Kapitel 1. Die Unternehmensumwandlung
Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com
Während wir dieses Buch im Jahr 2024 schreiben, ist die Unternehmenslandschaft von der zunehmenden Einführung digitaler Technologien und Praktiken geprägt, die oft als "Business Transformation" oder "industrielle Transformation" bezeichnet werden. Diese Transformation ist nicht die erste. Bisher hat die Welt drei industrielle Umwälzungen erlebt, die jeweils von neuen Technologien angetrieben wurden: Dampfkraft (etwa ab den 1760er Jahren), Elektrizität und Massenproduktion (von Mitte des 18. Jahrhunderts bis 1910) und Computerisierung (vom Ende des 20. Jahrhunderts bis heute). In diesem Kapitel wird erklärt, was an der aktuellen Transformation anders ist als an früheren und warum wir glauben, dass Augmented Analytics (AA) so gut positioniert ist, um die Probleme zu lösen, mit denen viele Unternehmen derzeit konfrontiert sind.
Augmented Analytics bedeutet einfach, dass Menschen Zugang zu Technologien erhalten, die ihnen die analytischen Möglichkeiten geben, die sie brauchen, um die anstehenden Geschäftsaufgaben besser zu erledigen. Wenn du diesen Begriff schon einmal gehört hast, denkst du vielleicht an automatisierte Prognosen in Tableau-Dashboards; das ist aber nicht das, was wir hier tun. AA erfordert einen viel ganzheitlicheren Ansatz, um wirklich durchzustarten. In Kapitel 3 werden wir die Definition von AA näher beleuchten.
Bevor wir das tun, lass uns ein bisschen rauszoomen und die externen Triebkräfte untersuchen, die den Einsatz von AA zu einer Notwendigkeit machen, um in der heutigen Welt wettbewerbsfähig zu bleiben.
Warum sich Unternehmen wandeln
Wir befinden uns derzeit im Computer- und Informationszeitalter, und viele Experten glauben, dass KI die nächste Phase dieses industriellen Wandels vorantreiben wird. Was also macht diese Phase des industriellen Wandels so besonders, dass sie sich von früheren unterscheidet? Wir glauben, dass vier Hauptfaktoren eine Rolle spielen, die wir in diesem Abschnitt einzeln untersuchen.
Faktor 1: Die Geschwindigkeit des Wandels
Die digitale Transformation vollzieht sich viel schneller als frühere Transformationen und verlangt von den Unternehmen, dass sie agil sind und sich schnell anpassen. Die Dampfkraft brauchte zum Beispiel mehrere Jahrzehnte, um die Wirtschaft vollständig zu verändern. Die Massenproduktion brauchte etwa ein halbes Jahrhundert. Und die Computerisierung dauerte etwa 20 bis 30 Jahre. Im Gegensatz dazu vollzieht sich der digitale Wandel in einigen Branchen in nur wenigen Jahren. Um es klar zu sagen: Die meisten Unternehmen und Organisationen sind nicht für dieses Tempo gemacht; man braucht eine außergewöhnliche Führung und organisatorische Flexibilität, um in diesem Umfeld erfolgreich zu sein.
Für die Unternehmen hat dieses rasante Tempo des Wandels zu einem erhöhten Druck geführt, mitzuhalten und wettbewerbsfähig zu bleiben. Jede Buchhandlung um die Ecke muss plötzlich mit Unternehmen wie Amazon konkurrieren; jedes Taxiunternehmen muss mit Uber konkurrieren, das einen außergewöhnlichen Kundenservice bietet, der auf erstklassigen Datenanalysen aufbaut. Aber die Konkurrenz kommt nicht nur von disruptiven Akteuren. Auch traditionelle Unternehmen haben begonnen, sich selbst zu disruptieren. Man denke nur an den Wandel hin zu Industrie 4.0 in der Fertigung, wozu auch die Einführung von intelligenten Fabriken und Internet of Things (IoT)-Geräten gehört, um Produktionsprozesse zu optimieren und die Effizienz zu steigern.
Faktor 2: Die Konvergenz mehrerer Technologien
Frühere industrielle Umwälzungen wurden größtenteils von einer oder zwei Schlüsseltechnologien wie Dampf und Elektrizität angetrieben. Die digitale Transformation beinhaltet jedoch die Integration von Technologien wie KI, Cloud Computing, Datenanalyse und IoT in die Produktion, die für sich genommen das Potenzial haben, ganze Branchen zu verändern.
