

23,0

22,7

19,3

18,6

18,1

16,0

15,5

15,5

15,3

14,8

14,8

14,4

13,7

11,1

5,1

Gesamtergebnis


Weitere wichtige Hemmnisse betreffen Datenschutz und Datensicherheit

(18 Prozent), die unzureichende Verfügbarkeit von historischen oder

ex ternen Daten sowie eine nicht funktionierende Datenintegration (jeweils

16 Prozent).

Knapp dahinter folgen Herausforderungen wie mangelndes Verständ-

nis für Datennutzung, mangelnde Unterstützung durch das Management

oder der fehlende Beweis für die Wirtschaftlichkeit (RoI) mit jeweils 15 Pro-

zent.

Das Fehlen einer geeigneten IT-Infrastruktur und nicht auf dem Markt

verfügbares oder zu teures Wissen stufen 14 Prozent als Hemmschuh für

Predictive-Analytics-Projekte ein.

19,0

28,6

25,0

23,8

11,9

13,1

13,1

15,5

25,0

23,8

8,3

11,9

13,1

13,1

11,9

6,0

10,7

28,4

19,7

24,0

23,0

22,4

18,0

16,9

14,2

10,9

14,2

18,6

15,3

15,8

14,2

14,8

12,6

3,8

28,0

31,1

20,5

23,5

21,2

24,2

25,0

19,7

15,2

13,6

16,7

18,9

16,7

15,9

13,6

14,4

3,0

Ergebnis-Split nach Unternehmensgröße (Anzahl Beschäftigte)

< 100 100 – 999 1.000 +


7. Analytics soll die betrieblichen Prozesse und Entscheidungen optimieren

Welche Ziele verfolgen die Firmen mit ihren Analytics-Aktivitäten? Die Antworten

sind relativ gleichmäßig verteilt. Primäre Antreiber sind die Optimierung betrieblicher

Prozesse und eine bessere Datenbasis für strategische Entscheidungen.

Die befragten Firmen verfolgen mit (Predictive) Analytics eine breite Palette

an Zielen. Daher sind die Antworten breit gestreut, und es gibt kein absolutes

„Killer-Ziel“.

Knapp ein Drittel der Firmen (32 Prozent) will mithilfe von Analytics

seine betrieblichen Prozesse optimieren. Bei den großen Unternehmen sind

es 40 Prozent.

Zum Stichwort „Effizienz“ gehören ferner Punkte wie Verbesserung der

Qualität bestehender Produkte und Dienstleistungen (27 Prozent), höherer

Umsatz (26 Prozent), höhere Kosteneffizienz (23 Prozent) und die Optimierung

der Lieferkette (15 Prozent).

29 Prozent der Firmen erhoffen sich durch Analytics eine bessere Daten-

basis für strategische Entscheidungen.

Der Kunde steht im Mittelpunkt bei Zielen wie höhere Kundenzufrieden-

heit / besseres Kundenverständnis (27 Prozent) oder der Digitalisierung der

gesamten Kundenbeziehung (DCX) mit 20 Prozent.

In die Zukunft gerichtet sind Punkte wie die Entwicklung neuer Produkte,

Geschäftsmodelle, Geschäftsfelder oder Zielgruppen (22 Prozent), die Entwick-

lung datengetriebener Geschäftsmodelle („Data as a Product“, 18 Prozent) oder

die Aufwertung bestehender Produkte durch digitale Services (13 Prozent).

Was sind die konkreten Zielsetzungen Ihres Unternehmens, die den Analytics- Aktivitäten zugrunde liegen?Angaben in Prozent. Maximal fünf Nennungen möglich. Basis: n = 363

Optimierung betrieblicher Prozesse

Bessere Datenbasis für strategische Entscheidungen

Verbesserung der Qualität bestehender Produkte und Dienstleistungen

Höhere Kundenzufriedenheit / besseres Kundenverständnis

Höherer Umsatz

Höhere Kosteneffizienz

Entwicklung neuer Produkte / Geschäftsmodelle / Geschäftsfelder / Zielgruppen

Erkenntnisse zu Markt und Wettbewerb

Digitalisierung der gesamten Kundenbeziehung (DCX)

Optimierung beim Risk-Management

Entwicklung datengetriebener Geschäftsmodelle („Data as a Product“)

Erkenntnisse zu Produkten und Dienstleistungen

Dynamisierung / Flexibilisierung der IT

Höhere Mitarbeiterzufriedenheit

Lieferkettenoptimierung / Bessere Einbindung von Geschäftspartnern

Aufwertung bestehender Produkte durch digitale Services

(Weiterer) Schritt auf dem Weg zur Einführung von IoT-Lösungen

32,0

28,9

27,0

26,7

26,4

22,9

21,5

20,4

19,8

17,9

17,6

17,6

17,1

16,0

15,4

12,7

11,6


8. Firmen vertrauen bei Predictive Analytics auf externe Servicepartner

Die große Mehrheit der Unternehmen holt sich für Analytics-Projekte die Kompetenz

von externen Dienstleistungspartnern an Bord, insbesondere für die strategische und

technische Beratung.

Vier von zehn Unternehmen suchen bei fortgeschrittenen Analysen wie

Predictive Analytics sogar Hilfe von mehreren Partnern. Dies gilt vor allem für

die großen Firmen (58 Prozent). Bei den kleinen und mittleren Firmen sind es

ein Viertel beziehungsweise knapp ein Drittel.

Auf einen (strategischen) Partner setzen 35 Prozent der Befragten. Über-

durchschnittlich hoch ist hier der Wert für mittlere Unternehmen mit 43 Pro-

zent und beim Management auf Vorstandsebene (44 Prozent).

17 Prozent der Unternehmen haben keinen Analytics-Partner, bei den

kleinen Firmen mit bis zu 99 Mitarbeitern ist es fast die Hälfte (47 Prozent).

Firmen, die mit einem oder mehreren Partnern zusammenarbeiten, benö-

tigen vor allem strategische Beratung (40 Prozent; große Firmen 54 Prozent),

allgemeine technische Beratung (33 Prozent; IT-Abteilung 44 Prozent) und

allgemeine fachliche Beratung (22 Prozent).

Immerhin 12 Prozent der befragten Unternehmen haben das Thema

Analytics komplett ausgelagert.

Wie viele externe Dienstleistungspartner unterstützen Ihr Unternehmen bei Analytics?Angaben in Prozent. Basis: n = 146 (Filter: Nur Unternehmen, die bereits (erste) Predictive-Analytics- Aktivitäten durchführen)

In welchen Analytics-Bereichen werden Sie durch externe Dienstleistungspartner unterstützt?Angaben in Prozent. Mehrfachantworten möglich. Basis: n = 154 (Filter: Nur Unternehmen, die bereits (erste) Predictive-Analytics- Aktivitäten durchführen)

Gesamt- ergebnis

34,9

41,1

17,1

6,8

Weiß nicht

Ein (strategischer) Partner

Mehrere Partner

Kein Analytics- Partner

Das Thema Analytics

wurde komplett ausge-lagert.

Strate-gische

Beratung

Allge- meine technische

Beratung

Allgemeine fachliche Beratung

In anderem Bereich

Weiß nicht

11,7

39,6

32,5

22,1

3,9

6,5



Weitere Studienergebnisse

1. Excel ist (noch) Analyse-Tool Nummer eins Das gute, alte Microsoft Excel ist immer noch die wichtigste Analytics-Software in

Unternehmen vor Reporting sowie Datenvisualisierung. Investiert wird vor allem

in die Analyse von Datenströmen.

