Sie wird oft auch als Berichterstattung bezeichnet, da die meisten Analyseaktivitäten auf dieser Ebene die Erstellung von Berichten zur Zusammenfassung von Aktivitäten und Abläufen betreffen, um die Frage „Was ist wann passiert?“ zu beantworten. Das Spektrum dieser Berichte umfasst statische Momentaufnahmen nach einem festen Zeitplan ebenso wie dynamische Ansichten von Indikatoren. Die einfachste und schnellste Art Daten zu untersuchen, ist die Verwendung von Häufigkeitstabellen und Balkendiagrammen. Mit Hilfe der Pivot-Tabellenfunktion in Excel können beispielsweise eine Vielzahl von Informationen dargestellt werden. Bei Ad-hoc-Berichten hat der Anwender die Möglichkeit, seinen eigenen spezifischen Bericht zu erstellen, um eine individuelle Entscheidungssituation darzustellen.

Diagnostische Analytik:

Diagnostische Analytik ist die intelligente Analyse von Daten zum Erkennen von Mustern und Ursachen, sie befasst sich mit der Frage nach dem „Warum“. Sie bietet eine tiefere Analytik als die deskriptive Analytik, indem sie Ursachen von und Reaktionen auf eine Situation identifiziert (Bild 4). Mit ihr sind komplexere Analyseabfragen für Ursachenanalyse und Stratifikation möglich (Wo genau ist das Problem? Wie finde ich die Antwort? Wie lautet die Ursache für den vorliegenden Sachverhalt?).

Das Erkennen von Anomalien wird für Anwendungen als erster Schritt verwendet, bei dem es wichtig ist, eine Abweichung von einem erwarteten Muster zu erkennen. Das Erkennen von Anomalien bedeutet dabei, Unterbrechungen oder unerwartete Veränderungen in einer Aktivität aufzufinden. Dies kann in einer Vielzahl von Szenarien der Fall sein. Unüberwachte Verfahren erkennen Anomalien in einem unmarkierten Testdatensatz unter der Annahme, dass die Mehrheit der Instanzen im Datensatz normal ist, sie geben dann die Instanzen als Anomalien an, die am wenigsten zum Rest des Datensatzes zu passen scheinen.

Der zweite Schritt ist die Untersuchung der Anomalie. Dabei geht es darum herauszufinden, wie solche technischen Fehlerzustände zustande kamen. Bei diesem Vorgang werden statistisch signifikante Datenanomalien während eines bestimmten Zeitraumes erkannt.

Der dritte Schritt ist Untersuchung von Beziehungen zwischen den Anomalien. Hierbei helfen statistische Analysen wie Korrelations-, Diskriminanz- und Regressionsanalyse. Die Korrelationsanalyse untersucht die Abhängigkeit zweier Variablen oder Merkmale und gibt Auskunft über deren Zusammenhang. Die Diskriminanzanalyse ist eine Methode multivariater Verfahren, die dazu dient, zwei oder mehr Gruppen zu unterscheiden, die durch mehrere Merkmale (auch Variablen) beschrieben werden. Regressionsanalysen berechnen, ob eine oder mehrere unabhängige Variable eine abhängige Variable beeinflussen. Mit diesen Analytikmethoden ist es möglich, Antworten auf die Fragen zu geben, warum etwas passierte und welche Möglichkeiten der Fehlerabwehr versäumt wurden.

Advanced Analytics

Advanced Analytics ist eine Methode der Datenanalytik, die Modellierung, maschinelle Lernalgorithmen, Deep Learning, Prozessautomatisierung und andere statistische Methoden zur Analyse aus einer Vielzahl von Datenquellen verwendet. Zu ihr gehören die Verfahren der prädiktiven und der präskriptiven Analytik. Advanced Analytics nutzt die Datenwissenschaft über die traditionellen Operational Intelligence-Methoden hinaus, um Muster vorherzusagen und die Wahrscheinlichkeit zukünftiger Ereignisse abzuschätzen. Dies kann sich vorteilhaft auf die Produktionsprozesse auswirken. Es kann nicht nur eine reaktionsschnellere Leistung erreicht, sondern auch die Genauigkeit bei der Entscheidungsfindung potenziert werden.

