Analytics: Wie moderne Unternehmen Daten nutzen, um Entscheidungen zu treffen

Analytics reicht heute weit über traditionelle Dashboards und regelmäßige Berichte hinaus. Heute haben Teams Zugriff auf prädiktive Modelle, Echtzeit-Analysen und konversationelle Schnittstellen, mit denen Nutzer:innen in natürlicher Sprache Fragen an Daten stellen können.

Unternehmen setzen diese Funktionen bereits ein. In einer von Snowflake gesponserten Omdia-Studie aus dem Jahr 2026 gaben 59 % der Datenanalyse-Teams an, dass sie generative KI nutzen. Gleichzeitig gaben 96 % der Befragten an, dass sie bei der praktischen Umsetzung von generativer KI noch immer vor erheblichen Herausforderungen stehen.

Die Diskrepanz zwischen diesen beiden Zahlen offenbart etwas Wichtiges über moderne Analytics: Neue Arbeitsweisen mit Daten können Erkenntnisse schneller und zugänglicher machen, aber sie beseitigen nicht die Notwendigkeit einer starken Datengrundlage. Zuverlässige Antworten hängen nach wie vor von vertrauenswürdigen Daten, konsistenten Geschäftsdefinitionen, dem richtigen Maß an Aktualität und einem analytischen Ansatz ab, der auf die zu treffende Entscheidung zugeschnitten ist.

Da Analytics weiter expandiert, besteht die Herausforderung darin, Tools mit gemeinsam genutzten Daten, dem Geschäftskontext und der Data Governance zu verbinden, damit verschiedene analytische Workloads Erkenntnisse liefern können, die die Nutzer:innen tatsächlich verwenden können.

Analytics nutzt Daten, um die Leistung zu messen, Änderungen zu untersuchen, Ergebnisse zu prognostizieren und Entscheidungen zu steuern. Es umfasst die wiederkehrende Arbeit der Aufbereitung und Modellierung von Daten, der Anwendung analytischer Methoden und der Bereitstellung von Ergebnissen über Berichte, Dashboards, Anwendungen und andere Schnittstellen.

Der richtige analytische Ansatz hängt von der gestellten Frage ab und davon, wie schnell die Antwort benötigt wird. Deskriptive und diagnostische Analysen helfen Teams, die vergangene Leistung zu verstehen und zu untersuchen, warum sie sich geändert hat, während prädiktive und präskriptive Methoden dabei helfen, zukünftige Ergebnisse zu antizipieren und mögliche Maßnahmen zu bewerten. Business Intelligence (BI) bietet Nutzer:innen eine wiederkehrende Möglichkeit, definierte Metriken zu überwachen und zu untersuchen, während Echtzeit-Analysen Entscheidungen unterstützen, die von aktuelleren Daten abhängen.

Zunehmend werden Geschäftsfragen über KI-gestützte Analytics-Schnittstellen untersucht. Abfragen in natürlicher Sprache, generierte Erklärungen und konversationelle Follow-ups können Nutzer:innen eine einfachere und flexiblere Möglichkeit bieten, sich durch eine Analyse zu bewegen.

Teams nutzen verschiedene Analytics-Ansätze, um die Leistung im Laufe der Zeit zu verfolgen, neue Fragen zu untersuchen, wenn sich die Bedingungen ändern, und die Ergebnisse auf operative und strategische Entscheidungen anzuwenden.

Sehen Sie sich eine Live-Demo an, wie Snowflake Interactive Analytics Echtzeit-Analysen für APIs, Apps und KI-Agenten ermöglicht:

Die Begriffe Analytics und Datenanalyse überschneiden sich im alltäglichen Gebrauch erheblich, und Fachleute ziehen die Grenze nicht immer an derselben Stelle. Im Allgemeinen bezieht sich die Datenanalyse jedoch auf eine spezifische Aktivität, während Analytics die umfassendere Fähigkeit beschreibt, die es Unternehmen ermöglicht, diese Arbeit wiederholt und konsistent auszuführen.

