Data Science im Fachbereich - Ergebnisse des BARC Advanced - & Predictive Analytics Survey 2017
•
3 gefällt mir•673 views
Data Scientists spielen für die Umsetzung von Advanced Analytics eine zentrale Rolle. Allerdings gewinnt auch der Fachbereich immer mehr an Bedeutung. In der Analyse potenzieller Vor- und Nachteile dieser Organisationsformen von Advanced Analytics stellt sich die Frage, ob Fachbereiche ähnlichen Mehrwert erzielen wie Data Scientists und Data Labs, bzw. ob sich durch die Nähe zu den operativen Prozessen ggf. sogar die organisatorischen Hürden in der Umsetzung der Projekte reduzieren.
Empfohlen
Empfohlen
Weitere ähnliche Inhalte
Was ist angesagt?
Was ist angesagt? (19)
Ähnlich wie Data Science im Fachbereich - Ergebnisse des BARC Advanced - & Predictive Analytics Survey 2017
Ähnlich wie Data Science im Fachbereich - Ergebnisse des BARC Advanced - & Predictive Analytics Survey 2017 (20)
Mehr von Cloudera, Inc.
Mehr von Cloudera, Inc. (20)
Data Science im Fachbereich - Ergebnisse des BARC Advanced - & Predictive Analytics Survey 2017
- 1. 1© Cloudera, Inc. All rights reserved. Advanced & Predictive Analytics 2017: Data Science im Fachbereich Dr. Sebastian Derwisch | Analyst/Data Scientist, BARC
- 2. © BARC Outline • Einführung – mit Infos zur BARC • Ergebnisse • Ergebnisse Organisation & Zusammenfassung • Ergebnisse Technologie & Zusammenfassung • Ergebnisse Projekterfahrungen & Zusammenfassung • Fazit & BARC Empfehlungen 32017
- 3. © BARC 4 23% Auflage Über 200 Teilnehmer Breite Abdeckung verschiedener Branchen und Unternehmensgrößen Anwenderumfrage zum Stand und zukünftigen Entwicklung von Advanced und Predictive Analytics Fachliche und technische Probleme und Herausforderungen Eingesetzte/geplante Techniken für Advanced und Predictive Analytics Unternehmensbereiche, die Advanced und Predictive Analytics nutzen und treiben Einsatzszenarien in den Fachbereichen Bis 250 Mitarbeiter 250-5.000 Mitarbeiter Mehr als 5.000 Mitarbeiter Dienstleistungen 2. DACH-weite Umfrage 8%Handel Der BARC Survey „Advanced und Predictive Analytics 2017 – Data Science im Fachbereich“ 21% 49% 30%Dienstleistungen 27% 22% Industrie IT 16% Öff. Sektor 6% Finanzen 10% 14% Handel Sonstige 5%
- 4. © BARC Wie relevant ist Advanced und Predictive Analytics heute und zukünftig für Ihr Unternehmen? 2016, 2017 + Forecast 52017 5% 9% 63% 37% 40% 31% 44% 43% 6% 14% 8% 2016 2017 Zukünftig Überhaupt nicht wichtig Weniger wichtig Wichtig Sehr wichtig N= 170
- 5. © BARC Nutzen Sie Advanced und Predictive Analytics in Ihrem Unternehmen? Quelle: BARC Advanced und Predictive Analytics 2017 62017 N = 210 5% 31% 19% 27% 19% Advanced und Predictive Analytics häufig genutzt Advanced und Predictive Analytics vereinzelt genutzt. Geplant Innerhalb der nächsten 12 Monate Langfristig geplant Nein
- 7. © BARC Welche Fachbereiche setzen heute bzw. planen zukünftig Advanced- und Predictive-Analytics-Methoden einzusetzen? 82017 19% 17% 15% 14% 10% 10% 10% 10% 8% 26% 30% 25% 34% 15% 20% 15% 14% 16% 8% 39% 39% 33% 43% 34% 34% 23% 27% 33% 27% Vertrieb Finanzen und Controlling Marketing Management Logistik/Supply Chain IT Forschung & Entwicklung Produktion Beschaffungswesen/Einkauf Personalwesen Im Einsatz Geplant innerhalb von 12 Monaten Langfristig geplant N = 170 Vertrieb, Controlling, Marketing & Management sind Treiber von Advanced Analytics
