Inhalt
Was ist Data Analytics
Definition und Bedeutung von Data Analytics
Data Analytics hat sich im Laufe der Zeit zu einem vielschichtigen Begriff weiterentwickelt und bezeichnet übergeordnet den Prozess der Datenanalyse. Hierbei werden zahlreiche Methoden und Techniken angewendet, um bestimmte Verhaltensmuster innerhalb von Daten ausfindig zu machen, die im Weiteren je nach Kontext interpretiert werden können. Abschließend ist eine übersichtliche Darstellung der finalen Ergebnisse ebenfalls von zentraler Bedeutung, um einen möglichst hohen Mehrwert für das Unternehmen zu schaffen.
Im Bereich Data Analytics findet in der Regel auch eine Unterscheidung zwischen den folgenden Teilgebieten je nach Schwerpunkt statt:
- Descriptive Analytics: Was ist (in der Vergangenheit) passiert?
- Diagnostic Analytics: Warum ist ein bestimmtes Ereignis passiert?
- Predictive Analytics: Was wird, basierend auf den bisherigen Daten, in Zukunft passieren?
- Prescriptive Analytics: Welche Maßnahmen müssen ergriffen werden, damit bestimmte Ziele zu erreichen?
In der nachfolgenden Abbildung werden diese Zusammenhänge nochmals visualisiert und im Hinblick auf den Reifegrad (Analytics Maturity) wird erkennbar, dass die einzelnen Bereiche meist aufeinander aufbauen und immer anspruchsvoller werden. Außerdem wirkt sich der Einsatz von Data Analytics, je nach Reifegrad, ebenfalls positiv auf die Wettbewerbsfähigkeit des Unternehmens aus.
Kurzer Überblick über die Relevanz von Data Analytics in der heutigen Geschäftswelt
Entscheidungsfindung auf Basis von Daten
Insbesondere unternehmerische Entscheidungen sind heutzutage von vielen komplexen, sowie teilweise voneinander abhängigen Einflussfaktoren betroffen und können daher mit Hilfe von Data Analytics auf Basis von relevanten Geschäftsdaten präziser getroffen werden.
Optimierung der Geschäftsprozesse
Bei der Betrachtung von bestehenden Prozessen innerhalb des Unternehmens kann Data Analytics ebenfalls dazu genutzt werden, um Schwachstellen zu identifizieren. Basierend auf diesen Erkenntnissen, können anschließend Lösungsvorschläge abgeleitet werden, die im nächsten Schritt hilfreich für die Optimierung der entsprechenden Geschäftsprozesse sind.
Erhöhung der Effizienz und Reduzierung der Kosten
Wie bereits zuvor kurz angedeutet, kann die Anwendung von Data Analytics im Allgemeine auch Kosten im Unternehmen reduzieren, indem beispielsweise irrelevante Ausgaben oder weitere kostenrelevante Faktoren durch Analysen identifiziert werden. Auf Grundlage dieser Erkenntnisse lässt sich ebenfalls die Effizienz an den betroffenen Stellen verbessern, zum Beispiel durch genauere Prognosen in Bezug auf Ressourcen oder das Ermitteln zusätzlicher Potenziale zum Einsparen von Kosten.
Anwendungsbereiche von Data Analytics mit SAP-Lösungen
Financials (CO/FI)
Im Bereich des Finanzwesens gibt es zahlreiche Anwendungsbereiche, die mit Hilfe von Data Analytics und SAP-Lösungen effizient gelöst werden können. Bei der Kostenstellenrechnung aus dem internen Rechnungswesen (CO) werden beispielsweise die Finanzen des Unternehmens durch Plan-Ist Vergleiche oder die Erstellung von Kostenstellenberichten überwacht. Ein weiteres Beispiel ist die Buchhaltung aus dem Bereich Financial Accounting (FI), die für das Erfassen von geschäftsbezogenen Transaktionen zuständig ist. Diese und weitere Prozesse können durch Anwendung von entsprechenden Modulen in SAP S4/HANA unterstützt werden und dabei entstehen relevante KPIs, wie zum Beispiel Kostenstelleneffizienz, Liquidität oder Eigenkapitalquote.
