{"id":11198,"date":"2022-05-23T09:11:55","date_gmt":"2022-05-23T07:11:55","guid":{"rendered":"https:\/\/www.sage.com\/de-de\/blog\/?p=11198"},"modified":"2026-01-22T14:48:12","modified_gmt":"2026-01-22T13:48:12","slug":"6-datenanalyse-trends","status":"publish","type":"post","link":"https:\/\/www.sage.com\/de-de\/blog\/6-datenanalyse-trends\/","title":{"rendered":"6 Datenanalyse Trends 2022"},"content":{"rendered":"
\n\t
\n\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\tDatenbasiert entscheiden<\/a>\t\t\t\t\t\t<\/div>\n\t\t\t\t\n\t\t\t\t
\n\t\t\t\t\t

\n\t\t\t\t\t\t6 Datenanalyse Trends 2022\t\t\t\t\t<\/h1>\n\t\t\t\t<\/div>\n\n\t\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\t\t\t\t\t\t<\/p>\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t<\/div>\n\n\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t<\/div>\n\t

\n\t\t
\n\t\t\t
\n\t
\n\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t
\n\t\t\t\n\t\t\t\t\"\"\t\t\t\tThorsten Weckert<\/span>\n\t\t\t<\/a>\n\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t<\/div>\n<\/div>\n\n\n\n\n\n

Die Jahre 2020 und 2021 waren f\u00fcr viele Unternehmen bewegt wie nie zuvor \u2013 und auch 2022 wird mit Sicherheit noch ein Jahr voller Umbr\u00fcche und \u00dcberraschungen werden. In diesen Zeiten konnte nicht nur <\/em>die Digitalisierung ihre St\u00e4rken<\/em><\/a> beweisen, indem sie Unternehmen flexibler und agiler arbeiten l\u00e4sst; auch die Datenanalyse ist und bleibt ein wichtiger Bestandteil des digitalen Wandels und der Zukunftssicherung.<\/em><\/p>\n\n\n\n

Daten und ihre Analyse sind die Wegweiser f\u00fcr die n\u00e4chsten Schritte in der Strategie. Wie die Digitalisierung selbst, ist auch Datenanalyse bei vielen Unternehmen vorangeschritten. Sie k\u00f6nnte f\u00fcr 2022 beim von vielen erhofften \u201eBack to Business\u201c eine wichtige Rolle spielen. Wie bei der Digitalisierung ist die Nachfrage und Akzeptanz bei datengest\u00fctztem Handeln, sowie der Datenanalyse enorm vorangekommen \u2013 gleichzeitig steigen aber die Anspr\u00fcche. CDOs<\/a> und CEOs werden schnelle und zielgerichtete Ratschl\u00e4ge aus der Datenanalyse erwarten. Es ist also gut, darauf vorbereitet zu sein. Daher sollten Sie folgende Trends und Entwicklungen im datengest\u00fctzten Handeln kennen und beachten:<\/p>\n\n\n\n

Visualisierung<\/strong><\/h2>\n\n\n\n

Die beste Datenanalyse bringt wenig, wenn ihre Interpretation scheitert. Daten in Handlungsempfehlungen zu \u00fcbersetzen ist eine Herausforderung, diese Information im gesamten Unternehmen zu vermitteln, zu \u201edemokratisieren\u201c, ist eine mindestens ebenso wichtige. Gartner sagt voraus, dass im Jahr 2025 80 Prozent der Innovation im Bereich Datenanalyse Grafiken und Visualisierung nutzen werden.<\/p>\n\n\n\n