69 Prozent der Firmen setzen bei der Analyse ihrer Daten auf Microsoft Excel,

knapp gefolgt von Software für Abfragen und Reporting (65 Prozent). Auch

Datenvisualisierung kommt in mehr als der Hälfte der Firmen zum Einsatz

(53 Prozent).

Weitere wichtige Software betrifft die Gebiete Data Mining (49 Prozent),

Data Warehouse (46 Prozent) oder Business Intelligence (BI) mit 44 Prozent.

Zentral für Predictive Analytics sind Vorhersagemodelle, die immerhin

43 Prozent der Unternehmen einsetzen. 41 Prozent wollen in diese wichtigen

Tools investieren.

Etwas mehr als ein Drittel der Firmen setzt bei der Analyse großer Daten-

mengen auf Künstliche Intelligenz (KI). Damit steht diese wichtige Analyse-

form auf dem drittletzten Rang knapp vor der Sprachanalyse (32 Prozent) und

der Videoanalyse (30 Prozent).

Immerhin wollen 37 Prozent der Firmen in nächster Zeit in Analysever-

fahren mit KI investieren. Hauptfelder für Investitionen sind die Analyse von

Datenströmen (Streaming Analytics), Dashboards und Vorhersagemodelle.

Welche Arten von Analytics-Software haben Sie in Ihrem Unternehmen bereits im Einsatz? Wo sind Investitionen geplant?Angaben in Prozent. Basis: n = 207 (Filter: Nur Unternehmen, die in den nächsten zwölf Monaten wahrscheinlich oder sicher in Predictive Analytics investieren werden)

Steht zur Verfügung Investition geplant Keine Investition geplant

Künstliche Intelligenz (KI) /

Machine Learning

35,3

37,4

27,3

Geodaten- analyse

35,5

28,0

36,6

Video- analyse

29,5

33,9

36,6Analyse von Datenströmen /

Streaming Analytics

36,6

46,4

16,9

Data Lake

38,4

35,1

26,5

Sprach- analyse

31,6

32,6

35,8

Business- Intelligence- Suite / Tools

(BI)

43,9

39,7

16,4

Data Discovery / Dashboards

41,8

41,8

16,3

Simulation

42,5

34,9

22,6

Optimierung

42,5

45,3

12,2

Process Mining

39,7

36,4

23,9

Vorhersage- modelle

42,6

41,1

16,3

Microsoft Excel

68,719,0

12,3

Planungs- tools

45,8

41,1

13,2

Daten- visualisierung

52,6

36,8

10,5

Data Warehouse

46,3

33,0

20,7

Data Mining / Data Science

49,2

37,0

13,8

Abfragen und

Reporting64,7

27,3

8,0

27Weitere Studienergebnisse

2. Lösungen für Predictive Analytics: Do it yourself vor Cloud

Bei den Lösungen für fortgeschrittene Analysen hat sich noch kein Königsweg

herauskristallisiert. Die Bandbreite reicht von der Eigenentwicklung über einen

Cloud-Service bis hin zur Partnerlösung.

43 Prozent der befragten Firmen setzen bei Predictive Analytics auf eine selbst

entwickelte Lösung. Das gilt vor allem für die kleinen und großen Unterneh-

men, bei denen jeweils rund die Hälfte auf internes Know-how baut. Auch die

C-Level-Manager und die IT-Leiter präferieren eine Eigenentwicklung (51 und

52 Prozent).

Knapp dahinter und nahezu gleichauf folgen Cloud-Service (39 Prozent),

Speziallösung/Best of Breed (38 Prozent) und eine Partnerlösung (37 Prozent).

Die Cloud-Lösung bevorzugen vor allem die mittleren Unternehmen

zwischen 100 und 999 Mitarbeitern (44 Prozent) und die Firmen mit einem

hohen IT-Etat von mehr als zehn Millionen Euro (54 Prozent).

Die großen Unternehmen setzen bei Predictive Analytics sowohl auf

Speziallösungen / Best of Breed (51 Prozent) als auch auf Software von Part-

nern (54 Prozent).

27 Prozent der Firmen nutzen die fortgeschrittenen Analysen als Teil-

funktionalität einer größeren BI-Suite. Auffällig hoch mit 42 Prozent ist hier

der Wert bei den großen Unternehmen mit einem IT-Etat von mehr als zehn

Millionen Euro.

Welche Art Lösung setzen Sie für fortgeschrittene Analysen wie Predictive Analytics ein?Mehrfachantworten möglich. Angaben in Prozent. Basis: n = 100 (Filter: Nur Unternehmen, die angegeben haben, dass Predictive-Analytics- und Prescriptive-Analytics-Verfahren regelmäßig Anwendung finden)

Selbst entwickelt Cloud-Service Speziallösung / Best of Breed

Partnerlösung Teilfunktionalität einer größeren BI-Suite

Weiß nicht

43,0

38,039,0

37,0

6,0

27,0

28 Weitere Studienergebnisse

3. Firmen realisieren Umsätze mit Predictive- Analytics-Services

Knapp ein Viertel der Unternehmen erzielt signifikante Umsätze mit datengetriebenen

Produkten und / oder Services, die letztendlich auf Predictive Analytics basieren.

72 Prozent der Firmen haben datengetriebene Produkte und / oder Services

im Angebot, die auf Predictive Analytics basieren. Diese verteilen sich relativ

gleichmäßig auf drei verschiedene Reifegrade.

Ein Viertel der Firmen (24 Prozent) realisiert mit diesen Services oder Pro-

dukten signifikante Umsätze. Dies gilt vor allem für die kleinen (30 Prozent)

und mittleren Unternehmen (31 Prozent). Die großen Firmen stehen hier bei

16 Prozent.

26 Prozent der Befragten realisieren damit eine stärkere Kundenbindung,

aber noch keine signifikanten Umsätze.

23 Prozent der Firmen sind in der PoC-Phase (Proof of Concept mit

Prototypen) oder der MVP-Phase (Minimum Viable Product (MVP), wörtlich:

„minimal überlebensfähiges Produkt“). Hier ist der Anteil bei den großen

Unternehmen (30 Prozent) und der IT-Abteilung (29 Prozent) überdurch-

schnittlich hoch.

Von den Firmen, die aktuell noch keine Services auf Basis von Predictive

Analytics anbieten, planen 20 Prozent gerade entsprechende Initiativen

(große Unternehmen 27 Prozent).

Acht Prozent planen keine entsprechenden Aktivitäten.

Hat Ihr Unternehmen datengetriebene Produkte und / oder Services im Angebot, die letztendlich auf Predictive Analytics basieren?Angaben in Prozent. Basis: n = 93 (Filter: Nur Unternehmen, die angegeben haben, dass Predictive-Analytics- und Prescriptive-Analytics-Verfahren regelmäßig Anwendung finden)

Gesamt- ergebnis

7,5

22,625,8

23,7

Ja, wir realisieren damit signifikante Umsätze.

Nein, ist auch nicht geplant

Ja, wir sind in der POC- oder

MVP-Phase.

Ja, wir realisieren damit eine stärkere

Kundenbindung, aber noch keine

signifikanten Um-sätze.

20,4Nein, ist aber in Planung

Ergebnis-Split nach Unternehmensgröße (Anzahl Mitarbeiter)

30,0

30,8

16,2

< 100

100 – 999

1.000 +


4. Die IT-Abteilung dominiert das Thema Analytics

Die IT-Abteilung gibt in den meisten Firmen beim Thema Analytics den

Ton an.

In 36 Prozent der Firmen ist der IT-Leiter mit seiner Abteilung für die

Analytics-Initiativen zuständig. Auffällig hoch sind hier die Werte bei den

mittleren und großen Unternehmen (43 und 42 Prozent).