Basierend darauf kann die SAP Analytics Cloud zur Planung und Analyse von Finanzdaten (z.B. Prognosen einzelner Kennzahlen) verwendet werden und zeichnet sich vor allem durch die Erstellung von Dashboards aus, die zahlreiche, interaktive Funktionalitäten für den Nutzer bereitstellen und sich zusätzlich zur Visualisierung von wichtigen Kennzahlen im Bereich Financials anbietet.
Produktion (PP)
Als SAP-Lösung für die Produktion (PP) kann unter anderem S/4HANA Manufacturing eingesetzt werden, das auf der regulären S/4HANA Plattform basiert und durch weitere, hilfreiche Funktionalitäten speziell für die Anwendung in der Fertigungsindustrie optimiert wurde. Typische Prozesse wie Produktionsplanung, Überwachung der Fertigungsprozesse oder auch Qualitätsprüfungen können hierbei angesprochen werden, unter Betrachtung relevanter Leistungskennzahlen (z.B. Durchlaufzeit, Kapazitätsauslastung oder Ausschussquote).
Durch Lösungen wie SAP Analytics Cloud oder Embedded Analytics können die Prozessdaten aus den eben genannten Bereichen in Echtzeit analysiert und in Form von Dashboards visualisiert werden, um einen Überblick über alle wichtigen Produktionskennzahlen zu schaffen.
Vertrieb (SD)
Vertriebsplanung, Auftragsverwaltung oder auch die Erstellung von Berichten sind typische Anwendungsbereiche im Vertrieb. Durch die Abbildung dieser Prozesse in der ERP-Lösung S4/HANA entwickeln sich einige KPIs, wie zum Beispiel Anzahl der eingehenden Kundenaufträge, Absatzprognosen oder auch die Kundenrentabilität. Die Betrachtung dieser und weiterer Kennzahlen ist von Bedeutung, um das Potenzial im Hinblick auf Kundenbindung und Optimierung bestehender Vertriebsprozesse möglichst vollständig auszuschöpfen.
Hierfür können verschiedene SAP-Lösungen aus dem Bereich Customer-Experience, zum Beispiel SAP Sales Cloud, verwendet werden. Mit Hilfe von KI-basierten Funktionen können dadurch beispielsweise Analysen von Kundendaten mit dem Ziel einer deutlicheren Segmentierung durchgeführt werden oder auch Prognosen bezüglich Trends und Verkaufszahlen.
SAP-Lösungen für Verschiedene Data Analytics-Herausforderungen
Data Analytics Herausforderungen
Datenqualität und -konsistenz
Im Rahmen von Data Analytics spielt die Qualität der Daten eine wichtige Rolle, da beispielsweise fehlerhafte oder unvollständige Daten häufig zu mangelhaften Ergebnissen mit geringer Aussagekraft führen. Eine weitere Problematik kann ebenfalls entstehen, wenn Datensätze inkonsistent gespeichert werden, was in der Regel zu Komplikationen bei den Analysen führt und durch eine Datenbereinigung sowie Konsolidierung verhindert werden sollte.
Datenintegration
Unternehmensdaten können in zahlreichen Formaten und Systemen zur Verfügung stehen, was eine Bereitstellung für die Analyse je nach Anzahl und Typ der unterschiedlichen Datenquellen erschweren kann.
Datensicherheit und Datenschutz
Auch das Thema Datenschutz im Hinblick auf sensible Daten ist relevant für nahezu jedes Unternehmen und der Schutz der Daten sollte stets den Regularien und Vorschriften entsprechend im Bereich Data Analytics behandelt werden, zum Beispiel durch Anonymisierung der verwendeten Daten.
Komplexität der Analyse
Durch die Auswirkungen von Big Data werden Zusammenhänge und Abhängigkeiten immer komplexer im Unternehmensalltag, was sich auch in den Datenanalysen widerspiegeln kann. Die Komplexität der dadurch entstehenden Modelle wirkt sich negativ auf die Verständlichkeit aus und je nach Anforderungen müssen eventuell auch fortgeschrittenere Data Analytics Methoden herangezogen werden, die spezielle Kenntnisse erfordern.
Data Analytics Lösungen im SAP-Umfeld
SAP Analytics Cloud
Die SAP Analytics Cloud stellt einige Funktionalitäten (z.B. Erstellung von Dashboards oder vordefinierte Business-Content-Pakete je nach Branche und Geschäftsbereich) für die Datenanalyse und -visualisierung in der Cloud bereit und kann ebenfalls für die Planung eingesetzt werden. Dadurch ist es möglich, komplexe Sachverhalte und Modelle in Form von Stories übersichtlich und nutzerorientiert bereitzustellen.
