Analytik- & KI-Reifegrad Canvas

The Canvas Sections

• AI Maturity
• 1a Header
• 1b Footer
• 2a Business Operations
• 2b Business Reporting
• 2c Business Discovery
• 2d Business Forecasting
• 2e Business Optimization
• 2f Business Automation
• 3a Data Management
• 3b Descriptive Analytics
• 3c Diagnostic Analytics
• 3d Predictive Analytics
• 3e Prescriptive Analytics
• 3f Autonomous Analytics

AI Maturity

Im Alltag verwenden Software-Nutzer und -Anbieter Begriffe wie „IT-Anwendung“, „BI-Anwendung“ oder „AI-Anwendung“. Die Einstufung einer Anwendung als „Information Technology“, „Business Intelligence“ oder „Artificial Intelligence“ ist jedoch nicht eindeutig:

IT bezieht sich auf alle Formen digitaler Daten- bzw. Informationsverarbeitung – ob analytisch oder nicht.

BI steht für Anwendungen, die aus Daten Erkenntnisse gewinnen. Heute wird der Begriff meist für einfache Reporting- oder Dashboard-Anwendungen genutzt, während Anwendungen mit weitergehenden Analysen (z. B. prädiktiv) eher als „Business Analytics“ bezeichnet werden.

Analytical AI wird oft verwendet, um klarzumachen, dass sie nur analysiert, aber nichts generiert. Allerdings nutzen generative und andere Formen von KI ebenfalls (daten-)analytische Komponenten, sodass die meisten KI-Anwendungen (teilweise) analytisch sind.

Predictive AI wird häufig synonym zu Predictive Analytics gebraucht und in Abgrenzung zu Generative AI, obwohl Generative AI ebenfalls oft nur prädiktiv arbeitet: Ein Large Language Model (LLM) prognostiziert zum Beispiel auf Basis der Eingaben („Prompt“) das wahrscheinlich nächste Wort oder den nächsten Satz.

Generative AI erzeugt Texte, Bilder, Audio u. v. m. auf Basis der trainierten Inhalte und des Prompts (Nutzereingabe). Das trainierte KI-Modell wird als „Foundation Model“ bezeichnet, bei Text als „Large Language Model“ (LLM). Modelle, die verschiedene Arten von Inhalten unterstützen, nennt man multimodal. Mit geeigneten Techniken (z. B. Prompt Engineering) lässt sich der Output gezielt auf bestimmte Ziele optimieren.

Agentic AI kommt der ursprünglichen Definition oder Vision künstlicher Intelligenz am nächsten: Intelligente (Software-)Agenten treffen eigenständig Entscheidungen und führen Aktionen aus, messen und analysieren die Daten und lernen aus den Ergebnissen, wie sie ihre Ziele erreichen können. Sie nutzen Generative AI als „Human Language Interface“, um mit Menschen und anderen Maschinen zu interagieren.

Darüber hinaus gibt es viele weitere Begriffe, zum Beispiel:

• Conversational AI: für Chatbots & Co.
• Interactive AI: um interaktive KI-Systeme allgemein zu beschreiben.
• Narrow AI oder Weak AI: für sehr spezialisierte KI-Lösungen mit begrenzten Fähigkeiten.
• General AI oder Strong AI: auch „Artificial General Intelligence“ (AGI) genannt, für menschenähnlich intelligente Systeme.

1a Header

Der Header definiert den Inhalt des Canvas und sollte folgende Informationen enthalten:

• Designed for: Für welche Organisation (Unternehmen, Abteilung, Team usw.) gilt der Inhalt des Canvas?
• Designed by: Welche Organisation (Unternehmen, Abteilung, Team usw.) hat den Inhalt erstellt?
• Date: Wann wurde der Inhalt erstellt oder zuletzt aktualisiert?
• Focused on: Auf welchen Bereich/Thema/Fall/etc. konzentriert sich dieses Canvas?