• Die Datenanalyse umfasst die Untersuchung von Daten, um eine bestimmte Frage zu beantworten. Ein:e Analyst:in könnte untersuchen, warum die Kundenabwanderung im letzten Quartal gestiegen ist, Konversionsraten über Kampagnen hinweg vergleichen oder ermitteln, welche Produkte den größten Margenrückgang verursacht haben.
• Analytics umfasst die Systeme, Prozesse und Praktiken, die diese Arbeit wiederholbar machen. Es umfasst die Daten-Pipelines, die Informationen liefern, die Metrikdefinitionen, die Berechnungen konsistent halten, die analytischen Methoden zur Untersuchung von Fragen, die Tools, über die Personen auf Ergebnisse zugreifen, und die Governance, die erforderlich ist, um sie im Laufe der Zeit aufrechtzuerhalten.

Reporting überschneidet sich mit Analytics, insbesondere im Bereich Business Intelligence, konzentriert sich jedoch in der Regel auf die Präsentation definierter Metriken und Ergebnisse. Analytics reicht weiter in die Untersuchung, Erklärung, Vorhersage und Entscheidungsunterstützung hinein. In der Praxis enthalten Dashboards oft analytische Funktionen, während Analytics-Workflows häufig in einem Bericht oder einer Visualisierung enden.

Ein gängiges Framework gruppiert Analytics in vier Arten, je nach der gestellten Frage.

• Deskriptive Analytics fasst zusammen, was bereits passiert ist. Umsatzberichte, Trends beim Website-Traffic, Lagerbestände und historische Kundenaktivitäten fallen in diese Kategorie.
• Diagnostische Analytics untersucht die Faktoren, die mit einem beobachteten Ergebnis verbunden sind. Nach der Identifizierung eines Umsatzrückgangs könnte ein:e Analyst:in beispielsweise die Daten nach Region, Produkt oder Kundenkohorte segmentieren, um zu verstehen, wo die Änderung aufgetreten ist und was dazu beigetragen hat.
• Prädiktive Analytics nutzt historische Daten und statistische oder Machine Learning-Methoden, um zukünftige Ergebnisse wie Nachfrage, Abwanderungsrisiko oder Geräteausfälle abzuschätzen.
• Präskriptive Analytics bewertet mögliche Maßnahmen im Hinblick auf Ziele, Einschränkungen und erwartete Ergebnisse. Optimierungsmodelle, Simulationen und Entscheidungsregeln unterstützen diese Arbeit häufig.

Über alle vier Arten hinweg bilden vertrauenswürdige Daten und stabile Geschäftsdefinitionen die analytische Grundlage.

Analytics beginnt oft, bevor jemand ein BI-Tool öffnet oder eine SQL-Abfrage schreibt. Die erste Aufgabe besteht darin, zu entscheiden, welche Fragen Antworten benötigen und wie diese Antworten Entscheidungen beeinflussen werden.

Ein praktischer Workflow umfasst in der Regel fünf miteinander verbundene Phasen:

1. Ziel definieren: Legen Sie die Frage, Entscheidung oder das Ergebnis fest, das die Analyse unterstützen soll. „Warum sind die Umsätze gesunken?“ könnte zu einer Untersuchung darüber werden, ob ein geringeres Transaktionsvolumen, Preisänderungen oder der Produktmix einen Rückgang im Jahresvergleich in einem bestimmten Markt erklären. Das Ziel bestimmt, welche Daten relevant sind, wie aktuell das Ergebnis sein muss und welches Maß an Unsicherheit die Entscheidung toleriert.
2. Relevante Daten sammeln: Je nach Frage können die erforderlichen Informationen strukturierte Tabellen, halbstrukturierte Datensätze oder unstrukturierte Daten wie Dokumente und Support-Transkripte umfassen. Die Quelle prägt auch die Erwartungen an Aktualität, Vollständigkeit und Zugriff.
3. Daten aufbereiten: Die Datenverarbeitung bringt diese Quellen durch Aktivitäten wie Bereinigung, Transformation, Zusammenführung und Validierung in eine nutzbare Form. In dieser Phase müssen Teams auch verstehen, ob Felder die Werte enthalten, von denen Analyst:innen annehmen, dass sie sie enthalten.
4. Analysieren und interpretieren: Analyst:innen wenden Abfragen, statistische Methoden, Visualisierungen, Modelle oder andere analytische Techniken an und interpretieren das Ergebnis dann in seinem Geschäftskontext. Selbst ein mathematisch korrektes Ergebnis verleitet leicht zu Fehlschlüssen, wenn Definitionen, Populationen oder Annahmen unklar sind.
5. Ergebnis mit einer Entscheidung oder Maßnahme verknüpfen: Manche Analysen dienen als direkte Grundlage für operative Entscheidungen; andere beeinflussen die strategische Planung, verfeinern Hypothesen oder schließen Handlungsoptionen aus. In jedem Fall benötigt eine Analyse ein konkretes Ziel, das über die bloße Auswertung hinausreicht.