Zählt man noch die Ergebnisse für den CIO oder IT-Vorstand (28 Prozent)

hinzu, kommt man auf 64 Prozent. Das heißt, in fast zwei Dritteln der Firmen

ist Analytics ein IT-Thema.

In 28 Prozent der Unternehmen ist die Geschäftsführung wichtigster Treiber

von Analytics. Auffallend ist hier der hohe Wert mit 45 Prozent bei den kleinen

Unternehmen mit bis zu 99 Mitarbeitern sowie im C-Level selbst mit 53 Prozent.

Auch die Leiter eines Fachbereichs wie Marketing, Vertrieb oder Kunden-

service (17 Prozent), der CTO / Technikvorstand (14 Prozent) oder der CDO

(Chief Digital Officer) mit elf Prozent übernehmen Verantwortung. Durchaus

bemerkenswert ist aber auch der Umstand, dass in sieben Prozent der Unter-

nehmen noch kein Verantwortlicher definiert wurde.

Wer in Ihrem Unternehmen ist dediziert für das Thema Analytics zuständig?Angaben in Prozent. Mehrfachantworten möglich. Basis: n = 436

IT-Leiter / IT-Abteilung

Geschäftsführer

CIO / IT-Vorstand

Leiter eines Fachbereichs (z.B. Marketing, Vertrieb, Kundenservice)

CTO / Technikvorstand

CDO (Chief Digital Officer) / Head of Digital

Anderer Vorstand

Anderer Verantwortlicher

Noch kein Verantwortlicher definiert

Weiß nicht

35,6

28,2

28,0

17,0

14,2

10,8

4,8

0,9

7,3

2,5


5. Management nutzt Predictive Analytics am häufigsten

Das Management integriert am häufigsten Funktionen für Predictive Analytics in den

Arbeitsalltag, gefolgt von Key Usern aus der IT-Abteilung und den Fachabteilungen.

In 36 Prozent der befragten Unternehmen setzt vor allem das Management

Predictive-Analytics-Funktionen für bessere Entscheidungen ein. An der

Spitze stehen hier die kleinen Unternehmen (50 Prozent) vor den großen

(41 Prozent) und mittleren Firmen (27 Prozent).

In einem Drittel der Firmen nutzen Key User aus der IT-Abteilung Pre-

dictive Analytics, in den großen Unternehmen sind es 44 Prozent.

Ähnlich hoch (30 Prozent) ist der Wert bei den Key Usern aus den Fach-

abteilungen. Dies gilt auch hier insbesondere für die großen Unternehmen

und die Fachabteilungen selbst mit jeweils 38 Prozent.

Ein Viertel der Firmen hat eigens ein Competence Center geschaffen,

dessen Data Scientists Predictive-Analytics-Funktionen nutzen. Bei den

großen Unternehmen sind es 35 Prozent.

14 Prozent lagern die Analytics-Aufgaben (teilweise) an externe Dienst-

leister aus.

Wer in Ihrem Unternehmen kann Predictive-Analytics-Funktionen nutzen?Angaben in Prozent. Mehrfachantworten möglich. Basis: n = 86 (Filter: Nur Unternehmen, die angegeben haben, dass Predictive-Analytics- und Prescriptive-Analytics-Verfahren regelmäßig Anwendung finden)

36,0

30,2

19,8

15,1

3,52,3

32,6

24,4

18,6

14,0

2,3

Management

Key User aus der IT-Abteilung

Key User aus Fachabteilungen

Spezielle Data Scientists / Mitarbeiter aus einem eigens geschaffenen Competence Center

Alle Mitarbeiter aus Fachabteilungen

Alle IT-Mitarbeiter

Alle Mitarbeiter

Die Analytics-Aufgaben werden (teilweise) von externen Dienstleistern übernommen.

Andere Organisationsart

Analytics ist nicht explizit geregelt oder organisiert.

Weiß nicht


6. Hoher Grad der Automatisierung bei IT-Prozessen für Predictive Analytics

Erstaunlich viele Unternehmen haben die IT-Prozesse für Predictive Analytics

bereits operationalisiert beziehungsweise automatisiert.

In nur elf Prozent der Firmen gibt es keine Automatisierung, sondern ledig-

lich eine Ad-hoc-Nutzung von Tools. Das ist vor allem in den kleinen Unter-

nehmen (20 Prozent) und den Fachabteilungen (22 Prozent) der Fall.

In 35 Prozent der Firmen sind alle Berichte auch untertägig aktuell und

können von den Mitarbeitern über ein Frontend eingesehen werden. Über-

durchschnittlich hoch sind die Werte hier bei den mittleren Unternehmen

(43 Prozent), den Firmen mit einem IT-Etat von mehr als zehn Millionen Euro

(46 Prozent) und der IT-Abteilung (39 Prozent).

Ein Fünftel der Unternehmen hat die Integration der Daten aus mehreren

Datenquellen in einer Zieldatenbank (Extract Transform Load, ETL) automa-

tisiert. Vorreiter sind auch hier wenig überraschend die großen Unternehmen

(32 Prozent).

Die Königsdisziplin Self-Service Predictive Analytics auf der jeweils

aktuellen Datenlage haben bereits neun Prozent der Firmen umgesetzt.

Interessant ist, dass dies besonders häufig vom C-Level-Management

ge äußert wird (23 Prozent).

Wie stark sind in Ihrem Unternehmen die IT-Prozesse für Predictive Analytics bereits operationalisiert beziehungsweise automatisiert?Angaben in Prozent. Basis: n = 85 (Filter: Nur Unternehmen, die angegeben haben, dass Predictive-Analytics-Verfahren regelmäßig Anwendung finden)

Gesamt- ergebnis

9,4

20,0

24,7

35,3

Alle Berichte sind auch untertägig aktuell und können mit einem Frontend eingesehen werden.

Self-Service Predictive Analytics auf der jeweils aktuellen Datenlage ist möglich.

Nur die Daten-integration / ETL (Extract Transform Load) ist automa-tisiert.

Berichte, inkl. Predictive- Analytics-Vorhersagen, werden regelmäßig er- stellt und kommuniziert (z.B. per Mail).

10,6Keine Auto-matisierung, nur Ad-hoc-Nutzung von Tools

Ergebnis-Split nach Unternehmensgröße (Anzahl Mitarbeiter)

30,0

43,2

32,4

< 100

100 – 999

1.000 +


7. Vielschichtig: technologische Probleme mit Analytics-Software

In der Studie wurden zehn mögliche technologische Problemfelder abgefragt, die sich

im Kontext mit Analytics-Lösungen ergeben können. Ergebnis: Es gibt nicht „das eine“

Kardinalproblem. Es erweist sich vielmehr, dass die Probleme offensichtlich vielschichtig

und relativ gleichmäßig verteilt sind.

Jeweils 27 Prozent der Unternehmen kämpfen vor allem mit fehlenden

Funktionen in Analytics-Lösungen sowie mit Fehlern im Datenmanagement.

Das Fehlen von Funktionen ist möglicherweise noch eine „Kinderkrankheit“,

kann aber auch darauf zurückzuführen sein, dass die Analytics-Lösungen

nicht an die individuellen Bedürfnisse der Unternehmen angepasst wurden.

Knapp dahinter folgen mit jeweils 23 Prozent die fehlende Skalierbarkeit der

Systeme sowie die mangelnde Flexibilität der Analytics-Lösungen und -Tools.

Ein Fünftel der Firmen beklagt nicht intuitive Benutzeroberflächen, den

fehlenden Zugriff auf Datenquellen und lange Antwortzeiten der Analytics-

Lösung.