Es sollten keine Kopien desselben Canvas mit identischem Header existieren, d. h. der Header kennzeichnet eindeutig eine Version des Canvas (Kopie) und dokumentiert den aktuellen Stand des Inhalts.

1b Footer

Der Footer erläutert die Farbgebung der Sticky Notes (und weitere Formatierungen) auf dem Canvas.

Für jede Sticky-Note-Farbe sollte es in der Legende eine entsprechend farbige oder formatierte Sticky Note mit Titel geben, die diese Kategorie beschreibt.

2a Business Operations

Welche Anwendungen unterstützen den operativen Geschäftsbetrieb?

Eine Information-Technology-(IT)-Anwendung für Business Operations umfasst jede Software oder Hardware – oder eine Kombination daraus –, die zur Ausführung von Geschäftsprozessen genutzt wird.

Dazu gehört das Steuern und Dokumentieren von Entscheidungen, Handlungen, Ergebnissen und Zielen. Sie führt grundlegende digitale Datenverarbeitungen durch (z. B. Anlegen, Ändern, Löschen, Auswählen), um Informationen für Endnutzer bereitzustellen und zu speichern.

Beispiele für IT-Anwendungen im operativen Geschäft sind:

• Customer Relationship Management (CRM)
• Enterprise Resource Planning (ERP)
• Content Management System (CMS)

Operative Business-Anwendungen basieren in der Regel auf Datenbankmanagementsystemen (DBMS), z. B. SQL-Datenbanken, für die Datenspeicherung und -verarbeitung.

2b Business Reporting

Welche analytischen Anwendungen dienen dem Reporting von Geschäftskennzahlen?

Eine analytische Business-Reporting-Anwendung nutzt Descriptive Analytics, um automatisch Berichte oder Dashboards aus Unternehmensdaten zu Leistung, Prozessen, Abläufen, Zielen etc. zu erstellen.

Sie verwendet Data-Visualization-Techniken (Grafiken, Tabellen usw.), um Endnutzern Kennzahlen und Key Performance bzw. Quality Indicators (z. B. KPIs) zu präsentieren.

Häufig sind Business-Reporting-Funktionen in Business-Anwendungen integriert. Ein CRM-System kann z. B. automatisch einen Sales Report erzeugen. Oft werden jedoch eigenständige Lösungen benötigt, um Daten aus mehreren Systemen zu analysieren, z. B. eine Kombination aus CRM, CMS und Web-Tracking-Daten zur Analyse des Online-Sales-Funnels.

Der Begriff „Business Intelligence“ wird teils für grundlegende Business-Reporting-Anwendungen verwendet.

2c Business Discovery

Welche analytischen Anwendungen dienen dazu, Geschäfts-Insights aufzudecken?

Eine analytische Business-Discovery-Anwendung nutzt Diagnostic Analytics, um automatisch Korrelationen, Trends oder Ausreißer in Geschäftskennzahlen aufzuspüren.

Sie wendet statistische Methoden an, um diese Erkenntnisse zu validieren (z. B. Korrelation, Signifikanz). Business-Nutzer können diese Ergebnisse nutzen, um Produkte, Dienstleistungen oder Prozesse zu optimieren.

Diagnostische Analysen werden oft als Ad-hoc-Analysen von Analytics-Experten mit Spezialwerkzeugen durchgeführt, da meist keine fertige Anwendung für Endnutzer existiert.

Teilweise versuchen Business-Nutzer selbst, mithilfe von Descriptive-Analytics-Tools wie Self-Service-BI diagnostische Analysen durchzuführen. Ohne die richtigen Tools und statistische Grundkenntnisse entstehen jedoch häufig Fehlinterpretationen und daraus resultierende Fehlentscheidungen.

Business-Discovery-Anwendungen schließen diese diagnostische Lücke, erfordern aber trotzdem ein gewisses statistisches Verständnis bei den Nutzern. Oft dienen sie als Vorstufe zu Business-Forecasting-Anwendungen und können zudem die Prognosen von Predictive-Analytics-Anwendungen erklärbar machen.