Echte analytische Arbeit durchläuft diese Phasen in der Regel in Schleifen. Ein unerwartetes Ergebnis veranlasst eine:n Analyst:in, die Quelldaten zu überprüfen, eine Definition zu überarbeiten oder eine engere Frage zu stellen, und eine neue Entscheidung erzeugt neue Daten, die später in eine weitere Analyserunde einfließen.

„Letztendlich zeigt sich der Wert in der Entscheidungsgeschwindigkeit und der Ausrichtung des Unternehmens“, sagt Josh Klahr, Head of Product Management for Analytics bei Snowflake. „Der Test ist, ob funktionsübergreifende Teams weniger Zeit damit verbringen, darüber zu diskutieren, wessen Metriken richtig sind, und mehr Zeit damit, Entscheidungen auf der Grundlage einer vereinbarten Geschäftslogik zu treffen.“

Ein analytisches Ergebnis erbt die Eigenschaften der zugrunde liegenden Daten. Fehlende Datensätze, veraltete Werte, inkonsistente Kennungen oder falsche Feldzuordnungen wirken sich alle darauf aus, was die Analyse darstellt, selbst wenn die Abfrage oder das Modell genau wie vorgesehen funktioniert.

Teams bewerten die Datenqualität in der Regel anhand mehrerer Dimensionen:

• Genauigkeit (Accuracy): Ob Werte das zugrunde liegende Ereignis oder die Entität korrekt darstellen
• Vollständigkeit: Ob erforderliche Werte und Datensätze vorhanden sind
• Einheitlichkeit: Ob dieselben Informationen über Systeme und Datensätze hinweg übereinstimmen
• Aktualität: Ob die Daten aktuell genug für die Entscheidung sind, die sie unterstützen
• Gültigkeit: Ob Werte den erwarteten Formaten, Bereichen und Regeln entsprechen
• Einzigartigkeit: Ob doppelte Datensätze Zählungen oder andere Berechnungen verfälschen

Bevor Teams Regeln für diese Dimensionen definieren, müssen sie die aktuellen Daten profilieren und ihre tatsächlichen Verteilungen, Nullraten, Formate und Beziehungen verstehen. Ein Aktualitätsschwellenwert, der beispielsweise für die vierteljährliche Finanzplanung funktioniert, wäre für die Betrugserkennung ungeeignet.

Hohe Datenqualität alleine garantiert jedoch noch keine analytische Konsistenz. Zwei Teams arbeiten möglicherweise mit perfekt gültigen Datensätzen, melden aber unterschiedliche Umsatzzahlen, wenn sie beispielsweise den jährlich wiederkehrenden Umsatz unterschiedlich definieren. Ein Dashboard könnte Erweiterungsumsätze sofort einbeziehen, ein anderes könnte bis zum Vertragsbeginn warten und ein drittes könnte eine bestimmte Produktkategorie ausschließen. Ohne eine vereinbarte Definition könnten alle drei Berechnungen technisch korrekt sein und dennoch unterschiedliche Antworten auf dieselbe geschäftliche Frage liefern.

Eine semantische Schicht löst dieses Problem. Rajhans Samdani, Principal Software Engineer bei Snowflake, erklärt: „Semantische Modelle sind die gemeinsame Schnittstelle, die es BI-Dashboards und KI-Agenten ermöglicht, mit denselben Definitionen zu arbeiten.“ Metrikdefinitionen, Entitätsbeziehungen und anderer semantischer Kontext geben Analysten, Dashboards, Anwendungen und KI-Systemen eine gemeinsame Interpretation der zugrunde liegenden Daten.