Die Fortschritte der 2010er und 2020er Jahre in den Bereichen Datenverarbeitung, Vernetzung und Speicherung haben zu neuen Technologien und Diensten geführt, die die Art und Weise, wie Unternehmen arbeiten, erheblich verändert haben. Das macht die aktuelle Phase der digitalen Transformation viel komplexer und vielschichtiger. Es ist extrem schwer vorherzusagen, wohin das Schiff steuert, und die Gewässer erfolgreich zu navigieren. Der Umbruch kann praktisch über Nacht erfolgen, wie wir es bei der Unterhaltungselektronik und im Einzelhandel gesehen haben, oder er kann Jahre dauern. Obwohl erneuerbare Energien den Energiesektor schon vor etwa 20 Jahren verändert haben, sind sie in den meisten Ländern noch weit davon entfernt, die dominierende Energiequelle zu sein.
Faktor 3: Die Wichtigkeit von Daten
Die digitale Transformation erfordert oft grundlegende Veränderungen der Geschäftsmodelle und der Art und Weise, wie Unternehmen über Daten denken. In früheren industriellen Revolutionen sind Daten "einfach passiert": Du wusstest, wie viele Autos du verkaufst, wie viel Material du brauchst, wie viele Mitarbeiter du hast, und so weiter. Man analysierte die Daten im Nachhinein, um Prozesse zu verbessern. Versteh uns nicht falsch - das allein war schon eine große Sache. Es hat im goldenen Zeitalter der Computerisierung eine ganze Branche für Business-Intelligence-Software beflügelt, einschließlich Datenbankanbietern und Visualisierungstools. Doch im digitalen Zeitalter haben sich Daten von etwas, das passiert, zu etwas entwickelt, das passieren muss.
Laut einem McKinsey-Bericht aus dem Jahr 2022 wächst die Menge der erzeugten, erfassten, kopierten und verbrauchten Daten in einem noch nie dagewesenen Tempo. Wie Abbildung 1-1 zeigt, hält dieser Trend schon seit mehr als einem Jahrzehnt an und wird sich voraussichtlich noch weiter beschleunigen.
Abbildung 1-1. Die wachsende Menge an Daten weltweit (Quelle: Statista)
Die meisten Unternehmen haben einen Weg gefunden, die schiere Menge an Daten mit moderner Technologie zu bewältigen: Günstige Speicherung, leistungsstarke Rechenleistung und Netzwerke mit geringer Latenz haben eine neue Welle von Angeboten ermöglicht, die sowohl von Verbrauchern als auch von Unternehmen gerne genutzt werden, wie z. B. Streaming-Dienste, Social-Media-Plattformen und E-Commerce-Seiten. Die Akzeptanz dieser neuen Dienste hat nicht nur das digitale Ökosystem angekurbelt, sondern auch den Treibstoff für dieses Ökosystem erzeugt: Daten.
Bei den meisten dieser Daten handelt es sich jedoch nicht um saubere, tabellarische Daten, die leicht analysiert werden können, sondern um unstrukturierte Daten wie Texte, Bilder und Videos. Unternehmen erzeugen überall unstrukturierte Daten, z. B. durch soziale Medien, Kundeninteraktionen und IoT-Sensoren. In vielen Fällen ist die Technologie nur bis zu einem gewissen Grad hilfreich; menschliche Analysefähigkeiten sind erforderlich, um aus den Daten einen Sinn zu machen. Die meisten Unternehmen haben immer noch mit dieser wachsenden Komplexität zu kämpfen.
Unternehmen müssen also strategisch darüber nachdenken, welche Daten sie sammeln müssen, wie sie sie sammeln und welche Erkenntnisse sie daraus gewinnen können (was in einigen Branchen sogar in Echtzeit geschehen kann). Dies erfordert ein völlig neues Paradigma in Bezug auf Daten und führt oft dazu, dass ein Unternehmen neue Aufgaben übernehmen muss.
Manche Leute vergleichen Daten in der aktuellen Wirtschaft mit Öl in der "Old Economy" als treibende Ressource. Aber wir denken, dass das ein schlechter Vergleich ist. Anders als Öl verbrauchen sich Daten nicht, wenn sie verbraucht werden. Stattdessen erhalten wir sogar noch mehr Daten, je mehr wir mit ihnen interagieren. Daten sind auch keine knappe Ressource: Sie können auf zahlreiche Arten erzeugt und gesammelt werden. Die einzige Parallele ist, dass sowohl Öl als auch Daten viel weniger wert sind, wenn sie nicht veredelt werden. Beide Ressourcen müssen gründlich gereinigt, aufbereitet und verwaltet werden, bevor sie für kommerzielle Zwecke genutzt werden können. In gewisser Weise muss jedes Unternehmen diese Fähigkeiten erlernen, selbst wenn es noch nie mit Daten gearbeitet hat.