2d Business Forecasting

Welche analytischen Anwendungen dienen zur Vorhersage von Geschäftskennzahlen?

Eine analytische Business-Forecasting-Anwendung nutzt Predictive Analytics, um Unternehmenskennzahlen und Ereignisse zu prognostizieren. Sie wendet statistische, probabilistische oder andere mathematische Methoden an, um aus Trainingsdaten ein Prognosemodell zu erstellen.

Mit diesem Modell werden zukünftige Ereignisse oder Zustände vorhergesagt und ihre Wahrscheinlichkeiten abgeschätzt.

Predictive-Anwendungen können auch fürs „Nowcasting“ genutzt werden: Ist ein Ereignis bereits eingetreten oder ein Zustand schon bestimmt, aber (noch) nicht messbar, so erkennt oder schätzt die Business-Forecasting-Anwendung diesen aktuellen oder sogar vergangenen Zustand.

Business-Forecasting-Anwendungen setzen häufig ein hohes Maß an Data- und AI-Literacy bei den Nutzern voraus, da die Prognosen mit Unsicherheit behaftet sind und die Wahrscheinlichkeiten interpretiert werden müssen.

Prognosemodelle lassen sich auch für Simulationen nutzen, um verschiedene Aktionen und Situationen in mehreren Szenarien durchzuspielen. Sie sind daher eine Vorstufe für Business-Optimization-Anwendungen.

2e Business Optimization

Welche analytischen Anwendungen dienen zur Optimierung von Geschäftsentscheidungen und -prozessen?

Eine analytische Business-Optimization-Anwendung nutzt Prescriptive Analytics, um optimale Handlungen vorzuschlagen, damit ein bestimmtes Ziel erreicht wird.

„Optimal“ bezieht sich dabei auf Effektivität und Effizienz. Eine Handlung ist effektiv, wenn ihr Ergebnis zur Zielerreichung beiträgt. Sie ist effizient, wenn die eingesetzten Ressourcen in einem angemessenen Verhältnis zum Ergebnis stehen.

Prescriptive Analytics wird genutzt, um das Optimum von Effizienz und/oder Effektivität für eine Menge möglicher Handlungen und Situationen zu finden. Hierfür kommen häufig mathematische Optimierungs- oder Simulationsalgorithmen zum Einsatz.

Besonders bei risikoreichen Anwendungen müssen Business-Nutzer entsprechend geschult sein, um die Handlungsempfehlungen der Anwendungen kritisch zu hinterfragen.

Fehlt diese letzte menschliche Instanz, entsteht eine autonome Anwendung für Business Automation, die zusätzliche Analysen benötigt, z. B. zur Risikoeinschätzung.

2f Business Automation

Welche analytischen Anwendungen dienen zur Automatisierung von Geschäftsprozessen?

Eine analytische Business-Automation-Anwendung setzt Autonomous Analytics ein, um Geschäftsprozesse zu automatisieren und die Effektivität und Effizienz bei der Erreichung eines Ziels zu maximieren.

Dazu werden Methoden wie Reinforcement Learning oder andere experimentelle Verfahren eingesetzt, um die besten Handlungen oder Handlungsketten zu bestimmen, die zum Ziel führen.

In bestimmten Situationen trifft sie eigenständig optimale Entscheidungen und leitet unmittelbar entsprechende Aktionen ein – ohne menschliches Eingreifen.

Dennoch erfordern autonome Anwendungen oft menschliche Überwachung, etwa aus rechtlichen Gründen, mit aktivem Monitoring und Steuerung. Daher verfügen sie häufig über Fallback-Mechanismen:

• Erkennt die Anwendung ein zu hohes Risiko (z. B. fehlende Informationen), übergibt sie Entscheidung und/oder Handlung an einen Menschen.