Warum ist klar: Das Ziel der Datenzentrierung l\u00e4sst sich nur erreichen, wenn nicht nur die Datenwissenschaftler oder Marketing-Experten im Unternehmen den Wert und die Bedeutung der Datenanalyse verstehen. Das ganze Unternehmen sollte Datenkompetenz<\/a> besitzen und f\u00f6rdern. Jeder sollte die typischen Fragen wie \u201eWo und wie k\u00f6nnen wir neue Werte f\u00fcr unser Gesch\u00e4ft schaffen oder ausbauen?\u201c beantworten k\u00f6nnen. Dabei kann Datenvisualisierung enorm helfen. Hier geht es oft um \u00dcbersetzungsarbeit: Die Welt der Daten und des Marketings sind f\u00fcr andere Abteilungen oft abstrakt, KPI-Metriken k\u00f6nnen \u00fcberw\u00e4ltigend sein. Mit Werkzeugen wie Datenvisualisierung von Microsoft<\/a>, Tableau<\/a> oder Google Charts<\/a> werden sie f\u00fcr die F\u00fchrungsebene und die Abteilungen leichter begreifbar.<\/p>\n\n\n\n

On-Demand und Echtzeit-Analysen<\/strong><\/h2>\n\n\n\n

Das Business bleibt 2022 dynamisch und es gilt proaktiv auf Entwicklungen einzugehen: Datenanalysen, Empfehlungen und daraus abgeleitete Ma\u00dfnahmen finden immer st\u00e4rker in k\u00fcrzesten Zeitspannen, im Idealfall sogar in Echtzeit statt. Wie im ersten Trend beschrieben, hilft die Visualisierung bei der schnellen Interpretation der Daten. In Dashboards bleiben die relevanten Unternehmensdaten permanent \u201eon demand\u201c im Blick und k\u00f6nnen f\u00fcr verschiedene Abteilungen oder Business-Stakeholder geteilt oder schnell in Reportings \u00fcbersetzt werden.<\/p>\n\n\n\n

Mit Automatisierung k\u00f6nnen Entscheidungen auch ohne Zeitverz\u00f6gerung stattfinden, indem sie an bestimmte Bedingungen gekn\u00fcpft werden. Zum Beispiel k\u00f6nnte vom Marketing ein Angebot an Kunden per E-Mail versendet werden, sobald die Nachfrage den Normalwert \u00fcberschreitet.<\/p>\n\n\n\n

Small statt Big Data<\/strong><\/h2>\n\n\n\n

Jahrelang ging es in Unternehmen \u2013 Stichwort Big Data \u2013 um das Sammeln von Daten. Dann ging es vor allem darum, dass die Daten nicht nur ungenutzt \u201everstauben\u201c, sondern mit Datenanalyse in wertvolle Erkenntnisse verarbeitet werden. Inzwischen steigt das Bewusstsein, dass K\u00fcnstliche Intelligenz (KI) und raffinierte Datenanalyse wenig bringen, wenn sie mit unsauberen Daten gef\u00fcttert werden.  Viele Unternehmen, die den Wert der Datenqualit\u00e4t<\/a> erkennen, wissen sp\u00e4testens ab diesem Punkt, dass Datenqualit\u00e4t auch Aufwand f\u00fcr die Pflege bedeutet. Doch der Aufwand, wie auch die Verantwortung, die Unternehmen durch den Datenbesitz haben, wird oft noch weit untersch\u00e4tzt.<\/p>\n\n\n\n

Schlechte Daten  – wie veraltete, ungenaue und unvollst\u00e4ndige Daten – mindern die Qualit\u00e4t der Erkenntnisse aus der Datenanalyse und verursachen so Mehrarbeit. Zudem k\u00f6nnen Daten auch rechtlich aufs Glatteis f\u00fchren: So schreibt die DSGVO (Datenschutzgrundverordnung) eine L\u00f6schpflicht<\/a> vor. Nach dieser m\u00fcssen Unternehmen personenbezogene Daten auf Wunsch der Personen, zum Beispiel bei Widerruf, l\u00f6schen. Wer die Verordnung ignoriert und nicht umsetzt, riskiert Bu\u00dfgelder in erheblicher H\u00f6he. Also hei\u00dft es 2022 bei Daten: Lieber Small statt Big, aber daf\u00fcr Klasse statt Masse!<\/p>\n\n\n\n