Auch lange Antwortzeiten der datenliefernden Systeme, mangelnde

Agi lität der BI-Infrastruktur und mangelhafte System-Performance bereiten

Probleme (jeweils 19 Prozent).

Was sind aus Ihrer Sicht die größten technologischen Probleme, die mit den derzeitigen Analytics-Lösungen einhergehen?Angaben in Prozent. Mehrfachantworten möglich. Basis: n = 154 (Filter: Nur Unternehmen, die bereits (erste) Predictive- Analytics-Aktivitäten durchführen)

Fehlende Funktionen in Analytics-Lösungen

Fehler im Datenmanagement

Fehlende Skalierfähigkeit der Systeme

Mangelnde Flexibilität der Analytics-Lösungen und -Tools

Nicht intuitive Benutzeroberflächen

Fehlender Zugriff auf Datenquellen

Lange Antwortzeiten der Analytics-Lösung

Lange Antwortzeiten der datenliefernden Systeme

Mangelnde Agilität der BI-Infrastruktur

Mangelhafte System-Performance

Andere technologische Probleme

Weiß nicht

27,3

26,6

23,4

23,4

19,5

19,5

19,5

18,8

18,8

18,8

2,6

7,1


8. Predictive Analytics: Management profitiert künftig am stärksten

Predictive Analytics ist eine noch relativ junge Disziplin. Die meisten Firmen

gehen davon aus, dass das Management künftig am meisten von der fortgeschrittenen

Datenanalyse profitieren wird.

Vier von zehn Unternehmen rechnen damit, dass das Management bezie-

hungsweise die Geschäftsführung den größten Nutzen aus Predictive-

Analytics-Projekten ziehen werden. Davon sind vor allem die kleinen Unter-

nehmen (46 Prozent) und die C-Level-Manager selbst (57 Prozent) überzeugt.

Ein Drittel der Unternehmen geht davon aus, dass künftig die IT-Abteilung

am meisten von Vorhersagemodellen profitiert. Überdurchschnittlich hoch

sind hier die Werte bei den großen Unternehmen (40 Prozent) sowie den IT-

Leitern und ihren Teams (43 Prozent).

Großes Potenzial sehen die Firmen zudem im Vertrieb (32 Prozent) und

in den Bereichen Finanzen / Steuer / Controlling (29 Prozent), Einkauf / Be-

schaffung (27 Prozent) sowie Produktion / Fertigung und Marketing (jeweils

24 Prozent).

Den geringsten Nutzen erwarten die Firmen für die Personalabteilung

sowie für Forschung und Entwicklung.

Welche der folgenden Bereiche Ihres Unternehmens würden Ihrer Meinung nach von Predictive Analytics am stärksten profitieren?Angaben in Prozent. Mehrfachantworten möglich. Basis: n = 448

Geschäftsführung / Management

IT-Bereich

Vertrieb

Finanz / Steuer / Controlling

Einkauf / Beschaffung

Produktion / Fertigung

Marketing

Servicebereich

Logistik

HR / Personalabteilung

Forschung und Entwicklung

Anderer Unternehmensbereich

40,2

32,8

31,5

28,6

26,6

24,3

24,3

23,4

19,6

18,5

13,2

0,4


Statistisches, mathematisches Verständnis

Kommunikationsfähigkeit

9. Mitarbeiter brauchen Datenkompetenz Predictive Analytics stellt hohe Anforderungen an die Mitarbeiter. Die wichtigsten Skills

sind der sichere Umgang mit Daten sowie Know-how über spezifische Geschäftsprozesse.

42 Prozent der Unternehmen erwarten von ihren Mitarbeitern, dass sie sicher

mit Daten umgehen können, wenn sie sich mit Aufgaben rund um Predictive

Analytics befassen.

An zweiter Stelle der notwendigen Skills für fortgeschrittene Analysen steht

das Wissen über spezifische Geschäftsprozesse (35 Prozent), gefolgt von der

Kommunikationsfähigkeit (31 Prozent).

Gefragt ist auch die Moderation zwischen den Fachbereichen und der

IT-Abteilung (30 Prozent), da Predictive Analytics die Zusammenarbeit

zwischen den verschiedenen Abteilungen im Unternehmen erfordert.

Weitere wichtige Fähigkeiten, über die Mitarbeiter verfügen sollten, sind

statistisches, mathematisches Verständnis (30 Prozent), Marktkenntnisse

(27 Prozent), Tool-Know-how und Kreativität mit jeweils 25 Prozent.

Am Ende der Skala stehen die Kompetenz in Privacy- und Compliance-

Fragen, die Kenntnis externer Datenquellen sowie Programmierkenntnisse.

Welche Skills / Fähigkeiten von Mitarbeitern sind im Zuge der Durchführung von Predictive-Analytics-Aufgaben besonders wichtig?Angaben in Prozent. Mehrfachantworten möglich. Basis: n = 426

41,8 Sicherer Umgang mit Daten

30,529,8

25,1

22,8

34,7

30,0

27,2

24,6

22,3

20,4

0,7

3,1

Know-how über spezifische Geschäftsprozesse

Moderation zwischen Fachbereich und IT

Marktkenntnisse

Tool-Know-how

Kreativität

Kompetenz in Privacy- und Compliance-Fragen

Kenntnis externer Datenquellen

Programmierkenntnisse

Andere Skills

Weiß nicht


10. Das Vertrauen in den Dienstleister und Anbieter ist entscheidend

Beim Thema Analytics werden große Datenmengen bewegt. Daher ist Vertrauen sowohl

bei der Auswahl des Analytics-Dienstleisters als auch des Predictive-Analytics-Software-

Anbieters Auswahlkriterium Nummer eins.

Die drei wichtigsten Auswahlkriterien sind sowohl bei der Auswahl des

Analytics-Dienstleisters als auch bei der Entscheidung für den Predictive-

Analytics-Software-Anbieter identisch, auch in der Reihenfolge. Diese

drei Kriterien sind das Vertrauen in den Dienstleister, ein gutes Preis-

Leistungs-Verhältnis und technologisches Know-how.

Unterschiede tun sich nur bei der Häufigkeit der Nennungen auf: Bei der

Auswahl des Analytics-Dienstleisters liegen die drei Top-Kriterien eng zusam-

Was sind für Ihr Unternehmen die maßgeblichen Kriterien bei der Auswahl eines geeigneten Dienst- leisters im Analytics-Bereich beziehungsweise eines geeigneten Predictive-Analytics-Software-Anbieters?Angaben in Prozent. Mehrfachantworten möglich. Basis: n = 359 (Filter: Nur Unternehmen, die Predictive-Analytics-Aktivitätenbereits durchführen oder in den nächsten zwölf Monaten planen oder zumindest allgemein angedacht haben)

Vertrauen in den

Dienstleister / Anbieter

Gutes Preis-

Leistungs- Verhältnis

Technologi-sches Know-

how

Branchen-Know-how

Fester Ansprech-

partner

Innovations-kraft

Prozess- Know-how

Gute Zusam-menarbeit bei anderem IT- /

ITK-Projekt

Kompetenz bei Privacy

und Compliance

Skalierbarkeit

33,4

31,7 31,5

28,9

30,6

25,8

27,3

21,3

22,6

18,2

21,4

23,2

20,6

21,8

20,1

17,9

20,1

17,4

18,9

21,3


men (33, 32 und 31 Prozent). Bei der Wahl des Softwareanbieters für Predic tive

Analytics halten 32 Prozent das Vertrauen in den Dienstleister, 29 Prozent ein

gutes Preis-Leistungs-Verhältnis und 26 Prozent technologisches Know-how

für maßgeblich.