Analytische Business-Automation-Anwendungen verhalten sich wie autonome, intelligente Agenten und werden oft als „Artificial Intelligence (AI)“ bezeichnet. Der Begriff „Artificial Intelligence“ wird jedoch inflationär benutzt, und es herrscht Uneinigkeit darüber, was wirklich als KI-Anwendung gilt.

3a Data Management

Welche Fähigkeiten werden für das Datenmanagement benötigt?

Data Management bedeutet, Unternehmensdaten als unternehmerischen Wert zu betrachten. Tools wie Datenbanksysteme und Metadatenkataloge helfen dabei, Datenqualität und Zugänglichkeit zu erhöhen sowie Datenschutz und Datensicherheit zu gewährleisten. Data Management ist essenziell für Data Monetization.

Daten zu monetarisieren bedeutet, aus ihnen monetären Wert zu schöpfen – nicht unbedingt durch direkten Verkauf, sondern auch indirekt durch bessere Entscheidungen, Prozesse und Geschäftsmodelle.

Daten können jedoch nicht direkt für Entscheidungen genutzt werden. Entscheidungsträger benötigen Informationen, also Antworten auf konkrete Fragestellungen. Um diese Informationen aus Daten zu gewinnen, sind Analytics und KI erforderlich. Data Management ist daher die Grundlage für erfolgreiche Data Analytics und AI.

3b Descriptive Analytics

Welche Fähigkeiten werden für Descriptive Analytics benötigt?

Eine deskriptive Analyse beschreibt, was passiert ist („Hindsight“).

Descriptive Analytics berechnet Kennzahlen (z. B. Summen, Mittelwerte, Abweichungen, Maxima, Häufigkeiten) und Key Performance Indicators (KPI) oder Qualitätsindikatoren aus den Daten.

Sie setzt somit ein funktionierendes Data Management voraus, da schlechte Datenqualität zu falschen Kennzahlen und in der Folge zu schlechten Entscheidungen führt.

Die Ergebnisse der Descriptive Analytics bedürfen noch einer starken Interpretation durch die Entscheidungsträger. Oft folgt nach einer deskriptiven Analyse eine diagnostische Analyse, um Ursachen für verfehlte Ziele zu ermitteln.

3c Diagnostic Analytics

Welche Fähigkeiten werden für Diagnostic Analytics benötigt?

Eine diagnostische Analyse erklärt, warum etwas passiert ist („Insight“).

Diagnostic Analytics identifiziert Treiber, Korrelationen, Anomalien, Trends und andere Muster. Sie nutzt statistische Verteilungen (z. B. Normalverteilung), Experimente (z. B. A/B-Tests) und Tests (z. B. t-Test), um Erkenntnisse zu bestätigen.

Dabei werden Kennzahlen wie Korrelationskoeffizienten, Signifikanzniveaus oder p-Werte berechnet und auf Kennzahlen aus Descriptive Analytics aufgebaut. In der Regel arbeitet man mit nicht aggregierten Daten, häufig in anonymisierter Form.

Entscheidungsträger nutzen die Resultate einer diagnostischen Analyse, um künftige Maßnahmen zu planen oder anzupassen. Um zu bestimmen, welche Kennzahlen einer Diagnose bedürfen, wird oft zuvor eine deskriptive Analyse durchgeführt.

3d Predictive Analytics

Welche Fähigkeiten werden für Predictive Analytics benötigt?

Eine prädiktive Analyse sagt voraus, was geschehen könnte („Foresight“).

Predictive Analytics nutzt Verfahren wie Regressionsanalysen, Machine Learning oder Zeitreihenanalysen, um Vorhersagemodelle zu erstellen, die künftige Werte oder Wahrscheinlichkeiten für zukünftige Ereignisse schätzen.

Mitunter wird Predictive Analytics auch zur Erkennung oder Schätzung eingesetzt, wenn ein Ereignis bereits eingetreten ist oder ein Wert bereits feststeht, aber nicht direkt messbar ist.

