Wenn jemand den Begriff „Data & Analytics“ in Google sucht, erbringt dies zwar zig-Millionen Seiten, aber keine sinnvolle Erläuterung, wofür eigentlich der Begriff steht. Auch die Suche bei Wikipedia führt eher zu einem ungewöhnlichen Ergebnis: >Der Artikel „data & analytics“ existiert in der deutschsprachigen Wikipedia nicht. Du kannst den Artikel erstellen<.  

Deswegen schreibe ich diesen Blogbeitrag. Es ist ein Versuch, die scheinbar einfache Frage zu beantworten: Data & Analytics – was ist das eigentlich?  

Die einfache Übersetzung des terminus technicus ins Deutsche ist der erste Stolperstein. Data & Analytics ist ein Kunstbegriff, entstanden aus den Fachtermini Data Management (dt.: Datenmanagement) und Data Analytics (dt.: Datenanalyse). Eine einfache Übersetzung greift somit zu kurz.  

Wer – so wie ich – auch diese beiden Begriffe hinterfragt, stößt schnell auf weitere Fach- und Oberbegriffe (Big Data Engineering, Business Analytics, Data Science, …), mit ebenfalls zum Teil sehr ähnlichen Umschreibungen.  

Meine Recherche – kurz zusammengefasst – lautet: Die beiden Teilaspekte von Data & Analytics, also Data Management und Data Analytics, sind zentrale Themen unserer zunehmend datenzentrierten Welt, die u. a. die Großdisziplinen Business Intelligence und Data Science umfassen.  

Der Begriff Business Intelligence wurde 1989 von Howard Dresner geprägt als Oberbegriff für “concepts and methods to improve business decision making by using fact-based support systems” [1]. In den 1990’er Jahren hat sich der Begriff und die Einführung von Business Intelligence langsam durchgesetzt, es handelt sich insofern um eine wissenschaftliche Disziplin mit Tradition. Die dabei verfolgte Zielsetzung ist, Daten so aufzubereiten, dass hieraus Erkenntnisse gewonnen werden, um im Management einer Organisation bessere Entscheidungen zu treffen. Hierzu gehört sowohl die Zusammenführung der Daten als auch deren Speicherung (häufig in einem Data Warehouse) sowie deren Auswertung.  

Der 1992 eingeführte Oberbegriff Data Science beschäftigt sich gleichfalls mit wissenschaftlichen Methoden, Prozessen, Algorithmen und Systemen, um Wissen und Einsichten aus strukturierten und unstrukturierten Daten zu gewinnen. [2] Erheblichen Auftrieb hat das Thema durch den Artikel „Data Scientist: The Sexiest Job of the 21st Century“, erschienen 2012 im Harvard Business Review, gewonnen. [3] Hiernach war der Begriff Data Science in aller Munde. Data Science knüpft mit besonders ausgefeilten Analysemethoden an das an, was man mit einfachen Methoden im Reporting und in Dashboards kennt. Insofern trifft man auch häufig auf den Begriff Advanced Analytics in Abgrenzung bzw. Betonung verglichen mit Analytics.  

Bei aller wissenschaftlicher Granularität in Theorie und Praxis verfolgen beide Oberbegriffe ein ähnliches Ziel: Erkenntnisse aus Daten zu gewinnen, um eine Organisation zu verbessern. Beide Ansätze sind damit integraler Bestandteil der Digitalisierung, quasi das Herzstück dieses Megatrends.  

Im Zuge der Digitalisierung wird nahezu alles digital, also zu Daten. Entsprechend kann man die Bedeutung des Erkenntnisgewinns aus Daten nicht überschätzen; sie ist die zielgerichtete Nutzung der immer größer werdenden Datenmengen. „Data & Analytics will become the centerpiece of enterprise strategy, focus and investment“. [4] Von daher wundert es nicht, dass in der Zwischenzeit mehrere Hochschulen entsprechende Masterstudiengänge zu Data & Analytics anbieten. [5]  

Bei Data & Analytics (D&A) werden konkret Datensätze untersucht, um z. B. Trends zu finden und Schlussfolgerungen zu den darin enthaltenen Informationen zu ziehen. Hierbei wird die Datenanalyse zunehmend mit Hilfe spezialisierter Systeme und Software eingesetzt. Datenanalysetechnologien und -techniken werden in der gewerblichen Industrie häufig angewendet, um fundierte Geschäftsentscheidungen zu ermöglichen. Dies wird auch von Wissenschaftlern und Forschern verwendet, um wissenschaftliche Modelle, Theorien und Hypothesen zu verifizieren oder zu falsifizieren. 

Als Begriff bezieht sich Data & Analytics hauptsächlich auf eine Reihe von Anwendungen, von grundlegender Business Intelligence (BI), Berichterstellung und Online-Analyseverarbeitung (OLAP) bis hin zu verschiedenen Formen fortschrittlicher Analyse. Data & Analytics umfasst neben der Analyse aber eben auch das Data Management. Hierzu zählen gesamtheitlich Methoden, Konzepte, die Organisation und auch Systeme für die Integration, Qualitätssicherung und Bereitstellung von Daten.  

Abhängig von der jeweiligen Anwendung können die analysierten Daten entweder aus historischen Aufzeichnungen oder aus neuen Informationen bestehen, die im Rahmen von Echtzeitanalysen verarbeitet wurden. Darüber hinaus kann es aus einer Mischung aus internen Systemen und externen Datenquellen stammen. Data & Analytics umfasst neben diesen technischen Aspekten auch die Data
Governance, die allgemein mit Rollen und Prozessen den Umgang in einer Organisation festlegt.  

Viele der Techniken und Prozesse werden bei Data & Analytics zu mechanischen Prozessen und Algorithmen automatisiert. Datenanalysetechniken können Trends und Metriken aufdecken, die sonst in der Informationsmenge verloren gehen würden. Solche Informationen können auf diese Weise zur Optimierung von Prozessen verwendet werden, um die Gesamteffizienz eines Systems oder einer Organisation zu steigern. 

Ein Vorteil der Begrifflichkeit Data & Analytics ist, dass die Themen „Data Management“ und „Data Analytics“ gesamtheitlich adressiert werden. In der Praxis erscheint es sowieso nahezu unrealistisch, Tätigkeiten exakt zwischen den beiden Teildisziplinen zu unterscheiden, da sich die Begriffe überlappen. Und ich denke, gerade für den Erfolg eines Projekts oder eines Forschungsauftrages ist auch eine gesamtheitliche Betrachtung und Benennung entscheidend.

Data & Analytics ist ein bewusst breit gefasster Begriff, der viele verschiedene Arten des Datenmanagements und der dazugehörigen Datenanalyse umfasst. Daher reicht Data & Analytics inhaltlich weit über die einfache Übersetzung der beiden Worte hinaus.   

[1] http://dssresources.com/history/dsshistory.html 
[2] https://en.wikipedia.org/wiki/Data_science 
[3] https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century 
[4] https://www.gartner.com/smarterwithgartner/why-data-and-analytics-are-key-to-digital-transformation/ 
[5] z.B. https://www.masterstudien.de/Master-in-Big-Data-und-Analytics/Spanien/EAE/