Agile Analytics
Wie Unternehmen Daten für bessere Entscheidungen und Leistungen nutzen
Zusammenfassung
Business Analytics (BA) hilft Unternehmen dabei, faktenbasierte Erkenntnisse zu gewinnen. Dadurch können sie fundiertere Entscheidungen treffen und ihre Leistungsfähigkeit spürbar steigern. Dirk Böckmann zeigt, wie Sie BA mihilfe von Agilität architektonisch, prozessual und strukturell so organisieren, dass sie der Dynamik des heutigen Wettbewerbs gerecht werden. Sie erfahren insbesondere, wie Advanced Analytics mit agilen Methoden im Unternehmen implementiert und betrieben werden kann. Anhand des Viable System Models wird zudem verdeutlicht, wie Unternehmen als Ganzes stabil und agil organisiert werden können und so dynamische Fähigkeiten aufzubauen um so kontinuierlich besser zu werden.
Inhalte:
-
Business Intelligence zu Business Analytics
-
Advanced Analytics und Agile Analytics
-
Statische Ansätze: Merkmale, Grenzen und mögliche Agilisierung
-
Agile Analytics-Architekturen: Konzept, Strategie und Umsetzung
-
Predictive Analytics: strategische Bedeutung und praktische Umsetzung
-
Analytics: Anwendung und Entwicklung
-
Betriebsorganisationen agil aufstellen
- Kapitel Ausklappen | EinklappenSeiten
- 1–10 Titelei/Inhaltsverzeichnis 1–10
- 11–12 Geleitwort von Mark Lambertz 11–12
- 13–18 Einführung: Ist die konventionelle IT am Ende? 13–18
- 19–34 1 Von Business Intelligence zu Business Analytics 19–34
- 1.1 Business Intelligence, der Blick zurück
- 1.1.1 Die Entwicklung zur BI
- 1.1.2 Descriptive Analytics
- 1.1.3 IT-Architektur und Anwendung von BI
- 1.2 Business Analytics, der Blick nach vorne
- 1.2.1 Predictive Analytics
- 1.2.2 Prescriptive Analytics
- 1.2.3 Die Bedeutung der KI und des Einsatzes von Algorithmen
- 1.3 Advanced Analytics
- 1.3.1 Analytic Capabilities – was Unternehmen brauchen
- 1.3.2 Gegenüberstellung von BI und BA
- 1.4 Zusammenfassung
- 35–70 2 Von Advanced Analytics zu Agile Analytics 35–70
- 2.1 Technologische Treiber des Wandels
- 2.1.1 Das Mooresche Gesetz
- 2.1.2 KI oder die vierte industrielle Revolution
- 2.2 Der Game-Changing-Effekt
- 2.2.1 Innovative Leistungen und disruptive Geschäftsmodelle
- 2.2.2 Veränderungen des Konsumentenverhaltens
- 2.2.3 Der Disruptionsmechanismus: den Tipping-Point erkennen
- 2.2.4 Von der VUCA- zur BANI-Welt
- 2.3 Die Bedeutung der Agilität
- 2.3.1 Das agile Mindset
- 2.3.2 Agile Werte und Prinzipien
- 2.3.3 Agiles Vorgehen bringt bessere Softwarelösungen hervor
- 2.4 Das Performance-Management verbessern
- 2.4.1 Data-Driven Culture – der Weg zum Performance-Measurement
- 2.4.2 Big Data – Unternehmen mitten im Daten-Tsunami
- 2.4.3 Der analytische Reifegrad von Unternehmen
- 2.5 Zusammenfassung
- 71–102 3 Statische Ansätze – Merkmale, Grenzen und mögliche Agilisierung 71–102
- 3.1 Statische Ergebnisse durch linear-kausale Methoden
- 3.1.1 Das Quantum-Performance-Measurement-Modell
- 3.1.2 Das Strategic-Alignment-Modell (SAM)
- 3.2 Entstehen einer BI-Architektur
- 3.2.1 Der Aufbau in Schichten
- 3.2.2 Der Flickenteppich – gewachsene statt geplante Architekturen
- 3.2.3 Methoden der Applikationsentwicklung – Planumsetzung als oberstes Ziel?
- 3.3 Die Einführung einer bimodalen IT
- 3.3.1 Zwei Betriebsmodi und das Schichtenmodell
- 3.3.2 Neue Welt: Von der relationalen Datenbank zum Key-Value-Store
- 3.3.3 Scheme-on-write versus Scheme-on-read
- 3.4 Modelle für den Aufbau von Data Warehouses
- 3.4.1 Der Inmon-Ansatz
- 3.4.2 Der Kimball-Ansatz
- 3.4.3 OLAP-Datenbanken als Data Marts
- 3.4.4 Data Vault und seine Grenzen
- 3.5 Zusammenfassung
- 103–134 4 Agile Analytics-Architekturen: Konzept, Strategie und Umsetzung 103–134
- 4.1 Data Lake, geeignet für große Datenmengen
- 4.1.1 Die Vorbereitung auf Big Data
- 4.1.2 Der Aufbau der Architektur
- 4.1.3 Vor- und Nachteile der Architektur
- 4.1.4 Paralleler Betrieb von Data Warehouse und Data Lake
- 4.2 Das Data Lakehouse – die Verbindung von Warehouse und Lake
- 4.2.1 Der Aufbau der Architektur
- 4.2.2 Make or buy, bezogen auf die analytische Architektur
- 4.2.3 Fertig oder nicht – steter Umbau von IT-Architekturen?