Eine semantische Schicht ist besonders wichtig für natürlichsprachliche Schnittstellen. Wenn Definitionen nicht übereinstimmen, kann das System falsch ausgerichtete Antworten in größerem Maßstab reproduzieren, und es kann schwieriger sein, das Problem zu identifizieren. Semantische Konsistenz spielt eine größere operative Rolle, da immer mehr Benutzer über konversationelle und agentische Systeme mit Daten interagieren.

Business Intelligence ist Teil der breiteren Analytics-Disziplin und konzentriert sich stark auf Reporting, Dashboards, Visualisierung und den Zugriff auf wiederkehrende Geschäftskennzahlen.

Eine BI-Umgebung könnte einem Finanzteam ein monatliches Umsatz-Dashboard zur Verfügung stellen, Vertriebsleitern Pipeline-Metriken liefern und Betriebsteams die Untersuchung von Bestandstrends ermöglichen. Da diese Fragen wiederkehren, definieren Teams die zugrunde liegenden Metriken und Datenmodelle in der Regel im Voraus, sodass Geschäftsanwender eine konsistente Möglichkeit haben, die Leistung zu überprüfen, ohne jede Analyse von Grund auf neu erstellen zu müssen.

Large Language Models (LLMs) und generative KI bieten Benutzern neue Möglichkeiten, analytische Daten abzufragen und zu untersuchen. Neben Filtern und Dashboards können Benutzer über natürlichsprachliche Fragen, generierte Visualisierungen und konversationelle Follow-ups mit Geschäftsdaten interagieren.

Echtzeitanalysen werden oft im Zusammenhang mit Latenz betrachtet: Millisekunden, Sekunden oder Minuten vom Eintreten eines Ereignisses bis zu seinem Erscheinen in einem analytischen Ergebnis. Ob ein Anwendungsfall Echtzeitanalysen erfordert und was das angemessene Latenzziel ist, hängt jedoch von der Entscheidung ab, die das Ergebnis unterstützt. Wenn eine fünf Minuten alte Antwort zur gleichen Entscheidung führt wie eine fünf Sekunden alte, bietet eine weitere Reduzierung der Latenz wenig praktischen Wert.

Strengere Aktualitätsanforderungen erfordern in der Regel kontinuierlich aktualisierte Daten, eine Verarbeitung mit geringer Latenz und eine analytische Infrastruktur, die darauf ausgelegt ist, Abfragen zu verarbeiten, während noch neue Datensätze erfasst werden.

Um Echtzeitanalysen zu ermöglichen, muss das System sowohl Latenz als auch Parallelität verwalten: Daten müssen die analytische Schicht schnell erreichen, während viele Benutzer oder Anwendungen kontinuierlich sich ändernde Informationen abfragen, ohne inakzeptable Verzögerungen zu verursachen.

Für Workloads, deren Entscheidungen ältere Daten tolerieren, bleibt die Stapelverarbeitung einfacher und oft kostengünstiger.

Self-Service-Analysen haben einen Großteil der analytischen Arbeit näher an die Geschäftsanwender herangeführt, indem sie ihnen verwaltete Dashboards, Drag-and-Drop-Erkundung, Filter und Ad-hoc-Abfragen zur Verfügung stellten. KI erweitert diese Self-Service-Funktionen grundlegend: Anwender können Fragen nun direkt in natürlicher Sprache formulieren und Analysen interaktiv im Dialog vertiefen.

Generative KI unterstützt einen Großteil der Erfahrung durch Text-to-SQL, generierte Erklärungen und konversationelle Abfragen, während maschinelles Lernen prädiktive und präskriptive Methoden unterstützt, die Aufgaben wie die Prognose von Ergebnissen und die Bewertung möglicher Aktionen übernehmen.

KI kann Analysten auch bei Aufgaben wie der Identifizierung von Mustern, der Generierung von Erklärungen und der Zusammenfassung von Ergebnissen unterstützen – Funktionen, die oft unter Augmented Analytics zusammengefasst werden.

Da sich der analytische Pfad zunehmend von vordefinierter Navigation zu generierten Abfragen und mehrstufigen Workflows verlagert, tragen semantischer Kontext und Governance mehr dazu bei, dass die Ergebnisse mit den Geschäftsdefinitionen übereinstimmen.