SAP BW/4HANA
Durch die Nutzung eines SAP BW/4HANA Systems wird zunächst vor allem die Herausforderung der Datenqualität und -konsistenz behandelt. Unternehmensdaten aus unterschiedlichen Quellen können im System konsolidiert, bereinigt und transformiert werden, um einen hohen Qualitätsstandard für die Daten zu gewährleisten, die im nächsten Schritt analysiert und interpretiert werden können. Bei dieser Herangehensweise entspricht das BW/4HANA als zentrale Datenplattform in vielen Fällen dem Single Point of Truth, was für Unternehmen meist ein entscheidender Faktor im Hinblick auf Data Analytics ist.
Die Anforderungen an Sicherheit und Datenschutz sind besonders bei sensiblen Firmendaten von Bedeutung und können innerhalb des BW/4HANA mit dem Berechtigungskonzept für Standardoperationen und Analysen durch das Abbilden einer unternehmensinternen Struktur gelöst werden. Hierdurch wird bestimmt, wer Zugriff auf welche Daten und Reports hat und welche Aktionen an entsprechenden Objekten im System von wem durchgeführt werden dürfen.
SAP Datasphere
SAP Datasphere, als Nachfolger der SAP Data Warehouse Cloud, zeichnet sich besonders durch die fortgeschrittene Datenintegration im Hinblick auf verschiedene Systeme (SAP und Nicht-SAP) aus und ermöglicht dadurch eine zentrale Zusammenführung und Verwaltung von Daten aus internen sowie externen Quellen. Zur Sicherheit der Daten wird hierbei seitens SAP mit Verschlüsselungen bei der Netzwerkkommunikation in der Cloud gearbeitet und weitere Funktionalitäten wie Space Management in Kombination mit Nutzerberechtigungen unterstützen ebenfalls bei der Sicherstellung von Datenschutz.
Hinzu kommt der Fokus auf Self-Service und die generelle Benutzerfreundlichkeit innerhalb der Plattform, die den Anwender auch bei komplexeren Analysen und der Erstellung von Datenmodellen assistiert und so den Einstieg erleichtert. Zusätzlich ist beispielsweise auch der Einsatz von Machine Learning in Form von Python-Skripten möglich, um tiefgründigere Beziehungen zwischen Daten und Prozessen aufzudecken.
Als aktueller, moderner Cloud-Service zeigt Datasphere somit zahlreiche Potentiale in unternehmensrelevanten Bereichen auf und soll daher auch seitens SAP langfristig als Data Warehouse Lösung der Zukunft etabliert werden.
SAP Embedded Analytics
Mit Hilfe von Embedded Analytics, einer Lösung für das operative Reporting, werden zahlreiche Data Analytics Funktionalitäten im SAP-Umfeld, in diesem Fall in der ERP-Lösung S/4HANA, direkt eingebunden. Die Integration ermöglicht beispielsweise einen Echtzeitzugriff auf Daten mit anschließender Analyse oder auch die Verwendung von bereitgestellten SAP Fiori Apps je nach Anwender und Kontext. Zusätzlich werden zahlreiche Leistungsindikatoren, Reports und weitere Planungs- beziehungsweise Prognoseszenarien in Form von Business Content für den Anwender zur Verfügung gestellt.
SAP Business Objects
SAP Business Objects ist die Bezeichnung für eine Sammlung von bereits bewährten und erprobten Tools im Bereich Business Intelligence (BI), die Unternehmen unter anderem in den Bereichen Datenanalyse und -visualisierung als auch Reporting unterstützen soll.
