Advanced Analytics ist der Oberbegriff für Datenauswertungen, die über den Rückblick auf vergangene Zahlen hinausgehen. Statt nur zu berichten, was passiert ist, sagen diese Verfahren voraus, was passieren wird (Vorhersage), und schlagen vor, was zu tun ist (Empfehlung). Dazu zählen statistische Modelle, Machine Learning (Programme, die aus Daten lernen) sowie die Auswertung von Texten, Bildern und Netzwerkdaten. Der Begriff wurde vom Analystenhaus Gartner geprägt und grenzt diese Verfahren gegen die klassische Business Intelligence (BI) ab, die Zahlen aus der Vergangenheit aufbereitet.
Was ist Advanced Analytics?
Advanced Analytics fasst analytische Methoden zusammen, die Zusammenhänge erklären, Zukunft prognostizieren oder Handlungen empfehlen. Klassische Business Intelligence (BI) bereitet historische Daten in Berichten und Dashboards auf und beantwortet damit, was passiert ist. Advanced Analytics geht einen Schritt weiter: Verfahren wie Predictive Analytics (Vorhersage) und Prescriptive Analytics (Empfehlung) berechnen aus denselben Daten Wahrscheinlichkeiten für die Zukunft und leiten daraus konkrete Handlungsvorschläge ab. Gartner beschreibt den Begriff als „autonome oder halb-autonome Untersuchung von Daten mit anspruchsvollen Techniken und Werkzeugen, typischerweise jenseits der traditionellen Business Intelligence".
Die deutschsprachige Fachliteratur nutzt daneben die Begriffe fortgeschrittene Datenanalyse und erweiterte Analysen. Inhaltlich zählen dazu Predictive Analytics (Vorhersage), Prescriptive Analytics (Empfehlung), Data Mining, statistische Modellierung, Machine Learning, Deep Learning, Simulation, Optimierung sowie Text-, Bild- und Graph-Analytik.
Ein etablierter Ordnungsrahmen ist das Vier-Stufen-Modell der Analytik: descriptive (Was ist passiert?), diagnostic (Warum ist es passiert?), predictive (Was wird passieren?) und prescriptive (Was sollte getan werden?). Die deskriptive und diagnostische Stufe zählt zur klassischen BI; die predictive und prescriptive Stufe zählt zu Advanced Analytics. Manche Autoren ordnen auch die diagnostische Ebene bereits Advanced Analytics zu, sobald sie über einfache Drill-Down-Analysen hinausgeht und statistische Verfahren nutzt.
Advanced Analytics beschreibt eine Methoden-Kategorie und keine Produktklasse. Jedes Verfahren, das über eine GROUP BY-Aggregation hinausgeht, gehört dazu; erst der Business-Use-Case macht daraus einen konkreten Anwendungsfall wie Churn-Vorhersage, Preis-Optimierung oder Anomalie-Erkennung. Die technische Grundlage bilden heute meist Data-Lakehouse-Plattformen mit integrierter ML-Umgebung, Feature Stores und Modell-Lifecycle-Werkzeugen; die Ergebnisse werden über BI-Werkzeuge oder eingebettete Anwendungen ausgeliefert.
Abgrenzung zu verwandten Begriffen
Advanced Analytics wird in der Praxis mit mehreren benachbarten Begriffen verwechselt. Die Abgrenzung verläuft entlang verschiedener Achsen: Methoden-Tiefe, organisatorischer Rahmen, Datenvolumen und Rolle.
| Begriff | Achse | Kernunterschied |
|---|---|---|
| Business Intelligence | Methoden-Tiefe | BI beschreibt und aggregiert historische Daten (descriptive/diagnostic); Advanced Analytics modelliert und prognostiziert. |
| Business Analytics | Rahmen | Business Analytics ist der breitere organisatorische Rahmen und enthält BI und Advanced Analytics als Teilmengen. |
| Big Data Analytics | Datenvolumen | Big Data Analytics beschreibt Volumen und Struktur der Daten, nicht die Methode; kann sowohl BI als auch Advanced Analytics umfassen. |
| Data Science | Rolle | Data Science ist die Disziplin und Rolle; Advanced Analytics ist das Ergebnis-Feld, das Data-Science-Methoden in Produktion bringt. |
| Augmented Analytics | Werkzeug | Augmented Analytics beschreibt KI-Unterstützung im Analyseprozess selbst (Natural-Language-Query, AutoML, automatisierte Insights). |
Am wichtigsten ist die Trennung zwischen Business Intelligence und Advanced Analytics: BI beantwortet Fragen zu Vergangenheit und Gegenwart, Advanced Analytics beantwortet Fragen zu Zukunft und Handlung. Beide Kategorien laufen heute meist auf derselben Datenplattform, unterscheiden sich aber im Erkenntnis-Anspruch und in den eingesetzten Verfahren.
Beispiel: Advanced Analytics im Handel
Ein Handelsunternehmen betreibt eine Data-Lakehouse-Plattform, auf der unterschiedliche analytische Workloads parallel laufen. Umsatz-Dashboards und Standard-Reports pro Region und Warengruppe zeigen die vergangene Geschäftsentwicklung; das ist klassische BI. Auf denselben Daten laufen darüber hinaus mehrere Advanced-Analytics-Anwendungen: eine Churn-Vorhersage auf Kundenebene identifiziert abwanderungsgefährdete Konten aus Transaktions- und Interaktionsdaten (Predictive Analytics), eine Preis-Optimierung berechnet pro Artikel und Region den erwarteten Deckungsbeitrag verschiedener Preispunkte und schlägt eine Handlungsoption vor (Prescriptive Analytics), und eine Anomalie-Erkennung im Warenwirtschafts-Datenstrom meldet ungewöhnliche Bestellmuster in Echtzeit (statistische Modellierung).
Alle drei Anwendungen zählen zu Advanced Analytics, laufen auf demselben Lakehouse-Datenbestand wie die BI-Dashboards und nutzen dieselbe Governance-Schicht. Die Trennung ist damit weniger eine technische als eine methodische: Dieselben Daten, dieselbe Plattform, aber ein anderer Anspruch an die Fragestellung.
Advanced Analytics im eigenen Unternehmen umsetzen?
Wir zeigen, wie sich das in deiner Systemlandschaft konkret abbilden lässt.