- 8. © BARC Wer führt bei Ihnen im Unternehmen Advanced- und Predictive-Analytics- Analysen durch bzw. wird dies durchführen? 92017 25% 20% 16% 14% 13% 13% 23% 21% 7% 25% 15% 13% 37% 22% 20% 24% 9% 13% 15% 37% 57% 37% 64% 61% Key-User im Fachbereich Data Scientist Gelegenheitsanwender im Fachbereich BI CC (Business Intelligence Competence Center) Externer Dienstleister Data Science Lab/Analytics Competence Center Aktuell Geplant innerhalb von 12 Monaten Langfristig geplant Nicht geplant N = 170 Key User im Fachbereich sind größte Anwendergruppe – Data Labs werden bisher von einer Minderheit implementiert
- 9. © BARC Bildung der Gruppen fachbereichsgetriebener & IT-Data Scientist getriebener Unternehmen 102017 25% 20% 16% 14% 13% 13% 23% 21% 7% 25% 15% 13% 37% 22% 20% 24% 9% 13% Key-User im Fachbereich Data Scientist Gelegenheitsanwender im Fachbereich BI CC (Business Intelligence Competence Center) Externer Dienstleister Data Science Lab/Analytics Competence Center Aktuell Geplant innerhalb von 12 Monaten Langfristig geplant Gruppe der fachbereichsgetriebenen Unternehmen Gruppe der IT- & Data-Scientist-getriebenen Unternehmen 48% 52% Fachbereichsgetrieben IT- und Data-Scientist-getrieben N = 170
- 10. © BARC In welcher Phase der Umsetzung von Advanced-Analytics-Projekten befinden Sie sich derzeit hauptsächlich? 112017 30% 9% 6% 36% 18% 0% 6% 6% 44% 16% 16% 13% Identifikation von Use Cases Identifikation/Vorbereitung relevanter Datenquellen Prototypisierung von Use Cases Evaluation der Advanced-Analytics- Prototypen Advanced-Analytics-Methoden werden regelmäßig zur Entscheidungsunterstützung eingesetzt Wichtige Geschäftsprozesse sind durch Advanced-Analytics-Methoden automatisiert Fachbereichsgetrieben IT- und Data-Scientist-getrieben N = 74 Unternehmen befinden sich hauptsächlich in der Prototypisierung – Vorteile von Data Science getriebenen Organisationen bei der Operationalisierung
- 11. © BARC Welche der folgenden Fähigkeiten für die Durchführung von fortgeschrittenen Analysen fehlen bei Ihnen? 122017 44% 36% 23% 18% 13% 21% 10% 36% 19% 24% 24% 14% 40% 19% Statistisches, mathematisches Verständnis Fähigkeiten zur Datenaufbereitung Tool-Know-how Know-how über spezifische Geschäftsprozesse/-bereiche Kommunikationsfähigkeit Moderation zwischen Fachbereich und IT Sonstige Fachbereichsgetrieben IT- und Data-Scientist-getrieben N = 149 Fachbereichen fehlt es eher an mathematischen Kenntnissen – Data Scientists an Moderationsfähigkeiten
- 12. © BARC Zusammenfassung Ergebnisse Organisation • Key User sind die größte Gruppe • Kaum Umsetzung in Labs sowie Unterstützung durch externe Dienstleister • IT & Data Scientist getriebene Unternehmen sind etwas weiter in der Umsetzung • Fachbereichen fehlt statistisches Know How sowie in der Datenaufbereitung • IT & Data Scientists fehlt die Kommunikation mit den Fachbereichen 132017
- 14. © BARC Welche softwareseitige Unterstützung für fortgeschrittene Analysen haben Sie in Ihrem Unternehmen im Einsatz bzw. planen Sie zukünftig einzusetzen? 152017 46% 77% 31% 26% 40% 55% 67% 26% Spezialanwendung für bestimmte Anwendungsfälle Fortgeschrittene Analyse als Teil einer BI-Umgebung Data-Mining-Software Eigen- oder Individualentwicklung Fachbereichsgetrieben IT- und Data-Scientist-getrieben N = 162 Data Scientist getriebene Unternehmen setzen eher auf Data Mining Software – Fachbereiche eher auf BI Umgebungen
- 15. © BARC Welche konkrete Software haben Sie im Einsatz bzw. planen Sie zukünftig einzusetzen? 162017 44% 38% 28% 18% 18% 13% 13% 13% 10% 8% 8% 5% 5% 5% 3% 3% 3% 0% 43% 64% 43% 14% 14% 31% 12% 31% 24% 19% 19% 5% 12% 0% 12% 0% 2% 12% Microsoft Excel/PowerBI R SQL Tableau Qlik Sense Python Java IBM SPSS SAS Microsoft Azure ML IBM Watson C/C++ RapidMiner Alteryx Scala H2O Statistica KNIME Fachbereichsgetrieben IT- und Data-Scientist-getrieben N = 153 Open Source hauptsächlich in Gebrauch für Analyse – Data Scientists setzen zudem auf kommerzielle Analysesoftware