Faktor 4: Verändertes Verbraucherverhalten und Kundenzentrierung
Als Leute das iPhone zum ersten Mal sahen, wollten sie nie wieder ein anderes Telefon haben. "Wer braucht schon einen Stylus?" fragte Steve Aufträge auf der iPhone-Keynote 2007 und deutete mit dem Finger in die Luft. Seitdem haben sich die Verbraucher/innen an Touchscreens gewöhnt und nicht mehr an mechanische Tastaturen oder Plastikstifte. Das iPhone hat die Bedürfnisse der Kunden aufgegriffen und vorweggenommen, aber es wäre ohne die grundlegenden technischen Innovationen wie das Multitouch-Display, die hohe Rechenleistung und die lange Akkulaufzeit niemals möglich gewesen.
Seitdem haben zahlreiche andere Branchen ihre eigenen "iPhone-Momente" erlebt. Zum Beispiel:
-
Shopify hat kleinen Ladenbesitzern gezeigt, dass es nicht schwer oder teuer sein muss, einen eigenen E-Commerce-Shop zu betreiben.
-
Tesla hat Autokäufern gezeigt, wie gut Elektrofahrzeuge funktionieren können - und wie spaßig und mühelos das Fahren sein kann.
-
Amazon Prime hat die Art und Weise, wie Menschen einkaufen, verändert, indem es die Lieferung innerhalb eines Tages zur Norm gemacht und die Erwartungen an den Kundenservice erhöht hat.
-
Netflix hat die Art und Weise, wie wir Videoinhalte konsumieren, revolutioniert, indem es Binge-Watching und personalisierte Empfehlungen auf der Grundlage des Fernsehverhaltens eingeführt hat.
Das sind nur ein paar Beispiele. Wir befürworten die zugrunde liegenden Marken oder Dienstleistungen nicht - wir wollen dir nur zeigen, dass der digitale Wandel alle Branchen umfasst und oft von den sich ändernden Verhaltensweisen und Erwartungen der Verbraucher/innen angetrieben wird.
Branchen, die stark von der digitalen Transformation betroffen sind
McKinsey-Forscher haben die Auswirkungen von Big Data auf verschiedene Branchen in einer Studie aus dem Jahr 2011untersucht, die die Quelle für Abbildung 1-2 ist. (Während sich die Technologie seither stark verändert hat, hat sich ihre Bedeutung in diesen Branchen nicht verändert, und die wichtigsten Herausforderungen sind erstaunlich konstant geblieben.) Tabelle 1-1 beschreibt einige Beispielbranchen, die von den aktuellen Transformationsprozessen außerordentlich betroffen sind, ihre wichtigsten Herausforderungen und wie sie Daten und Analysen nutzen, um diese Herausforderungen zu bewältigen.
Abbildung 1-2. Branchen, die stark von Big Data und Analytik betroffen sind (angepasst von McKinsey)
| Industrie | Warum betroffen | Zentrale Herausforderungen | Beispiele für Anwendungsfälle |
|---|---|---|---|
| Landwirtschaft | Die wachsende Nachfrage nach Lebensmitteln befriedigen und gleichzeitig den Belangen der Nachhaltigkeit Rechnung tragen |
|
|
| Kommerzielle Versicherung | Auf dem Versicherungsmarkt ist eine starke Dynamik zu beobachten. Neue Technologien müssen mit neuen technischen Produkten und Analyselösungen bewältigt werden. | Umgang mit der Nachfrage aus dem industriellen Internet der Dinge (IIoT), B2B-Prozesse, datengesteuertes Underwriting und Preisgestaltung |
|
| Finanzen |
|
|
|
| Gesundheitswesen |
|
|
|
| Informationstechnologie | Die IT spielt eine entscheidende Rolle bei der digitalen Transformation in allen Branchen. |
|
|
| Herstellung |
|
|
|
| Transport |
|
|
|
| Versorgungsunternehmen |
|
|
|
Die Konsequenzen für dein Unternehmen
Auf ging es in der Vergangenheit vor allem darum, Prozesse zu optimieren und Kosten zu senken. So waren zum Beispiel Lean Manufacturing und Six Sigma, bei denen es um die Verbesserung der Effizienz und die Reduzierung von Verschwendung ging, beliebte Trends während der letzten industriellen Revolution. Diese Konzepte wurden hauptsächlich aus einer internen Perspektive heraus entwickelt: Was können wir besser und billiger machen? Niemand hat nach dem "Was" und dem "Warum" der Kundenbedürfnisse gefragt.