Es gibt zahlreiche Tools und Techniken für Predictive Analytics, die sich auf verschiedene Arten klassifizieren lassen:

• Information Predicted: Klassifizierung für kategoriale Werte, Regression für numerische Werte, Clustering für Ähnlichkeitsanalysen usw.
• Data Availability: Supervised Learning bei gelabelten Daten vs. Unsupervised Learning bei ungelabelten Daten.
• Learning Algorithms: Machine Learning, Deep Learning, Ensemble-Verfahren usw.
• Data Types: Data Mining, Text Mining, Graph Mining, Video Mining usw.
• Priority: Erklärbarkeit (White-Box-Methoden) vs. Genauigkeit (Black-Box-Methoden).

Welche Technik und welches Tool geeignet sind, hängt vom Business Objective und der Datenqualität ab. Häufig geht eine explorative Datenanalyse (Diagnostic Analytics) voraus. Für das Monitoring der Modellgüte (z. B. Genauigkeit) und des geschäftlichen Nutzens (Business Impact) von Predictive Modellen ist Descriptive Analytics erforderlich.

Die meisten prädiktiven Algorithmen benötigen nicht aggregierte Daten und ggf. nicht anonymisierte Daten – je nach Use Case. Auf Basis der Vorhersagen (oder Erkennungen/Schätzungen) kann ein Entscheidungsträger vorab Maßnahmen treffen oder Anpassungen vornehmen bzw. verschiedene Szenarien simulieren.

3e Prescriptive Analytics

Welche Fähigkeiten werden für Prescriptive Analytics benötigt?

Eine präskriptive Analyse „verschreibt“, was geschehen sollte, um ein bestimmtes Ziel zu erreichen, und liefert konkrete Handlungsoptionen statt nur Informationen.

Prescriptive Analytics setzt Optimierungs- und Simulationsalgorithmen ein, um mögliche Zukunftsszenarien sowie Handlungsalternativen unter Kosten-Nutzen-Aspekten zu bewerten. Zur Prognose künftiger Ereignisse und Effekte verschiedener Handlungen greift sie auf Predictive Analytics zurück.

Zudem werden Descriptive Analytics zum Messen der (Business-)Auswirkungen der vorgeschlagenen Handlung und Diagnostic Analytics zum Erklären der Handlungsempfehlung gegenüber Entscheidungsträgern benötigt.

Auf Datenebene sind in der Regel nicht aggregierte und oft nicht anonymisierte Daten erforderlich. Dennoch liegt die letztendliche Entscheidung bei einer Person, die aus den vorgeschlagenen Optionen wählt und die Handlungen anstößt.

3f Autonomous Analytics

Welche Fähigkeiten werden für Autonomous Analytics benötigt?

Eine autonome Analyse entscheidet eigenständig, was getan werden sollte, um ein bestimmtes Ziel zu erreichen, führt die nötigen Aktionen ohne menschlichen Eingriff durch, überprüft, ob die Ergebnisse das Ziel erfüllen, und lernt aus diesen Erfahrungen. Sie agiert als intelligenter Agent.

Autonome Systeme basieren häufig auf Predictive und Prescriptive Analytics und nutzen Methoden wie Reinforcement Learning zur kontinuierlichen Datenerhebung und Optimierung.

Verantwortungsvolle autonome Systeme versuchen, die Unsicherheit ihrer Daten (Erfahrungen) abzuschätzen. Je nach Risiko wenden sie unterschiedliche Taktiken an, zum Beispiel:

• Exploration-Exploitation-Cycle: Das System sammelt mithilfe von Experimenten neue Erkenntnisse (Daten), indem es verschiedene Aktionen ausprobiert (das System lernt). Anschließend nutzt es diese Daten, um die aktuell beste Aktion auszuführen (das System verdient).
• Human-in-the-Loop (HITL): Als Fallback fragt das System bei Unsicherheiten einen Menschen um Rat oder lässt ihn die Entscheidung treffen.