„Die Einführung von Conversational AI verlagert die Arbeit vom Entwerfen von Dashboards und Berichten hin zur Verwaltung von Kontext“, sagt Klahr. „Das System muss die Absicht des Benutzers verstehen und die richtigen Geschäftsdefinitionen und analytischen Regeln auf die gestellte Frage anwenden.“

Lesen Sie unseren vollständigen Leitfaden zu AI Data Analytics >

Die Branche verändert den Kontext rund um Analysen mehr als die zugrunde liegenden analytischen Methoden. Die wichtigen Unterschiede zeigen sich in der Regel in den analysierten Daten, der für die Entscheidung erforderlichen Aktualität und den Governance- oder regulatorischen Einschränkungen im Zusammenhang mit ihrer Nutzung.

Eine Analytics-Umgebung erfordert vielfältige Funktionen entlang des gesamten Pfades von den Rohdaten bis hin zum verwertbaren Analyseergebnis. Daten müssen erfasst, transformiert, gespeichert und verarbeitet werden — um anschließend über konsistente Geschäftsdefinitionen interpretiert und über passgenaue Schnittstellen für unterschiedliche Anwender und Workloads bereitgestellt zu werden.

Spezifisch für Datenanalysen umfassen diese Plattformfunktionen in der Regel:

• Speicherung und Computing: Verarbeiten Sie die strukturierten, halbstrukturierten und unstrukturierten Daten, die für die Analyse verwendet werden.
• Datenerfassung und -transformation: Bringen Sie Quelldaten in die Analyseumgebung und bereiten Sie sie für die Nutzung vor.
• Semantik- und Metrikfunktionen: Definieren Sie gemeinsame Geschäftskonzepte, Kennzahlen und Beziehungen.
• BI und Visualisierung: Unterstützen Sie Dashboards, wiederkehrendes Reporting und interaktive Erkundung.
• Notebooks und Code-Umgebungen: Unterstützen Sie statistische Analysen, maschinelles Lernen und individuellere analytische Workflows.
• Konversationelle Schnittstellen: Lassen Sie Benutzer analytische Fragen in natürlicher Sprache stellen und eine Untersuchung durch Folgefragen fortsetzen.

In einer optimalen Architektur sind diese Funktionen nativ innerhalb der KI-Datenplattform integriert. Wenn die Plattform mehrere Analyse-Workloads mit denselben verwalteten Daten unterstützen kann, können Teams die Kopien, Pipelines und Geschäftslogik reduzieren, die sie andernfalls neu erstellen müssten, wenn Daten zwischen Systemen verschoben werden.

Eine Plattform benötigt ausreichend Flexibilität, um Computing-, Latenz- und Parallelitätsanforderungen zu unterstützen und gleichzeitig gemeinsame Daten, Definitionen und Governance über sie hinweg zu bewahren.

Beim Aufbau einer Analysefunktion geht es weniger darum, einem festen Reifegradmodell zu folgen, als vielmehr darum, einige grundlegende Entscheidungen in der richtigen Reihenfolge zu treffen. Teams müssen wissen, welche Fragen sie unterstützen, wie die zugrunde liegenden Metriken definiert sind, welche Aktualität und Verarbeitung diese Entscheidungen erfordern und wie Personen auf die Ergebnisse zugreifen werden.