Erfolgreiche Implementierung von Data Analytics im SAP-Umfeld
Best Practices
Schritte zur erfolgreichen Implementierung:
- Definition von Anforderungen und Geschäftszielen
Zu Beginn einer Strategie sollten die unternehmerischen Anforderungen genauer betrachtet und in Form von klaren Zielen definiert werden, z.B. Prozessoptimierung in einem bestimmten Bereich oder Umsatzsteigerung um 10%. - Identifikation und Bereitstellung von relevanten Daten
Als Vorbereitung für die nächsten Schritte müssen zunächst alle relevanten Datenquellen identifiziert werden, um anschließend Unternehmensdaten mit hierfür geeigneter Softwarelösung (z.B. BW/4HANA oder Datasphere) zu integrieren und bereitzustellen. - Sicherstellung von Datenqualität und -konsistenz
Besonders im Hinblick auf die Analysen spielt die Konsistenz der gespeicherten Daten eine wichtige Rolle und in diesem Kontext muss auch die Datenqualität sichergestellt werden, z.B. durch Aufbereitung und Bereinigung der Daten. - Auswahl der Data Analytics Lösungen im SAP-Umfeld
Um die Selektion zu vereinfachen, wurden bereits einige Anwendungsbereiche und Lösungen im SAP-Umfeld in Kapitel 3 und 4.2 aufgezeigt. Die Auswahl der Werkzeuge für Data Analytics ist generell abhängig von vielen Faktoren wie der Unternehmensgröße, Branche und den zu Beginn definierten Anforderungen an die Geschäftsziele. - Anwendung von Methoden zur Datenanalyse je nach Schwerpunkt
Je nach gewählten Data Analytics-Tools können an dieser Stelle verschiedene Analysen und Techniken (z.B. Vorhersagen von Umsatz durch Machine Learning) durchgeführt werden, um tiefere Einblicke in Datensätze zu erhalten. - Auswertung und Visualisierung der Ergebnisse
Schließlich müssen die Ergebnisse der Analysen ausgewertet und übersichtlich dargestellt werden, um Handlungsempfehlungen für die Zukunft ableiten zu können. - Überwachung und Optimierung des Prozesses
Data Analytics ist ein fortlaufender Prozess, der stets überwacht und kontinuierlich optimiert werden muss. Unternehmensdaten sollten regelmäßig geprüft werden und auch Themen wie Performance können von Bedeutung sein, um möglicherweise einzelne Schritte individuell nochmal zu verbessern.
Fallbeispiele und Erfolgsgeschichten:
Das deutsche Unternehmen Wörwag Pharma GmbH & Co. KG beschäftigt über 1200 Mitarbeitende, verteilt auf mehr als 20 Standorte weltweit und konzentriert sich auf die Entwicklung, Produktion und den Vertrieb von Arzneimitteln zur Vorbeugung und Behandlung von Zivilisationskrankheiten.
Im Hinblick auf die Zukunft stand hierbei besonders die Modernisierung der bestehenden Systemlandschaft als auch der Einsatz von Data Analytics Tools im Fokus und es mussten zunächst einige Anforderungen und Fragestellungen geklärt werden. Dazu zählte beispielsweise die Betrachtung der aktuellen Data Analytics-Strategie und es musste entschieden, welche Tools in nächster Zeit konkret genutzt werden. Im Rahmen eines Workshops wurden die Anforderungen seitens Wörwag analysiert und es wurden darauf aufbauend Funktionalitäten und Einsatzbereiche von Microsoft Power BI sowie SAP Analytics Cloud (SAC) vorgestellt und bewertet.
Durch ein zusätzliches Pilotprojekt im Bereich Controlling mit der Analytics Cloud und den erstellten Dashboards, die anschließend auch produktiv genutzt werden konnten, fiel die Entscheidung letztendlich auf das Tool von SAP. Dies stand ebenfalls im Einklang mit weiteren SAP-Lösungen im Unternehmen (z.B. S/4HANA oder BW/4HANA) und generierte einen hohen Mehrwert hinsichtlich Data Analytics für Wörwag.
Eine weitere Erfolgsgeschichte lässt sich bei der Einführung von SAP BW/4HANA bei dem Unternehmen SSI Schäfer Shop GmbH beobachten. Das Versandhaus wurde 1975 gegründet, ist vertreten in 19 Ländern und umfasst ein Sortiment von etwa 85.000 Artikeln, in verschiedenen Bereichen wie Büro- und Werbeartikeln.
Bisher hatte das Unternehmen SAP Business Warehouse als Lösung für Reporting im Einsatz und für das Frontend wurde die BEx-Umgebung verwendet. Durch eine neue BI-Strategie mit damit verbundener Modernisierung, wurde SAP BW/4HANA und SAP Business Objects als Visualisierungstool für Reporting- und Analyseanwendungen eingeführt, um eine unternehmensweite Basis für die Umsetzung von Herausforderungen im Bereich Data Analytics zu schaffen.