- 16. © BARC Welche technischen Faktoren beeinträchtigen Ihre Advanced- und Predictive- Analytics-Projekte? 172017 36% 26% 23% 15% 15% 15% 8% 3% 0% 18% 26% 31% 21% 24% 12% 38% 19% 14% 19% 24% Business-Intelligence-Infrastruktur nicht agil genug Fehlender Zugriff auf Datenquellen Benutzeroberfläche nicht intuitiv Schlechte Antwortzeiten der datenliefernden Systeme Schlechte Antwortzeiten der Advanced- und Predictive-Analytics-Lösung Fehler im Datenmanagement Werkzeuge nicht flexibel genug Fehlende Funktionen in Software Fehlende Skalierfähigkeit der Systeme Keine Beeinträchtigung Fachbereichsgetrieben IT- und Data-Scientist-getrieben N = 147
- 17. © BARC Welche sind die am weitesten verbreiteten Techniken für Advanced und Predictive Analytics in Ihrem Unternehmen? Welche werden getestet? 182017 78% 62% 60% 59% 59% 57% 35% 35% 6% 6% 17% 26% 26% 31% 31% 35% 25% 25% 19% 19% 27% 31% 27% Lineare Regression Entscheidungsbäume Assoziationsregeln Andere Regressionsanalysen Logistische Regression Hierarchisches Clustern ARIMA Deep Learning/Neuronale Netze ES Support Vector Machines GARCH Ensemble Learning Survival Analysis Im Einsatz Im Test N = 68 Überwiegend werden klassische Verfahren eingesetzt
- 18. © BARC Woher stammen die von Ihnen analysierten Daten? 192017 100% 41% 23% 98% 48% 45% Interne Daten Externe, frei verfügbare Daten Extern zugekaufte Daten Fachbereichsgetrieben IT- und Data-Scientist-getrieben N = 167
- 19. © BARC Welche externen Daten verwenden Sie? 202017 63% 53% 53% 32% 26% 16% 16% 68% 32% 80% 68% 44% 12% 8% Marktbeobachtungen/Wettbewerbsinfor mationen Ökonomische Indikatoren Geographische Informationen Social-Media-Daten Wetterdaten Studien- und Testergebnisse Sonstige Fachbereichsgetrieben IT- und Data-Scientist-getrieben N = 86 Data Scientist getriebene Organisationen verarbeiten eher komplexe Datenquellen
- 20. © BARC Zusammenfassung Ergebnisse Technologie • IT & Data Scientist getriebene Unternehmen setzen eher auf Data Mining Software – fachbereichsgetriebene Unternehmen eher auf BI-Umgebungen • Open Source Technologien spielen eine große Rolle – R & Python sind für Data Scientists wichtige Werkzeuge • Grundlegende Verfahren überwiegen in der Nutzung • Externe Daten werden gleichermaßen genutzt – wobei IT & Data Scientist getriebene Unternehmen eher Daten zukaufen 212017
- 22. © BARC Können Sie den Nutzen Ihrer Advanced-Analytics-Projekte quantifizieren? / Welchen Nutzen Ihrer zukünftigen Advanced-Analytics-Projekte erwarten Sie? 232017 3% 2% 8% 9% Umsatzsteigerung in Prozent: Kostensenkung in Prozent: Quantifizierter Nutzen Erwarteter Nutzen N = 19/56
- 23. © BARC Welchen Nutzen konnten Sie durch den Einsatz von fortgeschrittenen Analysen in Ihren Projekten zu erzielen? 242017 47% 44% 35% 32% 32% 32% 24% 21% 15% 12% 6% 63% 28% 38% 53% 25% 53% 41% 44% 13% 22% 0% Bessere Steuerung der operativen Prozesse, Kostenreduktion, Steigerung der Prozesseffizienz Besseres Verständnis des Marktes/Wettbewerbs Bessere Planbarkeit Bessere Unterstützung für strategische Entscheidungen Entwicklung neuer Geschäftsmodelle, Produkte oder Dienstleistungen Besseres Kundenverständnis/Verbesserung der Kundenerfahrung Verbesserung der Qualität der Produkte und Dienstleistungen Erhöhung des Umsatzes Bessere Einbindung von externen Partnern Personaleinsparung durch Prozessautomatisierung Bisher kein Nutzen erzielt Fachbereichsgetrieben IT- und Data-Scientist-getrieben N = 74 Optimierung operativer Prozesse klar im Fokus