• Beginnen Sie mit der Entscheidung und den dahinter stehenden Maßnahmen: Identifizieren Sie die Fragen, die Personen beantworten müssen, die Metriken, von denen diese Fragen abhängen, und wie schnell die zugrunde liegenden Informationen Änderungen im Unternehmen widerspiegeln müssen. Ein wiederkehrender Leistungsbericht, eine Nachfrageprognose und eine operative Entscheidung stellen jeweils unterschiedliche Anforderungen an die Analyseumgebung.
• Definieren Sie wichtige Metriken frühzeitig: Wenn Umsatz, Abwanderung oder aktiver Kunde von einem Team oder analytischen Workflow zum anderen etwas anderes bedeuten, vervielfacht das Hinzufügen von Dashboards, Modellen oder konversationellen Schnittstellen die spätere Abstimmungsarbeit. Klare Verantwortlichkeiten geben Teams auch eine Möglichkeit, Änderungen an diesen Definitionen im Laufe der Zeit zu verwalten.
• Passen Sie die Daten- und Verarbeitungsanforderungen an den Workload an: Geplante Updates können für wiederkehrende BI ausreichend sein, während operative Analysen kontinuierlich verarbeitete Daten und eine geringere Latenz erfordern können. Prädiktive Workloads bringen zusätzliche Anforderungen hinsichtlich der historischen Abdeckung, der Feature-Qualität und der Frage mit sich, ob vergangene Daten noch die aktuellen Bedingungen widerspiegeln.
• Erweitern Sie den Analysezugriff entsprechend der Arbeitsweise der Nutzer:innen: BI und verwalteter Self-Service unterstützen die wiederkehrende Exploration für Geschäftsanwender:innen; Notebooks und Code-Umgebungen dienen spezielleren analytischen Arbeiten; konversationelle Schnittstellen bieten Nutzer:innen eine weitere Möglichkeit, Fragen in der Geschäftssprache zu formulieren. Diese Zugriffsmuster funktionieren am besten, wenn sie auf gemeinsam genutzte, verwaltete Daten und den Geschäftskontext zurückgreifen, anstatt diese unabhängig voneinander neu zu erstellen.
• Bauen Sie Datenkompetenz und Governance parallel zum Zugriff auf: Nutzer:innen benötigen ausreichend Kontext, um zu verstehen, was eine Metrik darstellt, welche Population sie beschreibt und wo Unsicherheiten in das Ergebnis einfließen. Governance bietet die entsprechenden Kontrollen in Bezug auf Zugriff, Eigentümerschaft, Definitionen und Rückverfolgbarkeit.

Unternehmen werden diese Funktionen in unterschiedlicher Reihenfolge zusammenstellen. Wenn Daten und Geschäftskontext über sie hinweg gemeinsam genutzt werden, verringert sich der Umfang an Infrastruktur und Analyselogik, der beim Hinzufügen neuer Workloads neu aufgebaut werden muss.

Snowflake unterstützt analytische Workloads auf einer gemeinsamen, verwalteten Grundlage, sodass Teams über BI, Echtzeitanalysen, maschinelles Lernen und KI-gestützte Abfragen hinweg arbeiten können, ohne für jeden Anwendungsfall eine separate Datenumgebung pflegen zu müssen.

Für BI und interaktive Analysen bietet Snowflake elastische Rechenleistung und Parallelität für viele Nutzer:innen, die mit denselben zugrunde liegenden Daten arbeiten. Echtzeit- und operative Analysen können mit kontinuierlich aktualisierten Daten arbeiten, während Data-Science- und Machine-Learning-Workflows dieselbe verwaltete Grundlage für die Feature-Vorbereitung, Experimente und die Modellentwicklung nutzen.

Semantische Funktionen fügen diesen Workloads einen gemeinsamen Geschäftskontext hinzu. Durch die zentrale Definition von Metriken, Dimensionen und Beziehungen können Unternehmen Dashboards, Anwendungen und KI-gestützte Schnittstellen auf dieselben Geschäftsdefinitionen abstimmen, anstatt diese Logik unabhängig voneinander neu zu erstellen.

Snowflake Cortex AI erweitert diese Grundlage um konversationelle und generative Analysen, während Snowflake Horizon Governance-, Sicherheits-, Discovery- und Compliance-Kontrollen über Daten, Anwendungen und KI hinweg anwendet. Das Ergebnis ist eine Analyseumgebung, in der verschiedene Workloads die von ihnen benötigte Verarbeitung und die Schnittstellen nutzen können, während sie gleichzeitig mit gemeinsam genutzten Daten und Governance verbunden bleiben.

Geschäftsanwender:innen werden zunehmend erwarten, dass sie zwischen wiederkehrenden Metriken, Ad-hoc-Untersuchungen, Prognosen und konversationellen Abfragen wechseln können, ohne verstehen zu müssen, welche Pipeline, welches Modell oder welches Tool hinter jedem Ergebnis steht. Dies erhöht die Anforderungen an die Datengrundlage: Definitionen müssen mit den Daten mitreisen, die Governance muss dem Workload folgen und die Aktualität muss zur Entscheidung passen.