Eine wichtige Rolle bei der Auswahl eines Analytics-Dienstleisters spielen

zudem Branchenkompetenz (27 Prozent), ein fester Ansprechpartner (23 Pro-

zent) sowie Innovationskraft und Prozess-Know-how mit jeweils 21 Prozent.

Bei der Auswahl eines Softwareanbieters für Predictive Analytics legen die

Unternehmen über die Top-3-Kriterien hinaus großen Wert auf Innovations-

kraft und die Spezialisierung auf Analytics (jeweils 23 Prozent), Prozess-Know-

how (22 Prozent), Skalierbarkeit und Branchenkompetenz mit jeweils 21 Pro-

zent sowie ein transparentes Preisgefüge (20 Prozent).

Ganz oder weit hinten auf der Liste landet mit zehn beziehungsweise

zwölf Prozent das Kriterium des günstigsten Anbieters. Es gilt offensichtlich:

Ein gutes Preis-Leistungs-Verhältnis darf es schon sein, aber Unternehmen

achten beim Thema Analytics besonders auf die Qualität des Dienstleisters.

Qualitativ hochwertige Dienstleistungen und Lösungen sind die besten ver-

trauensbildenden Maßnahmen.

Spezialisierung auf Analytics

Persönlicher Kontakt

Regionale Nähe des Partners

Transparentes Preisgefüge

Kunden- referenzliste

1st/2nd-Level- Support

Helpdesk- Funktion

Internatio- nale / Globale Ausrichtung des Partners

Empfehlungen von Kollegen /

Bekannten / anderen

Unternehmen

Günstigster Dienstleister

18,7

23,2

18,1

16,5

17,3

14,6

17,0

19,6

16,2

12,3

15,3

11,5

14,5

11,2

12,8

15,7

11,7

11,2

9,7

12,0

Dienstleister im Analytics-Bereich

Predictive-Analytics-Software-Anbieter



Blick in die Zukunft

Hohe Erfolgsquote darf nicht blenden Predictive Analytics gewinnt in den Unternehmen zunehmend an Relevanz.

Zudem sind die meisten Firmen mit den bisherigen Analyseprojekten und dem

Kosten-Nutzen-Verhältnis sehr zufrieden oder zufrieden. Doch noch besteht

großer Nachholbedarf, nicht nur in kleinen und mittleren Unternehmen.

Um wettbewerbsfähig zu bleiben, müssen Firmen mehr Ressourcen bereitstellen

und vor allem in die Skills ihrer Mitarbeiter investieren.

Was wird passieren? Predictive Analytics trifft auf Basis von Datenmodellen

Voraussagen darüber, wie sich eine Situation in Zukunft entwickeln wird

oder kann. In den Unternehmen gewinnt die fortschrittliche Datenanalyse

zunehmend an Bedeutung, sei es für Absatzprognosen für ein bestimm-

tes Produkt in verschiedenen Regionen, dynamische Preisgestaltung

oder Predictive Maintenance. Das zeigen die Ergebnisse der Studie von

COMPUTERWOCHE und CIO.

Derzeit bewerten „nur“ 47 Prozent der Unternehmen die Relevanz von

Predictive Analytics als sehr hoch oder hoch, immerhin ein Drittel der Firmen

als eher niedrig bis sehr niedrig. Ganz anders sieht es bei den Werten für die

Zukunft aus. Zwei Drittel (66 Prozent) der Unternehmen gehen davon aus,

dass Predictive Analytics binnen drei Jahren für sie wichtig oder sehr wichtig

wird. Nur noch 14 Prozent der Firmen stufen dessen künftige Bedeutung als

eher niedrig bis sehr niedrig ein.

Hohe Erfolgsquote: Der Aufwand lohnt sich

Gut ein Drittel der Unternehmen hat bereits Analytics-Projekte umgesetzt,

mehr als die Hälfte davon im Bereich Predictive Analytics. Vorreiter sind die

großen Unternehmen. Aber: Immerhin 15 Prozent der Firmen planen weder

Analytics-Projekte noch haben sie bereits welche umgesetzt. Bei den kleinen

Firmen ist es knapp ein Drittel. Hier besteht also Nachholbedarf.

Die hohe Erfolgsquote sollte Ansporn genug sein. Nur elf Prozent der

be fragten Firmen sind unzufrieden oder sagen, dass sich ihre bisherigen

Predictive-Analytics-Projekte nicht gelohnt hätten. 60 Prozent der Firmen

sind mit den bisherigen Predictive-Analytics-Maßnahmen und dem

Kosten-Nutzen-Verhältnis sehr zufrieden oder zufrieden. Das positive

Ergebnis ist damit zu erklären, dass die Firmen einen Business Case mit

klaren Zielen für ihre entsprechenden Projekte definieren.

Von Jürgen Mauerer

39Blick in die Zukunft

Motive für die Analytics-Aktivitäten sind vor allem die Optimierung

be trieblicher Prozesse und eine bessere Datenbasis für strategische

Ent scheidungen. Weitere wichtige Antreiber sind die verbesserte Qualität

bestehender Pro dukte und Dienstleistungen, ein höherer Umsatz, größere

Kundenzufriedenheit oder auch die Entwicklung neuer Produkte oder

Geschäftsmodelle.

Investitionen in Skills der Mitarbeiter sind gefragt

Damit Predictive-Analytics-Projekte erfolgreich verlaufen und entsprechen-

den Nutzen bringen, müssen Firmen eine Reihe von Hürden überwinden.

Als größte Herausforderung nannten die Firmen fehlende Ressourcen im

Fachbereich oder in der IT-Abteilung. Knapp ein Viertel sieht Hemmnisse

aufgrund der Komplexität der Analytics-Lösungen, fehlender analytischer

Skills im Unternehmen oder der mangelnden Datenqualität.

Predictive Analytics stellt insbesondere hohe Anforderungen an die Mit-

arbeiter. 42 Prozent der Unternehmen erwarten von ihren Mitarbeitern,

dass sie sicher mit Daten umgehen können, wenn sie sich mit Aufgaben

rund um Predictive Analytics befassen. Sie müssen sich sowohl mit der

Datenaufbereitung auskennen als auch den fachlichen Background von

Daten verstehen, damit sie aus den Analyseergebnissen einen Mehrwert

ableiten können. An zweiter Stelle der notwendigen Skills für fortgeschrit-

tene Analysen steht das Wissen über spezifische Geschäftsprozesse, gefolgt

von der Kommunikationsfähigkeit.

Daher ist es wichtig, dass die Firmen beim Ausbau von Predictive Analytics

nicht nur in die IT-Infrastruktur investieren, sondern verstärkt auch in die

Förderung interner Skills. Dazu gehören Investitionen in den Aufbau einer

eigenen Organisationseinheit mit eigenem Budget, die Schaffung neuer Stel-

len oder die Weiterbildung des bestehenden Personals. Das planen 40 Prozent

der befragten Firmen.

Eine Alternative bildet die Zusammenarbeit mit externen Dienstleistern etwa

für technische und fachliche Beratung. Rund drei Viertel der für die Studie

befragten Firmen arbeiten bei Analytics mit einem oder mehreren Partnern

zusammen. Interessant: Das Vertrauen in den Dienstleister ist hier Aus-

wahlkriterium Nummer eins – schließlich werden hier große Mengen an

sensiblen und geschäftskritischen Daten bewegt.