- 4.3 Die Entwicklung einer agilen Analytics-Strategie
- 4.3.1 Iterative Schleifen
- 4.3.2 Verzahnung der Analytics- mit der Business-Strategie
- 4.3.3 Einzelne Elemente der Business-Strategie
- 4.4 Data Mesh – Dezentralität durch die passende Organisation ermöglichen
- 4.4.1 Das neue Paradigma der Zusammenarbeit
- 4.4.2 Probleme eines rein zentralen Organisationsansatzes
- 4.4.3 Der Aufbau des Datennetzes
- 4.4.4 Wie das Netz im Einzelnen entsteht
- 4.5 Zusammenfassung
- 135–140 5 Agiles Arbeiten bei Knauf – Interview mit Dietrich Betz 135–140
- 141–180 6 Predictive Analytics – strategische Bedeutung und Implementierung 141–180
- 6.1 Agiles Vorgehen entscheidet über den Erfolg
- 6.1.1 Mach nur einen Plan …
- 6.1.2 Die Einrichtung eines Center of Excellence
- 6.1.3 Die Organisation der Zusammenarbeit
- 6.1.4 Agile Methoden in der Projektumsetzung
- 6.2 Die Anwendung von Scrum
- 6.2.1 Die Scrum-Methodik
- 6.2.2 Product-Owner und Product-Backlog
- 6.2.3 Der Scrum-Master und das Entwicklungsteam
- 6.2.4 Die Planung der Sprints durch das Entwicklungsteam
- 6.3 Entwicklung und Einführung einer Predictive-Analytics-Lösung
- 6.3.1 Das CRISP-DM-Modell
- 6.3.2 Business und Data Understanding
- 6.3.3 Data Preparation
- 6.3.4 Modelling – Testen und Trainieren von Algorithmen
- 6.3.5 Exkurs: Die Welt der Algorithmen
- 6.3.6 Evaluation und Business Understanding
- 6.4 Integration von Predictive Analytics in der Unternehmensplanung
- 6.4.1 Der Einsatz von Planning Analytics
- 6.4.2 Sales and Operations Planning
- 6.4.3 Financial Planning
- 6.4.4 Rollierende Geschäftsplanung
- 6.5 Zusammenfassung
- 181–186 7 Flexible Unternehmensplanung – Interview mit Prof. Dr. Karsten Oehler 181–186
- 187–204 8 Prescriptive Analytics – Anwendung und Entwicklung 187–204
- 8.1 Anwendungsmöglichkeiten
- 8.1.1 Einführung
- 8.1.2 Optimierte Auftragssteuerung für die gesamte Lieferkette
- 8.1.3 Technisches Design und Implementierung
- 8.1.4 Prescriptive ohne Predictive Analytics?
- 8.2 Kontinuierliche Weiterentwicklung von Analytics-Lösungen
- 8.2.1 Optimierung der analytischen Lösung nach Inbetriebnahme
- 8.2.2 Data-Product-Canvas – ein Werkzeug zur Weiterentwicklung
- 8.2.3 DevOps – Verbesserungen in der Endlosschleife
- 8.3 Zusammenfassung
- 205–226 9 Betriebsorganisationen agil aufstellen 205–226
- 9.1 Agilität ist eine Notwendigkeit
- 9.1.1 Das Ende der tayloristischen Wanne
- 9.1.2 Organisationen dynamikrobust gestalten
- 9.1.3 Maschinen versus neuronale Netze
- 9.2 Das Viable System Model
- 9.2.1 Die zentralen Systemfunktionen
- 9.2.2 Rollen und Funktionen in agilen Teams
- 9.2.3 VSM und Business Analytics
- 9.3 Die dynamische Weiterentwicklung der Geschäftsfähigkeiten
- 9.3.1 Wie dynamische Fähigkeiten entstehen und warum sie wichtig sind
- 9.3.2 Der Aufbau analytischer Kompetenzen
- 9.3.3 Das agile Strategie-Modell
- 9.4 Zusammenfassung
- 227–234 10 Anhang 227–234
- 10.1 Literatur
- 10.2 Bildnachweise
- 10.3 Register
- 235–236 Danksagung 235–236
- 237–240 Über den Autor 237–240