KI-getriebenes Data-Storytelling<\/strong><\/h2>\n\n\n\n

Daten sind wenig wert, wenn die Erkenntnisse daraus, weder gut aufgenommen, noch im Kopf behalten und schlecht umgesetzt werden. Ein gutes Gegenmittel verspricht Data Storytelling: Die Kommunikationstechnik baut aus trockenen Daten Geschichten \u2013 und kann den Mitarbeitern so, durch Auswertungen und Erkenntnissen, Trends anschaulich vermitteln. Diese werden mit Visualisierungen zwar einfacher, durch Erz\u00e4hlstrukturen aber noch verst\u00e4ndlicher. Komplexe Datens\u00e4tze k\u00f6nnen so mehr bewirken als in Form von Tabellenkalkulationen, weil sie leichter und schneller erfassbar werden. Entscheider und Analysten k\u00f6nnen Daten-Stories nutzen, um wichtige Trends, Ver\u00e4nderungen, KPIs und Metriken hervorzuheben und datenbasierte Entscheidungsprozesse zu beschleunigen, und klar zu sehen, welche n\u00e4chsten Schritte logisch sein k\u00f6nnten. KI-getriebenes Data-Storytelling kann mit Datenanalyse Geschichten aus Daten erstellen, ohne dass der Mensch eingreifen muss. So nutzt der Phrazor<\/a> zum Beispiel \u201eAugmented Analytics\u201c mit KI, um Daten zuerst zu strukturieren, dann daraus nat\u00fcrliche Sprache zu erzeugen, um schlie\u00dflich E-Commerce Geschichten (Beispiel: \u201eWo kommen unsere Kunden her?\u201c) automatisiert zu erstellen.<\/p>\n\n\n\n

Datenanalyse wird immer mehr Teamwork und Business-getrieben<\/strong><\/h2>\n\n\n\n

Wer bei Datenanalyse nur an Datenwissenschaftler denkt, die Daten sammeln und aufbereiten, der denkt im Jahre 2022 veraltet. Datenanalyse wird immer mehr Teamwork mit verschiedenen Rollen und Spezialisten, bei dem der Data Analyst  nat\u00fcrlich auch seinen Anteil hat. Dieser arbeitet aber immer mehr mit Business-Stakeholdern zusammen, die definieren, welche Daten \u00fcberhaupt wichtig sind und verwendet werden sollen. Wie unser Interview mit Dr. Kerstin Sch\u00e4fer von Adobe<\/a> zeigte, sind oft noch Daten-Strategen vorgelagert, die mit Datenarchitekten entscheiden, welche Anwendungsf\u00e4lle f\u00fcr die Analyse spannend sind. Data Engineers bringen die daf\u00fcr notwendigen Daten in das passende Format. Letztendlich ziehen heute alle an einem Strang, um Erkenntnisse f\u00fcr das Unternehmen zu gewinnen \u2013 statt im Labor an Algorithmen zu arbeiten.<\/p>\n\n\n\n

Datenanalyse auf dem Pr\u00fcfstand: Wie gut funktionieren Prognosen?<\/strong><\/h2>\n\n\n\n

Wenn Vorhersagen aus Datenanalysen mit der Realit\u00e4t nicht \u00fcbereinstimmen, steht die Datenanalyse auf dem Pr\u00fcfstand. Sollte es hier zu Abweichungen kommen und sich die gew\u00fcnschten Erfolge nicht einstellen, werden im kommenden Jahr mehr Unternehmen die Ursachen suchen und ihnen auf den Grund gehen. Einer der Gr\u00fcnde kann neben der Analyse-Methodik die mangelnde Datenqualit\u00e4t sein, durch unvollst\u00e4ndige<\/a>, redundante oder veraltete Daten. Forecasts aus schlechten Daten k\u00f6nnen sprichw\u00f6rtlich in die falsche Richtung leiten und enorme Kosten verursachen. Es gilt also f\u00fcr Unternehmen nicht nur die Hausaufgaben bei Datenanalyse und Datenzentrierung zu machen, sondern bei sp\u00fcrbaren Abweichungen der Vorhersagen die Datenqualit\u00e4t kritisch zu hinterfragen.<\/p>\n\n\n\n