Datenquellen
Die Anzahl und Art der Datenquellen unterscheiden sich kontextspezifisch je nach Unternehmen, Anforderungen und vorhandener IT-Struktur. Dennoch gibt es einige relevante Datenquellen, die in Bezug auf Data Analytics eine wichtige Rolle spielen. Dazu zählt beispielsweise ein ERP-System wie SAP S/4HANA, das unter anderem für die Aufzeichnung, Automatisierung und Verwaltung von Unternehmensprozessen zuständig ist und als eine der Hauptquellen für Daten gilt. Hinzu kommt ein Data Warehouse, zum Beispiel SAP BW/4HANA oder Datasphere als aktuelle Lösung, um Daten zentral zu integrieren und somit eine Grundlage für Reporting sowie weitere Analysen zu schaffen. Zusätzlich gibt es auch noch zahlreiche weitere Datenquellen, zum Beispiel SAP HANA als Datenbank oder auch externe Quellen wie Excel-Dateien, die je nach Anwendungsfall ebenfalls für Data Analytics von Bedeutung sein können.
IT-Architektur
Durch eine strukturierte IT-Architektur sollte sichergestellt werden, dass alle notwendigen Systeme korrekt eingerichtet und miteinander vernetzt sind. Hierbei sollten, wie zuvor kurz angesprochen, die folgenden Komponenten im Optimalfall vorhanden sein:
- Operatives System als Datenquelle (z.B. ECC oder S/4HANA)
- Zentrale Datenplattform (z.B. SAP HANA, BW/4HANA oder Datasphere)
- Werkzeuge für die Datenanalyse und -visualisierung (z.B. SAP Analytics Cloud oder Business Objects)
Für die Gestaltung der IT-Struktur sollte ebenfalls darauf geachtet werden, dass Themen wie Data Governance, Skalierbarkeit oder auch Performance im Hinblick auf die genutzten Softwarelösungen von Bedeutung sind und möglichst zukunftsorientiert gelöst werden müssen.
Fazit
Zusammenfassung der Hauptpunkte
Der Anwendungsbereich Data Analytics stellt heutzutage eine große Herausforderung für Unternehmen dar und kann durch Unterstützung geeigneter Lösungen von SAP je nach Kontext, Branche und Reifegrad des Unternehmens vereinfacht werden. Unternehmerische Entscheidungen auf Grundlage von Daten, Optimierung von Geschäftsprozessen und die Reduktion von Kosten sind typische Szenarien, die in verschiedenen Abteilungen wie Produktion (PP) oder Vertrieb (SD) nochmals die Relevanz von Data Analytics verdeutlichen.
Um eine erfolgreiche Implementierung an der Stelle garantieren zu können, müssen vorab klare Ziele definiert und Herausforderungen wie Datenqualität, Integration von Daten und Komplexität der Analysen bestmöglich gelöst werden. SAP-Produkte wie BW/4HANA oder Datasphere sind beispielsweise bei der Konsolidierung, Datenaufbereitung und Integration aus verschiedenen Quellen hilfreich, während SAP Analytics Cloud den Anwender bei der Datenanalyse und Visualisierung komplexer Sachverhalte mit Hilfe von Dashboards und Leistungskennzahlen assistieren kann.
Zukunftsaussichten
In Bezug auf Data Analytics wird der Umgang mit Themenbereichen wie künstliche Intelligenz, Big Data und Komplexität der Daten in Zukunft immer entscheidender werden. Der Fokus von SAP liegt daher derzeit vermehrt auf Cloud-Lösungen (z.B. Datasphere oder Analytics Cloud), die sich vor allem durch Skalierbarkeit und Performance auszeichnen. Dabei werden auch aktuelle Trends wie KI zunehmend in einzelnen Produkten eingebunden, ein Beispiel hierfür ist die Integration von Machine Learning-Funktionalitäten in Datasphere. Mit zukunftsorientierten Features und Produkt-Roadmaps werden bestehende Lösungen von SAP auch stets weiterentwickelt, um einen möglichst aktuellen Stand der Technologie bereitzustellen, auch im Hinblick auf Herausforderungen im Bereich Data Analytics.
Kontaktieren Sie uns!
Haben Sie weitere Fragen zum Thema Data Analytics? Vereinbaren Sie ein Webmeeting mit unseren Expert:innen oder stellen Sie uns Ihre Frage im Kommentarbereich.
Sie sehen gerade einen Platzhalterinhalt von Active Campaign. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr Informationen