Breitere Anwendungen von Softwarelösungen erfolgten mit der Weiterentwicklung der Steuerungstechnik und dem Einzug der Computertechnik in die Industrie.

Prädiktive Analytik

Mit Hilfe der prädiktiven Analytik können Entwicklungen vorhergesagt und dargestellt werden. Es erfolgt eine Vorhersage von Ereignissen auf Basis von empirischen Daten über zurückliegendes Verhalten (Bild 5). Mit den Erkenntnissen aus der deskriptiven und diagnostischen Analytik kann die prädiktive Analytik genutzt werden, um Cluster, Tendenzen oder vielleicht Ausnahmen zu erkennen, und damit eine bestimmte Vorhersage zu machen. Dabei wird versucht, die Frage zu beantworten: Was wird wahrscheinlich passieren?

Das Ziel von Prognosemodellen ist es, zukünftige Ereignisse frühzeitig und besser einschätzen zu können. Der Kern der prädiktiven Analytik ist der Prädiktor, das sind Variablen und/oder Kennwerte, die für eine Einheit oder eine Person gemessen werden, um zukünftiges Verhalten vorherzusagen. Wenn es sich bei der vorhergesagten Variablen um eine kategoriale Variable handelt, wird der Vorgang der Vorhersage als Klassifizierung bezeichnet, andernfalls als Regression. Wenn die vorhergesagte Variable zeitabhängig ist, wird der Vorhersageprozess oft als Zeitreihenprognose bezeichnet.

Insbesondere bei immer komplexeren Abläufen und Prozessen ist ein solches Wissen von entscheidendem Vorteil. Je differenzierter ein Prognosemodell ist, desto genauer wird es Vorhersagen treffen. Um verlässliche Vorhersagen zu erhalten, ist es nicht immer notwendig, möglichst viele Daten auszuwerten – mehr bedeutet nicht automatisch eine bessere Qualität der Vorhersagen. Prognosen und datengesteuerte Entscheidungen beinhalten mögliche zukünftige Entwicklungen (Was wird als nächstes passieren? Wie wirkt sich das auf meine Prozesse aus? Wann ist sehr wahrscheinlich womit zu rechnen?).

Die Mustererkennung analysiert die eingehenden Daten und versucht, Muster zu erkennen. Während die explorative Mustererkennung darauf abzielt, Datenmuster im Allgemeinen zu erkennen, beginnt die deskriptive Mustererkennung mit der Kategorisierung der erkannten Muster. Die Mustererkennung umfasst diese beiden Szenarien, je nach Anwendungsfall und Form der Daten werden unterschiedliche Mustererkennungsmethoden angewandt. Mustererkennung und Entscheidungsfähigkeit ist die Grundlage für Vorhersagen (Was, wenn diese Trends anhalten? Wie viel ist erforderlich? Wann ist es erforderlich?).

Präskriptive Analytik

Präskriptive Analytik ist die höchste Stufe der Analytik und ermittelt mögliche Lösungen für Probleme. Hier wird mit Hilfe ausgefeilter mathematischer Modelle die beste von vielen Handlungsalternativen bestimmt, die in der Regel durch prädiktive und/oder deskriptive Analytik ermittelt werden (Bild 6). All die bisherigen Beobachtungen und Vorhersagen sind großartig, aber wichtig ist vor allem, wie wir daraus konkrete Maßnahmen ableiten können. Es bleibt nicht nur bei Vorhersagen.

Wir würden vorzugsweise direkt auf diese Signale reagieren. Mit präskriptiver Analytik erstellen wir einen konkreten Ratschlag, was passieren soll, bis hin zur direkten Umsetzung.