- 24. © BARC Welche allgemeinen Faktoren beeinträchtigen Ihre Advanced- und Predictive- Analytics-Projekte? 252017 59% 51% 33% 33% 28% 26% 26% 23% 23% 23% 21% 13% 10% 10% 3% 3% 3% 40% 50% 50% 31% 40% 33% 31% 19% 33% 29% 10% 26% 19% 21% 7% 2% 0% Fehlende Ressourcen in IT Fehlende Ressourcen im Fachbereich Fehlende Data Scientists Hohe Komplexität von Predictive-Analytics-Lösungen Fehlendes analytisches Know-how im Fachbereich Geschäftlicher Nutzen und damit das erforderliche Budget schwierig zu begründen Probleme in der Kommunikation zwischen Fachbereich und IT Zu geringe Managementunterstützung Fehlende organisatorische Verankerung Fehlendes Verständnis für datengetriebene Geschäftsmodelle/Kultur Hoher Implementierungsaufwand Kosten Mangelndes Projektmanagement Datenschutz Fehlendes technisches Know-how im Unternehmen Advanced und Predictive Analytics nicht nutzbar für Fachanwender Keine Beeinträchtigung Fachbereichsgetrieben IT- und Data-Scientist-getrieben N = 170 Haupt-Hemmnis – fehlende Ressourcen in IT und Fachbereich
- 25. © BARC Wohin fließen hauptsächlich die Advanced- und Predictive-Analytics- Investitionen Ihres Unternehmens? 262017 44% 44% 33% 26% 23% 15% 13% 10% 0% 31% 26% 26% 21% 21% 33% 10% 5% 36% Anschaffung von Software Externe fachliche Beratung Weiterbildung des bestehenden Personals Externe technische Beratung Implementierung/Migration Personalaufbau/Schaffung neuer Stellen Anschaffung von Hardware Keine neuen Investitionen Schaffung einer eigenen Organisationseinheit mit eigenem Budget Fachbereichsgetrieben IT- und Data-Scientist-getrieben N=170
- 26. © BARC Zusammenfassung Ergebnisse Projekterfahrungen • Erste quantifizierbare Mehrwerte die aber optimistisch hinsichtlich weiterer Wertsteigerungen sind • Fehlende Ressourcen beeinträchtigen Data Science Projekte – bei IT, Data Scientists und in Fachbereichen • Für Fachbereiche sind die Anschaffung von Software & externe Beratung Investitionsschwerpunkte • IT & Data Scientist getriebene Unternehmen priorisieren den Personalaufbau und die Schaffung einer eigenen Organisationseinheit 272017
- 28. © BARC BARC Empfehlungen • Kommunikation ist wichtig – die Nähe zu den Geschäftsprozessen bestimmt den Erfolg • Data Science ist nicht trivial – Data Scientists arbeiten mit komplexeren Daten und Verfahren und automatisieren Prozesse • Data Science dauert – Ressourcen in Fachbereich, IT und Data Lab müssen aufgestockt werden • Data Science kostet – Investitionen in Technologie ermöglichen komplexere Use Cases 292017
- 29. 30© Cloudera, Inc. All rights reserved. Explosion of data and devices (IoT) 30B connected devices 440x more data Transformation of IT infrastructure open source cloud machine learning $200B total market1 1 IDC Worldwide Big Data and Business Analytics Market Through 2020 The data-driven enterprise
- 30. 32© Cloudera, Inc. All rights reserved. We empower people to transform complex data into clear and actionable insights DRIVE CUSTOMER INSIGHTS CONNECT PRODUCTS & SERVICES (IoT) PROTECT BUSINESS
- 31. 33© Cloudera, Inc. All rights reserved. We deliver the modern platform for machine learning and analytics optimized for the cloud ENTERPRISE GRADE Secure Performant Compliant SCALABLE Elastic Cost-effective Lower TCO RUNS ANYWHERE Cloud Multi-cloud On-premises
- 32. 34© Cloudera, Inc. All rights reserved. Thank you