Kostenfaktoren

Die Schwierigkeit beim Aufbau eines Business- Case (60  Prozent) zählt denn auch zu den größten unternehmerischen Herausforderungen für Industrial-Analytics-Projekte. Eine ähnlich große Hürde sind sich überlappende Aufgaben von Firmensparten (60 Prozent).

Die Komplexität des Projekts (55 Prozent) sowie die Zusammenarbeit mit Wettbewerbern (50 Prozent) erscheinen weniger schwierig. Und die fehlenden Fähigkeiten bei den Angestellten sind nur für einige Unternehmen (25 Prozent) ein Problem.

Bei den technischen Herausforderungen ist das Bild vielfältiger. Als größte Schwierigkeit gilt eindeutig die Inter­operabilität zwischen verschiedenen Komponenten der Datenanalyse-Architektur (78 Prozent). Sowohl die Datengenauigkeit (62 Prozent) als auch die Verarbeitung der gewonnenen Erkenntnisse (62 Prozent) sind weitere Herausforderungen. Der Datenzugriff ist klar das geringste technische Problem
(42 Prozent).

Allerdings entstehen fast die meisten Kosten in Industrial-Analytics-Projekten in der Phase des Datenzugriffs (21 Prozent), der Aggregation der Daten (17 Prozent) und der Durchführung der Datenanalyse (14 Prozent). Dagegen spielen das Projektmanagement (6 Prozent), die Interpretation der Resultate (6 Prozent) und die Ergebnisvisualisierung (7 Prozent) bei den Gesamtkosten nur eine untergeordnete Rolle.

Die kostspieligste Einzelposition betrifft in der Regel die Anwendungsentwicklung sowie die damit verbundene Systemintegration (26 Prozent). Abhängig von der Komplexität der Systemarchitektur und dem vorliegenden Problem können sich diese Kosteneffekte verschieben. Die genannten Anteile können laut Digital Analytics Asso­ciation als Hinweis für all diejenigen Entscheider dienen, die Projekte zu Industrial Analytics budgetieren wollen.

Aller Anfang ist schwer, trotz oder gerade wegen der vielen Daten. Im Bestreben, sich ein digitales Geschäftsmodell zu erschließen, beginnen Unternehmen ihre Datenprojekte mehrheitlich (66 Prozent) mit klaren Hypothesen. Die übrigen 34 Prozent wählen einen explorativen Ansatz. Mit agilem Vorgehen kommen beide Ansätze rasch zu einem Ergebnis: Lohnt sich der Business-Case oder nicht?

Analog zum erwarteten Bedeutungszuwachs von Analytik im Geschäft rechnen die Firmen auch mit einem veränderten Nutzungsverhalten bei den Applikationen. Die heute noch häufig verwendeten Tabellenkalkulationen (54 Prozent) werden stark verlieren (27 Prozent), Advanced Analytics (50 zu 79 Prozent) und Business Intelligence (39 zu 77 Prozent) massiv gewinnen. Zurzeit noch wenig Anwendungsfälle sehen die Entscheider bei Edge Analytics. Mit fortschreitender Verbreitung von IoT-Geräten dürfte sich diese Meinung aber bald ändern.

Auch dann haben die etablierten Software-Hersteller jedoch noch lange keinen Grund, auf das große Geschäft zu hoffen. Denn in der Welt der Daten ist Open Source der Standard: Annähernd zwei Drittel (64 Prozent) nutzen Lösungen wie Apache Hadoop oder Spark, Knime, Python und R für ihre Analyse­projekte – und lediglich 17 Prozent der Entscheider geben an, dass Open-Source-Anwendungen keine Option für sie sind.