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
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 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?)
18 Management Summary
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
19Management Summary
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
20 Management Summary
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, wahrschein- lich 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
21Management Summary
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
22 Management Summary
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 +
23Management Summary
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
24 Management Summary
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 tech- nische
Beratung
Allgemeine fachliche Beratung
In anderem Bereich
Weiß nicht
11,7
39,6
32,5
22,1
3,9
6,5
25Management Summary
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 +
29Weitere Studienergebnisse
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
30 Weitere Studienergebnisse
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
31Weitere Studienergebnisse
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 +
32 Weitere Studienergebnisse
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
33Weitere Studienergebnisse
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
34 Weitere Studienergebnisse
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
35Weitere Studienergebnisse
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
36 Weitere Studienergebnisse
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
37Weitere Studienergebnisse
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
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
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
Account Manager Research IDG Research Services
Telefon: 089 36086 –384 [email protected]
Jessica Schmitz-Nellen
Account Manager Research IDG Research Services
Telefon: 089 36086 – 745 [email protected]
Matthias Teichmann
Director Research IDG Research Services
Telefon: 089 36086 – 131 [email protected]
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