Heutzutage müssen sich Unternehmen jedoch ganz auf die Kunden und ihre Bedürfnisse konzentrieren, was bedeutet, dass sie ihre Reise verstehen und ein nahtloses Erlebnis für sie schaffen müssen. Warum? Weil es möglich ist. Dank digitaler Technologien können Unternehmen problemlos große Mengen an Daten über ihre Kunden sammeln und diese analysieren, um Einblicke in ihr Verhalten, ihre Bedürfnisse und Vorlieben zu erhalten. Daher ist Kundenorientierung zu einem wesentlichen Bestandteil geworden, um auf dem heutigen Markt wettbewerbsfähig zu bleiben. Wie wir in Kapitel 2 erläutern werden, ist die Analytik ein hervorragendes Mittel, um Unternehmen bei der Bewältigung dieses Wandels zu unterstützen - und gleichzeitig auch die größte Herausforderung an sich.
Laut einer aktuellen Gartner-Studie gaben weniger als die Hälfte der Verantwortlichen für Daten und Analysen an, dass ihr Team tatsächlich einen Mehrwert für ihr Unternehmen erbringt. Die Hauptprobleme, die von den Befragten genannt wurden, waren, dass die Analytik in eine Sackgasse geraten ist und dass sich datengestützte Entscheidungen oft als "zu kompliziert" oder "zu technisch" für den durchschnittlichen Mitarbeiter erweisen.
Innovation hat uns immer wieder gezeigt, dass die Massenakzeptanz einer Technologie dadurch gefördert wird, dass man sie einfacher und leichter zu benutzen macht. Erinnere dich an die Anfänge der Computertechnik. Allein die Vorstellung, einen Computer zu bedienen, war für die meisten normalen Menschen abschreckend. Computer waren technisch versierten Fachleuten vorbehalten, die sich mit komplizierten Programmierbefehlen auskannten. Dann kamen die grafische Benutzeroberfläche, der Desktop und - vielleicht am wichtigsten von allen - die Maus. Diese scheinbar einfachen Erfindungen verwandelten den Computer von einem Bereich für Spezialisten in einen Spielplatz für jedermann. Menschen, die früher von Codezeilen eingeschüchtert waren, konnten jetzt mit der Maus zeigen, klicken und ziehen. Diese Innovationen überbrückten die große Kluft zwischen komplexer Technologie und dem Durchschnittsnutzer.
Genauso waren Mobiltelefone früher nur zum Telefonieren und für SMS da. Doch mit der Einführung von benutzerfreundlichen Touchscreens, intuitiven Schnittstellen und App-Ökosystemen wurden sie zu allgegenwärtigen, unverzichtbaren Werkzeugen für alles von der Fotografie über die Navigation bis hin zum Banking. Diese Veränderungen in der Technologie zeigen ein grundlegendes Prinzip: Um eine breite Akzeptanz zu erreichen, muss die Technologie intuitiv und einfach sein und den natürlichen Neigungen und Verhaltensweisen der Nutzer/innen entsprechen.
In der Welt der Analytik ist das nicht anders. Menschen, die Analysen nutzen, aber keine Datenexperten sind, machen die Mehrheit der Beschäftigten aus: etwa 80 %. Diese Menschen sind vielleicht nie daran interessiert, sich in komplexe Datensätze zu vertiefen, Rohdaten zu sichten oder komplizierte Analysetools zu verstehen. Anstatt sie in die Welt der Daten zu holen, müssen wir ihnen die Daten näher bringen.
Ohne Augmented Analytics gibt es keine Analytics-Transformation
Die Autoren von haben eine klare Meinung: Analysen, die moderne Techniken wie KI und Automatisierung nicht nutzen, reichen nicht aus, um ein rentables Geschäft zu führen. Warum? Weil du nicht in der Lage sein wirst, die Analytik auf die gesamte Belegschaft des Unternehmens auszuweiten.
Betrachte die drei großen Ideen von Big Data: Volumen, Geschwindigkeit und Vielfalt. Die traditionelle Analytik befasste sich hauptsächlich mit dem Volumen. Mit moderner Technologie und erschwinglicher Speicherung können wir jetzt auch große Datenmengen schnell und kostengünstig verarbeiten und so die Geschwindigkeit (Velocity) bewältigen. Womit die Unternehmen aber immer noch zu kämpfen haben, ist das dritte V: die Vielfalt. Die Herausforderung, Erkenntnisse aus komplexen Daten zu gewinnen, wird immer schwieriger.