40 Blick in die Zukunft

Studiensteckbrief

Herausgeber ............................. COMPUTERWOCHE, CIO, TecChannel und ChannelPartner

Studienpartner ........................ Gold-Partner: Lufthansa Industry Solutions GmbH & Co. KG Silber-Partner: Datavard AG Bronze-Partner: Jedox AG SEVEN PRINCIPLES AG

Grundgesamtheit .................... Oberste (IT-)Verantwortliche von Unternehmen in der D-A-CH-Region: strategische (IT-)Entscheider im C-Level- Bereich und in den Fachbereichen (LoBs), IT-Entscheider und IT-Spezialisten aus dem IT-Bereich

Teilnehmergenerierung ..... Stichprobenziehung in der IT-Entscheider-Datenbank von IDG Business Media, persönliche E-Mail-Einladungen zur Umfrage

Gesamtstichprobe .................. 390 abgeschlossene und qualifizierte Interviews

Untersuchungszeitraum...... 15. März bis 2. April 2018

Methode ...................................... Online-Umfrage (CAWI)

Fragebogenentwicklung ...... IDG Research Services in Abstimmung mit den Studienpartnern

Durchführung .......................... IDG Research Services

Technologischer Partner ..... Questback GmbH, Köln

Umfragesoftware .................... EFS Survey Winter 2017

41Studiendesign

Stichprobenstatistik

Branchenverteilung* Land- und Forstwirtschaft, Fischerei, Bergbau ................................... 4,0 %

Energie- und Wasserversorgung ............................................................. 8,5 %

Chemisch-pharmazeutische Industrie, Life-Science ....................... 9,2 %

Metallerzeugende und -verarbeitende Industrie .................................7,7 %

Maschinen- und Anlagenbau ................................................................... 8,2 %

Automobilindustrie und Zulieferer ..........................................................7,3 %

Herstellung von elektronischen Gütern, IT-Industrie .....................13,8 %

Konsumgüter-, Nahrungs- und Genussmittelindustrie ...................3,5 %

Medien, Papier- und Druckgewerbe ....................................................... 1,9 %

Baugewerbe, Handwerk ...............................................................................3,8 %

Groß- und Einzelhandel (inklusive Online-Handel) ......................... 8,5 %

Banken und Versicherungen ..................................................................... 6,8 %

Transport, Logistik und Verkehr ............................................................... 8,0 %

Hotel- und Gastgewerbe, Tourismus .......................................................3,5 %

Dienstleistungen für Unternehmen .....................................................20,9 %

Öffentliche Verwaltung, Gebietskörperschaften,

Sozialversicherungen .................................................................................. 8,7 %

Gesundheits- und Sozialwesen ............................................................... 4,9 %

Schule, Universität, Hochschule .............................................................. 4,0 %

Andere Branchengruppe .............................................................................5,2 %

Unternehmensgröße Weniger als 100 Beschäftigte ....................................................................21,1 %

100 bis 499 Beschäftigte ........................................................................... 27,8 %

500 bis 999 Beschäftigte ............................................................................18,0 %

1.000 bis 9.999 Beschäftigte ..................................................................... 23,6 %

10.000 Beschäftigte und mehr .................................................................. 9,5 %

Umsatzklasse Weniger als 50 Millionen Euro ................................................................30,0 %

50 bis 99 Millionen Euro............................................................................ 22,0 %

100 bis 999 Millionen Euro ....................................................................... 25,7 %

1 bis unter 2 Milliarden Euro ...................................................................... 9,9 %

2 bis unter 5 Milliarden Euro .......................................................................7,5 %

5 Milliarden Euro und mehr ....................................................................... 4,8 %

Jährliche Aufwendungen Weniger als 1 Million Euro ........................................................................ 43,3 %

in IT-Systeme 1 bis unter 10 Millionen Euro ................................................................... 34,0 %

10 bis unter 100 Millionen Euro ...............................................................16,1 %

100 Millionen Euro und mehr ................................................................... 6,5 %

* Mehrfachnennungen möglich

42 Studiendesign


Unsere Gold- und Silber- Studienpartner

stellen sich vor

Ob es darum geht, eine unternehmensweite

Digitalisierungsstrategie zu entwickeln, mithilfe

von ITServices Maschinen miteinander zu ver

netzen oder mobile Plattformen für unterneh

mensübergreifende Kollaboration bereitzustellen:

Immer wenn Unternehmen die Digitalisierung

angehen wollen, ist Lufthansa Industry Solutions

der richtige Partner.

Unsere Kunden kommen aus vielen unterschied

lichen Bereichen. Sie zählen zur Luftfahrt, sind

in der Logistik und im Transport zu Hause.

Sie stammen aus der Industrie und Automobil

branche oder sind im Verlagsgeschäft, Touris

mus, Energie oder HealthcareSektor tätig.

Doch unabhängig von ihrer Branche teilen sie

dieselbe große Herausforderung unserer Zeit:

Sie müssen ihre IT entlang der gesamten Wert

schöpfungskette so gestalten, dass sie dadurch

Kosten reduzieren und gleichzeitig nachhaltig

Erlöse und Effizienz erhöhen können. Kurzum:

Es geht um die Zukunftsfähigkeit des Unter

nehmens.

Lufthansa Industry Solutions unterstützt Unter

nehmen bei der dafür notwendigen Digitali

sierung und Automatisierung ihrer Geschäfts

prozesse – vom Mittelständler bis zum DAX

Konzern. Dabei richten wir unseren Fokus nicht

nur auf die dafür notwendige IT, sondern auf

das Geschäft unserer Kunden mit seinen inter

nen und externen Herausforderungen. Denn die

digitale Transformation umfasst die gesamte

Unternehmensstruktur und kultur und reicht

über die Unternehmensgrenzen hinaus bis hin

zur Zusammenarbeit mit Partnern, Kunden

und Lieferanten.

Unsere Projekterfahrung und

Branchenkenntnis

Mit vielen unserer Kunden verbindet uns

eine langjährige Zusammenarbeit. Die daraus

entstandene Projekterfahrung und Branchen

kenntnis kombinieren wir mit unserem umfang

reichen Service und Technologieportfolio.

Daher arbeiten wir in interdisziplinären Teams.

Ob es um Cloud, SaaS oder Data Analytics geht –

Lufthansa Industry Solutions deckt als ITBera

tung und Systemintegrator das gesamte Spekt

rum der ITDienstleistungen ab. Dabei stellen

wir seit jeher höchste Ansprüche an Sicherheit

und Qualität – insbesondere auch, da unsere

Wurzeln in der Luftfahrt liegen, einer hochdigita

lisierten und sicherheitssensiblen Branche.

„Die digitale Transformation eröffnet unseren Kunden großes Potenzial für Wachstum und neue Wertschöpfungsmodelle. Wir unterstützen Unternehmen dabei, dieses Potenzial durch Automatisierung und Digitalisie-rung ihrer Geschäftsprozesse zu erschließen.“

Bernd Appel, Geschäftsführer Lufthansa Industry Solutions

Ihr Partner für die digitale Transformation

Lufthansa Industry Solutions

MachineLearning_fin.indd 44 06.04.18 13:50

Unsere Schwerpunkte

Prozessberatung / Ablauf Organisation

ITBeratung (Prozesse, Technologien,

Infrastruktur)

ITSystemintegration und Entwicklung

Applikationsmanagement und Operation

im ITSystembetrieb

Programm und Projektmanagement

Strategieberatung

Unsere Spezialexpertise

Auf dem Weg hin zu einem datengetriebenen

Unternehmen 4.0 unterstützt der Kompetenz

bereich Data Insight Lab Kunden aus unter

schiedlichen Branchen. Hier arbeiten Data

Scientists und Data Architects gemeinsam mit

Unternehmen daran, ihre Daten zusammen

zuführen, zu strukturieren und zu analysieren.

Ziel ist es immer, den Wert der Daten beurteilen

und die Erkenntnisse bestenfalls wertschöpfend

nutzen zu können.