Die präskriptive Analytik verwendet Optimierungs-, Simulations- und Heuristik-basierte Modellierungstechniken für Entscheidungen. Die Online-Optimierung dient der kontinuierlichen Überwachung des Prozesses und der Vorhersage eines optimalen Ablaufes durch Modellbezug.

Bei der präskriptiven Analytik gibt es wie in Bild 1. dargestellt zwei Ebenen menschlicher Intervention:

• Entscheidungsunterstützung, z. B. die Bereitstellung von Empfehlungen, und

• Entscheidungsautomatisierung, z. B. die Umsetzung der vorgeschriebenen Maßnahme.

Die Ergebnisse von Optimierungssoftware können dem Bediener in Form von Entscheidungsunterstützungen präsentiert oder als neue Zielvorgabe für eine untergeordnete Regelstrategie automatisch festgelegt werden. Letzteres umfasst modellbasierte Software, die eine vollautomatisierte adaptive Rückkopplung mit intelligenten Systemen zur Regelung des Prozesses verwendet. Die Optimierung wird zur Herausforderung, wenn sie mit Unsicherheit konfrontiert ist. Einige der Schlüsselfaktoren, die zur Unsicherheit beitragen, sind die Komplexität des Systems, die Länge des zukünftigen Zeithorizonts und das irrationale menschliche Verhalten. Deshalb sind Systeme für präskriptive Analytik nicht immer perfekt und müssen genau überwacht und ständig angepasst werden.

Quellen:

The Digitalisation of Science, Technology and Innovation: Key Developments and Polices. Paris: OECD Publishing, 2020.

SAS Institute: Eight Level of Analytics, sascom magazine, Fourth quarter 2008.

BAUER, Per: IT-Serviceoptimierung nach dem Reifegradmodell. Otterfing: IT Verlag für Informationstechnik GmbH, 05. Oktober 2015.

SCHULZ, Thomas: Datenanalyse: Schlüsseltechnologie für die digitale Transformation. In: etz Elektrotechnik + Automation, 142 (2021), Nr. S4, S. 34-39.

SCHLEGEL, Kurt; SALLAM, Rita; YUEN, Daniel; TAPADINHAS, Joao: Magic Quadrant for Business Intelligence and Analytics Platforms. Gartner research note G00239854, 5 Feb 2013.

DAVENPORT, Thomas. H.; HARRIS, Jeanne. G.: Competing on Analytics: The New Science of Winning. Boston, MA: Harvard Business Review, 2007.

LEPENIOTI, Katerina; BOUSDEKIS, Alexandros; APOSTOLU, Dimitris; MENTZAS, Gregoris: Prescriptive analytics: Literature review and research challenges. In: International Journal of Information Management, Ausgabe 50, Februar 2020, S. 57-70.

The Splunk Guide to Operational Intelligence. Turn Machine-Generated Data Into Real-Time Visibility, Insight and Intelligence. White Paper. San Francisco, CA: Splunk Inc.

GANDOM, Amir; HAIDER, Murtaza: Beyond the hype: Big data concepts, methods, and analytics. In: International Journal of Information Management, 35 (2015). Nr. 2, S. 137-144.

GROVER, Purvar; KAR, Kumar: Big data analytics: a review on theoretical contributions and tools used in literature. In: Global Journal of Flexible Systems Management, 18 (2017), Nr. 3, S. 203-229.

CHAE, Bongsug (Kevin); YANG, Chenlung; OLSON, David; SHEU, Chwen: The impact of advanced analytics and data accuracy on operational performance: A contingent resource based theory (RBT) perspective. In: Decision Support Systems, Ausgabe 59, März 2014, Seite 119-126.

REITH, János: Qualitätsüberwachung für die Feinbearbeitung von Bohrungen mit nachstellbaren Ausbohrwerkzeugen. Dissertation. Technische Universität Dresden, 1989.