Stell dir ein mittelständisches Unternehmen vor, das eine enorme Menge an Daten aus zahlreichen Quellen sammelt: interne Systeme, Kundeninteraktionen, soziale Medien, Drittanbieter und mehr. Jede Datenquelle hat ihre eigene Struktur, ihr eigenes Format und ihre eigene Zuverlässigkeit, und es gibt unzählige Datentypen: strukturierte Daten wie Verkaufszahlen, halbstrukturierte Daten wie Kundenfeedback und unstrukturierte Daten wie Kommentare in sozialen Medien.
Diese Komplexität wird noch verstärkt, wenn das Unternehmen versucht, Erkenntnisse aus seinen funktionsübergreifenden Daten zu ziehen. Nehmen wir an, das Marketingteam möchte verstehen, wie sich eine kürzlich durchgeführte Werbekampagne auf den Umsatz ausgewirkt hat. Dazu müssen Daten aus Marketing- und Vertriebssystemen und möglicherweise auch externe Daten wie Markttrends und Aktivitäten der Konkurrenz innerhalb eines bestimmten Zeitraums integriert und analysiert werden.
Hier verwertbare Erkenntnisse zu gewinnen, übersteigt die Möglichkeiten der traditionellen Analytik. All das lässt sich nicht mit einer manuellen Excel-Tabelle oder einem statischen, überladenen Business Intelligence (BI)-Dashboard herausfinden. Die Daten des Unternehmens stehen stellvertretend für die Daten von heute: chaotisch, widersprüchlich und schwer zu durchschauen.
Auch wenn die technischen Herausforderungen eine Rolle spielen, liegt die Schwierigkeit, aus all dem einen Sinn zu machen, vor allem an der mangelnden Reife der Analytik. Nur wenige "Datenexperten" befassen sich mit diesen Themen - und in manchen Unternehmen sind die "Datenexperten" einfach die besten Excel-Nutzer.
Eine datengesteuerte Kultur
Die besten Tools und Technologien zu haben ist toll, aber ohne die richtige Einstellung nützen sie wenig. Eine datengesteuerte Kultur ist eine Unternehmenskultur, in der Daten nicht nur geschätzt werden, sondern auch erforderlich sind. Es ist eine Kultur, in der Fragen wie "Was sagen die Daten?" zum Standard gehören. Damit Analytik wirklich etwas bewirken kann, müssen Unternehmen eine neugierige und analytische Einstellung fördern, die immer auf der Suche nach neuen Erkenntnissen ist.
Den meisten Unternehmen fehlt es jedoch noch an einer solchen Datenkultur. Tatsächlich haben die meisten immer noch Probleme mit der grundlegenden Datenkompetenz, die Gartner als die Fähigkeit definiert, Daten effektiv zu lesen, zu interpretieren, zu verstehen und zu kommunizieren. Laut einer Qlik-Studie aus dem Jahr 2020 sind nur 24 % der Entscheidungsträger, vom Junior Manager bis zum Vorstand, davon überzeugt, dass sie in der Lage sind, Daten zu lesen, mit ihnen zu arbeiten, sie zu analysieren und mit ihnen zu kommunizieren. Das bedeutet, dass die meisten Arbeitnehmer/innen noch nicht über ausreichende Fähigkeiten verfügen, um Daten zu analysieren und zu interpretieren.
Glücklicherweise können Unternehmen mit der richtigen Kultur und dem richtigen Reifegrad das volle Potenzial von Daten nutzen, um Entscheidungen zu treffen und Strategien zu entwickeln.
Das "Menschenproblem" und die Grenzen der Höherqualifizierung
Während der ersten drei industriellen Revolutionen waren die Arbeitgeber im Vorteil: Sie hatten viel Kontrolle über ihre Beschäftigten und wenig Konkurrenz. Der Taylorismus hätte sich in einer Welt, in der die Beschäftigten leicht eine andere Arbeit finden konnten, niemals durchsetzen können. Heute haben die führenden Volkswirtschaften (die Vereinigten Staaten, Europa, Japan usw.) jedoch ein ganz anderes Problem: ein "Menschenproblem". Sie sind mit einer alternden Bevölkerung und einer schrumpfenden Erwerbsbevölkerung konfrontiert. Was bedeutet das also für die digitale Transformation? Es ist ganz einfach: Du kannst deine Arbeitskräfte nicht einfach ersetzen. Selbst wenn dein Unternehmen die wirtschaftliche Macht hätte und die lokalen Arbeitsgesetze es erlauben würden, gäbe es nicht genug Humankapital, um die Lücke zu schließen.