Darüber hinaus haben wir unsere Expertise

im Projektmanagement im Geschäftsfeld Project

Management Excellence gebündelt. So können

wir unseren Kunden dabei helfen, ihre spezifi

schen ITProjekte effizient und kostengünstig

umzusetzen.

Umfangreiches Knowhow im Bereich Tech no

logie stellt die Lufthansa Industry Solutions TS

GmbH mit Sitz in Oldenburg zur Verfügung.

Die Experten unterstützen unsere Kunden gezielt

bei der Softwareentwicklung oder dem Betrieb

und der Wartung von Applikationen. Außerdem

gehören Qualitätssicherung, Testmanagement

und Infrastrukturberatung zu den Kernkompe

tenzen.

Smart Data Analytics bei Lufthansa

Industry Solutions

Wer alle Unternehmensdaten übergreifend nutzt,

kann bessere Entscheidungen treffen, spezifi

schere Produkte entwickeln oder Maschinen

wirtschaftlicher warten. Auch Kundenmanage

ment und Lieferketten lassen sich mithilfe der

Auswertung von Daten optimieren. Die Basis da

für bilden BigDataAnalytics und Technologien.

Sie tragen dadurch wesentlich zum Unterneh

menserfolg bei – auch weil die Vorhersage von

Ereignissen auf Basis umfangreicher Datenanaly

sen in Echtzeit an Relevanz gewinnt.

Lufthansa Industry Solutions unterstützt Unter

nehmen im gesamten DatenÖkosystem und

verknüpft Big Data Analytics mit klassischen

BusinessIntelligenceTechnologien. Im unter

nehmenseigenen Kompetenzbereich Data Insight

Lab entwickeln Data Scientists und Data Archi

tects gemeinsam mit Unternehmen Strategien

und Use Cases. Außerdem analysieren und

bewerten Experten die Daten und bauen Daten

plattformen für den laufenden Betrieb auf.

Das Leistungsportfolio umfasst:

Konzeption und Umsetzung von Big-Data-Lösungen – von der Entwicklung der Architektur über die Imple-mentierung bis hin zur Schulung der Mitarbeiter

Entwicklung von Analysen und Reports oder voll- ständig datenbasierten Produkten im Rahmen von Minimum Viable Products (MVPs, Produkte mit mini- malem Funk tionsumfang)

Einsatz von und Beratung zu Technologien im Bereich Machine Learning und Künstlicher Intelligenz, um unstrukturierte Massendaten auszuwerten

Intelligente Analyse von Sensordaten

Entwicklung von Prototypen im Data Insight Lab

MachineLearning_fin.indd 45 06.04.18 13:50

Partner 46

Daten sind das Gold des digitalen Zeitalters.

Unternehmen stehen heute vor der Heraus-

forderung, wie sie diesen Datenschatz heben

können. In der Praxis scheitern Analytics-

Projekte häufig an unzureichender Datenqua-

lität und fehlenden Analytics-Skills. Mithilfe

von Data-Driven-IT lassen sich diese Hürden

überwinden. Wir von Datavard unterstützen

Sie dabei, Ihren Datenschatz zu heben.

Im Mittelalter und in der frühen Neuzeit waren

es die Alchemisten, die aus unedlen Metallen

Wir machen mehr aus Ihren Daten

DATAVARD das geschätzte Gold herstellten. Heute sind es

IT-Verantwortliche, Business-Analysten oder

Data Scientists, die vor der Herausforderung

stehen, ihre Daten zu „vergolden“. Die Wahr-

heit ist jedoch, dass die meisten Unternehmen

mit sechs bis acht Prozent noch immer nur

einen Bruchteil der Daten nutzen. Diese Daten

sind strukturiert und werden in Enterprise-

Anwendungen wie SAP oder Salesforce vorge-

halten. 80 bis 90 Prozent aller digitalen Infor-

mationen sind jedoch unstrukturiert, wie

beispielsweise Bilder, Videos und Audiodaten,

und stammen aus unterschiedlich zuverläs-

sigen Quellen, insbesondere Social Media. Sie

sind jedoch der Schlüssel zum Datenschatz.

Die „Alchemie“ besteht darin, den Abde-

ckungsgrad von Analytics zu erhöhen, um

unstrukturierte Daten wie E-Mails oder Doku-

mente und öffentlich zugängliche Daten,

wie demografische Informationen, Wetter,

Börse oder Verkehr logisch und in Echtzeit

„Wir helfen Ihnen, Ihre Daten in Vermögenswerte umzuwandeln. Unsere Lösungen unterstützen Sie von der Statusanalyse

über automatisiertes Datenmanagement bis zu IT Operations Analytics.“

Gregor Stöckler, CEO Datavard

WO IST DENN NUN DAS DATEN-GOLD?

Partner 47

Datavard AG

Römerstraße 9 69115 Heidelberg, Deutschland

Telefon: +49 6221 / 87331-0 Fax: +49 6221 / 87331-10 E-Mail: [email protected]

www.datavard.com

mit einander zu verknüpfen. So erhöht sich

die digitale Abdeckung der Realität in Rich-

tung einer 360°-Darstellung mit maximaler

Aussagekraft und Aktualität.

Ein Beispiel: Für einen mittelständischen Ein-

zelhändler konnten wir durch Kombination

bestehender Kunden- und Produktinforma-

tionen aus dem ERP- und CRM-System mit

aufgezeichneten Anrufen aus dem Callcenter

völlig neue Erkenntnisse über Ursachen für

Kundenzufriedenheit, Retouren und Abwan-

derungsquote erzielen. Die Lösung ermöglicht

es heute, im Callcenter Kundenanfragen in

Echtzeit ohne zeitraubende Systemwechsel

und Medienbrüche zu bearbeiten und dem

Kunden proaktiv maßgeschneiderte Angebote

zu unterbreiten.

Der Rohstoff Daten birgt enormes Potenzial.

Wer ihren Wert gewinnbringend einsetzen

will, muss einige Grundlagen beachten.

Empfehlenswert ist es, in drei Schritten vor-

zugehen.

1. Statusanalyse – das System auf den

Prüfstand stellen

Wer sich verbessern möchte, sollte seinen

aktuellen Status kennen. Ein Systemscan

ermittelt beispielsweise die Qualität der

Daten und zeigt Verbesserungsmöglich-

keiten hinsichtlich Systemgröße und

-Performance.

Datavard – Insight Into Action

Datavard ist ein internationaler Anbieter von Software- und Beratungslösungen für inno - vat ives Datenmanagement, HANA & Hadoop Integration, IT Operations Analytics, Big- Data-Lösungen in SAP-Umgebungen und System- Landscape-Transformation, inklusive SAP S/4 HANA Migration. Internationale Unternehmen, darunter Fortune-500- und DAX-30-Unter-nehmen wie Allianz, BASF und Nestlé, wählen Datavard als zuverlässigen Partner. Das in-habergeführte Unternehmen ist eines der am schnellsten wachsenden Technologieunter-nehmen Europas. Datavard hat seinen Hauptsitz in Heidelberg und zwölf Niederlassungen in EMEA, USA und APJ.

www.datavard.com

2. Datenmanagement optimieren und

automatisieren

Die Datenflut eindämmen, Ressourcen best-

möglich einsetzen, die System-Performance

optimieren. Automatisierte Prozesse für

Archivierung und Housekeeping schaffen

Abhilfe und ermöglichen es, sich auf wichti-

gere Aufgaben konzentrieren.