Es ist wichtig, die Arbeitskräfte, die du hast, zu nutzen, einschließlich der einzigartigen Fähigkeiten und Beiträge der Menschen. Da aber viele dieser Beschäftigten nicht über die notwendigen digitalen oder datenbezogenen Kenntnisse verfügen, ist es für jedes Unternehmen wichtig, eine Kultur des Lernens und der Weiterbildung zu schaffen. Wir reden hier nicht von einem dreitägigen Workshop: Um die Menschen für das digitale Zeitalter fit zu machen und wettbewerbsfähig zu bleiben, sind nicht nur technische Fähigkeiten, sondern auch Zusammenarbeit, Anpassungsfähigkeit und eine kontinuierliche Lernbereitschaft erforderlich.
Die Höherqualifizierung der Belegschaft ist daher wahrscheinlich der größte kulturelle Wandel, den jedes größere Unternehmen in den 2020er und 2030er Jahren durchlaufen wird. Gartner Research prognostiziert, dass dieser Kulturwandel den größten Einfluss darauf haben wird, ob die digitale Transformation gelingt oder fehlschlägt.
Aber der Haken an der Sache ist, dass die Qualifizierung deiner Mitarbeiter/innen dein Problem wahrscheinlich nicht lösen wird. Wir glauben sogar, dass es den meisten Unternehmen niemals gelingen wird, alle ihre Beschäftigten zu qualifizieren, vor allem nicht im Bereich der Datenanalyse. Es ist an der Zeit zu akzeptieren, dass nicht jeder ein Programmierer sein will oder kann, genauso wenig wie jeder ein Datenexperte sein will oder kann. Stattdessen müssen wir sie mit Technologie ausstatten, damit sie ihre Arbeit besser und datengesteuert erledigen können. Aber wie ist das möglich? Manche Unternehmen gründen separate Analyseteams und gründen damit quasi eine interne Beratungsfirma. Aber das führt eher zu einer weiteren Trennung der Bereiche als zu einer Demokratisierung der Datenkompetenz des Unternehmens.
Die Lösung ist, die Menschen dort abzuholen, wo sie sind. Es ist unrealistisch zu erwarten, dass alle Mitarbeiter über fortgeschrittene analytische Kenntnisse verfügen. Gib deinen Mitarbeitern stattdessen Werkzeuge und Schnittstellen an die Hand, mit denen sie ihre vorhandenen Datenkenntnisse und -fähigkeiten erweitern können. Dieser pragmatische Ansatz erkennt die Grenzen einer massenhaften Fortbildung an und ermöglicht dennoch eine breitere Datennutzung.
AA will die Analytik zu den Menschen bringen, anstatt sie zu zwingen, Analytiker zu werden. So wie die Maus den Computer benutzerfreundlich gemacht hat, soll AA die Datenanalyse für die meisten Menschen zugänglich, intuitiv und (vor allem) umsetzbar machen. Dies ist der Übergang von einem datengesteuerten zu einem erkenntnisgesteuerten Ansatz.
Fazit
Du hast gesehen, wie und warum sich das Geschäft verändert, und du weißt, dass die Nutzung von Daten und Erkenntnissen in großem Umfang ein Eckpfeiler ist, um diesen Wandel zu bewältigen und auf den globalen Märkten wettbewerbsfähig zu bleiben.
Die Skalierung der Analytik in einem Unternehmen erfordert mehr als nur die Schulung von Mitarbeitern und die Investition in neue Tools. Es erfordert einen Paradigmenwechsel in der Art und Weise, wie wir an Analysen herangehen. So wie die Maus die Kluft zwischen Nutzern und Computern überbrückt hat, kann AA die Kluft bei der Einführung von Analysen überbrücken und Unternehmen dabei helfen, bessere und fundiertere Entscheidungen in großem Umfang zu treffen.
Bevor wir tiefer in die Lösung - erweiterte Analytik - eintauchen, wollen wir sicherstellen, dass du den Bedarf an Analytik und die Lücke bei der Einführung von Analytik verstehst. Wir sehen uns dann im nächsten Kapitel wieder!
Get Erweiterte Analytik now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