3. IT Operations Analytics –

360˚-Überblick in Echtzeit

Die Königsdisziplin der digitalen Goldgräber

ist, das volle Potenzial der eigenen Daten für

faktenbasierte Entscheidungen zu nutzen,

beispielsweise, um Vorhersagen und Simula-

tionen zu erstellen oder Eskalationen zu ver-

meiden. IT-Operations-Analytics-Lösungen

wie Datavard Insights ermöglichen Echt-

zeiteinblicke in alle kritischen operativen

IT- Aspekte wie Anwenderverhalten, Daten-

wachstum, Speichernutzung oder System-

leistungen.

Die Fähigkeit, aus vorhandenen Daten Mehr-

wert zu generieren, ist einer der wichtigsten

Wettbewerbsfaktoren. Bisher schöpfen aber

nur wenige deutsche Unternehmen dieses

Potenzial aus. Unsere Mission ist, Kunden auf

der ganzen Welt innovative Lösungen bereit-

zustellen, die Daten in Vermögenswerte um-

wandeln und Mehrwert schaffen: finanzielle

Vorteile, eine höhere Rendite auf getätigte

IT-Investitionen, verbesserte Einsicht, die

beste System-Performance, reduzierte Kom-

plexität, verbesserte Sicherheit und Compli-

ance. So können sich unsere Kunden auf das

konzentrieren, was wirklich wichtig für sie ist.

Herausgeber:

IDG Business Media GmbH

Anschrift Lyonel-Feininger-Str. 2680807 München Telefon: 089 36086 – 0Fax: 089 36086 – 118E-Mail: [email protected] VertretungsberechtigterYork von Heimburg Geschäftsführer

RegistergerichtAmtsgericht München HRB 99187

Umsatzsteueridentifikations-nummer: DE 811 257 800

Weitere Informationen unter: www.idg.de

Studienkonzept / FragebogenentwicklungMatthias Teichmann,IDG Research Services

Endredaktion /CvD Studienberichtsband:Sylvia Lindner, MünchenMatthias Teichmann,IDG Research Services

Analysen / Kommentierungen:Jürgen Mauerer, München

Umfrageprogrammierung:Thamar Thomas-Ißbrücker,IDG Research Servicesauf EFS Survey Fall 2017

Artdirector:Daniela Petrini, Reutte

Umschlagkonzept:Sandra Schmitt, IDG Research Services (unter Verwendung eines Farbfotos für Vorder- und Rückseite von © shutterstock.com / Sergey Nivens

Lektorat:Dr. Renate Oettinger, München

Druck:Peradruck GmbHHofmannstr. 7b81379 München

Ansprechpartner:Matthias TeichmannDirector ResearchIDG Research ServicesTelefon: 089 36086 – [email protected]

Gold-Partner:

Lufthansa Industry Solutions GmbH & Co. KGSchützenwall 122844 NorderstedtTelefon: +49 40 50703000 – 0E-Mail: [email protected]: www.LHIND.de

Silber-Partner:

Datavard AGRömerstraße 969115 HeidelbergTelefon: +49 6221 873310E-Mail: [email protected]: www.datavard.com

Bronze-Partner:

Jedox AG (Hauptsitz)Bismarckallee 7a79098 Freiburg DeutschlandTelefon: +49 761 151470E-Mail: [email protected] Web: www.jedox.com

SEVEN PRINCIPLES AGErna-Scheffler-Straße 1a51103 KölnTelefon: +49 221 92007 – 0E-Mail: [email protected]: www.7p-group.com

48 Kontakt / Impressum


Die Studienreihe

Alexander Jake Freimark Alexander Jake Freimark wech-selte 2009 von der Redaktion der COMPUTERWOCHE in die Frei-beruflichkeit. Er schreibt für Medien und Unternehmen, sein Auftrags-schwerpunkt liegt im Cor porate Publishing. Dabei stehen technolo-

gische Inno vationen im Fokus, aber auch der Wandel von Organisa tionen, Märkten und Menschen.

Christoph Lixenfeld Christoph Lixenfeld schreibt seit 25 Jahren als Journalist und Autor für die Süddeutsche Zeitung, den Spiegel, Focus, den Tagesspiegel, das Handelsblatt, die Wirtschaftswoche, COMPUTERWOCHE und viele andere. Außerdem macht er Hörfunk, vor allem

für DeutschlandRadio, und produziert TV-Beiträge, zum Beispiel für die ARD-Magazine Panorama und Plus minus. Inhaltlich geht es häufig um die Themen Wirtschaft und IT, aber nicht nur.

Bernd Reder Bernd Reder ist seit rund 30 Jahren als Fachjournalist für Medien, PR-Agentu-ren und Unternehmen tätig. Zu seinen thematischen Schwerpunkten zählen die Informations- und Netzwerktech-nik, Cloud Computing, IT-Security und Mobility. Bevor er sich selbstständig

machte, war Reder in den Redaktionen führender Fach-publikationen tätig. Dazu zählen Elektronik, Network World, Digital World und Network Computing.

Michael Schweizer Michael Schweizer ist freier Redakteur und Autor in München. Oft schreibt er über Menschen, Personal- und Kar rierefragen mit IT-Bezug. Beson-ders interessiert ihn alles, was mit Wissenschaft zu tun hat, also zum Beispiel unabhängige Studien zu

komplizierten Themen. Als freier Schlussredakteur ist er unter anderem für die Print-Ausgaben der IDG-Publika-tionen COMPUTER WOCHE, CIO und ChannelPartner zuständig. Er übernimmt auch Buchlektorate.

Unser Autorenteam

Der Autor dieser StudieJürgen Mauerer Jürgen Mauerer arbeitet seit Oktober 2002 als freiberuflicher IT-Fachjour-nalist in München. Er schreibt vor-wiegend über aktuelle Themen und Trends rund um IT und Wirtschaft für Publikationen wie COMPUTERWOCHE, com! professional oder ZD.NET.

Darüber hinaus berät und unterstützt er PR-Agenturen sowie IT-Unternehmen bei der Erstellung von Anwender-berichten, Whitepapers, Fachartikeln oder Microsites und moderiert Podiumsdiskussionen und Veranstaltungen.

Nicole Bruder

Account Manager Research IDG Research Services

Telefon: 089 36086 – 137 [email protected]

Sales-Team

Regina Hermann


Telefon: 089 36086 –384 [email protected]

Jessica Schmitz-Nellen



Matthias Teichmann

Director Research IDG Research Services


Gesamtstudienleitung

50 Die Studienreihe

Unsere Studienreihe

Erhältlich in unserem Studien-Shop auf www.computerwoche.de / studien

Vorschau Studienreihe

Laufende Studienberichterstattung auf www.computerwoche.de/p/research,3557

Juli 2018: Managed Security

September 2018: Arbeitsplatz der Zukunft

September 2018: Legacy-Modernisierung

Oktober 2018: IAM-as-a-Service

November 2018: Internet of Things

Dezember 2018: Enterprise Service Management

Februar 2019: 4digital

März 2019: IT-Freiberufler

April 2019: Cloud Security

April 2019: Künstliche Intelligenz und Robotics

Die Studienprojekte beginnenmit initialen redaktionellenRound Tables jeweils rund dreibis vier Monate vor den angege-benen Veröffentlichungsterminen.

(Planungsstand 11.5.2018,Änderungen vorbehalten)

Für Rückfragen zum aktuellenPlanungsstand: [email protected]

Für regelmäßige Infosfolgen Sie uns gerne aufTwitter: https://twitter.com/IDGResearch_DE

51Die Studienreihe

Silber-Partner

Bronze-Partner

Gold-Partner

Documents

StudiePredictive Analytics - 7p-group.com · Vor allem Data Scientists sind knapp und teuer. Schwerer noch wiegt aber die kulturelle Überforderung von Entscheidern, die sich nun